【技术实现步骤摘要】
一种长短期结合的风力发电预测方法
：
[0001]本专利技术涉及一种长短期结合的风力发电预测方法，属于电力系统发电领域。
技术介绍
：
[0002]风能是除水电以外，规模较大、商业化发展前景较好、开发技术较为成熟可再生能源。积极开发利用风电资源，对调整能源结构、减少环境污染、应对气候变化等具有重要意义。
[0003]然而风力发电出力具有波动性和间歇性，导致风力发电的预测不够准确，难以进行调度管理，使得对风力消纳非常不利，同时也会导致大量弃风问题，并且也会对电网安全运行产生不利影响。
[0004]目前常见的风力发电预测方法采用单一时间尺度的数据源利用神经网络或基于电网模型开展预测，然而神经网络预测方法计算复杂度高且机理不清晰，而基于电网模型的方法其精度严重依赖电网模型准确度；虽然，也有个别预测方法结合了多种时间尺度的数据源，但这些方法并未考虑各时间尺度下的数据互相影响，独立对待不同时间尺度的数据，进而将不同时间尺度的预测值进行加权平均，因此并未真正意义上利用不同时间尺度的数据特性，难以提高预测准确性。
专利...
【技术保护点】
【技术特征摘要】
1.一种长短期结合的风力发电预测方法，其特征在于：包括：根据上一年度的风力发电序列以及天气类型数据，分别构建各季节下不同天气类型的典型日风力发电序列；根据预测日所在季节以及预测日的预报天气类型，确定预测日对应的典型日风力发电序列；根据预测日对应的典型日风力发电序列与预测日前一周内各天的风力发电序列的相关性，对预测日的风力发电序列进行预测；根据预测日实际实时发电序列对预测得到的预测日的风力发电序列进行修正。2.根据权利要求1所述的长短期结合的风力发电预测方法，其特征在于：所述各季节下不同天气类型的典型日风力发电序列的构建方法包括：获取上一年度的每日风力发电序列以及每日天气类型数据；按季节将所述上一年度的每日风力发电序列进行划分，形成四个季节的数据集合；再根据上一年度的每日天气类型数据，分别对每个季节的数据集合内的每日风力发电序列按照当日的天气类型进行划分，形成多个子集；各子集中的元素记为形成多个子集；各子集中的元素记为为第sea季节中第j天气类型第i天的风力发电序列；sea为季节数，sea∈[1,4]；j为天气类型序号，j∈[1,J]，J为天气类型总数；i为第j天气类型中的天数序号；t为风力发电序列的序列号，t取[1,T]，T为风力发电序列的序列总数；采用DBSCAN算法对各子集中具有相同天气类型的风力发电序列进行聚类合并，根据聚类结果确定各子集下的典型日。3.根据权利要求2所述的长短期结合的风力发电预测方法，其特征在于：所述天气类型包括阴、晴、多云、晴转多云、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪和冰雹共14种，天气类型总数J取14。4.根据权利要求2所述的长短期结合的风力发电预测方法，其特征在于：所述DBSCAN算法用于找到样本点的全部密集区域，并把密集区域分别做为一个聚类簇，邻域半径R内样本点的数量大于等于minpoints的点记为核心点，不属于核心点但在某个核心点的邻域内的点记为边界点；既不是核心点也不是边界点的记为噪声点；所述DBSCAN算法包括如下两个步骤：步骤1：寻找核心点形成临时聚类簇；扫描全部样本点，如果某个样本点R半径范围内点数目大于等于MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇；步骤2：合并临时聚类簇得到聚类簇；对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇；重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成为聚类簇；继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理。5.根据权利要求4所述的长短期结合的风力发电预测方法，其特征在于：所述邻域半径R取风机发电的额定功率的2％，最少点数目minpoints取10。
6.根据权利要求1所述的长短期结合的风力发电预测方法，其特征在于：所述根据聚类结果确定各子集下的典型日的具体步骤包括：读取聚类结果中包含天数最多的类，设其包含Z天，分别计算每天的累计功率X(z)＝...
【专利技术属性】
技术研发人员：王哲，赵宏大，马龙鹏，朱铭霞，王昕，夏寅泳，杨冬海，
申请(专利权)人：国网江苏电力设计咨询有限公司深圳市中电电力技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。