一种风电场功率预测的方法及装置制造方法及图纸

本发明专利技术公开了一种风电场功率预测的方法及装置，方法包括：获取预测日信息；所述预测日信息包括预测日日期；根据预测日的日期确定预测日的季节，根据预测日季节和风速进行相似日提取，获得相似日资料；所述相似日资料包括相似日风速数据；根据相似日资料，进行基于相似日的风速预测，获得预测日风速数据；根据所述相似日资料和预测日风速数据，进行风电场功率预测，获得风电场的功率。建立基于GA

【技术实现步骤摘要】
一种风电场功率预测的方法及装置


[0001]本专利技术涉及一种风电场功率预测的方法及装置，属于新能源功率预测


技术介绍

[0002]随着化石燃料的不断消耗，世界各国以全球协约的方式应对全球能源危机以及环境恶化问题。我国要大力发展新能源和可再生能源，风能作为可再生能源之一，成本低，储量丰富。实现对风速及风电功率的精准预测一定程度上能够协助电力系统进行及时有效的调度，保障电力系统可靠运行。
[0003]风电预测技术显得尤为重要，可以降低运行成本，精确预测风电功率不仅能减少相关配置备用容量，也能降低运行成本，实现风电场发电机组的优化调度；还可以增强市场竞争力，风力发电和传统的发电方式的区别在于风电场的功率输出随着风的波动性和间歇性而时刻变化，无法先制定发电计划后发电，供电的可靠性较低，若能提高风电预测的准确性，提高风力发电的可靠性，也就能提高风电市场的竞争力。风电市场经济得以发展，社会效益也能因此增加。我国一些偏远地区尤其是较贫困的山区，风能资源丰富，可利用空间大，若能实现良好的风电预测，可以在当地进行相关产业的发展和配套设施的建立，可以促进当地的发展，带动经济增长，加快国家发展脚步。风电预测技术保证了并网的稳定运行，提前了解掌握风电的走向和变化趋势，当发生风机的突然切除时，能减小电网频率的波动和电压闪变，保证电能质量。
[0004]目前风电预测的主流方式包括BP模型、GRNN模型和GA
‑
BP传统模型，普遍都有精确度不高的问题，难以应对要求越来越高的风电预测场景。
专利
技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种风电场功率预测方法及装置，可提高风电功率预测的精确度。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种风电场功率预测方法，包括以下步骤：
[0008]获取预测日信息；所述预测日信息包括预测日日期；
[0009]根据预测日的日期确定预测日的季节，根据预测日季节和风速进行相似日提取，获得相似日资料；所述相似日资料包括相似日风速数据；
[0010]根据相似日资料，进行基于相似日的风速预测，获得预测日风速数据；
[0011]根据所述相似日资料和预测日风速数据，进行风电场功率预测，获得风电场的功率。
[0012]进一步的，根据预测日季节和风速进行相似日提取的方法包括：
[0013]获取风电场的历史风速数据，并将所述历史风速数据根据季节整理为四个季节风速集合；
[0014]将所述季节风速集合分别通过Weka平台进行K
‑
means聚类，选取不同聚类数K对应
的误差平方和作为聚类数评价标准；
[0015]绘制相应的手肘图得到最适合的聚类数K，用不同颜色标记区分不同的聚类数K形成的簇并且对应到相似日天数；
[0016]根据预测日的季节选取预测日所在的簇进行相似日进行皮尔逊系数相似日二次提取，获得簇内具有强相关系数的相似日。
[0017]进一步的，进行K
‑
means聚类的方法包括如下步骤：
[0018]确定其目标函数为最小化平方误差E，表达式如下式所示：
[0019][0020]其中μ
i
是均值向量，表达式如下式所示：
[0021][0022]式中，μ
i
是簇C
i
的聚类中心(即质心)，也是均值向量。
[0023]进一步的，根据相似日资料，进行基于相似日的风速预测，获得预测日风速数据的方法包括：
[0024]获取相似日的原始风速序列；
[0025]运用自适应白噪声的完整经验模态分解(CEEMDAN)对相似日的原始风速序列一次分解，获得一次分解风速序列；
[0026]运用经验模态分解(VMD)对一次分解风速序列的二次分解，获得二次分解风速序列；
[0027]根据经验模态分解法和回声状态网络预测算法处理所述二次分解风速序列，获得预测日风速数据。
[0028]进一步的，运用自适应白噪声的完整经验模态分解(CEEMDAN)对相似日的原始风速序列一次分解的方法包括：
[0029]向信号序列x(t)添加K次白噪声，构造K次待分解序列x
i
(t)(i＝1,2,
…
,K), 表达式如下式所示：
[0030]x
i
(t)＝x(t)+εδ
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0031]式中，ε为白噪声权值系数，δ
i
(t)为第i次处理产生的白噪声；
[0032]对上述待分解序列x
i
(t)(i＝1,2,
…
,K)进行K次经验模态分解，取求解后所有第一个模态分量的平均值IMF1(t)作为CEEMDAN分解的第一个模态分量，表达式如下式所示：
[0033][0034]式中，为x
i
(t)经过经验模态分解后得到的第一个模态分量；
[0035]对信号序列x(t)的余量信号进行求解，表达式如下式所示：
[0036]r1(t)＝x(t)
‑
IMF1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0037]r1(t)表示第一次CEEMDAN分解后的余量信号；
[0038]将分解后得到的第j阶段余量信号添加特定噪声后，继续进行EMD分解。 IMF
j
表达式如下式所示：
[0039][0040]r
j
(t)＝r
j
‑1(t)
‑
IMF
j
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0041]式中，IMF
j
(t)为CEEMDAN分解得到的第j个IMF；E
j
‑1(
·
)表示序列进行EMD分解后的第j
‑
1个IMF分量，ε
j
‑1表示CEEMDAN对第j
‑
1阶段余量信号加入噪声的权值系数；r
j
(t)表示第j阶段余量信号；
[0042]若分解达到一定次数时，余量信号呈单调，则满足了分解停止条件，算法结束。
[0043]进一步的，运用经验模态分解(VMD)对一次分解风速序列的二次分解，获得二次分解风速序列的方法包括：
[0044]步骤a：初始化λ1和最大迭代次数N；；
[0045]步骤b：更新和ω
k
；ω
k
和λ的表达式如下式所示：：
[0046][0047][0048][0049]步骤c：若满足则完成迭代，输出最终的和ω
k
，若不满足，则重复步骤a
‑
b直至满足
[0050]进一步的，根据经验模态分解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电场功率预测方法，其特征在于，包括以下步骤：获取预测日信息；所述预测日信息包括预测日日期；根据预测日的日期确定预测日的季节，根据预测日季节和风速进行相似日提取，获得相似日资料；所述相似日资料包括相似日风速数据；根据相似日资料，进行基于相似日的风速预测，获得预测日风速数据；根据所述相似日资料和预测日风速数据，进行风电场功率预测，获得风电场的功率。2.根据权利要求1所述的风电场功率预测方法，其特征在于，根据预测日季节和风速进行相似日提取的方法包括：获取风电场的历史风速数据，并将所述历史风速数据根据季节整理为四个季节风速集合；将所述季节风速集合分别通过Weka平台进行K
‑
means聚类，选取不同聚类数K对应的误差平方和作为聚类数评价标准；绘制相应的手肘图得到最适合的聚类数K，用不同颜色标记区分不同的聚类数K形成的簇并且对应到相似日天数；根据预测日的季节选取预测日所在的簇进行相似日进行皮尔逊系数相似日二次提取，获得簇内具有强相关系数的相似日。3.根据权利要求2所述的风电场功率预测方法，其特征在于，进行K
‑
means聚类的方法包括如下步骤：确定其目标函数为最小化平方误差E，表达式如下式所示：其中μ
i
是均值向量，表达式如下式所示：式中，μ
i
是簇C
i
的聚类中心(即质心)，也是均值向量。4.根据权利要求2所述的风电场功率预测方法，其特征在于，根据相似日资料，进行基于相似日的风速预测，获得预测日风速数据的方法包括：获取相似日的原始风速序列；运用自适应白噪声的完整经验模态分解对相似日的原始风速序列一次分解，获得一次分解风速序列；运用经验模态分解对一次分解风速序列的二次分解，获得二次分解风速序列；根据经验模态分解法和回声状态网络预测算法处理所述二次分解风速序列，获得预测日风速数据。5.根据权利要求4所述的风电场功率预测方法，其特征在于，运用自适应白噪声的完整经验模态分解对相似日的原始风速序列一次分解的方法包括：向信号序列x(t)添加K次白噪声，构造K次待分解序列x
i
(t)(i＝1,2,
…
,K),表达式如下式所示：x
i
(t)＝x(t)+εδ
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，ε为白噪声权值系数，δ
i
(t)为第i次处理产生的白噪声；
对上述待分解序列x
i
(t)(i＝1,2,
…
,K)进行K次经验模态分解，取求解后所有第一个模态分量的平均值IMF1(t)作为CEEMDAN分解的第一个模态分量，表达式如下式所示：式中，为x
i
(t)经过经验模态分解后得到的第一个模态分量；对信号序列x(t)的余量信号进行求解，表达式如下式所示：r1(t)＝x(t)
‑
IMF1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)r1(t)表示第一次CEEMDAN分解后的余量信号；将分解后得到的第j阶段余量信号添加特定噪声后，继续进行EMD分解；IMF
j
表达式如下式所示：r
j
(t)＝r
j
‑1(t)
‑
IMF
j
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，IMF
j
(t)为CEEMDAN分解得到的第j个IMF；E
j
‑1(
·
...

【专利技术属性】
技术研发人员：施建强，赵宁宁，范静仪，李双，牛秋实，徐梦溪，田峰敏，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：