基于波动识别和误差修正的风电短期功率预测方法和系统技术方案

本发明专利技术涉及基于波动识别和误差修正的风电短期功率预测方法和系统，包括：将待预测时长的风速波形划分为多个风速波动，并形成各风速波动的特征序列；利用预先建立的风电短期功率预测模型和所述风速波动的特征序列，得到各风速波动的特征序列对应的低频功率波动；根据各风速波动的特征序列对应的低频功率波动，生成各风速波动对应的风电功率波动。本发明专利技术提供的技术方案，突破了目前短期功率预测方法无法捕捉或捕捉风电出力波动的效果有限的局限，提升了风电短期功率的准确性。升了风电短期功率的准确性。升了风电短期功率的准确性。

【技术实现步骤摘要】
基于波动识别和误差修正的风电短期功率预测方法和系统


[0001]本专利技术涉及电力系统中新能源发电领域，具体涉及基于波动识别和误差修正的风电短期功率预测方法和系统。

技术介绍

[0002]因风电累计装机容量的逐年递增，电网调度部门需要根据风电功率预测结果制定调度计划，进而促进具有随机、波动性的风力发电的消纳，因此在电网调度侧和风电场侧均必须部署风电功率预测系统。
[0003]随着多年的发展，风电功率预测的精度和应用程度逐步提升，但目前的预测水平还无法满足调度运行的实际需求。在技术方面，目前应用较为成熟的算法包括物理法、统计法以及组合法，但从基本原理来看，上述方法均以“单点”为预测目标，即基于历史运行数据，建立“气象
‑
功率”的关联关系，利用未来时段逐时刻的气象预测数据，预测对应时刻的功率，该类方法未考虑风电功率序列的时序特征，无法有效预测风电功率的波动，预测精度已达到瓶颈。
[0004]这里列举一个典型的示例“基于BPNN的风电短期功率预测方法”，该方法分为两个阶段，模型训练和预测执行。在模型训练阶段，通过收集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于波动识别和误差修正的风电短期功率预测方法，其特征在于，所述方法包括：将待预测时长的风速波形划分为多个风速波动，并形成各风速波动的特征序列；利用预先建立的风电短期功率预测模型和所述风速波动的特征序列，得到各风速波动的特征序列对应的低频功率波动；根据各风速波动的特征序列对应的低频功率波动，生成各风速波动对应的风电功率波动；其中，所述待预测时长的风速波形是基于待预测时长内各时刻的风速预报数据生成的。2.如权利要求1所述的方法，其特征在于，所述预先建立的风电短期功率预测模型的训练过程，包括：将历史时长的风速波形划分为多个风速波动，并形成各风速波动的特征序列；将历史时长的实际风电功率波形进行预处理，得到与历史时长的风速波形划分的各个风速波动时间对应的各个低频功率波动；利用采用三次样条插值的方法，将所述低频功率波动统一处理成相同时间长度的低频功率波动；作为初始BPNN神经网络的输入数据，将插值后的各个低频功率波动作为初始BPNN神经网络的输出数据，训练初始BPNN神经网络，得到风电短期功率预测模型。3.如权利要求1或2所述的方法，其特征在于，所述风速波动的确定，包括：标记风速波形中的极大值与极小值；按照相邻的“极小值
‑
极大值
‑
极小值”对应的波形片段为一个波动的原则，将风速波形分割为多个风速波动。4.如权利要求2所述的方法，其特征在于，所述将历史时长的实际风电功率波形进行预处理，得到与历史时长的风速波形划分的各个风速波动时间对应的各个低频功率波动，包括：采用db6小波分解技术，将历史时长的实际风电功率波形进行小波分解，得到各层概貌系数；重构各层概貌系数，得到各层概貌系数对应的低频功率波形；分别计算各层概貌系数对应的低频功率波形与历史时长的实际风电功率波形之间的皮尔逊相关性系数，并选择相关系数最高的低频功率波形；对选择的低频功率波形进行截取，得到与历史时长的风速波形划分的各个风速波动时间对应的各个低频功率波动。5.如权利要求1所述的方法，其特征在于，所述根据各风速波动的特征序列对应的低频功率波动，生成各风速波动对应的风电功率波动，包括：对各风速波动的特征序列对应的低频功率波动进行反向插值处理；修正反向插值处理后的各低频功率波动中的功率值，得到各风速波动对应的风电功率波动。6.如权利要求5所述方法，其特征...

【专利技术属性】
技术研发人员：车建峰，刘纯，王勃，冯双磊，裴岩，韩月，段方维，王钊，张菲，
申请(专利权)人：国家电网有限公司国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：