一种超短期风电场功率多步区间预测模块化方法及其设备技术

超短期风电场功率多步区间预测模块化方法及其设备，包括如下步骤：获取风电场地理位置信息，并以一定采样间隔完成对风电场历史运行数据的采集与存储；基于风电场地理信息和历史运行数据，综合地实现风电场特征风机选择，并在此基础上获得风电场多元特征风况；基于风电场特征风况选择结果，通过不同的时间有限差分直接时间序列建模策略，实现特征风电机组风况的超短期多步预测，建立多步区间预测模型；定义有限差分运行域，并实现有限差分运算空间的凸划分；实现全局时间有限差分

【技术实现步骤摘要】
一种超短期风电场功率多步区间预测模块化方法及其设备


[0001]本专利技术涉及一种风电场输出功率预测方法，具体涉及一种超短期风电场功率多步区间预测模块化方法及其设备。

技术介绍

[0002]相较于传统不可再生能源，可再生能源在全球范围内广泛分布且储备量丰富，风能是一种清洁、可再生的绿色能源，且具有长期依赖的潜力，在诸多新能源中风电具有发电成本低、资源丰富、清洁高效等优势。然而，风的不确定性是风力发电过程中的主要问题之一，由于天气条件不确定的原因，风电功率存在可预测性差、预测可信度低等问题，大规模风电并网后对电网产生的诸如弃风限电、电压和频率波动等一系列负面影响仍是目前亟需解决的热门问题。风电的不稳定性导致风电并网后在电网调度方面常常受到限制，所产生的风电无法得到及时有效的利用，为进一步提高风能利用率，促进风能消纳，研究高精度的风电功率预测模型具有重要意义。通过获得未来时刻高精度的风电功率预测值，可以帮助电力部门制定合理的调度计划，实时安排各个风电场的并网容量，提高电网接纳不稳定风力发电的能力，对于电网调峰调频以及安全稳定运行和经济管理等具有基础本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超短期风电场功率多步区间预测模块化方法，其特征在于，包括如下步骤：步骤一：获取风电场地理位置信息，并以一定采样间隔完成对风电场历史运行数据的采集与存储；步骤二：基于风电场地理信息和历史运行数据，综合地实现风电场特征风机选择，并在此基础上获得风电场多元特征风况；步骤三：基于风电场特征风况选择结果，通过不同的时间有限差分(temporal finite difference,TFD)直接时间序列建模策略，实现特征风电机组风况的超短期多步预测，并在此基础上，建立多步区间预测模型；步骤四：定义有限差分运行域，并实现有限差分运算空间的凸划分。在此基础上，实现全局时间有限差分(temporal finite difference,TFD)
‑
机器学习(machine learning,ML)风电场集总发电特性建模；步骤五：基于所建立的特征风况预测模型和风电场集总发电特性模型，基于滚动预测机制，实现风电场超短期多步区间预测。2.根据权利要求1所述的一种超短期风电场功率多步区间预测模块化方法，其特征为：所述步骤1进一步包括如下内容：所述风电场地理位置信息包括风电场所内所有风电机组所处位置的经度、纬度和海拔高度信息；所述一定采样间隔需满足超短期风电功率预测要求，超短期功率预测定义的采样时间间隔是1至15分钟；所述风电场历史运行数据包括风电场所有风电机组有功功率、风速和风向历史数据，所选述风电场历史运行数据需经过异常数据清理处理，以便为后续的超短期风电功率预测提供数据样本基础。3.根据权利要求1所述的一种超短期风电场功率多步区间预测模块化方法，其特征为：所述步骤2进一步包括如下内容：所述风电场特征风机选择方法包括对外相关性分析和对内相关性分析两部分。首先，采用特征选择算法进行对外相关性分析，通过建立特征选择模型，确定风电场候选风机WT
h
；其次，结合风电场地理位置信息并采用非线性相关性分析算法进行对内相关性分析,排除候选风机中的冗余风机。最终通过风电场特征风机选择方法，所获得的特征风机的风况即为风电场多元特征风况；所述特征选择算法为：同时考虑风速和风向两个因素对风电场功率产生的影响，所述对外相关性分析方法具体包括以下内容：a)如果风速和风向两者相关性较强，采用降维算法对原始风向和风速数据进行降维，并将降维后的数据D
dim
、归一化风电场功率分别作为所建特征选择模型的输入和输出；根据特征选择模型返回的特征权重，选择特征权重较大的风电机组作为候选风机WT
h
；b)如果风速和风向两者相关性较弱，且采用相应降维算法进行降维后的数据所包含的原始信息成分占比较少，则表明风速和风向是相对独立的两个变量，选择分别建立两个特征选择模型，将风速和风向对风电场功率的影响分开计算，选择两个模型的特征权重都较大的风电机组作为候选风机WT
h
；所述对内相关性分析具体为：量化风电场内地理位置信息并完成风电机组间风况的非线性相关性计算，实现对冗余风机的剔除；所述量化地理位置信息方法具体包括以下内容：将风电场内各运行机组的经度、纬度和海拔高度信息归一化后计算两两之间的欧氏距离；所述风电机组风况非线性相关性分析方法具体包括以下内容：确定非线性相关性分析算法，根据风速和风向的相关性强弱的不同，分两种情况进行风况相关性分析关系：(1)如果风电机组风速和风向的相关性强，则计算各风电机组降维后数据D
dim
间的非线性相关性；
(2)如果风电机组风速和风向的相关性弱，则计算各风电机组原始风速间的非线性相关性和原始风向间的非线性相关性；所述冗余风机的剔除方法具体包括以下内容：根据风电机组归一化欧氏距离和风况相关性分析计算结果进行综合判断，若两台风电机组间的欧氏距离小且风况相关性高，则认为二者在地理上接近，且风况信息相似，判定二者互为冗余风机，根据对外相关性分析中的特征选择模型结果，剔除特征权重更小的风电机组，实现了冗余风机的剔除；结合所述对外相关性分析和对内相关性分析，所述风电场特征风机选择方法具体包含以下步骤：Step1.通过对外相关性分析选择候选风机WT
h
；Step2.量化风电场内地理位置信息并完成各风电机组风况非线性相关性的计算；Step3.分析WT
h
中各风电机组的风况相关性，根据冗余风机判定原则，去除风况相关性高且欧氏距离小的f1个冗余风机；Step4.重新从剩余风电机组中选取f2个特征权重较大的加入候选风机WT
h
；Step5.重复Step3、4，再次分析风电机组风况非线性相关性的强弱，直到WT
h
中不存在冗余风机；最终确定多元特征风机WT＝{WT1,WT2,...,WT
Q
}，其中Q表示特征风机个数。4.根据权利要求1所述的一种超短期风电场功率多步区间预测模块化方法，其特征为：所述步骤3进一步包括如下内容：所述特征风况多步预测方法为：基于单变量时间序列的TFD建模策略，同时采用多输入单输出(multiple inputs single output,MISO)和多输入多输出(multiple inputs multiple outputs,MIMO)建模策略保证风况预测的可靠性和灵活性；所述MISO
‑
TFD建模策略，采用先进的机器学习神经网络算法建立特征风况预测模型，通过滚动预测的机制，将预测值作为模型输入实现特征风况超前多步预测；所述MIMO
‑
TFD建模策略，采用先进机器学习神经网络算法建立多维输入和多维输出间的映射关系，实现特征风况超前多步预测；所述特征风况多步区间预测模型：基于特征风况多步预测结果，同时采用非参数和半参数区间构建算法，建立多步区间预测模型，有效保证不确定区间模型的可靠性。5.根据权利要求1所述的一种超短期风电场功率多步区间预测模块化方法，其特征为：所述步骤4进一步包括如下内容：所述有限差分运行域为：有限差分运行域由TFD混合特征向量φ(t)所形成的空间构成；所述TFD混合特征向量φ(t)，TFD混合特征向量包含了所有特征风况的风向、风速，并涵盖了其与风电场输出功率间的时延关系，具体为φ(t)＝[...

【专利技术属性】
技术研发人员：胡阳，李倩，姚欣然，房方，刘吉臻，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：