一种配电网下分布式风电场的功率预测方法技术

本发明专利技术提供一种配电网下分布式风电场的功率预测方法，该方法具体步骤为：步骤S1：获取待预测风电场的功率数据，将数据进行分解，并进行标准化；步骤S2：利用标准化后的变量获取相关角；步骤S3：利用获取的相关角来划分子序列；步骤S4：进行风电场的功率预测。本发明专利技术主要是利用相关角确定分解出来的各个子序列与总序列的相关程度，通过对子序列进行划分为趋势分量，振荡分量，随机分量后分别进行预测，得到最终的预测结果，实际操作简单，且预测的结果准确，误差小。误差小。误差小。

【技术实现步骤摘要】
一种配电网下分布式风电场的功率预测方法


[0001]本专利技术涉及新能源发电预测
，具体而言，涉及了一种配电网下分布式风电场的功率预测方法。

技术介绍

[0002]以风电、光伏为主体的清洁可再生能源在新型电力系统中的占比越来越高，逐步成为了出力主体和责任主主体。虽然风电的储量大并且可再生，但是与此同时，风电的随机性和间歇性使得出力具有很强不确定性，也给电力系统的安全性、稳定性、可控性、经济性带来了巨大的挑战，所以对配电网下的分布式风电场的功率进行准确的预测是应对这一系列难题的重要技术手段。

技术实现思路

[0003]本专利技术的目的在于提供一种配电网下分布式风电场的功率预测方法，以解决上述
技术介绍
中提出的问题。
[0004]本专利技术是通过以下技术方案实现的：一种配电网下分布式风电场的功率预测方法，该方法具体步骤包括：
[0005]S1、获取待预测风电场的历史功率数据，m个历史功率数据构成总序列；
[0006]S2、将所述总序列进行分解，得到多个子序列，并将所述每个子序列以及所述总序列的数据进行标准化；
[0007]S3、基于标准化后的子序列以及总序列获得相关角；
[0008]S4、利用所述相关角计算得到相关角余弦值，根据所述相关角余弦值的大小将所述子序列划分为趋势变量、振荡变量以及随机变量；
[0009]S5、基于所述趋势变量、振荡变量以及随机变量计算所述风电场的预测功率。
[0010]进一步地，基于变分模态分解对所述总序列进行分解，获得多个子序列，每个所述子序列中也包含m个数据点。
[0011]进一步地，标准化后每个子序列和总序列中的数据范围都在[
‑
1，1]中。
[0012]进一步地，在步骤S3中，所述相关角的获取过程为：
[0013]建立坐标系，在所述坐标系中描出多个坐标点，所述坐标点的X轴坐标值为子序列中的数据点，所述坐标点的Y轴坐标值为主序列中的数据点；
[0014]利用最小二乘法拟合出一条经过最多坐标点的直线；
[0015]在坐标系中选取与所述直线距离最远的坐标点，根据与所述直线距离最远的点以及点构建直线；
[0016]所述直线以及所述直线之间的夹角即为相关角。
[0017]进一步地，在步骤S4中，利用所述相关角余弦值cos(δ2)的大小划分子序列的依据是：所述cos(δ2)大于0.7的子序列设为趋势变量f1，所述cos(δ2)小于0.7且大于0.4的设为振荡变量g1，所述cos(δ2)小于0.4的设为随机变量h1。
[0018]进一步地，对多个风电场进行相关角计算，得到r个风电场的趋势变量f1，f2，
…
，fr；
[0019]振荡变量g1，g2，
…
，gr；
[0020]随机变量h1，h2，
…
，hr；
[0021]并对各个变量进行合并：f＝{f1，f2，
…
，fr}；g＝{g1，g2，
…
，gr}；h＝{h1，h2，
…
，hr}。
[0022]进一步地，在步骤S5中，计算所述风电场的预测功率的具体步骤为：
[0023]S5
‑
1、将所述合并好的趋势变量和所述合并好的振荡变量分别去训练lstm模型，得到趋势变量的lstm1模型与振荡变量的lstm2模型，同时利用所述合并好的随机变量h去训练SBL模型；
[0024]S5
‑
2、利用训练好的模型，将所述子序列输入对应的上述模型中，得到所述lstm1模型输出预测的点序列y1，其中y1＝[e1,e2，
……
，ek]，所述lstm2模型输出预测的点序列y2，其中y2＝[g1,g2，
……
，gk]，所述SBL模型输出的单点的均值和方差y3，其中y3＝[{u1，z1}，{u2，z2}
……
，{uk，zk}]；
[0025]S5
‑
3、通过下式计算配电网下的分布式风电场的预测出力y：
[0026]y＝[e1+g1+u1,e2+g2+u2,
……
，ek+gk+uk][0027]其中，ek为lstm1模型输出的点序列中的第k个值，即第k个时刻趋势变量的值，gk为lstm2模型输出的点序列中的第k个值，即第k个时刻振荡变量的值，uk是SBL模型输出的第k组数据中的第1个值，即第k个时刻随机变量变量的均值。
[0028]进一步地，基于配电网下的分布式风电场的预测出力，配电网下的分布式风电场的预测出力的不确定区间可表示为：y＝[e1+g1+u1
±
z1，e2+g2+u2
±
z2,
……
，ek+gk+uk
±
zk]。
[0029]其中，zk是SBL模型输出的第k组数据中的第2个值，即第k个时刻随机变量的方差。
[0030]与现有技术相比，本专利技术达到的有益效果如下：
[0031]本专利技术提供的一种配电网下分布式风电场的功率预测方法，利用相关角确定分解出来的各个子序列与总序列的相关程度，通过对子序列进行划分为趋势分量，振荡分量，随机分量后分别进行预测，得到准确的，误差较小的风电场功率预测结果。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本专利技术提供的一种配电网下分布式风电场的功率预测方法的运作流程图。
具体实施方式
[0034]为了使得本专利技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本专利技术的示例实施例。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是本专利技术的全部实施例，应理解，本专利技术不受这里描述的示例实施例的限制。基于本专利技术中描述的
本专利技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本专利技术的保护范围之内。
[0035]在下文的描述中，给出了大量具体的细节以便提供对本专利技术更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本专利技术可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本专利技术发生混淆，对于本领域公知的一些技术特征未进行描述。
[0036]应当理解的是，本专利技术能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本专利技术的范围完全地传递给本领域技术人员。
[0037]在此使用的术语的目的仅在于描述具体实施例并且不作为本专利技术的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网下分布式风电场的功率预测方法，其特征在于，该方法具体步骤包括：S1、获取待预测风电场的历史功率数据，m个历史功率数据构成总序列；S2、将所述总序列进行分解，得到多个子序列，并将所述每个子序列以及所述总序列的数据进行标准化；S3、基于标准化后的子序列以及总序列获得相关角；S4、利用所述相关角计算得到相关角余弦值，根据所述相关角余弦值的大小将所述子序列划分为趋势变量、振荡变量以及随机变量；S5、基于所述趋势变量、振荡变量以及随机变量计算所述风电场的预测功率。2.根据权利要求1所述的一种配电网下分布式风电场的功率预测方法，其特征在于，基于变分模态分解对所述总序列进行分解，获得多个子序列，每个所述子序列中也包含m个数据点。3.根据权利要求2所述的一种配电网下分布式风电场的功率预测方法，其特征在于，标准化后每个子序列和总序列中的数据范围都在[
‑
1,1]中。4.根据权利要求3所述的一种配电网下分布式风电场的功率预测方法，其特征在于，在步骤S3中，所述相关角的获取过程为：建立坐标系，在所述坐标系中描出多个坐标点，所述坐标点的X轴坐标值为子序列中的数据点，所述坐标点的Y轴坐标值为主序列中的数据点；利用最小二乘法拟合出一条经过最多坐标点的直线I1；在坐标系中选取与所述直线I1距离最远的坐标点，根据与所述直线I1距离最远的点以及点(0,d)构建直线I2；所述直线I1以及所述直线I2之间的夹角即为相关角。5.根据权利要求4所述的一种配电网下分布式风电场的功率预测方法，其特征在于，在步骤S4中，利用所述相关角余弦值cos(δ2)的大小划分子序列的依据是：所述cos(δ2)大于0.7的子序列设为趋势变量f1，所述cos(δ2)小于0.7且大于0.4的设为振荡变量g1，所述cos(δ2)小于0.4的设为随机变量h1。6.根据权利要求5所述的一种配电网下分布式风电场的功率预测方法，其特征在于，对多个风电场进行相关角计算，得到r个风电场的趋势变量f1，f2，
…
，fr；振荡变量g1，g2，
…
，gr；随机变量h1，h2，
…
，hr；并对...

【专利技术属性】
技术研发人员：李天楚，伍智鹏，刘元煌，
申请(专利权)人：海南电网有限责任公司电力科学研究院，
类型：发明
国别省市：