【技术实现步骤摘要】
本专利技术涉及风电集群消纳，具体地，涉及一种基于改进时间序列预测的风电集群有功分层控制方法。
技术介绍
1、随着风电装机容量的提高，由于其难预测性、可控性差等特点，导致弃风问题日渐突出，而导致弃风的原因之一是风电集群的自身控制存在问题。如何根据调度中心下达的调度指令，通过风电集群内部的协调运行使弃风量和风电场储能协调出力得到减少仍是一个需要解决的问题。
2、目前对于风电集群内部的协调运行方面已开展了相关研究工作。如提出了一种在限风情况下风电场群协调控制策略，可以实现风电消纳最大化和线路损耗的最小化；如综提出了一种风电场群分层递阶控制策略，大幅提高了风电消纳能力；但上述研究未提及风电预测情况对调度的影响，而保证上述控制能顺利进行的前提是风电预测可以有效配合风电集群控制。
3、针对风电预测配合风电集群控制的问题，国内外学者进行了取得了一些研究成果。如提出一种基于风电场功率预测误差分布曲线的风电集群有功出力计划方法；如用双层递阶自适应模糊预测模型对风电场有功功率进行预测，并引入风电集群分层控制，结果证明可有效提高预测精度和风电消纳水平；如提出一种考虑分层分布模型预测控制的多时空尺度风电集群频率控制策略，以空间相关性和支持向量机模型建立组合预测模型，使风电集群能参与系统调频并兼顾经济性和安全性。目前研究工作在预测模型的精度满足要求，但预测模型较为复杂，会降低预测速度，对超短期调度产生消极影响，因此在超短期调度中需要考虑预测模型的复杂程度。
技术实现思路
1、针对现有
2、为实现上述技术目的，本专利技术采用如下技术方案：一种基于改进时间序列预测的风电集群有功分层控制方法，具体包括如下步骤：
3、步骤1、收集最近一周的原始风电集群出力序列数据，经局部均值分解法获得每个风电场的低频分量；
4、步骤2、将所有低频分量通过改进时间序列预测方法对未来风电功率进行预测，得到风电功率预测数据；
5、步骤3、风电集群接收电网的调度指令计划，结合风电功率预测数据和风电集群的有功分配值，以系统网损最小化及各风电场风电消纳最大化为目标，构建风电集群有功出力目标函数，并设置风电集群约束条件和子场层级约束条件；
6、步骤4、将风电集群的初始有功分配值作为蝴蝶个体，通过改进蝴蝶优化算法对风电集群有功出力目标函数进行寻优计算，得到风电集群最优有功分配值，调整各风电场的风电出力。
7、进一步地，步骤1包括如下子步骤：
8、步骤101、收集最近一周的原始风电集群出力序列数据，找出每个原始风电场出力序列数据中的所有极值点，计算相邻极值点的局部均值bii和局部幅值eii，将所有相邻极值点的局部均值bii、局部幅值eii分别用直线连接；
9、相邻极值点的局部均值bii的计算过程为：
10、
11、所述相邻极值点的局部幅值eii的计算过程为：
12、
13、其中，aii表示第ii个极值点的原始风电集群出力；
14、步骤102、将连接相邻极值点的局部均值bii的直线进行滑动平滑处理，得到局部均值函数b11(tc)；将连接邻极值点的局部幅值eii的直线进行滑动平滑处理，得到包络估计函数e11(tc)；
15、步骤103、从原始风电集群出力序列数据中分离出局部均值函数b11(tc)，得到过渡信号h11(tc)＝s(tc)-b11(tc)，并通过包络估计函数e11(tc)对过渡信号h11(tc)进行幅值解调，得到幅值解调信号s11(tc)＝h11(tc)/e11(tc)；其中，s(tc)为原始风电集群出力序列数据；
16、步骤104、判断幅值解调信号s11(tc)是否为纯调频信号，若是，执行步骤105；否则，将幅值解调信号s11(tc)作为风电集群出力序列数据，重复步骤101-103，直至幅值解调信号为纯调频信号s1a(tc)；
17、步骤105、将所有包络估计函数相乘,得到包络信号，将包络信号与纯调频信号s1a(tc)相乘，得到一个低频分量；
18、步骤106、将低频分量从原始风电集群出力序列数据s(tc)中分离出来，得到新信号v1(tc)，将新信号v1(tc)作为原始风电集群出力序列数据，重复步骤101-105，直至vq(tc)为单调函数，分解出每个风电场出力序列数据中的所有低频分量；其中，vq(tc)表示迭代q次的新信号。
19、进一步地，步骤2包括如下子步骤：
20、步骤201、找出所有低频分量的最大值、最小值，将低频分量的论域均等划分成9个区间，获取每个区间的上限和下限；
21、步骤202、根据每个区间的上限和下限，建立低频分量的直接模糊集，所述直接模糊集表示为：
22、
23、其中，aj表示第j个区间的直接模糊集，x表示低频分量，u表示低频分量的论域，表示aj的隶属函数，表示aj的非隶属函数；
24、步骤203、根据直觉模糊集的隶属函数和非隶属函数，计算低频分量对每个直觉模糊集的隶属度、费隶属度和直觉指数，将最大隶属度对应的直觉模糊集作为所述低频分量所属的直觉模糊集，并将同一直觉模糊集中的低频分量按照最大隶属度由小到大的顺序排列；
25、步骤204、在所有低频分量所属的直觉模糊集中找出排在最后五个的低频分量，利用解模糊算法，得到风电功率预测数据。
26、进一步地，当低频分量x位于所述区间j的中点时，当低频分量x位于区间j的边界时，当低频分量x既不是区间j的中点，又不是区间j的边界时，其中，α表示随机量，cμj表示的第一参数，cγj表示的第一参数，dj-1表示区间j的下限，dj表示区间j的上限；表示的第二参数，表示的第二参数，
27、进一步地，步骤203中直觉指数的计算过程为：
28、
29、其中，表示区间j的直觉指数。
30、进一步地，步骤204的具体过程为：
31、步骤2041、根据最后五个低频分量计算第一相似度s1和第二相似度s2：
32、
33、
34、其中，fn表示排在最后一个的低频分量，μe(fn)表示fn所属直觉模糊集e的隶属度，μb(fn-1)表示fn-1所属直觉模糊集b的隶属度，γe(fn)表示fn所属直觉模糊集e的非隶属度，γb(fn-1)表示fn-1所属直觉模糊集b的非隶属度，πe(fn)表示fn所属直觉模糊集e的直觉指数，πb(fn-1)表示fn-1所属直觉模糊集b的直觉指数；
35、步骤2042、根据第一相似度s1和第二相似度s2计算第一权重w1和第二权重w2：
36、
37、
38、步骤2043、根据第一权重w1和第二权重w2计算得到风电功率预测数据本文档来自技高网...
【技术保护点】
1.一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤1包括如下子步骤：
3.根据权利要求1所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤2包括如下子步骤：
4.根据权利要求3所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，当低频分量x位于所述区间j的中点时，当低频分量x位于区间j的边界时，当低频分量x既不是区间j的中点，又不是区间j的边界时，其中，α表示随机量，cμj表示的第一参数，cγj表示的第一参数，dj-1表示区间j的下限，dj表示区间j的上限；表示的第二参数，表示的第二参数，
5.根据权利要求3所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤203中直觉指数的计算过程为：
6.根据权利要求3所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤204的具体过程为：
7.根据权利要求
8.根据权利要求7所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，所述风电集群约束条件包括：线路传输容量约束、风电场调节容量约束和风电场实时功率约束；
9.根据权利要求8所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤4包括如下子步骤：
10.根据权利要求9所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，所述竞争胜利者通过混沌精英学习的过程为：
...【技术特征摘要】
1.一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤1包括如下子步骤：
3.根据权利要求1所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，步骤2包括如下子步骤：
4.根据权利要求3所述的一种基于改进时间序列预测的风电集群有功分层控制方法，其特征在于，当低频分量x位于所述区间j的中点时，当低频分量x位于区间j的边界时，当低频分量x既不是区间j的中点，又不是区间j的边界时，其中，α表示随机量，cμj表示的第一参数，cγj表示的第一参数，dj-1表示区间j的下限，dj表示区间j的上限；表示的第二参数，表示的第二参数，
5.根据权利要求3所述的一种基于改进时间序列预测的风电集群有功分...
【专利技术属性】
技术研发人员：汤芸，孟高军，张纪龙，刘海涛，于琳琳，张仰飞，夏涛，袁野，
申请(专利权)人：南京工程学院，
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。