【技术实现步骤摘要】
本专利技术涉及新能源出力预测，尤其是一种动态划分预测周期的风电场超短期出力预测方法。
技术介绍
1、风电作为一种间歇性电源，其自身波动性给电力系统的电力实时平衡带来了巨大挑战。风电场出力的精准预测是电网实时供需平衡的基础，是电网安全经济运行的前提。从目前的研究成果来看，风电场超短期出力预测的研究方向主要集中在如何有效地考虑更多出力影响因素，如何选用效率高的规律挖掘方法来提高预测的准确度，以及模型使用的便利性等方面。随着风电资源的集约化开发，风电场日益呈现空间上的集聚，因此同一区域内的风电场出力变化具有高度的相关性。近期的相关研究主要集中在如何挖掘风电场之间隐含的复杂非线性关联关系方面。
技术实现思路
1、本专利技术提出一种动态划分预测周期的风电场超短期出力预测方法，能更及时反映风速变动带来的出力突变，提高出力预测的精度，且具有较好的工程实用性。
2、本专利技术采用以下技术方案。
3、一种动态划分预测周期的风电场超短期出力预测方法，所述方法在预测时结合风电场间的空间距离和出力波动相关性，具体为：
4、首先、基于风速、风向和各个风电场的地理位置，计算风电场相似出力变化之间存在的时间差，并据此将目标风电场的超短期预测周期动态划分为有先验信息时段和无先验信息时段；
5、其次、运用变分贝叶斯模型综合考虑历史出力、先验信息与预测出力之间的关联关系，用于目标风电场有先验信息时段的出力预测；
6、最后，对无先验信息时段进行预测，得到风电场
7、所述方法包括以下步骤；
8、步骤一：将先验信息的来源选取范围设定为目标风电场的邻近风电场；在每个预测时刻从邻近风电场中，选出能够提供最直接的先验信息的风电场，并将该风电场称为目标风电场的先达风电场；以获取先验信息并确定有先验信息时段长度；
9、步骤二：计算仅考虑目标风电场历史出力影响的有先验信息时段的预测结果；
10、步骤三：计算仅考虑先验信息的有先验信息时段的预测结果；
11、步骤四：进行综合考虑目标风电场历史出力数据、先验信息均有先验信息时段的预测；
12、步骤五：进行无先验信息时段的出力预测，得到最终的超短期出力预测结果。
13、步骤一的具体方法为：设目标风电场的周围有n个邻近的风电场，选取先达风电场的目标公式如公式1所示：
14、w(i)＝argmin(d(i)+cos(θp(i)-θw)) 公式1；
15、式中：θw是预测时刻的风向，w(i)表示第i个邻近风电场，θp(i)是以目标风电场为起点，连接到第i个邻近风电场的线段与正北方向之间的夹角，d(i)是将邻近风电场到目标风电场的距离归一化后，第i个邻近风电场到目标风电场的距离；在确定提供先验信息的先达风电场后，计算其与目标风电场之间波动相关的出力中存在的时间差t，如公式2所示；
16、
17、式中：d是目标风电场与先达风电场之间的距离，θp是以目标风电场为起点，连接到先达风电场的线段与正北方向之间的夹角，v是预测时刻的风速；
18、根据预测时刻计算出来的时间差，将超短期预测的预测周期划分为有先验信息时段与无先验信息时段，其中有先验信息时段需要预测的出力点个数的计算公式如
19、式3所示。
20、
21、式中：τ0表示风电场出力的采样时间间隔。
22、步骤一中，超短期预测的时长为4h，即4小时；风电场出力的采样时间间隔为15min。
23、步骤二中，先将单个因素影响下出力的变化范围用时序的概率分布序列描述，并通过变分贝叶斯模型拟合出各序列与出力之间的关联性，对有先验信息时段进行出力预测；
24、设pa是仅考虑目标风电场历史出力影响的出力序列，δpf是仅考虑先验信息影响的出力变化量序列；则如公式4所示。
25、
26、式中：和为pa中第i个点的均值和方差，和为δpf中第i个点的均值和方差；
27、通过将目标风电场预测时刻前的出力序列输入到lstm中，得到有先验信息时段出力的平均值以及方差序列，即与
28、步骤三具体为：首先在目标风电场的历史数据中，划分各个预测周期，为每一个有先验信息时段找到先验信息，并按照时间的先后顺序，将先验信息的变化量与有先验信息时段出力的变化量组成两个序列，如下所示；
29、
30、式中：δpfir是先验信息的变化量序列，δpaft是有先验信息时段出力的变化量序列，hi是第i个预测周期有先验信息时段的出力点数量，与分别是第i个预测周期中先验信息与有先验信息时段的第hi个变化量；
31、接着将δpfir中的每个点从小到大进行排序后得到δp’fir，利用分位数将δp’fir划分为k个区间,利用δpfir中第i个点与δpaft中第i个点是相对应的关系，将δpaft中各点归到对应的区间中，并计算各个区间中δpaft的均值和方差，如式6所示。
32、
33、式中：和分别是δpaft的均值和方差序列，μk与σk分别是第k个区间中目标风电场出力变化量的均值和方差；
34、最后根据预测时候得到的先验信息变化量序列，通过各点对应的区间，确定δpf的与即当先验信息的变化量序列中的第i个点的值处在第j个区间时，有先验信息时段中与的第i个点分别为μj与σj。
35、步骤四中，通过kl散度来表征pa与δpf与真实分布之间距离，并利用变分贝叶斯模型对pa与δpf进行修正，使其不断逼近真实分布；具体为：
36、在利用目标风电场的出力数据以及先验信息得到pa与δpf后，将各自的均值和方差序列输入到lstm与bp中，并把神经网络分别与cnn中的resnets结合。其中残差块的结构为“conv+bn+relu+conv+bn”，设置2个输出通道，分别来输出逼近后的均值和方差。利用变化量上一时刻的出力y将逼近后的变化量序列与还原到出力序列后，与逼近后的出力序列与进行加权平均，得到综合考虑两种影响因素的有先验信息时段出力预测结果p。
37、步骤五中，通过时间卷积神经网络tcn，来对目标风电场的无先验信息时段进行出力预测；经过步骤一计算出h后，设无先验信息时段的需要预测的出力点数量为16-h，则训练输出数量为16-h个点的tcn模型，通过将预测时刻前目标风电场已知的出力输入该模型，来得到无先验信息时段的出力预测结果；最后与有先验信息时段的出力预测结果相结合得到最终的目标风电场超短期出力预测结果。
38、所述方法中，多个风电场分布于同一地理区域内，呈现空间上的集聚，多个风电场出力变化具有高度的相关性；
39、所述方法直接通过风电场间的相对地理位置与实时的风速风向，动态划分目标风电场的每个预测周期，并将先达风电场提供的先验信息应用于目标风电场的有先验信息时段的出力预测中，以更及时地反映风速本文档来自技高网...
【技术保护点】
1.一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：所述方法在预测时结合风电场间的空间距离和出力波动相关性，具体为：
2.根据权利要求1所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：所述方法包括以下步骤；
3.根据权利要求2所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤一的具体方法为：设目标风电场的周围有n个邻近的风电场，选取先达风电场的目标公式如公式1所示：
4.根据权利要求3所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤一中，超短期预测的时长为4h，即4小时；风电场出力的采样时间间隔为15min。
5.根据权利要求3所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤二中，先将单个因素影响下出力的变化范围用时序的概率分布序列描述，并通过变分贝叶斯模型拟合出各序列与出力之间的关联性，对有先验信息时段进行出力预测；
6.根据权利要求5所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤三具体为：首先在目标风
7.根据权利要求6所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤四中，通过KL散度来表征Pa与ΔPf与真实分布之间距离，并利用变分贝叶斯模型对Pa与ΔPf进行修正，使其不断逼近真实分布；具体为：在利用目标风电场的出力数据以及先验信息得到Pa与ΔPf后，将各自的均值和方差序列输入到LSTM与BP中，并把神经网络分别与CNN中的ResNets结合。其中残差块的结构为“Conv+BN+ReLU+Conv+BN”，设置2个输出通道，分别来输出逼近后的均值和方差。利用变化量上一时刻的出力Y将逼近后的变化量序列与还原到出力序列后，与逼近后的出力序列与进行加权平均，得到综合考虑两种影响因素的有先验信息时段出力预测结果P。
8.根据权利要求7所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤五中，通过时间卷积神经网络TCN，来对目标风电场的无先验信息时段进行出力预测；经过步骤一计算出h后，设无先验信息时段的需要预测的出力点数量为16-h，则训练输出数量为16-h个点的TCN模型，通过将预测时刻前目标风电场已知的出力输入该模型，来得到无先验信息时段的出力预测结果；最后与有先验信息时段的出力预测结果相结合得到最终的目标风电场超短期出力预测结果。
9.根据权利要求8所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：所述方法中，多个风电场分布于同一地理区域内，呈现空间上的集聚，多个风电场出力变化具有高度的相关性；
10.根据权利要求2所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：所述方法包括模型训练环节，还包括用于根据时段的长度来选择对应模型的在线匹配环节；
...【技术特征摘要】
1.一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：所述方法在预测时结合风电场间的空间距离和出力波动相关性，具体为：
2.根据权利要求1所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：所述方法包括以下步骤；
3.根据权利要求2所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤一的具体方法为：设目标风电场的周围有n个邻近的风电场，选取先达风电场的目标公式如公式1所示：
4.根据权利要求3所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤一中，超短期预测的时长为4h，即4小时；风电场出力的采样时间间隔为15min。
5.根据权利要求3所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤二中，先将单个因素影响下出力的变化范围用时序的概率分布序列描述，并通过变分贝叶斯模型拟合出各序列与出力之间的关联性，对有先验信息时段进行出力预测；
6.根据权利要求5所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤三具体为：首先在目标风电场的历史数据中，划分各个预测周期，为每一个有先验信息时段找到先验信息，并按照时间的先后顺序，将先验信息的变化量与有先验信息时段出力的变化量组成两个序列，如下所示；
7.根据权利要求6所述的一种动态划分预测周期的风电场超短期出力预测方法，其特征在于：步骤四中，通过kl散度来表征pa与δpf与真实分布之间距离，并利用...
【专利技术属性】
技术研发人员：张逸，张明慧，赵微，张加忠，牛华清，
申请(专利权)人：福州大学，
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。