【技术实现步骤摘要】
本专利技术涉及寒地风光发电功率预测，具体为寒地风光发电功率多尺度融合预测方法。
技术介绍
1、寒地气候条件恶劣，气温低、风雪天气频繁，这对发电设备的性能和运行稳定性产生显著影响。同时，寒地的地形地貌多样，如山脉、平原、森林等交错分布，导致风场和光场的分布不均匀，风速和辐照度的时空变化规律复杂。此外，寒地风光发电系统通常分布范围较广，涉及多个不同地理位置的风电场和光伏电站，不同站点之间的风光资源特性和发电功率表现存在差异，且相互之间存在时移性、波动性和互补性等复杂关系。
2、寒地风光发电功率预测技术在近年来取得了显著的发展。在数据采集方面，传感器技术的不断升级使得能够更精确、更实时地获取风速、辐照度、温度等气象数据以及发电设备的运行状态数据。通信技术的发展也保障了数据的高效传输和汇总，为后续的分析和预测提供了丰富的数据基础。
3、根据中国专利号为cn 114493052 a的一种多模型融合自适应新能源功率预测方法和系统，其方法包括：获取多个初始预测模型，多个初始预测模型均用于对目标发电系统进行功率预测，且多个初始预测模型的模型类型互不相同；对于各初始预测模型，利用不同批次的训练集对初始预测模型进行训练，得到与不同批次的训练集一一对应的多个分批子模型；基于获得的各分批子模型进行模型融合处理，得到目标预测模型，目标预测模型用于对目标发电系统进行功率预测。采用该方法得到的目标预测模型能够提高新能源功率预测精确度。
4、尽管如上述现有技术在寒地风光发电功率预测方面取得了一定的进展，但现有技术仍然存在一些
5、1、寒地环境下，传感器容易受到低温、冰雪等恶劣天气的影响，导致数据采集出现异常值和缺失值。虽然一些常规的数据处理方法如线性插值法可以对缺失值进行填充，但对于复杂的连续缺失或异常波动情况，处理效果往往不理想，可能会引入误差，影响后续分析和预测的准确性；
6、2、寒地风光电站的异常运行数据类型复杂多样，现有的异常数据识别方法在某些情况下难以准确识别所有类型的异常数据。例如，对于功率曲线下方与正常数据紧密相连的堆积型异常数据(如由部分设备故障或特殊运行工况导致的)，以及功率曲线下方的分散型异常数据(如由短暂的弃能限电或设备微调引起的)，传统的基于固定阈值或简单统计方法的识别算法可能会出现误判或漏判的情况。
7、综上，风光发电功率预测是提高风光电站并网比例，保障高比例可再生能源电力系统安全稳定运行的必要前提，但风光发电基地一般包含多个电站，机组数量多，分布地域广，气象及地理形貌多样，高精度功率预测十分困难，而且寒地电网运行工况复杂，抗扰性弱，风光发电基地的功率预测是系统安全稳定运行的前提基础之一，目前，寒地电网的风光发电基地功率预测精度与实际需求偏差较大。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种寒地风光发电功率多尺度融合预测方法，解决了现有技术寒地电网的风光发电基地功率预测精度与实际需求偏差较大的问题。
2、为实现以上目的，本专利技术寒地风光发电功率多尺度融合预测方法，包括下述步骤：
3、基于实测的不同风速、风向、光照强度下，不同区域、不同时间尺度下的风光发电基地发电机组风光输入和功率输出数据，对风光发电基地发电机组的发电功率时移性、波动性、互补性进行特性分析，构建功率特性数据库；
4、利用时序传递修正数值天气预报风速/辐照度误差，建立风光发电功率预测模型；
5、基于深度学习的风光发电功率与负荷联合预测，将不同区域内的风光发电功率预测模型进行区域联合，用于多尺度融合预测。
6、优选的，对发电功率的时移性进行分析，具体步骤如下:
7、sp1、所述时移性分析时首先对同一个风电场内不同位置的风机风速序列进行收集，收集序列时通过风速仪和气象塔进行收集，收集到不同点位的风机风速序列后进行预处理，预处理时先对原始风速数据进行质量检查，剔除异常值和缺失值，异常值的判定采用三倍标准差法，判定时单一数据点与均值的差值超过三倍标准差，则认为该数据点为异常值，对于缺失值，采用线性插值法进行填充，根据相邻数据点的数值进行线性估算来补充缺失值，在线性估算时设风速序列为v＝[v1,v2,...,vn]，设vi为缺失值，那么它的相邻数据点为vi-1和vi+1，在实际过程中缺失值不是序列的第一个和最后一个数据点是边界点时，只取一个相邻点进行特殊处理，线性估算公式为：通过线性估算公式将vi定位在vi-1和vi+1范围之间的中点位置，在计算过程中考虑时间间隔时，设时间间隔为δt，设时间序列中相邻时间点ti-1、ti、ti+1，对应的风速值分别为vi-1、vi(缺失值)和vi+1，则
8、sp2、将风速与风向序列按固定时间窗口划分，得到风过程集合，通过判断风过程内主风向与点位相对位置，筛选出用于研究时移性的新风速序列，定义延迟时间(δt)与加速因子(δv)指标，其中延迟时间表示一个点位的风速变化相对于另一个点位在时间上的滞后程度，加速因子则反映了风速在不同点位间的变化速率差异，以两点位实际距离和实际风况为约束，相应风过程间欧式距离最小为优化目标，采用萤火虫优化算法对所述指标进行求解；
9、sp3、基于求解所得各风过程延迟时间与加速因子，分析不同空间点位处风速序列间的时移性，并同时根据距离与风电装机容量选择评价时移性的指标，当风电场间距离超过60km时，认定各风电场位置处的风速序列间不存在加速因子影响。
10、优选的，所述的萤火虫优化算法具体如下：
11、假设存在两个点位a和b，其风速序列分别为va(t)和vb(t)，t表示时间，首先通过互相关函数来初步估计延迟时间，计算va(t)和vb(t)的互相关函数：
12、
13、其中τ为时间延迟量，n为数据点数量，互相关函数的最大值对应的τ值，即为初步估计的延迟时间δt0；
14、然后对初步估计的延迟时间进行优化，考虑两点位实际距离d和平均风速与风向变化的实际风况作为约束条件，以相应风过程间欧式距离最小为优化目标，采用萤火虫优化算法进行求解，目标函数设定为：
15、
16、其中m为风过程中的样本数量，di为根据风况和点位位置计算得到的理论距离，d为实际测量的两点位距离，通过不断调整延迟时间δt，使得目标函数值最小，得到最终的延迟时间δt；
17、加速因子的计算公式为：表示点位b相对于点位a的风速变化速率比例。
18、优选的，对发电功率的波动性进行分析，具体步骤如下：
19、定义计算时间窗口δt内风电功率波动量的计算方式，如下式所示：
20、
21、计算时间窗口δt内风电功率的波动量，绘制功率波动量的频率分布直方图，分别采用正态分布(nd)与核密度估计模型(kde)对其进行拟合，由于功率波动多集中在0附近，选用核密度估计模型计算功率波动量在不同置信度度(cl)下的置信下限(lcl)与置信上限本文档来自技高网...
【技术保护点】
1.寒地风光发电功率多尺度融合预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的对发电功率的时移性进行分析，具体步骤如下:
3.根据权利要求2所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的萤火虫优化算法具体如下：
4.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的对发电功率的波动性进行分析，具体步骤如下：
5.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的对发电功率的互补性进行分析，具体步骤如下：
6.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，还包括对采集到的风光电站运行数据中的异常数据进行异常数据类型梳理步骤，具体为：将风光电站异常运行数据分为四种类型，将测量以及通信设备故障所导致并在风光电站的实际运行过程中以持续输出形式存在的异常数据归为类型一；由测量仪器误差导致，在风光电站的实际运行过程中以随机分散形式存在的异常数据归为类型二；将由计划内场站检修、线路故障
7.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，还包括对采集到的风光电站运行数据中的异常数据进行异常数据识别与还原，具体工作流程如下：
8.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述利用时序传递修正数值天气预报风速/辐照度误差，具体包括以下步骤：
9.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述基于深度学习的风光发电功率与负荷联合预测包括下述步骤，
10.根据权利要求9所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述基于深度学习的风光发电功率与负荷联合预测具体步骤如下：
...【技术特征摘要】
1.寒地风光发电功率多尺度融合预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的对发电功率的时移性进行分析，具体步骤如下:
3.根据权利要求2所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的萤火虫优化算法具体如下：
4.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的对发电功率的波动性进行分析，具体步骤如下：
5.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，所述的对发电功率的互补性进行分析，具体步骤如下：
6.根据权利要求1所述的寒地风光发电功率多尺度融合预测方法，其特征在于，还包括对采集到的风光电站运行数据中的异常数据进行异常数据类型梳理步骤，具体为：将风光电站异常运行数据分为四种类型，将测量以及通信设备故障所导致并在风光电站的实际运行过程中以持续输出形式存在的异常数据归为类型一；由测量仪器误差导致，在风光电站的实际...
【专利技术属性】
技术研发人员：苑婷，杨大威，谭煦滢，刘天泽，崔朝越，金嘉园，刘少军，刘俐利，徐萍，朱浩祎，
申请(专利权)人：国网辽宁省电力有限公司盘锦供电公司，
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。