本發(fā)明涉及風力發(fā)電技術領域，具體涉及一種基于動態(tài)自適應的風電集群功率預測方法，適用于大規(guī)模風電集群的功率預測。

背景技術：

近年來，隨著全球能源問題日益嚴峻，發(fā)展可再生能源發(fā)電，尤其是風力發(fā)電愈發(fā)重要。然而風能具有固有的波動性、不穩(wěn)定性和間歇性，使得風電的出力隨著風速的變化而波動。如果能正確預測風電未來時刻的出力，將對電網的安全穩(wěn)定運行都會帶來積極的影響。通過預測未來時刻的風電發(fā)電量，電網側可以提前調整調度計劃從而避免電能不穩(wěn)定、缺供等問題。在風電場側可以提前得到風電場某天的出力值從而科學安排設備檢修與故障維護。

國內外的風電功率預測系統(tǒng)大多針對單個風電場，采用的方法有物理法、時間序列法、人工智能法等。但是單個風電場的功率預測并不能滿足電網調度的需求。對電網調度而言，多個風電場形成的風電集群總體功率的波動意義更為重要。國內外的風電集群功率預測系統(tǒng)主要采用疊加法和統(tǒng)計升尺度法。疊加法將單個風電場的功率預測結果累加，形成風電集群的總體功率。統(tǒng)計升尺度法先選擇基準風電場，并預測基準風電場的功率，再通過基準風電場的功率預測結果升尺度，得到風電集群的功率。這些方法對集群的功率預測具有一定的效果，但是存在模型訓練時間長、精度不高的問題。

技術實現要素：

本發(fā)明為了克服現有技術的不足，提升風電集群的功率預測精度，提供一種基于動態(tài)自適應的風電集群功率預測方法，針對不同工況的風電集群選取最佳的預測模型，提升預測精度。

本發(fā)明采取的技術方案如下：

一種基于動態(tài)自適應的風電集群功率預測方法，其特征在于按以下步驟進行：

步驟1：收集風電場歷史數據，根據當地的地理位置和電網拓撲結構對風電集群進行劃分；

步驟2：根據劃分的風電集群，建立時間序列預測模型、數值天氣預報預測模型、空間資源匹配預測模型三個預測模型，并訓練風電集群三個預測模型的功率預測；

步驟3：根據三種模型的訓練誤差評價結果選擇訓練誤差評價結果最佳的預測模型；

步驟4：收集實時數值天氣預報NWP數據和實時功率測量數據；

步驟5：根據訓練過程中選擇的預測模型，代入實時NWP數據和實時功率測量數據，得到子集群預測結果，將子集群的功率預測結果相加，得到集群總體預測結果。

所述步驟1具體包括以下步驟：

步驟1-1：收集風電場歷史天氣預報數據，歷史天氣預報數據含有風速、風向、溫度、濕度和氣壓參數；

步驟1-2：收集風電場地理位置數據，以地理位置臨近原則對風電集群進行劃分；

步驟1-3：收集各風電場歷史功率數據。

所述步驟2具體包括以下步驟：

步驟2-1：建立時間序列預測模型：用自回歸滑動平均模型ARMA作為時間序列預測模型，利用歷史風電集群的功率數據對ARMA模型進行參數辨識，形成上下游效應預測模型；即

其中x_t代表要預測時刻t的功率，x_t-j代表t-j時刻的實測功率；ε_t-k為t-k時刻的預測誤差，m、n分別為ARMA模型階數，θ_k以及ARMA模型階數m、n通過長自回歸法得到；為自回歸模型系數，θ_k為移動平均模型系數；

步驟2-2：建立數值天氣預報預測模型：該預測模型以BP神經網絡為基礎，以該集群內部所有NWP預報點的風速、風向以及集群預測前12小時功率為輸入參數，集群的實際功率為輸出參數進行訓練；訓練過程中，BP神經網絡隱含層節(jié)點數通過遍歷優(yōu)化得到；

步驟2-3：建立空間資源匹配預測模型：該預測模型的計算方法為公式(2)所示；

其中，為h小時后的風電集群功率預測值；L代表通過計算權重系數，一共找到L個匹配集合與待預測的t+h時刻的權重系數最高；p_i為匹配集合中的風電集群功率的測量值；ω_i,t+h為權重系數，權重系數值越大，代表該集合所占的權重值越大；公式(2)中L的確定，與權重系數ω_i,t+h的計算方法有關；對風電集群的預測而言，權重系數的本質是計算兩個集群之間空間資源參數的距離；該距離d_i,t+h的計算公式(3)所示；

公式(3)中的M代表代表集群中風電場的個數；η_k為某空間資源參數對于整體計量重要程度的權重系數，例如風速為風電功率預測最重要的參數，權重系數可以設置為最高，容量大的風電場對應的權重系數應比容量小的風電場權重系數高；v_k,t+h為待預測時刻的某一個空間資源參數,v_k,i為歷史匹配對象的某一個空間資源參數；式中β為功率距離所占的權重系數，P_i,P_t+h-1代表i時刻和t+h-1時刻的功率測量值；根據公式(3)計算出的距離，畫出的歷史功率和空間資源距離散點圖的一個例子；對于歷史功率和空間資源距離散點圖而言，需設置一個門檻值δ_s；小于δ_s的匹配集合對應的歷史功率將用于實時功率的預測，而大于δ_s的集合則視為與待預測功率無關，因此可以將其排除。門檻值δ_s的計算如公式(4)所示，其中d_min為最小距離值；d_med為距離散點分布圖的中位數；p_r為從d_min和d_med區(qū)間內截取靠近d_min的數據的百分比；

δ_s＝d_min+p_r·(d_med-d_min) (4)

對模型計算公式(2)而言，匹配集合確定之后，需要進一步確定每個集合的權重系數ω_i,t+h，其計算如公式(5)所示，其中為距離權重系數，為時間權重系數；

距離權重系數計算如公式(6)所示，其中d_i,t+h為公式(3)計算得到的距離，μ為距離分布散點圖中的中位數，α為待定系數，將在訓練中進行優(yōu)化選擇。

時間權重系數反映了時間因素在風電功率預測中的顯著作用，越接近當前預測時間點的歷史數據其作用越重要，時間權重系數τ_i為時間距離，τ_i＝t+h-i，λ為時間因子，0<λ<1需在訓練過程中進行優(yōu)化選擇。對于不同的預測時間尺度，模型對應著不同的最優(yōu)參數。

所述步驟4具體包括以下步驟：

步驟4-1：收集SCADA系統(tǒng)里面實時功率出力數據；

步驟4-2：收集數值天氣預報中心的實時NWP數據。

所述步驟5具體包括以下內容：

根據步驟3選擇訓練誤差最小的預測模型，將步驟4中的數據代入所選擇的預測模型中，得到子集群預測結果，將子集群的功率預測結果相加，得到集群總體預測結果。

三種預測模型的預測過程有所不同，下面分三種情況展開論述：

若選擇上下游效應預測模型，將步驟4-1中的功率數據代入公式(1)得到12小時的風電集群預測結果。

若選擇天氣預報預測模型，首先用公式(7)進行NWP數據修正。

y_t＝x_0,t+x_1,tv_t+x_2,tv_t²+x_3,tv_t³+q_t (7)

其中v_t是NWP模型在t時刻的風速輸出，y_t是t時刻的風速預測誤差。x_i,t(i＝0,1,2,3)是采用卡爾曼濾波器估計的系數。然后將步驟4得到的功率數據和修正后的天氣預報數據代入BP神經網絡模型得到第1小時預測結果。第2小時的輸入參數中需要將第1小時的預測功率代入，依次類推。

若選擇空間資源匹配預測模型，將NWP數據和預測前一小時功率數據代入公式(2)-(6)進行預測。值得注意的是，在預測的前4個小時，輸入參數中含有預測點前一小時的功率，在預測的后幾個小時輸入參數中不含前一小時的功率。在預測的前4個小時，輸入參數的迭代。

與現有技術相比，本發(fā)明達到的有益效果是：

本發(fā)明可實現基于動態(tài)自適應技術的風電集群功率預測，進一步提高功率預測精度。具體如下：

(1)本發(fā)明根據訓練階段的預測誤差選擇最佳的預測模型類型，避免因為隨機選擇預測模型而導致的精度不高。

(2)本發(fā)明提出了一種有效的空間資源匹配模型，該模型建模簡單，計算復雜度低，精度高，實用性強。

(3)本發(fā)明提出的空間資源匹配預測模型，在預測的前四個小時輸入參數中含有預測點前一時刻的測量功率，在預測的后8個小時輸入參數中不含前一時刻的測量功率，提高了前4個小時的預測精度，但又不影響4個小時之后的預測精度。

附圖說明

圖1是本發(fā)明提供的樣本距離數據；

圖2是BP神經網絡輸入參數的迭代過程圖；

圖3是風電集群功率空間資源匹配法輸入參數的迭代過程圖。

圖4是本發(fā)明提供的整體預測流程圖。

具體實施方式

下面結合附圖，對本發(fā)明的預測流程做進一步闡述，以下實例用于說明本發(fā)明，但不能用來限制本發(fā)明的范圍。

如圖4所示，一種基于動態(tài)自適應的風電集群功率預測方法，其特征在于按以下步驟進行：

步驟1：收集各風電場風速、風向、溫度、濕度和氣壓的歷史天氣預報數據，收集各風電場地理位置數據，以電網拓撲對風電集群進行劃分，收集各風電場歷史功率數據；

步驟2：根據劃分的風電集群，建立時間序列預測模型、數值天氣預報預測模型、空間資源匹配預測模型三個預測模型，并訓練風電集群三個預測模型的功率預測；

具體步驟為：

步驟2-1：建立時間序列預測模型：用自回歸滑動平均模型ARMA作為時間序列預測模型，利用歷史風電集群的功率數據對ARMA模型進行參數辨識，形成上下游效應預測模型；即

其中x_t代表要預測時刻t的功率，x_t-j代表t-j時刻的實測功率；ε_t-k為t-k時刻的預測誤差，m、n分別為ARMA模型階數，θ_k以及ARMA模型階數m、n通過長自回歸法得到；為自回歸模型系數，θ_k為移動平均模型系數；

步驟2-2：建立數值天氣預報預測模型：該預測模型以BP神經網絡為基礎，以該集群內部所有NWP預報點的風速、風向以及集群預測前12小時功率為輸入參數，集群的實際功率為輸出參數進行訓練；訓練過程中，BP神經網絡隱含層節(jié)點數通過遍歷優(yōu)化得到；

步驟2-3：建立空間資源匹配預測模型：該預測模型的計算方法如公式(2)所示；

其中，為h小時后的風電集群功率預測值；L代表通過計算權重系數，一共找到L個匹配集合與待預測的t+h時刻的權重系數最高；p_i為匹配集合中的風電集群功率的測量值；ω_i,t+h為權重系數，權重系數值越大，代表該集合所占的權重值越大；公式(2)中L的確定，與權重系數ω_i,t+h的計算方法有關；對風電集群的預測而言，權重系數的本質是計算兩個集群之間空間資源參數的距離；該距離d_i,t+h的計算如公式(3)所示；

公式(3)中的M代表集群中風電場的個數；η_k為某空間資源參數對于整體計量重要程度的權重系數，例如風速為風電功率預測最重要的參數，其權重系數可以設置為最高，容量大的風電場對應的權重系數應比容量小的風電場權重系數高；v_k,t+h為待預測時刻的某一個空間資源參數,v_k,i為歷史匹配對象的某一個空間資源參數；式中β為功率距離所占的權重系數，P_i,P_t+h-1代表i時刻和t+h-1時刻的功率測量值；根據公式(3)計算出的距離，畫出的歷史功率和空間資源距離散點圖的一個例子，如附圖2所示。對該圖而言，需設置一個門檻值δ_s。小于δ_s的匹配集合對應的歷史功率將用于實時功率的預測，而大于δ_s的集合則視為與待預測功率無關，因此可以將其排除。附圖1中虛線即為門檻值，實線的方框即為選中的集合。門檻值δ_s的計算如公式(4)所示，其中d_min為最小距離值；d_med為距離散點分布圖的中位數；p_r為從d_min和d_med區(qū)間內截取靠近d_min的數據的百分比。

δ_s＝d_min+p_r·(d_med-d_min) (4)

對模型計算公式(2)而言，匹配集合確定之后，需要進一步確定每個集合的權重系數ω_i,t+h，其計算公式(5)所示，其中為距離權重系數，為時間權重系數；

距離權重系數計算如公式(6)所示，其中d_i,t+h為公式(3)計算得到的距離，μ為距離分布散點圖中的中位數，α為待定系數，將在訓練中進行優(yōu)化選擇；

時間權重系數反映了時間因素在風電功率預測中的顯著作用，越接近當前預測時間點的歷史數據其作用越重要；時間權重系數τ_i為時間距離，τ_i＝t+h-i，λ為時間因子，0<λ<1，需在訓練過程中進行優(yōu)化選擇。對于不同的預測時間尺度，模型對應著不同的最優(yōu)參數。

步驟3：根據三種模型的訓練誤差評價結果選擇訓練誤差最小的預測模型；

步驟4：收集SCADA系統(tǒng)里面實時功率出力數據和數值天氣預報中心的實時NWP數據。

步驟5：根據訓練過程中選擇的預測模型，代入實時NWP數據和實時功率測量數據，得到子集群預測結果，將子集群的功率預測結果相加，得到集群總體預測結果；具體為：根據步驟3選擇訓練誤差最小的預測模型，將步驟4中的數據代入所選擇的預測模型中，三種預測模型的預測過程有所不同，下面分三種情況展開論述：

若選擇上下游效應預測模型，將步驟4中收集SCADA系統(tǒng)里面實時功率出力數據的功率數據代入公式(1)得到12小時的風電集群預測結果；

若選擇天氣預報預測模型，首先用公式(7)進行NWP數據修正；

y_t＝x_0,t+x_1,tv_t+x_2,tv_t²+x_3,tv_t³+q_t (7)

其中v_t是NWP模型在t時刻的風速輸出，y_t是t時刻的風速預測誤差。x_i,t(i＝0,1,2,3)是采用卡爾曼濾波器估計的系數。然后將步驟4得到的功率數據和修正后的天氣預報數據代入BP神經網絡模型得到第1小時預測結果。第2小時的輸入參數中需要將第1小時的預測功率代入，依次類推。輸入參數的詳細迭代過程見附圖2。

若選擇空間資源匹配預測模型，將NWP數據和預測前一小時功率數據代入公式(2)-(6)進行預測。值得注意的是，在預測的前4個小時，輸入參數中含有預測點前一小時的功率，在預測的后幾個小時輸入參數中不含前一小時的功率。在預測的前4個小時，輸入參數的迭代過程如附圖3所示。