[发明专利]基于校正算法的短期风力发电机输出功率预测方法

说明书

技术领域

本发明属于发电机输出功率管理与控制技术领域，尤其涉及一种基于校正算法的短期风力发电机输出功率预测方法。

背景技术

风电固有的随机性和间歇性使得大规模并网风电场成为电力系统安全运行的变数之一。因此，提高风电场功率的预测精度成为了电力公司和风电企业的迫切要求。运用数据校正算法，可以利用预测中的时间冗余信息，综合小波分析、模式识别和统计技术对预测数据进行处理，消除预测数据中包含的随机误差和显著误差，从而提高风电场功率预测结果的精度。

数据校正的工作主要包括显著误差检测和数据协调，显著误差检测技术的主要目的是对数据中的显著误差进行检测和识别或估算其真实值；而数据协调技术的主要目的是消除数据中随机误差，给出其协调值，并设法用已测数据对未测数据和未知参数予以估算。

显著误差检测分为基于测量残差和基于约束残差的检测方法。前者主要包括测量检验法(MT)、迭代测量检验法(IMT)、修正的迭代测量检验法(MIMT)；后者主要有整体检验法(GT)、节点检验法(NT)、广义似然法(GLR)、主元分析法(PCA)等。另外神经网络、贝叶斯法、鲁棒估计法也被引入显著误差检测技术中，其中神经网络是一种非参数模型估计的方法，只用历史数据进行模型训练，不需要建立精确的数学模型，因此避免了过程建模不准确带来的估计偏差。此外，神经网络对测量数据中的随机误差的分布不作特殊要求，处理非线性问题的能力较强，计算量小，适于在线应用。

数据协调由Kuehn和Davidson提出(Kuehn D R，Davidson H.Computer control II.Mathematics of control[J].Chemical Engineering Progress，1961，57(6)：44-47)，其发展经历了从稳态数据协调、动态数据协调到非线性数据协调的过程。Darouach将基于Kalman滤波的算法用于广义线性动态系统(Darouach M，Zasadzinski M.Data reconciliation in generalized linear dynamic systems[J].AICHE J.，1991，37(2)：193-210)。Liebman等提出用非线性规划法(NLP)解决非线性约束和不等式约束的动态数据协调问题(Liebman M J，Edgar T F，Lasdon L S.Efficient data reconciliation estimation for dynamic processes using nonlinear programming technique[J].Computers Chem Engng J，1992，16(10-11)：963-986)。Karjala等用Elman神经元网络来求解非线性的数据协调问题(Karjala T W，Himmelblau D M，Miikkulainen R.Data rectification using recurrent(Elman)neural networks[C].Intemational Joint Conference on Neural Network，1992，2：901-906)。

在短期风电功率预测中，实测数据和数值天气预报(Numerical Weather Prediction，NWP)是最重要的输入参数之一，也是最主要的误差源之一。对于风电场实测数据，文献(Zhiling Yang，Yongqian Liu，Chengrong Li.Interpolation of missing wind data based on ANFIS[C].Renewable Energy，2011，36(30)：993-998)提出了采用ANFIS补充缺失数据和无效数据，减小了实测数据的误差。

理论上风力发电机的输出功率可以下面的公式表达：

P=12CPρAv3---(1)]]>