[发明专利]风电场风速超短期组合预测方法

说明书

技术领域

本发明涉及风力发电系统中的风电场风速超短期预测方法，特别涉及利用持续法、ARMA方法和小波-神经网络方法的风电场风速超短期组合预测方法。

背景技术

随着风电大规模并网，其对电力系统的安全稳定运行造成了一定影响。对风电功率或风速进行预测可使电网调度部门合理安排发电计划和应对措施，可减少系统旋转备用容量和运行成本，提高风电穿透功率极限和市场竞争力。

由于受数值天气预报预测精度及缺乏风电场高质量历史数据库等多方面的影响，中长期甚至提前24小时的风电功率或风速预测误差较大，所以必须开展0～4小时的超短期预测，具备实时预报能力，对电网运行情况进行滚动调整。目前风速预测的常用方法主要包括持续预测法、卡尔曼滤波法、ARMA方法、人工神经网络法、模糊逻辑法和空间相关性法等。

持续预测法简单的将最近一个时刻的风速观测值作为下一点的风速预测值，其预测原理是根据大气系统的惯性原理，该算法简单易行，在风电场风速的极短期预报(小于1小时)中预测精度较高。

卡尔曼滤波法把风速作为状态变量建立起状态空间模型来实现预测。这种方法是在假定噪声的统计特性已知的情况下得出的，事实上估计噪声的统计特性是该方法应用的难点所在。

ARMA方法利用大量的历史数据来建模，经过模式识别、参数估计、模型检验来确定一个能够描述所研究时间序列的数学模型，进而推导出预测模型达到预测目的。该方法只需知道风电场单一风速时间序列即可建立模型进行预测。

人工神经网络具有并行处理、分布式存储与容错性等特征，对于求解复杂问题十分有效，目前已用于风电场风速及功率预测的有BP神经网络、RBF神经网络、局部递归神经网络等。

模糊逻辑法学习能力弱，单独用于风速预测时，效果较差，通常将模糊预测法与其他方法结合使用。

空间相关性法需考虑风电场以及与之相近几个地点的多组风速数据，运用几个地点风速之间的相关性来进行预测。它需要获得风电场周边地区的几组风速数据，需要设置几个远程测速站，成本较大。

近年来，随着风电对电力系统运行调度的影响增大，风电功率及风速预测研究在国内受到重视，国内在这方面研究起步较晚，预测精度尚有较大的提高空间。

由于考虑的角度、方式不同，不同的预测方法包含有不同的重要信息，研究发现单一预测方法受地域限制很强，同样方法在不同测试地点预测精度差异可能很大，甚至在同一测试地点不同测试时间点预测精度都存在很大差异，所以进行组合预测，可增大有用信息量，提高预测精度。

发明内容

本发明的目的在于克服现有技术的缺点，针对目前我国风电场风速预测方法预测精度较低的现状，提出一种风电场风速超短期组合预测方法。

本发明将多种预测方法组合起来，综合利用各种方法的有用信息，提高预测精度。

根据以上发明构思，本发明预测方法主要包括以下步骤：

步骤1：采集风电场的风速数据，并对获取的数据进行预处理，所述预处理包括对原始数据的查漏补缺、对异常数据的替换和原始数据的时间长度转换，形成采样时间为15分钟的历史风速时间序列。

步骤2：采用持续预测模型进行风速0～1小时的预测，得到超前k步风速预测值序列采用ARMA预测模型进行风速0～4小时的预测，得到超前k步风速预测值序列采用小波-神经网络预测模型进行风速0～4小时的预测，得到超前k步风速预测值序列