[发明专利]一种区域风电功率预测方法

说明书

技术领域

本申请涉及一种区域风电功率预测方法，属于风力发电技术领域。

背景技术

风力发电属于波动性和间歇性电源，风电出力具有随机性较强、间歇性明显、功率不具备调节能力等特点。风电直接并网会给电力系统的稳定性和电能质量带来很大的影响，部分地区甚至选择限制风电场并网功率来保障电网的正常运行。因而对风电功率进行准确的超短期预测能够为电网调度人员提供数据支持，有助于减少电网的旋转备用容量，提高电网系统的经济性与稳定性。

目前，风电场的建设通常具有集群性，多个风电场通过同一条线路并入电网系统，采集的气象与电气数据信息量大且具有内在关联与聚合特性。在功率预测时以特定线路拓扑为对象，对区域电网中风电场出力进行预测更为快捷、有效。然而，直接预测风电出力的方法未考虑到风电数据的关联与聚合特性，导致其预测精度较低。因此，需要一种新的风电出力预测方法，以提高对区域风电功率超短期预测的准确性。

发明内容

本申请提供了一种区域风电功率预测方法，以提高对区域风电功率超短期预测的准确性。

一种区域风电功率预测方法，包括：

步骤一、采集接入同一线路拓扑的区域中各个风电场的风电数据；

步骤二、根据所述各个风电场风电数据中的功率数据和风速数据之间的关联与聚合特性，对所述区域中各个风电场进行分组；

步骤三、根据所述各个风电场组中风电场的风电数据，建立预测模型；

步骤四、根据所述预测模型，预测所述各个风电场组的功率；

步骤五、将预测到的各个风电场组的风电功率叠加，获得区域风电功率预测值。

可选地，所述线路拓扑为仅接入多个风电场的单一电网传输线路。

可选地，根据所述各个风电场的风电数据中的功率数据和风速数据之间的关联与聚合特性，对所述区域中的风电场进行分组，包括：

根据所述各个风电场的风电数据的功率数据和风速数据之间的关联与聚合特性，采用k均值聚类算法，对所述区域中的风电场进行分组。

可选地，所述k均值聚类算法的步骤包括：根据历史数据确定各个风电场的聚类输入特征向量；确定初始聚类中心；确定新的聚类中心；确定所述区域中各个风电场的分组结果。

可选地，所述历史数据包括：所述各个风电场的功率与所述区域风电功率的历史值之间的相关系数，所述各个风电场的功率数据的平均值、最大值和方差，所述各个风电场的风速数据的平均值、最大值和方差。

可选地，所述预测模型为深度神经网络预测模型，其中，所述深度神经网络预测模型的输入包括：风电场组中主风电场的风速序列和风电功率序列，从风电场的风速数据的平均值、最大值以及方差，从风电场的功率数据的平均值、最大值以及方差；所述深度神经网络预测模型的输出为风电场组功率的预测值；

所述主风电场为风电场组聚类过程中距聚类中心最近的风电场，所述从风电场为所述风电场组中除主风电场外的风电场。

本申请提供的技术方案包括以下有益技术效果：

本申请以特定线路拓扑下的区域内各个风电场为对象，根据所述风电场的功率数据和风速数据的关联与聚合特性对风电场进行分组，并基于深度学习理论建立深度神经预测模型，根据输入数据自主学习最优特征，以充分挖掘、学习数据间的关联与聚合特性，实现对区域风电功率的超短期预测，提高区域风电功率预测的准确性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是一种区域风电功率预测方法的流程图。

具体实施方式

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

一种区域风电功率预测方法，包括以下步骤：

步骤一、采集接入同一线路拓扑的区域中各个风电场的风电数据。

可选地，所述线路拓扑为仅接入多个风电场的单一电网传输线路。所述风电场的风电数据包括所述风电场的风速数据、功率数据和所述区域风电功率的历史值。