[发明专利]一种基于工况辨识的风电功率区间预测方法

说明书

本发明涉及风电功率区间估计技术领域，具体是本发明提供了一种基于工况辨识的风电功率区间预测方法，该方法以模糊软聚类方法为基础完成工况的辨识，并在此基础上采用核密度估计法完成风电功率的区间预测，首先确定影响风电功率的主要因素，采用最小二乘支持向量机法建立风电功率确定性预测模型，并基于聚类有效性确定聚类数目，再利用模糊C均值软聚类对历史运行数据进行工况辨识，划分为多个子区间，最后利用核密度估计计算各工况功率预测值与真实值误差的概率密度函数，确定各工况的功率置信区间，完成区间预测。本发明方法不仅可以预测出风电功率的精确数值，而且还可以预测出在某种概率水平下的风电功率波动范围。

技术领域

本发明涉及风电功率区间估计技术领域，具体是一种基于工况辨识的风电功率区间预测方法。

背景技术

近年来，随着国家对清洁能源的大力支持，我国风力发电事业得到了迅猛发展。然而风电固有的间歇性与波动性，风电并网会对电网的稳定性造成影响，因此有必要对风电功率进行精确预测。目前风电功率预测主要分为确定性预测和区间估计。常规风电功率预测大多采用确定性预测，即预测结果为一个精确的数值。相较于确定性预测，区间估计以区间的形式给出预测结果，可以给调度部门提供更加详细的风电功率波动信息。除此之外，在不同工况下对风电功率分别进行预测，可以大大提高预测模型的精度，因此基于工况划分对风电功率区间估计进行研究有着重要的意义。

目前对电站机组进行工况划分的方法通常有等频率法、等密度法、c-means聚类算法和k-means聚类算法等，但这些工况划分方法只将实发功率作为工况划分的唯一依据，忽略了其他因素对工况的影响。除上述工况划分方法外，模糊C均值聚类算法(fuzzy c-means,FCM)由于引入了模糊概念，并考虑到了其他影响工况的因素，提高了模型精度，在风电机组工况辨识方面得到了广泛的应用。但是，在实际工程中，相邻工况之间必然存在过渡过程，此过程中的样本必然同时具有相邻工况的特性，仅利用FCM算法将样本归为一类，不符合实际情况。针对FCM算法的这一局限性，Lv Y等在FCM的基础上，提出了一种模糊C均值软聚类(soft fuzzy c-means,SFCM)算法。SFCM算法可以将样本同时划分到多个类别中，从而实现“软聚类”。但是SFCM算法需要事先确定划分的类别数目，不恰当的类别数目必然降低聚类的有效性。所以本文在确定最佳聚类数目的前提下采用SFCM算法，并与核密度估计法相结合运用到风电厂功率区间估计中。

发明内容

本发明的目的在于提供一种基于工况辨识的风电功率区间预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于工况辨识的风电功率区间预测方法，包括以下步骤：

阶段一：模型建立阶段

Step1、收集目标风电场的设计资料，结合实际运行环境对风力发电的过程进行分析，找出影响风电功率的主要因素，确定模型的输入输出变量；

Step2、从SCADA中导出历史数据，并进行去噪、滤波预处理，把数据的一部分作为训练样本集，一部分作为测试样本集，采用最小二乘支持向量机法建立风电功率确定性预测模型；

Step3、基于聚类有效性指标，确定聚类数目，再利用模糊C均值软聚类法对历史运行数据进行工况辨识从而划分为多个子区间，完成工况的辨识；

Step4、利用核密度估计法计算各工况下功率预测值与真实值误差的概率密度函数，进而确定各工况的功率置信区间，从而完成区间估计模型的建立；

阶段二：风电功率区间估计阶段

Step5、在线获取Step2中各输入输出变量数据，对数据进行去噪、滤波预处理；

Step6、将Step5中预处理后的数据输入到Step4得到的风电功率区间估计模型，得到风电功率的预测区间并输出。