[发明专利]一种基于改进神经网络的风功率中短期预测方法及系统

说明书

本发明涉及一种基于改进神经网络的风功率中短期预测方法及系统，该方法采集风电场的历史特征数据、实时特征数据以及实际风功率；根据历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；采用聚类衡量标准对风机分组结果进行度量；根据历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；对每组风机的预测风功率求和，得到全场预测风功率；本发明的聚类算法分组和分组建模求风功率，成本低、所依赖的数据量少、预测精度高、计算速度快，提高整个电力系统运行的可靠性和安全性。

技术领域

本发明涉及发电功率预测技术领域，特别涉及一种基于改进神经网络的风功率中短期预测方法及系统。

背景技术

全球气候变暖以及常规化石能源的日益枯竭等一系列的全球性问题，引起了人们对新能源的广泛关注。风电相比其他可再生能源而言，技术更成熟，其效率也更高，发展迅速。截至2014年底，全球风电累计装机容量达到359.7GW，预计2018年以后，伴随着市场的良性发展，全球陆上风电年新增装机容量将超过55GW。

然而，风电具有波动性、间歇性，随着并网风电系统在电网中的比例不断增大，给电力系统的安全稳定运行带来严峻的挑战。做好风力发电预测工作，可有效提高整个电力系统运行的可靠性和安全性，对我国未来更好地开发利用风力发电具有十分重要的意义。风功率预测是风力发电系统中的关键技术，准确地对风电场未来风功率的预测可以有效地减少和避免风电场对电力系统产生的冲击。因此，风功率预测方法对风力发电的可持续发展起着重要的作用。当前的风功率预测方法可以主要分为物理方法、统计学方法、学习方法以及上述方法的混合，每种方法都有各自适应的时间尺度和数据类型。

对风电场平均风功率预测，可以减少电力系统的运行成本和旋转备用，为电力系统的安全,经济和优质运行提供支持。

因此，如何能更准确的进行风力发电预测，提高整个电力系统运行的可靠性和安全性是同行从业人员亟待解决的问题。

发明内容

本发明的目的在于，提出的一种基于改进神经网络的风功率中短期预测方法及系统，准确地对风电场未来风功率的预测，有效地减少和避免风电场对电力系统产生的冲击。

为了解决上述技术问题，第一方面，本发明实施例提供一种基于改进神经网络的风功率中短期预测方法，包括：

S1、采集风电场的历史特征数据、实时特征数据以及实际风功率；

S2、根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；

S3、采用聚类衡量标准对所述风机分组结果进行度量；

S4、根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；

S5、对所述每组风机的预测风功率求和，得到全场预测风功率。

在一个实施例中，所述步骤S1中的特征数据包括：风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置；

所述实时特征数据以及实时特征数据对应的实际风功率间隔第一预设时长采集一次。

在一个实施例中，所述步骤S2包括：

数据集D＝{x₁,x₂,...,x_m}，包含m个无标记风机样本，每个样本x_i＝(x_i1,x_i2,...,x_in)是一个n维特征向量；通过聚类划分为C＝{c₁,c₂,...,c_m}，c表示风机所在的子集，分类步骤如下：