[发明专利]一种风电功率爬坡事件间接预测方法

说明书

本发明公开了一种风电功率爬坡事件间接预测方法，该方法考虑风速大小对预测精度影响的同时还需兼顾风速的变化，引入兼顾“值相似”与“形相似”的相似离度搜寻预测段的相似风速曲线，将风速及对应的功率构成最终相似样本簇。再引入自适应的ACS算法对ELM模型的隐藏节点参数和阀值进行优化选取，通过ELM预测模型对风电功率进行预测，最后结合爬坡定义和检测算法对预测功率中的爬坡事件进行间接预测。该方法能够避免冗余信息的干扰，训练样本更具针对性，节省了训练模型所需的时间，预测结果更接近于实际观测数据，间接确保了风电爬坡的有效预测。

技术领域

本发明涉及一种风电功率预测方法，尤其涉及一种风电功率爬坡事件间接预测方法。

背景技术

随着传统化石能源的日益枯竭以及日益严峻的环境污染等问题的产生，世界各国已纷纷将目光转向可再生能源。目前，生态友好型的风能作为潜在能源，其开发成本较低，备受世界各国的高度重视，并在世界范围内得到较快的发展。随着各国装机容量逐年增加，风能对电网安全性、稳定性的影响日益明显。特别是风电功率在有限的时间窗内大幅增加或减少，该事件称为风电爬坡事件。与正常运行的电网相比，这种功率的急剧变化使得发电负荷平衡严重被打破，给系统的正常运行带来很大冲击，所以对风电功率爬坡事件进行预测相当重要。

对风电功率爬坡事件的预测在于解决两个问题：一方面是运用风功率预测方法完成对功率的预测；另一方面是在预测的风功率的基础上再对爬坡事件进行监测。在气象领域，对爬坡事件的预测会运用一些间接预测的方法，如AFSA-PSO组合预测模型、ISMC-PSO组合预测模型、基于气象背景下选取临近点的预测模型等。这些方法只能解决小部分问题，还存在以下几点问题：(1)这些方法只关注数值上的关系，即只考虑了风速大小对于预测精度的影响，而没有考虑风速变化对预测精度的影响，影响了对爬坡事件的判定；(2)这些方法在“拐点”处，即高风速时段的预测精度较差。

发明内容

发明目的：针对以上问题，本发明提出一种风电功率爬坡事件间接预测方法，能够避免冗余信息的干扰，训练样本更具针对性，节省了训练模型所需的时间，预测结果更接近于实际观测数据，间接确保了风电爬坡的有效预测，尤其解决了对风电“拐点”，即高风速时段的风功率预测精度不足的问题，同时解决了未考虑风向变化对爬坡事件预测影响所导致的预测精度不足的问题。

技术方案：本发明所采用的技术方案是一种风电功率爬坡事件间接预测方法，采集风速数据，通过计算实时风速数据与历史风速数据的相似离度搜寻预测段的相似风速曲线，将搜寻所得的相似风速曲线段的风速数据及其对应的风电功率构成相似样本簇，引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，通过极限学习机模型输出风电功率，通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测。

所述的通过计算相似离度搜寻预测段的相似风速曲线，相似离度计算式为：

其中：

式中C_xy为相似离度，D_xy为值相似系数；S_xy为形相似系数，n为数据个数，x_i为预测当天测试风速，y_i为需要搜索的历史风速，z_i测试集风速序列和待搜索历史风速序列对应项之差，E_xy为测试集风速序列和待搜索历史风速序列对应项的均值。

所述的通过极限学习机模型输出风电功率，包括以下内容：建立ELM网络数学模型，将所述相似样本簇作为训练样本集，输出层f(α)为：