[发明专利]一种计及风速预报可信度的风电集群功率超短期预测方法

说明书

本发明公开了一种计及风速预报可信度的风电集群功率超短期预测方法，包括如下步骤：步骤1、初始化模型参数，导入归一化之后的历史风电功率时间序列；步骤2、逐一计算区域中风速预报与风电场功率的去趋势偏相关性系数；步骤3、根据偏相关性系数与确定性预测精度，将风电场按照相关性排序，实现高、低风速预报可信度的风电子集群划分；步骤4、分别对风电子集群数据进行确定性预测建模，并分别预测风电子集群功率，求和得到风电集群功率预测值。本发明充分分析区域风速预报对于风电场功率分析的可信度，设计不同的预测模型，提高风电集群功率超短期预测模型性能。

技术领域

本发明涉及新能源发电和智能电网技术领域，尤其是一种计及风速预报可信度的风电集群功率超短期预测方法。

背景技术

由于数值天气预报数据更新频率较低且精度受气象、地形影响，因此，风电功率超短期预测往往只基于历史功率数据建模。然而，仅采用历史功率数据无法对未来风电出力变化趋势进行预判，而由于风电出力和风速具有较强的相关性，数值天气预报有助于判断风电出力变化趋势，基于数值天气预报的预测模型在部分算例测试中也表现出较好的性能。因此，是否需要将数值天气预报引入预测模型作为训练数据，需要结合特征进行分析。尤其对于大规模风电集群，气象条件存在一定的差异性，很难直接否定数值天气预报的使用意义，需结合数值天气预报与风电出力的相关性及预测性能，选择合理的样本特征数据。

如上所述，由于风速和风电功率具有较强的同步性，基于风速与风电功率的相关性分析，可以预先优化训练特征值。根据风电功率实测值与风速预测值相关性的分析结果，将所有风电场分为高相关性电场与低相关性电场，进一步划分风电集群为高风速预报可信度子集群和低可信度子集群，分别建立计及数值天气预报和不计及数值天气预报的预测模型。在充分利用风电子集群出力平滑性的基础上，提高预测模型的数据特征使用精度。同时，计及外部影响和风电功率动态变化特性，提出去趋势偏相关性分析，提高风速和风电功率的数据分析精度。

发明内容

本发明所要解决的技术问题在于，提供一种计及风速预报可信度的风电集群功率超短期预测方法，充分分析区域风速预报对于风电场功率分析的可信度，设计不同的预测模型，提高风电集群功率超短期预测模型性能。

为解决上述技术问题，本发明提供一种计及风速预报可信度的风电集群功率超短期预测方法，包括如下步骤：

步骤1、初始化模型参数，导入归一化之后的历史风电功率时间序列；

步骤2、逐一计算区域中风速预报与风电场功率的去趋势偏相关性系数；

步骤3、根据偏相关性系数与确定性预测精度，将风电场按照相关性排序，确定最小误差的低相关性电场数量，并将相应低相关性电场作为低风速预报可信度的风电场，其余风电场作为高风速预报可信度的风电场，实现高、低风速预报可信度的风电子集群划分；

步骤4、分别对风电子集群数据进行确定性预测建模，并分别预测风电子集群功率，求和得到风电集群功率预测值。

优选的，步骤1中，初始化模型参数，导入归一化之后的历史风电功率时间序列具体包括如下步骤：

步骤11、依次初始化极限学习机的隐含层系数和阈值；

步骤12、将风电功率数据导入且序列归一化处理；

步骤13、构建时间序列的输入输出样本集。

优选的，步骤13中，构建时间序列的输入输出样本集，其表达式D如下：

式中，x_i和t_i均为历史功率数值，分别为第i组样本的输入和实测值，S为样本个数。

优选的，步骤2中，逐一计算区域中风速预报与风电场功率的去趋势偏相关性系数具体包括如下步骤：