基于爬坡事件特征识别的风电功率短期预测方法和系统

技术领域

本发明属于风电功率预测领域，具体涉及一种基于爬坡事件特征识别的风电功率短期预测方法和系统。

背景技术

风电作为可再生能源，在全球范围内已得到了大力的发展。随着风电在电网中渗透率的提高，其随机性和波动性会严重影响电力系统的安全和稳定运行，因此，开展风电功率预测非常重要。对于电网侧来说，准确的功率预测结果能够指导电网提前预留旋转备用容量，及时调峰，保障电网的安全稳定运行。风电功率预测有助于风电企业合理安排检修计划，提高经济效益和盈利能力。此外，风电作为并网电源，需要参与日前电力市场竞价，因此，对风电功率预测的依赖性和需求度越来越高。根据国家能源局的相关文件，具备风电功率预测已经成为风电场发电并网运行的强制性要求。风电场需要每日向电网申报发电计划，上报功率预测结果，如果预测误差不达标，风电场将面临高额的经济惩罚。

风电功率预测的准确性通常基于精准的数值天气预测和功率预测方法。然而，随着天气条件、风电机组运行等不确定性因素的增加，关于风电功率预测准确性的提高逐渐进入瓶颈。传统的风电功率预测方法通常基于单一的机器学习方法或统计学方法，由于大气系统的噪声环境和混沌特性，传统方法难以识别短期风电功率预测中固有的非线性和高度复杂特性，且当数据量较大时，容易出现陷入局部极小值，收敛速度困难等问题，训练过程容易出现震荡，并导致预测结果不稳定。已有研究表明风电功率爬坡事件是造成电网安全事故的重要因素之一，也是影响风电功率预测准确率的主要因素之一，以往的风电功率预测方法难以准确预测出爬坡事件。准确识别爬坡事件特征，将有利于开展风电功率预测。但现有的风电功率爬坡事件识别方法要么过于复杂导致算法执行效率过低，要么识别精度不高，从而影响后续的功率预测精度。因此，探寻更加准确有效的风电功率预测方法具有重要的现实意义。

[1]叶林,路朋,滕景竹,等.考虑风电功率爬坡的功率预测-校正模型[J].电力系统自动化,2019,43(06)：70-79.

[2]李俊卿,李秋佳.基于Kriging和长短期记忆网络的风电功率预测方法[J].太阳能学报,2020,41(11)：241-247.

[3]崔杨,陈正洪,许沛华.基于机器学习的集群式风光一体短期功率预测技术[J].中国电力,2020,53(03)：1-7.

发明内容

本发明的目的在于针对上述现有技术中风电功率爬坡事件识别方法复杂且识别精度不高的问题，提供一种基于爬坡事件特征识别的风电功率短期预测方法和系统，能够有效提高短期风电功率预测准确率，并适用于多种地形和气候条件下的风电功率预测。

为了实现上述目的，本发明有如下的技术方案：

一种基于爬坡事件特征识别的风电功率短期预测方法，包括以下步骤：

步骤一、利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段；

步骤二、利用移动滑窗算法进行爬坡趋势段的整合，识别爬坡事件；

步骤三、对识别出的爬坡事件进行分类；

步骤四、建立风电功率爬坡事件预测模型，进行爬坡事件功率预测；

步骤五、建立短期风电功率预测模型，获取初步风电功率预测结果；利用爬坡事件功率预测结果对初步风电功率预测结果进行订正，得到最终的短期风电功率预测结果。

所述的步骤一具体包括以下步骤：

1.1)建立最优旋转门算法模型：

P

其中，P

1.2)确定最优旋转门算法的门宽：

根据功率数据集的特征，规定可能的最大门宽和最小门宽，设定门宽增值为0.1，执行步骤1)中的最优旋转门算法模型，每次执行结束后都计算出相应的爬坡事件评价指标，并与前一次计算出的爬坡事件评价指标进行对比，标记爬坡事件评价指标中的较大者，再依次将门宽增加0.1后继续执行最优旋转门算法模型，直到达到最大门宽后结束；最终，最佳的评价指标所对应的门宽即为旋转门算法的最优门宽。

所述的爬坡事件评价指标如下表所示：

其中，TP表示爬坡事件被检测到并发生了，FP表示爬坡事件被检测到但没有发生，FN表示爬坡事件发生了但没有被检测到，TN表示爬坡事件没有发生且没有检测到；

通过以下多项评价指标验证爬坡事件的检测效果：

DA表示正确检测到实际发生的爬坡事件百分比，其计算表达式如下：

RC表示检测到实际发生的爬坡事件百分比，其计算表达式如下：

CSI表示正确检测到的爬坡事件百分比，其计算表达式如下：

Acc表示正确检测到的爬坡事件和非爬坡事件百分比，其计算表达式如下：

所述的爬坡事件评价指标为最佳的判断方法为：

在步骤1.2)中，每一次最优旋转门算法模型执行结束后，均计算出对应的4个评价指标验证爬坡事件的检测效果，将每个评价指标所对应的首次计算结果初始化为最优指标，当门宽每增加0.1时，均再次计算出对应的4个评价指标验证爬坡事件的检测效果，并按照DA、RC、CSI和Acc的顺序与最优指标进行对比，如果某评价指标大于对应的最优值，则更新该指标为最优指标，并进行下一个评价指标的判断，如果判断结果小于最优值，则取消此次判断；如果当前门宽小于最大门宽，则将当前门宽增加0.1后，重复执行最优旋转门算法模型并进行评价指标的判断，如果当前门宽等于最大门宽，则判断结束。

所述风电功率爬坡事件的判断依据为如下表达式：

式中，P(i)为功率值，P

所述的步骤二具体包括以下步骤：

2.1)数据状态标记；

利用下式判断为上爬坡还是下爬坡：

式中，p

如果当前数据趋势段满足风电功率爬坡事件的判断依据且为上爬坡，则标记为1，若为下爬坡则标记为-1；如果当前数据趋势段不满足风电功率爬坡事件的判断依据且为上爬坡，则标记为10，若为下爬坡，则标记为-10；其余未被识别为爬坡事件的点标记为0；

2.2)爬坡趋势段整合；

设定爬坡持续时间窗，以某一爬坡趋势段为起点，将时间窗内的爬坡事件进行整合，如果时间窗内的最大功率值与最小功率值之差大于爬坡阈值，则被整合为爬坡事件，若判断为上爬坡事件，则将最大最小功率点间的数据状态更新为1，反之，更新为-1。

所述的步骤2.2)中，如果判断为上爬坡事件，则将最小值之前的点更新为0，下一次爬坡事件的判断从最大值之后的点开始；而如果判断为下爬坡事件，则将最大值之前的点更新为0，下一次爬坡事件的判断从最小值之后的点开始。

所述的步骤三利用模糊C均值算法对爬坡事件进行分类，此处设定均分为4类；步骤四利用获取得到的爬坡事件分类结果，结合同时期数值预报中的风速、气温、相对湿度以及气压预测结果，分别对4类风电功率爬坡事件建立LSTM预测模型，进行爬坡事件功率预测。

建立短期风电功率预测模型的步骤如下：利用过去15天的经过订正的风速、气温、相对湿度、气压气象要素结合同期的历史功率作为训练数据，利用预测未来三天的气象要素驱动LSTM模型并得到预测未来三天的短期风电功率预测模型；预报气象要素的订正采用多元线性回归法对过去15天的各预测要素和对应的实测要素进行建模，得到相应的订正系数权值。

本发明还提供一种基于爬坡事件特征识别的风电功率短期预测系统，包括：

爬坡事件识别模块，利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段，并利用移动滑窗算法进行爬坡趋势段的整合，识别爬坡事件；

爬坡事件分类模块，对识别出的爬坡事件进行分类；

预测模型建立模块，用于建立风电功率爬坡事件预测模型；

爬坡事件功率预测及订正输出模块，通过风电功率爬坡事件预测模型进行爬坡事件功率预测，并对对初步风电功率预测结果进行订正，得到最终的短期风电功率预测结果。

相较于现有技术，本发明具有如下的有益效果：

风电爬坡事件的识别准确率高，执行速度快，能够应用于电网和电力调度部门，开展风电场历史发电量数据的分析，指导未来发电量预测。此外，本发明能够有效识别历史数据中的突发事件，不仅可以用于风电功率预测领域，还能够应用于其他数据变化具有不稳定性特征的领域，如光伏发电、电力负荷预测等。本发明结合风电爬坡事件识别进行风电功率短期预测，能够准确预测出因转折性天气、极端气候事件造成的风电功率爬坡事件，从而有效提高风电功率短期预测准确率。本发明能够为电网、电力调度部门以及风电场提供未来3天的短期发电功率预测结果，指导电网及调度部门提前下达发电计划、安排旋转备用容量，保障电网的安全、稳定运行，也能够指导风电场开展检修计划，减少经济损失。

附图说明

图1本发明最优旋转门算法计算最优门宽的流程图；

图2本发明进行爬坡事件识别的整体流程图；

图3本发明考虑爬坡事件识别的风电功率预测流程图；

图4本发明风电功率短期预测系统应用实例示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

目前的短期风电功率预测方法难以准确预测因特殊天气现象或物理过程(阵风、雷暴、低空急流、台风等)造成的发电功率突然上升或下降的情况(风电功率爬坡事件)，进而导致整体风电功率预测准确率降低。针对此问题，本发明提供一种基于爬坡事件特征识别的风电功率短期预测方法和系统，基于爬坡事件特征识别的风电功率短期预测方法包括以下步骤：

步骤一、规定风电功率爬坡事件的定义。风电功率爬坡事件的定义因不同气候条件、地形和风电场规模的影响而不同，通常规定为在一特定时间段内，功率变化幅值需超过给定的功率阈值，如式(1)所示：

其中，P(i)为功率值，P

步骤二、建立爬坡事件评价指标。

利用表1判断风电功率爬坡事件的识别结果。

表1观测与检测爬坡事件列联表

其中，TP表示爬坡事件被检测到并发生了，FP表示爬坡事件被检测到但没有发生，FN表示爬坡事件发生了但没有被检测到，TN表示爬坡事件没有发生且没有检测到。

通过多项评价指标验证爬坡事件的检测效果，如式(2)～式(5)所示：

DA表示正确检测到实际发生的爬坡事件百分比：

RC表示检测到实际发生的爬坡事件百分比：

CSI表示正确检测到的爬坡事件百分比：

Acc表示正确检测到的爬坡事件和非爬坡事件百分比：

步骤三、风电功率爬坡事件识别：

第一步，利用最优旋转门算法(swinging door algorithm,SDA)识别出历史风电功率中具有爬坡趋势的功率段。

1.1)建立最优旋转门算法模型。

P

其中，P

1.2)确定最优旋转门算法的门宽。

根据功率数据集的特征，规定可能的最大门宽和最小门宽，设定门宽增值为0.1，执行1.1)中的最优旋转门算法模型，每次执行结束后都计算出相应的爬坡事件评价指标，并将门宽增加0.1后继续执行最优旋转门算法模型，直到达到最大门宽后结束。最终，最佳评价指标所对应的门宽即为最优旋转门算法对应的最优门宽。针对某特定实例，最优门宽的确定仅在首次使用该方法时执行，后续执行算法均采用首次确定的最优门宽结果。如图1所示。

在上述步骤1.2)中，每一次最优旋转门算法模型执行结束后，均计算出对应的4个评价指标验证爬坡事件的检测效果，将每个评价指标所对应的首次计算结果初始化为最优指标，当门宽每增加0.1时，均再次计算出对应的4个评价指标验证爬坡事件的检测效果，并按照DA、RC、CSI和Acc的顺序与最优指标进行对比，如果某评价指标大于对应的最优值，则更新该指标为最优指标，并进行下一个评价指标的判断，如果判断结果小于最优值，则取消此次判断；如果当前门宽小于最大门宽，则将当前门宽增加0.1后，重复执行最优旋转门算法模型并进行评价指标的判断，如果当前门宽等于最大门宽，则判断结束。

第二步，利用移动滑窗算法(Sliding Window,SW)进行爬坡趋势段的整合。

SDA所识别的结果为具有特定上升或下降趋势的爬坡趋势段，并不能构成完整的爬坡事件，因此利用SW算法的原理对数据段进行整合。

2.1)数据状态标记。利用式(9)判断是上爬坡还是下爬坡。如果当前数据趋势段满足式(1)且为上爬坡，则标记为1，若为下爬坡则标记为-1；如果当前数据趋势段不满足式(1)且为上爬坡，则标记为10，若为下爬坡，则标记为-10；其余未被识别为爬坡事件的点标记为0。

式中，p

2.2)爬坡趋势段整合。设定爬坡持续时间窗，以某一爬坡趋势段为起点，将时间窗内的爬坡事件进行整合，如果时间窗内的最大功率值与最小功率值之差大于爬坡阈值P

步骤四、数值天气预测要素订正。为了得到更好的预测结果，需要对原始数值预测数据中的风速(m/s)、气温(℃)、相对湿度(％)和气压(hPa)进行订正。利用多元线性回归法对过去15天的各预测要素和测风塔对应的实测要素进行建模，得到相应的订正系数权值。

步骤五、建立短期风电功率预测模型。利用过去15天的经过订正的风速、气温、相对湿度、气压等气象要素结合同期历史功率作为训练数据，利用预测未来三天的气象要素驱动LSTM模型，并得到预测未来三天的短期风电功率预测模型。

步骤六、爬坡事件识别。利用步骤一至步骤3中的方法，分别对训练数据和风电功率初步预测结果进行爬坡事件识别。

步骤七、爬坡事件分类。利用模糊C均值算法分别对训练数据和预测结果中所识别的爬坡事件进行分类，此处设定均分为4类。

步骤八、建立风电功率爬坡事件预测模型。利用4种获取的爬坡事件分类结果，结合同时期的风速(m/s)、气温(℃)、相对湿度(％)和气压(hPa)预测结果，分别对4类风电功率爬坡事件建立LSTM预测模型，开展爬坡事件功率预测。

步骤九、风电功率预测结果订正。利用爬坡事件的预测结果对步骤五得到的初步风电功率预测结果进行订正，并得到最终的短期风电功率预测结果。风电功率预测流程如图3所示。

本发明还提供一种基于爬坡事件特征识别的风电功率短期预测系统，包括：

爬坡事件识别模块，利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段，并利用移动滑窗算法进行爬坡趋势段的整合，识别爬坡事件；

爬坡事件分类模块，对识别出的爬坡事件进行分类；

预测模型建立模块，用于建立风电功率爬坡事件预测模型；

爬坡事件功率预测及订正输出模块，通过风电功率爬坡事件预测模型进行爬坡事件功率预测，并对对初步风电功率预测结果进行订正，得到最终的短期风电功率预测结果。

本发明风电功率短期预测系统实例已试验应用于湖北省某220MW风电项目中，将该基于爬坡事件特征识别的风电功率短期预测方法集成在预测系统中，该预测系统运行于功率预测服务器，数值天气预测在外网服务器接收，通过反向隔离装置传入功率预测服务器，再通过对应的电力规约将预测结果上传至本地电网，同时在本地服务器中完成备份。

以上所述的仅仅是本发明的较佳实施例，并不用以对本发明的技术方案进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，该技术方案还可以进行若干简单的修改和替换，这些修改和替换也均属于权利要求书涵盖的保护范围之内。