CN112906928B - 一种风电场集群有功功率预测方法及*** - Google Patents
一种风电场集群有功功率预测方法及*** Download PDFInfo
- Publication number
- CN112906928B CN112906928B CN201911219202.4A CN201911219202A CN112906928B CN 112906928 B CN112906928 B CN 112906928B CN 201911219202 A CN201911219202 A CN 201911219202A CN 112906928 B CN112906928 B CN 112906928B
- Authority
- CN
- China
- Prior art keywords
- error
- value
- feedforward
- limit value
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000011437 continuous method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 44
- 230000002688 persistence Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种风电场集群有功功率预测方法及***。所述预测方法包括：获取风电场集群的有功功率的历史数据；基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型；基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。本发明充分考虑了近期和历史风电场、风电集群功率数据的影响，及集群数据所表现出的规律性，采用前馈预测法与持续法相结合改善了预测精度，简化了预测算法，减少了计算量，实现了风电场集群的超短期预测。
Description
技术领域
本发明涉及风电集群预测分析领域，特别是涉及一种风电场集群有功功率预测方法及***。
背景技术
随着经济的快速发展，使人们同时面对着能源与环境的巨大压力。风能作为一种可再生能源，具有安全、清洁、分布广泛等特点，越来越受到人们的关注。大规模的集中式风电并网发电***是风能发电的发展趋势之一，其大多分布在风能资源相对丰富稳定的偏远地区，远离负荷中心，通过高电压、远距离的输电线路接入***。
风能不同于太阳能、水能电等其他可再生能源，有其独特自然特性。风电场的发电量与风力大小、空气密度等密切相关。风电场由于风速的不确定性、波动性，风电场的保护动作，以及风机的老化等因素，风电场的有功出力很难达到其峰值功率；同时由于上述原因产生的有功出力波动，随着风电场装机容量的扩大，对电网稳定性的影响也难以忽视。
传统风电场群输电***建设方法是通过线路将各个风电场功率汇集到一个中心变电站，再通过一回或多回电压等级较高的输电线路接入电网，要做到对风电场、风电集群进行协调控制，直接相关的是对它们的实时预测，实时预测主要指超短期预测。对于具有大规模风力发电接入电网的东北地区，如果预测精度不够，会导致原本可以发出的电能不能送出，即弃风现象，或出现电网要求风场出力却不能发出对应功率的现象；如果预测模型较为复杂，会出现运算时间较长的问题，对于5min或15min时间尺度的超短期预测信息不能及时上传，导致调度指令不能对接预测信息，造成弃风或出力不足的情况。
对于大型风电集群，风电场建设投资大，但风能的转化效率并不高。精确而简易的风电场有功功率预测模型，可以珍惜宝贵的风能发电资源，还可以减少风电场并网要求电网补足出力的电能。因此，有必要对风电场预测模型的复杂性和精准度进行考虑，减少弃风率和电网补足电量。
发明内容
本发明的目的是提供一种风电场集群有功功率预测方法及***，以实现风电场集群的超短期有效预测。
为实现上述目的，本发明提供了如下方案：
一种风电场集群有功功率预测方法，所述预测方法包括如下步骤：
获取风电场集群的有功功率的历史数据；
基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；
基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型；
基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。
可选的，所述误差前馈预测模型包括：
前馈误差比例计算公式
其中，si+1表示第i+1时刻的前馈预测误差比例，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，其中，es,i+1表示第i+1时刻的所能加入的持续法预测误差；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差计算公式ey,i+1＝es,i+1si+1，其中，ey,i+1表示第i+1时刻的前馈误差值；
误差限值的上限值ey max和下限值ey min；
有功功率预测公式
其中，
第i+1时刻的有功功率预测值。
可选的，所述基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型，具体包括：
确定误差限值的上限值和下限值的初始值，作为第m个误差限值，得到第m个误差前馈预测模型，其中，m＝0；
将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值；
判断i的数值是否小于历史数据的总数量，得到第一判断结果；
若所述第一判断结果表示i的数值小于历史数据的总数量，则令i的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
若所述第一判断结果表示i的数值不小于历史数据的总数量，则计算每个预测有功功率值与实际有功功率值的均方根差，作为第m个误差限值的均方根差；
令第m个误差限值的上限值与误差梯度值的和作为第m+1个误差限值的上限值，将第m个误差下限值与误差梯度值的差作为第m+1个误差限值的下限值；
判断第m+1个误差限值的上限值是否小于风电场集群的装机容量的0.15倍，得到第二判断结果；
若所述第二判断结果表示第m+1个误差限值的上限值小于风电场集群的装机容量的0.15倍，则令m的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
若所述第二判断结果表示第m+1个误差限值的上限值不小于风电场集群的装机容量的0.15倍，则比较每个误差限值的均方根差，选取均方根差最小的误差限值作为最优误差限值，得到训练后的误差前馈预测模型。
可选的，所述将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值，具体包括：
根据第i+1时刻的前n个时刻的历史数据，利用前馈误差比例计算公式
计算第i+1时刻的前馈预测误差比例si+1；其中，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
利用持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，计算第i+1时刻的所能加入的持续法预测误差es,i+1；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
根据所述前馈误差预测比例和所述持续法预测误差，利用前馈误差计算公式ey,i+1＝es,i+1si+1，计算第i+1时刻的前馈误差值ey,i+1；
判断第i+1时刻的前馈误差值是否大于第m个误差限值的上限值，得到第三判断结果；
若所述第三判断结果表示第i+1时刻的前馈误差值不大于第m个误差限值的上限值，则判断第i+1时刻的前馈误差值是否小于第m个误差限值的下限值，得到第四判断结果；
若所述第四判断结果表示第i+1时刻的前馈误差值小于第m个误差限值的下限值，则将第m个误差限值的下限值设置为修正后的前馈误差值e’y,i+1；
若所述第四判断结果表示第i+1时刻的前馈误差值不小于第m个误差限值的下限值，则将第i+1时刻的前馈误差值设置为修正后的前馈误差值；
若所述第三判断结果表示第i+1时刻的前馈误差值大于第m个误差限值的上限值，则将第m个误差限值的上限值设置为修正后的前馈误差值e’y,i+1；
根据所述修正后的前馈误差值，利用有功功率预测公式
获取第i+1时刻的有功功率预测值
一种风电场集群有功功率预测***，所述预测***包括：
历史数据获取模块，用于获取风电场集群的有功功率的历史数据；
误差前馈预测模型建立模块，用于基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；
训练模块，用于基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型；
预测模块，用于基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。
可选的，所述误差前馈预测模型包括：
前馈误差比例计算公式
其中，si+1表示第i+1时刻的前馈预测误差比例，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，其中，es,i+1表示第i+1时刻的所能加入的持续法预测误差；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差计算公式ey,i+1＝es,i+1si+1，其中，ey,i+1表示第i+1时刻的前馈误差值；
误差限值的上限值ey max和下限值ey min；
有功功率预测公式
其中，
第i+1时刻的有功功率预测值。
可选的，所述训练模块，具体包括：
初始化子模块，用于确定误差限值的上限值和下限值的初始值，作为第m个误差限值，得到第m个误差前馈预测模型，其中，m＝0；
第i+1时刻的预测有功功率值预测子模块，用于将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值；
第一判断子模块，用于判断i的数值是否小于历史数据的总数量，得到第一判断结果；
第一返回子模块，用于若所述第一判断结果表示i的数值小于历史数据的总数量，则令i的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
均方根计算子模块，用于若所述第一判断结果表示i的数值不小于历史数据的总数量，则计算每个预测有功功率值与实际有功功率值的均方根差，作为第m个误差限值的均方根差；
误差限值更新子模块，用于令第m个误差限值的上限值与误差梯度值的和作为第m+1个误差限值的上限值，将第m个误差下限值与误差梯度值的差作为第m+1个误差限值的下限值；
第二判断子模块，用于判断第m+1个误差限值的上限值是否小于风电场集群的装机容量的0.15倍，得到第二判断结果；
第二返回子模块，用于若所述第二判断结果表示第m+1个误差限值的上限值小于风电场集群的装机容量的0.15倍，则令m的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
最优误差限值获取子模块，用于若所述第二判断结果表示第m+1个误差限值的上限值不小于风电场集群的装机容量的0.15倍，则比较每个误差限值的均方根差，选取均方根差最小的误差限值作为最优误差限值，得到训练后的误差前馈预测模型。
可选的，所述第i+1时刻的预测有功功率值预测子模块，具体包括：
前馈预测误差比例计算单元，用于根据第i+1时刻的前n个时刻的历史数据，利用前馈误差比例计算公式
计算第i+1时刻的前馈预测误差比例si+1；其中，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
持续法预测误差计算单元，用于利用持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，计算第i+1时刻的所能加入的持续法预测误差es,i+1；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差值计算单元，用于根据所述前馈误差预测比例和所述持续法预测误差，利用前馈误差计算公式ey,i+1＝es,i+1si+1，计算第i+1时刻的前馈误差值ey,i+1；
第三判断单元，用于判断第i+1时刻的前馈误差值是否大于第m个误差限值的上限值，得到第三判断结果；
第四判断单元，用于若所述第三判断结果表示第i+1时刻的前馈误差值不大于第m个误差限值的上限值，则判断第i+1时刻的前馈误差值是否小于第m个误差限值的下限值，得到第四判断结果；
第一前馈误差修正单元，用于若所述第四判断结果表示第i+1时刻的前馈误差值小于第m个误差限值的下限值，则将第m个误差限值的下限值设置为修正后的前馈误差值e’y,i+1；
第二前馈误差修正单元，用于若所述第四判断结果表示第i+1时刻的前馈误差值不小于第m个误差限值的下限值，则将第i+1时刻的前馈误差值设置为修正后的前馈误差值；
第三前馈误差修正单元，用于若所述第三判断结果表示第i+1时刻的前馈误差值大于第m个误差限值的上限值，则将第m个误差限值的上限值设置为修正后的前馈误差值e’y,i+1；
有功功率预测值获取单元，用于根据所述修正后的前馈误差值，利用有功功率预测公式
获取第i+1时刻的有功功率预测值
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种风电场集群有功功率预测方法及***。所述预测方法包括：获取风电场集群的有功功率的历史数据；基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型；基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。本发明充分考虑了近期和历史风电场、风电集群功率数据的影响，及集群数据所表现出的规律性，采用前馈预测法与持续法相结合改善了预测精度，采用基于前馈预测和持续法预测相结合的计算量少的有功功率预测方法，因方法较为简单、所需数据种类少，实现了风电场集群的超短期预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的风电场集群有功功率预测方法的流程图；
图2为本发明提供的最优误差限值确定方法的流程图；
图3为本发明提供的具体的实施方式的风电波动特性分析图；
图4为本发明提供的具体的实施方式的不同装机容量下风电波动分析图；
图5为本发明提供的具体的实施方式的5min时间尺度200MW风场误差限值曲线示意图；
图6为本发明提供的具体的实施方式的5min时间尺度200MW风场风电功率预测曲线图；
图7为本发明提供的具体的实施方式的15min时间尺度200MW风场误差限值曲线示意图；
图8为本发明提供的具体的实施方式的15min时间尺度200MW风场风电功率预测曲线图；
图9为本发明提供的具体的实施方式的5min时间尺度风电集群误差限值曲线示意图；
图10为本发明提供的具体的实施方式的5min时间尺度风电集群风电功率预测曲线图；
图11为本发明提供的具体的实施方式的15min时间尺度风电集群误差限值曲线示意图；
图12为本发明提供的具体的实施方式的15min时间尺度风电集群风电功率预测曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种风电场集群有功功率预测方法及***，以实现风电场集群的超短期有效预测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提出一种风电场集群有功功率预测方法是一种基于误差前馈的风电集群有功功率预测方法，本发明是单点滚动预测，以风电场、风电集群有功出力特性为基础，综合考虑风电变化趋势和所需补足误差等因素，建立了以持续法为基础，以误差前馈为反馈的预测模型，以此来提高持续法在超短期预测的精度。
为了实现上述目的本发明提供一种风电场集群有功功率预测方法，如图1所示所述预测方法包括如下步骤：
步骤101，获取风电场集群的有功功率的历史数据。
风力发电的原理是利用风力带动风车叶片旋转来促使发电机发电，将风能转化为电能；具体来说，风机受自然风的随机性影响，所发电能频率波动性大，因此需先进行整流，再进行逆变使其符合电网频率要求，风力大小呈现为风机输出有功功率大小；
风电场输出功率不仅与风力大小有关，还与空气密度、尾流、场用电和线损有关，同时还要受到风机老化、风力发电机组利用率、功率曲线保证率等影响；对于单一风机而言，风机输出功率受风力影响大，呈现毫无规律的波动；而对于大规模风电场而言，每个风机有功出力通过线路汇聚，再通过一回或者多回输电线路接入电网，不同位置的风机所处的情况不同，且风流经风电场需时间，导致不同位置或区域的风机输出功率不同；随着风电场的规模不断扩大，或由数个风电场组合成风电集群，在短时间内呈现一定的规律性，风场或风电集群越大，此规律性越强、风电功率变化越慢，即会发生汇聚效应，使预测精度越高；
风电场输出功率大多很难达到其峰值；如果预测精度不够，会导致原本可以发出的电能不能送出，即弃风现象，或出现电网要求风场出力却不能发出对应功率的现象；如果预测模型较为复杂，会出现运算时间较长的问题，对于5min或15min时间尺度的超短期预测信息不能及时上传，导致调度指令不能对接预测信息，造成弃风或出力不足的情况；本发明以5min或15min时刻尺度获取历史数据。
步骤102，基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型。
基于风电场有功出力特性，同时考虑风电预测模型的复杂性和精确性问题，构建了反映风电变化趋势的误差前馈预测模型，并和持续法预测结合形成本发明预测模型，其数学模型为：
ey,i+1＝es,i+1si+1 (2)
ey min≤ey,i+1≤ey max (3)
式中：si+1为第i+1时刻的前馈预测误差的比例；
ey,i+1为第i+1时刻的前馈误差值；
eymin为第i+1时刻的前馈误差限值的下限值；
eymax为第i+1时刻的前馈误差限值的上限值；
公式(1)中等式右侧各项的含义及计算方法如下：n表示前n个时刻的历史数据，历史数据包括功率数据，通过标杆风机获取，综合标杆风机便为风场功率数据；qi是第i时刻历史数据所占到的权重，本发明为直接给定，越靠近当前时刻，权重越大；di是第i时刻的风电场或风电集群功率实际值(标杆风机所提供数据)；
公式(2)中等式右侧各项的含义及计算方法如下：es,i+1＝di-pi＝di-di-1，ey,i+1表示第i+1时刻的前馈误差值；es,i+1表示第i+1时刻的所能加入的持续法预测误差；es,i+1＝di-pi＝di-di-1，其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
(3)式为了防止前馈误差过大造成前馈补偿过多(使误差增大)的情况，需要对前馈误差进行限定。其中eymin与eymax是通过风电场历史功率数据求出；
(4)式中，根据式(2)已经确定下一时刻所需添加的前馈误差ey,i+1，将其与当前时刻实际值(持续法下一时刻预测值)相加便为下一时刻本发明的预测出力Popi+1。
步骤103，基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型。
每个风电场由于其本身所处地理位置、装机容量等因素会表现出不同的风电功率变化特性，这通过历史数据中风电功率的变化情况可以初步了解其特性，本发明通过大量历史风电功率数据，可以找出最适合不同风电场的误差前馈限值，即预测数据的最大误差。由图2可知，求误差限值需要大量的历史数据，不同的时间尺度预测，相同的历史数据会得出不同的误差限值。具体步骤为，首先，选择时间尺度为5min或15min，根据时间尺度选择历史数据种类，并取出一个月的历史数据作为训练基础；其次，对赋予误差限值(最大允许前馈误差eymin和eymax)为0(此时和持续法预测曲线一样，因此本文方法包含持续法)，并对历史数据进行持续法加入前馈误差模型的滚动预测训练(因本发明是根据训练寻找适应预测的最优误差限值，所以在训练过程中无需调节参数，根据前馈误差限值的不同改变前馈误差即可，即前馈误差值在误差限值范围内，则取原值，若超过误差限值范围，则取误差限值)，将预测数据与实际数据作差，并求出均方根误差，记录此数据；再次，同时将最大误差限值提高0.1，最小误差限值降低0.1，并利用同样的历史数据进行训练，得出此误差限值的均方根误差同时记录此值，此过程直至最大误差限值为0.15倍(因国家预测要求超短期预测误差不超过0.15倍的装机容量)的装机容量(装机容量指全部发电机组额定功率的总和)；最后，即将所有记录的均方根误差进行比较，取出均方根误差最小的那组误差限值，定为该风电场在选定的时间尺度所具有的最优误差限值。
具体步骤包括：确定误差限值的上限值和下限值的初始值(作为一个具体的实施方式上限值和下限值的初始值均设置为0，但不限于0)，作为第m个误差限值，得到第m个误差前馈预测模型，其中，m＝0；将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值；判断i的数值是否小于历史数据的总数量，得到第一判断结果；若所述第一判断结果表示i的数值小于历史数据的总数量，则令i的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；若所述第一判断结果表示i的数值不小于历史数据的总数量，则计算每个预测有功功率值与实际有功功率值的均方根差，作为第m个误差限值的均方根差；令第m个误差限值的上限值与误差梯度值(作为一种具体的实施方式所述误差梯度值的数值为0.1，但不限于0.1)的和作为第m+1个误差限值的上限值，将第m个误差下限值与误差梯度值的差作为第m+1个误差限值的下限值；判断第m+1个误差限值的上限值是否小于风电场集群的装机容量的0.15倍，得到第二判断结果；若所述第二判断结果表示第m+1个误差限值的上限值小于风电场集群的装机容量的0.15倍，则令m的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；若所述第二判断结果表示第m+1个误差限值的上限值不小于风电场集群的装机容量的0.15倍，则比较每个误差限值的均方根差，选取均方根差最小的误差限值作为最优误差限值，得到训练后的误差前馈预测模型。
其中，所述将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值，具体包括：根据第i+1时刻的前n个时刻的历史数据，利用前馈误差比例计算公式
计算第i+1时刻的前馈预测误差比例si+1；其中，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；利用持续法预测误差计算公式es,i+1＝pi+1-pi＝di-di-1，计算第i+1时刻的持续法预测误差es,i+1；其中，pi+1和pi分别表示第i时刻和第i+1时刻的持续法预测值，pi+1＝di，pi＝di-1；根据所述前馈误差预测比例和所述持续法预测误差，利用前馈误差计算公式ey,i+1＝es,i+1si+1，计算第i+1时刻的前馈误差值ey,i+1；判断第i+1时刻的前馈误差值是否大于第m个误差限值的上限值，得到第三判断结果；若所述第三判断结果表示第i+1时刻的前馈误差值不大于第m个误差限值的上限值，则判断第i+1时刻的前馈误差值是否小于第m个误差限值的下限值，得到第四判断结果；若所述第四判断结果表示第i+1时刻的前馈误差值小于第m个误差限值的下限值，则将第m个误差限值的下限值设置为修正后的前馈误差值e’y,i+1，即，对前馈误差值进行修正，将前馈误差值设置为第m个误差限值的下限值，得到修正后的前馈误差值e’y,i+1；若所述第四判断结果表示第i+1时刻的前馈误差值不小于第m个误差限值的下限值，则将第i+1时刻的前馈误差值设置为修正后的前馈误差值，即修正过程中不改变前馈误差值；若所述第三判断结果表示第i+1时刻的前馈误差值大于第m个误差限值的上限值，则将第m个误差限值的上限值设置为修正后的前馈误差值e’y,i+1，即，对前馈误差值进行修正，将前馈误差值设置为第m个误差限值的上限值，得到修正后的前馈误差值e’y,i+1；根据所述修正后的前馈误差值，利用有功功率预测公式
获取第i+1时刻的有功功率预测值
步骤104，基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。
最优误差限值为基准，对未来风电功率进行预测，具体步骤如下：
首先，选择所要预测的时间尺度，并提取包括当前时刻在内的n个相邻的历史数据；其次，根据式(1)求出需要加入前馈预测误差的比例，并求出当前实际值与持续法预测值的差值，进而算出所需加入的前馈误差值；最后，将前馈误差值与误差限值进行比较，若前馈误差值在误差限值范围内，则取原值，若超过误差限值范围，则取误差限值，并将得出的前馈误差值和持续法所得预测数据相结合得出所需预测数据，如式(4)。其具体的步骤与将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值的具体步骤相同，在此不在赘述。
本发明还提供一种风电场集群有功功率预测***，所述预测***包括：
历史数据获取模块，用于获取风电场集群的有功功率的历史数据。
误差前馈预测模型建立模块，用于基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型。
所述误差前馈预测模型包括：
前馈误差比例计算公式
其中，si+1表示第i+1时刻的前馈预测误差比例，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重。
持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，其中，es,i+1表示第i+1时刻的所能加入的持续法预测误差；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差计算公式ey,i+1＝es,i+1si+1，其中，ey,i+1表示第i+1时刻的前馈误差值。
误差限值的上限值ey max和下限值ey min。
有功功率预测公式
其中，
第i+1时刻的有功功率预测值。
训练模块，用于基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型。
所述训练模块，具体包括：初始化子模块，用于确定误差限值的上限值和下限值的初始值，作为第m个误差限值，得到第m个误差前馈预测模型，其中，m＝0；第i+1时刻的预测有功功率值预测子模块，用于将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值；第一判断子模块，用于判断i的数值是否小于历史数据的总数量，得到第一判断结果；第一返回子模块，用于若所述第一判断结果表示i的数值小于历史数据的总数量，则令i的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；均方根计算子模块，用于若所述第一判断结果表示i的数值不小于历史数据的总数量，则计算每个预测有功功率值与实际有功功率值的均方根差，作为第m个误差限值的均方根差；误差限值更新子模块，用于令第m个误差限值的上限值与误差梯度值的和作为第m+1个误差限值的上限值，将第m个误差下限值与误差梯度值的差作为第m+1个误差限值的下限值；第二判断子模块，用于判断第m+1个误差限值的上限值是否小于风电场集群的装机容量的0.15倍，得到第二判断结果；第二返回子模块，用于若所述第二判断结果表示第m+1个误差限值的上限值小于风电场集群的装机容量的0.15倍，则令m的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；最优误差限值获取子模块，用于若所述第二判断结果表示第m+1个误差限值的上限值不小于风电场集群的装机容量的0.15倍，则比较每个误差限值的均方根差，选取均方根差最小的误差限值作为最优误差限值，得到训练后的误差前馈预测模型。
其中，所述第i+1时刻的预测有功功率值预测子模块，具体包括：前馈预测误差比例计算单元，用于根据第i+1时刻的前n个时刻的历史数据，利用前馈误差比例计算公式
计算第i+1时刻的前馈预测误差比例si+1；其中，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；持续法预测误差计算单元，用于利用持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，计算第i+1时刻的所能加入的持续法预测误差es,i+1；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；前馈误差值计算单元，用于根据所述前馈误差预测比例和所述持续法预测误差，利用前馈误差计算公式ey,i+1＝es,i+1si+1，计算第i+1时刻的前馈误差值ey,i+1；第三判断单元，用于判断第i+1时刻的前馈误差值是否大于第m个误差限值的上限值，得到第三判断结果；第四判断单元，用于若所述第三判断结果表示第i+1时刻的前馈误差值不大于第m个误差限值的上限值，则判断第i+1时刻的前馈误差值是否小于第m个误差限值的下限值，得到第四判断结果；第一前馈误差修正单元，用于若所述第四判断结果表示第i+1时刻的前馈误差值小于第m个误差限值的下限值，则将第m个误差限值的下限值设置为修正后的前馈误差值e’y,i+1；第二前馈误差修正单元，用于若所述第四判断结果表示第i+1时刻的前馈误差值不小于第m个误差限值的下限值，则将第i+1时刻的前馈误差值设置为修正后的前馈误差值；第三前馈误差修正单元，用于若所述第三判断结果表示第i+1时刻的前馈误差值大于第m个误差限值的上限值，则将第m个误差限值的上限值设置为修正后的前馈误差值e’y,i+1；有功功率预测值获取单元，用于根据所述修正后的前馈误差值，利用有功功率预测公式
获取第i+1时刻的有功功率预测值
预测模块，用于基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。
为了验证本发明提供的方法及***的有效性，本发明还提供一种具体的实施方式，本实施案例将对中国的东北某个风电场及其风电集群，总装机容量200MW风电场和540MW风电集群的功率进行预测，数据来自风电场实测数据。应用本发明方法对实施例风电场功率预测的结果如下：
1.风电出力特性分析
实施例中风机-风场-风电集群出力特性曲线如图3所示，图3中UNIT指单机，FARM指风场，FARMS指风电集群。该图为东北某风电机组-风电场-风电场群出力标幺图，图中绿线为风电机组出力曲线，蓝线为风电场出力曲线，红线为风电集群出力曲线，从图中可以看出风电机组波动最大，风电场次之，风电集群最小；从图3、4可知，风电集群相对于风电场波动性更小。从表4可以看出风电集群的波动量标准差更小，而波动量标准差越小，在相同时间尺度预测中预测精度越高。
2.误差限值的求取
如图5、7、9、11所示，分别为200MW风电场5min和15min及风电集群5min和15min的误差限值曲线，其趋势是先下降后上升，当误差限值为0时，为持续法预测，可以看出在持续法基础上加入前馈误差，并限制其大小，可有效提高其精度。
3.基于前馈误差的风电集群有功功率预测方法
图6、8、10、12为本发明方法、传统的持续法和只利用历史功率数据的神经小波预测方法的预测曲线比较，只取了1天的数据。可以看出本发明方法在短时间变化趋势一致的风电功率预测具有更高的精确度，而在突然变化的风电功率预测具有更大误差，在不断震荡的风电功率预测和持续法近乎一致，在风电功率预测中，特别是较大规模风场、风电集群，突然变化的时间点较少，因此具有更高的精度。
表1、2、5、6为本发明方法、传统的持续法和只利用历史功率数据的神经小波预测方法的预测误差比较，只取了1天的数据。从表1中可以看出本发明方法相对于神经小波模型在三种评价指标分别提高了1.1％，2.94％和13.55MW，而相对于持续法模型则分别提高了0.16％，0.21％和3.6MW。从表2中可以看出本发明方法相对于神经小波模型在三种评价指标分别提高了1.49％，2.99％和15.64MW，而相对于持续法模型则分别提高了0.14％，0.29％和4.55MW。从表5中可以看出本发明方法相对于神经小波模型在三种评价指标分别提高了0.62％，0.78％和2.9MW，而相对于持续法模型则分别提高了0.07％，0.05％和0.84MW。从表6中可以看出改进的本发明方法相对于神经小波模型在三种评价指标分别提高了1.53％，1.89％和32.758MW，而相对于持续法模型则分别提高了0.17％，0.08％和3.015MW，说明在不同时间尺度风场功率预测和风电集群功率预测本发明方法皆可使预测精度提升。
表3为200MW风电场全年105120个数据分析本文预测方法的有效性，当只考虑风电最大化出力时(即按预测出力)，持续法预测模型和改进模型的风电全年弃风和AGC补给量情况，从表中可以看出，改进的持续预测模型在弃风量上要少787.63MWh，即7.50％；而在AGC补给量上要少734.56MWh，即6.99％，说明本发明方法对于减少弃风量和AGC补给量的有效性。
表1 5min200MW风场预测指标比较表
表2 15min200MW风场预测指标比较
表3 5min200MW风场全年情况
表4 风电波动分析表
| 风电规模 | 波动量标准差 |
| 单机 | 0.582 |
| 单场 | 0.378 |
| 场群 | 0.182 |
表5 5min风电集群预测指标比较
表6 15min风电集群预测指标比较
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种风电场集群有功功率预测方法及***。所述预测方法包括：获取风电场集群的有功功率的历史数据；基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；基于历史数据，训练所述误差前馈预测模型，确定所述前馈误差预测模型中的最优误差限值，得到训练后的误差前馈预测模型；基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。本发明充分考虑了近期和历史风电场、风电集群功率数据的影响，及集群数据所表现出的规律性，采用前馈预测法与持续法相结合改善了预测精度，采用基于前馈预测和持续法预测相结合的计算量少的有功功率预测方法，因方法较为简单、所需数据种类少，实现了风电场集群的超短期预测。
本说明书中等效实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，等效实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Claims (4)
1.一种风电场集群有功功率预测方法，其特征在于，所述预测方法包括如下步骤：
获取风电场集群的有功功率的历史数据；
基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；
所述误差前馈预测模型包括：
前馈误差比例计算公式
其中，si+1表示第i+1时刻的前馈预测误差比例，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，其中，es,i+1表示第i+1时刻的所能加入的持续法预测误差；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差计算公式ey,i+1＝es,i+1si+1，其中，ey,i+1表示第i+1时刻的前馈误差值；
误差限值的上限值eymax和下限值eymin；
有功功率预测公式
其中，
第i+1时刻的有功功率预测值,e’y,i+1为修正后的前馈误差值；
基于历史数据，训练所述误差前馈预测模型，确定所述误差前馈预测模型中的最优误差限值，得到训练后的误差前馈预测模型；
所述基于历史数据，训练所述误差前馈预测模型，确定所述误差前馈预测模型中的最优误差限值，得到训练后的误差前馈预测模型，具体包括：
确定误差限值的上限值和下限值的初始值，作为第m个误差限值，得到第m个误差前馈预测模型，其中，m＝0；
将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值；
判断i的数值是否小于历史数据的总数量，得到第一判断结果；
若所述第一判断结果表示i的数值小于历史数据的总数量，则令i的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
若所述第一判断结果表示i的数值不小于历史数据的总数量，则计算每个预测有功功率值与实际有功功率值的均方根差，作为第m个误差限值的均方根差；
令第m个误差限值的上限值与误差梯度值的和作为第m+1个误差限值的上限值，将第m个误差下限值与误差梯度值的差作为第m+1个误差限值的下限值；
判断第m+1个误差限值的上限值是否小于风电场集群的装机容量的0.15倍，得到第二判断结果；
若所述第二判断结果表示第m+1个误差限值的上限值小于风电场集群的装机容量的0.15倍，则令m的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
若所述第二判断结果表示第m+1个误差限值的上限值不小于风电场集群的装机容量的0.15倍，则比较每个误差限值的均方根差，选取均方根差最小的误差限值作为最优误差限值，得到训练后的误差前馈预测模型；
基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。
2.根据权利要求1所述的风电场集群有功功率预测方法，其特征在于，所述将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值，具体包括：
根据第i+1时刻的前n个时刻的历史数据，利用前馈误差比例计算公式
计算第i+1时刻的前馈预测误差比例si+1；其中，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
利用持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，计算第i+1时刻的所能加入的持续法预测误差es,i+1；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
根据所述前馈误差预测比例和所述持续法预测误差，利用前馈误差计算公式ey,i+1＝es,i+1si+1，计算第i+1时刻的前馈误差值ey,i+1；
判断第i+1时刻的前馈误差值是否大于第m个误差限值的上限值，得到第三判断结果；
若所述第三判断结果表示第i+1时刻的前馈误差值不大于第m个误差限值的上限值，则判断第i+1时刻的前馈误差值是否小于第m个误差限值的下限值，得到第四判断结果；
若所述第四判断结果表示第i+1时刻的前馈误差值小于第m个误差限值的下限值，则将第m个误差限值的下限值设置为修正后的前馈误差值e’y,i+1；
若所述第四判断结果表示第i+1时刻的前馈误差值不小于第m个误差限值的下限值，则将第i+1时刻的前馈误差值设置为修正后的前馈误差值；
若所述第三判断结果表示第i+1时刻的前馈误差值大于第m个误差限值的上限值，则将第m个误差限值的上限值设置为修正后的前馈误差值e’y,i+1；
根据所述修正后的前馈误差值，利用有功功率预测公式
获取第i+1时刻的有功功率预测值
3.一种风电场集群有功功率预测***，其特征在于，所述预测***包括：
历史数据获取模块，用于获取风电场集群的有功功率的历史数据；
误差前馈预测模型建立模块，用于基于误差前馈预测法和持续法，建立反映风电场集群的风电变化趋势的误差前馈预测模型；
所述误差前馈预测模型包括：
前馈误差比例计算公式
其中，si+1表示第i+1时刻的前馈预测误差比例，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，其中，es,i+1表示第i+1时刻的所能加入的持续法预测误差；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差计算公式ey,i+1＝es,i+1si+1，其中，ey,i+1表示第i+1时刻的前馈误差值；
误差限值的上限值eymax和下限值eymin；
有功功率预测公式
其中，
第i+1时刻的有功功率预测值,e’y,i+1为修正后的前馈误差值；
训练模块，用于基于历史数据，训练所述误差前馈预测模型，确定所述误差前馈预测模型中的最优误差限值，得到训练后的误差前馈预测模型；
所述训练模块，具体包括：
初始化子模块，用于确定误差限值的上限值和下限值的初始值，作为第m个误差限值，得到第m个误差前馈预测模型，其中，m＝0；
第i+1时刻的预测有功功率值预测子模块，用于将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值；
第一判断子模块，用于判断i的数值是否小于历史数据的总数量，得到第一判断结果；
第一返回子模块，用于若所述第一判断结果表示i的数值小于历史数据的总数量，则令i的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
均方根计算子模块，用于若所述第一判断结果表示i的数值不小于历史数据的总数量，则计算每个预测有功功率值与实际有功功率值的均方根差，作为第m个误差限值的均方根差；
误差限值更新子模块，用于令第m个误差限值的上限值与误差梯度值的和作为第m+1个误差限值的上限值，将第m个误差下限值与误差梯度值的差作为第m+1个误差限值的下限值；
第二判断子模块，用于判断第m+1个误差限值的上限值是否小于风电场集群的装机容量的0.15倍，得到第二判断结果；
第二返回子模块，用于若所述第二判断结果表示第m+1个误差限值的上限值小于风电场集群的装机容量的0.15倍，则令m的数值增加1，返回步骤“将第i+1时刻前n个时刻的历史数据输入第m个误差前馈预测模型，获得第i+1时刻的预测有功功率值”；
最优误差限值获取子模块，用于若所述第二判断结果表示第m+1个误差限值的上限值不小于风电场集群的装机容量的0.15倍，则比较每个误差限值的均方根差，选取均方根差最小的误差限值作为最优误差限值，得到训练后的误差前馈预测模型；
预测模块，用于基于待预测时刻的前n个时刻的历史数据，输入所述训练后的误差前馈预测模型，得到待预测时刻的有功功率预测值。
4.根据权利要求3所述的风电场集群有功功率预测***，其特征在于，所述第i+1时刻的预测有功功率值预测子模块，具体包括：
前馈预测误差比例计算单元，用于根据第i+1时刻的前n个时刻的历史数据，利用前馈误差比例计算公式
计算第i+1时刻的前馈预测误差比例si+1；其中，dj和dj+1分别表示第j时刻和第j+1时刻的历史数据，qj表示第j时刻历史数据在n个时刻的历史数据中所占到的权重；
持续法预测误差计算单元，用于利用持续法预测误差计算公式es,i+1＝di-pi＝di-di-1，计算第i+1时刻的所能加入的持续法预测误差es,i+1；其中，pi表示第i时刻的持续法预测值，pi＝di-1；di-1和di分别表示第i-1时刻和第i时刻的历史数据；
前馈误差值计算单元，用于根据所述前馈误差预测比例和所述持续法预测误差，利用前馈误差计算公式ey,i+1＝es,i+1si+1，计算第i+1时刻的前馈误差值ey,i+1；
第三判断单元，用于判断第i+1时刻的前馈误差值是否大于第m个误差限值的上限值，得到第三判断结果；
第四判断单元，用于若所述第三判断结果表示第i+1时刻的前馈误差值不大于第m个误差限值的上限值，则判断第i+1时刻的前馈误差值是否小于第m个误差限值的下限值，得到第四判断结果；
第一前馈误差修正单元，用于若所述第四判断结果表示第i+1时刻的前馈误差值小于第m个误差限值的下限值，则将第m个误差限值的下限值设置为修正后的前馈误差值e’y,i+1；
第二前馈误差修正单元，用于若所述第四判断结果表示第i+1时刻的前馈误差值不小于第m个误差限值的下限值，则将第i+1时刻的前馈误差值设置为修正后的前馈误差值；
第三前馈误差修正单元，用于若所述第三判断结果表示第i+1时刻的前馈误差值大于第m个误差限值的上限值，则将第m个误差限值的上限值设置为修正后的前馈误差值e’y,i+1；
有功功率预测值获取单元，用于根据所述修正后的前馈误差值，利用有功功率预测公式
获取第i+1时刻的有功功率预测值
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219202.4A CN112906928B (zh) | 2019-12-03 | 2019-12-03 | 一种风电场集群有功功率预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219202.4A CN112906928B (zh) | 2019-12-03 | 2019-12-03 | 一种风电场集群有功功率预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906928A CN112906928A (zh) | 2021-06-04 |
| CN112906928B true CN112906928B (zh) | 2022-09-16 |
Family
ID=76103703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911219202.4A Active CN112906928B (zh) | 2019-12-03 | 2019-12-03 | 一种风电场集群有功功率预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906928B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101938131A (zh) * | 2010-09-01 | 2011-01-05 | 国网电力科学研究院 | 基于电气原理的风电场群无功分配方法 |
| CN102280879A (zh) * | 2011-08-01 | 2011-12-14 | 刘颖明 | 风电场大规模储能电站功率调节方法及*** |
| CN102496927A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 基于误差统计修正的风电场功率预测方法 |
| CN102606395A (zh) * | 2012-03-20 | 2012-07-25 | 东南大学 | 基于功率预测信息的风电场有功优化控制方法 |
| CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
| CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
| CN103295077A (zh) * | 2013-05-17 | 2013-09-11 | 高文忠 | 一种考虑预测误差分布特性的风电场集群调度方法 |
| CN103577890A (zh) * | 2013-09-25 | 2014-02-12 | 国家电网公司 | 基于元组匹配的集群点风电功率预测方法 |
| CN104143839A (zh) * | 2013-11-06 | 2014-11-12 | 国家电网公司 | 基于功率预测的风电场集群限出力有功功率分配方法 |
| CN104158195A (zh) * | 2014-08-27 | 2014-11-19 | 国家电网公司 | 一种风电场集群多目标电压优化方法 |
| CN104200280A (zh) * | 2014-08-22 | 2014-12-10 | 钱胜利 | 一种用于风电功率预测的方法及*** |
| KR20150015989A (ko) * | 2013-08-02 | 2015-02-11 | 군산대학교산학협력단 | 발전 시스템 모니터링 장치 및 그 방법 |
| CN106410829A (zh) * | 2016-06-16 | 2017-02-15 | 上海交通大学 | 一种基于预测控制的储能源网协调控制***及方法 |
| CN106786752A (zh) * | 2016-12-29 | 2017-05-31 | 上海博翎能源科技有限公司 | 一种稳定的风电场输出***及其工作方法 |
| CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
| CN107769254A (zh) * | 2017-08-01 | 2018-03-06 | 中国农业大学 | 一种风电集群轨迹预测与分层控制方法 |
| CN109085755A (zh) * | 2018-08-14 | 2018-12-25 | 中国电力科学研究院有限公司 | 基于分布式模型预测控制的风电集群***超前频率控制方法及*** |
| CN109164709A (zh) * | 2018-11-15 | 2019-01-08 | 中国科学院光电技术研究所 | 一种基于改进型Smith预估器的光电跟踪***控制方法 |
| CN109934402A (zh) * | 2019-03-11 | 2019-06-25 | 北京天润新能投资有限公司西北分公司 | 一种风电场集控中心集中风功率预测***及其设计方法 |
| CN110165693A (zh) * | 2019-06-27 | 2019-08-23 | 上海电机学院 | 一种风电场优化储能配置方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2542534T3 (es) * | 2010-01-04 | 2015-08-06 | Vestas Wind Systems A/S | Método para hacer funcionar una unidad de disipación de potencia en una turbina eólica |
| US9347430B2 (en) * | 2013-04-12 | 2016-05-24 | King Fahd University Of Petroleum And Minerals | Adaptive pitch control system for wind generators |
-
2019
- 2019-12-03 CN CN201911219202.4A patent/CN112906928B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101938131A (zh) * | 2010-09-01 | 2011-01-05 | 国网电力科学研究院 | 基于电气原理的风电场群无功分配方法 |
| CN102280879A (zh) * | 2011-08-01 | 2011-12-14 | 刘颖明 | 风电场大规模储能电站功率调节方法及*** |
| CN102496927A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 基于误差统计修正的风电场功率预测方法 |
| CN102606395A (zh) * | 2012-03-20 | 2012-07-25 | 东南大学 | 基于功率预测信息的风电场有功优化控制方法 |
| CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
| CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
| CN103295077A (zh) * | 2013-05-17 | 2013-09-11 | 高文忠 | 一种考虑预测误差分布特性的风电场集群调度方法 |
| KR20150015989A (ko) * | 2013-08-02 | 2015-02-11 | 군산대학교산학협력단 | 발전 시스템 모니터링 장치 및 그 방법 |
| CN103577890A (zh) * | 2013-09-25 | 2014-02-12 | 国家电网公司 | 基于元组匹配的集群点风电功率预测方法 |
| CN104143839A (zh) * | 2013-11-06 | 2014-11-12 | 国家电网公司 | 基于功率预测的风电场集群限出力有功功率分配方法 |
| CN104200280A (zh) * | 2014-08-22 | 2014-12-10 | 钱胜利 | 一种用于风电功率预测的方法及*** |
| CN104158195A (zh) * | 2014-08-27 | 2014-11-19 | 国家电网公司 | 一种风电场集群多目标电压优化方法 |
| CN106410829A (zh) * | 2016-06-16 | 2017-02-15 | 上海交通大学 | 一种基于预测控制的储能源网协调控制***及方法 |
| CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
| CN106786752A (zh) * | 2016-12-29 | 2017-05-31 | 上海博翎能源科技有限公司 | 一种稳定的风电场输出***及其工作方法 |
| CN107769254A (zh) * | 2017-08-01 | 2018-03-06 | 中国农业大学 | 一种风电集群轨迹预测与分层控制方法 |
| CN109085755A (zh) * | 2018-08-14 | 2018-12-25 | 中国电力科学研究院有限公司 | 基于分布式模型预测控制的风电集群***超前频率控制方法及*** |
| CN109164709A (zh) * | 2018-11-15 | 2019-01-08 | 中国科学院光电技术研究所 | 一种基于改进型Smith预估器的光电跟踪***控制方法 |
| CN109934402A (zh) * | 2019-03-11 | 2019-06-25 | 北京天润新能投资有限公司西北分公司 | 一种风电场集控中心集中风功率预测***及其设计方法 |
| CN110165693A (zh) * | 2019-06-27 | 2019-08-23 | 上海电机学院 | 一种风电场优化储能配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906928A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
| CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
| CN107292766B (zh) | 面向风电消纳的电力***调峰手段经济性评估方法与*** | |
| CN102856917B (zh) | 一种配电网无功优化方法 | |
| CN107732949B (zh) | 一种综合风电全年多季节特性的储能布点定容方法 | |
| JP5013372B2 (ja) | 風力発電機用蓄電池設備の製作方法 | |
| CN109103929B (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
| CN110620397B (zh) | 一种高比例可再生能源电力***的调峰平衡评估方法 | |
| CN111064229A (zh) | 基于q学习的风-光-气-蓄联合动态经济调度优化方法 | |
| CN106953363A (zh) | 一种风电场限功率运行状态下电网旋转备用优化配置方法 | |
| CN108711868A (zh) | 一种计及孤岛运行电压安全的配电网无功优化规划方法 | |
| CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
| CN112736973A (zh) | 平抑风电、光伏电站出力波动的电池储能容量配置方法及*** | |
| CN107346889B (zh) | 考虑一二次调频及最小频率偏差的负荷削减优化模型构建方法 | |
| CN117439090B (zh) | 以灵活调节系数为指标的灵活性资源配置或调度方法 | |
| Liu et al. | Optimal short-term load dispatch strategy in wind farm | |
| CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄***在线调度方法 | |
| CN115510677A (zh) | 一种风电场发电能力评估方法及*** | |
| CN106339773B (zh) | 基于灵敏度的主动配电网分布式电源定容规划方法 | |
| CN113972665A (zh) | 一种光伏电站参与电网主动调压的无功优化控制方法 | |
| CN112906928B (zh) | 一种风电场集群有功功率预测方法及*** | |
| CN115765054A (zh) | 考虑风光无功调节的配电网分布式电源双层规划方法 | |
| CN115549118A (zh) | 配电网无功补偿设备出力平滑指数预测方法 | |
| CN107453366A (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |