實時校正的自學習ARMA模型風電功率超短期預測方法技術
【技術實現步驟摘要】
實時校正的自學習ARMA模型風電功率超短期預測方法
本專利技術涉及新能源發電過程中風電功率預測
，具體地涉及一種測風網絡實時校正的自學習ARMA模型風電功率超短期預測方法。
技術介紹
我國風電進入規模化發展階段以后所產生的大型新能源基地多數位于“三北地區”(西北、東北、華北)，大型新能源基地一般遠離負荷中心，其電力需要經過長距離、高電壓輸送到負荷中心進行消納。由于風、光資源的間歇性、隨機性和波動性，導致大規模新能源基地的風電、光伏發電出力會隨之發生較大范圍的波動，進一步導致輸電網絡充電功率的波動，給電網運行安全帶來一系列問題。截至2014年4月，甘肅電網并網風電裝機容量已達707萬千瓦，約占甘肅電網總裝機容量的22%，成為僅次于火電的第二大主力電源。目前，甘肅電網風電、光伏發電裝機超過甘肅電網總裝機容量的1/3。隨著新能源并網規模的不斷提高，風電、光伏發電不確定性和不可控性給電網的安全穩定經濟運行帶來諸多問題。準確預估可利用的發電風資源是對大規模風電優化調度的基礎。對風力發電過程中的風電功率進行預測，可為新能源發電實時調度、新能源發電日前計劃、新能源發電月度計劃、新能源發電能力評估和棄風電量估計提供關鍵信息。ARMA(自回歸滑動平均模型)作為一種成熟的機器學習方法廣泛應用于風電功率超短期預測。ARMA模型由自回歸模型(AR)和滑動平均模型(MA)組成，采用對歷史功率進行自回歸運算及對白噪聲序列進行滑動平均來預測未來0-4小時內的風電出力。ARMA方法有很多優點，因此廣泛用于風電功率超短期預測，但ARMA最大的缺點就是其預測的滯后性，即當風...
【技術保護點】
一種實時校正的自學習ARMA模型風電功率超短期預測方法，其特征在于，包括輸入數據得到自回歸滑動平均模型參數；?輸入風資源監測系統數據和運行監測系統數據，并根據運行監測數據實時校正開機容量；?建立自回歸滑動平均模型從而得到風電功率超短期預測結果；?引入實時測風塔數據對風電功率超短期預測結果進行實時校正。
【技術特征摘要】
1.一種實時校正的自學習ARMA模型風電功率超短期預測方法，其特征在于，包括輸入數據得到自回歸滑動平均模型參數； 輸入風資源監測系統數據和運行監測系統數據，并根據運行監測數據實時校正開機容量; 建立自回歸滑動平均模型從而得到風電功率超短期預測結果； 引入實時測風塔數據對風電功率超短期預測結果進行實時校正。2.根據權利要求1所述的實時校正的自學習ARMA模型風電功率超短期預測方法，其特征在于，所述輸入數據得到自回歸滑動平均模型參數包括，輸入模型訓練基礎數據； 模型定階； 采用矩估計方法對定階的ARMA(p，q)模型參數進行估計。3.根據權利要求2所述的實時校正的自學習ARMA模型風電功率超短期預測方法，其特征在于，所述輸入模型訓練基礎數據，輸入數據包括，歷史風速數據和歷史功率數據。4.根據權利要求3所述的實時校正的自學習ARMA模型風電功率超短期預測方法，其特征在于，所述模型定階具體為: 采用殘差方差圖法進行模型定階，具體為設Xt為需要估計的項，xt-1； xt-2)...，xt_n為已知歷史功率序列，對于ARMA (p，q)模型，模型定階即確定模型中參數P和q的值； 用系列階數逐漸遞增的模型擬合原始序列，每次都計算殘差平方和然后畫出階數和的圖形，當階數由小增大時，σ2會顯著下降，達到真實階數后^的值會逐漸趨于平緩，甚至反而增大， CJ；=擬合誤差的平方和/ (實際觀測值個數-模型參數個數)， 實際觀測值個數指擬合模型時實際使用的觀察值項數，對于具有N個觀察值的序列，擬合AR (P)模型，則實際使用的觀察值最多為N-p，模型參數個數指所建立的模型中實際包含的參數個數，對于含有均值的模型，模型參數個數為模型階...
【專利技術屬性】
技術研發人員：汪寧渤，路亮，趙龍，張金平，黃蓉，
申請(專利權)人：國家電網公司，國網甘肅省電力公司，甘肅省電力公司風電技術中心，
類型：發明
國別省市：北京;11
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。