一种风电场输出功率爬坡事件预测的系统及方法

摘要

本发明属于风力发电的技术领域，尤其涉及一种风电场输出功率爬坡事件预测的系统及方法。该系统由数据预处理模块、小波变换模块、子信号预测模块和爬坡事件判定模块构成。方法包括：基于风电场历史输出功率数据，计算风电爬坡时间序列；利用小波变换技术对原始风电功率爬坡序列进行分解，对分解后得到的子信号重新整合为若干新的子信号；利用时间序列模型对新的子信号进行预测；基于各子信号的预测结果判定风电爬坡事件的发生情况。本发明所提的风电爬坡事件预测系统能同时实现风电爬坡事件预测的高全面性和高准确性，且运算简便，能为电力系统运行调度提供重要参考信息。

主权项

一种风电场输出功率爬坡事件的预测系统，其特征在于，该系统由数据预处理模块、小波变换模块、子信号预测模块及爬坡事件判定模块构成；其中，数据预处理模块作为小波变换模块的输入，小波变换模块的输出连接到子信号预测模块，子信号预测模块作为爬坡事件判定模块的输入；所述数据预处理模块包括：数据读取模块和爬坡序列计算模块；用于风电功率信息的提取、验证和订正，以及输出功率爬坡量序列的计算；所述数据读取模块用于提取风电功率信息，以及对原始数据进行验证和订正；所述爬坡序列计算模块是依据数据读取模块中得到的风电功率序列，计算风电功率爬坡序列，作为样本时间序列；所述小波变换模块包括：小波分解模块和子小波信号整合模块；用于将数据预处理模块得到的原始风电功率爬坡序列转换为若干子信号的时间序列；所述小波分解模块基于小波变换技术，将数据预处理模块得到的原始风电功率爬坡序列进行l层分解，得到l+1个子信号，包含1个大约信号和l个细节信号；所述子小波信号整合模块用于将小波分解模块得到的l个细节信号重构为s个新的信号，由此将小波分解模块得到的l+1个子信号整合为s+1个新的子信号：E₁(t)，E₂(t)…E_s(t)及A_l(t)，s≤l；其整合方式根据具体案例选定；所述子信号预测模块包括：时间序列预测模块和分辨率转换模块；用于对小波变换模块得到的子信号进行预测；所述时间序列预测模块对小波变换模块中得到的s+1个子信号E₁(t)，E₂(t)…E_s(t)及A_l(t)分别进行时间序列预测，即基于时间序列模型依据其历史值预测其未来值；时间序列模型包括自回归模型AR，滑动平均模型MA，自回归滑动平均模型ARMA，有外源输入的自回归滑动平均模型ARMAX，求和自回归滑动平均模型ARIMA，马尔科夫模型，混沌时间序列模型，门限自回归模型TAR，向量自回归模型VAR，自回归条件异方差模型ARCH，广义自回归条件异方差模型GARCH，均值广义自回归条件异方差模型GARCH‑M，分整型广义自回归条件异方差模型FIGARCH，分整自回归移动平均模型ARFIMA；其预测原则是，在满足捕获率的前提下，追求其最大准确率；所述分辨率转换模块用于将时间序列预测模块得到的各子信号的预测序列通过求每相邻n个预测值的最大值的方式，转化为n倍时间间隔的新时间序列；所述爬坡事件判定模块是依据子信号预测模块得到的各子信号的预测信息对未来爬坡事件的发生情况进行判定，其判定方式如下：若超过一个子信号的预测值在时刻t超过其设定阈值，则认为在t时刻有爬坡事件发生。