CN104239979B - 一种风电场发电功率超短期预测方法 - Google Patents

Abstract

本发明公开了一种风电场发电功率超短期预测方法，包括以下步骤：A）获取风电场的实测功率数据和短期预测功率数据；B）对获取的数据进行数据预处理；C）根据预处理后的风电场的实测功率数据和短期预测功率数据，利用基于预测时间长度的风电场发电功率超短期预测模型得到风电场的超短期预测功率；D）根据风电场的超短期预测功率，确定风电场发电功率超短期预测模型的最佳预测时间长度；E）基于最佳预测时间长度的风电场发电功率超短期预测模型进行风电场的超短期功率预测。本发明优化调整电网实时调度计划，统筹安排常规能源和风力发电的协调配合，减少电力系统旋转备用容量，降低运行成本，具有良好的应用前景。

Description

一种风电场发电功率超短期预测方法

技术领域

本发明属于风电功率预测技术领域，具体涉及一种风电场发电功率超短期预测方法。

背景技术

在当今全球化石能源日益紧缺、环境污染日益恶化等压力下，合理开发可再生能源，提高能源的利用率，是解决我国经济和社会快速发展过程中日益凸显的能源需求增长与能源紧缺、能源利用与环境保护之间矛盾的必然选择。风能作为一种可再生绿色清洁能源，逐渐受到各国青睐，风力发电得到快速发展。但由于风力发电天然具有的间歇性、波动性和周期性等特点，风力发电并网给整个电网的安全稳定经济运行造成了巨大的影响。因此，开展风电场发电功率预测技术的研究至关重要，对风电场发电功率进行较为准确的预测，一方面有助于电力调度部门提前了解风电场发电功率变化，优化调整电网实时调度计划，统筹安排常规能源和风力发电的协调配合；另一方面有助于电力系统减少旋转备用容量，降低运行成本。由于风电场发电功率超短期预测结果直接影响着电网实时调度计划的优化调整，因此，亟需开展风电场发电功率超短期预测技术的研究，因为其能够有效减轻风力发电并网对整个电网的不利影响，提高电力系统中的风电装机比例。

根据分类标准的不同，风电场发电功率预测有多种分类方法，按照预测时间尺度的不同，可分为短期预测(预测未来0～72小时或更长时间)、超短期预测(预测未来0～4小时)；按照预测模型对象的不同，可分为基于风速预测的间接法、基于功率预测的直接法；按照预测模型原理的不同，可分为统计方法、物理方法、统计与物理相结合的方法。

风电场发电功率超短期预测是指对风电场未来0～4小时的发电功率进行预测，时间分辨率为15分钟，其主要采用数理统计法，数理统计法是对风电场所在地测风塔的历史观测数据和周边气象台站的历史观测数据进行分析，根据实际需要选择逐步回归法、时间序列法、BP神经网络法等方法进行风力预测建模试验，最后选取预测效果较好的一种风力预测模型。

现有的风电场发电功率超短期预测多采用单一数据源单种预测方法对风电场未来0～4小时的发电功率进行预测，个别也有采用多种预测方法组合预测，但都是将多种预测方法串联，依次对单一数据源进行处理，在实际工程应用中，一旦出现输入数据源暂时中断的情况，就会导致该时刻的预测失败，影响风电场发电功率超短期预测的精度，从而影响整个电网的安全稳定经济运行，甚至造成了巨大的安全隐患。

发明内容

本发明的目的是克服现有的风电场发电功率超短期预测，一旦出现输入数据源暂时中断的情况，就会导致该时刻的预测失败，影响风电场发电功率超短期预测的精度的问题。本发明的风电场发电功率超短期预测方法，旨在为电力调度部门依据风电场发电功率超短期预测结果提前了解风电场发电功率变化，优化调整电网实时调度计划，统筹安排常规能源和风力发电的协调配合，减少电力系统旋转备用容量，降低运行成本，保证整个电网的安全稳定经济运行，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种风电场发电功率超短期预测方法，其特征在于：包括以下步骤，

步骤(A)，获取风电场的实测功率数据和短期预测功率数据；

步骤(B)，对步骤(A)获取的风电场的实测功率数据和短期预测功率数据进行数据预处理；

步骤(C)，根据预处理后的风电场的实测功率数据和短期预测功率数据，利用基于预测时间长度的风电场发电功率超短期预测模型得到风电场的超短期预测功率；

步骤(D)，根据步骤(C)得到的风电场的超短期预测功率，确定风电场发电功率超短期预测模型的最佳预测时间长度；

步骤(E)，基于最佳预测时间长度的风电场发电功率超短期预测模型进行风电场的超短期功率预测。

前述的一种风电场发电功率超短期预测方法，其特征在于：步骤(A)，获取风电场的实测功率数据和短期预测功率数据的方法，包括以下步骤，

(A1)，从发报时刻t_i开始向前依次获取风电场t_i-1T、t_i-2T、…、t_i-mT时刻对应的实测功率数据F₁、F₂、…、F_m，令集合F_s＝{F₁,F₂,…,F_m}；

(A2)，从发报时刻t_i开始向前依次获取风电场t_i-1T、t_i-2T、…、t_i-mT时刻对应的短期预测功率数据P₁、P₂、…、P_m，令集合P_s＝{P₁,P₂,…,P_m}；

(A3)，从发报时刻t_i开始向后依次获取风电场t_i+1T、t_i+2T、…、t_i+kT时刻对应的短期预测功率数据P₁₁、P₂₁、…、P_k1，令集合P_j＝{P₁₁,P₂₁,…,P_k1}；

其中，i、m、k均为正整数，k≥4*60/T，T为时间分辨率，单位为分钟。

前述的一种风电场发电功率超短期预测方法，其特征在于：步骤(B)，对获取的风电场的实测功率数据和短期预测功率数据进行数据预处理的方法，包括以下步骤，

(B1)，对风电场实测功率数据集合F_s进行数据预处理，

(1)若风电场在某一时刻的实测功率数据F_s超过风电场的装机容量Cap，则将风电场该时刻的实测功率数据以装机容量代替，F_s>Cap，则F_s＝Cap，其中，s∈[1,m]，Cap为风电场装机容量；

(2)若风电场某一时刻的实测功率数据F_s为负数且大于负数γ，则将F_s以零代替，γ<F_s<0，则F_s＝0，其中，γ∈[-0.01*Cap，0)；

(3)若风电场某一时刻的实测功率数据F_s小于γ，则该时刻的实测功率数据F_s无效，该时刻的实测功率数据为无效标志数据，其中，γ∈[-0.01*Cap，0)；

(4)通过(1)-(3)数据预处理后得到风电场实测功率数据集合为F′_s＝{F′₁,F′₂,…,F′_m}；

(B2)，对风电场的短期预测功率数据集合P_s进行数据预处理，

(1)若风电场某一时刻的短期预测功率数据P_s超过风电场的装机容量Cap，则将风电场该时刻的短期预测功率数据以装机容量代替，P_s>Cap，则P_s＝Cap，其中，s∈[1,m]，Cap为风电场装机容量；

(2)若风电场某一时刻的短期预测功率数据为负数，则风电场该时刻的短期预测功率数据无效，该时刻的短期预测功率数据为无效标志数据；

(3)通过(1)-(2)数据预处理后得到风电场的短期预测功率数据集合为P′_s＝{P′₁,P′₂,…,P′_m}；

(B3)，对风电场的短期预测功率数据集合P_j进行数据预处理，

(1)若风电场某一时刻的短期预测功率数据P_j超过风电场的装机容量Cap，则将风电场该时刻的短期预测功率数据以装机容量代替，P_j>Cap，则P_j＝Cap，其中，j∈[1,k]，Cap为风电场装机容量；

(2)若风电场某一时刻的短期预测功率数据为负数，则将风电场该时刻的短期预测功率数据以前一时刻的短期预测功率数据代替，若P_j<0，则P_j＝P_j-1；

(3)通过(1)-(2)数据预处理后得到风电场的短期预测功率数据集合为P′_j＝{P′₁₁,P′₂₁,…,P′_k1}。

前述的一种风电场发电功率超短期预测方法，其特征在于：步骤(C)，利用基于预测时间长度的风电场发电功率超短期预测模型得到风电场的超短期预测功率的方法，包括以下步骤，

(C1)从预处理后的实测功率数据集合F′_s、短期预测功率数据集合P′_s中选取距离发报时刻t_i最近的同一时刻t_b的一组有效的实测功率数据和短期预测功率数据，作为计算预报时刻超短期预测功率的基准时刻t_b数据，基准时刻实测功率与短期预测功率的差值，采用公式(1)得到，

δ(t_i)＝P_b-F_b (1)

其中，δ(t_i)为发报时刻t_i所选取的基准时刻t_b风电场的实测功率与短期预测功率的差值，P_b为基准时刻的风电场的短期预测功率数据，Fb为基准时刻的风电场的实测功率数据；

(C2)预测时间长度为ρ，单位为小时，时间分辨率为T，单位为分钟，则预报时刻t_j的权重系数，采用公式(2)计算得到，

其中，为相对于发报时刻t_i的第j个预报时刻t_j的权重系数，j为正整数，j∈[i+1,i+k]；预测时间长度ρ为正整数，ρ≥4，保证超短期风电功率预测能够预测未来0～4小时的风电发电功率；

(C3)根据预处理后的短期预测功率数据集合P′_j，基于预测时间长度ρ，建立预报时刻t_j的风电场发电功率超短期预测模型为公式(3)所示，

其中，为风电场相对于发报时刻t_i的第j个预报时刻的超短期预测功率，P′_j为预处理后的风电场第j个预报时刻的短期预测功率；

(C4)根据基于预测时间长度的风电场发电功率超短期预测模型，选取不同的预测时间长度ρ，并计算每种预测时间长度的超短期ρ*60/T各点的预测功率。

前述的一种风电场发电功率超短期预测方法，其特征在于：步骤(D)，确定风电场发电功率超短期预测模型的最佳预测时间长度的方法，包括以下步骤，

(D1)，针对每种预测时间长度，根据公式(4)，分别计算评估时间内其风电场发电功率超短期预测各点的均方根误差；

其中，RMSE^j为每次发报时刻第j个点的均方根误差，n*60/T为评估时间段内点的个数，n为小时数，T为时间分辨率，Cap为风电场装机容量，F_i+j为相对于发报时刻t_i的第i+j个点的风电场的实测功率；

(D2)，根据公式(5)，分别对每种预测时间长度的风电场发电功率超短期预测前4个小时内各点的均方根误差累加求和，

其中，为测时间长度为ρ时，风电场发电功率超短期预测前4个小时内各点均方根误差之和，N＝4*60/T；

(D3)，选择均方根误差之和最小时对应的预测时间长度为最佳预测时间长度。

本发明的有益效果是：本发明的风电场发电功率超短期预测方法，存在以下优点，

1)通过对风电场风力发电过程中的超短期功率进行预测，能够为电力调度部门依据风电场发电功率超短期预测结果提前了解风电场发电功率变化，优化调整电网实时调度计划，统筹安排常规能源和风力发电的协调配合，减少电力系统旋转备用容量，降低运行成本；

2)通过比较不同预测时间长度的风电场发电功率超短期预测模型得到的风电场超短期预测功率结果，建立基于最佳预测时间长度的风电场发电功率超短期预测模型，有效提高了风电场发电功率超短期预测的精度，保证整个电网的安全稳定经济运行，具有良好的应用前景。

附图说明

图1是本发明的风电场发电功率超短期预测方法的流程图。

图2是本发明基于预测时间长度的风电场发电功率超短期预测模型得到风电场的超短期预测功率的流程图。

图3是本发明一实施例的风电场发电功率超短期预测16个点的均方根误差之和的对比图。

图4是本发明一实施例的超短期预测第1个点的功率与实测功率的对比曲线图。

图5是本发明一实施例的超短期预测第16个点的功率与实测功率的对比曲线图。

具体实施方式

下面将结合说明书附图，对本发明作进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的风电场发电功率超短期预测方法，包括以下步骤，

步骤(A)，获取风电场的实测功率数据和短期预测功率数据，获取方法为，

(A1)，从发报时刻t_i开始向前依次获取风电场t_i-1T、t_i-2T、…、t_i-mT时刻对应的实测功率数据F₁、F₂、…、F_m，令集合F_s＝{F₁,F₂,…,F_m}；

(A2)，从发报时刻t_i开始向前依次获取风电场t_i-1T、t_i-2T、…、t_i-mT时刻对应的短期预测功率数据P₁、P₂、…、P_m，令集合P_s＝{P₁,P₂,…,P_m}；

(A3)，从发报时刻t_i开始向后依次获取风电场t_i+1T、t_i+2T、…、t_i+kT时刻对应的短期预测功率数据P₁₁、P₂₁、…、P_k1，令集合P_j＝{P₁₁,P₂₁,…,P_k1}；

其中，i、m、k均为正整数，k≥4*60/T，T为时间分辨率，单位为分钟；

步骤(B)，对步骤(A)获取的风电场的实测功率数据和短期预测功率数据进行数据预处理，预处理过程为，

(B1)，对风电场实测功率数据集合F_s进行数据预处理，

(1)若风电场在某一时刻的实测功率数据F_s超过风电场的装机容量Cap，则将风电场该时刻的实测功率数据以装机容量代替，F_s>Cap，则F_s＝Cap，其中，s∈[1,m]，Cap为风电场装机容量；

(2)若风电场某一时刻的实测功率数据F_s为负数且大于负数γ，则将F_s以零代替，γ<F_s<0，则F_s＝0，其中，γ∈[-0.01*Cap，0)；

(3)若风电场某一时刻的实测功率数据F_s小于γ，则该时刻的实测功率数据F_s无效，该时刻的实测功率数据为无效标志数据其中，γ∈[-0.01*Cap，0)；

(4)通过(1)-(3)数据预处理后得到风电场实测功率数据集合为F′_s＝{F′₁,F′₂,…,F′_m}；

(B2)，对风电场的短期预测功率数据集合P_s进行数据预处理，

(1)若风电场某一时刻的短期预测功率数据P_s超过风电场的装机容量Cap，则将风电场该时刻的短期预测功率数据以装机容量代替，P_s>Cap，则P_s＝Cap，其中，s∈[1,m]，Cap为风电场装机容量；

(2)若风电场某一时刻的短期预测功率数据为负数，则风电场该时刻的短期预测功率数据无效，该时刻的短期预测功率数据为无效标志数据；

(3)通过(1)-(2)数据预处理后得到风电场的短期预测功率数据集合为P′_s＝{P′₁',P′₂,…,P′_m}；

(B3)，对风电场的短期预测功率数据集合P_j进行数据预处理，

(1)若风电场某一时刻的短期预测功率数据P_j超过风电场的装机容量Cap，则将风电场该时刻的短期预测功率数据以装机容量代替，P_j>Cap，则P_j＝Cap，其中，j∈[1,k]，Cap为风电场装机容量；

(2)若风电场某一时刻的短期预测功率数据为负数，则将风电场该时刻的短期预测功率数据以前一时刻的短期预测功率数据代替，若P_j<0，则P_j＝P_j-1；

(3)通过(1)-(2)数据预处理后得到风电场的短期预测功率数据集合为P′_j＝{P′₁₁,P′₂₁,…,P′_k1}；

步骤(C)，根据预处理后的风电场的实测功率数据和短期预测功率数据，利用基于预测时间长度的风电场发电功率超短期预测模型得到风电场的超短期预测功率，具体过程为，如图2所示，

(C1)从预处理后的实测功率数据集合F′_s、短期预测功率数据集合P′_s中选取距离发报时刻t_i最近的同一时刻t_b的一组有效的实测功率数据和短期预测功率数据，作为计算预报时刻超短期预测功率的基准时刻t_b数据，基准时刻实测功率与短期预测功率的差值，采用公式(1)得到，

δ(t_i)＝P_b-F_b (1)

其中，δ(t_i)为发报时刻t_i所选取的基准时刻t_b风电场的实测功率与短期预测功率的差值，P_b为基准时刻的风电场的短期预测功率数据，Fb为基准时刻的风电场的实测功率数据；

(C2)预测时间长度为ρ，单位为小时，时间分辨率为T，单位为分钟，则预报时刻t_j的权重系数，采用公式(2)计算得到，

其中，为相对于发报时刻t_i的第j个预报时刻t_j的权重系数，j为正整数，j∈[i+1,i+k]；预测时间长度ρ为正整数，ρ≥4，保证超短期风电功率预测能够预测未来0～4小时的风电发电功率；

(C3)根据预处理后的短期预测功率数据集合P′_j，基于预测时间长度ρ，建立预报时刻t_j的风电场发电功率超短期预测模型为公式(3)所示，

其中，为风电场相对于发报时刻t_i的第j个预报时刻的超短期预测功率，P′_j为预处理后的风电场第j个预报时刻的短期预测功率；

(C4)根据基于预测时间长度的风电场发电功率超短期预测模型，选取不同的预测时间长度ρ，并计算每种预测时间长度的超短期ρ*60/T各点的预测功率；

步骤(D)，根据步骤(C)得到的风电场的超短期预测功率，确定风电场发电功率超短期预测模型的最佳预测时间长度，确定过程为，

(D1)，针对每种预测时间长度，根据公式(4)，分别计算评估时间内其风电场发电功率超短期预测各点的均方根误差；

其中，RMSE^j为每次发报时刻第j个点的均方根误差，n*60/T为评估时间段内点的个数，n为小时数，T为时间分辨率，Cap为风电场装机容量，F_i+j为相对于发报时刻t_i的第i+j个点的风电场的实测功率；

(D2)，根据公式(5)，分别对每种预测时间长度的风电场发电功率超短期预测前4个小时内各点的均方根误差累加求和，

其中，为测时间长度为ρ时，风电场发电功率超短期预测前4个小时内各点均方根误差之和，N为点的数量，N＝4*60/T；

(D3)，选择均方根误差之和最小时对应的预测时间长度为最佳预测时间长度；

步骤(E)，基于最佳预测时间长度的风电场发电功率超短期预测模型进行风电场的超短期功率预测。

下面以具体实施例对本发明的风电场发电功率超短期预测方法作进一步说明，

在山东地区某风电场的实际应用案例如下，该风电场装机容量Cap为148.3MW，采集2013年4月26日至5月13日共18天的实测功率数据及对应时刻的短期预测功率数据15分钟的平均值作为样本数据，共1728个；经步骤2数据预处理后剔除无效标志数据，得到新的有效数据，共1536个；从新的有效数据中选择后13天共1248个数据作为选择最佳预测时间长度的训练样本集，给定预测时间长度ρ∈[4,14]，统计得到采用本发明方法的每种预测时间长度的风电场发

电功率超短期预测16个点的均方根误差及均方根误差之和，如表1所示，

表1 不同预测时间长度的超短期预测16个点的均方根误差比较

如图3所示，为本发明优选实施例的风电场发电功率超短期预测16个点的均方根误差之和的对比图，从表1和图3不难得出，当预测时间长度为9h时，风电场发电功率超短期预测16个点的均方根误差之和最小，因此，选择ρ＝9h作为风电场发电功率超短期预测模型的最佳预测时间长度。

以5月14日的有效实测功率数据及对应时刻的有效短期预测功率数据作为验证数据，每15分钟预测一次，N＝4*60/15＝16，每次预测风电场未来4小时16个点的超短期功率，利用验证数据，基于最佳预测时间长度的风电场发电功率超短期预测模型得到该风电场2014年5月14日超短期16个点的预测功率。如图4及图5为本发明优选实施例的风电场2014年5月14日超短期预测功率与实测功率的对比曲线图；其中图4为超短期预测第1个点的功率与实测功率的对比曲线图；图5为超短期预测第16个点的功率与实测功率的对比曲线图，可见预测模型具有良好的预测精度。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (1)

1.一种风电场发电功率超短期预测方法，其特征在于：包括以下步骤，

步骤(A)，获取风电场的实测功率数据和短期预测功率数据，包括以下步骤，

(A1)，从发报时刻t_i开始向前依次获取风电场t_i-1T、t_i-2T、…、t_i-mT时刻对应的实测功率数据F₁、F₂、…、F_m，风电场实测功率数据集合为{F₁,F₂,…,F_m}；

(A2)，从发报时刻t_i开始向前依次获取风电场t_i-1T、t_i-2T、…、t_i-mT时刻对应的短期预测功率数据P₁、P₂、…、P_m，风电场的第一短期预测功率数据集合为{P₁,P₂,…,P_m}；

(A3)，从发报时刻t_i开始向后依次获取风电场t_i+1T、t_i+2T、…、t_i+kT时刻对应的短期预测功率数据P₁₁、P₂₁、…、P_k1，风电场的第二短期预测功率数据集合为{P₁₁,P₂₁,…,P_k1}；

其中，i、m、k均为正整数，k≥4*60/T，T为时间分辨率，单位为分钟；

步骤(B)，对步骤(A)获取的风电场的实测功率数据和短期预测功率数据进行数据预处理，包括以下步骤，

(B1)，对风电场实测功率数据集合进行数据预处理，

(1)若风电场在某一时刻的实测功率数据F_s超过风电场的装机容量Cap，则将风电场该时刻的实测功率数据以装机容量代替，F_s>Cap，则F_s＝Cap，其中，s∈[1,m]，Cap为风电场装机容量；

(2)若风电场某一时刻的实测功率数据F_s为负数且大于负数γ，则将F_s以零代替，γ<F_s<0，则F_s＝0，其中，γ∈[-0.01*Cap，0)；

(3)若风电场某一时刻的实测功率数据F_s小于γ，则该时刻的实测功率数据F_s无效，该时刻的实测功率数据为无效标志数据，其中，γ∈[-0.01*Cap，0)；

(4)通过(1)-(3)数据预处理后，得到预处理后的风电场实测功率数据集合为{F′₁,F′₂,…,F′_m}；

(B2)，对风电场的第一短期预测功率数据集合进行数据预处理，

(1)若风电场某一时刻的短期预测功率数据P_s超过风电场的装机容量Cap，则将风电场该时刻的短期预测功率数据以装机容量代替，P_s>Cap，则P_s＝Cap，其中，s∈[1,m]，Cap为风电场装机容量；

(2)若风电场某一时刻的短期预测功率数据为负数，则风电场该时刻的短期预测功率数据无效，该时刻的短期预测功率数据为无效标志数据；

(3)通过(1)-(2)数据预处理后，得到预处理后的风电场的第一短期预测功率数据集合为{P′₁,P′₂,…,P′_m}；

(B3)，对风电场的第二短期预测功率数据集合进行数据预处理，

(1)若风电场某一时刻的短期预测功率数据P_j超过风电场的装机容量Cap，则将风电场该时刻的短期预测功率数据以装机容量代替，P_j>Cap，则P_j＝Cap，其中，j∈[1,k]，Cap为风电场装机容量；

(2)若风电场某一时刻的短期预测功率数据为负数，则将风电场该时刻的短期预测功率数据以前一时刻的短期预测功率数据代替，若P_j<0，则P_j＝P_j-1；

(3)通过(1)-(2)数据预处理后，得到预处理后的风电场的第二短期预测功率数据集合为{P′₁₁,P′₂₁,…,P′_k1}；

步骤(C)，根据预处理后的风电场的实测功率数据和短期预测功率数据，利用基于预测时间长度的风电场发电功率超短期预测模型得到风电场的超短期预测功率，包括以下步骤，

(C1)从预处理后的风电场实测功率数据集合、预处理后的风电场的第一短期预测功率数据集合中选取距离发报时刻t_i最近的同一时刻t_b的一组有效的实测功率数据和短期预测功率数据，作为计算预报时刻超短期预测功率的基准时刻t_b数据，基准时刻实测功率与短期预测功率的差值，采用公式(1)得到，

δ(t_i)＝P_b-F_b (1)

其中，δ(t_i)为发报时刻t_i所选取的基准时刻t_b风电场的实测功率与短期预测功率的差值，P_b为基准时刻的风电场的短期预测功率数据，F_b为基准时刻的风电场的实测功率数据；

(C2)预测时间长度为ρ，单位为小时，时间分辨率为T，单位为分钟，则预报时刻t_j的权重系数，采用公式(2)计算得到，

<mrow> <msubsup> <mi>&amp;lambda;</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <mfrac> <mrow> <mi>&amp;rho;</mi> <mfrac> <mn>60</mn> <mi>T</mi> </mfrac> <mo>-</mo> <mfrac> <mrow> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>t</mi> <mi>b</mi> </msub> </mrow> <mi>T</mi> </mfrac> </mrow> <mrow> <mi>&amp;rho;</mi> <mfrac> <mn>60</mn> <mi>T</mi> </mfrac> </mrow> </mfrac> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>t</mi> <mi>b</mi> </msub> </mrow> <mrow> <mn>60</mn> <mi>&amp;rho;</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

其中，为相对于发报时刻t_i的第j个预报时刻t_j的权重系数，j为正整数，j∈[i+1,i+k]；预测时间长度ρ为正整数，ρ≥4，保证超短期风电功率预测能够预测未来0～4小时的风电发电功率；

(C3)根据预处理后的风电场的第二短期预测功率数据集合，基于预测时间长度ρ，建立预报时刻t_j的风电场发电功率超短期预测模型为公式(3)所示，

<mrow> <msubsup> <mi>U</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mi>j</mi> <mo>&amp;prime;</mo> </msubsup> <mo>-</mo> <msubsup> <mi>&amp;lambda;</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mi>&amp;delta;</mi> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

其中，为风电场相对于发报时刻t_i的第j个预报时刻的超短期预测功率，P′_j为预处理后的风电场第j个预报时刻的短期预测功率；

(C4)根据基于预测时间长度的风电场发电功率超短期预测模型，选取不同的预测时间长度ρ，并计算每种预测时间长度的超短期ρ*60/T各点的预测功率

步骤(D)，根据步骤(C)得到的风电场的超短期预测功率，确定风电场发电功率超短期预测模型的最佳预测时间长度，包括以下步骤，

(D1)，针对每种预测时间长度，根据公式(4)，分别计算评估时间内其风电场发电功率超短期预测各点的均方根误差；

<mrow> <msup> <mi>RMSE</mi> <mi>j</mi> </msup> <mo>=</mo> <msqrt> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mfrac> <mn>60</mn> <mi>T</mi> </mfrac> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>-</mo> <msub> <mi>F</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>n</mi> <mfrac> <mn>60</mn> <mi>T</mi> </mfrac> <mi>C</mi> <mi>a</mi> <mi>p</mi> </mrow> </mfrac> </msqrt> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

其中，RMSE^j为每次发报时刻第j个点的均方根误差，n*60/T为评估时间段内点的个数，n为小时数，T为时间分辨率，Cap为风电场装机容量，F_i+j为相对于发报时刻t_i的第i+j个点的风电场的实测功率；

(D2)，根据公式(5)，分别对每种预测时间长度的风电场发电功率超短期预测前4个小时内各点的均方根误差累加求和，

<mrow> <msubsup> <mi>Sum</mi> <mrow> <mi>R</mi> <mi>M</mi> <mi>S</mi> <mi>E</mi> </mrow> <mi>&amp;rho;</mi> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mi>RMSE</mi> <mi>j</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

其中，为测时间长度为ρ时，风电场发电功率超短期预测前4个小时内各点均方根误差之和，N＝4*60/T；

(D3)，选择均方根误差之和最小时对应的预测时间长度为最佳预测时间长度；

步骤(E)，基于最佳预测时间长度的风电场发电功率超短期预测模型进行风电场的超短期功率预测。