CN105335796A - 一种风电场输出功率爬坡事件预测的系统及方法 - Google Patents

Abstract

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。该系统由数据读取模块、实验模块、风电场输出功率爬坡事件影响因素分析模块和风电场输出功率爬坡事件预测及预警模块构成；方法包括：采集风电爬坡事件各相关参数信息，通过设计实验探究各因素对风电爬坡事件的影响方式、各因素的主次顺序、以及风电爬坡风险最高时各因素的水平组合情况；根据各因素的主次顺序，选取模型输入量，优化预测模型，大幅提高预测精度；根据风电爬坡风险最高时各因素的水平组合情况，为电力系统提供风电爬坡事件预警。本发明所提的风电爬坡时间预测系统具有普适性，能针对各个风电场分别优化其模型输入，保障其预测精度。

Description

一种风电场输出功率爬坡事件预测的系统及方法

技术领域

本发明属于风力发电及其并网的技术领域，尤其涉及一种风电场输出电功率爬坡事件预测的系统及方法。

背景技术

随着风电并网规模不断增大，风电功率的波动性对电网的冲击已不容忽视。尤其在含高比例风电的电力系统中，风电输出功率在短时间内的大幅度波动现象(即风电爬坡事件)，已严重威胁到电力系统的安全稳定运行，直接造成电网的经济损失，严重影响电力系统用发电的平衡，甚至造成大规模停电事故。为减小风电爬坡事件对电力系统稳定性的影响，提高改善风电的并网特性，及时准确地对其进行预测，进而采取相应的应对策略已成为风电场运营及电网调度工作亟需解决的问题。

目前对风电场输出功率爬坡事件的预测方法主要有两大类：间接预测法和直接预测法。其中，间接法是指首先对风电功率进行预测，基于预测结果提取爬坡事件的有关信息；直接法是指直接对爬坡率或爬坡量等爬坡信息进行预测。涉及到的风电场输出功率爬坡事件具体预测方法主要有：基于神经网络方法建立风电功率预测模型、基于支持向量机的预测方法、基于原子稀疏分解(ASD)和反向传播神经网络(BPNN)的组合预测方法等。然而，不同的预测方法在对风电场输出功率爬坡事件的预测精度上并未显现明显差异，其中一个重要原因在于：各类模型的输入量均比较单一且基本相同，忽略了气象条件、地理条件、时段及季节等特征对风电场输出功率爬坡事件的影响，更没有根据不同地区、不同风电场条件的不同调整模型的输入，因此预测结果并无显著改善。

预测模型输入量的选取是预测的重要环节，直接影响预测结果的精度。在对风电场输出功率爬坡事件预测时，应针对风电爬坡事件的主要影响因素，选取与之关系最为紧密的物理量作为预测模型的输入。已有研究表明，风电场输出功率爬坡事件的发生特征受气象条件、地理位置、地形条件、时段、季节等多个因素的共同影响，各因素之间存在交互作用，影响方式较为复杂，且不同地区、不同风电场风电爬坡事件的影响因素及因素的影响方式均有所区别。因此，到目前为止，还没有一套适用于各个地区的风电场爬坡事件影响因素分析及预测方法。

为有效提高风电场输出功率爬坡事件的预测精度，需针对风电场输出功率爬坡事件的发生特性选取最主要的影响因素作为预测模型的输入量；为使模型能够适应各个地区、各个风电场，需要提出一套适用于各个地区、各个风电场的影响因素分析方法，定量分析和确定该风电场风电爬坡事件的主要影响因素，保证风电爬坡事件在各个地区、各个风电场的预测精度。

发明内容

本发明为了提高风电的并网特性，减小风电的波动性给电网带来的冲击，提出了一种适用于各个地区、各个风电场的风电输出功率爬坡事件预测系统及方法，通过定量分析风电场各个影响因素的主次顺序，优化预测模型的输入量，实现各个气象、地理条件下风电场输出功率爬坡事件的高精度预测。该方法及系统能够实现两个功能：(1)科学优化预测模型输入量，提高风电爬坡事件的预测精度。通过对各个地区、各个风电场输出功率爬坡事件的影响因素进行定量比较，选取该风电场影响爬坡事件的最关键的几个因素，以此作为预测模型的输入，进而提高风电爬坡事件的预测精度；(2)确定各个地区、各个地形及气象条件的风电场输出功率爬坡事件的影响因素的主次顺序，各个因素的影响方式，以及风电爬坡事件风险最高时各因素的水平等级组合情况，进而为电网提供预警。

本发明提出了一种风电场输出功率爬坡事件的预测系统，其特征在于，该系统由四个主要模块构成：数据读取模块、实验模块、风电场输出功率爬坡事件影响因素分析模块及风电场输出功率爬坡事件预测及预警模块；其中，实验模块包括：实验指标确定模块、因素选取及水平等级划分模块、实验设计模块及实验实施模块；风电场输出功率爬坡事件影响因素分析模块包括：影响因素优水平分析模块、影响因素排序模块、最高爬坡风险情景确定模块及重点影响因素分析模块；风电场输出功率爬坡事件预测及预警模块包括：爬坡事件预测模块和爬坡事件预警模块。在本系统中数据读取模块作为实验指标确定模块和因素选取及水平等级划分模块的输入，实验指标确定模块和因素选取及水平等级划分模块的输出连接到实验设计模块，实验设计模块作为实验实施模块的输入，实验实施模块作为影响因素优水平分析模块、影响因素排序模块和最高爬坡风险情景确定模块三个模块的输入；影响因素优水平分析模块和影响因素排序模块作为重点影响因素分析模块的输入；最高爬坡风险情景确定模块和重点影响因素分析模块同时作为爬坡事件预警模块的输入；影响因素排序模块作为爬坡事件预测模块的输入。

需要说明的是，以上各模块之间的连接关系表示逻辑上的连接，而不仅限于物理上的连接。

所述数据读取模块用于提取参数信息，通过对原始数据进行验证和订正，得到一系列等时间间隔的参数的时间序列，作为系统的样本时间序列；

所述实验模块用于确定各种因素对风电场输出功率爬坡事件的影响；

所述实验指标确定模块用于确定实验结果的衡量指标，该指标根据具体研究目标选定为与风电爬坡事件相关的任一指标；

所述因素选取及水平等级划分模块用于选择所要分析的风电爬坡事件影响因素，并根据其数值大小对每个影响因素进行水平等级划分；

所述实验设计模块用于正交实验表的设计；正交实验表的行表示各个因素，既包括影响因素本身，也包括因素间的交互作用，即因素之间的联合搭配对实验结果指标产生的影响；正交表的列表示实验序号，表中的其余数字表示每次实验中各个因素所处的水平等级；

所述实验实施模块用于按照实验设计模块设定的实验方案实施实验，并统计每次实验的实验结果；

所述影响因素优水平分析模块用于分析各个因素的单独作用对风电爬坡事件的影响。所述影响因素优水平是指：单独考虑某个因素对风电爬坡事件的作用时，风电爬坡事件风险最大时对应的该影响因素的水平等级；

所述影响因素排序模块用于定量比较不同影响因素对风电爬坡事件的影响程度，确定因素的主次顺序；

所述最高爬坡风险情景确定模块用于确定在风电爬坡风险最大时对应的各因素的水平等级组合情况；

所述重点影响因素分析模块用于分析实验中重点关注的某几个影响因素对实验指标的影响；

所述爬坡事件预警模块用于为电网调度人员提供风电场输出功率爬坡事件的警报；

所述爬坡事件预测模块用于对风电场输出功率爬坡事件进行超短期、短期及中长期的预测。

一种风电场输出电功率爬坡事件预测的方法，其特征在于，它包括以下步骤：

步骤1：提取风电场的实测输出功率数据，以及与风电爬坡事件相关的其他数据信息，对原始数据进行验证和订正，作为样本时间序列；

步骤2：根据具体研究目标，选取与风电爬坡事件的某个特性指标作为实验指标。选取影响该实验指标的各个影响因素，并对其进行水平等级划分；

步骤3：根据选取的各因素两两交互来设计正交实验表，如表1(以三因素二水平等级的正交实验为例，实验中因素个数及水平数根据具体研究需要选定)，按照正交表安排实验，并统计每次实验的实验结果；

步骤4：根据实验结果，分析各个因素对风电爬坡事件的影响，确定因素优水平和主次顺序，并确定最易导致爬坡事件发生的因素组合情况。所述影响因素优水平是指：单独考虑某个因素对风电爬坡事件的影响作用时，风电爬坡事件风险最大时对应的该影响因素的水平等级；

步骤5：对实验中的重点关注的某些因素进行重点分析，分别讨论在其他因素的各个水平等级下，重点因素对风电爬坡事件的影响方式，以及风电爬坡风险最高时各重点因素的水平等级组合情况。

步骤6：根据步骤4及步骤5中所确定的风电场输出功率爬坡事件风险最高时各因素的水平等级组合情况，为电网调度人员提供风电场输出功率爬坡事件的预警；

步骤7：根据步骤4中所确定的因素的主次顺序，选取最主要的几个影响因素作为风电爬坡事件预测模型的输入(所选取的因素个数依据具体采用的预测模型的需要确定)，对未来风电场输出功率的爬坡风险进行超短期、短期或中长期的预测。

所述步骤1中数据验证是指提取数据信息，去除漏测的数据；数据订正是指利用代数差值法对挑选出来的数据进行订正，形成等时间步长的时间序列，具体方法如下：

以实测的风电场输出功率p为例， $p\left(t\right)=\frac{t-t_2}{t_1-t_2}p\left(t_1\right)+\frac{t-t_1}{t_2-t_1}p\left(t_2\right)$

其中，t为待订正的数据点，p(t)为修正后的风电场输出功率，t₁为待订正点前相邻最近的有效数据观测点，t₂为待订正点后相邻最近的有效数据观测点，且t₁<t<t₂，p(t₁)为t₁对应的风电场输出功率的实测值，p(t₂)为t₂对应的风电场输出功率的实测值。

所述步骤2中实验指标为与风电功率爬坡风险相关的任意一个参数，包括爬坡事件发生概率，爬坡持续时间，爬坡幅度，根据具体研究目标及研究需要确定。

所述步骤2中的影响因素选为能影响到该风电场输出功率爬坡事件的所有因素，该因素及因素个数的选取随不同地理位置、不同风电场而有所差异。

所述步骤3中正交实验表的行表示各个因素，既包括因素本身的作用，也包括因素间的交互作用(即因素之间的联合搭配对指标产生的影响)；正交表的列表示实验序号，表中的其余数字表示每次实验中各个因素所处的水平等级；在设计正交实验表中，因素A、B间的交互作用记作A×B，为1级交互作用，因素A、B、C之间的交互作用记作A×B×C，为2级交互作用，由于2级及2级以上交互作用小，故实验中只考虑1级交互作用；对于独立因素(A、B、C…)所在的列需遵循两个原则：(1)每列中不同数字出现的次数是相等的；(2)在任意两列中，将同一行的两个数字看成有序数对时，每种数对出现的次数是相等的。

表1三因素二水平等级正交表

所述步骤4的具体步骤为：

步骤401、因素优水平的确定：设K_jm为因素j的第m水平等级所对应的所有实验指标之和，为因素j的第m水平等级所对应的所有实验指标的平均值；比较该因素在不同水平等级下的大小，最大的值所对应的水平等级m即为因素j的优水平；

步骤402、因素影响程度的排序：R_j为因素j在各水平等级下的的极差， $R_j=max({\stackrel{\&OverBar;}{K}}_{j1},{\stackrel{\&OverBar;}{K}}_{j2},...{\stackrel{\&OverBar;}{K}}_{jm}...)-min({\stackrel{\&OverBar;}{K}}_{j1},{\stackrel{\&OverBar;}{K}}_{j2},...{\stackrel{\&OverBar;}{K}}_{jm}...);$ R_j反映了因素j的水平等级变动时实验指标带来的影响大小；R_j越大，该因素对实验指标的影响就越大。R_j的大小顺序即为风电爬坡事件影响因素的主次顺序；

步骤403、最大风电爬坡风险情景的确定：根据步骤401及步骤402中所确定的各因素的主次顺序及优水平，从主到次确定各因素的水平等级，该水平等级组合情况即为风电爬坡事件风险最大时各因素的组合情景。

所述步骤5的具体步骤为：

步骤501、“重要因素”的选定：在所分析的所有因素中，将重点关注的几个因素设定为“重要因素”，其他因素设为“一般因素”；

步骤502、在一般因素的不同水平等级下，分别分析各个重要因素对风电场输出功率爬坡事件的影响，包括各因素的优水平以及风电场输出功率爬坡事件风险最大时各个重要因素的水平等级组合情况。

所述步骤6的具体步骤为：

步骤601、提取各影响因素的预测信息，作为风电场输出功率爬坡事件预警系统的输入；

步骤602、当各因素的预测值所处的水平等级与步骤403及步骤502所确定的最大爬坡风险情景一致时，向电力系统发出爬坡事件预警信号(其中，步骤403确定的情景要比步骤502确定的情景更严重，故应发出更强的预警信号)；(最大爬坡风险情景是指风电爬坡风险最大时对应的各因素的水平等级的组合，而不是水平值的组合。)

所述步骤7的具体步骤为：

步骤701、预测模型输入量的选定：根据步骤402确定的因素的主次顺序，选取影响程预测模型的需要确定)，对实验指标进行预测(该指标为风电爬坡事件发生概率，风电爬坡率，风电爬坡事件持续时间，风电爬坡事件变化幅度等与风电爬坡事件相关的任一指标)。风电场输出功率爬坡事件预测模型的备选模型包括：BP神经网络模型、GA-BP预测模型、RBF神经网络模型、SVM支持向量机模型、RVM相关向量机模型、混沌模型、物理预测模型，以及上述模型的改进及衍生模型等，在进行预测时，根据预测的风电爬坡事件指标以及当地的风资源等具体情况选择其中的一个进行单独预测或几个进行组合预测；

步骤702、风电场输出功率爬坡风险的预测：

对于单独预测方法，直接将该模型的预测结果作为最终的风电场输出功率爬坡事件指标的预测结果；

对于组合预测方法，首先确定所选取的i个模型的权重：w₁，w₂，w₃…w_i；结合预测模型的权重对i个预测模型的预测结果进行线性组合，得到最终的爬坡风险预测值y_(x)，其具体表达式为：

y(x)＝w₁×y₁(x)+w₂×y₂(x)+w₃×y₃(x)+…+w_i×y_i(x)

其中，y_(x)为风电场输出功率爬坡事件的发生概率，爬坡率，爬坡幅度，爬坡持续时间等任意某个与风电场输出功率爬坡事件风险相关的特征指标，y_1(x)，y_2(x)，y_3(x)…y_{i (x)}分别为选取的i个模型对该指标的预测结果。

有益效果

1.优化预测模型的输入，大幅度提高风电爬坡事件的预测精度

一方面，突破传统风电场输出功率爬坡事件预测方法输入量单一的局限性，通过定量比较分析风电场输出功率爬坡事件各个影响因素的主次顺序，选取与风电爬坡事件联系最为紧密的几个因素，作为风电场输出功率爬坡事件预测模型的输入，大幅度提高其预测精度。

2.扩大预测模型输入量的备选范围，提高预测模型输入量的科学性

在比较和筛选风电场输出功率爬坡事件的重要影响因素、为风电爬坡事件预测模型选取最合适的输入量时，不仅考虑了各个因素本身对风电场输出功率爬坡事件的影响，同时也考虑了因素之间的交互作用对风电爬坡事件的影响(即两个或多个因素同时作用时，对风电爬坡事件带来的新的影响)。事实证明，因素间交互作用对风电爬坡事件的影响不容忽略，本发明所提方法不仅扩大了预测模型输入量的备选范围，更有效降低了交互作用的忽略给预测结果带来的误差，显著提高了预测模型输入量的科学性。

3.提供了一种适用于各个地区、各个风电场的输出功率爬坡事件分析及预测方法，

不同风电场输出功率爬坡事件的影响因素不同，各因素的影响方式也不同，本发明提出的风电场输出功率爬坡事件的分析及预测方法具有普适性，不受地域的限制。能够针对每一地区、每一个风电场，综合分析该风电场的各个潜在影响因素对风电爬坡事件的影响程度，确定主要因素，进而对各个地区、各个风电场的输出功率爬坡事件进行科学有效的预测。

4.实现了对风电场输出功率爬坡事件多角度的分析和预测

在本发明所提出的风电场爬坡事件分析及预测方法中，根据具体的研究目标和研究需要在实验设计阶段选取不同的实验指标，实验指标与风电爬坡事件相关的任意物理量(风电场输出功率爬坡率、爬坡持续时间、爬坡幅度、爬坡事件发生概率等)。从而对风电场输出功率爬坡事件的多个特性指标进行描述和分析，并针对不同特性指标，实现从不同角度对风电场输出功率爬坡事件的不同方面进行预测。

5.为电网提供风电场输出功率爬坡事件的预警

通过对风电场输出功率爬坡事件影响因素主次顺序的确定及各自影响方式的分析，能够确定风电场输出功率爬坡风险最高时各主要因素的水平等级组合情形，进而在各因素的预测值所处水平等级与上述水平等级一致时，为电网调度人员及时地提供风电爬坡事件的预警。

6.实现了对风电场爬坡事件影响因素及其内在作用机理的研究

将实验分析的基本理论运用于时间序列的特征提取及分析：把每一个含有风电场输出功率爬坡事件信息及相关影响因素信息的时间点当成是一个实验，把每个时间点的影响因素信息看作为实验条件，把每个时间点的风电爬坡事件信息看作实验的结果。运用实验分析的方法挖掘时间序列的内在特征，实现了对风电场爬坡事件影响因素及其作用机理的研究。

附图说明

图1为本发明提出的风电场输出功率爬坡事件预测系统框图；

图2为本发明提出的风电场输出功率爬坡事件预测的方法流程图。

具体实施方式

本发明提供一种风电场输出功率爬坡事件预测的方法及系统，以下结合附图和具体实施例对本发明详细说明。

图1为本发明提出的一种风电场输出电功率爬坡事件预测方法的系统框图；该系统由主要由数据读取模块、实验模块、风电场输出功率爬坡事件影响因素分析模块及风电场输出功率爬坡事件预测及预警模块构成；其中，实验模块包含：实验指标确定模块、因素选取及水平等级划分模块、实验设计模块及实验实施模块；风电场输出功率爬坡事件影响因素分析模块包含：影响因素优水平分析模块、影响因素排序模块、最高爬坡风险情景确定模块及重点影响因素分析模块；风电场输出功率爬坡事件预测及预警模块包含：爬坡事件预测模块和爬坡事件预警模块。在该种风电场输出功率爬坡事件预测的系统中，数据读取模块作为实验指标确定模块和因素选取及水平等级划分模块的输入，实验指标确定模块和因素选取及水平等级划分模块的输出连接到实验设计模块，实验设计模块作为实验实施模块的输入，实验实施模块作为影响因素优水平分析模块、影响因素排序模块和最高爬坡风险情景确定模块三个模块的输入；影响因素优水平分析模块和影响因素排序模块作为重点影响因素分析模块的输入；最高爬坡风险情景确定模块和重点影响因素分析模块同时作为爬坡事件预警模块的输入；影响因素排序模块作为爬坡事件预测模块的输入。

需要说明的是，以上各模块之间的连接关系表示逻辑上的连接，而不仅限于物理上的连接。

图2为本发明提出的风电场输出功率爬坡事件预测的方法流程图，该方法流程以图1所示的系统结构为基础。以下结合第一实施例对该方法的具体过程进行详细说明：

所述方法包括以下步骤(以第一实施例为例)：

步骤1、通过对该地区的气象、地形条件进行分析，该风电场输出功率爬坡事件的发生主要受风速、风向及时段的影响，故提取时间间隔为5分钟连续一年的风电场实测输出功率数据以及风速、风向的时间序列；通过对原始数据进行验证和订正，得到一系列等时间间隔的风电场输出功率及风速、风向的时间序列，作为输入样本时间序列。

步骤101、数据验证：读取风电场的实测输出功率数据及风速、风向数据，挑选出不合理的数据以及漏测的数据；

步骤102、数据订正：利用代数差值法对步骤11中挑选出来的数据进行订正，形成等时间步长的序列，具体方法如下：

$p\left(t\right)=\frac{t-t_2}{t_1-t_2}p\left(t_1\right)+\frac{t-t_1}{t_2-t_1}p\left(t_2\right)$

其中，t为待订正的数据点，p(t)为修正后的风电场输出功率，t₁和t₂为待订正点前后相邻最近的有效数据观测点，且t₁<t<t₂，p(t₁)和p(t₂)分别为t₁和t₂对应的风电场输出功率的实测值。

$v\left(t\right)=\frac{t-t_2}{t_1-t_2}v\left(t_1\right)+\frac{t-t_1}{t_2-t_1}v\left(t_2\right)$

其中，t为待订正的数据点，v(t)为修正后的风速值，t₁和t₂为待订正点前后相邻最近的有效数据观测点，且t₁<t<t₂，v(t₁)和v(t₂)分别为t₁和t₂对应的历史风速值。

其中，t为待订正的数据点，为修正后的风向值，t₁和t₂为待订正点前后相邻最近的有效数据观测点，且t₁<t<t₂，和分别为t₁和t₂对应的风向值。

步骤2、根据研究目标确定与风电爬坡事件有关的实验指标，选取影响实验指标的影响因素，并对各因素进行水平等级划分；

步骤201、实验指标的确定：在本实施例中，选取该风电场风电爬坡事件的发生概率作为实验指标。

步骤202、影响因素的选取以及各水平等级的划分：在本实施例中，选取风速、风向和一天中的时段作为实验分析的影响因素，并将其根据数值大小各划分为四个水平等级，划分方式如表2所示。(本实验中，风速的划分原则是让分布在每个水平等级的样本容量尽可能相同；风向及时段则分别按方向和时间来均匀划分。)

表2影响因素及水平等级的划分

步骤3、设计正交实验表，按照正交表安排实验，并统计每次实验的风电爬坡事件发生概率；

步骤301：正交实验表设计：在实验设计中，主要分析的爬坡事件影响因素有：风速(A)、风向(B)、时段(C)、风速与风向的交互作用(A×B)、风速与时段的交互作用(A×C)及风向与时段的交互作用(B×C)；由于高级交互作用小，故风速、风向及时段间的二级交互作用(A×B×C)在本实验中不予考虑。

正交表的列表示实验序号，表中的其余数字表示每次实验中各个因素所处的水平等级。

对于风速、风向及时段这三个独立因素所在的列(A、B、C)，需要遵循两个原则：(1)每列中不同数字出现的次数是相等的；(2)在任意两列中，将同一行的两个数字看成有序数对时，每种数对出现的次数是相等的。在实验设计中，交互作用一律当作因素看待，但用于考察交互作用的列不影响实验方案及其实施。

对于交互作用所在的列(A×B、A×C、B×C)，其水平等级数通过独立因素的水平等级相乘计算得到。例如，当A处于1水平等级、B处于2水平等级时，A与B的交互作用(A×B)应处于2水平等级(1×2)。

步骤302、按照正交表安排实验，并统计每次实验的实验指标，即风电场输出功率爬坡事件的发生概率；具体方法如下：

在每次实验中，统计总样本序列中各影响因素分布在该次实验对应水平等级下的的样本数量n_i。并统计在该样本中风电爬坡事件的发生次数e_i，爬坡事件的判定定义如下：

若风电场输出功率在时间间隔Δt内的变化量大于设定的阈值Pt_hreshold，即

|P(t+Δt)-P(t)|>P_threshold(1)

则认为发生了爬坡事件。(在爬坡事件的定义中，Δt及Pt_hreshold的选取没有硬性要求，根据具体研究而设定)

在本实施例中，Δt选为30分钟，Pt_hreshold选为风电场装机容量的20％，即40MW(该风电场装机容量为200MW)。

根据样本数量n_i及风电爬坡事件的发生次数e_i，计算第i次实验的实验结果即爬坡事件的发生概率p_i：

$p_i=\frac{e_i}{n_i}---\left(2\right)$

步骤4、影响因素分析，根据实验结果，统计及R_j值，分析风速、风向、时段三个因素及其交互作用对风电爬坡事件发生概率的影响。其计算结果如表3所示。

表3爬坡事件的正交实验

步骤401、因素优水平的确定：设K_jm为因素j的第m水平等级所对应的所有实验指标之和，为因素j的第m水平等级所对应的所有实验指标的平均值；比较因素j在不同水平等级下的大小，最大的值所对应的水平等级m即为因素j的优水平；

如表3所示，风速、风向、时段、风速与风向的交互作用、风速与时段的交互作用及风向与时段的交互作用的优水平分别为：4、1、4、16、16、16。即当风速处于4水平等级(7～21m/s)、风向处于1水平等级(北风)、时段处于4水平等级(18：00～24：00)、风速与风向的交互作用处于16水平等级、风速与时段的交互作用处于16水平等级及风向与时段的交互作用处于16水平等级时，风电爬坡事件发生风险最高。

步骤402、由于上述因素的优水平并不能同时满足，故需要进行因素影响程度的排序；设R_j为第j列因素各水平等级下的极差：

$R_j=max({\stackrel{\&OverBar;}{K}}_{j1},{\stackrel{\&OverBar;}{K}}_{j2},...{\stackrel{\&OverBar;}{K}}_{jm}...)-min({\stackrel{\&OverBar;}{K}}_{j1},{\stackrel{\&OverBar;}{K}}_{j2},...{\stackrel{\&OverBar;}{K}}_{jm}...)$

R_j反映了因素j水平等级的变动对实验指标的影响。R_j越大，该因素对实验指标的影响就越大。R_j的大小顺序，即为风电爬坡事件影响因素的主次顺序。

如表3所示，各因素按其影响程度的排序依次为：A×C>A×B>A>B×C>B>C。即，风速与时间的交互作用是影响爬坡事件的最大因素，风速与风向的交互作用次之，风速再次，…，时间对爬坡事件的影响程度最小。

步骤403、最大爬坡风险情景的确定：根据步骤401及步骤402中所确定的各因素的主次顺序及优水平，从主到次确定各因素的水平等级，该水平等级组合情况即为风电爬坡风险最大时对应的因素水平等级组合情况。

由于各因素的主次顺序为：A×C>A×B>A>B×C>B>C。由于风速与时间交互作用的优水平为16，且风速与时间的均只有四个水平等级(1～4)，因此在最优组合中，风速与时间的水平等级均取4。又由于风速与风向交互作用的优水平也为16，故风向水平等级也为4。综上所述，最易导致爬坡事件发生的风速-风向-时间的水平等级组合为4-4-4。即，在风速7～21m/s，西风向，18:00～24:00的情况下，最容易导致爬坡事件的发生。

需要注意的是，风向的优水平为1(由表3所示)，但在最优组合中，其水平等级取为4。这是因为风速与风向之间存在交互作用，且该作用对爬坡事件的影响程度明显大于风向对爬坡事件的影响。

步骤5、重点因素分析：选取风速(因素A)及风向(因素B)作为重点分析的“重要因素”，时段(因素C)作为“一般因素”。分别讨论在一天中的不同时段中，风速和风向对风电爬坡事件的影响(即分析在一般因素的各个水平等级下，重要因素对风电爬坡事件的影响)。

步骤501、选定风速(因素A)及风向(因素B)作为重点分析的“重要因素”。

步骤502、分别讨论在一天中的不同时段中，风速和风向对风电爬坡事件的影响(一般因素的各个水平等级下，重要因素对风电爬坡事件的影响)，包括各个时段中，风速及风向的优水平，以及风电爬坡风险最大时“风速——风向”的水平等级组合情况。

具体来讲，由于风速、风向及时段三个因素按其影响程度的排序依次为：A×C>A×B>A>B×C>B>C。且上述因素的优水平分别为：16、16、4、16、1、4。当时段取水平等级1时，A×C的水平等级值只能取1～4，在1～4中，4为最优水平，故A的水平等级值取4(4/1＝4)。因此，A×B的水平等级值取4、8、12、16，其中16为最优水平，故B的水平等级值取为4。即在0:00～6:00的时段下，风电爬坡事件发生概率最大的风速、风向组合情况为7～21m/s——西风向。

用同样的方法计算其他时段中，风电爬坡风险最大时对应的“风速——风向”水平等级组合情况，其结果如表4所示。

表4不同时段中最易触发爬坡事件的风速——风向组合情况

结果表示：在一天各个时短中，各类型的爬坡事件基本均在风速为4水平等级(7～21m/s)及风向为4水平等级(西风向)的条件下发生概率最大。

步骤6：根据步骤4及步骤5所确定的最易导致爬坡事件发生的因素组合情况，为电网调度人员提供风电场输出功率爬坡事件的预警；

步骤601、提取各影响因素的预测信息，作为风电场输出功率爬坡事件预警系统的输入；

步骤602、当各因素的预测值所处的等级与步骤403及步骤502所确定的最大爬坡风险情景一致时(分别为：风速7～21m/s——西风——18:00～24:00和风速7～21m/s——西风)，向电力系统发出爬坡事件预警信号；其中，步骤403确定的情景要比步骤502确定的情景更严重，故应发出更强的预警信号；(最大爬坡风险情景是指风电爬坡风险最大时对应的各因素的水平等级的组合，而不是水平值的组合。)

步骤7：根据步骤4中所确定的因素的主次顺序，对未来的风电场输出功率爬坡风险进行超短期、短期或中长期的预测。

步骤701、预测模型输入量的选定：根据步骤402确定的因素的主次顺序，选取影响程度最大的几个因素(风速与时段的交互作用、风速与风向的交互作用、风速)，将其作为风电场输出功率爬坡事件预测模型的输入，对实验指标进行预测。

步骤702、本实施例选取SVM支持向量机、RBP神经网络模型及BP神经网络模型三种预测模型进行组合预测，其权重值w₁，w₂，w₃由灰色关联度理论确定；(风电场输出功率爬坡事件预测模型的备选模型包括：BP神经网络模型、GA-BP预测模型、RBF神经网络模型、SVM支持向量机模型、RVM相关向量机模型、混沌模型、物理预测模型，以及上述模型的改进及衍生模型等。在进行预测时，根据预测的风电爬坡事件指标以及当地的风资源等具体情况选择其中的一个进行单独预测或几个进行组合预测，而不仅限于本实施例中的方法)(权重值的确定根据选取的模型采用最适的方法确定，而不限于本实施例中的灰色关联度及最优模型确定方法。)

根据三个单独预测模型的预测结果及权重系数，对其进行线性组合，并得到最终的预测结果：

y(x)＝w₁×y₁(x)+w₂×y₂(x)+w₃×y₃(x))

本算例中，y(x)为风电场输出功率爬坡事件的爬坡率，y1(x)，y2(x)，y3(x)分别为SVM支持向量机、RBP神经网络模型及BP神经网络模型三种预测模型预测的结果，。

根据预测结果，诊断未来可能发生爬坡事件的时间点，并与实际值进行对比分析，以检测该预测方法及系统的可行性，结果如表5所示。

表5风电场输出功率爬坡事件预测结果分析

由表5：

正确率： $\frac{478+94698}{478+985+1880+94698}\&times;100\%=97.08\%$

多余预报率： $\frac{1880}{478+985+1880+94698}\&times;100\%=1.92\%$

遗漏率： $\frac{985}{478+985+1880+94698}\&times;100\%=1.00\%$

结果表明，本发明能够准确地预测未来风电场输出功率的爬坡事件，且系统运行高效、简便，具有良好的工程应用前景。通过综合考虑风电爬坡事件的各个影响因素，定量分析其影响程度，确定因素的主次顺序，选取最适的预测模型输入量，优化了风电场输出功率爬坡事件预测模型，进而显著提高风电爬坡事件的预测精度；通过分析风电场各个影响因素的优水平，以及风电爬坡事件风险最高时对应的各因素水平等级组合情形，能及时为电网提供预警；需要强调的是，本发明所提的风电场输出功率爬坡事件分析及预测方法不受地域条件的限制，具有普适性，能够分析为各个地区的风电爬坡事件的主要因素，为各个风电场的爬坡事件预测模型选取最合适的输入量，保证该预测系统在任意地区、任意风电场的预测精度。

Claims (8)

1.一种风电场输出电功率爬坡事件预测的系统，其特征在于，在本系统中数据读取模块作为实验指标确定模块和因素选取及水平等级划分模块的输入，实验指标确定模块和因素选取及水平等级划分模块的输出连接到实验设计模块，实验设计模块作为实验实施模块的输入，实验实施模块作为影响因素优水平分析模块、影响因素排序模块和最高爬坡风险情景确定模块三个模块的输入，影响因素优水平分析模块和影响因素排序模块作为重点影响因素分析模块的输入，最高爬坡风险情景确定模块及重点影响因素分析模块同时作为爬坡事件预警模块的输入，影响因素排序模块作为爬坡事件预测模块的输入；

所述影响因素优水平是指单独考虑某个因素对风电爬坡事件的影响作用时，风电爬坡事件风险最大时对应的该影响因素的水平等级；

所述数据读取模块用于提取参数信息，通过对原始数据进行验证和订正，得到一系列等时间间隔的参数的时间序列，作为系统的样本时间序列；

所述实验指标确定模块用于根据研究目标确定实验结果的衡量指标；

所述因素选取及水平等级划分模块用于选择所要分析的风电爬坡事件影响因素，并根据其数值大小对每个影响因素进行水平等级划分；

所述实验设计模块用于正交实验表的设计；正交实验表的行表示各个因素，既包括影响因素本身，也包括因素间的交互作用，即因素之间的联合搭配对实验结果指标产生的影响；正交表的列表示实验序号；表中的其余数字表示每次实验中各个因素所处的水平等级；

所述实验实施模块用于按照实验设计模块设定的实验方案实施实验，并统计每次实验的实验结果；

所述影响因素优水平分析模块用于分析各个因素的单独作用对风电爬坡事件的影响；

所述影响因素排序模块用于定量比较不同影响因素对风电爬坡事件的影响程度，确定各因素的主次顺序；

所述最高爬坡风险情景确定模块用于确定在风电爬坡风险最大时，各因素的水平等级组合情况；

所述重点影响因素分析模块用于分析实验中重点关注的某几个影响因素对实验指标的影响；

所述爬坡事件预警模块用于为电网提供风电场输出功率爬坡事件的警报；

所述爬坡事件预测模块用于对风电场输出功率爬坡事件进行超短期、短期及中长期的预测。

2.一种风电场输出电功率爬坡事件预测的方法，其特征在于，它包括以下步骤：

步骤1：提取风电场的实测输出功率数据，以及与风电爬坡事件相关的其他数据信息，对原始数据进行验证和订正，作为样本时间序列；

步骤2：根据具体研究目标，选取风电爬坡事件的某个特性指标作为实验指标；选取影响该实验指标的影响因素，并对其进行水平等级划分；

步骤3：设计正交实验表，按照正交表安排实验，并统计每次实验的结果指标；

步骤4：根据实验结果，分析各个因素对风电爬坡事件的影响，确定因素优水平和主次顺序，并确定最易导致爬坡事件发生的因素组合情况；所述影响因素优水平是指单独考虑某个因素对风电爬坡事件的影响作用时，风电爬坡事件风险最大时对应的该影响因素的水平等级；

步骤5：对实验中的重点关注的某些因素进行重点分析，分别讨论在其他因素的各个水平等级下，重点因素对风电爬坡事件的影响方式，以及风电爬坡风险最高时各重点因素的水平等级组合情况；

步骤6：根据步骤4及步骤5中所确定的最易导致爬坡事件发生的因素组合情况，为电网调度人员提供风电场输出功率爬坡事件的预警；

步骤7：根据步骤4中所确定的因素的主次顺序，选取最主要的几个影响因素作为风电爬坡事件预测模型的输入，所选取的因素个数依据具体采用的预测模型的需要确定，对未来风电场输出功率的爬坡风险进行超短期、短期或中长期的预测。

3.根据权利要求2所述的一种风电场输出电功率爬坡事件预测的方法，其特征在于，所述步骤1中数据验证是指提取数据信息，去除漏测的数据；数据订正是指利用代数差值法对挑选出来的数据进行订正，形成等时间步长的时间序列，具体方法如下：

以风电场实测输出功率p为例， $p\left(t\right)=\frac{t-t_2}{t_1-t_2}p\left(t_1\right)+\frac{t-t_1}{t_2-t_1}p\left(t_2\right)$

其中，t为待订正的数据点，p(t)为修正后的风电场输出功率，t₁为待订正点前相邻最近的有效数据观测点，t₂为待订正点后相邻最近的有效数据观测点，且t₁<t<t₂，p(t₁)为t₁对应的风电场实测功率值，p(t₂)为t₂对应的风电场输出功率的实测值。

4.根据权利要求2所述的一种风电场输出电功率爬坡事件预测的方法，其特征在于，所述步骤2中实验指标为与风电功率爬坡风险相关的参数，包括爬坡概率，爬坡持续时间，爬坡幅度，根据具体研究目标确定。

5.根据权利要求2所述的一种风电场输出电功率爬坡事件预测的方法，其特征在于，所述步骤2中的影响因素为能影响该地区风电场输出功率爬坡事件的因素，因素及因素的个数根据具体风电场的气象、地理条件做具体判断。

6.根据权利要求2所述的一种风电场输出电功率爬坡事件预测的方法，其特征在于，所述步骤3中正交实验表的行表示各个因素，既包括因素本身，也包括因素间的交互作用，即因素之间的联合搭配对指标产生的影响；正交表的列表示实验序号，表中的其余数字表示每次实验中各个因素所处的水平等级；在设计正交实验表中，因素A、B间的交互作用记作A×B，为1级交互作用，因素A、B、C之间的交互作用记作A×B×C，为2级交互作用，由于2级及2级以上交互作用小，故实验中只考虑1级交互作用；对于独立因素所在的列需遵循两个原则：每列中不同数字出现的次数是相等的；在任意两列中，将同一行的两个数字看成有序数对时，每种数对出现的次数是相等的。

7.根据权利要求2所述的一种风电场输出电功率爬坡事件预测的方法，其特征在于，所述步骤4的具体步骤为：

步骤401、因素优水平的确定：设K_jm为因素j的第m水平等级所对应的所有实验指标和，为因素j的第m水平等级所对应的所有实验指标的平均指标值；比较该因素不同水平等级下的大小，最大的值所对应的水平等级m即为因素j的优水平；

步骤402、因素影响程度的排序：R_j为因素j在各水平等级下的极差， $R_j=max({\stackrel{\&OverBar;}{K}}_{j1},{\stackrel{\&OverBar;}{K}}_{j2},...{\stackrel{\&OverBar;}{K}}_{jm})-min({\stackrel{\&OverBar;}{K}}_{j1},{\stackrel{\&OverBar;}{K}}_{j2},...{\stackrel{\&OverBar;}{K}}_{jm});$ R_j反映了因素j的水平等级变动对实验指标造成的影响；R_j越大，该因素对实验指标的影响就越大，R_j的大小顺序，即为风电爬坡事件影响因素的主次顺序；

步骤403、最大爬坡风险情景的确定：根据步骤401及步骤402中所确定的各因素的主次顺序及优水平，从主到次确定各因素的水平等级，该水平等级组合情况即为最易导致爬坡事件发生的因素组合情形。

8.根据权利要求7所述的一种风电场输出电功率爬坡事件预测的方法，其特征在于，所述步骤7的具体步骤为：

步骤701、预测模型输入量的选定：根据步骤402确定的影响因素的主次顺序，选取影响程度最大的几个因素，将其作为风电场输出功率爬坡事件预测模型的输入，因素的个数由具体预测模型的需要确定，对实验指标进行预测，该指标为与风电爬坡事件相关的风电爬坡事件发生概率，风电爬坡率，风电爬坡事件持续时间，风电爬坡事件变化幅度中的任一指标；风电场输出功率爬坡事件预测模型的备选模型包括：BP神经网络模型、GA-BP预测模型、RBF神经网络模型、SVM支持向量机模型、RVM相关向量机模型、混沌模型、物理预测模型；在进行预测时，根据预测的风电爬坡事件指标以及当地的风资源等具体情况选择其中的一个模型进行单独预测或几个模型进行组合预测；

步骤702、风电场输出功率爬坡风险的预测：

对于单独预测方法，该模型的预测结果即为最终预测结果；

对于组合预测方法，首先确定所选取的i个模型的权重：w₁，w₂，w₃…w_i；结合预测模型的权重对i个预测模型的预测结果进行线性组合，得到最终的爬坡风险预测值y(x)，其具体表达式为：

y(x)＝w₁×y₁(x)+w₂×y₂(x)+w₃×y₃(x)+…+w_i×y_i(x)

其中，y(x)为风电场输出功率爬坡事件的发生概率，爬坡率，爬坡幅度，爬坡持续时间等风电场输出功率爬坡事件的特征指标，y₁(x)，y₂(x)，y₃(x)…y_i(x)分别为选取的i个模型对该指标的预测结果。