CN102562469B - 基于校正算法的短期风力发电机输出功率预测方法 - Google Patents

Abstract

本发明公开了发电机输出功率管理与控制技术领域中的一种基于校正算法的短期风力发电机输出功率预测方法。包括：设定第一时间长度T₁和第二时间长度T₂；对第一时间长度T₁的数值天气预报风速历史数据进行校正；以校正后的数值天气预报历史数据为输入值，以所述数值天气预报历史数据对应的风力发电机实测输出功率为输出值，训练BP神经网络；对第二时间长度T₂的数值天气预报未来数据进行校正；将校正后的数值天气预报未来数据作为输入值输入到步骤3训练的BP神经网络中进行计算，得到的输出值即为风力发电机输出功率预测结果。本发明提高了短期风力发电机输出功率预测的准确性。

Description

基于校正算法的短期风力发电机输出功率预测方法

技术领域

本发明属于发电机输出功率管理与控制技术领域，尤其涉及一种基于校正算法的短期风力发电机输出功率预测方法。

背景技术

风电固有的随机性和间歇性使得大规模并网风电场成为电力系统安全运行的变数之一。因此，提高风电场功率的预测精度成为了电力公司和风电企业的迫切要求。运用数据校正算法，可以利用预测中的时间冗余信息，综合小波分析、模式识别和统计技术对预测数据进行处理，消除预测数据中包含的随机误差和显著误差，从而提高风电场功率预测结果的精度。

数据校正的工作主要包括显著误差检测和数据协调，显著误差检测技术的主要目的是对数据中的显著误差进行检测和识别或估算其真实值；而数据协调技术的主要目的是消除数据中随机误差，给出其协调值，并设法用已测数据对未测数据和未知参数予以估算。

显著误差检测分为基于测量残差和基于约束残差的检测方法。前者主要包括测量检验法(MT)、迭代测量检验法(IMT)、修正的迭代测量检验法(MIMT)；后者主要有整体检验法(GT)、节点检验法(NT)、广义似然法(GLR)、主元分析法(PCA)等。另外神经网络、贝叶斯法、鲁棒估计法也被引入显著误差检测技术中，其中神经网络是一种非参数模型估计的方法，只用历史数据进行模型训练，不需要建立精确的数学模型，因此避免了过程建模不准确带来的估计偏差。此外，神经网络对测量数据中的随机误差的分布不作特殊要求，处理非线性问题的能力较强，计算量小，适于在线应用。

数据协调由Kuehn和Davidson提出(Kuehn D R，Davidson H.Computercontrol II.Mathematics of control[J].Chemical Engineering Progress，1961，57(6)：44-47)，其发展经历了从稳态数据协调、动态数据协调到非线性数据协调的过程。Darouach将基于Kalman滤波的算法用于广义线性动态系统(Darouach M，Zasadzinski M.Data reconciliation in generalized linear dynamicsystems[J].AICHE J.，1991，37(2)：193-210)。Liebman等提出用非线性规划法(NLP)解决非线性约束和不等式约束的动态数据协调问题(Liebman M J，EdgarT F，Lasdon L S.Efficient data reconciliation estimation for dynamic processesusing nonlinear programming technique[J].Computers Chem Engng J，1992，16(10-11)：963-986)。Karjala等用Elman神经元网络来求解非线性的数据协调问题(Karjala T W，Himmelblau D M，Miikkulainen R.Data rectification usingrecurrent(Elman)neural networks[C].Intemational Joint Conference on NeuralNetwork，1992，2：901-906)。

在短期风电功率预测中，实测数据和数值天气预报(Numerical WeatherPrediction，NWP)是最重要的输入参数之一，也是最主要的误差源之一。对于风电场实测数据，文献(Zhiling Yang，Yongqian Liu，Chengrong Li.Interpolationof missing wind data based on ANFIS[C].Renewable Energy，2011，36(30)：993-998)提出了采用ANFIS补充缺失数据和无效数据，减小了实测数据的误差。

理论上风力发电机的输出功率可以下面的公式表达：

$P=\frac{1}{2}{C}_P\mathrm{\ρA}{v}^3---\left(1\right)$

其中，P为输出功率，单位为千瓦(KW)；C_P为风机的功率系数；ρ为空气密度，单位为千克/立方米(kg/m³)；A为风轮的扫掠面积，单位为平方米(m²)；v为风速，单位为米/秒(m/s)。同时，实际的输出功率还要受到湍流以及风机偏航装置对风向改变的滞后性的影响。

在风电功率预测中，最常用的方法是建立输出功率和风速之间的映射模型，而两者之间的分散性越小，模型越准确。如图1所示，风机的实测输出功率和实测风速之间的分散性较小，根据实测风速很容易建立输出功率和实测风速之间的映射模型。

在短期风电功率预测中，使用未来24h～72h(h为小时)的数值天气预报风速作为预测模型的输入，来预测未来24h～72h的风电输出功率。其思路是：由气象部门提供的风电场范围内24h～72h的数值天气预报服务(风速、风向等)，通过插值得到每台风机轮毂高度的24h～72h风速、风向预报值，然后根据每台风机的风速-功率曲线模型，或者人工神经网络、支持向量机等人工智能算法，映射为每台风机输出功率的预测值，最后得到整个风电场的输出功率的预测值。

其中，数值天气预报是根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描述天气演变过程的流体力学和热力学方程组，预测未来一定时段的大气运动状态和天气现象的方法。图2为数值天气预报风速与实测的风机输出功率的散点图，从该图中可以看出，由于数值天气预报风速和测风塔实测风速之间误差较大，很难从数据中准确地提炼出数值天气预报风速和风电场总输出功率之间的关系曲线。因此，需要对数值天气预报风速进行进一步的校正，减小预测误差。

数值天气预报产品来源于数值模式，是大型计算机通过数值计算，求解描写天气演变过程的流体力学和热力学方程组，作出未来一段时间内的定量和客观的预报。数值模式能给出未来大气的气压、温度、风、湿度等各种状态。但是，大气运动是一种混沌现象，在数值计算的过程中，许多难以预料的细微因素往往会影响最终的预报结果。图3显示了某风电场的某风机轮毂高度的1h平均风速的数值天气预报数据和实测数据时间序列。从图中可以看出两者之间存在着较大的误差，这也是风电功率预报的主要误差来源。

发明内容

本发明的目的在于，针对现有的短期风力发电机输出功率预测方法预测结果不准确的问题，提出一种基于校正算法的短期风力发电机输出功率预测方法。

为实现上述目的，本发明提供的技术方案是，一种基于校正算法的短期风力发电机输出功率预测方法，其特征是所述方法包括：

步骤1：设定第一时间长度T₁和第二时间长度T₂；

步骤2：对第一时间长度T₁的数值天气预报风速历史数据进行校正；

步骤3：以校正后的数值天气预报历史数据为输入值，以所述数值天气预报历史数据对应的风力发电机实测输出功率为输出值，训练BP神经网络；

步骤4：对第二时间长度T₂的数值天气预报未来数据进行校正；

步骤5：将校正后的数值天气预报未来数据作为输入值输入到步骤3训练的BP神经网络中进行计算，得到的输出值即为风力发电机输出功率预测结果。

所述对第一时间长度T₁的数值天气预报风速历史数据进行校正具体包括：

步骤101：以24小时为长度单位，将第一时间长度T₁的数值天气预报风速历史数据划分为n组；其中，

步骤102：设定第三时间长度T₃并令i＝1；

步骤103：以第i组数值天气预报风速历史数据之前的第三时间长度T₃的数值天气预报风速历史数据作为既有数值天气预报风速历史数据，以第i组数值天气预报风速历史数据之前的第三时间长度T₃所对应的实测风速历史数据作为既有实测风速历史数据；

步骤104：对既有数值天气预报风速历史数据进行小波包分解，得到m个既有数值天气预报风速历史数据子序列；对既有实测风速历史数据进行小波包分解，得到m个既有实测风速历史数据子序列；

步骤105：以既有数值天气预报风速历史数据为输入层数据，以既有实测风速历史数据为输出层数据，以第j个既有数值天气预报风速历史数据子序列和第j个既有实测风速历史数据子序列为训练样本集训练BP神经网络，得到第j个BP神经网络及其对应的隐层节点权值和阈值；其中，j＝1，2，…，m；

步骤106：将第i组数值天气预报风速历史数据记作当前数值天气预报风速历史数据，对当前数值天气预报风速历史数据进行小波包分解，得到m个当前数值天气预报风速历史数据子序列；

步骤107：将第j个当前数值天气预报风速历史数据子序列输入到第j个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值，将该输出值作为修正后的第j个当前数值天气预报风速历史数据子序列；其中，j＝1，2，…，m；

步骤108：对修正后的m个当前数值天气预报风速历史数据子序列进行小波包重构，得到校正后的当前数值天气预报风速历史数据，即校正后的第i组数值天气预报风速历史数据；

步骤109：判断i≤n是否成立，如果成立，则令i＝i+1，返回步骤103；否则，结束。

所述校正第二时间长度T₂的数值天气预报未来数据具体包括：

步骤201：以24小时为长度单位，将第二时间长度T₂的数值天气预报风速未来数据划分为n组；其中，

步骤202：设定第三时间长度T₃并令i＝1；

步骤203：以第i组数值天气预报风速未来数据之前的第三时间长度T₃的数值天气预报风速历史数据作为既有数值天气预报风速历史数据，以第i组数值天气预报风速未来数据之前的第三时间长度T₃所对应的实测风速历史数据作为既有实测风速历史数据；

步骤204：对既有数值天气预报风速历史数据进行小波包分解，得到m个既有数值天气预报风速历史数据子序列；对既有实测风速历史数据进行小波包分解，得到m个既有实测风速历史数据子序列；

步骤205：以既有数值天气预报风速历史数据为输入层数据，以既有实测风速历史数据为输出层数据，以第j个既有数值天气预报风速历史数据子序列和第j个既有实测风速历史数据子序列为训练样本集训练BP神经网络，得到第j个BP神经网络及其对应的隐层节点权值和阈值；其中，j＝1，2，…，m；

步骤206：将第i组数值天气预报风速未来数据记作当前数值天气预报风速数据，对当前数值天气预报风速数据进行小波包分解，得到m个当前数值天气预报风速数据子序列；

步骤207：将第j个当前数值天气预报风速数据子序列输入到第j个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值，将该输出值作为修正后的第j个当前数值天气预报风速数据子序列；其中，j＝1，2，…，m；

步骤208：对m个当前数值天气预报风速数据子序列进行小波包重构，得到校正后的当前数值天气预报风速数据，即校正后的第i组数值天气预报风速未来数据；

步骤209：判断i≤n是否成立，如果成立，则令i＝i+1，返回步骤203；否则，结束。

所述对既有数值天气预报风速历史数据/既有实测风速历史数据进行小波包分解，具体采用Daubechies小波对既有数值天气预报风速历史数据/既有实测风速历史数据进行三层小波包分解。

所述小波包的递归表达式为

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_n(2t-k)\\ u_{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_n(2t-k)\end{array}\right.$

其中，h_k为正交尺度函数对应的正交低通实系数滤波器，g_k为正交小波函数对应的高通滤波器，g_n＝(-1)ⁿh_n-1，n∈Z，且满足尺度方程和小波方程

$\left\{\begin{array}{c}{u}_0\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_0(2t-k)\\ u_1\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_0(2t-k)\end{array}\right.$

u₀(t)是正交尺度函数，u₁(t)是正交小波函数，t是自变量，n∈Z，k∈Z。

本发明提高了短期风力发电机输出功率预测的准确性。

附图说明

图1是2006年4月实测风速与某风机实测输出功率的散点图；

图2是2006年4月数值天气预报风速与某风机实测输出功率的散点图；

图3是2006年4月某风机轮毂高度实测风速与数值天气预报风速对比图；

图4是基于校正算法的短期风力发电机输出功率预测方法流程图；

图5是2006年4月整月的数值天气预报风速历史数据归一化数据图；

图6是小波包分解示意图；

图7是三层BP神经网络结构图；

图8是对既有数值天气预报风速历史数据和既有实测风速历史数据进行小波包分解后示意图；其中，(a)是小波包分解后的D(3，0)示意图；，(b)是小波包分解后的D(3，1)示意图；(c)是小波包分解后的D(3，2)示意图；(d)是小波包分解后的D(3，3)示意图；(e)是小波包分解后的D(3，4)示意图；(f)是小波包分解后的D(3，5)示意图；(g)是小波包分解后的D(3，6)示意图；(h)是小波包分解后的D(3，7)示意图；

图9是当前数值天气预报风速数据子序列校正前后的对比图；其中，(a)是校正前后的D(3，0)对比图；，(b)是校正前后的D(3，1)对比图；(c)是校正前后的D(3，2)对比图；(d)是校正前后的D(3，3)对比图；(e)是校正前后的D(3，4)对比图；(f)是校正前后的D(3，5)对比图；(g)是校正前后的D(3，6)对比图；(h)是校正前后的D(3，7)对比图；

图10是校正前后的数值天气预报风速未来数据与同期实测风速数据的对比图；

图11是采用校正算法和未采用校正算法的短期风力发电机输出功率预测值与风力发电机输出功率实测值的对比图。

图12是校正前后的预测输出功率和实测输出功率对比图；

图13是使用常用的预测方法和本发明的预测方法得到的输出功率与实测输出功率的对比图；

图14是根据2006年3月的数值气象预测风速、实测风速和风机实测功率数值图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图4是基于校正算法的短期风力发电机输出功率预测方法流程图。图4中，本发明提供的方法包括：

步骤1：设定第一时间长度T₁＝720小时和第二时间长度T₂＝24小时。

步骤2：对第一时间长度T₁＝720小时的数值天气预报风速历史数据进行校正。

本实施例以2006年4月整月的数值天气预报风速历史数据作为第一时间长度的数值天气预报风速历史数据并对其进行校正，如图5所示，具体过程是：

步骤101：以24小时为长度单位，将第一时间长度T₁＝720小时的数值天气预报风速历史数据划分为n组；其中，

本步骤实际上是将2006年4月整月的数值天气预报风速历史数据划分为每天一组数据。

步骤102：设定第三时间长度T₃＝720小时并令i＝1。

步骤103：以第i组数值天气预报风速历史数据之前的第三时间长度T₃＝720小时的数值天气预报风速历史数据作为既有数值天气预报风速历史数据。

对于2006年4月1日的数值天气预报风速历史数据(即第1组数值天气预报风速历史数据)，其之前的720小时的数值天气预报风速历史数据为2006年3月2日-2006年3月31日的数值天气预报风速历史数据。将2006年3月2日-2006年3月31日的数值天气预报风速历史数据作为既有数值天气预报风速历史数据。同时，以2006年3月2日-2006年3月31日的实测风速历史数据作为既有实测风速历史数据。

对于2006年4月2日的数值天气预报风速历史数据(即第2组数值天气预报风速历史数据)，其之前的720小时的数值天气预报风速历史数据为2006年3月3日-2006年4月1日的数值天气预报风速历史数据。将2006年3月3日-2006年4月1日的数值天气预报风速历史数据作为既有数值天气预报风速历史数据。同时，以2006年3月3日-2006年4月1日的实测风速历史数据作为既有实测风速历史数据。

其他组别(2006年4月其他日期)数值天气预报风速历史数据之前的第三时间长度T₃＝720小时的数值天气预报风速历史数据和实测风速历史数据以此类推。

步骤104：对既有数值天气预报风速历史数据进行小波包分解，得到m个既有数值天气预报风速历史数据子序列；对既有实测风速历史数据进行小波包分解，得到m个既有实测风速历史数据子序列。

以第i＝30组为例，即2006年4月30日的数值天气预报风速历史数据为例进行说明。其之前的720小时的数值天气预报风速历史数据为2006年3月31日-2006年4月29日的数值天气预报风速历史数据；其之前的720小时所对应的实测风速历史数据为2006年3月31日-2006年4月29日的实测风速历史数据，将其作为既有实测风速历史数据。分别对既有数值天气预报风速历史数据和既有实测风速历史数据进行小波包分解。

小波包分解具体采用Daubechies小波进行三层小波包分解。Daubechies小波系是由法国学者Daubechies提出的一系列二进制小波的总称，在Matlab中记为dbN，N为小波的序号，N值取2，3，…，10。本步骤实际是通过小波变换将信号分解成多个具有不同时间分辨率和频率分辨率的信号，从而揭示信号在不同尺度上的时域行为特征。但是由于正交小波变换只对信号的近似部分(低频部分)进行进一步分解，而对细节部分(高频部分)不再分解，因此它不能有效地处理存在大量细节特征的风速序列数据。而小波包变换可以对信号的细节部分进行更精细的分解，更适合被用于分析风速序列数据。

小波包的递归表达式为

$\left\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_n(2t-k)\\ u_{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_n(2t-k)\end{array}\right.$

其中，h_k为正交尺度函数对应的正交低通实系数滤波器，g_k为正交小波函数对应的高通滤波器，g_n＝(-1)ⁿh_n-1，n∈Z，且满足尺度方程和小波方程

$\left\{\begin{array}{c}{u}_0\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_0(2t-k)\\ u_1\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_0(2t-k)\end{array}\right.$

u₀(t)是正交尺度函数，u₁(t)是正交小波函数，t是自变量，n∈Z，k∈Z。

小波包分解过程可以用小波分解树来表示，如图6所示。图中的D(0，0)是一个原始的一维离散信号，如一个既有数值天气预报风速历史数据；D(t，k)是分解得到的子序列，t是第t层分解，k是第k+1个子序列的编号，如D(0，1)是经过第一层小波包分解后得到的第1个子序列。

既有数值天气预报风速历史数据和既有实测风速历史数据经过上述三层小波包分解后，分别得到8个既有数值天气预报风速历史数据子序列和8个既有实测风速历史数据子序列，如图8所示。

步骤105：以既有数值天气预报风速历史数据为输入层数据，以既有实测风速历史数据为输出层数据，以第j个既有数值天气预报风速历史数据子序列和第j个既有实测风速历史数据子序列为训练样本集训练BP神经网络，得到第j个BP神经网络及其对应的隐层节点权值和阈值；其中，j＝1，2，…，8。

BP神经网络的结构如图7所示。8个既有数值天气预报风速历史数据子序列和8个既有实测风速历史数据子序列一共可以训练得到8个BP神经网络及其与之对应的隐层节点权值和阈值。

在训练BP神经网络时，可以选用自适应的学习率递归调整方法来确定权值的变化率。其公式为：

其中，η(t)为学习率；E(t)为输出误差平方和，在本发明中为BP神经网络输出结果与既有既有实测风速历史数据的误差平方和。选用该方法可以避免学习率过大导致算法的不收敛或者学习率过小将导致算法收敛很慢以致于训练时间过长的问题。

步骤106：将第i组数值天气预报风速历史数据记作当前数值天气预报风速历史数据，对当前数值天气预报风速历史数据进行小波包分解，得到m个当前数值天气预报风速历史数据子序列。

由于步骤104以第i＝30组为例进行说明，因此本步骤第i＝30组数值天气预报风速历史数据即2006年4月30日的数值天气预报风速历史数据，被记作当前数值天气预报风速历史数据。对当前数值天气预报风速历史数据进行小波包分解的过程同步骤105，分解后得到8个当前数值天气预报风速历史数据子序列。

步骤107：将第j个当前数值天气预报风速历史数据子序列输入到第j个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值，将该输出值作为修正后的第j个当前数值天气预报风速历史数据子序列；其中，j＝1，2，…，8。在训练BP神经网络时，可以如步骤105那样选用自适应的学习率递归调整方法来确定权值的变化率。

8个当前数值天气预报风速历史数据子序列分别输入到8个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值。计算结果有8个输出值，这8个输出值就作为修正后的当前数值天气预报风速历史数据子序列。

步骤108：对8个当前数值天气预报风速历史数据子序列进行小波包重构，得到校正后的当前数值天气预报风速历史数据，即校正后的第i组数值天气预报风速历史数据。

小波包重构实际上是小波包分解的逆过程，目的在于将分解的子序列重组。重组后的数据即为修正后的数据。

步骤109：判断i≤n是否成立，如果成立，则令i＝i+1，返回步骤103；否则，结束。

到此，已经对2006年4月每天的数值天气预报风速历史数据进行了修正，从而得到了修正后的2006年4月的数值天气预报风速历史数据。

步骤3：以校正后的数值天气预报历史数据为输入值，以所述数值天气预报历史数据对应的风力发电机实测输出功率为输出值，训练BP神经网络。

本步骤以修正后的2006年4月的数值天气预报风速历史数据为输入值，以2006年4月的风力发电机实测输出功率为输出值，训练BP神经网络。

步骤4：对第二时间长度T₂＝24小时的数值天气预报未来数据进行校正。

以2006年5月1日的数值天气预报数据作为数值天气预报未来数据。本步骤的校正过程与步骤2类似，具体地：

步骤201：以24小时为长度单位，将第二时间长度T₂的数值天气预报风速未来数据划分为n组；其中，

步骤202：设定第三时间长度T₃＝720小时并令i＝1。

步骤203：由于本实施例只划分出1组数值天气预报风速未来数据，下面就以这组数值天气预报风速未来数据为例进行说明。

以2006年5月1日的数值天气预报风速未来数据之前的第三时间长度720小时的数值天气预报风速历史数据作为既有数值天气预报风速历史数据，即以2006年4月1日-4月30日的数值天气预报风速历史数据作为既有数值天气预报风速历史数据。

以第1组数值天气预报风速未来数据之前的第三时间长度720小时所对应的实测风速历史数据作为既有实测风速历史数据，即以2006年4月1日-4月30日的的实测风速历史数据作为既有实测风速历史数据。

步骤204：对既有数值天气预报风速历史数据进行三层Daubechies小波包分解，得到8个既有数值天气预报风速历史数据子序列；对既有实测风速历史数据进行三层Daubechies小波包分解，得到8个既有实测风速历史数据子序列。

步骤205：以既有数值天气预报风速历史数据为输入层数据，以既有实测风速历史数据为输出层数据，以第j个既有数值天气预报风速历史数据子序列和第j个既有实测风速历史数据子序列为训练样本集训练BP神经网络，得到第j个BP神经网络及其对应的隐层节点权值和阈值；其中，j＝1，2，…，8。在训练BP神经网络时，可以如步骤105那样选用自适应的学习率递归调整方法来确定权值的变化率。

步骤206：将第1组数值天气预报风速未来数据记作当前数值天气预报风速数据，对当前数值天气预报风速数据进行三层Daubechies小波包分解，得到8个当前数值天气预报风速数据子序列。

步骤207：将第j个当前数值天气预报风速数据子序列输入到第j个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值，将该输出值作为校正后的第j个当前数值天气预报风速数据子序列；其中，j＝1，2，…，8。在训练BP神经网络时，可以如步骤105那样选用自适应的学习率递归调整方法来确定权值的变化率。得到的校正后的子序列与校正前的子序列的对比图如图9所示。

步骤208：对8个当前数值天气预报风速数据子序列进行小波包重构，得到校正后的当前数值天气预报风速数据，即校正后的第1组数值天气预报风速未来数据。

步骤209：判断i≤n是否成立，如果成立，则令i＝i+1，返回步骤203；否则，结束。

到此，得到校正后的2006年5月1日数值天气预报风速未来数据。图10是校正前后的数值天气预报风速未来数据与同期实测风速数据的对比图，将校正前后的数据与同期的实测风速进行比较，其平均绝对误差下降了32.24％，均方根误差下降了38.75％。

步骤5：将校正后的数值天气预报未来数据作为输入值输入到步骤3训练的BP神经网络中进行计算，得到的输出值即为风力发电机输出功率预测结果。

由于选定的数值天气预报未来数据为2006年5月1日数值天气预报风速数据，因此本步骤得到的风力发电机输出功率预测结果为2006年5月1日的风力发电机输出功率预测结果。

图11是采用校正算法和未采用校正算法的短期风力发电机输出功率预测值与风力发电机输出功率实测值的对比图。通过比较，其平均绝对误差下降了37.85％，均方根误差下降了24.52％。

当然，本发明还可以进一步改进，与数值天气预报风速的校正相似，也可以使用实测输出功率对预测输出功率进行进一步校正。图12显示了校正前后的4月29日9时至4月30日8时的预测输出功率以及实测输出功率。通过比较，其平均绝对误差下降了40.56％，均方根误差下降了31.65％。

图13显示了直接采用数值天气预报风速数据作为输入量的BP神经网络预测模型经过训练后，得到的4月29日9时至4月30日8时的预测输出功率，以及采用了数据校正算法后的预测输出功率以及同期的实测功率。采用数据校正算法后，预测输出功率的平均绝对误差下降了63.06％，均方根误差下降了48.04％。结果显示，数据校正算法取得了良好的效果。

图14显示了根据2006年3月的数值气象预测风速、实测风速和风机实测功率，采用数据校正算法前后的3月30日9时至3月31日8时的预测输出功率和实测功率。采用数据校正算法后，预测输出功率的平均绝对误差增加了19.37％，均方根误差增加了38.35％。结果显示，采用数据校正算法反而降低了预测准确性。这是因为2006年3月的数值天气预报风速与实测风速的数据相关性为0.831353，比较准确的数值天气预报风速得到了比较准确的预测输出功率。而2006年4月的数值天气预报风速与实测风速的数据相关性为0.578375，较大的数值天气预报误差使得预测输出功率的误差也较大。这表明在数值天气预报误差较大的情况下，数值校正算法能够提高预测准确性，但是当数值天气预报误差较小的情况下，数值校正算法反而会降低预测准确性。

本发明提出了一种数据校正算法，首次将数据校正算法应用于数值天气预报风速和风电功率短期预测结果的校正。通过对中国北方某风场的2006年3月和4月的数据进行计算，结果表明：随数值天气预报风速的准确性的不同，数据校正算法的实际效果也不同。在数值天气预报误差较大的情况下，数据校正算法能够取得比较理想的效果，较好地提高了预测的准确性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于校正算法的短期风力发电机输出功率预测方法，其特征是所述方法包括：

步骤1：设定第一时间长度T₁和第二时间长度T₂；

步骤2：对第一时间长度T₁的数值天气预报风速历史数据进行校正，具体包括：

步骤101：以24小时为长度单位，将第一时间长度T₁的数值天气预报风速历史数据划分为n组；其中，

步骤102：设定第三时间长度T₃并令i＝1；

步骤103：以第i组数值天气预报风速历史数据之前的第三时间长度T₃的数值天气预报风速历史数据作为既有数值天气预报风速历史数据，以第i组数值天气预报风速历史数据之前的第三时间长度T₃所对应的实测风速历史数据作为既有实测风速历史数据；

步骤104：对既有数值天气预报风速历史数据进行小波包分解，得到m个既有数值天气预报风速历史数据子序列；对既有实测风速历史数据进行小波包分解，得到m个既有实测风速历史数据子序列；

步骤105：以既有数值天气预报风速历史数据为输入层数据，以既有实测风速历史数据为输出层数据，以第j个既有数值天气预报风速历史数据子序列和第j个既有实测风速历史数据子序列为训练样本集训练BP神经网络，得到第j个BP神经网络及其对应的隐层节点权值和阈值；其中，j＝1,2,...,m；

步骤106：将第i组数值天气预报风速历史数据记作当前数值天气预报风速历史数据，对当前数值天气预报风速历史数据进行小波包分解，得到m个当前数值天气预报风速历史数据子序列；

步骤107：将第j个当前数值天气预报风速历史数据子序列输入到第j个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值，将该输出值作为修正后的第j个当前数值天气预报风速历史数据子序列；其中，j＝1,2,...,m；

步骤108：对修正后的m个当前数值天气预报风速历史数据子序列进行小波包重构，得到校正后的当前数值天气预报风速历史数据，即校正后的第i组数值天气预报风速历史数据；

步骤109：判断i≤n是否成立，如果成立，则令i＝i+1，返回步骤103；否则，结束；

步骤3：以校正后的数值天气预报历史数据为输入值，以所述数值天气预报历史数据对应的风力发电机实测输出功率为输出值，训练BP神经网络；

步骤4：对第二时间长度T₂的数值天气预报未来数据进行校正；

步骤5：将校正后的数值天气预报未来数据作为输入值输入到步骤3训练的BP神经网络中进行计算，得到的输出值即为风力发电机输出功率预测结果。

2.根据权利要求1所述的方法，其特征是所述校正第二时间长度T₂的数值天气预报未来数据具体包括：

步骤201：以24小时为长度单位，将第二时间长度T₂的数值天气预报风速未来数据划分为n组；其中，

步骤202：设定第三时间长度T₃并令i＝1；

步骤203：以第i组数值天气预报风速未来数据之前的第三时间长度T₃的数值天气预报风速历史数据作为既有数值天气预报风速历史数据，以第i组数值天气预报风速未来数据之前的第三时间长度T₃所对应的实测风速历史数据作为既有实测风速历史数据；

步骤204：对既有数值天气预报风速历史数据进行小波包分解，得到m个既有数值天气预报风速历史数据子序列；对既有实测风速历史数据进行小波包分解，得到m个既有实测风速历史数据子序列；

步骤205：以既有数值天气预报风速历史数据为输入层数据，以既有实测风速历史数据为输出层数据，以第j个既有数值天气预报风速历史数据子序列和第j个既有实测风速历史数据子序列为训练样本集训练BP神经网络，得到第j个BP神经网络及其对应的隐层节点权值和阈值；其中，j＝1,2,...,m；

步骤206：将第i组数值天气预报风速未来数据记作当前数值天气预报风速数据，对当前数值天气预报风速数据进行小波包分解，得到m个当前数值天气预报风速数据子序列；

步骤207：将第j个当前数值天气预报风速数据子序列输入到第j个BP神经网络并利用该BP神经网络对应的隐层节点权值和阈值，计算得到该BP神经网络的输出值，将该输出值作为修正后的第j个当前数值天气预报风速数据子序列；其中，j＝1,2,...,m；

步骤208：对m个当前数值天气预报风速数据子序列进行小波包重构，得到校正后的当前数值天气预报风速数据，即校正后的第i组数值天气预报风速未来数据；

步骤209：判断i≤n是否成立，如果成立，则令i＝i+1，返回步骤203；否则，结束。

3.根据权利要求1或2所述的方法，其特征是所述对既有数值天气预报风速历史数据/既有实测风速历史数据进行小波包分解，具体采用Daubechies小波对既有数值天气预报风速历史数据/既有实测风速历史数据进行三层小波包分解。

4.根据权利要求3所述的方法，其特征是所述小波包的递归表达式为

$\{\begin{array}{c}{u}_{2n}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_n(2t-k)\\ u_{2n+1}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_n(2t-k)\end{array}$

其中，h_k为正交尺度函数对应的正交低通实系数滤波器，g_k为正交小波函数对应的高通滤波器，g_n＝(-1)ⁿh_n-1，n∈Z，且满足尺度方程和小波方程

$\{\begin{array}{c}{u}_0\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{h}_k{u}_0(2t-k)\\ u_1\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{g}_k{u}_0(2t-k)\end{array}$

u₀(t)是正交尺度函数，u₁(t)是正交小波函数，t是自变量，n∈Z，k∈Z。

Images