CN102570449B - 一种基于时空分布特性的区域风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于时空分布特性的区域风电功率预测方法，解决整个区域的风电功率预测问题，特别是当单一风电场功率无法预测时的区域风电功率预测问题。本发明旨在为电网调度提供更为可靠的数据，进一步提高风电接入电力系统的能力，包括划分子区域、选择基准风电场、预测基准风电场功率和建立子区域风电功率预测模型等步骤。本发明与风电场具体采用的预测方法无关，可以与各种风电场预测模型相结合，具有较强的通用性和工程实用性。采用本发明方法预测的区域风电功率其预测精度比单纯直接相加的方法预测精度更高，更能满足调度的需求。

Description

一种基于时空分布特性的区域风电功率预测方法

技术领域

本发明属于风电功率预测领域，尤其涉及一个地区内所有风电场出力之和的预测方法。

背景技术

由于风能蕴量巨大、分布广泛、清洁、无污染，目前风力发电已经在全球范围内得到快速发展。但由于风能随机性和波动性的特点，风电大规模接入将对电力系统产生巨大的影响，因此有必要对接入系统的风电功率进行预测。

考虑到各个风电场的装机容量不同，地理分布有差异，直接预测区域内所有风电场功率之和可以平滑各个风电场的输出，使预测结果更准确。对于调度人员而言，根据整个调度区域内的整体预测功率安排运行方式更为实用。我国预测区域内风电场出力之和，多采用将各个风电场预测值直接相加的方法。

但随着风电装机容量的增加，以及风电场数量的增多，为减少投资降低成本，部分风电场未安装在线监控系统，或者未从数值天气预报(Numerical Weather Prediction-NWP)服务商处购买天气预报数据。另外在实际运行过程中，经常出现部分风电场NWP数据丢失的现象。此时均无法利用通常的预测方法进行风电场功率预测，也无法预测整个区域内的风电出力。

因此有必要研究区域风电功率的预测方法。所谓的区域风电功率预测是指利用一个地区内有限个风电场的数据，直接预测整个区域内风电场出力之和的方法。

发明内容

本发明的目的在于提供一种考虑风电场时空分布特性的区域风电功率预测方法，解决整个区域的风电功率预测问题，特别是当单一风电场功率无法预测时的区域风电功率预测问题。本发明旨在为电网调度提供更为可靠的数据，进一步提高风电接入电力系统的能力。

一种基于时空分布特性的区域风电功率预测方法，包括划分子区域、选择基准风电场、预测基准风电场功率和建立子区域风电功率预测模型：

(1)将整个区域划分为若干子区域；

(2)为每一个子区域选择基准风电场；

(3)预测基准风电场的输出功率；

(4)预测各个子区域的输出功率；

(5)将各个子区域预测功率求和得到区域总功率。

具体步骤如下：

(1)子区域的划分可以采用如下原则：

a.根据风电场的地理分布划分；

b.根据风电场接入电力系统的位置划分；

c.根据该地区风能的特点划分。

(2)为每一个子区域选择若干基准风电场，选择过程如下：

(a).计算各个风电场实测出力与子区域实际出力的相关系数；

假设某一子区域内有m个风电场，编号分别为1，2...m，则第i个风电场与子区域出力的相关系数：

$r_i=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(x_{\mathrm{ik}}-{\stackrel{\‾}{x}}_i)(y_k-\stackrel{\‾}{y})}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-{\stackrel{\‾}{x}}_i)}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(y_k-\stackrel{\‾}{y})}^2}}$

其中：

r_i为第i个风电场出力与子区域出力之间的相关系数；

n为风电场功率测量点的个数；

x_ik为第i个风电场第k个测量点的实测功率；

为第i个风电场n个测量点的平均值；

y_k为该子区域第k个测量点对应的子区域实际出力；

为该子区域n个测量点的平均出力；

(b).按照计算后的相关系数大小进行排序，选择相关系数大的风电场为基准风电场，并使各个基准风电场出力之和达到子区域额定功率的70％；

设i＝1，2...L依次为相关系数较大的前L个风电场的编号，且满足

$\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{S}_{\mathrm{xi}}>70\%\×S_Y$

$\underset{i=1}{\overset{L-1}{\mathrm{\&Sigma;}}}{S}_{\mathrm{xi}}<70\%\&times;S_Y$

其中：

S_xi为第i个风电场的额定出力；

S_Y为该子区域的额定出力。

则所选的基准风电场为编号1.2...L的风电场，共计L个。

(c)上述方法所选择的基准风电场及其数量并非一成不变的，应根据一定时期(如一个月、一个季度或一年)的历史数据自动计算各风电场相关系数，并进行排序，始终选择相关系数高的风电场为基准风电场。

(3)所述基准风电场输出功率的预测可以采用任何现有的、成熟的预测方法，如时间序列法、反向误差传播(BP)神经网络法、径向基函数法和支持向量机等。

本发明以3层BP神经网络法为例说明基准风电场的功率预测过程。输入层神经元信息为NWP预测的风速、风向和温度，输出层信息为风电场的预测功率，隐层神经元个数采用试探法确定；以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数；输入层信息归一化到[-1，1]之间；输入层信息归一化后的值v_i，v_i由下式决定：

$v_i=1-\frac{v_{\max }-v_{\mathrm{forecast}}}{v_{\max }-v_{\min }}\&times;2$

其中，v_i为归一化后的值；v_forecast为数值天气预报预测的值；v_max为训练样本中统计的历史最大值；v_min为训练样本中统计的历史最小值。

具体预测步骤为：读取风电场基本参数、形成风电场NWP数据和输出功率的对应样本集；神经网络结构、参数初始化；读取样本集训练神经网络；读取风电场NWP预测数据，预测风电场出力。

(4)所述区域风电功率预测方法采用了神经网络方法预测各个子区域的输出功率；该子区域神经网络为3层BP神经网络，输入层神经元信息为各个基准风电场的预测功率，输出层为子区域的预测功率；输入层神经元个数为对应子区域的基准风电场个数，隐层神经元个数采用试探法确定；以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数；输入层信息归一化到[-1.1]之间；输入层信息是归一化后的值P_i，P_i由下式决定：

$P_i=1-\frac{P_{\max }-P_{\mathrm{forecast}}}{P_{\max }-P_{\min }}\&times;2$

其中，P_i为归一化后的值；P_forecast为基准风电场的预测功率；P_max为训练样本中该基准风电场的最大出力；P_min为训练样本中该基准风电场的最小出力。

具体预测步骤如下：

a读取子区域基本参数(基准风电场个数、子区域额定功率等)，利用所选的基准风电场形成训练样本集；

b子区域神经网络结构、权值、阈值初始化；

c读取训练样本，训练神经网络；

d读取基准风电场的预测数据，并对输入数据归一化；

e根据各个子区域神经网络参数计算子区域功率预测值。

(5)将各个子区域的预测值相加即可得到整个区域的风电功率预测值。

我国风电预测技术起步较晚，发展缓慢。目前对一个地区内风电场出力的预测主要采用将各个风电场预测结果相加的方法，但实际运行中部分风电场NWP数据丢失时将无法进行区域预测。本发明只需在计算风电场相关系数时，将此类风电场的相关系数置于最低，选择其余风电场为基准风电场即可。本发明仅利用有限个基准风电场的信息，即可预测整个区域风电场出力，可以有效的解决此类问题。

本文发明与风电场具体采用的预测方法无关，可以与各种风电场预测模型相结合，具有较强的通用性和工程实用性。

本发明每隔一定时间(如一个月)重新计算各个风电场出力与子区域出力的相关系数，并选择基准风电场，进而形成所选基准风电场出力和对应子区域总出力的神经网络训练样本集，并训练子区域神经网络，具有一定的自适应性，可以在一定程度上降低预测系统的维护成本。采用本发明方法预测的区域风电功率其精度比单纯的直接相加的方法精度更高，更能满足调度的需求。

附图说明

图1区域风电功率预测模块图；

图2区域风电功率预测结构图；

图3子区域神经网络预测结构图；

图4本发明方法对预测效果的提高对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参见图1-4

区域风电功率预测的模块流程如图1所示，具体程序流程如图2所示。具体步骤如下：

1.划分子区域。

根据风电场的地理分布、风电场接入电力系统的位置和该地区风能的特点等原则可以将整个区域划分为若干子区域。本发明实例中根据风电场的地理分布划分子区域。

2.为每一个子区域选择若干基准风电场，图2中WF1即为所选的基准风电场，WF2为其余风电场。选择过程如下：

●计算各个风电场实测出力与子区域实际出力的相关系数；

假设某一子区域内有m个风电场，编号分别为1，2...m，则第i个风电场与子区域出力的相关系数：

$r_i=\frac{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_{\mathrm{ik}}-{\stackrel{\&OverBar;}{x}}_i)(y_k-\stackrel{\&OverBar;}{y})}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ik}}-{\stackrel{\&OverBar;}{x}}_i)}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_k-\stackrel{\&OverBar;}{y})}^2}}$

其中：

r_i为第i个风电场出力与子区域出力之间的相关系数；

n为风电场功率测量点的个数；

x_ik为第i个风电场第k个测量点的实测功率；

为第i个风电场n个测量点的平均值；

y_k为该子区域第k个测量点对应的子区域实际出力；

为该子区域n个测量点的平均出力。

●按照计算后的相关系数大小进行排序，选择相关系数大的风电场为基准风电场，并使各个基准风电场出力之和达到子区域额定功率的70％。

设i＝1，2...L依次为相关系数较大的前L个风电场的编号，且满足

$\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{S}_{\mathrm{xi}}>70\%\&times;S_Y$

$\underset{i=1}{\overset{L-1}{\mathrm{\&Sigma;}}}{S}_{\mathrm{xi}}<70\%\&times;S_Y$

其中：

S_xi为第i个风电场的额定出力；

S_Y为该子区域的额定出力。

则所选的基准风电场为编号1.2...L的风电场，共计L个。

3.预测各个基准风电场的出力。此处可以采用任何现有的、成熟的预测方法，如时间序列法、BP神经网络法、径向基函数法和支持向量机等。

本实例采用3层BP神经网络法预测基准风电场的输出功率。输入层神经元信息为NWP预测的风速、风向和温度，输出层信息为风电场的预测功率，隐层神经元个数采用试探法确定；以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数；输入层信息归一化到[-1，1]之间；输入层信息归一化后的值v_i，v_i由下式决定：

$v_i=1-\frac{v_{\max }-v_{\mathrm{forecast}}}{v_{\max }-v_{\min }}\&times;2$

其中，v_i为归一化后的值；v_forecast为数值天气预报预测的值；v_max为训练样本中统计的历史最大值；v_min为训练样本中统计的历史最小值。

具体预测步骤为：读取风电场基本参数、形成风电场NWP数据和输出功率的对应样本集；神经网络结构、参数初始化；读取样本集训练神经网络；读取风电场NWP预测数据，预测风电场出力。

4.利用子区域神经网络模型计算各个子区域的功率。

子区域神经网络模型采用3层BP神经网络结构。输入层信息为各个基准风电场的预测功率，输入层神经元的个数为各个子区域所选的基准风电场的个数。隐层神经元节点个数采用试探法确定，以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数。输出层信息为子区域的预测功率。输入层信息归一化到[-1，1]之间。

$P_i=1-\frac{P_{\max }-P_{\mathrm{forecast}}}{P_{\max }-P_{\min }}\&times;2$

其中：

P_i为归一化后的值；

P_forecast为基准风电场的预测功率；

P_max为训练样本中该基准风电场的最大出力；

P_min为训练样本中该基准风电场的最小出力

具体的预测过程如下：

●读取子区域基本参数(基准风电场个数、子区域额定功率等)，利用所选的基准风电场形成训练样本集；

●子区域神经网络结构、权值、阈值初始化。

●读取训练样本，训练神经网络。

●读取基准风电场的预测数据，并对输入数据归一化。

●根据各个子区域神经网络参数计算子区域功率预测值。

5.将各个子区域预测结果相加得到区域功率预测值。

最终得到的区域预测曲线如图4所示，可见采用本发明方法后预测精度得到有效提高，具体误差指标见表1。

表1本发明方法对预测精度的提高

此外，在系统运行过程中，每隔一定时间应重新计算各个风电场与对应子区域出力的相关系数，选择基准风电场和训练子区域神经网络，解决部分风电场扩建后相关系数变化的问题，使系统具有更强的自适应能力。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的方法及技术内容作出些许的更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于时空分布特性的区域风电功率预测方法，包括划分子区域、选择基准风电场、预测基准风电场功率和建立子区域风电功率预测模型，其特征在于：

(1)将整个区域划分为若干子区域；

(2)为每一个子区域选择基准风电场；

(3)预测基准风电场的输出功率；

(4)预测各个子区域的输出功率；

(5)将各个子区域预测功率求和得到区域总功率；

所述步骤(1)是指：

子区域的划分采用如下原则

(1)根据风电场的地理分布划分；

(2)根据风电场接入电力系统的位置划分；

(3)根据该地区风能的特点划分；

所述步骤(2)是指：

(a)根据各个风电场实测出力与子区域实际出力的相关系数选择基准风电场并确定所选基准风电场的个数，相关系数采用下述公式计算；

$r_i=\frac{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_{\mathrm{ik}}-{\stackrel{\&OverBar;}{x}}_i)(y_k-\stackrel{\&OverBar;}{y})}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_{\mathrm{ik}}-{\stackrel{\&OverBar;}{x}}_i)}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_k-\stackrel{\&OverBar;}{y})}^2}}$

其中：

r_i为第i个风电场出力与子区域出力之间的相关系数；

n为风电场功率测量点的个数；

x_ik为第i个风电场第k个测量点的实测功率；

为第i个风电场n个测量点的平均值；

y_k为该子区域第k个测量点对应的子区域实际出力；

为该子区域n个测量点的平均出力；

(b).按照计算后的相关系数大小进行排序，选择相关系数大的风电场为基准风电场，并使各个基准风电场出力之和达到子区域额定功率的70%；

设i=1,2…L依次为相关系数较大的前L个风电场的编号，且满足

$\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{S}_{\mathrm{xi}}>70\%\&times;S_Y$

$\underset{i=1}{\overset{L-1}{\mathrm{\&Sigma;}}}{S}_{\mathrm{xi}}<70\%\&times;S_Y$

其中：

S_xi为第i个风电场的额定出力；

S_Y为该子区域的额定出力；

则所选的基准风电场为编号1.2…L的风电场，共计L个；

所述子区域风电功率预测方法采用了神经网络方法预测各个子区域的输出功率；该子区域神经网络为3层BP神经网络，输入层神经元信息为各个基准风电场的预测功率，输出层为子区域的预测功率；隐层神经元个数采用试探法确定；以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数；输入层信息归一化到[-1.1]之间；输入层信息是归一化后的值P_i，P_i由下式决定：

$P_i=1-\frac{P_{\max }-P_{\mathrm{forecast}}}{P_{\max }-P_{\min }}\&times;2$

其中，P_i为归一化后的值；P_forecast为基准风电场的预测功率；P_max为训练样本中该基准风电场的最大出力；P_min为训练样本中该基准风电场的最小出力。

2.如权利要求1所述基于时空分布特性的区域风电功率预测方法，其特征在于：所选基准风电场及其个数不是固定不变的，应根据一定时期的历史数据自动计算各风电场相关系数，并进行排序，始终选择相关系数高的风电场为基准风电场。

3.如权利要求2所述基于时空分布特性的区域风电功率预测方法，其特征在于：所述一定时期是一个月、一个季度或一年。

4.如权利要求1所述基于时空分布特性的区域风电功率预测方法，其特征在于，所述预测基准风电场的输出功率采用时间序列法、反向误差传播(BP)神经网络法、径向基函数法和支持向量机。

5.如权利要求1所述基于时空分布特性的区域风电功率预测方法，其特征在于：所述子区域神经网络风电功率预测模型输入层神经元的个数不是确定的，与该子区域当时所选择的基准风电场的个数相同。

6.如权利要求1所述基于时空分布特性的区域风电功率预测方法，其特征在于，所述预测各个子区域的输出功率采用如下步骤：

a读取子区域基本参数，利用所选的基准风电场形成训练样本集；

b子区域神经网络结构、权值、阈值初始化；

c读取训练样本，训练神经网络；

d读取基准风电场的预测数据，并对输入数据归一化；

e根据神经网络结构参数计算子区域功率预测值。

Images