CN102663513A - 利用灰色关联度分析的风电场功率组合预测建模方法 - Google Patents

Abstract

本发明公开了属于风力发电建模技术领域的利用灰色关联度分析的风电场功率组合预测建模方法。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。预测方法是从气象部门预先采集风速、风向的预测值，从风电场数据采集系统采集实时出力功率；将两者输入数据处理模块进行数据分析提取与归一化，随后导入数据库服务器中；组合预测算法服务器将数据库服务器中处理好的数据提取，分别进行模型训练与功率预测，风电场实时将运行数据传给数据处理模块从而实现滚动预测。本发明达到短期组合预测风电场出力的目的。该发明既最大化的利用了两种算法的优点，又节省了计算资源，缩短了计算时间从而提高了预测效率。

Description

利用灰色关联度分析的风电场功率组合预测建模方法

技术领域

本发明属于风力发电建模技术领域，特别涉及利用灰色关联度分析的风电场功率组合预测建模方法。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。

背景技术

在能源短缺的今天，发展可再生能源发电，尤其是风力发电并使其发电量最大化，变得愈发重要。然而风能天生具有的波动性、不稳定性和间歇性，使得风电的出力情况时刻随着风速的变化而上下波动。如果将风电场的实时出力并入电网参与电力市场运行，对电网的平稳健康运行与调度都会产生影响。为了解决这一问题目前常用的两种措施是能量存储和预测。通过预测未来时刻的风电场发电量，电网侧可以提前做出调度计划从而避免电能不稳定、缺供等问题。在风电场侧可以提前知道风电场某天的出力值或者某台风机的出力值从而安排设备检修与故障维护。按照时间尺度风电场出力预测可分为短期预测(＜6h)和长期预测(＜48h)；按照预测模型对象的不同可分为基于风速的预测方法(间接法)和基于功率的预测方法(直接法)。本发明针对的研究对象是基于功率的短期风电场功率预测。

国内已有的预测系统多采用基于线性模型的时间序列方法或单一人工智能建模，其不足之处在于：应用线性模型只能表示输入和输出量的线性关系，而风电场出力随着时间的变换呈现出一定的波动性和非线性关系导致单纯用线性模型完成预测的局限性。目前应用最广泛的人工智能模型是人工神经网络，在具有运算速度快，精度较高的优点的同时，其极易陷入局部最小值的缺点使得在预测过程中往往难以得到全局最优解。支持向量机的产生和发展解决了这个问题，但同时其自身也存在着出力不确定性信息时的局限性。若能将二者结合，以达到预测精度最高为目标最大限度发挥两种模型的优势。

发明内容

本发明的目的是提供一种利用灰色关联度分析的风电场功率组合预测建模方法，其特征在于，所述风电场功率组合预测建模方法是基于最小二乘支持向量机和反向传播神经网络的风电功率加权组合预测方法，包括以下步骤：

(1)数据获取及预处理，风电场功率预测系统所用数据来自两个部分：预测时刻之前的风电场实测风机出力历史值，取自风场监控系统(SCADA)；风资源预测时刻前的历史值，取自测风塔和当地气象部门的风速和风向；在输入系统前对数据进行异常剔除纠正处理，继而归一化所得数据集；

所述风资源预测时刻前的历史值为按时间序列排布的等时间间隔的风速和风向数据，模型输入样本集构造如下：

S(t)＝[X(t-m)，X(t-m+1)，…X(t-1)，D_s(t)，D_c(t)]

其中，X为风电场风机出力值；m为待预测时刻t前的时刻；V为预测时刻的风速；Ds为待预测时刻风向正弦；Dc为待预测时刻风向余弦；

训练样本输出集R(t)为待预测时刻t的风电场出力功率值R(t)＝[X(t)]；

构造模型输入集和输出集之前需要对数据进行预处理，包括剔除不合理数据和数据归一化处理，不合理数据包括风机出力的功率负值，风速零值以及风向超出(0，360)，数据归一化公式为 $X\left(t\right)=\frac{d\left(t\right)-\min \left(d\left(t\right)\right)}{\max \left(d\left(t\right)\right)-\min \left(d\left(t\right)\right)},$

其中，d(t)是原始数据，X(t)是归一化后的数据集合；

(2)利用归一化时段1的数据集建立最小二乘支持向量机预测模型并得到实时预测结果：

2.1)经验法确定训练样本的个数和模型输入维数，支持向量机在处理小样本以及高维空间的问题具有优势，因此训练样本的个数可以较少，因为支持向量机的训练计算规模与训练样本个数成指数变化，训练样本个数选取的同时要考虑具体计算机硬件条件；

2.2)确定核函数和参数取值，选用最小二乘函数作为核函数，设定适当的支持向量机参数，包括全局变量P1和C，P1代表核函数的宽度，C代表经验风险函数和规则化函数之间的折中系数；P1和C的取值范围均设为：(0，10)，通过双重循环方法选择不同的参数组合确定最优的模型结构以确保较小的训练误差，同时训练周期数的确定需要考虑模型训练的计算时间和计算机的硬件要求，避免过度训练以保证模型的泛化性能；

2.3)模型训练，确定模型结构之后将训练样本集输入模型，以最小化训练误差为目标，误差计算公式为MRE(Mean Relative Error)：

$\mathrm{MRE}=\frac{1}{N}\mathrm{\Σ}\frac{W_{\mathrm{pre}}-W_{\mathrm{tr}}}{W_{\max }}\×100\%,$

其中，W_pre为预测值，W_tr为实测值(历史运行数据)，W_max为风电场额定发电量，即每台风机额定功率之和，N为样本规模；

2.4)模型预测，将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值；

2.5)预测值后处理，将最小二乘支持向量机的模型预测值通过反归一过程还原为实际值，反归一化公式：Y(t)＝u(t)×{max[d(t)]-min[d(t)]}+min[d(t)]，其中，u(t)为预测模型输出值，Y(t)为反归一化后的数据集合，d(t)是原始数据；

(3)利用归一化时段1的数据集建立误差反向传播神经网络预测模型并得到实时预测结果：

3.1)确定训练样本的个数和模型的输入输出维数，样本个数的确定需考虑模型训练和预测的计算时间及对计算机硬件的要求并采用多维输入单一输出；

3.2)设定模型训练周期数或预测误差所达到的最小值，依经验值确定模型结构通过设定不同隐含层的数值，结合运算时间和效率，以及预测误差最小值等因素得出隐含层的数值设为5比较理想；

3.3)模型训练，即确定好模型结构之后采用训练样本集输入模型，目标是最小化训练误差，误差计算公式为MRE(Mean Relative Error)；

3.4)模型预测，即将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值；

(4)将两种模型得出的预测结果利用灰色理论进行分析，得出两种预测模型在时段1的权重比： ${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\left(\underset{i}{\min }\underset{k}{\min }\right|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}),$

其中，x₀表示风电场风机出力实测历史值；x_i表示独立预测模型所得风机出力预测值，i＝1，2；k代表时刻，即数据样本个数；ρ为分辨系数，取值0.5；满足各时段的组合预测结果可以表示为：x(k)＝ξ₀₁(k)x₁(k)+ξ₀₂(k)x₂(k)，将时段1所有时刻两种模型的权重比构成矩阵，如下所示：

$W=\left(\begin{array}{cc}{\mathrm{\ξ}}_{01}\left(1\right)& {\mathrm{\ξ}}_{02}\left(1\right)\\ M& M\\ {\mathrm{\ξ}}_{01}\left(k\right)& {\mathrm{\ξ}}_{02}\left(k\right)\end{array}\right);$

(5)利用时段1中预测结果、权重比之间的关系训练BPANN网络，在运用两种模型得出时段2预测结果的基础上按照网络要求输出时段2预测权重比，表示如下：

$W^{\′}=\left(\begin{array}{cc}{{\mathrm{\ξ}}_{01}}^{\′}\left(1\right)& {{\mathrm{\ξ}}_{02}}^{\′}\left(1\right)\\ M& M\\ {{\mathrm{\ξ}}_{01}}^{\′}\left(k\right)& {{\mathrm{\ξ}}_{02}}^{\′}\left(k\right)\end{array}\right);$

(6)根据两组预测结果以及预测权重比得出最终风电场功率预测结果，如下式：x(k)＝ξ_k1′x₁(k)+ξ_k2′x₂(k)。

本发明的有益效果是与现有方法相比，

1.在处理小样本以及高维问题上具有优越性，最小二乘核函数代替传统意义上的核函数，求解过程变成为求解一组等式方程，避免了求解耗时的二次规划问题，求解速度相对加快；因此该模型适用于风电场功率实时预测，同时适用于数据样本有限的情况；是在统计学习理论基础上发展起来的数据挖掘的人工智能方法；

2.本发明采用了误差反向传播神经网络(BPANN)模型，是目前应用最为广泛的人工智能建模方法之一，具有结构简单，泛化能力强、收敛速度快、计算精度高等特点，适用于短期风电场功率预测；

3.由于风能具有波动性，由此产生的发电量也具有不稳定性，风电场出力特性取决于不同的地理位置和天气环境。每个风电场对两种模型适应度不同，根据不同的风电场调整权重比系数，使短期功率预测的精度在两种模型的应用范围内达到最大化。

附图说明

图1为预测系统结构图。

图2为本发明中最小二乘支持向量机建模流程图。

图3为本发明中反向传播神经网络建模流程图。

图4为组合算法示意图。

图5为本发明中组合预测过程流程图。

图6为预测功率与实际功率对比图。

具体实施方式

本发明提供一种利用灰色关联度分析的风电场功率组合预测建模方法，所述风电场功率组合预测建模方法是基于最小二乘支持向量机和反向传播神经网络的风电功率加权组合预测方法；下面结合附图对本发明作进一步详细说明。

图1是本发明的预测系统结构图，说明了系统各个组成部分和作用。预测系统从气象部门预先采集风速、风向的预测值，从风电场数据采集系统(SCADA)采集实时出力功率；将两者输入数据处理模块进行数据分析提取与归一化，随后导入数据库服务器中；组合预测算法服务器将数据库服务器中处理好的数据提取，分别进行模型训练与功率预测，将实时组合预测结果输入风电场用户方，通过通讯接口传给电网调度方；风电场实时运行数据通过SCADA系统传给数据处理模块从而实现滚动预测。

图2是本发明中最小二乘支持向量机建模流程图，说明了利用最小二乘支持向量机建模的原理和步骤，预测系统利用数据采集模块从气象部门和风电场中央监控系统中获取指定范围内的风场风速和风向以及风机输出功率等数据并进行数据分析和筛选、归一化处理，利用归一化确定训练样本的个数和模型输入输出维数。因为支持向量机的训练计算规模与训练样本个数成指数变化，训练样本个数选取的同时要考虑具体计算机硬件条件，选定最小二乘函数作为核函数，通过循环法最小化预测误差确定参数取值，利用所建模型进行风电场风机出力预测，通过数据后处理得到实时预测结果。

图3是本发明中误差反向传播神经网络建模流程图，说明了最小二乘支持向量机建模的原理和步骤，原始数据通过归一化处理过程统一变化范围，设定模型训练周期数或预测误差所达到的最小值，依经验值确定模型结构通过设定不同隐含层的数值。定好模型结构之后采用训练样本集输入模型，目标是最小化训练误差。将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值。

图4是本发明组合算法示意图。在利用两种模型得到预测值时段1的预测值X₁和X₂，将两组值与时段1实测值比较，利用灰色理论得出时段1的两种模型权重比矩阵W₁和W₂。将权重比矩阵与两组预测值、时段2的两组预测值X₁_test和X₂_test输入ANN模型训练，得出时段2的关于两种模型的权重比矩阵W₁’和W₂’。在时段2时刻的组合预测值表示为：

X＝W₁′X₁_test+W₂′X₂_test

图5为本发明中组合预测过程流程图。在系统开始阶段首先筛选输入的数据，保留符合条件的数据，剔除状态异常的数据，例如负值或由于SCADA系统状态异常时的输出数据；将初步筛选后的数据输入两个预测模型中建模、预测，直到满足循环代数或误差要求；将两部分预测结果输入组合预测模型得到最终值；将其输出给风电场和电网运行方，同时存入数据库留作下一轮组合预测的数据输入。

图6为本发明预测效果图。图中的预测时段取10天，样本点时间间隔为1分钟，取其小时平均。横坐标为数据样本点的数量，即时间长度，单位为h；纵坐标为风电功率，单位为MW。图中虚线代表预测值，实线代表实际运行值，所得预测未来1小时的平均相对误差为12.04％，预测效果优于单一预测模型(LSSVM：14.61％，BPANN：12.50％)。

以上结合附图及具体案例对本发明进行了详细说明。本领域技术人员可以根据上述说明加之调整，因而实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (3)

1.一种利用灰色关联度分析的风电场功率组合预测建模方法，其特征在于，所述风电场功率组合预测建模方法是基于最小二乘支持向量机和反向传播神经网络的风电功率加权组合预测方法，包括以下步骤：

(1)数据获取及预处理，风电场功率预测系统所用数据来自两个部分：预测时刻之前的风电场实测风机出力历史值，取自风场监控系统SCADA；风资源预测时刻前的历史值，取自测风塔和当地气象部门的风速和风向；在构造模型输入集和输出集之前需要对数据进行异常剔除纠正处理，继而归一化所得数据集；

所述风资源预测时刻前的历史值为按时间序列排布的等时间间隔的风速和风向数据，模型输入样本集构造如下：

S(t)＝[X(t-m)，X(t-m+1)，…X(t-1)，D_s(t)，D_c(t)]，

其中，X为风电场风机出力值；m为待预测时刻t前的时刻；V为预测时刻的风速；Ds为待预测时刻风向正弦；Dc为待预测时刻风向余弦；X(t)是归一化后的数据集合；

训练样本输出集R(t)为待预测时刻t的风电场出力功率值R(t)＝[X(t)]；

(2)利用归一化时段1的数据集建立最小二乘支持向量机预测模型并得到实时预测结果：

2.1)经验法确定训练样本的个数和模型输入维数，支持向量机在处理小样本以及高维空间的问题具有优势，因此训练样本的个数可以较少，因为支持向量机的训练计算规模与训练样本个数成指数变化，训练样本个数选取的同时要考虑具体计算机硬件条件；

2.2)确定核函数和参数取值，选用最小二乘函数作为核函数，设定适当的支持向量机参数，包括全局变量P1和C，P1代表核函数的宽度，C代表经验风险函数和规则化函数之间的折中系数；P1和C的取值范围均设为：(0，10)，通过双重循环方法选择不同的参数组合确定最优的模型结构以确保较小的训练误差，同时训练周期数的确定需要考虑模型训练的计算时间和计算机的硬件要求，避免过度训练以保证模型的泛化性能；

2.3)模型训练，确定模型结构之后将训练样本集输入模型，以最小化训练误差为目标，误差计算公式为MRE(Mean Relative Error)：

$\mathrm{MRE}=\frac{1}{N}\mathrm{\Σ}\frac{W_{\mathrm{pre}}-W_{\mathrm{tr}}}{W_{\max }}\×100\%,$

其中，W_pre为预测值，W_tr为实测值(历史运行数据)，W_max为风电场额定发电量，即每台风机额定功率之和，N为样本规模；

2.4)模型预测，将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值；

2.5)预测值后处理，将最小二乘支持向量机的模型预测值通过反归一过程还原为实际值，反归一化公式：Y(t)＝u(t)×{max[d(t)]-min[d(t)]}+min[d(t)]，

其中，u(t)为预测模型输出值，Y(t)为反归一化后的数据集合，d(t)是原始数据；

(3)利用归一化时段1的数据集建立误差反向传播神经网络预测模型并得到实时预测结果：

3.1)确定训练样本的个数和模型的输入输出维数，样本个数的确定需考虑模型训练和预测的计算时间及对计算机硬件的要求并采用多维输入单一输出；

3.2)设定模型训练周期数或预测误差所达到的最小值，依经验值确定模型结构通过设定不同隐含层的数值；

3.3)模型训练，即确定好模型结构之后采用训练样本集输入模型，目标是最小化训练误差，误差计算公式MRE与上述2.3)相同；

3.4)模型预测，即将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值；

(4)将两种模型得出的预测结果利用灰色理论进行分析，得出两种预测模型在时段1的权重比： ${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\left(\underset{i}{\min }\underset{k}{\min }\right|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}{|x_0\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0\left(k\right)-x_i\left(k\right)|}),$

其中，x₀表示风电场风机出力实测历史值；x_i表示独立预测模型所得风机出力预测值，i＝1，2；k代表时刻，即数据样本个数；ρ为分辨系数，取值0.5；满足

各时段的组合预测结果可以表示为：x(k)＝ξ₀₁(k)x₁(k)+ξ₀₂(k)x₂(k)，将时段1所有时刻两种模型的权重比构成矩阵，如下所示：

$W=\left(\begin{array}{cc}{\mathrm{\ξ}}_{01}\left(1\right)& {\mathrm{\ξ}}_{02}\left(1\right)\\ M& M\\ {\mathrm{\ξ}}_{01}\left(k\right)& {\mathrm{\ξ}}_{02}\left(k\right)\end{array}\right);$

(5)利用时段1中预测结果、权重比之间的关系训练BPANN网络，在运用两种模型得出时段2预测结果的基础上按照网络要求输出时段2预测权重比，表示如下：

$W^{\′}=\left(\begin{array}{cc}{{\mathrm{\ξ}}_{01}}^{\′}\left(1\right)& {{\mathrm{\ξ}}_{02}}^{\′}\left(1\right)\\ M& M\\ {{\mathrm{\ξ}}_{01}}^{\′}\left(k\right)& {{\mathrm{\ξ}}_{02}}^{\′}\left(k\right)\end{array}\right);$

(6)根据两组预测结果以及预测权重比得出最终风电场功率预测结果，如下式：x(k)＝ξ_k1′x₁(k)+ξ_k2′x₂(k)。

2.根据权利要求1所述利用灰色关联度分析的风电场功率组合预测建模方法，其特征在于，所述构造模型输入集和输出集之前需要对数据进行预处理，包括剔除不合理数据和数据归一化处理，不合理数据包括风机出力的功率负值，风速零值以及风向超出(0，360)，数据归一化公式为

其中，d(t)是原始数据，X(t)是归一化后的数据集合；

3.根据权利要求1所述利用灰色关联度分析的风电场功率组合预测建模方法，其特征在于，所述隐含层数为结合运算时间和效率，以及预测误差最小值得出隐含层的数值设为5比较理想。

Images