CN102682185B

CN102682185B - 单风力发电机的风电功率预测方法

Info

Publication number: CN102682185B
Application number: CN201110058365.6A
Authority: CN
Inventors: 侯伟; 甘家飞; 王颖
Original assignee: Sinovel Wind Group Co Ltd
Current assignee: Sinovel Wind Group Co Ltd
Priority date: 2011-03-10
Filing date: 2011-03-10
Publication date: 2014-07-09
Anticipated expiration: 2031-03-10
Also published as: EP2505827A2; BR102012005530A2; EP2505827A3; US20120230821A1; CN102682185A; CA2770637A1; AU2012201444A1

Abstract

本发明公开了一种单风力发电机的风电功率预测方法，包括：从历史数据库中提取长度为L的数据片段，确定当前时间点T之前的特征片段核心库，其中，L为大于或等于1的整数；采用聚类算法对所述特征片段核心库进行聚类，形成w个聚类子集和w个聚类中心，其中所述w为大于或等于1的整数；根据所述w个聚类中心和当前时刻片段的中心，确定预测时间点T+1的功率P(T+1)，所述当前时刻片段为时间点T-Z至T时间点代表的时间段，其中1≤Z≤L。根据本发明提供的单风力发电机的风电功率预测方法，能够可靠有效地预测风电功率。

Description

单风力发电机的风电功率预测方法

技术领域

本发明涉及风力发电技术，尤其涉及一种单风力发电机的风电功率预测方法。

背景技术

风力发电已经成为近几年来发展最为迅速的可再生能源，未来风电将占世界电力供应的12％以上。但是，由于风的波动性和间歇性，风力发电的典型特征就是不可控，大容量风电场的接入会对电网运行产生很大的负荷甚至危险。随着风电容量不断加大、电量需求逐渐饱和，电力市场将逐步要求风电企业竞价上网和提前进行发电量预测。为提升电网接纳风电的能力，保障电网安全，对风力发电机功率进行预测是十分必要并且意义重大。

目前解决该问题的主要方法包括物理方法与统计方法。前者必须具有详细的风场地形图、风机布置坐标和风电功率曲线等数据，且程序复杂，这类方法包括微观气象模型。计算流体力学模型，这些技术中微观选址经常被使用。后者程序简单但波动性较大，主要包括NN(神经网络)、SVM(支持向量机)等技术。其中统计方法多用于风电功率的短时预测，这是因为历史数据中潜在着一些有意义的模式，可用于识别气象变化的短时规律，而基于这些模式有可能对未来的气象情况进行推测。现有的基于统计的短时预测方法，将风速的变化视为一个随机过程，使用时间序列统计模型对其拟合，但由于风速本身的特性使这些预测模型无法抓住局部特征，难以做到全局平稳，进而无法刻画风速变化的各个情况，例如，忽略风向变化的影响，预测效果难以令人满意。

发明内容

本发明提供一种单风力发电机的风电功率预测方法，用以可靠有效地预测风电功率。

本发明实施例提供一种单风力发电机的风电功率预测方法，包括：

步骤a：从历史数据库中提取长度为L的数据片段，确定当前时间点T之前的特征片段核心库，其中，L为大于或等于1的整数；

步骤b：采用聚类算法对所述特征片段核心库进行聚类，形成w个聚类子集和w个聚类中心，其中，w为大于或等于1的整数；

步骤c：根据所述w个聚类中心和当前时刻片段的中心，确定预测时间点T+1的功率P(T+1)，所述当前时刻片段为时间点T-Z至T时间点代表的时间段，其中1≤Z≤L。

如上所述的方法，优选地，还包括：

步骤d：将所述时间点T+1更新为当前时间点，重复步骤c，直至预测出所要预测的时间点的功率。

如上所述的方法，优选地，所述历史数据库的数据以数据类别为坐标轴，数据类别的数量为V，所述V为大于或等于1的整数。

如上所述的方法，优选地，所述数据类别包括风速、风向、气温、气压和功率中的至少一个。

如上所述的方法，优选地，所述步骤a具体包括：

步骤a₁：从所述历史数据库中提取长度为L的S个数据片段；

步骤a₂：采用预设模型确定每个所述数据片段的m×V个特征值；

步骤a₃：将m×V个特征值作为特征片段，S个特征片段形成初始特征片段核心库；

步骤a₄：对所述初始特征片段核心库进行扩展，形成所述特征片段核心库；

其中，所述S和m均为大于或等于1的整数。

如上所述的方法，优选地，对所述初始特征片段核心库进行扩展，形成所述特征片段核心库的步骤包括：

步骤a₄₁：根据预设的扩展比例e对所述特征片段中的数据点进行扩展形成候选片段，并根据预设的参数比例系数ρ和特征明显度选取部分候选片段加入到初始特征片段核心库中；

步骤a₄₂：重复步骤a₄₁，直至扩展次数达到最大迭代次数r，根据所述预设的参数比例系数ρ和特征明显度选取部分候选片段加入到初始特征片段核心库中，形成所述特征片段核心库。

如上所述的方法，优选地，所述确定每个所述数据片段的m×V个特征值采用的预设模型是ARMA(p，q)模型。

如上所述的方法，优选地，在确定每个所述特征片段的m×V个特征之前，还包括：

根据公式

确定ARMA(p，q)模型的p、q值，其中，X是数据点类别值阶数为p、q的自回归滑动平均序列，ε代表零均值、方差是σ²的平稳白噪声。

如上所述的方法，优选地，m＝p+q+Y，其中Y为预设的特征片段的特征子片段的个数，Y为大于或等于1的整数。

如上所述的方法，优选地，所述m个特征值分别为

θ₁、θ₂...θ_q；以及Y个特征子片段的平均值。

如上所述的方法，优选地，步骤b所采用的聚类算法为K-means算法或Kohonen算法。

如上所述的方法，优选地，所述步骤c包括：

采用预设模型确定当前时刻片段的中心，并确定w个聚类中心与所述当前时间片段的中心的权值n₁、n₂、n₃......n_w以及每个所述聚类中心的功率P₁、P₂、P₃......P_w；

预测时间点T+1对应的P(T+1)功率为n₁×P₁+n₂×P₂+n₃×P₃+....n_w×P_w。

如上所述的方法，优选地，确定当前时刻片段的中心采用的预设模型是ARMA(p，q)模型。

本发明提供的单风力发电机的风电功率预测方法，能够可靠有效地预测风电功率。

附图说明

图1为根据本发明实施例一的预测风电功率的方法流程图；

图2为根据本发明实施例一的对初始特征片段核心库进行扩展以形成特征片段核心库的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面，提供根据本发明的单风力发电机的风电功率预测方法的实施例。这里的“单风力发电机”指的是单个风力发电机，即针对一台风力发电机的风电功率进行预测。

实施例一

如图1所示，为根据本发明实施例一预测时间点T+1的功率P(T+1)的方法流程图，其中T为当前时间点。

步骤101，从历史数据库中提取长度为L的数据片段，确定当前时间点T之前的特征片段核心库，其中，L为大于或等于1的整数；

步骤102，采用聚类算法对特征片段核心库进行聚类，形成w个聚类子集和w个聚类中心，其中，w为大于或等于1的整数；

步骤103，根据w个聚类中心和当前时刻片段的中心，确定预测时间点T+1的功率P(T+1)，当前时刻片段为时间点T-Z至T时间点代表的时间段，其中1≤Z≤L。

所谓特征片段核心库，即包括由数据片段的特征值组成的特征片段的数据库，该数据库与数据类别相关。例如，每个特征值为以数据类别为坐标轴的数据点。所谓当前时刻片段的中心指的是，根据数据类别采用预设模型求得的中心。例如，预设模型可以采用ARMA(p，q)模型，求出该当前时刻片段的特征值，这些特征值即可以设定为当前时刻片段的中心。当然，本领域的技术人员还可以采用其它现有技术求得当前时刻片段的中心，在此不再进行赘述。

需要指出的是，上述的预测时间点T+1指的是历史数据库中数据点的位置。例如，历史数据库中的数据点是以10分钟为间隔的数据点，当前数据点所代表的时间点为T，那么T+1代表的是10分钟之后的时间点，T+2代表的是20分钟之后的时间点，T-1就代表10分钟之前的数据点。类似地，如果历史数据库中的数据点是以1小时为间隔的数据点，当前数据点所代表的时间点为上午8点，那么T+1就代表时间点为上午9点，T+2就代表时间点为上午10点，T-1就代表上午7点。以此类推。

当所需要预测的时间点并非是当前时间点的下一个时间点时，需要将所需要预测的时间点的前一个时间点预测出来。即，将时间点T+1更新为当前时间点，重复步骤c，直至预测出所要预测的时间点的功率。所要预测的时间点较佳的是限于当前时间点T之后的6个小时之内，这是由于，随着预测的时间点在当前时间片段中所占的比例越来越大，预测模型变得越来越不精确，所以，一般情况下，只能预测到当前时间点之后的6个小时内的风电功率。

其中，特征片段数据库的数据是以数据类别为坐标轴的矢量的，数据类别的数量为V。其中V为大于或等于1的整数。例如，特征片段数据库中的数据对应的数据类别分别为风速、风向、气温、气压和功率中的任意一个及其组合。

具体地，步骤101包括：

从历史数据库中提取长度为L的S个数据片段；

采用预设模型确定每个数据片段的m×V个特征值；

将m×V个特征值作为特征片段，S个特征片段形成初始特征片段核心库；

对初始特征片段核心库进行扩展，形成最终的特征片段核心库；

其中，S和m均为大于或等于1的整数。

下面具体地描述对初始特征片段核心库进行扩展以形成特征片段核心库的步骤，如图2所示，

步骤201，根据扩展比例e对特征片段中的数据点进行扩展形成候选片段，并根据预设的参数比例系数ρ和特征明显度选取部分候选片段加入到初始特征片段核心库中；

步骤202，重复步骤201，直至扩展次数达到最大迭代次数r，根据预设的参数比例系数ρ和特征明显度选取部分候选片段加入到初始特征片段核心库中，形成特征片段核心库。

可选地，确定每个数据片段的m×V个特征值采用的预设模型是ARMA(p，q)模型。该模型中的p、q值可以通过公式

来确定，其中，X是数据点类值阶数为p、q的自回归滑动平均序列，即X＝{X₁，X₂，X₃...X_t}，与数据类别相关。其中，t代表时间点，优选地，T＝t。ε代表零均值、方差是σ²的平稳白噪声，ε与数据点类值相关。该ARMA(p，q)是现有技术中常用的一种分析模型，具体方法步骤在此不再赘述。

每一特征片段的特征值的个数m＝p+q+Y，其中Y为预设的特征片段的特征子片段的个数，即将每个特征片段分为Y段，Y为大于或等于1的整数。m个特征值分别为

θ₁、θ₂...θ_q；以及Y个特征子片段的平均值。

其中，对初始特征片段核心库进行扩展，形成特征片段核心库的步骤，举例解释为，初始特征片段核心库为5个数据片段，分别为A₁＝{a₁，a₂，a₃...a₁₀₀}，A₂＝{a₁₀₁，a₁₀₂，a₁₀₃...a₂₀₀}，A₃＝{a₂₀₁，a₂₀₂，a₂₀₃...a₃₀₀}，A₄＝{a₄₀₁，a₄₀₂，a₄₀₃...a₅₀₀}，A₅＝{a₅₀₁，a₅₀₂，a₅₀₃...a₆₀₀}，对数据片段A₁、A₂、A₃、A₄和A₅分别进行扩展，此时L＝100，扩展时需要进行前后扩展。当遇到某一边没有可扩展的点时，可以选择放弃这一边的扩展。以A₂为例，当e＝5％，ρ＝20％时，第一次扩展后，形成该数据片段A₂扩展出的第一候选片段，即{a₉₆，a₉₇，a₉₈，a₉₉，a₁₀₀，a₁₀₁，a₁₀₂，a₁₀₃...a₂₀₀，a₂₀₁，a₂₀₂，a₂₀₃，a₂₀₄，a₂₀₅}。这样，A₂扩展出的第一候选片段的长度为110，即为L(1+2e)。同样，A₁、A₃、A₄和A₅也分别扩展出各自的第一候选片段。根据ρ选取这5个第一候选片段中特征度明显度较高的片段加入片段库。这里的“特征明显度”指的是每个候选片段与其它候选片段之间的特征曼哈顿距离的远近，哪个候选片段距离其它候选片段近，特征明显度就低，哪个候选片段距离其它候选片段远，特征明显度就高。在计算曼哈顿距离之前，需要将特征值进行归一化处理。特征明显度可以简单定义为每个候选片段与其它候选片段的距离的平均值。然后，取其中ρL个特征明显度较高的第一候选片段，即特征明显度的值较大的第一候选片段。例如此处选取20％×5＝1，则需要选取1个第一候选片段加入到片段中，即特征明显度最高的那个第一候选片段。也就是说，经过第一次扩展之后，初始特征库片段核心库的个数变成了6个。

下面进行第二次扩展，第二次扩展的步骤与第一次扩展的方法一致，所不同的是由最初的需要扩展5个片段变成了需要扩展6个片段，这样，经过第二次扩展之后，就有了6个第二候选片段。同样选取特征明显度较高的第二候选片段加入特征库。依此类推，直至扩展次数达到最大迭代次数r，并提取特征明显度较高的候选片段加入初始特征片段库之后，形成最终的特征片段核心库。

可选地，步骤102中的聚类算法为K-means算法或Kohonen算法，形成w个聚类子集。形成w个聚类子集的同时，还形成了每个聚类子集的聚类中心，一共w个聚类中心。

可选地，对于步骤103，具体包括：选取当前时刻片段，即时间点T-Z至T时间点代表的时间段，其中1≤Z≤L。采用预设模型，例如采用ARMA(p，q)模型，提取当前时刻片段的中心，计算该当前时刻片段中心与上述每个聚类子集的中心的距离，并将所得的距离归一化，获得该当前时间片段中心与w个聚类子集的中心的权值n₁、n₂、n₃......n_w。将每个聚类子集的中心所对应的功率P₁、P₂、P₃......P_w分别乘以相应的权值，就会得到预测目标P(T+1)的功率，n₁×P₁+n₂×P₂+n₃×P₃+...n_w×P_w。需要指出的是，对预测时间点T+1时刻的预测，不仅能够预测出功率，而是能够预测出所有特征类别的值。当要预测时间点T+2的P(T+2)时，需要将原当前时间片段的第一个时间点去除，并将T+1的数据点纳入当前时刻片段，即保证当前时刻片段的长度始终为Z+1。当要预测时间点T+3的P(T+3)时，将T+1的数据点和T+2的数据点均纳入当前时刻片段，以此类推。由于后续纳入当前时刻片段的数据点的功率均是预测出来的，可以说，准确性越来越差，因此，使用本实施例的方法预测风电功率能够保证预测当前时间点后面的6个小时之内的风电功率的准确性。

根据本实施例，通过将历史特征数据库中的时间点所对应的气象特征做更加细致的划分，建立了多个聚类子集，并以这些聚类子集的聚类中心为基础来预测风电功率，降低了特征片段数据库所代表的非线性系统的复杂性，能够可靠有效地预测风电功率，且使其精确性提高。

实施例二

本实施例二是根据实施例一的方法预测单风力发电机的风电功率的具体实例，并对该方法的准确性予以检测。在当前时间点T之前的历史资料中找到68156个数据，提取其中50000个数据作为本实施例中的气候特征数据库。需要指出的是，该50000个数据并不包括历史资料中最初的100个数据和最后的100个数据，以留出足够的数据点进行后续的扩展步骤。假设当前时间点为上午10点，历史资料中的数据以10分钟为单位的时序数据，要预设的是10点10分的风电功率。

预设ρ＝20％，e＝5％，L＝10000，r＝30。数据点以数据类别为坐标轴，本具体实例中的数据类别分别为风速、风向和功率，即数据类别的数量V为3。此时，将这50000个数据分成了5个数据片段。接下来，对这5个数据片段的特征进行提取，以形成初始特征片段核心库。

首先采用根据ARMA(p，q)模型，即利用公式确定p和q的值。其中，X是数据点类别值阶数为p、q的自回归滑动平均序列，ε代表零均值、方差是σ²的平稳白噪声，与风速、风向和功率相关。具体的算法为本领域的现有技术，在此不再进行赘述。经计算，本具体实例中的p＝3，q＝5。根据预设的分段值，将每个特征片段分为5段，即S＝5。于是得到，每个特征片段的每个特征类别的特征值m＝3+5+5＝13个。也就是说，每个特征片段的特征值为m×V＝13×3＝39个。

首先，根据ρ＝20％，e＝5％，r＝30对这5个数据片段进行扩展。扩展方法如实施例一中的一致。最终形成特征片段核心库。该特征片段核心库中包括11552特征片段。

将特征片段核心库根据K-means算法分成3类，每一聚类子集分别包括5162、3834、2556个数据片段，并同时确定每个聚类子集的聚类中心。这个聚类中心，例如以取每个数据片段平均值的形式给出，或者以其它现有的求中心的方式给出，在此不再赘述。

取当前时间点，即上午10点的数据以及上午10点之前的10000个数据做为当前时刻片段，采用ARMA(p，q)模型取得当前时刻片段的中心。取每个聚类中心分别与当前时刻片段中心的距离值为权值，这个距离要做归一化处理。本具体实例中分别为0.4、0.3和0.3，每个聚类中心所对应的功率值分别为1400kw、1350kw和1450kw，因此，可得到上午10点10分的功率为1400×0.4+1350×0.3+1450×0.3＝1400kw。

对比历史资料中时间点为上午10点10分的时间点的功率，发现该点的功率恰好为1400kw，则可以证明根据本发明的方法预测单风力发电机的风电功率是比较准确的。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种单风力发电机的风电功率预测方法，包括：

步骤b:采用聚类算法对所述特征片段核心库进行聚类，形成w个聚类子集和w个聚类中心，其中，w为大于或等于1的整数；

步骤c：根据所述w个聚类中心和当前时刻片段的中心，确定预测时间点T+1的功率P（T+1），所述当前时刻片段为时间点T-Z至T时间点代表的时间段，其中1≤Z≤L；

所述步骤a具体包括：

步骤a₁：从所述历史数据库中提取长度为L的S个数据片段；

其中，所述S和m均为大于或等于1的整数；

对所述初始特征片段核心库进行扩展，形成所述特征片段核心库的步骤包括：

步骤a₄₂：重复步骤a₄₁，直至扩展次数达到最大迭代次数r，根据所述预设的参数比例系数ρ和特征明显度选取部分候选片段加入到初始特征片段核心库中，形成所述特征片段核心库;

其中，V为数据类别的数量，所述V为大于或等于1的整数，所述特征明显度为每个候选片段与其它候选片段之间的特征曼哈顿距离的远近，与其它候选片段距离近的，特征明显度就低，与其它候选片段距离远的，特征明显度就高；

其中，所述根据预设的参数比例系数ρ和特征明显度选取部分候选片段加入到初始特征片段核心库中，包括：

根据所述预设的参数比例系数ρ，在所述进行扩展形成的候选片段中选取特征明显度高的前ρL个候选片段加入所述初始特征片段核心库中；

其中，所述根据所述w个聚类中心和当前时刻片段的中心，确定预测时间点T+1的功率P（T+1）包括：

采用预设模型提取当前时刻片段的中心，所述中心即为当前片段的m×V个特征值，计算当前时刻片段中心与所述每个聚类中心的距离，将所得的距离归一化，获得所述当前时间片段中心与所述w个聚类中心的权值n₁、n₂、n₃…n_w，将所述每个聚类中心所对应的功率P₁、P₂、P₃…P_w分别乘以相应的权值，得到所述预测时间点T+1的功率P（T+1）为n₁×P₁+n₂×P₂+n₃×P₃+…n_w×P_w。

2.根据权利要求1所述的方法，其特征在于，还包括：

3.根据权利要求2所述的方法，其特征在于，所述历史数据库的数据以数据类别为坐标轴。

4.根据权利要求3所述的方法，其特征在于，所述数据类别包括风速、风向、气温、气压和功率中的至少一个。

5.根据权利要求1所述的方法，其特征在于，所述确定每个所述数据片段的m×V个特征值采用的预设模型是ARMA(p,q)模型。

6.根据权利要求5所述的方法，其特征在于，在确定每个所述特征片段的m×V个特征值之前，还包括：

根据公式

确定ARMA(p,q)模型的p、q值，其中，X是数据点类别值阶数为p、q的自回归滑动平均序列，ε代表零均值、方差是σ²的平稳白噪声，φ和θ均为特征值，t为时间点。

7.根据权利要求6所述的方法，其特征在于，m=p+q+Y，其中Y为预设的特征片段的特征子片段的个数，Y为大于或等于1的整数。

8.根据权利要求7所述的方法，其特征在于，所述m个特征值分别为 θ₁，θ₂…θ_q以及Y个特征子片段的平均值，其中，m为每个特征片段的每个特征类别的特征值的个数，所述特征类别即为所述数据类别。

9.根据权利要求1或2所述的方法，其特征在于，步骤b所采用的聚类算法为K-means算法或Kohonen算法。

10.根据权利要求1或2所述的方法，其特征在于，提取所述当前时刻片段的中心采用的预设模型是ARMA(p,q)模型。