CN102749471A - 一种短期风速、风电功率预测方法 - Google Patents

Abstract

本发明公开了一种短期风速预测方法，包括以下步骤：步骤一：用测风塔或测风仪实际测得风速作为预测模型实际输入值；步骤二：利用数值逼近原理对传统灰色预测模型进行优化；步骤三：将测风塔或测风仪测得风速输入优化预测模型，进行风速预测；步骤四：将预测模型得到的风速值输入风速预测模型进行滚动预测，可提高未来预测时间。本发明预测需求参数只需要24小时每10分钟的144个实际风速值，不需要风向、气温、气压、温度、湿度等参数。本发明实际风速值可有测风仪或测风塔得到，无需数值天气预报部门提供，经济成本低。

Description

一种短期风速、风电功率预测方法

技术领域

本发明涉及的是一种短期风速、风电功率预测方法。

背景技术

随着我国风电并网容量快速增大，风速波动使得风力机组功率不稳定，给电力调度、风力机组维修带来了困难。我国地形、地貌比较复杂，风速比欧洲大陆具有较强的随机性和波动性，国外的一些预测方法在我国某些风电场中预测效果不是很理想。目前，国内外风速-风电功率预测方法主要有以下三类：数值天气预报法，统计方法和物理方法，但预测效果仍然没有达到令人满意的程度。中长期风速预测的方法虽然很多，但是不一定适用于短期、超短期风速预测。

数值天气预报法是把数值天气预报提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。

基于物理方法的风电功率预测是根据数值天气预报系统的预测结果得到风速、风向、气压、气温等天气数据，然后根据风电场周围等高线、粗糙度、障碍物、温度分层等信息计算得到风电机组轮毂高度的风速、风向等信息，最后根据风电场的功率曲线计算得到风电场的输出功率。

统计方法不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测方法有人工神经网络方法、混合专家经验法、最近邻搜索、蚁群优化和支持向量机等。

数值天气预报法需要有大型计算机处理数据，完成风电功率预测。对于数量较少的风电机组和中小型风电场经济代价过高。

物理风电功率预测方法不仅需要考虑风电场周边风速、风向、气压、气温等天气数据，还要考虑风电场周边高线、粗糙度、障碍物、温度分层等因素。参数需求多，物理模型复杂。

统计方法(以神经网络为主)预测模型搭建复杂，无可视化界面，且需编程。对于输入变量超过两个的预测模型，网络收敛速度慢，不适用于超短期风电功率预测。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种短期风速、风电功率预测方法。

本发明的技术方案如下：

一种短期风速预测方法，包括以下步骤：

步骤一：用测风塔或测风仪实际测得风速作为预测模型实际输入值；

步骤二：利用数值逼近原理对传统灰色预测模型进行优化；

在传统GM(1，1)模型的基础上采用数值逼近算法对预测模型进行优化改进，并用Matlab进行仿真，具体方法如下：

μX⁽⁰⁾(i-1)+υX(i)＝X′(i)    (8)

式(8)中μ、υ为待定系数， X′(i)为优化模型预测生成序列，X⁽⁰⁾(i-1)为前一时刻70m测风塔实测风速，X(i)为传统GM(1，1)模型的预测值；

设|X′(i)-X⁽⁰⁾(i)|为t=i时的绝对误差，全部m个点的总误差平方和值取最小，即：

对(9)求偏导，令

得：

$\underset{i}{\overset{m}{\mathrm{\Σ}}}2[\mathrm{\μ}{X}^{\left(0\right)}(i-1)+\mathrm{\υX}\left(i\right)$ $\underset{i}{\overset{m}{\mathrm{\Σ}}}2[\mathrm{\μ}{X}^{\left(0\right)}(i-1)+\mathrm{\υX}\left(i\right)$

$-X^{\left(0\right)}\left(i\right)]X^{\left(0\right)}(i-1)=0---\left(10\right)$ $-X^{\left(0\right)}\left(i\right)]X\left(i\right)=0---\left(11\right)$

方程(10)、(11)可写成

$\mathrm{\μ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}[X^{\left(0\right)}(i-1){]}^2+\mathrm{\υ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}X\left(i\right)X^{\left(0\right)}(i-1)$

$=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)X^{\left(0\right)}(i-1)---\left(12\right)$

$\mathrm{\μ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}(i-1)X\left(i\right)+\mathrm{\υ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(X\left(i\right)\right)}^2$

$=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)X\left(i\right)---\left(13\right)$

将实测风速值、未优化灰色预测值分别代入公式(12)、(13)求解可得μ、υ的值，即可得到优化的风速预测模型；

步骤三：将测风塔或测风仪测得风速输入优化预测模型，进行风速预测；

步骤四：将预测模型得到的风速值输入风速预测模型进行滚动预测，可提高未来预测时间。

所述的短期风速预测方法进行风电功率预测方法，利用时间序列动态神经网络预测风电功率，以所述预测风速为输入、风机功率为输出，构建单输入、单输出网络，传递函数采用双曲正切函数：

式(14)中x为神经元输入，

为传递函数值。

误差修正采用“瞬时反传算法”，设瞬时误差平方和为：

ξ(n)＝1/2e²(n)            (15)

其中，期望值d(n)与输出值y(n)之差e(n)＝d(n)-y(n)为误差信号，通过网络训练使总体误差ξ_总＝∑ξ(n)达到最小；

权值采用公式(16)进行误差修正；

$w_{\mathrm{ji}}^l(n+1)=w_{\mathrm{ji}}^l\left(n\right)-\mathrm{\η}{\mathrm{\δ}}_j^{l+1}\left(n\right)x_i^l\left(n\right)---\left(16\right)$

式(16)中w_ji为神经元j、i的连接权值，η为步长，δ_j为灵敏度。

本发明具有以下有益效果：

1.本发明预测需求参数只需要24小时每10分钟的144个实际风速值，不需要风向、气温、气压、温度、湿度等参数。

2.本发明实际风速值可有测风仪或测风塔得到，无需数值天气预报部门提供，经济成本低。

3.由于Matlab公司已将时间序列动态神经网络预测模型做成可视化界面，用户只需将优化灰色GM(1，1)模型预测得到的风速作为输入值即可进行风电功率预测，操作简单、神经网络收敛速度快，可用于中小型风电场风电功率预测。

附图说明

图1为时间序列动态神经网络风电功率预测；

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

实施例1

优化GM(1，1)模型风速预测方法如下：

步骤一：用测风塔或测风仪实际测得风速作为预测模型实际输入值。

步骤二：利用数值逼近原理对传统灰色预测模型进行优化。

1.风速预测模型优化方案

风速预测模型的改进主要是为风电功率预测提供高精确风速预测输入值，只有风速预测值精度提高，风电功率预测才能准确。为此，本发明先在已有的灰色GM(1，1)预测模型的基础利用数值逼近原理进行改进。具体步骤如下：

1.1传统灰色GM(1，1)模型预测风速基本原理

用未优化前的传统GM(1，1)模型预测超短期风速，原理如下：

实测风速原始数据序列X⁽⁰⁾为：

X⁽⁰⁾＝[X⁽⁰⁾(1)，X⁽⁰⁾(2)，…，X⁽⁰⁾(n)]            (1)

式(1)中X⁽⁰⁾为实测序列，X⁽⁰⁾(i)为第i个时间段10min的实测值平均风速。

对实测序列X⁽⁰⁾做一次累加，生成X⁽⁰⁾的紧邻序列X⁽¹⁾，即：

$X^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)\∀k=1,\·\·\·,n---\left(2\right)$

X⁽¹⁾＝[X⁽¹⁾(1)，X⁽¹⁾(2)，…，X⁽¹⁾(n)]

构造GM(1，1)模型的一阶微分方程：

d X⁽¹⁾/dt+a X⁽¹⁾＝b                (3)

(3)式中a、b为作用系数，可用最小二乘法求得，即：

B＝[a  b]^T＝(P^TP)^-1P^TY             (4)

其中： $p=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ \·& \·\\ \·& \·\\ \·& \·\\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right];$ $Y=\left[\begin{array}{c}-X^{\left(0\right)}\left(2\right)\\ -X^{\left(0\right)}\left(3\right)\\ \·\\ \·\\ \·\\ -X^{\left(0\right)}\left(n\right)\end{array}\right];$

$Z^{\left(1\right)}\left(i\right)=\frac{X^{\left(1\right)}(i-1)+X^{\left(1\right)}\left(i\right)}{2}---\left(5\right)$

式(5)中Z⁽¹⁾为X⁽¹⁾的紧邻生成序列。

预测生成序列X⁽²⁾：

X⁽²⁾(i+1)＝[X⁽⁰⁾(1)-b/a]e^-ai+b/a      (6)

预测结果序列X(i)由下式计算可得：

X(i)＝X⁽²⁾(i+1)-X⁽²⁾(i) i＝1，2，…，n  (7)

根据(6)得到序列X⁽²⁾(i)，然后剔除序列X⁽²⁾(i)中的最老数据，继续按照以上步骤生成新数列，直至预测到规定时刻为止。

传统灰色GM(1，1)模型在风速突变点处预测误差过大，风速预测效果较差。预测相对误差见表1：

表1传统灰色GM(1，1)预测误差

1.2优化GM(1，1)模型风速预测方法

为了解决传统灰色GM(1，1)预测模型对随机波动性大的数据序列进行预测时，预测误差较大的问题。在传统GM(1，1)模型的基础上采用数值逼近算法对预测模型进行优化改进，并用Matlab进行仿真，具体方法如下：

μX⁽⁰⁾(i-1)+υX(i)＝X′(i)    (8)

式(8)中μ、υ为待定系数，X′(i)为优化模型预测生成序列，X⁽⁰⁾(i-1)为前一时刻70m测风塔实测风速，X(i)为传统GM(1，1)模型的预测值。

设| X′(i)-X⁽⁰⁾(i)|为t＝i时的绝对误差，全部m个点的总误差平方和值取最小，即：

对(9)求偏导，令

得：

$\underset{i}{\overset{m}{\mathrm{\Σ}}}2[\mathrm{\μ}{X}^{\left(0\right)}(i-1)+\mathrm{\υX}\left(i\right)$ $\underset{i}{\overset{m}{\mathrm{\Σ}}}2[\mathrm{\μ}{X}^{\left(0\right)}(i-1)+\mathrm{\υX}\left(i\right)$

$-X^{\left(0\right)}\left(i\right)]X^{\left(0\right)}(i-1)=0---\left(10\right)$ $-X^{\left(0\right)}\left(i\right)]X\left(i\right)=0---\left(11\right)$

方程(10)、(11)可写成

$\mathrm{\μ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}[X^{\left(0\right)}(i-1){]}^2+\mathrm{\υ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}X\left(i\right)X^{\left(0\right)}(i-1)$

$=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)X^{\left(0\right)}(i-1)---\left(12\right)$

$\mathrm{\μ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}(i-1)X\left(i\right)+\mathrm{\υ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(X\left(i\right)\right)}^2$

$=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)X\left(i\right)---\left(13\right)$

将实测风速值、未优化灰色预测值分别代入公式(12)、(13)求解可得μ、υ的值，即可得到优化的风速预测模型。

优化模型风速预测精度显著提高，预测相对误差见表2：

表2 优化灰色GM(1，1)预测误差

1.3预测误差对比分析

风速突变点处预测结果相对误差过大是由以下两个方面引起得：

(1)风速在这些点附近变化剧烈。

(2)传统GM(1，1)模型中X⁽¹⁾(k)、Z⁽¹⁾(i)是累加生成，预测曲线比较平滑，不能较为准确预测突变风速，使得相对误差过大。

表3是传统GM(1，1)预测模型风速预测相对误差超过40％的突变点和优化GM(1，1)预测模型相对误差比较。

表3相对误差比较

表3中，9个风速突变点处传统GM(1，1)模型预测的平均相对误差为65.2％，优化GM(1，1)模型平均相对误差为30.9％。优化后风速突变点处预测相对误差降低34.3％。

步骤三：将测风塔或测风仪测得风速输入优化预测模型，进行风速预测。

步骤四：将预测模型得到的风速值输入风速预测模型进行滚动预测，可提高未来预测时间。

实施例2  时间序列动态神经网络预测风电功率

由于风速短时期具有相关性，利用动态神经网络对时间序列进行预测时无须建立时间序列的具体数学模型，同时利用动态神经网络对时间序列进行预测无须考虑序列的复杂性及非线性等因素。较之其它神经网络预测模型，动态神经网络对一维时间序列的预测有较好的预测精度，为选用时间序列动态神经网络进行风电功率预测提供现实依据。

2.1风电功率的预测方法

以上述预测风速为输入、风机功率为输出，构建单输入、单输出网络，传递函数采用双曲正切函数：

式(14)中x为神经元输入，

为传递函数值。

误差修正采用“瞬时反传算法”，设瞬时误差平方和为：

ξ(n)＝1/2e²(n)                (15)

其中，期望值d(n)与输出值y(n)之差e(n)＝d(n)-y(n)为误差信号，通过网络训练使总体误差ξ_总＝∑ξ(n)达到最小。

权值采用公式(16)进行误差修正。

$w_{\mathrm{ji}}^l(n+1)=w_{\mathrm{ji}}^l\left(n\right)-\mathrm{\η}{\mathrm{\δ}}_j^{l+1}\left(n\right)x_i^l\left(n\right)---\left(16\right)$

式(16)中w_ji为神经元j、i的连接权值，η为步长，δ_j为灵敏度。

以额定容量为850KW风力机组为例，用时间序列动态神经网络进行功率预测仿真，仿真结果如图1。通过仿真实验发现，隐层节点为18，训练数据占总样本85％、验证数据占总样本10％、测试数据占总样本5％时网络训练效果最好。从图1可以看出，105个样本点以后预测误差减小加快，网络训练逐渐趋于完善，功率预测置信度大于93％，预测效果较好，为短时期风电功率预测提供了参考依据。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

1.一种短期风速预测方法，其特征在于，包括以下步骤：

步骤一：用测风塔或测风仪实际测得风速作为预测模型实际输入值；

步骤二：利用数值逼近原理对传统灰色预测模型进行优化；

在传统GM(1，1)模型的基础上采用数值逼近算法对预测模型进行优化改进，并用Matlab进行仿真，具体方法如下：

μX⁽⁰⁾(i-1)+υX(f)＝X′(i)    (8)

式(8)中μ、υ为待定系数，X′(i)为优化模型预测生成序列，X⁽⁰⁾(i-1)为前一时刻70m测风塔实测风速，X(i)为传统GM(1，1)模型的预测值；

设|X′(i)-X⁽⁰⁾(i)|为t＝i时的绝对误差，全部m个点的总误差平方和值取最小，即：

对(9)求偏导，令

得：

$\underset{i}{\overset{m}{\mathrm{\Σ}}}2[\mathrm{\μ}{X}^{\left(0\right)}(i-1)+\mathrm{\υX}\left(i\right)$ $\underset{i}{\overset{m}{\mathrm{\Σ}}}2[\mathrm{\μ}{X}^{\left(0\right)}(i-1)+\mathrm{\υX}\left(i\right)$

$-X^{\left(0\right)}\left(i\right)]X^{\left(0\right)}(i-1)=0---\left(10\right)$ $-X^{\left(0\right)}\left(i\right)]X\left(i\right)=0---\left(11\right)$

方程(10)、(11)可写成

$\mathrm{\μ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}[X^{\left(0\right)}(i-1){]}^2+\mathrm{\υ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}X\left(i\right)X^{\left(0\right)}(i-1)$

$=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)X^{\left(0\right)}(i-1)---\left(12\right)$

$\mathrm{\μ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}(i-1)X\left(i\right)+\mathrm{\υ}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(X\left(i\right)\right)}^2$

$=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{X}^{\left(0\right)}\left(i\right)X\left(i\right)---\left(13\right)$

将实测风速值、未优化灰色预测值分别代入公式(12)、(13)求解可得μ、υ的值，即可得到优化的风速预测模型；

步骤三：将测风塔或测风仪测得风速输入优化预测模型，进行风速预测；

步骤四：将预测模型得到的风速值输入风速预测模型进行滚动预测，可提高未来预测时间。

2.根据权利要求1所述的短期风速预测方法进行风电功率预测方法，其特征在于，利用时间序列动态神经网络预测风电功率，以所述预测风速为输入、风机功率为输出，构建单输入、单输出网络，传递函数采用双曲正切函数：

式(14)中x为神经元输入，

为传递函数值。

误差修正采用“瞬时反传算法”，设瞬时误差平方和为：

ξ(n)＝1/2e²(n)(15)

其中，期望值d(n)与输出值y(n)之差e(n)＝d(n)-y(n)为误差信号，通过网络训练使总体误差ξ_总＝∑ξ(n)达到最小；

权值采用公式(16)进行误差修正；

$w_{\mathrm{ji}}^l(n+1)=w_{\mathrm{ji}}^l\left(n\right)-\mathrm{\η}{\mathrm{\δ}}_j^{l+1}\left(n\right)x_i^l\left(n\right)---\left(16\right)$

式(16)中w_ji为神经元j、i的连接权值，η为步长，δ_j为灵敏度。

Images