CN102880810A - 基于时间序列和神经网络法的风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于时间序列和神经网络法的风电功率预测方法，具体步骤为：步骤一：建立时间序列模型；步骤二：建立神经网络模型并对神经网络初始化；步骤三：建立风速预测模型：根据风速的原始数据经数据差分处理，基于时间序列法建立风速预测模型；步骤四：根据风速的预测模型及风速-功率转换关系，预测风电功率；步骤五：建立风电功率预测模型：基于风速的预测模型及风速-功率转换关系，建立风电功率的预测模型，利用风速预测模型获得的风速预测值作为风电功率预测模型的输入值，获得风电功率预测值，有效减少由于风速与风电功率之间的非线性关系带来的预测误差，适于风电功率的短期预测。

Description

基于时间序列和神经网络法的风电功率预测方法

技术领域

本发明涉及一种风电功率预测方法，尤其涉及一种基于时间序列和神经网络法的风电功率预测方法。

背景技术

随着风力发电装机容量的不断提升，风电占全网发电总量的比例也在逐年增加。伴随风电所占比重的不断增加，其给电力系统的安全、经济、稳定运行亦带领诸多问题，比如风能的高频率、高度波动所引起的风电峰谷差调节、电能质量。分析风电接入电网所带来的诸多问题主要是由于风能自身固有的间歇性、随机性引起的。

风能具有随机波动性，输出的风电功率输出同样有很强的随机波动性。如果能够准确预测风电的输出功率，可以有效减少旋转备用容量，以达到电力系统经济稳定运行的目的。因此，风电功率短期预测的研究有重要意义。

目前，风电预测技术发展相对较快，现有的风电有功功率预测的主要研究方法有以下几方面：（1）按预测的数学模型不同，可分为时间序列法、神经网络法、卡尔曼滤波法等。时间序列法与神经网络均依赖历史数据，并且假定规律延续的存在性，单一此类方法的利用对提高预测精度并不大，卡尔曼滤波是以最小均方误差为估计的最佳准则来寻求一套递推估计的算法，其数据处理实时性存在问题。（2）按预测模型的对象不同，可分为基于风速的预测方法（直接法）和基于功率的预测方法（间接法）。现阶段基于风速的预测模型大多采用统计方法或学习方法等数学模型获取风速的预测数值，然后利用风速与风电机组输出功率的关系式获取风电功率的预测数据，然而风电功率不仅与风速有关，且两者之间是三次方关系，因此直接利用风机的功率转换关系获取风电功率，其预测精度有所降低。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于时间序列和神经网络法的风电功率预测方法，它具有有效减小由于风电功率与风速之间非线性关系对预测精度影响的优点。

为了实现上述目的，本发明采用如下技术方案：

一种基于时间序列和神经网络法的风电功率预测方法，具体步骤为：

步骤一：建立时间序列模型：根据历史时刻值及随机干扰的包噪声序列建立时间序列的预测模型；

步骤二：建立神经网络模型，并对神经网络初始化；

步骤三：建立风速预测模型：根据风速的原始数据经数据差分处理，基于时间序列法建立风速预测模型；

步骤四：根据风速的预测模型及风速-功率转换关系，预测风电功率；

步骤五：建立风速-风电功率预测模型：基于风速的预测模型及风速-功率转换关系，建立风电功率的BP-ANN预测模型，利用风速预测模型获得的风速预测值作为风电功率预测模型的输入值，获得风电功率预测值。

所述步骤一的具体步骤为：

（1）历史时刻值及随机干扰的包噪声序列的影响建立的预测模型，即ARMA（p，q）模型，具体描述如下：

其中，x_t-i是t-i时刻对应的数据值，a_t-i是随机变量，

是自回归参数，θ_q是滑动平均参数，p和q分别是p阶自回归过程和q阶滑动平均过程，i为大于等于0的整数；

（2）对动态数据进行平稳化处理；常用差分处理消除动态数据的不平稳性；

（3）对平稳化处理后的数据进行标准化处理，如式(3)所示；

$X_t={\▿}^d{x}_t---\left(2\right)$

$y_t=\frac{X_t-{\mathrm{\μ}}_x}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，X_t是x_t经过差分处理后的值，μ_x是序列X_t的均值估计值，即样本均值，σ_x是序列X_t的均方差估计值，y_t是X_t经过标准化处理后的值，

表示数列x_t经过d阶差分。

（4）对建立的时间序列模型进行辨识和参数估计，用AIC定阶准则法确定模型的阶数p和q，用先后估计法确定参数

和θ_q。

所述步骤二的中神经网络模型包括输入层、隐含层和输出层，隐含层神经元映射函数常采用Sigmoid函数，任意精度逼近于连续函数，输出层采用Pu relin函数，整个网络的输出可以取任意值。

所述步骤三的具体步骤为：

（1）对风速的原始数据差分处理，获取均值为0的平稳化数据，经过两阶差分处理的数据满足时间序列法的平稳化需求，将风速数据的差分阶数定为2；

（2）对平稳化处理后的数据进行标准化处理；

（3）根据AIC定阶准则确定模型为ARMA（2，1）；

（4）根据先后估计法确定ARMA（2，1）的参数，

θ₁＝0.5212；

（5）用ARMA（2,1）预测得到的数据，经过反差分得到风速预测数据。

所述步骤四的具体方式为：

在所得预测风速的基础上，利用风机的功率转换关系计算风电机组的输出功率，

P＝C_pπR²ρv³/2(4)

其中，C_p为功率转换系数；πR²为叶片扫掠面积，R为叶片半径，ρ为空气密度，v为风速。

本发明的有益效果：

基于历史风速数据建立风速的时间序列模型，然后基于BP-ANN算法建立风速-风电功率模型，进而以风速的预测数据作为BP-ANN模型的输入获取风电预测功率，该模型有效减少由于风速与风电功率之间的非线性关系带来的预测误差，适于风电功率的短期预测，本发明提高预测精度和数据处理的实时性。

附图说明

图1为预测风电功率预测流程图；

图2为风速原始数据的差分处理图；

图3为风速历史数据及其预测结果图；

图4为预测风速拟合的风电功率曲线；

图5基于BP-ANN的风电功率预测图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于时间序列和神经网络法的风电功率预测方法，具体步骤为：

步骤一：建立时间序列模型：根据历史时刻值及随机干扰的包噪声序列建立时间序列的预测模型；

步骤二：建立神经网络模型，并对神经网络初始化；

步骤三：建立风速预测模型：根据风速的原始数据经数据差分处理，基于时间序列法建立风速预测模型，如图2所示为风速原始数据的差分处理图；

步骤四：根据风速的预测模型及风速-功率转换关系，预测风电功率；如图4所示，为预测风速拟合的风电功率曲线；

步骤五：建立风电功率预测模型：基于风速的预测模型及风速-功率转换关系，建立风电功率的预测模型，利用风速预测模型获得的风速预测值作为风电功率预测模型的输入值，获得风电功率预测值，如图5所示，为基于BP-ANN的风电功率预测图。

所述步骤一的具体步骤为：

（1）历史时刻值及随机干扰的包噪声序列的影响建立的预测模型，即ARMA（p，q）模型，具体描述如下：

其中，x_t-i是x_t-i是t-i时刻对应的数据值，a_t-i是随机变量，

是自回归参数，是滑动平均参数，p和q分别是p阶自回归过程和q阶滑动平均过程，i为大于等于0的整数；

（2）对动态数据进行平稳化处理；常用差分处理消除动态数据的不平稳性；

（3）对平稳化处理后的数据进行标准化处理，如式(3)所示；

$X_t={\▿}^d{x}_t---\left(2\right)$

$y_t=\frac{X_t-{\mathrm{\μ}}_x}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，X_t是x_t经过差分处理后的值，_μx是序列X_t的均值估计值，即样本均值，σ_x是序列X_t的均方差估计值，y_t是X_t经过标准化处理后的值，

表示数列x_t经过d阶差分；

（4）对建立的时间序列模型进行辨识和参数估计，用AIC定阶准则法确定模型的阶数p和q，用先后估计法确定参数和θ_q。

所述步骤二的中神经网络模型包括输入层、隐含层和输出层，隐含层神经元映射函数常采用Sigmoid函数，任意精度逼近于连续函数，输出层采用Purelin函数，整个网络的输出可以取任意值。

所述步骤三的具体步骤为：

（1）对风速的原始数据差分处理，获取均值为0的平稳化数据，经过两阶差分处理的数据满足时间序列法的平稳化需求，将风速数据的差分阶数定为2；

（2）对平稳化处理后的数据进行标准化处理；

（3）根据AIC定阶准则确定模型为ARMA（2，1）；

（4）根据先后估计法确定ARMA（2，1）的参数，

θ₁＝0.5212；

（5）用ARMA（2,1）预测得到的数据，经过反差分得到风速预测数据，如图3所示，风速历史数据及其预测结果图。

所述步骤四的具体方式为：

在所得预测风速的基础上，利用风机的功率转换关系计算风电机组的输出功率，

P＝C_pπR²ρv³/2(4)

其中，C_p为功率转换系数；πR²为叶片扫掠面积，R为叶片半径，ρ为空气密度，v为风速。

其相关计算参数按GAMESA公司的1.5MW风机为例，具体参数为：功率转换系数：C_p=0.28；叶片扫掠面积：S=ΠR²；叶片半径：R=33.5m；空气密度：ρ=1.225kg/m3。

为了定量考察风电功率的预测精度，以平均绝对误差进行分析：

${\mathrm{\ϵ}}_R=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\frac{|x_t^{\′}-x_t|}{x_t}---\left(5\right)$

其中，x_t为风电功率预测值，x_t为实际测量值。

依据式（5）统计计算不同风电功率预测模型的平均绝对误差，有如下结论：

（1）风速预测的平均绝对误差是23.52％；基于风速-风电功率转换关系的风电功率预测的平均绝对误差是31.59％；基于BP-ANN算法的风电功率预测的平均绝对误差是27.90％。

（2）基于BP-ANN算法的风电功率的预测精确度好于基于风速-风电功率的风电功率预测精度。原因是风速与功率之间是三次方关系，这样由风速转变为功率时误差会加倍。并且风机在风速小于起动风速时，输出功率很小；风速大于切出风速时，输出功率为额定输出功率，功率不再增加，而用功率转换公式预测风电功率时没有考虑切入及切出风速的影响。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种基于时间序列和神经网络法的风电功率预测方法，其特征是，具体步骤为：

步骤一：建立时间序列模型：根据历史时刻值及随机干扰的包噪声序列建立时间序列的预测模型；

步骤二：建立神经网络模型，并对神经网络初始化；

步骤三：建立风速预测模型：根据风速的原始数据经数据差分处理，基于时间序列法建立风速预测模型；

步骤四：根据风速的预测模型及风速-功率转换关系，预测风电功率；

步骤五：建立风电功率预测模型：基于风速的预测模型及风速-功率转换关系，建立风电功率的预测模型，利用风速预测模型获得的风速预测值作为风电功率预测模型的输入值，获得风电功率预测值。

2.如权利要求1所述基于时间序列和神经网络法的风电功率预测方法，其特征是，所述步骤一的具体步骤为：

（1）历史时刻值及随机干扰的包噪声序列的影响建立的预测模型，即ARMA（p，q）模型，具体描述如下：

其中，x_t-i是t-i时刻对应的数据值，a_t-i是随机变量，

是自回归参数，θ_q是滑动平均参数，p和q分别是p阶自回归过程和q阶滑动平均过程，i为大于等于0的整数；

（2）对动态数据进行平稳化处理；常用差分处理消除动态数据的不平稳性；

（3）对平稳化处理后的数据进行标准化处理，如式(3)所示；

$X_t={\▿}^d{x}_t---\left(2\right)$

$y_t=\frac{X_t-{\mathrm{\μ}}_x}{{\mathrm{\σ}}_x}---\left(3\right)$

其中，X_t是x_t经过差分处理后的值，μ_x是序列X_t的均值估计值，即样本均值，σ_x是序列X_t的均方差估计值，y_t是X_t经过标准化处理后的值，

表示数列x_t经过d阶差分。

（4）对建立的时间序列模型进行辨识和参数估计，用AIC定阶准则法确定模型的阶数p和q，用先后估计法确定参数

和θ_q。

3.如权利要求1所述基于时间序列和神经网络法的风电功率预测方法，其特征是，所述步骤二的中神经网络模型包括输入层、隐含层和输出层，隐含层神经元映射函数常采用Sigmoid函数，任意精度逼近于连续函数，输出层采用Purelin函数，整个网络的输出取任意值。

4.如权利要求1所述基于时间序列和神经网络法的风电功率预测方法，其特征是，所述步骤三的具体步骤为：

（1）对风速的原始数据差分处理，获取均值为0的平稳化数据，经过两阶差分处理的数据满足时间序列法的平稳化需求，将风速数据的差分阶数定为2；

（2）对平稳化处理后的数据进行标准化处理；

（3）根据AIC定阶准则确定模型为ARMA（2，1）；

（4）根据先后估计法确定ARMA（2，1）的参数，

θ₁＝0.5212；

（5）用ARMA（2,1）预测得到的数据，经过反差分得到风速预测数据。

5.如权利要求1所述基于时间序列和神经网络法的风电功率预测方法，其特征是，所述步骤四的具体方式为：

在所得预测风速的基础上，利用风机的功率转换关系计算风电机组的输出功率，

P＝C_pπR²ρv³/2(4)

其中，C_p为功率转换系数；πR²为叶片扫掠面积，R为叶片半径，ρ为空气密度，v为风速。

Images