CN102938562A - 一种区域内风电总功率的预测方法 - Google Patents

Abstract

本发明属于风力发电功率预测技术领域，涉及一种面向区域内风电总功率的预测方法。该方法包括：A）在区域内选择代表风电场，并进一步获取各代表风电场的输出功率预测值；B）通过径向基函数神经网络建立映射模型，并根据各代表风电场的输出功率预测值计算出区域内风电总功率预测值；C）输出区域内风电总功率预测值。该预测方法具有使用操作方便、输入输出简单、预测准确度高、误差小，可扩展性好、运用灵活等优点，当代表风电场的预测功率已知，可直接通过映射模型计算出区域内风电总功率预测值；当代表风电场的预测功率未知，可将映射模型接入代表风电场，通过代表风电场的NWP数据来驱动模型，进一步计算出区域内风电总功率预测值。

Description

一种区域内风电总功率的预测方法

技术领域

本发明属于风力发电功率预测技术领域，涉及一种面向区域内风电总功率的预测方法。

背景技术

风电输出功率具有很强的随机性,目前的预报水平还不能满足电力系统实际运行的需要，准确的区域风电功率预测有利于电力调度部门安排该区域电力系统的发电计划，保证电能质量，减少系统的备用容量，这对于降低电力系统运行成本有重要的意义。目国内风电功率预测主要集中在对单个风电场功率的预测，对于某一区域内所属风电场总功率的预测相对较少。

区域风电总功率指特定地理范围或者行政隶属范围内所有并网风电场在相同时刻接入电网的功率之和，最简单的预测方式就是把单个风电场的预测结果求和便得出省级全网风电总功率。事实上，这种方式行不通。首先，很多风电场未安装风功率预测系统。其次，各个风电场预测结果准确度良莠不齐，直接相加有可能使误差放大，得出的结果不可信。

实质上，综合考虑到各个风电场之间的地理位置，风功率的间歇性，各个风电场风机运行的稳定性，随机性干扰等因素的影响，本发明通过分析各个风电场以及区域内总风电功率历史数据，建立了一个有效的映射模型以实现区域风电功率预测。

发明内容

为了克服现有技术的，本发明的目的在于提出一种误差小、准确度高、使用方便的区域内风电总功率的预测方法。

本发明是通过如下技术方案来实现的：

一种区域内风电总功率的预测方法，包括如下步骤：

A．在区域内选择代表风电场，并进一步获取各代表风电场的输出功率预测值；

B．通过径向基函数神经网络建立映射模型，并根据各代表风电场的输出功率预测值计算出区域内风电总功率预测值；

C．输出区域内风电总功率预测值。

本发明的预测方法具有如下优点：

（1）该方法使用操作方便，通过建立映射模型实现流程化操作，输入输出简单。

（2）该方法预测准确度高、误差小，可扩展性好。

（3）该方法运用灵活，当代表风电场的预测功率已知（即通过风电功率预测系统直接读取），可直接通过映射模型计算出区域内风电总功率预测值；当代表风电场的预测功率未知，可将映射模型接入代表风电场，通过代表风电场的NWP数据（包括风向和风速）来驱动模型，进一步计算出区域内风电总功率预测值。

附图说明

图1为本发明区域内风电总功率的预测方法的流程示意图；

图2为通过风向和风速的划分规则建立的决策树示意图；

图3为通过径向基函数神经网络（以下简称RBF神经网络）建立的映射模型示意图。

具体实施方式

下面结合附图对本发明的区域内风电总功率的预测方法作进一步详细的说明。

如图3所示，该预测方法可分为如下几步：

步骤1．选择代表风电场。

通过下式（1）求取各风电场的输出功率与区域内风电总功率的相关系数：

$r=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})(y_t-\stackrel{\‾}{y})}{\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(x_t-\stackrel{\‾}{x})}^2}\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(y_t-\stackrel{\‾}{y})}^2}}---\left(1\right)$

式（1）中，x_t为t时刻单个风电场的输出功率，y_t为t时刻区域内风电总功率，

为所有风电场输出功率的平均值，

为区域内风电总功率的平均值；

找出与区域内风电总功率有较好相关性（即：相关系数r≥0.8）的风电场作为“代表风电场”，并参与后面的步骤。

步骤2．获取各代表风电场的输出功率预测值，该值可通过通过风电功率预测系统直接读取，也可以通过建立风速功率决策单元、并根据各代表风电场的风向和风速计算得出，下面对第二种方式进行详细说明：

该决策单元的建立是基于把某一电场看成一个整体，由于受到地形，风机排布，风机尾流以及周边建筑物或者其他不确定因素的影响，在此假定沿着某一特定方向，某一特定风速段（大风，中风，小风），上述因素造成此方向风速功率的特定影响，建立一个如图1所示的决策树。在图1中，W(d(t),v(t))表示t时刻风速矢量，其中，

风向划分规则如下：

NEE（东北东方向）：0≤d(t)＜45；

NEN（东北北方向）：45≤d(t)＜90；

NWN（西北北方向）：90≤d(t)＜135；

NWW（西北西方向）：135≤d(t)＜180；

SWW（西南西方向）：180≤d(t)＜225；

SWS（西南南方向）：225≤d(t)＜270；

SES（东南南方向）：270≤d(t)＜315；

SEE（东南东方向）：315≤d(t)＜360；

风速划分规则如下：

B（大风）：0＜v(t)≤5；

M（中风）：5＜v(t)≤10；

S（小风）：v(t)≥10；

风速功率决策单元的建立是按照上述风方向和风速大小划分规则对历史数据进行归类，总共有24类，然后对相应的时刻的风速功率时间序列进行曲线拟合，确定R₁到R₂₄的风速功率关系。

下面举例说明归类的方法：在t时刻某一代表风电场的风向为d(t)=55，风速大小为v(t)=8，此刻的功率为P(t)。那么根据上述风向及风速划分规则，t时刻的功率P(t)就应该归类到NEN方向M（中风）类中。

所述曲线拟合的具体步骤包括：

1）通过所读取的数据(P(t_i),d(t_i))(i＝1,2,...,n)绘制散点图，并根据散点图确定曲线类型和曲线拟合方程式中的项数m；

所述曲线拟合方程式为：

P(t_i)＝a_md^m(t_i)+a_m-1d_m-1(t_i)+…+a₀（2）

式（2）中，P(t_i)、d(t_i)分别为t时刻第i个代表风电场的输出功率和风向；a₀、……、a_m-1、a_m为待确定的系数；m为曲线拟合方程式中的项数，通常取值为3；；

2）建立目标函数：

$\underset{a_1...a_m}{\min }\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(a_m{d}^m\left(t_i\right)+a_{m-1}{d}^{m-1}\left(t_i\right)+...+a_0-P\left(t_i\right))}^2---\left(3\right)$

3）通过最小二乘法确定目标函数中的系数a₀……a_m，并代入曲线拟合方程式（2）中，求得各代表风电场的输出功率预测值，具体步骤包括：

31）令 $D=\left(\begin{array}{cccc}1& d\left(t_1\right)& ...& d^m\left(t_1\right)\\ 1& d\left(t_2\right)& ...& d^m\left(t_2\right)\\ ...& ...& ...& ...\\ 1& d\left(t_n\right)& ...& d^m\left(t_n\right)\end{array}\right),$ $a=\left(\begin{array}{c}{a}_0\\ a_1\\ .\\ .\\ .\\ a_m\end{array}\right),$ $P=\left(\begin{array}{c}P\left(t_1\right)\\ P\left(t_2\right)\\ .\\ .\\ .\\ P\left(t_n\right)\end{array}\right);$

32）即Da＝P，划成正则化方程D^TDa＝D^TP；

33）解正则化方程D^TDa＝D^TP，得a＝（D^TD）^-1D^TP，即确定了系数a、并确定了曲线拟合方程式（2）。

注：由于数据量庞大的限制和计算过程的庞杂，举例篇幅巨大，不在此赘述。

当R₁到R₂₄确定后，风速功率决策单元建立完毕。

步骤3．建立功率映射模型，并根据各代表风电场的输出功率预测值计算出区域内风电总功率预测值。

为了在已知t时刻所有代表风电场预测功率的基础上对t时刻区域内总风电功率进行预测，在此采用RBF神经网络建立映射模型。

通过RBF神经网络建立的映射模型如附图2所示，包括输入层、隐含层和输出层：设代表风电场有m个，即输入层有m个神经元；设隐含层有n+1个神经元，其中一个神经元的输出值恒为1，即隐含层的阈值

设输出层有一个区域总电场；

首先，输入层的每个神经元将通过其输入的一个代表风电场的输出功率预测值分别传至隐含层中除输出值恒为1以外的n个神经元，所述n个神经元的输出值通过下式计算：

式（4）中，X_i(t)为t时刻第i个代表风电场的输出功率预测值，C(t)为t时刻高斯函数的中心，σ为高斯函数的方差，j=1,2……n，i=1,2……6；C(t)可以用K-均值聚类算法求得，K-均值聚类算法在执行过程中会产生若干聚类中心。当C(t)确定后，σ通过公式：获得，其中d_max为所选取中心之间的最大距离。

其次，隐含层中各神经元的输出值与相应权重进行计算后，分别传至输出层进行求和计算，即得到区域内风电总功率预测值。隐含层中各神经元的输出值与相应权重进行计算的具体步骤如下：

本例中，将隐含层中编号为0的神经元的输出值设置为恒等于1，该神经元的输出值与权重w₀相乘后得到值w₀，并传至输出层；

将隐含层中其它n个神经元的输出值

分别与相对应的权重w₁(t)……w_i(t)……w_I(t)通过下式进行计算后传至输出层：

式（5）中，y_j(X_i(t))为隐含层中第j个神经元传至输出层的输入值，w₀为与隐含层中输出值恒为1的第0个神经元与输出层的连接权重，w_j为与隐含层中第j个神经元与输出层的连接权重，权重是通过学习样本计算确定的，确定好以后，在做预测的时候直接用。在做预测的时候无需进行权重的计算；为隐含层中第j个神经元的输出值。

通过用历史数据对神经网络进行学习，确定合适的隐含层节点（即神经元）的个数N，以及合理的权重和阈值，功率映射模型建立完毕。

1）本发明中通过下式来确定隐含层中的神经元个数：

$N=\mathrm{round}\left(\sqrt{n+m}\right)+5$

其中，m,n分别为输入层、输出层的神经元个数，m等于代表风电场的个数，n为一个区域总电场，round()意为取整运算。

2）权重是通过下式进行更新确定的：

$w_i(n+1)=w_i\left(n\right)-\mathrm{\η}\frac{\∂E\left(n\right)}{{\∂w}_i\left(n\right)}$

其中，η为学习速率，为误差目标函数对权重的一阶偏导数，该模型首次运行时，先为所有权重赋值，首次输出的区域内风电总功率预测值P(t)，该P(t)值与预先设置的目标值的差值即为上式中的误差值E(n)，而每次权重均以上一次权重和误差值为基础进行实时更新。

3）本例中，设置阈值

步骤4．输出区域内风电总功率的预测值P(t)。

本发明综合采用统计，智能算法实现了一种以区域代表点NWP（数值天气预报）数据为输入，区域风电总预测功率为输出的预测模型。通过对区域内单个风电场输出功率与区域总输出率之间的相关性分析，选择相关性较好的风电场作为代表风电场。在此基础上利用历史数据，对风速进行分类，建立不同方向，不同风速水平下的风速功率关系，最终用决策树的思想建立每个代表风电场风速功率决策单元，实现在已知该代表风电场NWP数据的情况下，就可以预测出其输出功率的功能。最后在代表风电场功率已知的情况下，为了预测出区域风电总功率，采用RBF神经网络建立功率映射模型解决了此问题。

最后应该说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，结合上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解到：本领域技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (8)

1.一种区域内风电总功率的预测方法，其特征在于，该方法包括如下步骤：

A．在区域内选择代表风电场，并进一步获取各代表风电场的输出功率预测值；

B．通过径向基函数神经网络建立映射模型，并根据各代表风电场的输出功率预测值计算出区域内风电总功率预测值；

C．输出区域内风电总功率预测值。

2.如权利要求1所述的方法，其特征在于，所述步骤A中，选择代表风电场的具体方法包括：

A1．通过下式求取各风电场的输出功率与区域内风电总功率的相关系数：

$r=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})(y_t-\stackrel{\‾}{y})}{\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(x_t-\stackrel{\‾}{x})}^2}\sqrt{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(y_t-\stackrel{\‾}{y})}^2}}---\left(1\right)$

式中，x_t为t时刻某一风电场的输出功率，y_t为t时刻区域内风电总功率，

为所有风电场输出功率的平均值，

为区域内风电总功率的平均值；

A2．找出相关系数r≥0.8的风电场作为代表风电场。

3.如权利要求1所述的方法，其特征在于，所述步骤A中，各代表风电场的输出功率预测值通过风电功率预测系统直接读取，或者通过各代表风电场的风向和风速计算得出。

4.如权利要求3所述的方法，其特征在于，所述通过各代表风电场的风向和风速计算得出各代表风电场输出功率预测值的具体步骤包括：

首先，通过风向和风速的划分规则对各代表风电场的输出功率进行归类；

其次，对归类的各代表风电场的输出功率进行曲线拟合后，即得到各代表风电场的输出功率预测方程。

5.如权利要求4所述的方法，其特征在于，

所述风向d(t)的划分规则为：

NEE（东北东方向）：0≤d(t)＜45;

NEN（东北北方向）：45≤d(t)＜90;

NWN（西北北方向）：90≤d(t)＜135;

NWW（西北西方向）：135≤d(t)＜180;

SWW（西南西方向）：180≤d(t)＜225;

SWS（西南南方向）：225≤d(t)＜270;

SES（东南南方向）：270≤d(t)＜315;

SEE（东南东方向）：315≤d(t)＜360;

所述风速v(t)的划分规则为：

B（大风）：0＜v(t)≤5;

M（中风）：5＜v(t)≤10;

S（小风）：v(t)≥10。

6.如权利要求4所述的方法，其特征在于，所述曲线拟合的具体步骤包括：

1）通过所读取的数据P(t_i)和d(t_i)绘制散点图，并根据散点图确定曲线类型和曲线拟合方程式中的项数m；所述曲线拟合方程式为：

P(t_i)＝a_md^m(t_i)+a_m-1d^m-1(t_i)+…+a₀

式中，P(t_i)、d(t_i)分别为t时刻第i个代表风电场的输出功率和风向，a₀、……、a_m-1、a_m为待确定的系数，m为项数；

2）建立下式中的目标函数：

$\underset{a_1...a_m}{\min }\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(a_m{d}^m\left(t_i\right)+a_{m-1}{d}^{m-1}\left(t_i\right)+...+a_0-P\left(t_i\right))}^2;$

3）通过最小二乘法确定目标函数中的a₀……a_m，并代入曲线拟合方程式求得各代表风电场的输出功率预测值。

7.如权利要求1所述的方法，其特征在于，所述步骤B的具体方法包括：

所述映射模型包括输入层、隐含层和输出层；设代表风电场有m个，即输入层有m个神经元；设隐含层有n+1个神经元、且其中一个神经元的输出值恒为1；

首先，所述输入层的每个神经元将各代表风电场的输出功率预测值分别传至隐含层中除输出值恒为1以外的其它n个神经元，所述n个神经元的输出值通过下式计算：

式中，X_i(t)为t时刻第i个代表风电场的输出功率预测值，C(t)为t时刻高斯函数的中心，σ为高斯函数的方差，j=1,2……n，i=1,2……6；

其次，所述隐含层中各神经元的输出值与相应权重进行计算后，分别传至输出层进行求和计算，即得到区域内风电总功率预测值。

8.如权利要求7所述的方法，其特征在于，

所述隐含层中一个输出恒为1的神经元的输出值与相应权重w₀进行乘积后传至输出层；

所述隐含层中其它n个神经元输出值分别与相应权重通过下式进行计算后传至输出层：

式中，y_j(X_i(t))为隐含层中第j个神经元传至输出层的输入值，w₀、w_j分别为隐含层与输出层的连接权重。

Images