CN103208037B - 一种应用于新能源电站的基于在线校正的功率预测方法 - Google Patents

Abstract

本发明属于电站功率预测方法，具体涉及一种应用于新能源电站的基于在线校正的功率预测方法，包括如下步骤1）设置发电系统、预测系统和校正器；2）发电系统与预测系统并联且输入相同；其中发电系统直接以调度下发的计划值作为输出，预测系统以预测值作为输出；发电系统输出的计划值与预测系统输出的预测值做差；3）校正器以计划值和预测值的差值作为输入，通过校正算法对预测系统进行在线实时校正。本发明通过引入发电系统的计划数据及设计的校正器，将预测系统由开环变为闭环。发电系统输出的发电计划值与预测系统输出的预测值做差，校正器根据该差值对预测模型进行在线实时调整，极大地提高了预测精度。

Description

一种应用于新能源电站的基于在线校正的功率预测方法

技术领域

本发明属于电站功率预测方法，具体涉及一种应用于新能源电站的基于在线校正的功率预测方法。

背景技术

近年来随着我国经济建设的高速持续发展，为解决常规能源日益缺乏的问题，风能、太阳能等新能源发电得到快速发展。但是风能、太阳能等具有波动性及间歇性的特点，大规模接入电网后会对电网的安全稳定运行带来影响。为此风电场、光伏电站等需建设功率预测系统，对出力进行预测，作为调度调峰的依据。

从预测时效上区分，预测主要分为短期及超短期预测。对于超短期预测而言，目前预测模型普遍采用的是三层前向神经网络。这种方法利用了BP神经网络能够以任意的精度逼近非线性映射的特点，通过收集电站的历史运行数据进行神经网络离线训练以获取网络权值，从而使得该网络能够描述当前气象状况与未来出力之间的关系。因此从理论上而言，只要历史数据能够充分代表各种气象变化与出力之间的关系，该预测方式就能够对电站的出力做出精确的预测。

但是在实际应用中，特别是对于刚建不久的电站而言，其所保存的历史运行数据很难具有代表性。为了提高预测精度，需要在电站运行过程中每半年或者一年收集一次最新的运行数据以补充神经网络训练样本，对网络进行离线再训练以调整网络权值。这种人工校正的方法具有比较大的时间滞后性，对当前模型的误差至少半年后才做出调整，极大地影响了预测系统的预测精度。

发明内容

本发明的技术目的是克服现有技术中的问题，提供一种在电站运行的过程中利用运行数据实时在线地对预测系统做出校正、使得预测系统不断地自行提高预测精度的应用于新能源电站的基于在线校正的功率预测方法。

为实现本发明的目的，本发明采用的技术方案为：一种应用于新能源电站的基于在线校正的功率预测方法，其特征在于，包括如下步骤：

1）设置发电系统、预测系统和校正器；

2）发电系统与预测系统并联且输入相同；其中发电系统直接以调度下发的计划值作为输出，预测系统以预测值作为输出；发电系统输出的计划值与预测系统输出的预测值做差；

3）校正器以计划值和预测值的差值作为输入，通过校正算法对预测系统进行在线实时校正。

前述的一种应用于新能源电站的基于在线校正的功率预测方法，所述的预测系统的预测模型采用三层前向神经网络。

前述的一种应用于新能源电站的基于在线校正的功率预测方法，所述的预测系统输出的预测值上传调度。

前述的一种应用于新能源电站的基于在线校正的功率预测方法,预测系统的预测模型的输出y与输入u的关系如下：

y＝W₁ ^Tσ(V₁ ^Tu)（1）

其中W₁ ^T表示神经网络隐层到输出层的连接权值矩阵，σ(·)为隐含层的激活函数，V₁ ^T表示输入层到神经网络隐层的连接权值矩阵；

校正器的输入y_j为发电系统输出的发电计划值y_d与预测系统输出的预测值y的差值：

y_j＝y_d-y（2）

校正器的在线调节性能指标选取如下：

$J=\frac{1}{2}{y_j}^2=\frac{1}{2}{(y_d-y)}^2---\left(3\right)$

根据梯度下降法可得：

${W_1}^T(k+1)={W_1}^T\left(k\right)-{\mathrm{\η}}_1\frac{\∂J}{\∂{W_1}^T\left(k\right)}---\left(4\right)$

综合式(1)至式(4)可得校正器的在线调节算法为：

W₁ ^T(k+1)＝W₁ ^T(k)+η₁y_jσ^T(5)

其中η₁为学习速率，η₁的选择要在有利于在线学习的快速性和神经网络的收敛性之间做折中；k表示当前时标，k+1表示经过一个时间跨度后的时标。

前述的一种应用于新能源电站的基于在线校正的功率预测方法,包括如下具体步骤：

1）t=0时刻，导入离线训练后神经网络的权值，以初始化预测系统；

2）在t时刻采集发电计划值y_d，t为15min的正整数倍；计算超短期预测值y，将未来四小时总共16点预测值上送调度，同时保存t时刻的预测值y；

3）根据式(2)计算y_j；当|y_j|>c|y_d|，其中取c∈[0,0.05],设置学习速率η₁，根据式(5)在线更新神经网络权值，否则不更新；

4）t=t+T，T为15min，返回步骤2。

本发明的一种应用于新能源电站的基于在线校正的功率预测方法，给出了可应用于风电、光伏等新能源电站超短期功率预测的预测方法。该方法通过引入发电系统的计划数据及设计的校正器，将预测系统由开环变为闭环。发电系统输出的发电计划值与预测系统输出的预测值做差，校正器根据该差值对预测模型进行在线实时调整。该预测方法解决了现实中新能源电站，特别是新建电站的历史运行数据代表性不足，而离线校正又具有较大的时间滞后性的问题，极大地提高了预测精度，为新能源电站大规模接入电网提供了技术保障。

附图说明

图1为本发明的一种应用于新能源电站的基于在线校正的功率预测方法的结构图。

具体实施方式

为使本发明实现的技术方案、技术特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

本发明改进之处在于可以实现预测系统的在线实时校正。

本发明的方法设置了三个子系统：发电系统，预测系统及校正器。

发电系统与预测系统并联，两者输入相同。预测系统的预测模型采用三层前向神经网络。其输出y与输入u的关系如下：

y＝W₁ ^Tσ(V₁ ^Tu)（1）

其中W₁ ^T表示神经网络隐层到输出层的连接权值矩阵，即待调节的参数。σ(·)为隐含层的激活函数（这里取σ(x)＝(e^x-e^-x)/(e^x+e^-x)）。V₁ ^T表示输入层到神经网络隐层的连接权值矩阵。神经网络输入层到隐层之间的权值矩阵调整对网络的逼近特性影响很小，所以可以固定输入层到隐层的连接权值矩阵，只调整隐层到输出层的连接权值矩阵。

校正器的输入y_j为发电系统输出的发电计划值y_d与预测系统输出的预测值y的差值。

y_j＝y_d-y（2）

校正器的在线调节性能指标选取如下：

$J=\frac{1}{2}{y_j}^2=\frac{1}{2}{(y_d-y)}^2---\left(3\right)$

根据梯度下降法可得：

${W_1}^T(k+1)={W_1}^T\left(k\right)-{\mathrm{\η}}_1\frac{\∂J}{\∂{W_1}^T\left(k\right)}---\left(4\right)$

综合式(1)至式(4)可得校正器的在线调节算法为：

W₁ ^T(k+1)＝W₁ ^T(k)+η₁y_jσ^T(5)

其中η₁为学习速率，其选择要在有利于在线学习的快速性和神经网络的收敛性之间做折中。k表示当前时标，k+1表示经过一个时间跨度后的时标，一个时间跨度一般是15min。σ^T表示V₁ ^Tu经过σ函数运算后所得的矩阵的倒置。

具体运行过程如下：

1）t=0时刻，导入离线训练后神经网络的权值（指的W₁ ^T和V₁ ^T），以初始化预测系统；

2）在t时刻采集发电计划值y_d，t为15min的正整数倍；计算超短期预测值y，将未来四小时总共16点预测值上送调度，同时保存t时刻的预测值y；在本步骤中，起始t为15min。每经过一循环，t增加15min。

3)根据式(2)计算y_j；当|y_j|>c|y_d|，其中取c∈[0,0.05],设置学习速率η₁，根据式(5)在线更新神经网络权值（指的W₁ ^T），否则不更新；

4）t=t+T，T为15min，返回步骤2。

下面参照附图1并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。

实施例一

在风力发电场，收集电场历史风速、风向、近地面温度、湿度、气压数据构建输入样本，收集电场历史功率数据构建输出样本，对一个三层前向神经网络进行离线训练以获取网络权值，从而得到一个初始的预测系统。

引入风力发电系统，与预测系统并联。两系统均以风电场当地微气象站所采集的实时风速、风向、近地面温度、湿度、气压数据作为输入。

运行过程如下，每隔15分钟：

1)预测系统根据式（1）计算未来四个小时的总共16点的预测值上送调度，同时保存15分钟后的那一点的预测值y。

2)发电系统则采集15分钟后的发电计划值y_d，将其作为输出。

3)根据式(2)计算y_j。如果|y_j|>c|y_d|，（一般取c∈[0,0.05]）,设置学习速率并根据式(5)在线更新神经网络权值，否则不更新。

实施例二

在光伏电站，收集电站历史太阳入射角度、云量，近地面温度数据构建输入样本，收集电站历史功率数据构建输出样本，对一个三层前向神经网络进行离线训练以获取网络权值，从而得到一个初始的预测系统。

引入光伏发电系统，与预测系统并联。两系统均以光伏电站当地微气象站所采集的实时太阳入射角度、云量，近地面温度数据作为输入。

运行过程如下，每隔15分钟：

1）预测系统根据式（1）计算未来四个小时的总共16点的预测值上送调度，同时保存15分钟后的那一点的预测值y。

2)发电系统则采集15分钟后的发电计划值y_d，将其作为输出。

3）根据式(2)计算y_j。如果|y_j|>c|y_d|，（一般取c∈[0,0.05]）,设置学

习速率并根据式(5)在线更新神经网络权值，否则不更新。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种应用于新能源电站的基于在线校正的功率预测方法，其特征在于，包括如下步骤：

1)设置发电系统、预测系统和校正器；

2)发电系统与预测系统并联且输入相同；其中发电系统直接以调度下发的计划值作为输出，预测系统以预测值作为输出；发电系统输出的计划值与预测系统输出的预测值做差；

3)校正器以计划值和预测值的差值作为输入，通过校正算法对预测系统进行在线实时校正；

预测系统的预测模型的输出y与输入u的关系如下：

y＝W₁ ^Tσ(V₁ ^Tu)(1)

其中W₁ ^T表示神经网络隐层到输出层的连接权值矩阵，σ(·)为隐含层的激活函数，V₁ ^T表示输入层到神经网络隐层的连接权值矩阵；

校正器的输入y_j为发电系统输出的发电计划值y_d与预测系统输出的预测值y的差值：

y_j＝y_d-y(2)

校正器的在线调节性能指标选取如下：

$J=\frac{1}{2}{y_j}^2=\frac{1}{2}{(y_d-y)}^2---\left(3\right)$

根据梯度下降法可得：

${W_1}^T(k+1)={W_1}^T\left(k\right)-{\mathrm{\η}}_1\frac{\∂J}{\∂{W_1}^T\left(k\right)}---\left(4\right)$

综合式(1)至式(4)可得校正器的在线调节算法为：

W₁ ^T(k+1)＝W₁ ^T(k)+η₁y_jσ^T(5)

其中η₁为学习速率，η₁的选择要在有利于在线学习的快速性和神经网络的收敛性之间做折中；k表示当前时标，k+1表示经过一个时间跨度后的时标。

2.根据权利要求1所述的一种应用于新能源电站的基于在线校正的功率预测方法，其特征在于：所述的预测系统的预测模型采用三层前向神经网络。

3.根据权利要求1或2所述的一种应用于新能源电站的基于在线校正的功率预测方法，其特征在于：所述的预测系统输出的预测值上传调度。

4.根据权利要求3所述的一种应用于新能源电站的基于在线校正的功率预测方法,其特征在于，包括如下具体步骤：

1)t＝0时刻，导入离线训练后神经网络的权值，以初始化预测系统；

2)在t时刻采集发电计划值y_d，t为15min的正整数倍；计算超短期预测值y，将未来四小时总共16点预测值上送调度，同时保存t时刻的预测值y；

3)根据式(2)计算y_j；当|y_j|>c|y_d|，其中取c∈[0,0.05],设置学习速率η₁并根据式(5)在线更新神经网络权值，否则不更新；

4)t＝t+T，T为15min，返回步骤2。