CN103268416B - 基于stcp‑bp的风速预测方法 - Google Patents

Abstract

一种基于STCP‑BP的风速预测方法，所述方法首先利用目标预测点盛行风向的上风向邻域点的风速及风向信息，建立时空相关性预测模型，得到目标预测点的风速预测值；然后运用目标预测点的历史风速数据建立BP神经网络直接多步预测模型，得到目标预测点的未来多步风速预测值；最后将两种预测值进行平均组合预测，得到目标预测点风速的直接多步预测值。本发明在传统神经网络预测方法的基础上加入了上风向观测点的风速信息，既考虑了风速演变的时空相关特性，又采用统计方法实现多步预测，大大提高了风电场风速的预测精度。所述方法能够为调度部门制定和调整计划提供可靠的参考数据，从而减轻了风电的间歇性对电网的影响。

Description

基于STCP-BP的风速预测方法

技术领域

本发明涉及一种用于风电场的风速预测方法，属于发电技术领域。

背景技术

随着环境问题的日益突出与能源危机的日益加剧，风力发电得到了飞速发展。大规模风电并网在带来显著的环境和经济效益的同时，风能本身的不确定性和间歇性所造成的风电并网消纳和电网运行安全问题也日益突出。如果能对风功率进行准确的预测，就可以减少电力系统的运行成本和旋转备用，提高风电穿透功率极限，有利于调度部门及时调整计划，从而减轻风电的间歇性对电网的影响。

目前，风电功率的预测方法有多种类型，按照预测时效划分，可分为超短期、短期、中期和长期预测；按照预测对象不同，可分为基于风速的预测和直接功率的预测；按照模型预测原理不同，可分为统计方法、学习方法与物理方法。由于风电功率与风速紧密相关，风速预测是风电功率预测的基础。近年来，国内外学者对风速预测的理论和方法已经进行了广泛研究，不断应用于风速预测中，其中较常用的有时间序列分析，人工神经网络、支持向量机、模糊理论等等。其中，由于人工神经网络具有分布并行处理，非线性映射，自适应学习能力，鲁棒和容错性等特点，在风速预测中应用最为广泛。

然而，由于风速演变的影响因素诸多并且复杂，其风速序列表现出很强的不确定性和随机性，以往的风电场短期风速预测大都基于目标预测点的风速序列，预测精度不高。如果考虑相近邻地点间的风速演变的物理特性，建立风的运动方程解析式，就能够提高风速单步预测的精度，然而存在一个很现实的问题就是预测时效较短，不符合风电接入的实际要求，因此，如何既能考虑风速演变的物理特性，又能实现直接多步预测，就成为亟需解决的问题。

发明内容

本发明的目的在于针对现有技术之弊端，提供一种既能考虑风速的时空相关特性，又能实现风速直接多步预测的基于STCP-BP的风电场风速预测方法。

本发明所述问题是以下述技术方案实现的：

一种基于STCP-BP的风速预测方法，所述方法首先利用目标预测点盛行风向的上风向邻域点的风速及风向信息，建立时空相关性预测（STCP）模型，得到目标预测点的风速预测值；然后运用目标预测点的历史风速数据建立BP神经网络直接多步预测模型，得到目标预测点的未来多步风速预测值；最后将两种预测值进行平均组合预测，得到目标预测点风速的直接多步预测值。

上述基于STCP-BP的风速预测方法，预测步骤如下：

a.建立时空相关性预测（STCP）模型，得到目标预测点风速预测值，具体步骤为：

1）考察风电场及附近区域的盛行风向，选盛行风向的上风向的两个点作为目标预测点s ₀邻域内的时空相关点s ₁和s ₂，测量每两点之间的距离矢量，包括距离相角及距离长度；

2）利用选定的目标预测点s ₀邻域内的两个时空相关点s ₁和s ₂的风速信息，运用线性关系估计传播风速和目标预测点s ₀的风速矢量，所使用的估计模型为：

，

，

，

式中，为传播风速，表示距离矢量， 表示点积，A为两个时空相关点s ₁和s ₂的统称，B即为目标预测点s ₀，为时间，、、、均为常数；

3)误差修正，修正方程为：

，

其中c是一个常参数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差；

4）最小二乘法优化STCP模型参数p=[ a ₀,a ₁,b ₀,b ₁,c]，并确定STCP预测结果的嵌入维数n和m；

5) 应用STCP模型在测试样本集内进行测试：

基于s ₁点当前及过去n-1个时刻的风速信息，用优化的STCP模型对s ₀点的未来风速进行预测，得到对应的不等间隔的n个预测值、…；

基于s ₂点当前及过去m-1个时刻的风速信息，用优化的STCP模型对s ₀点的未来风速进行预测，得到对应的不等间隔的m个预测值、…；

b.运用目标预测点s ₀的历史风速数据，建立BP神经网络直接多步预测模型，进行训练、测试，得到未来h步预测值、…，；

c.将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测，得到目标预测点风速的直接多步预测值。

上述基于STCP-BP的风速预测方法，将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测的具体步骤如下：

令i=1，(i<=h)在、…范围内寻找满足条件t ₀+i=t _s1-j 的，若搜索到，则将两种预测算法所得的预测风速进行组合，即：；若搜索不到，则有：；

其中，λ _STCP 为STCP的加权平均系数，λ _BP 为BP的加权平均系数，且有λ _STCP +λ _BP =1；

i=i+1，判断i<=h,若是执行；否则就执行；

站点变更为s ₂，按照上述～步骤，得到STCP与BP两种预测算法的组合值；

将搜索范围锁定在s ₁及s ₂两个站点的n+m个风速预测值内，得出组合预测结果；

改变多步预测的步数h（h=12,18,24），重复步骤～。

上述基于STCP-BP的风速预测方法，采用最小二乘法优化STCP模型参数p=[ a ₀,a ₁,b ₀,b ₁,c]，时所建立的目标函数为：

，

式中，x为目标预测点的时刻的风速真实值，f(p) 为目标预测点s ₀的预测风速。

本发明在传统神经网络预测方法的基础上加入了上风向观测点的风速信息，既考虑了风速演变的时空相关特性，又采用统计方法实现多步预测，大大提高了风电场风速的预测精度。所述方法能够为调度部门制定和调整计划提供可靠的参考数据，从而减轻了风电的间歇性对电网的影响。

附图说明

下面结合附图对本发明作进一步说明。

图1为风电场群的相对位置图；

图2为本发明所采用算法的流程框图；

图3为s ₁对s ₀的时延的概率统计分布图；

图4为s ₂对s ₀的时延的概率统计分布图；

图5为s ₀点风速序列自相关函数。

文中各符号清单为：为传播风速，表示距离矢量， 表示点积，A为两个时空相关点s ₁和s ₂的统称，B即为目标预测点s ₀，为时间，、、、、c均为常数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差，x为目标预测点的时刻的风速真实值，f(p)为目标预测点s ₀的预测风速，λ _STCP 为STCP的加权平均系数，λ _BP 为BP的加权平均系数，h为多步预测的步数。

具体实施方式

以中国冀北某风电场群为算例风电场。冀北地区风力资源丰富，盛行风是西北至东南风，冬季大多是由这样的天气形势为主。如图1所示，安装风机的三个点s ₁、s ₂、s ₀，距离分别为s ₁ s ₂=48km , s ₁ s ₀=132km, s ₂ s ₀=85km，海拔高度分别为1554m ,1427m 和1549m。

风电场实际运行数据取自SCADA数据，时间间隔为10min。2009年11-12月的风电场实际运行数据作为训练集。选取1月某天的数据作为测试集。

基于STCP-BP的风电场风速预测方法，其算法的流程框图，参见附图2，具体包括以下步骤：

a.基于时空相关点的风速演变规律，建立时空相关性预测（STCP）模型，得到目标预测点的风速预测值，具体步骤为：

1）考察该风电场及附近区域的盛行风向，选盛行风向的上风向的两个点作为目标预测点s ₀邻域内的时空相关点s ₁和s ₂，测量两点之间的距离矢量，包括距离相角及距离长度，见图1。

2）运用上风向点的邻域点s ₁和s ₂风速信息，分别运用线性关系去估计传播风速和下风向点的风速矢量。

式中，为传播风速，表示距离矢量， 表示点积； A为上风向点s ₁和s ₂的统称，B即为下风向点s ₀。

为了准确寻找下风向s ₀点未来时刻的原始风速，更便于模型的优化，这里我们对四舍五入取整；

3)误差修正，修正方程为

，

其中c是一个常参数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差；

4)最小二乘法优化STCP模型参数p=[ a ₀,a ₁,b ₀,b ₁,c]，目标函数为：

。

式中，x为目标预测点的时刻的风速真实值。f(p) 为下风向点的预测风速，是关于STCP模型参数的非线性函数。

选择初始值为p ₀=[0，1，0，1，-1]，经最小二乘法寻优后的结果分别为：

P ₁=[ 0，0.8，-0.0022，0.3192，-0.8913]，p ₂=[ 0 ，0.9，0.4089，0.6108，-0.7395]；

图3-图4分别为从s ₁和s ₂到s ₀点的时延概率统计分布图。

由图可知，s ₁对s ₀的平均延迟时间为170min，s ₂对s ₀的平均延迟时间为150min，由此，选择STCP预测结果的嵌入维数为n=17，m=15。

5) STCP模型在测试样本集内进行测试：

基于s ₁点当前及过去16个时刻的风速信息，用优化的STCP模型对s ₀点的未来风速进行预测，得到对应的不等间隔的17个预测值、…。

基于s ₂点当前及过去14个时刻的风速信息，用优化的STCP模型对s ₀点的未来风速进行预测，得到对应的不等间隔的15个预测值、…。

b.运用目标预测点s ₀点的历史风速数据，建立BP神经网络直接多步预测模型，得到未来h步预测值、、…，;

上述BP模型的建立包括下面具体的步骤：

I传输函数的确定

隐含层神经元采用非线性传递函数tansig，输出层神经元采用线性传递函数purelin。

II网络结构的确定。

观察s ₀点风速时间序列的自相关函数图（见图5）可知，过去滞后6阶之内的历史风速值与当前时刻的风速的自相关系数在0.8以上，说明当前时刻之前的最近的6个时刻的风速对当前风速有较大影响，再往前对当前风速的影响相对较小，选择输入神经元个数为6；

根据Kolmogorov定理：若3层BP输入层神经元个数为n，则隐含层神经元个数选为2n+1个，则网络能够以一定精度逼近非线性函数，可知网络隐含层的神经元为13个；

对未来1-4小时的每10min的风速分别进行预测，即如果预测未来n时的风速，则需要提前预测预测6n步，输出层神经元的个数与预测步数一致。

III分别进行四种不同预测时效的风速预测，即提前1、2、3、4小时预测。

将每个样本的前6个值作为BP神经网络的输入，后6n个值作为目标输出，进行网络训练及测试，得到h步预测值 ， 、… ， ；

c.将BP网络的多步预测值与STCP相应时刻预测值进行组合，从而实现目标预测点风速的直接多步预测，包括以下具体的步骤：

令i=1,在、…范围内寻找满足条件t ₀+i=t _s1-j 的，若搜索到，则将两种预测算法所得的预测风速进行组合，即：；若搜索不到，则有：。

其中，λ _STCP 为STCP的加权平均系数，λ _BP 为BP的加权平均系数，通过多次试验取为λ _STCP =λ _BP =0.5；

i=i+1,判断i<=h ，若是则执行，否则执行；

改变为站点s ₂的15个预测风速值，按照上述步骤～，得到STCP与BP两种预测算法的组合值；

同理，将搜索范围锁定在s ₁及s ₂两个站点的32个风速预测值内，得出组合预测结果；

改变多步预测的步数h（h=12,18,24），重复步骤～。

结果分析

将BP神经网络的预测结果与本发明的STCP-BP的预测结果进行对比分析，结果如下：

随着预测时效的增长，STCP-BP 的预测误差明显的增大。与单纯BP网络的预测结果相比，本发明所提出方法的预测精度提高的百分比分别为10.27%，17.82%，25.23%，22.74%，即随着预测时效增加而增加，在提前18步预测时到达最大值，之后又减小，究其原因是因为上风向站点对于目标预测点的时延大概是17个步长的时间，在该时间范围，基于风速的物理特性的STCP的预测结果大部分都与BP神经网络的预测结果进行了组合，预测精度得以提高。

进行提前4小时预测，即24步预测时，单纯采用BP神经网络的MAE为1.7310，当加入较近站点的STCP结果时，MEA降到1.3374，提高了12%，而加入较远站点STCP的预测结果之后，MAE为1.4061，提高了近19%；由此说明，当预测时效较长时，较远站点的时空相关性信息对于目标预测点预测精度的提升有显著的影响。

以上所述是本发明的优选方式而已，并非用来限定本发明的权利保护范围，对于本领域技术人员来说，凡对本发明技术方案进行的修改或等同替换，均应在本发明的保护范围之内。

Claims (3)

1.一种基于STCP-BP的风速预测方法，其特征是，所述方法首先利用目标预测点盛行风向的上风向邻域点的风速及风向信息，建立时空相关性预测STCP模型，得到目标预测点的风速预测值；然后运用目标预测点的历史风速数据建立BP神经网络直接多步预测模型，得到目标预测点的未来多步风速预测值；最后将两种预测值进行平均组合预测，得到目标预测点风速的直接多步预测值；

预测步骤如下：

a.建立时空相关性预测STCP模型，得到目标预测点风速预测值，具体步骤为：

1)考察风电场及附近区域的盛行风向，设目标预测点为s₀，选盛行风向的上风向的两个点作为s₀邻域内的时空相关点s₁和s₂，并设A为两个时空相关点s₁和s₂的统称，B为目标预测点s₀的简称，测量A、B两点之间的距离矢量，包括距离相角及距离长度；

2)利用选定的目标预测点s₀邻域内的两个时空相关点s₁和s₂的风速信息，运用线性关系估计传播风速和目标预测点s₀的风速矢量，所使用的估计模型为：

${\stackrel{\&RightArrow;}{v}}_F\left(t\right)=a_0+a_1{\stackrel{\&RightArrow;}{v}}_A\left(t\right),$

$\mathrm{\&Delta;}\mathrm{\&tau;}=\stackrel{\&RightArrow;}{AB}\&CenterDot;{\stackrel{\&RightArrow;}{v}}_F\left(t\right){v_F}^{-2}\left(t\right),$

${\stackrel{\&RightArrow;}{v}}_B(t+\mathrm{\&Delta;}\mathrm{\&tau;})=b_0+b_1{\stackrel{\&RightArrow;}{v}}_A\left(t\right),$

式中，为传播风速，表示距离矢量，表示点积，表示A点风速，表示B点风速，t为时间，a₀、a₁、b₀、b₁均为常数；

3)误差修正，修正方程为：

${\stackrel{\&RightArrow;}{v}}_B(t+\mathrm{\&Delta;}\mathrm{\&tau;})=b_0+b_1{\stackrel{\&RightArrow;}{v}}_A\left(t\right)+c\&CenterDot;e(t-1),$

其中c是一个常参数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差；

4)最小二乘法优化STCP模型参数p＝[a₀，a₁，b₀，b₁，c]，并确定STCP预测结果的嵌入维数n和m；

5)应用STCP模型在测试样本集内进行测试：

基于s₁点当前及过去n-1个时刻的风速信息，用优化的STCP模型对s₀点的未来风速进行预测，得到对应的不等间隔的n个预测值

基于s₂点当前及过去m-1个时刻的风速信息，用优化的STCP模型对s₀点的未来风速进行预测，得到对应的不等间隔的m个预测值

b.运用目标预测点s₀的历史风速数据，建立BP神经网络直接多步预测模型，进行训练、测试，得到未来h步预测值h＝6,12,18,24；

c.将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测，得到目标预测点风速的直接多步预测值。

2.根据权利要求1所述的一种基于STCP-BP的风速预测方法，其特征是，将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测的具体的步骤如下：

①令i＝1，i<＝h，在范围内寻找满足条件t₀+i＝t_s1-j的j＝1...n，若搜索到，则将两种预测算法所得的预测风速进行组合，即:若搜索不到，则有：

其中，λ_STCP为STCP的加权平均系数，λ_BP为BP的加权平均系数，且有λ_STCP+λ_BP＝1；

②i＝i+1，判断i<＝h，若是执行①；否则就执行③；

③站点变更为s₂，按照上述①～②步骤，得到STCP与BP两种预测算法的组合值；

④将搜索范围锁定在s₁及s₂两个站点的n+m个风速预测值内，得出组合预测结果；

⑤改变多步预测的步数h，重复步骤①～④。

3.根据权利要求2所述的一种基于STCP-BP的风速预测方法，其特征是，采用最小二乘法优化STCP模型参数p＝[a₀,a₁,b₀,b₁,c]时所建立的目标函数为：

$J=\underset{p}{min}\left|\right|E\left(p\right)\left|\right|=\underset{p}{min}\left|\right|x-f\left(p\right)\left|\right|=\underset{p}{min}\underset{t=1}{\overset{N}{\&Sigma;}}{\left(v_{s0}\right(t+{\mathrm{\&Delta;\&tau;}}_t)-{\hat{v}}_{s0}(t+{\mathrm{\&Delta;\&tau;}}_t,p\left)\right)}^2,$

式中，x为目标预测点的t+Δτ时刻的风速真实值，t为时间，Δτ_t为第t个样本的延时，N为测试样本的数目，f(p)为目标预测点s₀的预测风速。