CN103485977A - 风力发电系统实时功率预测的修正方法 - Google Patents

Abstract

本发明公开了风力发电系统实时功率预测的修正方法，属于风力发电系统控制的技术领域。所述方法不仅通过实时修正BP神经网络预测误差及训练样本，而且通过在风电场配置储能电池提高风电功率预测的准确性，同时根据预测结果与误差的关系选择储能系统电池容量。利用本发明所述方法提高了预测精度，用尽量小的电池容量降低风电功率预测误差，降低了电池容量，减少了电池充放电次数，延长了电池的使用寿命，压缩了风力发电系统的投资成本。

Description

风力发电系统实时功率预测的修正方法

技术领域

本发明公开了风力发电系统实时功率预测的修正方法，属于风力发电系统控制的技术领域。

背景技术

当今世界随着环境污染加重和传统能源枯竭，风电以其使用清洁，成本较低，取用不尽的优点已经成为最具商业潜力、最具活力的可再生能源之一。《中国风电发展报告2012》指出，到2030年，累计装机可能超过400GW，届时，风电将占全国发电量的8.4％左右，在电源结构中约占15％。风力发电已成为我国电力和能源可持续发展战略的最佳选择，但风电是一种随机性和间歇性的能源，由此导致了风电输出功率具有较大波动，如何保证风电顺利并网和电力系统的安全运行，这已经成为制约风电持续健康发展的瓶颈。

近几年，在国家“建设大基地、融入大电网”的风电发展战略指导下，风电发展朝着规模化蓬勃发展，风电场的数目越来越多，装机容量也越来越大，提高风电场与电力系统协调运行的能力已经成为必须解决的问题，而这其中最关键的就是风电场功率的预测与预报技术，但目前国内对风电预测还处在刚刚起步的阶段，风电功率预测系统还主要处在理论研究阶段，应用比较成熟的风电功率预测系统还不多。这已经严重制约了我国风电的健康发展。

放眼国外，风电功率预测的方法主要有两类：一是基于时间序列的持续预测方法；另一类是以数值天气预报为基础，采用诸如人工神经网络法（Artificial Neural Network,ANN）、模糊逻辑方法（Fuzzy Logic）等统计模型或是考虑障碍物、粗糙度、地形地貌等因素物理方法来预测风力发电功率。无论采用何种方法，由于算法的局限性，无论怎样改进算法，预测精度的提高总不是特别明显。而随着电力电子技术和电化学的发展，电池储能以其灵活的充放电特性和相对成熟的技术成为本文中提高风电功率预报精度的方法，利用较小的储能电池容量，通过快速地电能存取，实现较大的功率调节，快速地吸收预报误差中的“剩余能量”或是补充“功率缺额”。当然增加电池储能系统需要增加相应的投资和维护成本，同时废旧的电池对环境也会造成污染，因此如何选择合理的储能电池容量至关重要，使其既能满足风电输出平滑化的需求，按预制修正值发电，又能使电池容量比较小，所需的电池容量尽可能得到充分利用。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了风力发电系统实时功率预测的修正方法。

本发明为实现上述发明目的采用如下技术方案：

风力发电系统实时功率预测的修正方法，包括如下步骤：

步骤1，以数值天气预报历史数据以及风电场输出风电功率历史统计数据训练BP神经网络，建立天气预报数据和风电功率之间的非线性关系；

步骤2，在采样时间序列上，根据数值天气预报数据预测风电功率，更新BP神经网络训练样本集并预测各采样时刻风电功率；

步骤3，根据各采样时刻预测的风电功率P_p’(t)以及实际风电功率得到预测功率误差P_e’(t-1)，由各采样时刻预测功率误差得到自适应修正因子β，再由表达式P_p”(t)=P_p’(t)-β×P_e’(t-1)得到t采样时刻风电功率第一次修正值P_p”(t)；

步骤4，在各采样时刻内，由实际风电功率、风电功率第一次修正值得到输出功率实际误差，将输出功率实际误差绝对值与误差设定值相比较，

在当前采样时刻输出功率实际误差绝对值小于误差设定值时，输出当前采样时刻的风电功率第一次修正值；

在当前采样时刻输出功率实际误差绝对值大于误差设定值时，根据所述实际误差启动储能系统电池充充放电，将储能系统电池充放电功率计入当前采样时刻风电功率得到当前采样时刻的风电功率第二次修正值。

所述风力发电系统实时功率预测的修正方法中，步骤2具体包括如下步骤：

步骤2-1，采集n个样本点在t采样时刻的天气数据作为BP神经网络输入量，预测n个样本点在t+1采样时刻的风电场输出功率，其中，t、n均为自然数；

步骤2-2，将n个样本点在t采样时刻的天气数据以及预测的n个样本点在t+1采样时刻的风电功率作为新样本加入BP神经网络训练样本集，剔除当前采样时间序列上的第一样本点；

步骤2-3，t取值加1，进入下一采样时刻，重复步骤2-1至步骤2-2。

所述风力发电系统实时功率预测的修正方法，在步骤2和步骤3之间还有步骤A，选择储能系统电池容量，具体方法如下：

步骤A-1，根据BP神经网络预测的各采样时刻风电功率得到功率预测上下限曲线：

步骤a，由当前采样时刻预测的风电功率以及实际风电功率得到预测功率误差；

步骤b，再由预测功率误差绝对平均值修正当前采样时刻风电功率得到下一采样时刻预测误差上限值、下限值；

步骤c，利用插值法拟合得到功率预测上下线曲线；

步骤A-2，在每个采样时刻内：对于超出功率预测上限或下限的输出功率积分得到误差容量，按照采样时间序列内数理统计误差容量得到电池的充放电容量样本；

步骤A-3，剔除偏差最大的储能电池充放电容量样本，根据储能电池充放电效率和最大放电深度选择储能系统电池容量。

所述风力发电系统实时功率预测的修正方法，预测功率误差由指数平滑的方法确定。

本发明采用上述技术方案，具有以下有益效果：

（1）通过样本更新和自适应因子的引入，对预测的风电功率进行修正，修正了BP神经网络预测算法，提高了预测精度；

（2）在修正的BP神经网络预测算法的基础上，对预测误差进行数理统计选取足以修正风电功率预测误差的储能电池容量，用尽量小的电池容量降低风电功率预测误差；

（3）降低了电池容量，减少了电池充放电次数，延长了电池的使用寿命，压缩了风力发电系统的投资成本。

附图说明

图1是本发明设计的提高风力发电机系统实时功率预报精度的一种经过修正的风电功率实时预测方法的流程示意图。

图2是一种经过修正的风电功率实时预测算法中BP神经网络预测模块流程示意图。

图3是一种经过修正的风电功率实时预测算法中动态修正预测样本模块流程示意图。

图4是一种经过修正的风电功率实时预测算法中自适应因子调整模块流程示意图。

图5是动态功率预测算法与修正了的动态功率预测算法相对误差的比较结果。

图6是基于风电功率预测算法的风/储系统合适容量选取方法中预测误差上下限制定模块流程示意图。

图7（a）是基于风电功率预测算法的风/储系统合适电池容量选取方法中预测误差上下限曲线示意图。

图7（b）是基于风电功率预测算法的风/储系统合适电池容量选取方法中误差功率积分模块中15分钟误差功率示意图。

图8是基于风电功率预测算法的风/储系统合适电池容量选取方法流程示意图。

图9是一种提高风力发电系统实时功率预测精度的硬件方法的流程示意图。

图10是基于风电功率预测算法之上的提高风力发电系统实时功率预测精度的硬件方法。

图11为参数α、自适应因子、功率误差的关系曲线图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

具体实施例一：

如图1、图9所示，风力发电系统实时功率预测的修正方法，包括如下步骤。

步骤1，以数值天气预报历史数据以及风电场输出风电功率历史统计数据训练BP神经网络，建立天气预报数据和风电功率之间的非线性关系；

步骤2，在采样时间序列上，根据数值天气预报数据预测风电功率，更新BP神经网络训练样本集并预测各采样时刻风电功率；

步骤3，根据各采样时刻预测的风电功率P_p’(t)以及实际风电功率得到预测功率误差P_e’(t-1)，由各采样时刻预测功率误差得到自适应修正因子β，再由表达式P_p”(t)=P_p’(t)-β×P_e’(t-1)得到t采样时刻风电功率第一次修正值P_p”(t)

步骤4，在各采样时刻内，由实际风电功率P_a(t)、风电功率第一次修正值P_p”(t)得到输出功率实际误差Perror(t)，将输出功率实际误差绝对值|Perror(t)|与误差设定值Pe相比较：

在当前采样时刻输出功率实际误差绝对值|Perror(t)|小于误差设定值Pe时，输出当前采样时刻的风电功率第一次修正值P_p”(t)；

在当前采样时刻输出功率实际误差绝对值|Perror(t)|大于误差设定值Pe时，根据实际误差Perror(t)启动储能系统电池充充放电，将储能系统电池充放电功率计入当前采样时刻风电功率得到当前采样时刻的风电功率第二次修正值：当实际误差Perror(t)大于零时，风力发电系统给储能电池充电，风电功率第二次修正值为风电功率第一次修正值P_p”(t)与给储能电池充电消耗功率的差；当实际误差Perror(t)小于零时，储能电池放电，风电功率第二次修正值为风电功率第一次修正值P_p”(t)与储能电池输出功率之和。

具体实施例二：

作为具体实施例一的一个优化实施例，步骤2如图3所示具体包括如下步骤：

步骤2-1，采集n个样本点在t采样时刻的天气数据作为BP神经网络输入量，预测n个样本点在t+1采样时刻的风电场输出功率，其中，t、n均为自然数；

步骤2-2，将n个样本点在t采样时刻的天气数据以及预测的n个样本点在t+1采样时刻的风电场输出功率作为新样本加入BP神经网络训练样本集，剔除当前采样时间序列上的第一样本点；

步骤2-3，t取值加1，进入下一采样时刻，重复步骤2-1至步骤2-2。

具体实施例三：基于风电功率预测算法之上的提高风力发电系统实时功率预测精度的硬件方法：

在具体实施例一或二的基础上，步骤2和步骤3之间有步骤A，选择储能系统电池容量，从硬件上提高风电实时预测的准确率，具体包括如下步骤：

步骤A-1，如图6所示，根据BP神经网络预测的各采样时刻风电功率得到功率预测上下限曲线：

步骤a，由当前采样时刻预测的风电功率P_p’(t)以及实际风电功率P_a(t)得到预测功率绝对误差平均值Pe；

步骤b，再由预测功率误差绝对平均值修正当前采样时刻风电功率得到下一采样时刻预测误差上限值Pmax=Pp+Pe、下限值Pmin=Pp-Pe；

步骤c，利用插值法拟合得到如图7（a）所示的功率预测上下线曲线，横坐标为时间，单位为分钟，纵坐标为预测功率误差，单位为瓦特；

步骤A-2，在每个采样时刻内：对于超出功率预测上限或下限的输出功率积分得到如图7（b）所示的误差容量，横坐标为时间，单位为分钟，纵坐标为电池容量，单位为瓦特*小时，如图8所示按照采样时间序列内数理统计误差容量得到电池充放电容量样本；

步骤A-3，剔除偏差最大的储能电池充放电容量样本，根据储能电池充放电效率和最大放电深度选择储能系统电池容量。

利用BP神经网络预测风电输出功率如图2所示，将数值天气预报历史统计数据（主要包括风速、风向、温度、压强等）、以及风电场输出的风电功率历史统计数据经过归一化后作为BP神经网络的输入向量、输出向量，使用BP神经网络对输入样本进行训练，建立输入与输出之间的非线性关系，BP神经网络建立非线性关系的示意图如图2所示；然后将数值天气预报的下一个采样时刻（例如：15分钟）的天气预报数据经过归一化后作为BP神经网络的输入值，仿真BP神经网络得出下一个采样时刻的预测风电风电功率。

风电功率的第一次修正如图4所示：根据前n-2次的预测结果与实际输出值之间误差x(i)(i=2,3,4…n-1)，对这前n-2个的预测误差，我们采用指数平滑的方法计算出第n个采样点在当前时刻的预测误差x(n)，即x(n)=a₁.x(2)+a₂.x(3)+a_i.x(i)+…+a_n-1.x(n-1)，a_i为平滑系数，其值的大小与所取误差样本与预测样本点的时间间隔成反比。接着将x(n)结合自适应修正因子β计算出所需修正的功率值，接着由步骤2预测的输出功率加上修正功率值作为整个功率预测算法最终的输出值。在这里我们把该加权系数称为自适应修正因子，它的取值与历史风电功率预测误差、上一次的风电功率预测值、以及功率波动大小等有关。

自适应因子：β=f(α,P_e'(t-1))，其中参数

前一采样时刻功率误差P_e'(t-1)由自适应因子β参与预测的功率与实际风电功率比较得到，再由第n个采样点在当前时刻的预测误差x(n)与前一采样时刻功率误差P_e'(t-1)比较得到前一采样时刻功率误差的修正值P_e”(t-1)，参数α随着功率误差修正值的变化而变化，自适应因子β也随之变化，通过实验获取参数α、自适应因子与功率误差的函数关系，如图11所示。

预测误差功率P_e(t-1)的求取，本文提出了利用指数平滑的方法来求取，整个风电功率预测过程中误差功率整体地误差值大小，利用指数平滑地方法给予不同时刻的误差功率以不同的权值，从而求出当前时刻比较合适地功率误差，避免了因为风电功率预测算法中出现的个别误差较大的数据点而导致预测不准确的情况。

具体实施例二涉及的修正的BP神经网络预测方法的相对误差与现有BP神经网络预测方法的相对误差如图5所示：修正后的BP神经网络预测方法的相对误差较低，提高了预测精度。

具体实施例三涉及的基于风电功率预测算法之上的提高风力发电系统实时功率预测精度的硬件方法得到的输出功率如图10所示，实际输出功率在预测误差上下限范围内的，同时将储能系统能量计入实际输出功率：在实际输出功率低于预测值时向储能系统放电，而在实际输出功率高于预测值时由储能系统充电，在保证实际输出功率稳定的同时，充分利用储能电源能量，提高风力发电系统实施功率预测的效率。

综上所述，本发明具有以下有益效果：

（1）通过样本更新和自适应因子的引入，对预测的风电功率进行修正，修正了BP神经网络预测算法，提高了预测精度；

（2）在修正的BP神经网络预测算法的基础上，对预测误差进行数理统计选取足以修正风电功率预测误差的储能电池容量，用尽量小的电池容量降低风电功率预测误差；

（3）降低了电池容量，减少了电池充放电次数，延长了电池的使用寿命，压缩了风力发电系统的投资成本。

Claims (4)

1.风力发电系统实时功率预测的修正方法，其特征在于，包括如下步骤：

步骤1，以数值天气预报历史数据以及风电场输出风电功率历史统计数据训练BP神经网络，建立天气预报数据和风电功率之间的非线性关系；

步骤2，在采样时间序列上，根据数值天气预报数据预测风电功率，更新BP神经网络训练样本集并预测各采样时刻风电功率；

步骤3，根据各采样时刻预测的风电功率P_p’(t)以及实际风电功率得到预测功率误差P_e’(t-1)，由各采样时刻预测功率误差得到自适应修正因子β，再由表达式P_p”(t)=P_p’(t)-β×P_e’(t-1)得到t采样时刻风电功率第一次修正值P_p”(t)；

步骤4，在各采样时刻内，由实际风电功率、风电功率第一次修正值得到输出功率实际误差，将输出功率实际误差绝对值与误差设定值相比较，

在当前采样时刻输出功率实际误差绝对值小于误差设定值时，输出当前采样时刻的风电功率第一次修正值；

在当前采样时刻输出功率实际误差绝对值大于误差设定值时，根据所述实际误差启动储能系统电池充充放电，将储能系统电池充放电功率计入当前采样时刻风电功率得到当前采样时刻的风电功率第二次修正值。

2.根据权利要求1所述的风力发电系统实时功率预测的修正方法，其特征在于，步骤2具体包括如下步骤：

步骤2-1，采集n个样本点在t采样时刻的天气数据作为BP神经网络输入量，预测n个样本点在t+1采样时刻的风电场输出功率，其中，t、n均为自然数；

步骤2-2，将n个样本点在t采样时刻的天气数据以及预测的n个样本点在t+1采样时刻的风电功率作为新样本加入BP神经网络训练样本集，剔除当前采样时间序列上的第一样本点；

步骤2-3，t取值加1，进入下一采样时刻，重复步骤2-1至步骤2-2。

3.根据权利要求1或2所述的风力发电系统实时功率预测的修正方法，其特征在于，在步骤2和步骤3之间还有步骤A，选择储能系统电池容量，具体方法如下：

步骤A-1，根据BP神经网络预测的各采样时刻风电功率得到功率预测上下限曲线：

步骤a，由当前采样时刻预测的风电功率以及实际风电功率得到预测功率误差；

步骤b，再由预测功率误差绝对平均值修正当前采样时刻风电功率得到下一采样时刻预测误差上限值、下限值；

步骤c，利用插值法拟合得到功率预测上下线曲线；

步骤A-2，在每个采样时刻内：对于超出功率预测上限或下限的输出功率积分得到误差容量，按照采样时间序列内数理统计误差容量得到电池的充放电容量样本；

步骤A-3，剔除偏差最大的储能电池充放电容量样本，根据储能电池充放电效率和最大放电深度选择储能系统电池容量。

4.根据权利要求3所述的风力发电系统实时功率预测的修正方法，其特征在于，预测功率误差由指数平滑的方法确定。

Images