CN103679288A - 一种径流式小水电集群发电功率短期预测方法及预测系统 - Google Patents

Abstract

一种径流式小水电集群发电功率短期预测方法及预测系统，属于水力发电功率预测技术领域。该方法将接入同一变电站的若干个小水电视为一个集群，分别对集群内所有单个小水电功率数据和集群整体功率数据进行预测，然后将两方面预测结果相融合获得最终的集群发电预测数值。本发明还提供一种径流式小水电集群发电功率短期预测系统。本发明将分散的多个径流式小水电归为一个集群，充分考虑径流式小水电的累积效应和滞后效应，计算未来时刻功率预测数值时将单点功率变化率与平均功率变化率相结合，集群功率预测结果融合了整体功率预测结果和所有单个小水电功率预测结果，针对径流式小水电功率输出规律性差而无法准确预测技术问题，本发明预测准确性较好。

Description

一种径流式小水电集群发电功率短期预测方法及预测系统

技术领域

本发明涉及一种径流式小水电集群发电功率短期预测方法及预测系统，尤其涉及一种以变电站为中心的径流式小水电集群发电功率短期预测方法及其系统，属于水力发电功率预测技术领域。

背景技术

我国水力发电已经步入了高速发展阶段，新增装机容量每年呈现递增态势，但这其中包含了相当数量的径流式小水电站。由于没有库容，缺乏来水调节能力，大量径流式小水电接入电网后，其间歇性和随机性的特点必然会对整个电网的安全、稳定及电能质量带来严峻考验，从而限制了径流式小水电的发展规模。如果能够准确预测径流式小水电发电功率，预知未来短期时间内的功率变化趋势，就能为调度人员及时调整电网调度运行方案提供客观依据，使电网安全运行得到保障。

径流式小水电站多处于偏远山区且数量众多，其发电能力受季节、气候、地理环境等多种因素影响，具有明显的累积效应和滞后效应，因此输出功率多呈现较大的不均衡性和不确定性。当某一地区具有大规模径流式小水电时，会出现因降水造成的短期水电功率大发，在并向主网传输时，如果调度不掌握这些信息，调控手段不及时将导致主网调度的经济性和安全性受到首要威胁。从已公开发表的文献来看，目前针对小水电发电的研究逐渐增多，但都集中在具有调节能力的带库容小水电功率预测上。面向没有调节能力的径流式小水电功率预测的研究国内还没有成熟模型，主要原因在于径流式小水电功率输出规律性差，预测准确性较低。如果把接入同一个变电站的多个径流式小水电集中起来形成集群，则集群输出功率波动性将会降低，对其进行预测的结果将会明显改善。目前针对径流式小水电集群发电功率预测的研究还未见报道。

发明内容

为了解决上述技术问题，本发明提出一种径流式小水电集群发电功率短期预测方法及预测系统。该方法将接入同一变电站的若干个小水电站视为一个集群，考虑到径流式小水电的累积效应和滞后效应，将传统的相似日概念扩展为时间长度更为灵活的相似日区间。定义归一化形系数作为衡量两个数据序列形状相似度的标准，取预测日之前一段时间功率数据作为目标数据序列，在历史功率数据序列中检索与目标数据序列形状最相近的若干相似日区间，通过分析各相似日区间之后功率序列的变化趋势来计算预测日的功率序列。本发明分别对集群内所有单个小水电功率数据和集群整体功率数据进行预测，然后将两方面预测结果相融合。

本发明提出的方法包含三部分：（1）对集群内每个小水电发电功率进行预测。（2）对集群整体发电功率进行预测。（3）将基于两种数据的预测结果融合获得集群发电功率预测结果。其中（1）和（2）中的功率预测过程相同，但预测数据不同。

本发明的技术方案是，

一种径流式小水电集群发电功率短期预测方法，该方法：

将两个长度为n的数据序列X＝{X₁,...,X_k,...,X_n}和Y＝{Y₁,...,Y_k,...,Y_n}的归一化形系数S定义为：

$S=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k|\stackrel{\‾}{X_k}-\stackrel{\‾}{Y_k}|$    公式(1)；

其中，

$\stackrel{\‾}{X_k}=(X_{\max }-X_k)/(X_{\max }-X_{\min }),$

$\stackrel{\‾}{Y_k}=(Y_{\max }-Y_k)/(Y_{\max }-Y_{\min }),$

w_k＝T^(n-k)(0＜T＜1)，

分别是X和Y归一化后的序列，若X_max＝X_min或者Y_max＝Y_min，则为全0序列。w_k为日期权重，其中的T^(n-k)随着k值增加而逐渐变小，反映了功率预测中“近大远小”的原则。S能够很好地反映了X和Y的形状差异，如X和Y形状完全一致，即使在垂直方向上有位移偏差，S始终为0；如X和Y形状存在差异，则S不为0且差异越大S越大。

在此定义的基础上，本发明：

1.基于相似日区间的功率短期预测方法

该方法既适用于单个小水电功率预测又适用于集群整体功率预测，只需替换相应的预测数据，因此在方法描述过程中不对数据进行区分。设P＝{P_k}(k＝1,...,Pn)为预测日前n天的功率序列，其中Pn＝n*DC，DC为每天采集的功率数值个数，Q＝{Q_j}(j＝1,...,PN)为历史功率数据，其中PN＝N*DC，N为历史样本天数。功率预测方法就是在序列Q中检索出与序列P形状最相近的若干相似日区间，将各相似日区间之后时间点功率变化趋势进行累加，并扩展到序列P之后以获得预测日的功率序列。方法具体流程如下：

（1）相似日区间选取

功率数据采集的频率非常密集，如果直接在这一层面寻找相似日区间，则检索过程将非常耗时。本发明提出一种基于日电量数据和功率数据两层搜索的相似日区间选取算法。首先，通过功率计算每天的日电量，在日电量数据层面上，寻找相似度较高的若干个候选相似日区间。然后在功率数据层面上再次对这个候选相似日区间进行过滤，最终得到最佳相似日区间。

（1.1）基于日电量数据的相似日区间选取方法

设

为预测日前n天的日电量序列，其中P_i ^E的计算公式为 ${P_i}^E=\frac{24}{\mathrm{DC}}\underset{k=(i-1)*\mathrm{DC}+1}{\overset{i*\mathrm{DC}}{\mathrm{\Σ}}}{P}_k,Q^E=\left\{Q_j^E\right\}(j=1,...,N)$ 为日电量历史序列，其中

的计算公式为

基于日电量数据的相似日区间选取算法是在序列Q^E中找出长度为n且与序列P^E形状最为相似的m个子序列，方法步骤为：

（a）设最相似序列集合C_worst为C中与P^E相似度最差的序列，初始化C_worst=NULL，S_worst为相应的归一化形系数，初始化为，S_worst＝-1，h=1。

（b）采用公式(1)计算序列P^E和的归一化形系数

（c）如果|C|＜m，将

添加到C中并转到步骤(e)。

（d）将

与序列C_worst进行比较，如果

小于其归一化形系数S_worst，用

替换C_worst。

（e）对C中所有的序列按归一化形系数从小到大排序，并更新C_worst和S_worst。

（f）h=h+1，如果h<N-n，转向步骤(b)，否则退出。

为了提高算法效率，在步骤(b)计算归一化形系数过程中，不断将结果S与S_worst进行对比，较早地排除形状相似度较差的序列，在计算公式(1)时满足以下条件之一则终止并转到步骤(f):

（b1）当S≥S_worst且k＜n，

（b2）当S≥0.8*S_worst且k≤n/2，

（b3）当S≥0.5*S_worst且k≤n/4；

（1.2）基于功率数据的相似日区间选取方法

根据集合C中的m个日电量序列中对应的日期序列，获得m个长度为DC*n的功率序列，然后筛选出其中与功率序列P最相似的M个功率序列（M<m）。本发明仍然采用归一化形系数作为两个序列形状相似程度的评价函数，方法步骤如下：

（a）根据序列Q^E，根据集合C中的所有的日电量序列对应的日期，得到m个长度为DC*n的功率序列其中

是序列Q^E中的子序列。

（b）采用公式(1)计算P和

的归一化形系数S_l。

（c）将C^power中的序列按照S_l从小到大排序，并选取前M个作为最终的相似日区间序列集合C^final。

（2）基于相似日区间的功率预测计算方法

径流式小水电的累加效应和滞后效应目前还无法用数学模型表示，但其蕴含在相似日区间之后时间点的功率数值与相似日区间内的功率数值的对比关系中。基于此事实，本发明将已知的相似日区间之后时间点的功率变化应用到序列P上，以计算预测日功率数值。由于各相似日区间功率与序列P的相似度不同，相似日区间之后时间点的功率变化大小对预测结果的贡献程度也不同，基于相似日区间的功率预测计算方法步骤如下：

（2.1）相似日区间的权重计算

集合C^fin中各相似日区间的功率序列与序列P的归一化形系数为S_i(i＝1,2,...,M)，其权重为：

$W_i=1/S_i/\stackrel{\&OverBar;}{S},(i=\mathrm{1,2},...,M),$

其中， $\stackrel{\&OverBar;}{S}=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}1/S_i;$

（2.2）设集合C^final中的元素为功率序列 $C_i^{\mathrm{final}}=\left\{Q_{\mathrm{ik}}\right\},(i=1,...,M,k=1,...,\mathrm{Pn}),$ 将序列

a在l时间轴上之后时刻的功率序列定义为

(i＝1,...,M,t＝1,...,TC)，即

与在时间上是连续的，其中TC是预测的数据个数。计算预测日各时间点的功率数值R_j(j＝1,2,..,TC)，公式如下：

R_j＝αE_j1+βE_j2   公式(2)；

$E_{j1}=P_{\mathrm{Pn}}(1+\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}(W_s(Q_{\mathrm{sj}}^{*}-Q_{\mathrm{sPn}})/Q_{\mathrm{sPn}}))$

$E_{j2}=(\mathrm{Pn}+1)\stackrel{\&OverBar;}{P}(1+\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}(W_s(\stackrel{\&OverBar;}{Q_{\mathrm{sj}}^{*}}-\stackrel{\&OverBar;}{Q_s})/\stackrel{\&OverBar;}{Q_s}))-\mathrm{Pn}\stackrel{\&OverBar;}{P}$

$\stackrel{\&OverBar;}{P}=\frac{1}{\mathrm{Pn}}\underset{u=1}{\overset{\mathrm{Pn}}{\mathrm{\&Sigma;}}}{P}_u$

$\stackrel{\&OverBar;}{Q_s}=\frac{1}{\mathrm{Pn}}\underset{u=1}{\overset{\mathrm{Pn}}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{su}}$

$\stackrel{\&OverBar;}{Q_{\mathrm{sj}}^{*}}=\frac{1}{\mathrm{Pn}+1}(\underset{u=1}{\overset{\mathrm{Pn}}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{su}}+Q_{\mathrm{sj}}^{*})$

其中E_j1表示在j时间点各相似日区间功率变化率加权结果对预测值的贡献，E_j2表示在j时间点各相似日区间平均功率变化率加权结果对预测值的贡献，α和β是调节因子，可通过训练过程确定数值大小。

2.小水电集群发电功率预测方法

基于前述的短期功率预测方法，本发明分别对集群内所有单个小水电功率和集群整体功率进行预测，再将预测结果相融合以提高预测准确性。对于一个有M_D个小水电站的集群D＝{D_i}(i＝1,2,...,M_D)，小水电集群发电功率预测方法步骤如下：

步骤1：对所有小水电应用上述1中的基于相似日区间的功率预测方法，分别获得其功率预测数据T_ij(i＝1,2,...,M_D，j＝1,2,...,TC)。

步骤2：对集群整体数据应用上述1中的基于相似日区间的预测模型，获得集群整体功率预测数据T_j(j＝1,2,...,TC)。

步骤3：将基于两种数据的预测结果融合，获得集群最终的功率预测数值，公式如下：

   公式(3)

其中，是权重因子，可通过训练过程确定数值大小。

本发明还提供了一种径流式小水电集群发电功率短期预测系统。

为了验证本发明公开的方法的有效性，基于此方法设计了径流式小水电集群功率短期预测系统：该系统以数据接口方式实时地从已有小水电功率数据采集系统中读取小水电站功率数据，以满足功率预测模块对数据可靠性的要求。将接入同一变电站（电压等级为110KV或35KV）的多个径流式小水电站归为一个集群，通过预测集群未来的发电功率趋势来提高电网侧对小水电发电的接入能力。

径流式小水电集群功率短期预测系统包括小水电功率数据导入、基础数据维护、日电量数据维护、小水电集群功率预测、预测结果管理和数据输出等模块。

一种径流式小水电集群发电功率短期预测系统，该系统包括数据库、数据访问层、业务逻辑层、表示层；

数据库与数据访问层相连；数据访问层与业务逻辑层相连；业务逻辑层与表示层相连；

表示层负责用户与系统之间的交互；

数据库中含有小水电功率信息数据库模块、小水电电量数据库模块、预测结果数据库模块、小水电基本信息数据库模块、小水电拓扑结构数据库模块、系统信息数据库模块；

数据访问层含有功率数据访问模块、电量数据访问模块、预测结果数据访问模块、基本信息访问模块、拓扑结构数据访问模块、系统信息数据访问模块；

业务逻辑层包括功率数据导入模块、电量数据维护模块、基础数据维护模块、功率预测模块、预测结果管理模块、系统管理模块、数据备份模块；

其中，所述功率数据导入模块包括映射维护、数据导入、数据纠错、填补等；

所述电量数据维护模块包括单站电量计算、集群电量计算；

所述基础数据维护模块包括小水电基本信息、变电站基本信息、小水电与变电站之间的拓扑结构等；

所述功率预测模块包括训练、单站预测、集群预测；

所述预测结果管理模块包括预测结果查询、分析、统计；

所述系统管理模块包括角色、权限、用户、日志；

所述数据备份模块包括数据备份、恢复、对比。

该系统还包括数据输出模块；数据输出模块包括数据检索、显示、导出文件、打印。

所述的小水电功率数据导入模块用于读取通过采集装置上传至数据库中的小水电实时功率数据，导入频率为每15分钟一次，但略滞后于数据采集时间。数据导入后，对异常数据进行纠错，对缺失数据进行填补，数据纠错和填补均采用相邻有效数据线性插值法。

所述的基础数据维护模块管理小水电的基本信息和拓扑结构信息。基本信息主要有名称、容量、地理位置、所属单位等，拓扑结构信息主要有并网接入点、接入变电站等。

所述的日电量数据维护模块每天定时对前一天导入的功率数据进行计算获得日电量数据，包括每个小水电的日电量数据和集群累加的日电量数据。

所述的小水电集群功率预测模块分为训练和预测两个子模块，训练子模块对采用本发明提供的功率预测方法对已知功率数据进行预测，目的是获取功率预测方法中的参数。预测子模块负责对径流式小水电集群功率进行短期功率预测。

所述的预测结果管理模块分析预测结果与实测数据的差异，当预测结果持续不理想时触发训练过程的执行，以改善预测模型中的参数。

该径流式小水电集群发电功率短期预测系统有数据输出模块提供多种查询条例检索预测结果和功率数据，检索结果以柱状图、饼图、曲线和图表等多种形式显示，并可输出打印或导出文件。

本发明适用的对象尤其是没有库容的径流式小水电站，数量较多且接入同一个变电站。本发明方法采用归一化形系数作为衡量两个数据序列形状相似度的标准。本发明方法将相似日扩展为相似日区间，在历史功率数据中检索时间更长的相似日区间功率数据，以体现径流式小水电的累积效应和滞后效应。

本发明的有益效果是：

1、将分散的多个径流式小水电归为一个集群，使得集群整体输出功率的波动性降低；

2、充分考虑径流式小水电的累积效应和滞后效应，将传统的相似日扩展为相似日区间，通过分析更长周期的样本数据提高了功率预测结果的准确性；

3、采用归一化形系数作为数据序列形状相似性的衡量标准，更加准确地优选历史样本数据；

4、计算未来时刻功率预测数值时将单点功率变化率与平均功率变化率相结合，避免了预测结果出现异常数值的情况；

5、集群功率预测结果融合了整体功率预测结果和所有单个小水电功率预测结果，最大程度地挖掘了所有功率数据中蕴含的规律；

6、将径流式小水电功率集群预测方法应用到实际系统中，并设计了预测过程中需要的相应模块及功能。

附图说明

图1为本发明方法流程图。

图2为实施例中2012年3个小水电及集群累加电量数据示意图。

图3为实施例中预测日前7天小水电及集群累加电量数据示意图。

图4为实施例中2012年6月某个小水电功率数据示意图。

图5为实施例中预测日前7天3个小水电及集群累加功率数据示意图。

图6为径流式小水电集群功率短期预测系统结构示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

图1是本发明方法流程图。如图所示，一种径流式小水电集群发电功率短期预测方法，该方法步骤如下：

集群发电功率预测需要准备的数据包括一个群集内所有小水电的历史功率数据、历史日电量数据、集群整体功率历史数据、集群整体日电量历史数据以及待预测日之前一段区间内所有小水电的功率数据、日电量数据、集群整体功率数据、集群整体日电量数据。

预测过程中需要确定的参数有相似日区间长度、基于日电量数据的相似日区间选取个数、基于功率数据的相似日区间选取个数，相似日区间搜索的起止时间范围，功率预测数据个数。预测过程中使用的其他参数均在训练过程中确定；

步骤（1）：对集群中每个小水电依次执行基于日电量数据的相似日区间选取方法和基于功率数据的相似日区间选取方法，然后采用基于相似日区间的功率预测计算方法获得小水电的功率预测数值。

步骤（2）：执行基于集群整体日电量数据的相似日区间选取方法和基于集群整体功率数据的相似日区间选取方法，采用基于相似日区间的功率预测计算方法获得集群整体功率预测数值。

步骤（3）：将步骤（1）和步骤（2）中的预测结果融合获得最终的集群功率预测数据。

下面以具体实施例来说明径流式小水电集群功率预测模型的实施过程。

实施例中，一个集群包含3个径流式小水电，图2为实施例中2012年3个小水电及集群累加电量数据示意图，图3为实施例中预测日前7天小水电及集群累加电量数据示意图。由于功率数据量较多，只显示2012年6月份小水电1的功率曲线，如图4所示，图4为实施例中2012年6月某个小水电功率数据示意图。图5为实施例中预测日前7天3个小水电及集群累加功率数据示意图。预测日为2013年3月17日。

预测过程中使用的参数如下：相似日区间长度n=7天，基于日电量数据的最优相似日区间个数m=10个，基于功率数据的最优相似日区间个数M=5个，每天采集的功率预测数据个数DC=96。公式(1)中的T=0.95，公式(2)中的α和β共有4组不同的数据，通过训练3个小水电对应的数据为α₁=0.68，β₁=0.32，α₂=0.65，β₂=0.35，α₃=0.74，β₃=0.26，集群累加数据对应的α_*=0.69，β_*=0.31。公式(3)中的φ=0.42和

对第一个小水电应用基于日电量数据的相似日区间选取方法获得10个最优相似日区间，并找到这些区间对应的功率数据，构成10个功率序列。然后应用基于功率数据的相似日区间选取方法对这个10个功率序列进行筛选，选取其中最为相似的5个区间，并计算每个区间的权重，结果如表1所示。最后应用基于相似日区间的功率预测计算方法获得TC个功率预测数值。

表1小水电相似日区间选取结果

对其他2个小水电和集群整体数据重复执行这一过程。

将3个小水电的功率预测结果和集群整体功率预测结果相融合，计算出集群功率预测数值（96个时刻），结果如表2所示。通过与实测数据对比，平均绝对百分比误差为10.16%，这在规律性极差的径流式小水电功率预测领域已属于较好结果。

表2集群功率预测结果与实测结果对比

图6为径流式小水电集群功率短期预测系统结构示意图。径流式小水电集群功率短期预测系统分为数据库、数据访问层、业务逻辑层和表示层。数据库包括小水电功率信息、小水电电量信息、小水电基本信息、小水电拓扑结构信息、预测结果信息和系统信息。其中系统信息是指角色、权限、用户和日志等数据。

数据访问层针对每个数据库提供查询、添加、修改、删除等操作。

业务逻辑层是软件系统功能的实现，包括功率数据导入、电量数据维护、基础数据维护、功率预测、预测结果管理、数据输出、系统管理和数据备份八个模块。

功率数据导入模块通过直接访问小水电采集系统的数据库获得小水电功率数据，同时建立其与本发明软件系统数据库的映射关系，以保证数据有效性。数据导入后，对于异常数据进行纠错，对缺失数据进行填补，数据纠错和填补均采用相邻有效数据线性插值法。在确保功率数据的有效性后，计算集群累加功率数据。

电量数据维护模块每天定时对前一天导入的功率数据进行计算获得日电量数据，包括每个小水电的日电量数据和集群累加的日电量数据。

基础数据维护模块管理小水电的基本信息和拓扑结构信息。基本信息主要有名称、容量、地理位置、所属单位等，拓扑结构信息主要有并网接入点、接入变电站等。

所述的小水电集群功率预测模块分为训练和预测两个子模块，训练子模块对采用本发明提供的功率预测方法对已知功率数据进行预测，目的是获取功率预测方法中的参数。预测子模块负责对径流式小水电集群功率进行短期功率预测。

预测结果管理模块实现对历史预测结果的查询、统计和分析功能，通过与实测数据进行对比分析，为衡量预测算法提供客观依据，如发现预测结果持续较差，则提示操作者进行训练。

系统管理模块包括角色管理、权限管理、用户管理和日志管理，通过对用户进行角色、权限的验证来确保非法用户无权登录系统，同时日志会记录用户的所有操作痕迹，以便管理员能监考系统运行。

数据备份模块为数据安全提供保障，定期或用户主动地将系统中的数据备份到其他永久性存储器中。当系统需要时，可将备份数据重新导入系统，使系统恢复到之前正确的状态。对于备份的不同版本数据提供对比功能，以辅助用户恢复系统。

数据输出模块通过提供丰富的查询过滤条件完成数据检索工作，检索后的数据能够以饼图、柱状图、曲线图、表格等多种方式显示，最终的显示结果能够打印或者导出为文件。

表示层负责用户与系统之间的交互，本发明采用Browser/Server软件开发模式，表示层为浏览器。

本发明针对径流式小水电功率输出规律性差而无法准确预测的技术问题，本发明将接入同一变电站的若干个小水电视为一个集群，分别对集群内所有单个小水电功率数据和集群整体功率数据进行预测，然后将两方面预测结果相融合获得最终的集群发电预测数值。在对小水电和集群整体功率预测时，取预测日之前一段时间的发电功率数据作为目标数据，在历史功率数据序列中检索与目标数据序列形状最相近的若干相似日区间，通过分析各相似日区间之后功率序列的变化趋势来计算预测日的功率序列。本发明应用到径流式小水电集群发电功率预测系统中，预测准确性较好。

本发明的上述具体实施方式中小水电集群功率短期预测方法使用的数据仅为示例性，并不作为对本发明保护范围的限定。本领域技术人员可根据不同情况对本发明进行修改和等同替换，这些修改和替换也涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种径流式小水电集群发电功率短期预测方法，其特征在于，该方法，

（I）将两个长度为n的数据序列X＝{X₁,...,X_k,...,X_n}和Y＝{Y₁,...,Y_k,...,Y_n}的归一化形系数S定义为：

$S=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_k|\stackrel{\&OverBar;}{X_k}-\stackrel{\&OverBar;}{Y_k}|,$    公式(1)；

其中，

$\stackrel{\&OverBar;}{X_k}=(X_{\max }-X_k)/(X_{\max }-X_{\min }),$

$\stackrel{\&OverBar;}{Y_k}=(Y_{\max }-Y_k)/(Y_{\max }-Y_{\min }),$

w_k＝T^(n-k)(0＜T＜1)，

分别是X和Y归一化后的序列，若X_max＝X_min或者Y_max＝Y_min，则

为全0序列；w_k为日期权重，其中的T^(n-k)随着k值增加而逐渐变小，反映了功率预测中“近大远小”的原则；S能够很好地反映了X和Y的形状差异，如X和Y形状完全一致，即使在垂直方向上有位移偏差，S始终为0；如X和Y形状存在差异，则S不为0且差异越大S越大；

（II）基于相似日区间的功率短期预测方法

该方法既适用于单个小水电功率预测又适用于集群整体功率预测，只需替换相应的预测数据，因此在方法描述过程中不对数据进行区分；设P＝{P_k}(k＝1,...,Pn)为预测日前n天的功率序列，其中Pn＝n*DC，DC为每天采集的功率数值个数，Q＝{Q_j}(j＝1,...,PN)为历史功率数据，其中PN＝N*DC，N为历史样本天数；功率预测方法就是在序列Q中检索出与序列P形状最相近的若干相似日区间，将各相似日区间之后时间点功率变化趋势进行累加，并扩展到序列P之后以获得预测日的功率序列；方法具体如下：

（1）相似日区间选取

功率数据采集的频率非常密集，如果直接在这一层面寻找相似日区间，则检索过程将非常耗时；本发明提出一种基于日电量数据和功率数据两层搜索的相似日区间选取算法；首先，通过功率计算每天的日电量，在日电量数据层面上，寻找相似度较高的若干个候选相似日区间；然后在功率数据层面上再次对这个候选相似日区间进行过滤，最终得到最佳相似日区间；

（1.1）基于日电量数据的相似日区间选取方法

设

为预测日前n天的日电量序列，其中P_i ^E的计算公式为 ${P_i}^E=\frac{24}{\mathrm{DC}}\underset{k=(i-1)*\mathrm{DC}+1}{\overset{i*\mathrm{DC}}{\mathrm{\&Sigma;}}}{P}_k,Q^E=\left\{Q_j^E\right\}(j=1,...,N)$ 为日电量历史序列，其中的计算公式为

基于日电量数据的相似日区间选取算法是在序列Q^E中找出长度为n且与序列P^E形状最为相似的m个子序列，方法步骤为：

（a）设最相似序列集合

C_worst为C中与P^E相似度最差的序列，初始化C_worst=NULL，S_worst为相应的归一化形系数，初始化为，S_worst＝-1，h=1；

（b）采用公式(1)计算序列P^E和

的归一化形系数

（c）如果|C|＜m，将

添加到C中并转到步骤(e)；

（d）将

与序列C_worst进行比较，如果

小于其归一化形系数S_worst，用

替换C_worst；

（e）对C中所有的序列按归一化形系数从小到大排序，并更新C_worst和S_worst；

（f）h=h+1，如果h<N-n，转向步骤(b)，否则退出；

（1.2）基于功率数据的相似日区间选取方法

根据集合C中的m个日电量序列中对应的日期序列，获得m个长度为DC*n的功率序列，然后筛选出其中与功率序列P最相似的M个功率序列（M<m），仍然采用归一化形系数作为两个序列形状相似程度的评价函数，本方法步骤如下：

（a）根据序列Q^E，根据集合C中的所有日电量序列对应的日期序列，得到m个长度为DC*n的功率序列

(l＝1,...,m)，其中

是序列Q^E中的子序列；

（b）采用公式(1)计算P和

的归一化形系数S_l；

（c）将C^power中的序列按照S_l从小到大排序，并选取前M个作为最终的相似日区间序列集合C^final；

（2）基于相似日区间的功率预测计算方法

（2.1）相似日区间的权重计算

集合C^fin中各相似日区间的功率序列与序列P的归一化形系数为S_i(i＝1,2,...,M)，其权重为：

$W_i=1/S_i/\stackrel{\&OverBar;}{S},(i=\mathrm{1,2},...,M)\text{,}$

其中， $\stackrel{\&OverBar;}{S}=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}1/S_i;$

（2.2）设集合C^final中的元素为功率序列 $C_i^{\mathrm{final}}=\left\{Q_{\mathrm{ik}}\right\},(i=1,...,M,k=1,...,\mathrm{Pn}),$ 将序列

在时间轴上之后时刻的功率序列定义为

(i＝1,...,M,t＝1,...,TC)，即

与

在时间上是连续的，其中TC是预测的数据个数；计算预测日各时间点的功率数值R_j(j＝1,2,..,TC)，公式如下：

R_j＝αE_j1+βE_j2，   公式(2)；

$E_{j1}=P_{\mathrm{Pn}}(1+\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}(W_s(Q_{\mathrm{sj}}^{*}-Q_{\mathrm{sPn}})/Q_{\mathrm{sPn}}))$

$E_{j2}=(\mathrm{Pn}+1)\stackrel{\&OverBar;}{P}(1+\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}(W_s(\stackrel{\&OverBar;}{Q_{\mathrm{sj}}^{*}}-\stackrel{\&OverBar;}{Q_s})/\stackrel{\&OverBar;}{Q_s}))-\mathrm{Pn}\stackrel{\&OverBar;}{P}$

$\stackrel{\&OverBar;}{P}=\frac{1}{\mathrm{Pn}}\underset{u=1}{\overset{\mathrm{Pn}}{\mathrm{\&Sigma;}}}{P}_u$

$\stackrel{\&OverBar;}{Q_s}=\frac{1}{\mathrm{Pn}}\underset{u=1}{\overset{\mathrm{Pn}}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{su}}$

$\stackrel{\&OverBar;}{Q_{\mathrm{sj}}^{*}}=\frac{1}{\mathrm{Pn}+1}(\underset{u=1}{\overset{\mathrm{Pn}}{\mathrm{\&Sigma;}}}{Q}_{\mathrm{su}}+Q_{\mathrm{sj}}^{*})$

其中，E_j1表示在j时间点各相似日区间功率变化率加权结果对预测值的贡献，E_j2表示在j时间点各相似日区间平均功率变化率加权结果对预测值的贡献，α和β是调节因子，可通过训练过程确定数值大小；

对于一个有M_D个小水电站的集群D＝{D_i}(i＝1,2,...,M_D)，本方法步骤为：

步骤1：对所有小水电应用上述（II）中的基于相似日区间的功率预测方法，分别获得其功率预测数据T_ij(i＝1,2,...,M_D，j＝1,2,...,TC)；

步骤2：对小水电集群整体数据应用上述（II）中的基于相似日区间的预测模型，获得集群整体功率预测数据T_j(j＝1,2,...,TC)；

步骤3：将基于两种数据的预测结果融合，获得集群最终的功率预测数值公式如下：

   公式(3)；

其中，

是权重因子，可通过训练过程确定数值大小。

2.根据权利要求1所述的一种径流式小水电集群发电功率短期预测方法，其特征在于，所述（1.1）基于日电量数据的相似日区间选取方法步骤(b)计算归一化形系数过程中，不断将结果S与S_worst进行对比，较早地排除形状相似度较差的序列，在计算公式(1)时满足以下条件之一则终止并转到步骤(f):

（b1）当S≥S_worst且k＜n，

（b2）当S≥0.8*S_worst且k≤n/2，

（b3）当S≥0.5*S_worst且k≤n/4。

3.根据权利要求1所述的一种径流式小水电集群发电功率短期预测方法的一种径流式小水电集群发电功率短期预测系统，其特征在于，该系统包括数据库、数据访问层、业务逻辑层、表示层；

数据库与数据访问层相连；数据访问层与业务逻辑层相连；业务逻辑层与表示层相连；

表示层负责用户与系统之间的交互；

数据库中含有小水电功率信息数据库模块、小水电电量数据库模块、预测结果数据库模块、小水电基本信息数据库模块、小水电拓扑结构数据库模块、系统信息数据库模块；

数据访问层含有功率数据访问模块、电量数据访问模块、预测结果数据访问模块、基本信息访问模块、拓扑结构数据访问模块、系统信息数据访问模块；

业务逻辑层包括功率数据导入模块、电量数据维护模块、基础数据维护模块、功率预测模块、预测结果管理模块、系统管理模块、数据备份模块；

其中，所述功率数据导入模块包括映射维护、数据导入、数据纠错、数据填补；

所述电量数据维护模块包括单站电量计算、集群电量计算；

所述基础数据维护模块包括小水电基本信息、变电站基本信息、小水电与变电站之间的拓扑结构；

所述功率预测模块包括训练、单站预测、集群预测；

所述预测结果管理模块包括预测结果查询、分析、统计；

所述系统管理模块包括角色、权限、用户、日志；

所述数据备份模块包括数据备份、恢复、对比。

4.根据权利要求3所述的系统，其特征在于，该系统还包括数据输出模块；所述数据输出模块包括数据检索、显示、导出文件、打印。

5.根据权利要求3所述的系统，其特征在于，所述表示层为浏览器。

Images