CN104978608A - 一种风电功率预测装置及预测方法 - Google Patents

Abstract

一种风电功率预测装置及预测方法，预测装置由风机数据测试设备、历史数值天气预报数据接口、数据采集设备、路由器、数据库、数据处理器和网络服务器组成；本发明通过经验模态分解将非平稳的风速时间序列分解为不同尺度的分量，然后针对不同分量分别建立对应的模型进行预测，并通过改进的加权预测将各个分量的预测结果组合起来，和现有技术风电功率建模预测比较，本发明能有效的提高预测准确度。

Description

一种风电功率预测装置及预测方法

技术领域

本发明属电力系统风电功率预测，尤其是涉及电力系统风电功率预测装置及方法技术领域。

背景技术

近年来，随着经济飞速发展，能源消耗逐渐增加，化石燃料等传统燃料日益枯竭，环境污染日益加剧，人们对新的清洁能源形式有着强烈的渴望。在此背景下，新能源发电技术得以迅猛发展。目前，在新能源领域，由于风力发电技术相对成熟，很多国家把发展风力发电作为改善能源结构，保护生态环境和减少环境污染的一项重要措施，纳入国家的发展规划之中。风力发电也因此愈发受到重视并得到大力开发。

根据中国可再生能源学会风能专业委员会(CWEA)的统计数据，2012年中国(不含港澳台)新安装风电机组7872台，新增风电装机容量1296万千瓦，至2012年底全国累计风电装机保有量53764台，累计装机容量7532.4万千瓦。到2015年风电并网装机将达到1亿千瓦以上，2020年达到2亿千瓦，风电是我国实现“十二五”规划和2020年非化石能源发展目标的最重要的可再生能源之一。

目前，关于风电预测的问题，风电场级的风电预测研究较多，主要应用在风电场自身和电网的调度运行中。但是从电网调度的角度和需求上，单纯的风电场功率预测已不能满足系统调度的需求。调度人员在安排运行方式和旋转备用时更关注整个系统中不确定性功率的大小，而非某个风电场；风电穿透功率的提高，使得电网实时运行调度和联络线交换功率控制的难度越来越大，需对区域整体风电做出有效预测。另外，无论以何种方式进行风力发电预测，都需要风电场提供大量及时可靠的风电机组及风场统计历史数据，如每台风机有功功率、无功功率、风速、风机运行状态信号等，整个风场的平均风速、总有关功率、总无功功率等。而这些数据目前仅存在于风电场当地变电站的监控系统中，目前风机生产厂家多达几十家，不同风机厂家的风电场监控技术一般互不兼容。

另一方面，风电的波动性是制约风电大规模并网发电的重要因素之一，精确的风电功率预测能够使调度部门根据风电场的出力调整计划，减少备用容量，降低电网的运行成本。为方便电力调度部门对风电场的出力进行调控，一般需要风电场给出72小时时效的风电功率预测，即短期风电功率预测。短期功率预测方法分为物理方法及统计方法两类。物理方法利用流体力学理论建立功率预测模型，需要风场所在地的气象特征信息；统计方法利用统计学理论建立功率预测模型，因而比较依赖风场的历史数据。国外应用物理预测方法的有丹麦实验室的Landberg等人研发的Prediktor风电功率预测系统。Prediktor中WAsP基于流体力学下的风模型，将风速、风向等物理量转换到风机相应的轮毂高度，根据风机功率曲线转换进行功率预测。物理方法建模难点在于获得高精度完善的数值天气预报，而且不同地区风电场需要针对风电场地形进行重新建模。

统计方法的预测原理是基于统计学理论，建立起数值天气预报与风机功率或风速输出之间的统计关联，前者可以直接得到预测功率，后者根据风机实际功率曲线或风机出厂功率曲线转换得到预测功率。目前常用人工智能等因果关系分析方法建立预测模型，在建立的模型上再进行功率预测，主要包括人工神经网络(ANN)、支持向量机(SVM)、模糊逻辑(FuzzyLogic)等，统计预测要求大量的历史数据对模型进行训练，统计模型泛化能力较强，但对异常样本点处理精度不够。

发明内容

本发明的目的正是为了克服上述现有技术存在的问题，而提供一种能有效的提高预测准确度的风电功率预测装置及其预测方法。

本发明的目的是通过如下技术方案来实现的。

一种风电功率预测装置，由风机数据测试设备、历史数值天气预报数据接口、数据采集设备、路由器、数据库、数据处理器和网络服务器组成；其中，所述风机数据测试设备、所述历史数值天气预报数据接口与所述数据采集设备相连；所述数据采集设备、所述路由器、所述数据库、所述数据处理器和所述服务器依次相连。

一种根据风电功率预测装置的预测方法，所述风机数据测试包括测量运行风机总台数、故障风机台数、总上网电量、24h负荷大小与平均风速，每台风机24h所受风的风速和风向、转子转速、有功功率、无功功率；为保证测量准确度，优先测量频率为1min，每天测试1440组数据；

所述历史数值天气预报数据接口为气象局发布的每天24h的气象信息数据接口；

所述数据采集设备将风机数据测试设备数据和历史数值天气预报数据采集后，通过路由器发送到数据库；

所述数据处理器对风电场数据进行预处理、剔除冗余数据、经验模态分解、建模、计算权重向量、预测风电功率，并形成预测数据值发送到所述网络服务器；

本发明采用以下步骤进行风电功率预测：

S1：收集历史数值天气预报和风机实测数据

采集运行风机总台数、故障风机台数、总上网电量、24h负荷大小与平均风速，每台风机24h所受风的风速和风向、转子转速、有功功率、无功功率。为保证测量准确度，优先测量频率为1min，每天测试1440组数据；

采集每天24h的历史数值天气预报信息，预报信息数据最少采集3个月以上，优选采集1年365天的预报数据；

S2：剔除冗余数据

剔除冗余数据方法采用现有技术中的ISODATA算法或残差数据法或DELTA压缩算法；

S3：经验模态分解

S3.1 提取风速时间序列信号x(t)的所有极大值，极小值，分别对其做三次样条插值形成上包络线，下包络线；

S3.2 计算上下包络线均值m₁(t)，将原始时间序列x(t)与m₁(t)的差定义为h₁(t)，如式(1)所示：

h₁(t)＝x(t)-m₁(t)     (1)

S3.3 将h₁(t)视为新序列信号重复前2个步骤，经过k次之后满足IMF条件时停止。记c₁(t)＝h₁(t)，则c₁(t)为第一个IMF分量，包含原始时间序列中最高频分量；

S3.4 c₁(t)分解出来之后，从原始序列去掉c₁(t)的差值为r₁(t)，如式(2)所示：

r₁(t)＝x(t)-c₁(t)     (2)

S3.5 将差值r₁(t)作为初始时间序列重复步骤S3.1至S3.4，得到n个IMF分量以及最终剩余量r_n(t)；原始时间序列被分解为n个IMF分量以及剩余量r_n(t)，如式(3)所示：

$x\left(t\right)=\underset{i=1}{\overset{n}{\Σ}}{c}_i\left(t\right)+r_n\left(t\right)---\left(3\right)$

本发明采用终止条件为：r_n(t)≤δ(t)，δ(t)为限定值。

S4：建立预测模型

根据上述经验模态分解的给定有限样本{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}，其中x_i∈R_n，y_i∈R，i＝1,2,…,t。设对应样本的回归函数为式(4)：

F＝{f|f(x)＝w^T·x+b,w∈Rⁿ}    (4)

结构风险函数为

$R_{reg}=\frac{1}{2}\left|\right|w|{|}^2+{\mathrm{CR}}_{emp}\[f\]---\left(5\right)$

其中||w||²描述函数模型F的复杂度，C为常数，使模型复杂度和经验风险平衡，保证预测模型的泛化性能。

问题等价为如下最优问题，如式(6)所示：

$\begin{array}{c}\min R(w,\mathrm{\ξ},{\mathrm{\ξ}}^{*})=\frac{1}{2}(w^T\·w)+C\underset{i=1}{\overset{t}{\mathrm{\Σ}}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})\\ s.t\\ \left\{\begin{array}{c}f\left(x_i\right)-y_i\≤{\mathrm{\ξ}}_i^{*}\mathrm{\ϵ}\\ y_i-f\left(x_i\right)\≤{\mathrm{\ξ}}_i+\mathrm{\ϵ}\\ \mathrm{\ξ},{\mathrm{\ξ}}^{*}\≥0\end{array}\right.\end{array}---\left(6\right)$

式(6)中为模型引入的松弛变量，保证本发明风速问题解的存在，第二项则是用于控制模型的回归误差；ε为估计精度；

风速序列为非线性时间序列，求解的思想是利用非线性映射函数将训练样本数据映射到一个高维特征空间，转换为高维线性回归。若非线性映射为Φ，则为式(7)：

$\left\{\begin{array}{c}K(x_i,x_j)=\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right)\\ w=\underset{i=1}{\overset{t}{\Σ}}(a_i-a_i^{*})\mathrm{\Φ}\left(x_i\right)\end{array}\right.---\left(7\right)$

则f(x)为式(8)：

$F=\left\{f\right|f\left(x\right)=\underset{i=1}{\overset{t}{\Σ}}(a_i-a_i^{*})K(x_i,x_j)+b\}---\left(8\right)$

采用上述方法对风速时间序列分解出来的不同尺度数据列进行建模，有利于提高对不同尺度数据建模的准确度。

S5：计算权重向量

对不同分量建模后，需要将不同分量加权得到最终预测结果，其将权重算子定义为：设有(v₁,a₁)，(v₂,a₂)，…，(v_m,a_m)m个二维数组，如式(9)：

$I_{OWA}\[(v_1,a_1),(v_2,a_2),...,(v_m,a_m)\]=\underset{i=1}{\overset{m}{\Σ}}{w}_i{a}_{{\mathrm{\ν}}_{index\left(i\right)}}---\left(9\right)$

式(9)中I_OWA[(v₁,a₁),(v₂,a₂),…,(v_m,a_m)]简称为权重算子，v_i称为a_i的诱导值。w＝(w₁,w₂,…,w_m)^T为加权向量，v_index(i)为v₁,v₂,…,v_m按从大到小顺序排列后第i个数的下标。且满足式10：

$\left\{\begin{array}{c}\underset{i=1}{\overset{m}{\Σ}}{w}_i=1\\ w_i\≥0\end{array}\right.i=1,2,...,m---\left(10\right)$

式(10)表明，权重算子对诱导值v₁,v₂,…,v_m进行排序后对应的a₁,a₂,…,a_m中的数进行有序加权叠加，w_i只与a_i的诱导值的排序有关，而与其本身大小无关。

设有m个分量预测模型对时间t的预测值为一m×N矩阵，如式(11)：

$\left[\begin{array}{ccccc}{x}_{11}& ...& x_{1t}& ...& x_{1N}\\ .& & .& & \\ .& & .& & \\ .& & .& & \\ x_{i1}& ...& x_{it}& ...& x_{iN}\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ x_{m1}& ...& x_{mt}& ...& x_{mN}\end{array}\right]---\left(11\right)$

式(11)矩阵i＝1,2,…,m，t＝1,2,…,N。x_it表示第i个分量预测模型对时间t的预测值。设w＝(w₁,w₂,…,w_m)^T，令a_it为第i个分量预测模型对时间t的预测精度，即式(12)：

$a_{it}=\left\{\begin{array}{cc}1-|(x_t-x_{it})/x_t|,& |(x_t-x_{it})/x_t|<1\\ 0,& |(x_t-x_{it})/x_t|\&GreaterEqual;1\end{array}\right.---\left(12\right)$

式(12)中x_t为时间t的实际功率a_it∈[0,1]。

若将a_it看作预测值x_it的诱导值，那么i个分量预测模型预测精度及其预测值形成了二维数组(a_1t,x_1t),(a_2t,x_2t),…(a_mt,x_mt)。对a_1t,a_2t,…,a_mt从大到小排序，a_index(it)是时间为t时第i个预测精度的下标。根据式(9)权重算子的定义，得式(13)：

$I_{OWA}\&lsqb;(a_{1t},x_{1t}),(a_{2t},x_{2t}),...(a_{it},x_{it})\&rsqb;=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{x}_{a_{index\left(i\right)}}---\left(13\right)$

S6：预测时刻t功率

令于是所有时间N上总的预测误差平方和F为式(14)：

$F=\underset{t=1}{\overset{N}{\&Sigma;}}{\left(x_t-\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{x}_{a_{index\left(i\right)}}\right)}^2---\left(14\right)$

即：

$\min F(w_1,w_2,...,w_m)=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{m}{\&Sigma;}}{w}_i{w}_j\left(\underset{t=1}{\overset{N}{\&Sigma;}}{e}_{a_{index\left(i\right)}}{e}_{a_{index\left(j\right)}}\right)---\left(15\right)$

S7：利用时刻分量预测值迭代计算；并输出t时刻预测值，最后发送至网络服务器式(15)可表示为式(16)：

$\left\{\begin{array}{c}\min F=W^{T}EW\\ R^{T}W=1\\ W\&GreaterEqual;0\\ R={(1,1,...,1)}^T\end{array}\right.---\left(16\right)$

式(16)实际上是一个二次规划问题，可以通过牛顿法、共轭梯度法、内点法等标准二次型优化技术来求解，也可利用K-T条件将其转换成线性规划问题或直接使用MATLAB来求解。采用本发明的加权方法能够将不同分量的预测模型组合起来，形成最后预测结果。

利用时刻分量预测值迭代计算；当预测时刻t大于原始时间序列n时，停止迭代，输出t时刻预测值，最后发送至网络服务器。

本发明同现有技术相比，具有以下优点和有益效果：本发明通过经验模态分解将非平稳的风速时间序列分解为不同尺度的分量，然后针对不同分量分别建立对应的模型进行预测，并通过改进的加权预测将各个分量的预测结果组合起来，和现有技术风电功率建模预测比较，本发明所述方法能有效的提高预测准确度。

附图说明

图1是本发明的结构示意图；

图2是本发明所述风电功率预测的流程图；

图3是本发明验证案例的功率时间序列分解IMF分量图；

图4是本发明验证案例的剩余分量图。

具体实施方式

下面将结合附图，对本发明的技术方案进行清楚、完整地描述。

如图1所示，一种风电功率预测方法及装置，由风机数据测试设备、历史数值天气预报数据接口、数据采集设备、路由器、数据库、数据处理器和网络服务器组成；其中，所述风机数据测试设备、所述历史数值天气预报数据接口与所述数据采集设备相连；所述数据采集设备、所述路由器、所述数据库、所述数据处理器和所述服务器依次相连。

所述风机数据测试包括测量运行风机总台数、故障风机台数、总上网电量、24h负荷大小与平均风速，每台风机24h所受风的风速和风向、转子转速、有功功率、无功功率；为保证测量准确度，优先测量频率为1min，每天测试1440组数据。

所述历史数值天气预报数据接口为气象局发布的每天24h的气象信息数据接口；

所述数据采集设备将风机数据测试设备数据和历史数值天气预报数据采集后，通过路由器发送到数据库；

所述数据处理器对风电场数据进行预处理、剔除冗余数据、经验模态分解、建模、计算权重向量、预测风电功率，并形成预测数据值发送到所述网络服务器。

如图2所示，本发明方法采用以下步骤进行风电功率预测：

S1：收集历史数值天气预报和风机实测数据

采集运行风机总台数、故障风机台数、总上网电量、24h负荷大小与平均风速，每台风机24h所受风的风速和风向、转子转速、有功功率、无功功率。为保证测量准确度，优先测量频率为1min，每天测试1440组数据；

采集每天24h的历史数值天气预报信息，预报信息数据最少采集3个月以上，优选采集1年365天的预报数据；

S2：剔除冗余数据

剔除冗余数据方法很多，并且很成熟，可采用现有技术中的ISODATA算法、残差数据法、DELTA压缩算法等。

S3：经验模态分解

S3.1 提取风速时间序列信号x(t)的所有极大值，极小值，分别对其做三次样条插值形成上包络线，下包络线；

S3.2 计算上下包络线均值m₁(t)，将原始时间序列x(t)与m₁(t)的差定义为h₁(t)，如式(1)所示：

h₁(t)＝x(t)-m₁(t)    (1)

S3.3 将h₁(t)视为新序列信号重复前2个步骤，经过k次之后满足IMF条件时停止。记c₁(t)＝h₁(t)，则c₁(t)为第一个IMF分量，包含原始时间序列中最高频分量；

S3.4 c₁(t)分解出来之后，从原始序列去掉c₁(t)的差值为r₁(t)，如式(2)所示：

r₁(t)＝x(t)-c₁(t)    (2)

S3.5 将差值r₁(t)作为初始时间序列重复步骤S3.1至S3.4，得到n个IMF分量以及最终剩余量r_n(t)；原始时间序列被分解为n个IMF分量以及剩余量r_n(t)，如式(3)所示：

$x\left(t\right)=\underset{i=1}{\overset{n}{\&Sigma;}}{c}_i\left(t\right)+r_n\left(t\right)---\left(3\right)$

本发明采用终止条件为：r_n(t)≤δ(t)，δ(t)为限定值；

S4：建立预测模型

根据上述经验模态分解的给定有限样本{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}，其中x_i∈R_n，y_i∈R，i＝1,2,…,t。设对应样本的回归函数为式(4)：

F＝{f|f(x)＝w^T·x+b,w∈Rⁿ}  (4)

结构风险函数为

$R_{reg}=\frac{1}{2}\left|\right|w|{|}^2+{\mathrm{CR}}_{emp}\&lsqb;f\&rsqb;---\left(5\right)$

其中||w||²描述函数模型F的复杂度，C为常数，使模型复杂度和经验风险平衡，保证预测模型的泛化性能；

问题可等价为如下最优问题，如式(6)所示：

$\begin{array}{c}\min R(w,\mathrm{\&xi;},{\mathrm{\&xi;}}^{*})=\frac{1}{2}(w^T\&CenterDot;w)+C\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}(\mathrm{\&xi;}+{\mathrm{\&xi;}}^{*})\\ s.t\\ \left\{\begin{array}{c}f\left(x_i\right)-y_i\&le;{\mathrm{\&xi;}}_i^{*}\mathrm{\&epsiv;}\\ y_i-f\left(x_i\right)\&le;{\mathrm{\&xi;}}_i+\mathrm{\&epsiv;}\\ \mathrm{\&xi;},{\mathrm{\&xi;}}^{*}\&GreaterEqual;0\end{array}\right.\end{array}---\left(6\right)$

式(6)中为模型引入的松弛变量，保证本发明风速问题解的存在，第二项则是用于控制模型的回归误差；ε为估计精度；

风速序列为非线性时间序列，求解的思想是利用非线性映射函数将训练样本数据映射到一个高维特征空间，转换为高维线性回归。若非线性映射为Φ，则为式(7)：

$\left\{\begin{array}{c}K(x_i,x_j)=\mathrm{\&Phi;}\left(x_i\right)\&CenterDot;\mathrm{\&Phi;}\left(x_j\right)\\ w=\underset{i=1}{\overset{t}{\&Sigma;}}(a_i-a_i^{*})\mathrm{\&Phi;}\left(x_i\right)\end{array}\right.---\left(7\right)$

则f(x)为式(8)：

$F=\left\{f\right|f\left(x\right)=\underset{i=1}{\overset{t}{\&Sigma;}}(a_i-a_i^{*})K(x_i,x_j)+b\}---\left(8\right)$

采用上述方法对风速时间序列分解出来的不同尺度数据列进行建模，有利于提高对不同尺度数据建模的准确度；

S5：计算权重向量

对不同分量建模后，需要将不同分量加权得到最终预测结果，其将权重算子定义为：设有(v₁,a₁)，(v₂,a₂)，…，(v_m,a_m)m个二维数组，如式(9)：

$I_{OWA}\&lsqb;(v_1,a_1),(v_2,a_2),...,(v_m,a_m)\&rsqb;=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{a}_{{\mathrm{\&nu;}}_{index\left(i\right)}}---\left(9\right)$

式(9)中I_OWA[(v₁,a₁),(v₂,a₂),…,(v_m,a_m)]简称为权重算子，v_i称为a_i的诱导值。w＝(w₁,w₂,…,w_m)^T为加权向量，v_index(i)为v₁,v₂,…,v_m按从大到小顺序排列后第i个数的下标。且满足式10：

$\left\{\begin{array}{c}\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i=1\\ w_i\&GreaterEqual;0\end{array}\right.,i=1,2,...,m---\left(10\right)$

式(10)表明，权重算子对诱导值v₁,v₂,…,v_m进行排序后对应的a₁,a₂,…,a_m中的数进行有序加权叠加，w_i只与a_i的诱导值的排序有关，而与其本身大小无关。

设有m个分量预测模型对时间t的预测值为一m×N矩阵，如式(11)：

$\left[\begin{array}{ccccc}{x}_{11}& ...& x_{1t}& ...& x_{1N}\\ .& & .& & \\ .& & .& & \\ .& & .& & \\ x_{i1}& ...& x_{it}& ...& x_{iN}\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ x_{m1}& ...& x_{mt}& ...& x_{mN}\end{array}\right]---\left(11\right)$

式(11)矩阵i＝1,2,…,m，t＝1,2,…,N。x_it表示第i个分量预测模型对时间t的预测值。设w＝(w₁,w₂,…,w_m)^T，令a_it为第i个分量预测模型对时间t的预测精度，即式(12)：

$a_{it}=\left\{\begin{array}{cc}1-|(x_t-x_{it})/x_t|,& |(x_t-x_{it})/x_t|<1\\ 0,& |(x_t-x_{it})/x_t|\&GreaterEqual;1\end{array}\right.---\left(12\right)$

式(12)中x_t为时间t的实际功率a_it∈[0,1]；

若将a_it看作预测值x_it的诱导值，那么i个分量预测模型预测精度及其预测值形成了二维数组(a_1t,x_1t),(a_2t,x_2t),…(a_mt,x_mt)。对a_1t,a_2t,…，a_mt从大到小排序，a_index(it)是时间为t时第i个预测精度的下标。根据式(9)权重算子的定义，得式(13)：

$I_{OWA}\&lsqb;(a_{1t},x_{1t}),(a_{2t},x_{2t}),...(a_{it},x_{it})\&rsqb;=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{x}_{a_{index\left(i\right)}}---\left(13\right)$

S6：预测时刻t功率

令于是所有时间N上总的预测误差平方和F为式(14)：

$F=\underset{t=1}{\overset{N}{\&Sigma;}}{\left(x_t-\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{x}_{a_{index\left(i\right)}}\right)}^2---\left(14\right)$

即：

$\min F(w_1,w_2,...,w_m)=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{m}{\&Sigma;}}{w}_i{w}_j\left(\underset{t=1}{\overset{N}{\&Sigma;}}{e}_{a_{index\left(i\right)}}{e}_{a_{index\left(j\right)}}\right)---\left(15\right)$

S7：利用时刻分量预测值迭代计算；并输出t时刻预测值，最后发送至网络服务器

式(15)可表示为式(16)：

$\left\{\begin{array}{c}\min F=W^{T}EW\\ R^{T}W=1\\ W\&GreaterEqual;0\\ R={(1,1,...,1)}^T\end{array}\right.---\left(16\right)$

式(16)实际上是一个二次规划问题，可以通过牛顿法、共轭梯度法、内点法等标准二次型优化技术来求解，也可利用K-T条件将其转换成线性规划问题或直接使用MATLAB来求解。采用本发明的加权方法能够将不同分量的预测模型组合起来，形成最后预测结果。

利用时刻分量预测值迭代计算；当预测时刻t大于原始时间序列n时，停止迭代，输出t时刻预测值，最后发送至网络服务器。

为了验证本发明的正确性、实用性，本方案采用实施例加以说明。

采用建模数据为我国云南省和贵州省交界处某风电场180天的风场观测数据，以及从气象台获取的相应历史时期的预报数据。该风电场风机额定功率240kW，额定风速13.4m/s，切入风速4m/s，叶轮直径45×2米，轮毂高度为70米。共有45320个时间间隔1min的数据点。

如图3可知，该功率时间序列被自动分解为10个IMF分量；以及一个剩余分量C11，如图4所示。

利用本发明进行预测，将与现有技术中的GRNN神经网络、多项式核支持向量机、传统经验模态分解法、传统IOWA聚合算子方法4种建模方法进行了对比，误差对比如表1所示：

表1 现有技术预测误差对比

由表1数据可得，GRNN神经网络RMSE方法的误差为：+12.323％；多项式核支持向量机方法的误差为：-8.472％；传统经验模态分解法方法的误差为：+9.700％；IOWA聚合算子方法的误差为：+6.369％。

采用本发明方法进行了功率预测，权值向量如表2所示：

表2 本发明加权方式下的权值向量值

预测功率为245.3，误差为2.123％，采用本发明方法下显然具有更高的预测准确度和有效性。

Claims (2)

1.一种风电功率预测装置，其特征是，由风机数据测试设备、历史数值天气预报数据接口、数据采集设备、路由器、数据库、数据处理器和网络服务器组成；

其中，所述风机数据测试设备、所述历史数值天气预报数据接口与所述数据采集设备相连；所述数据采集设备、所述路由器、所述数据库、所述数据处理器和所述网络服务器依次相连。

2.根据权利要求1所述的一种风电功率预测装置的预测方法，其特征在于，采用以下步骤：

S1：收集历史数值天气预报和风机实测数据：

采集运行风机总台数、故障风机台数、总上网电量、24h负荷大小与平均风速，每台风机24h所受风的风速和风向、转子转速、有功功率、无功功率；为保证测量准确度，优先测量频率为1min，每天测试1440组数据；

采集每天24h的历史数值天气预报信息，预报信息数据最少采集3个月以上，优选采集1年365天的预报数据；

S2：剔除冗余数据；

S3：经验模态分解；

S3.1提取风速时间序列信号x(t)的所有极大值，极小值，分别对其做三次样条插值形成上包络线，下包络线；

S3.2计算上下包络线均值m₁(t)，将原始时间序列x(t)与m₁(t)的差定义为h₁(t)，如式(1)所示：

h₁(t)＝x(t)-m₁(t)        (1)

S3.3将h₁(t)视为新序列信号重复前2个步骤，经过k次之后满足IMF条件时停止；记c₁(t)＝h₁(t)，则c₁(t)为第一个IMF分量，包含原始时间序列中最高频分量；

S3.4c₁(t)分解出来之后，从原始序列去掉c₁(t)的差值为r₁(t)，如式(2)所示：

r₁(t)＝x(t)-c₁(t)       (2)

S3.5将差值r₁(t)作为初始时间序列重复步骤S3.1至S3.4，得到n个IMF分量以及最终剩余量r_n(t)；原始时间序列被分解为n个IMF分量以及剩余量r_n(t)，如式(3)所示：

$x\left(t\right)=\underset{i=1}{\overset{n}{\&Sigma;}}{c}_i\left(t\right)+r_n\left(t\right)---\left(3\right)$

本发明采用终止条件为：r_n(t)≤δ(t)，δ(t)为限定值；

S4：建立预测模型

根据上述经验模态分解的给定有限样本{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}，其中x_i∈R_n，y_i∈R，i＝1,2,…,t；设对应样本的回归函数为式(4)：

F＝{f|f(x)＝w^T·x+b,w∈Rⁿ}       (4)

结构风险函数为

$R_{reg}=\frac{1}{2}\left|\right|w|{|}^2+{\mathrm{CR}}_{emp}\&lsqb;f\&rsqb;---\left(5\right)$

其中||w||²描述函数模型F的复杂度，C为常数，使模型复杂度和经验风险平衡，保证预测模型的泛化性能；

问题等价为如下最优问题，如式(6)所示：

$\min R(w,\mathrm{\&xi;},{\mathrm{\&xi;}}^{*})=\frac{1}{2}(w^T\&CenterDot;w)+C\underset{i=1}{\overset{1}{\&Sigma;}}(\mathrm{\&xi;}+{\mathrm{\&xi;}}^{*})$

s.t             (6)

$\left\{\begin{array}{c}f\left(x_i\right)-y_i\&le;{{\mathrm{\&xi;}}_i}^{*}+\mathrm{\&epsiv;}\\ y_i-f\left(x_i\right)\&le;{\mathrm{\&xi;}}_i+\mathrm{\&epsiv;}\\ \mathrm{\&xi;},{\mathrm{\&xi;}}^{*}\&GreaterEqual;0\end{array}\right.$

式(6)中ζ_i,ζ_i ^*为模型引入的松弛变量，保证本发明风速问题解的存在，第二项则是用于控制模型的回归误差；ε为估计精度；

风速序列为非线性时间序列，求解的思想是利用非线性映射函数将训练样本数据映射到一个高维特征空间，转换为高维线性回归；若非线性映射为Φ，则为式(7)：

$\left\{\begin{array}{c}K(x_i,x_j)=\mathrm{\&Phi;}\left(x_i\right)\&CenterDot;\mathrm{\&Phi;}\left(x_j\right)\\ w=\underset{i=1}{\overset{t}{\&Sigma;}}(a_i-a_i^{*})\mathrm{\&Phi;}\left(x_i\right)\end{array}\right.---\left(7\right)$

则f(x)为式(8)：

$F=\left\{f\right|f\left(x\right)=\underset{i=1}{\overset{t}{\&Sigma;}}(a_i-a_i^{*})K(x_i,x_j)+b\}---\left(8\right)$

采用上述方法对风速时间序列分解出来的不同尺度数据列进行建模，有利于提高对不同尺度数据建模的准确度；

S5：计算权重向量

对不同分量建模后，需要将不同分量加权得到最终预测结果，其将权重算子定义为：设有(v₁,a₁)，(v₂,a₂)，…，(v_m,a_m)m个二维数组，如式(9)：

$I_{OWA}\&lsqb;(v_1,a_1),(v_2,a_2),...,(v_m,a_m)\&rsqb;=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{a}_{v_{index\left(i\right)}}---\left(9\right)$

式(9)中I_OWA[(v₁,a₁),(v₂,a₂),…,(v_m,a_m)]简称为权重算子，v_i称为a_i的诱导值。w＝(w₁,w₂,…,w_m)^T为加权向量，v_index(i)为v₁,v₂,…,v_m按从大到小顺序排列后第i个数的下标。且满足式10：

$\left\{\begin{array}{cc}\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i=1& \\ w_i\&GreaterEqual;0& i=1,2,...,m\end{array}\right.---\left(10\right)$

式(10)表明，权重算子对诱导值v₁,v₂,…,v_m进行排序后对应的a₁,a₂,…,a_m中的数进行有序加权叠加，w_i只与a_i的诱导值的排序有关，而与其本身大小无关；

设有m个分量预测模型对时间t的预测值为一m×N矩阵，如式(11)：

$\left[\begin{array}{ccccc}{x}_{11}& \mathrm{...}& x_{1t}& \mathrm{...}& x_{1N}\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ x_{i1}& \mathrm{...}& x_{it}& \mathrm{...}& x_{iN}\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ x_{m1}& \mathrm{...}& x_{mt}& \mathrm{...}& x_{mN}\end{array}\right]---\left(11\right)$

式(11)矩阵i＝1,2,…,m，t＝1,2,…,N。x_it表示第i个分量预测模型对时间t的预测值。设w＝(w₁,w₂,…,w_m)^T，令a_it为第i个分量预测模型对时间t的预测精度，即式(12)：

$a_{it}=\left\{\begin{array}{cc}1-|(x_t-x_{it})/x_t|,& |(x_t-x_{it})/x_t|<1\\ 0,& |(x_t-x_{it})/x_t|\&GreaterEqual;1\end{array}\right.---\left(12\right)$

式(12)中x_t为时间t的实际功率a_it∈[0,1]；

若将a_it看作预测值x_it的诱导值，那么i个分量预测模型预测精度及其预测值形成了二维数组(a_1t,x_1t),(a_2t,x_2t),…(a_mt,x_mt)；对a_1t,a_2t,…,a_mt从大到小排序，a_index(it)是时间为t时第i个预测精度的下标。根据式(9)权重算子的定义，得式(13)：

$I_{OWA}\&lsqb;(a_{1t},x_{1t}),(a_{2t},x_{2t}),...(a_{it},x_{it})\&rsqb;=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{x}_{a_{index\left(i\right)}}---\left(13\right)$

S6：预测时刻t功率

令于是所有时间N上总的预测误差平方和F为式(14)：

$F=\underset{t=1}{\overset{N}{\&Sigma;}}{\left(x_t-\underset{i=1}{\overset{m}{\&Sigma;}}{w}_i{x}_{a_{index\left(i\right)}}\right)}^2---\left(14\right)$

即：

$\min F(w_1,w_2,...,w_m)=\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{m}{\&Sigma;}}{w}_i{w}_j\left(\underset{t=1}{\overset{N}{\&Sigma;}}{e}_{a_{index\left(i\right)}}{e}_{a_{index\left(j\right)}}\right)---\left(15\right)$

S7：利用时刻分量预测值迭代计算；并输出t时刻预测值，最后发送至网络服务器式(15)可表示为式(16)：

$\left\{\begin{array}{c}\min F=W^{T}EW\\ R^{T}W=1\\ W\&GreaterEqual;0\\ R={(1,1,...,1)}^T\end{array}\right.---\left(16\right)$

式(16)实际上是一个二次规划问题，可以通过牛顿法、共轭梯度法、内点法等标准二次型优化技术来求解，也可利用K-T条件将其转换成线性规划问题或直接使用MATLAB来求解。采用本发明的加权方法能够将不同分量的预测模型组合起来，形成最后预测结果；

利用时刻分量预测值迭代计算；当预测时刻t大于原始时间序列n时，停止迭代，输出t时刻预测值，最后发送至网络服务器。