CN105184679A - 一种风电场功率多时间尺度联合预测方法 - Google Patents

Abstract

本发明公开了风电场功率多时间尺度联合预测方法包括：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列和历史功率时间序列；利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段、中频段和高频段分量；利用RBF神经网络模型分别对历史风速时间序列及历史功率时间序列的低频段和中频段分量进行短期风电场的风速和功率滚动预测；利用若干最小二乘支持向量机分别对历史风速时间序列及历史功率时间序列的低频段、中频段和高频段分量进行超短期风电场的风速和功率滚动预测；将得到的短期和超短期风电场的风速和功率滚动预测数据上传至电力调控中心。

Description

一种风电场功率多时间尺度联合预测方法

技术领域

本发明涉及新能源发电技术领域，具体涉及一种风电场功率多时间尺度联合预测方法。

背景技术

可再生能源特别是风能的开发利用已得到世界各国的高度重视。风力发电是目前技术最成熟、最具规模化发展前景的可再生能源。由于风力发电具有很强的随机性，导致风电场功率预测准确率还达不到令人满意的程度，风力发电的预测系统的开发相对较少，缺乏成熟的实践经验。

目前的风电场发电功率多时间尺度预测的研究和应用，从预测周期上又可以分为短期风电功率预测和超短期风电功率预测。根据相关标准，短期风电功率预测是自预测时刻起未来24小时的预测预报，时间分辨率为15分钟。超短期风电功率预测是自预测时刻起未来4小时的预测预报，时间分辨率为15分钟。现有的风电功率预测只是针对风电单一周期的预测，而且存在以下问题：

1)现有风电功率预测为根据短期和超短期预测特性进行有针对性的数据预处理，以提高风电功率预测的速度和准确性；风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，但是这种方法进行预测的风电场发电功率精度不高，而且在预测计算的过程中，速度较慢；风电场超短期发电功率预测更关注风电场短时功率波动，这种预测方法进行预测的风电场发电功率精度较高，而且计算速度需要加快。2)针对不同周期的风电功率预测，所采用的训练数据不同，现有的风电功率预测无法通过一次数据采样同时预测短期和超短期风电功率，即风电的短期和超短期功率预测需要两套不同的数据采集系统，预测效率比较低。

发明内容

风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，风电场超短期发电功率预测更关注风电场短时功率波动，因此可以采用不同的预测方法针对不同频段的数据进行风电场短期和超短期多时间尺度联合预测，有效提高预测精度，降低运算负担。为了解决现有技术的缺点，本发明提供一种风电场功率多时间尺度联合预测方法。

本发明采用以下技术方案：

一种风电场功率多时间尺度联合预测方法，包括以下步骤：

步骤(1)：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列W₀和历史功率时间序列P₀；

步骤(2)：利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量；

步骤(3)：利用RBF神经网络模型对历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别进行短期24小时风电场的风速和功率滚动预测；

利用若干个最小二乘支持向量机对历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别进行超短期4小时风电场的风速和功率滚动预测；

步骤(4)：得到的短期24小时以及超短期4小时的风电场的风速和功率滚动预测数据上传至电力调控中心，为调度提供数据支撑。

所述步骤(3)中进行短期24小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.1.1)：将历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别输入RBF神经网络模型进行训练；

步骤(3.1.2)：对RBF神经网络模型训练后输出的数据进行小波重构，重构后得到未来15分钟的风速时间序列W′_15min和功率时间序列P′_15min；

步骤(3.1.3)：以时间分辨率为15分钟，重复滚动96次步骤(3.1.2)，得到未来24小时时刻风速时间序列W′_24h和功率时间序列P′_24h。

所述步骤(3)中进行超短期4小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.2.1)：将历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别输入至最小二乘支持向量机进行非线性拟合；

步骤(3.2.2)：对最小二乘支持向量机非线性拟合输出的数据进行小波重构，重构后得到未来15分钟的风速时间序列W″_15min和功率时间序列P″_15min；

步骤(3.2.3)：以时间分辨率为15分钟，重复滚动16次步骤(3.2.2)，得到未来4小时时刻风速时间序列W″_4h和功率时间序列P″_4h。

所述步骤(2)中利用多小波包分解技术对历史风速时间序列进行多层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。

所述最小二乘支持向量机采用最小二乘线性算法对输入的历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量进行非线性拟合。

所述最小二乘支持向量机进行非线性拟合的过程中，最小二乘支持向量机的核函数选择径向基核函数。

所述步骤(3)中的RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络模型。

所述输入层包括若干个感知单元，感知单元用于连接RBF神经网络与外界环境。

所述隐含层包括若干个径向基神经元，径向基神经元用于从输入层到隐含层之间进行非线性变换。

所述输出层包括若干个线性神经元，线性神经元用于为输入层的激活模式提供响应。

本发明的有益效果为：

(1)该发明根据短期和超短期功率预测特性进行有针对性的数据预处理，以提高风电功率预测的速度和准确性；

(2)该发明可以通过一次数据采样同时预测短期和超短期风电功率，即风电的短期和超短期功率预测需要两套一套数据采集系统即可，降低了风电预测的投入成本，提高风电预测的效率；

(3)该发明可以同时进行风电场短期和超短期多个时间尺度的联合预测，且每步预测均可以得到不同时间尺度下的风速和功率预测数据；

(4)该方法针对不同时间尺度的风电场功率预测，采用不同的智能预测方法针对不同频段的数据进行预测，有效提高了不同时间尺度下的预测准确度，同时提高了预测速度。

附图说明

图1为风电场多时间尺度发电功率预测方法流程图；

图2为风速时间序列的小波分解图；

图3为风电场短期风速预测曲线图；

图4为风电场短期功率预测曲线图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

本发明的主要原理是：

风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，对预测精度和计算速度要求不高，预测算法采用对训练数据相关性较为敏感且计算较为复杂的神经网络算法及其相关智能算法；训练数据采用风电场历史数据的低频和中频分量；

风电场超短期发电功率预测更关注风电场短时功率波动，对预测精度和计算速度要求较高，预测算法采用对非线性拟合能力较强且计算较为简单的支持向量机及其相关智能算法；训练数据宜涵盖风电场历史数据的低频、中频和高频分量；

因此有必要首先利用小波包对预测数据进行频段分解处理，然后采用不同的智能算法针对不同频段分量分别进行短期和超短期预测后，再对数据进行小波重构，获得风电场功率预测数据。

本发明的具体实施方案是：

对山东润海风电场进行多时间尺度功率预测为例，如图1所示，一种风电场功率多时间尺度联合预测方法，包括以下步骤：

步骤(1)：采集整个风电场连续10天的风速和功率历史数据，采样时间间隔为1分钟，剔除其中不合理数据，得到t时刻之前的历史风速时间序列W₀＝{w(t-n),w(t-n+1),w(t-n+2),…,w(t-2),w(t-1),w(t)}，以及t时刻之前的历史功率时间序列P₀＝{p(t-n),p(t-n+1),p(t-n+2),…,p(t-2),p(t-1),p(t)}，n表示序列中的数据个数；取前7天的时间序列作为训练数据，取后3天的时间序列作为测试数据。

步骤(2)：利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量；

利用多小波包分解技术对历史风速时间序列进行三层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。得到历史风速时间序列的3层低频段分量A_W1、A_W2、A_W3，频率范围分别是(0Hz～1.125Hz)、(1.125Hz～2.25Hz)、(2.25Hz～4.5Hz)；3层中频段分量B_W1、B_W2、B_W3，频率范围分别是(4.5Hz～9Hz)、(9Hz～18Hz)、(18Hz～36Hz)；3层高频段分量C_W1、C_W2、C_W3，频率范围分别是(36Hz～72Hz)、(72Hz～144Hz)、(144Hz～288Hz)。

利用多小波包分解技术对历史功率时间序列进行三层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。分别得到历史功率时间序列的3层低频段分量A_P1、A_P2、A_P3，频率范围分别是(0Hz～1.125Hz)、(1.125Hz～2.25Hz)、(2.25Hz～4.5Hz)；3层中频段分量B_P1、B_P2、B_P3，频率范围分别是(4.5Hz～9Hz)、(9Hz～18Hz)、(18Hz～36Hz)；3层高频段分量C_P1、C_P2、C_P3，频率范围分别是(36Hz～72Hz)、(72Hz～144Hz)、(144Hz～288Hz)，风速时间序列的小波分解，如图2所示。

步骤(3)：利用6个RBF神经网络(RBFNN1～RBFNN6)模型分别对历史风速时间序列的低频段分量A_W1、A_W2、A_W3和中频段分量B_W1、B_W2、B_W3以及功率时间序列的低频段分量A_P1、A_P2、A_P3和中频段分量B_P1、B_P2、B_P3进行短期24小时的滚动预测：

所述步骤(3)中进行短期24小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.1.1)：将历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别输入6个RBF神经网络(RBFNN1～RBFNN6)模型进行训练；

步骤(3.1.2)：对RBF神经网络输出数据进行小波重构后得到t时刻未来15分钟的风速时间序列W′_15min和功率时间序列P′_15min：

$W_{15\min }^{\′}=\{w^{\′}(t-n+15),w^{\′}(t-n+16),...,w^{\′}\left(t\right),{\hat{w}}^{\′}(t+1),...,{\hat{w}}^{\′}(t+15)\}$

$P_{15\min }^{\′}=\{p^{\′}(t-n+15),p^{\′}(t-n+16),...,p^{\′}\left(t\right),{\hat{p}}^{\′}(t+1),...,{\hat{p}}^{\′}(t+15)\};$

其中，为短期风速时间序列滚动预测值；为短期功率时间序列滚动预测值；n表示序列中的数据个数。

步骤(3.1.3)：以时间分辨率为15分钟，重复滚动96次步骤(3.1.2)，得到t时刻未来24小时时刻风速时间序列W′_24h和功率时间序列P′_24h：

$W_{24h}^{\′}=\left\{w^{\′}\left(t-n+96\right),w^{\′}\left(t-n+97\right),\mathrm{...},w^{\′}\left(t,\right){\hat{w}}^{\′}\left(t+1\right),\mathrm{...},{\hat{w}}^{\′}\left(t+15\·96\right)\right\}$

$P_{24h}^{\′}=\{p^{\′}(t-n+96),p^{\′}(t-n+97),...,p^{\′}\left(t\right),{\hat{p}}^{\′}(t+1),...,{\hat{p}}^{\′}(t+15\·96)\}$

其中，为短期风速时间序列滚动预测值；为短期功率时间序列滚动预测值，n表示序列中的数据个数。风电场短期风速预测曲线，如图3所示；风电场短期功率预测曲线，如图4所示。

同时，利用9个最小二乘支持向量机(LSSVM1～LSSVM9)分别对历史风速时间序列的低频段分量A_W1、A_W2、A_W3、中频段分量B_W1、B_W2、B_W3、高频段分量C_W1、C_W2、C_W3以及功率时间序列的低频段分量A_P1、A_P2、A_P3、中频段分量B_P1、B_P2、B_P3、高频段分量C_P1、C_P2、C_P3进行超短期4小时的滚动预测：

步骤(3.2.1)：将历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别输入至最小二乘支持向量机进行非线性拟合；

步骤(3.2.2)：对最小二乘支持向量机的输出数据进行小波重构后得到t时刻未来15分钟的风速时间序列W″_15min和功率时间序列P″_15min：

$W_{15\min }^{\′\′}=\{w^{\′\′}(t-n+15),w^{\′\′}(t-n+16),...,w^{\′\′}\left(t\right),{\hat{w}}^{\′\′}(t+1),...,{\hat{w}}^{\′\′}(t+15)\}$

$P_{15\min }^{\′\′}=\{p^{\′\′}(t-n+15),p^{\′\′}(t-n+16),...,p^{\′\′}\left(t\right),{\hat{p}}^{\′\′}(t+1),...,{\hat{p}}^{\′\′}(t+15)\};$

其中为超短期风速时间序列滚动预测值；为超短期功率时间序列滚动预测值；n表示序列中的数据个数。

步骤(3.2.3)：以时间分辨率为15分钟，重复滚动16次步骤(3.2.2)，得到t时刻未来4小时时刻风速时间序列W″_4h和功率时间序列P″_4h：

W″_4h＝{w″(t-n+96),w″(t-n+97),...,w″(t),w″(t+1),...,w″(t+15·16)}

$P_{4h}^{\′\′}=\{p^{\′\′}(t-n+96),p^{\′\′}(t-n+97),...,p^{\′\′}\left(t\right),{\hat{p}}^{\′\′}(t+1),...,{\hat{p}}^{\′\′}(t+15\·6)\}$

其中为超短期风速时间序列滚动预测值；为超短期功率时间序列滚动预测值；n表示序列中的数据个数。

步骤(4)：得到的短期24小时以及超短期4小时的风电场的风速和功率滚动预测数据上传至电力调控中心，为调度提供数据支撑。

进一步地，步骤(3)中的RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络，其中，输入层包括若干个感知单元，感知单元用于连接RBF神经网络与外界环境；隐含层包括若干个径向基神经元，径向基神经元用于从输入层到隐含层之间进行非线性变换；输出层包括若干个线性神经元，线性神经元用于为输入层的激活模式提供响应。

本发明所采用的RBF神经网络模型，网络拓扑采用三层结构2×8×2。RBFNN1的输入向量为A_W1、A_P1；RBFNN2的输入向量为A_W2、A_P2；RBFNN3的输入向量为A_W3、A_P3；RBFNN4的输入向量为B_W1、B_P1；RBFNN5的输入向量为B_W2、B_P2；RBFNN6的输入向量为B_W3、B_P3。

本发明的最小二乘支持向量机算法为最小二乘线性算法，采用最小二乘线性算法代替传统支持向量机算法中采用二次规划方法解决模式识别和函数估计的问题。与传统的支持向量机回归算法相比，减少了多个优化变量，降低了计算负担，提高了计算速度。

本发明所采用的最小二乘支持向量机，核函数选择径向基核函数。LSSVM1的输入向量为A_W1、A_P1；LSSVM2的输入向量为A_W2、A_P2；LSSVM3的输入向量为A_W3、A_P3；LSSVM4的输入向量为B_W1、B_P1；LSSVM5的输入向量为B_W2、B_P2；LSSVM6的输入向量为B_W3、B_P3；LSSVM7的输入向量为C_W1、C_P1；LSSVM8的输入向量为C_W2、C_P2；LSSVM9的输入向量为C_W3、C_P3。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种风电场功率多时间尺度联合预测方法，其特征在于，包括以下步骤：

步骤(1)：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列W₀和历史功率时间序列P₀；

步骤(2)：利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量；

步骤(3)：利用RBF神经网络模型对历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别进行短期24小时风电场的风速和功率滚动预测；

利用若干个最小二乘支持向量机对历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别进行超短期4小时风电场的风速和功率滚动预测；

步骤(4)：得到的短期24小时以及超短期4小时的风电场的风速和功率滚动预测数据上传至电力调控中心，为调度提供数据支撑。

2.如权利要求1所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述步骤(3)中进行短期24小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.1.1)：将历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别输入RBF神经网络模型进行训练；

步骤(3.1.2)：对RBF神经网络模型训练后输出的数据进行小波重构，重构后得到未来15分钟的风速时间序列W′_15min和功率时间序列P′_15min；

步骤(3.1.3)：以时间分辨率为15分钟，重复滚动96次步骤(3.1.2)，得到未来24小时时刻风速时间序列W′_24h和功率时间序列P′_24h。

3.如权利要求1所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述步骤(3)中进行超短期4小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.2.1)：将历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别输入至最小二乘支持向量机进行非线性拟合；

步骤(3.2.2)：对最小二乘支持向量机非线性拟合输出的数据进行小波重构，重构后得到未来15分钟的风速时间序列W″_15min和功率时间序列P″_15min；

步骤(3.2.3)：以时间分辨率为15分钟，重复滚动16次步骤(3.2.2)，得到未来4小时时刻风速时间序列W″_4h和功率时间序列P″_4h。

4.如权利要求1所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述步骤(2)中利用多小波包分解技术对历史风速时间序列进行多层小波包分解，小波基采用DB4小波基，熵准则采用Shannon准则。

5.如权利要求1所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述最小二乘支持向量机采用最小二乘线性算法对输入的历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量进行非线性拟合。

6.如权利要求3所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述最小二乘支持向量机进行非线性拟合的过程中，最小二乘支持向量机的核函数选择径向基核函数。

7.如权利要求1所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述步骤(3)中的RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈网络模型。

8.如权利要求7所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述输入层包括若干个感知单元，感知单元用于连接RBF神经网络与外界环境。

9.如权利要求7所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述隐含层包括若干个径向基神经元，径向基神经元用于从输入层到隐含层之间进行非线性变换。

10.如权利要求7所述的一种风电场功率多时间尺度联合预测方法，其特征在于，所述输出层包括若干个线性神经元，线性神经元用于为输入层的激活模式提供响应。