CN106295857A - 一种风电功率超短期预测方法 - Google Patents

Abstract

本发明公开了一种风电功率超短期预测方法，利用GA‑BP神经网络、支持向量机、小波神经网络和ARMA时间序列4种单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值，解决了预测时刻诱导值未知的问题；再采用误差信息矩阵进行冗余度分析，然后利用Theil不等系数建立基于IOWA算子的优化模型，通过分析和实测风电功率预测数据表明：结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效提高风电功率预测精度，增强了风电并网的稳定性和经济性。

Description

一种风电功率超短期预测方法

技术领域

本发明属于风电功率预测技术领域，更为具体地讲，涉及一种风电功率超短期预测方法。

背景技术

随着经济的发展，社会对能源的需求不断增长，由于传统的化石能源的日益枯竭，以及环境污染日益严重，清洁的可再生能源得到了迅速发展，特别是风力发电，其比重在电力系统的总容量中也越来越大。由于风力资源的间歇性与波动性，导致了风电功率的随机性和难以预测性。随着风电场的快速建设，风电的大规模并网对电网调度、电能质量以及电力系统的稳定运行带来了严峻考验。在目前大力建设智能电网的趋势下，对风电场风电功率的准确预测是保障电力系统安全稳定的有效途径。

按照时间尺度划分，风电功率预测一般分为超短期预测、短期预测和中长期预测三类，而高精度的超短期预测是保障电力系统安全稳定的关键。目前，国内外常用的风电功率超短期预测方法主要是统计模型，有时间序列模型、神经网络、支持向量机模型、卡尔曼模型、灰色预测模型、空间相关法和小波分析等。随着风电技术的深入。传统的单一预测模型暴露了其难以克服的缺点，除了预测精度不高外，每种方法都有其优劣程度和适用对象。例如卡尔曼滤波法难以对噪声的统计特性进行估计，模糊逻辑法学习能力较弱，灰色预测方法适合处理小样本数据等。

发明内容

本发明的目的在于克服现有技术的不足，提供一种风电功率超短期预测方法，利用Theil不等系数建立基于IOWA算子的优化模型，有效的提高了风电功率的预测精度，增强了风电并网的稳定性和经济性。

为实现上述发明目的，本发明一种风电功率超短期预测方法，其特征在于，包括以下步骤：

(1)、从风电场SCADA系统中提取风电功率历史数据序列；

(2)、将GA-BP神经网络模型、支持向量机(SVM)模型、小波神经网络模型和自回归滑动平均作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列y_i(t)，其中t＝1,2,…,n，i＝1,2,…,4；

(3)、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：

E＝[(e_it)_n×4]^T[(e_it)_n×4]

其中，e_it表示第i种预测模型在第t时刻的预测误差，即e_it＝y(t)-y_i(t)，y(t)为t时刻风电功率的实测值，与y_i(t)的预测时刻相对应；

计算误差信息矩阵E的代数余子式Y_4×4，再将代数余子式Y_4×4每列的元素求和，得到矩阵M_1×4；

根据矩阵M_1×4判断4种预测模型的冗余度，如果矩阵M_1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗余模型，剔除所有冗余模型后，得到优选预测模型；

(4)、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；

(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。

进一步的，所述的步骤(4)中建立基于IOWA算子的优化模型的具体步骤为；

(2.1)、将优选预测模型预测时刻的前M个时刻的预测精度求均值p_it，并将此均值作为下一时刻IOWA算子中的诱导值；

$p_{it}=\frac{1}{M}\underset{j=t-M}{\overset{t-1}{\Σ}}{p}_{ij}$

其中，i＝1,2,…,m，m表示优选预测模型种类；t＝1,2,…,N，N表示预测总时刻；p_ij为第i种预测模型在第j时刻的预测精度；

(2.2)、构造诱导矩阵YD；

其中，(p_mN,y_mN)中p_mN和y_mN分别表示第m种优选预测模型在第N时刻的预测精度和预测值；

(2.3)、将诱导矩阵YD每一列按照诱导值p_it从大到小的顺序排序，得到诱导有序矩阵YX：

(2.4)、令优选预测模型中每个单项预测模型的权重系数为L＝(l₁,l₂,…,l_m)，其中l₁+l₂+…+l_m＝1；

利用诱导有序矩阵YX计算IOWA算子y_iowa-t；

$\begin{array}{c}{y}_{iowa-t}={\mathrm{IOWA}}_L(<p_{1t}^{\&prime;},y_{1t}^{\&prime;}>,<p_{2t}^{\&prime;},y_{2t}^{\&prime;}>\mathrm{...}<p_{mt}^{\&prime;},y_{mt}^{\&prime;}>)\\ =\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)}\\ =l_1{y}_{1t}^{\&prime;}+l_2{y}_{2t}^{\&prime;}+\mathrm{...}+l_m{y}_{mt}^{\&prime;}\end{array}$

其中，p′-index(it)将m种单项预测模型第t时刻预测精度序列p_1t,p_2t,…,pmt按从大到小的顺序排列的第i个大的预测精度的下标，即y_{p′-index(it)}对应的序列是{y_{p′-index(it)}，y₁′_t,y₂′_t,…,y′_mt}；

将IOWA算子y_iowa-t带入以Theil不等系数建立的基于IOWA算子的优化模型；

$\left\{\begin{array}{c}{\mathrm{min\&mu;}}_{iowa}=\frac{\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{(x_t-\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)})}^2}}{\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{y_t}^2}+\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{\left(\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)}\right)}^2}}\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{m}{\&Sigma;}}{l}_i=1,l_i\&GreaterEqual;0\end{array}\end{array}\right.$

最后通过此优化模型，求取最优权重系数矩阵L。

本发明的发明目的是这样实现的：

本发明一种风电功率超短期预测方法，利用GA-BP神经网络、支持向量机、小波神经网络和ARMA时间序列4种单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值，解决了预测时刻诱导值未知的问题；再采用误差信息矩阵进行冗余度分析，然后利用Theil不等系数建立基于IOWA算子的优化模型，通过分析和实测风电功率预测数据表明：结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效提高风电功率预测精度，增强了风电并网的稳定性和经济性。

附图说明

图1是历史风电功率数据曲线示意图；

图2是本发明一种风电功率超短期预测方法流程图；

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

为了方便描述，先对具体实施方式中出现的相关专业术语进行说明：

SCADA(Supervisory Control And Data Acquisition)：数据采集与监视控制系统；

GA-BP(Genetic Algorithm-Back Propagation)：遗传算法-反向传播；

SVM(Support Vector Machine)：支持向量机；

AR(Auto-Regressive)：自回归；

MA(Moving Average)：滑动平均；

ARMA(Auto-Regressive and Moving Average)：自回归滑动平均；

IOWA(Induced Ordered Weighted Averaging)：诱导有序加权平均算子；

MRE(Mean Relative Error)：平均相对误差；

MAE(Mean Absolute Error)：平均绝对误差；

RMSE(Root Mean Squared Interpolation Error)：均方根误差；

CC(Correlative Coefficient)：相关系数；

PSO(Particle Swarm Optimization)：粒子群。

以美国某一风电场的实测风电功率数据为例，研究本发明提出的组合预测方法在风电功率预测的应用。该风电场共有103台额定功率为30KW的风力发电机。由于风电场风力发电机之间的距离相距较远，所以忽略风机之间尾流效应的影响。采集的历史风电功率数据的时间间隔为10min，根据预测模型的数据需求，选取风电场一个月的4320个时刻中前4100个时刻用于建模预测。其中前4100个时间节点的风电功率数据作为模型的训练数据，4101至4200之间的100个时间节点风速数据作为测试数据对模型进行预测。预测步长取1，以滚动预测法进行预测。4320个历史风电功率数据如图1所示。

下面通过实例和附图，对本发明的技术方案作进一步具体的说明。

在本实施例中，如图2所示，本发明一种风电功率超短期预测方法，包括以下步骤：

S1、从风电场SCADA系统中提取风电功率历史数据序列；

在本实施例中，对提取的4100个时刻的风电功率历史数据进行数据预处理，当风电功率值为负值时，将其设为0；若历史风电功率出现漏采集时，采用平均内插值法进行插值处理，使数据序列连续。

S2、将GA-BP神经网络模型、支持向量机(SVM)模型、小波神经网络模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列y_i(t)，其中t＝1,2,…,n，i＝1,2,…,4，分别对应GA-BP神经网络模型、支持向量机(SVM)模型、小波神经网络模型和自回归滑动平均(ARMA)模型；；

在本实施例中，选用的GA-BP神经网络预测模型，是根据平均相对误差MRE和均方根误差RMSE均最小原则，来确定GA-BP神经网络风电功率预测模型的输入层节点数、隐含层节点数和遗传优化算法的种群数目。最终确定GA-BP神经网络预测模型的输入层节点数是5个，隐含层节点数是12个，遗传优化算法的种群数是20个；

小波神经网络预测模型，选用的是Morlet小波基函数。根据平均相对误差MRE和均方根误差RMSE均最小原则，来确定小波神经网络风电功率预测模型的输入层节点数、隐含层节点数。最终确定小波神经网络的输入层节点数是4个，隐含层节点数是15个；

GA-BP神经网络预测模型和小波神经网络预测模型的输入层和隐含层之间的连接权重以及隐含层与输出层之间的连接权重是由Matlab的神经网络模型工具箱在对历史数据进行模拟训练时自动获得。

支持向量机预测模型是选用的径向基核函数，各学习参数采用粒子群(PSO)优化算法进行自适应学习获得。最终得到该方法中各参数的取值为：最佳惩罚参数C＝13.9288，最佳核函数参数g＝0.0625。

自回归滑动平均(ARMA)预测模型是经过模型参数估计和模型定阶来确定自回归过程AR(p)，移动平均过程MA(q)的取值，最终确定选用阶数为ARMA(3,1)的自回归滑动平均预测模型。

S3、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：

E＝[(e_it)_n×4]^T[(e_it)_n×4]

其中，e_it表示第i种预测模型在第t时刻的预测误差，即e_it＝y(t)-y_i(t)，y(t)为t时刻风电功率的实测值，与y_i(t)的预测时刻相对应；

计算误差信息矩阵E的代数余子式Y_4×4，再将代数余子式Y_4×4每列的元素求和，得到矩阵M_1×4；

根据矩阵M_1×4判断4种预测模型的冗余度，如果矩阵M_1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗余模型，剔除所有冗余模型后，得到优选预测模型；

在本实施例中，按照图1所给数据，按照上述方法可以得到：

$E={10}^6\&times;\left[\begin{array}{cccc}2.3800& 1.8862& 2.0630& 1.9851\\ 1.8862& 2.1311& 2.1521& 2.0806\\ 2.0630& 2.1521& 2.9336& 2.1974\\ 1.9851& 2.0806& 2.1974& 2.1369\end{array}\right]$

计算其代数余子式，得到：

$Y={10}^{18}\&times;\left[\begin{array}{cccc}0.1514& 0.0677& -0.0061& -0.2003\\ 0.0677& 0.7707& -0.0166& -0.7963\\ -0.0061& -0.0166& 0.1160& -0.0975\\ -0.2003& -0.7963& -0.0975& 1.0980\end{array}\right]$

其每列元素的代数和如下：

M＝10¹⁶×[1.2710 2.5588 -0.4155 0.3974]

由上可知，误差信息矩阵的代数余子式的第3列元素的代数和是负数，则小波神经网络模型是冗余模型，在建立组合预测模型时，舍去小波神经网络模型。

S4、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；

具体步骤为；

S4.1、将优选预测模型预测时刻的前M个时刻的预测精度求均值p_it，并将此均值作为下一时刻IOWA算子中的诱导值；

$p_{it}=\frac{1}{M}\underset{j=t-M}{\overset{t-1}{\&Sigma;}}{p}_{ij}$

其中，i＝1,2,…,m，m表示优选预测模型种类；t＝1,2,…,N，N表示预测总时刻；p_ij为第i种预测模型在第j时刻的预测精度；

在本实施例中，以平均相对误差MRE和均方根误差RMSE均最小原则，将优选预测模型预测时刻的前11个时刻预测精度的均值作为下一时刻IOWA算子中的诱导值；

S4.2、构造诱导矩阵YD；

其中，(p_mN,y_mN)中p_mN和y_mN分别表示第m种优选预测模型在第N时刻的预测精度和预测值；

S4.3、将诱导矩阵YD每一列按照诱导值p_it从大到小的顺序排序，得到诱导有序矩阵YX：

S4.4、令优选预测模型中每个单项预测模型的权重系数为L＝(l₁,l₂,…,l_m)，其中l₁+l₂+…+l_m＝1；在本实施例中，L＝[0.1057,0.7284,0.1695]，

对应的单项预测模型分别为GA-BP神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型；

利用诱导有序矩阵YX计算IOWA算子y_iowa-t；

$\begin{array}{c}{y}_{iowa-t}={\mathrm{IOWA}}_L(<p_{1t}^{\&prime;},y_{1t}^{\&prime;}>,<p_{2t}^{\&prime;},y_{2t}^{\&prime;}>\mathrm{...}<p_{mt}^{\&prime;},y_{mt}^{\&prime;}>)\\ =\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)}\\ =l_1{y}_{1t}^{\&prime;}+l_2{y}_{2t}^{\&prime;}+\mathrm{...}+l_m{y}_{mt}^{\&prime;}\end{array}$

其中，p′-index(it)将m种单项预测模型第t时刻预测精度序列p_1t,p_2t,…,p_mt按从大到小的顺序排列的第i个大的预测精度的下标，即y_{p′-index(it)}对应的序列是{y_{p′-index(it)}，y′_1t,y′_2t,…,y′_mt}；

将IOWA算子y_iowa-t带入以Theil不等系数建立的基于IOWA算子的优化模型；

$\left\{\begin{array}{c}{\mathrm{min\&mu;}}_{iowa}=\frac{\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{(x_t-\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)})}^2}}{\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{y_t}^2}+\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{\left(\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)}\right)}^2}}\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{m}{\&Sigma;}}{l}_i=1,l_i\&GreaterEqual;0\end{array}\end{array}\right.$

最后通过此优化模型，求取最优权重系数矩阵L。

S5、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。

下面利用平均相对误差(MRE)、平均绝对误差(MAE)和均方根误差(RMSE)和相关系数(CC)对风电功率超短期预测结果进行误差分析。其公式如下：

$MRE=\frac{1}{N}\underset{t=1}{\overset{N}{\&Sigma;}}\left|\frac{x_t-y_t}{x_t}\right|$

$RMSE=\sqrt{\frac{1}{N}\underset{t=1}{\overset{N}{\&Sigma;}}{(x_t-y_t)}^2}$

$CC=\frac{\mathrm{cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}$

其误差分析结果如表1所示；

单项模型	MRE/％	MAE/KW	RMSE/KW	CC
					GA-BP	14.98	90.7662	154.2710	0.9559
SVM	13.39	84.0029	145.9818	0.9620
					小波	15.57	101.3213	171.2778	0.9478
ARMA(3,1,1)	13.41	85.6160	146.1810	0.9616
					IOWA组合	11.61	81.2143	139.1065	0.9663

表1

从表1分析可知，IOWA组合预测模型的各个评价指标都比单项预测模型有较大提高，表明，组合预测模型在综合去除冗余预测模型，在优选单项预测模型预测结果的基础上，可以有效的提高风电功率超短期预测的准确性，减小了预测误差。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (2)

1.一种风电功率超短期预测方法，其特征在于，包括以下步骤：

(1)、从风电场SCADA系统中提取风电功率历史数据序列；

(2)、将GA-BP神经网络模型、小波神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型，再将风电功率历史数据序列分别导入到4种预测模型，得到4组预测期风电功率序列y_i(t)，其中t＝1,2,…,n，i＝1,2,…,4；

(3)、构建误差信息矩阵E，对4种预测模型进行冗余度分析，确定出参加组合的优选预测模型：

E＝[(e_it)_n×4]^T[(e_it)_n×4]

其中，e_it表示第i种预测模型在第t时刻的预测误差，即e_it＝y(t)-y_i(t)，y(t)为t时刻风电功率的实测值，与y_i(t)的预测时刻相对应；

计算误差信息矩阵E的代数余子式Y_4×4，再将代数余子式Y_4×4每列的元素求和，得到矩阵M_1×4；

根据矩阵M_1×4判断4种预测模型的冗余度，如果矩阵M_1×4的第i列元素为非正，则第i列对应的第i种预测模型为冗冗余模型，剔除所有冗余模型后，得到优选预测模型；

(4)、基于优选预测模型，利用Theil不等系数建立基于IOWA算子的优化模型，再利用该模型求取最优权重系数矩阵L；

(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子，得到风功率预测结果。

2.根据权利要求1所述的一种风电功率超短期预测方法，其特征在于，所述的步骤(4)中建立基于IOWA算子的优化模型的具体步骤为；

(2.1)、将优选预测模型预测时刻的前M个时刻的预测精度求均值p_it，并将此均值作为下一时刻IOWA算子中的诱导值；

$p_{it}=\frac{1}{M}\underset{j=t-M}{\overset{t-1}{\&Sigma;}}{p}_{ij}$

其中，i＝1,2,…,m，m表示优选预测模型种类；t＝1,2,…,N，N表示预测总时刻；p_ij为第i种预测模型在第j时刻的预测精度；

(2.2)、构造诱导矩阵YD；

其中，(p_mN,y_mN)中p_mN和y_mN分别表示第m种优选预测模型在第N时刻的预测精度和预测值；

(2.3)、将诱导矩阵YD每一列按照诱导值p_it从大到小的顺序排序，得到诱导有序矩阵YX：

(2.4)、令优选预测模型中每个单项预测模型的权重系数为L＝(l₁,l₂,…,l_m)，其中l₁+l₂+…+l_m＝1；

利用诱导有序矩阵YX计算IOWA算子y_iowa-t；

$\begin{array}{c}{y}_{iowa-t}={\mathrm{IOWA}}_L(<p_{1t}^{\&prime;},y_{1t}^{\&prime;}>,<p_{2t}^{\&prime;},y_{2t}^{\&prime;}>\mathrm{...}<p_{mt}^{\&prime;},y_{mt}^{\&prime;}>)\\ =\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)}\\ =l_1{y}_{1t}^{\&prime;}+l_2{y}_{2t}^{\&prime;}+\mathrm{...}+l_m{y}_{mt}^{\&prime;}\end{array}$

其中，p′-index(it)将m种单项预测模型第t时刻预测精度序列p_1t,p_2t,…,p_mt按从大到小的顺序排列的第i个大的预测精度的下标，即y_{p′-index(it)}对应的序列是{y_{p′-index(it)}，y′_1t,y′_2t,…,y′_mt}；

将IOWA算子y_iowa-t带入以Wheil不等系数建立的基于IOWA算子的优化模型；

$\left\{\begin{array}{c}{\mathrm{min\&mu;}}_{iowa}=\frac{\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{(x_t-\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)})}^2}}{\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{y_t}^2}+\sqrt{\underset{t=1}{\overset{N}{\&Sigma;}}{\left(\underset{i=1}{\overset{m}{\&Sigma;}}{l}_i{y}_{p^{\&prime;}-index\left(it\right)}\right)}^2}}\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{m}{\&Sigma;}}{l}_i=1,l_i\&GreaterEqual;0\end{array}\end{array}\right.$

最后通过此优化模型，求取最优权重系数矩阵L。