CN106446494A - 基于小波包‑神经网络的风光功率预测方法 - Google Patents

Abstract

本发明涉及风光发电技术领域，是一种基于小波包‑神经网络的风光功率预测方法，包括以下步骤：首先分析天气预报数据以及历史数据，评估其对光伏功率预测精度的影响；其次分析自然环境中包括：温度、湿度以及气压等因素对风功率预测精度的影响；之后通过对该数据进行小波包分解，得到气象因素序列以及风光有功功率序列的不同频率分量序列，使其对各时空尺度上的变化特性表征更为精确；其中低频分量、高频分量分别从轮廓和细节两个尺度映射了预测对象内在变化规律,之后针对各序列分量建立多个BP网络进行预测，最后将各网络预测输出重构得出完整预测结果。本发明改善了对风光功率变化特性的映射能力，并有效提高了风光功率的预测精确度。

Description

基于小波包-神经网络的风光功率预测方法

技术领域

本发明涉及风光发电技术领域，是一种基于小波包-神经网络的风光功率预测方法。

背景技术

随着风电、光伏发电装机规模与日俱增，大规模可再生能源发电带来的问题也日益显著。如风能、太阳能发电依赖气象特点，呈现出较为明显的随机性，所发电能质量偏低，给电网调度控制带来困难。因此，对风电、光伏发电系统输出功率进行较为准确的预报，可以为合理的配置风光输出功率带来帮助，使其实现优化调控以满足负荷及相关并网需求。现有的预测方法有BP神经网络、ARMA等精度难以满足实际应用要求，对风光输出功率进行较高精度的预测还有待研究。

现有的功率预测方法主要分为基于历史数据的统计预测方法以及物理模型的功率预测方法。

1、基于历史数据的统计方法不考虑风速变化、云量等气象因素，仅根据风速、风向、光照强度、温度等参数实测值作为历史数据。典型的基于统计方法的预测模型常用的方法有：时间序列法(ARMA)、持续性算法、卡尔曼滤波法、灰色预测法(Grey)、线性回归模型、自适应模糊逻辑算法等。另外也有采用人工神经网络(ANN)、支持向量机回归法(SupportVector Machine,SVM)等智能方法。采用数学或智能算法与实际输出功率之间建立一种内在的映射联系，来预测未来的输出功率。这种方法以历史数据为基础，不考虑气象变化的因素，数据结构较为简单，难以适用于中长期功率预测。

2、基于物理模型的预测方法是建立在数值天气预报(NWP-Numerical WeatherPrediction)基础上。其大致原理为：利用求解表征天气变化过程的物理学方程，精确预测出电厂所在区域未来周期内气象活动过程和状态，包括风速、风向、温度、云量等，然后通过当地地理信息，如地形特征、地表粗糙度等和风机或光伏组件信息如轮毂高度、风速-功率曲线、安装角度等建立模型，从而实现气象预报信息对功率值的映射。

由于统计方法未考虑外界环境因素，如：云层、气压、温度、湿度等对研究风光功率波动的影响，而物理方法没有参考大量历史数据，仅将风速以及光照强度根据实际的能量转换所搭建出来的理想模型，难以表现特殊时刻气象突变给输出功率带来的细节波动，因此该方法在对突发状况下的预测能力尚不完善。

发明内容

本发明提供了，克服上述现有技术之不足，其能有效解决以历史数据为基础的统计方法存在的数据结构简单，不适用于中长期功率预测的问题以及基于物理模型预测方法存在的特殊时刻气象突变给输出功率带来的细节波动，其预测能力不足的问题。

本发明的技术方案之一是通过以下措施来实现的：一种基于小波包-神经网络的风光功率预测方法，包括以下步骤：

第一步：确定风电场及光伏电站的实际历史有功功率数据和相关气象数据，即风速、环境温度、太阳辐射强度、相对湿度的历史数据；

第二步：对进行预测之前的历史三个月内的风速、环境温度、太阳辐射强度、相对湿度的历史数据设置采样间隔时间；

第三步：计算风功率、光伏功率与各气象因素之间的相关系数，选取相关系数较高的气象因素作为网络输入，计算公式如下：

其中x_i，y_i是变量x，y的第i个数据点；是变量x，y的平均值；n是数据点个数。当r＝0，两个变量不相关；当r>0，两个变量正相关；当r<0，两个变量负相关；当r＝1，两个变量完全相关。

第四步：对所选取的各气象因素数据以及功率数据进行归一化处理，计算公式如下：

其中X为经过归一化处理后的数据值；x_i为原始输入数据；x_imax和x_imin分别为输入数据中的最大值和最小值。

第五步:对归一化后的气象数据序列和风光有功功率序列进行小波包分解，利用小波包分解中的高通滤波器得到高频分量小波包系数，计算公式如下：

再利用低通滤波器得到低频分量小波包系数，计算公式如下：

其中称为小波包系数；h_k，g_k是滤波器系数。

第六步：结合高低频分量系数，利用小波包分解得到各序列高低频分量，分别建立多个BP神经网络进行训练及预测，计算公式如下：

其中x_j表示输入层第j个节点的输入，j＝1,2,...,M；w_ij表示隐含层第i个节点与输入层第j个节点间的权值；φ(x)、θ_i分别表示隐含层激励函数和第i个节点的阀值；w_ki表示输出层k节点和隐含层i节点间的权值，i＝1,2,...,q；ψ(x)和α_k分别表示输出层激励函数和第k个节点的阀值，k＝1,2,...,L；O_k表示输出层第k个节点的输出结果。

第七步：对BP神经网络得到的输出结果，采用小波包重构算法进行结果重构，得出完整序列即为风光功率预测结果：

下面是对上述发明技术方案的进一步优化或/和改进：

上述第二步中，风速、环境温度、太阳辐射强度、相对湿度的历史数据的采样间隔时间可为15min，一天内共采集96个采样点的数据。

上述第三步中，与风功率相关系数较高的是：风速和温度；与光伏功率相关系数较高的是：太阳辐射强度、温度以及相对湿度。

上述第五步中，针对不同分辨率各子序列建立多个不同BP神经网络进行训练，获得能准确表征该分量特征的网络相关参数，利用所得BP神经网络进行预测。

本发明通过对风速、环境温度、太阳辐射强度、相对湿度的历史数据进行选择采样得到气象信息的相关数据，并对采样得到的数据进行小波包分解，得到高频分量以及低频分量；利用BP神经网络进行预测计算，将经过BP神经网络得到的输出结果利用小波包进行重构可得到风光功率预测结果。本发明可以预测未来五天内的风光功率，改善对风光功率变化特性的映射能力，并有效提高了风光功率的预测精确度。

附图说明

附图1为本发明风光功率预测模型流程图；

附图2为本发明风电功率与各气象因素变化趋势对比；

附图3为本发明光伏功率与各气象因素变化趋势对比；

附图4为本发明风功率序列小波包分解结果；

附图5为本发明光伏发电功率序列小波包分解结果；

附图6为本发明风电功率预测结果对比图；

附图7为本发明光伏发电功率预测结果对比图。

具体实施方式

本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。

在本发明中，为了便于描述，各部件的相对位置关系的描述均是根据说明书附图1的布图方式来进行描述的，如：前、后、上、下、左、右等的位置关系是依据说明书附图的布图方向来确定的。

下面结合实施例及附图对本发明作进一步描述：

实施例1：如附图1、2、3、4、5、6、7所示，一种基于小波包-神经网络的风光功率预测方法，包括以下步骤：

第一步：确定风电场及光伏电站的实际历史有功功率数据和相关气象数据，即风速、环境温度、太阳辐射强度、相对湿度的历史数据；

第二步：对进行预测之前的历史三个月内的风速、环境温度、太阳辐射强度、相对湿度的历史数据设置采样间隔时间；

第三步：计算风功率、光伏功率与各气象因素之间的相关系数，选取相关系数较高的气象因素作为网络输入，其中与风功率相关系数较高的是：风速和温度；与光伏功率相关系数较高的是：太阳辐射强度、温度以及相对湿度，计算公式如下：

其中x_i，y_i是变量x，y的第i个数据点；是变量x，y的平均值；n是数据点个数。当r＝0，两个变量不相关；当r>0，两个变量正相关；当r<0，两个变量负相关；当r＝1，两个变量完全相关；

第四步：对所选取的各气象因素数据以及功率数据进行归一化处理，计算公式如下：

其中X为经过归一化处理后的数据值；x_i为原始输入数据；x_imax和x_imin分别为输入数据中的最大值和最小值。

第五步:对归一化后的气象数据序列和风光有功功率序列进行小波包分解，利用小波包分解中的高通滤波器得到高频分量小波包系数，计算公式如下：

再利用低通滤波器得到低频分量小波包系数，计算公式如下：

其中称为小波包系数；h_k，g_k是滤波器系数；

第六步：结合高低频分量系数，利用小波包分解得到各序列高低频分量，分别建立多个BP神经网络进行训练及预测，计算公式如下：

其中x_j表示输入层第j个节点的输入，j＝1,2,...,M；w_ij表示隐含层第i个节点与输入层第j个节点间的权值；φ(x)、θ_i分别表示隐含层激励函数和第i个节点的阀值；w_ki表示输出层k节点和隐含层i节点间的权值，i＝1,2,...,q；ψ(x)和α_k分别表示输出层激励函数和第k个节点的阀值，k＝1,2,...,L；O_k表示输出层第k个节点的输出结果；

第七步：对BP神经网络得到的输出结果，采用小波包重构算法进行结果重构，得出完整序列即为风光功率预测结果：

可根据实际需要，对上述基于小波包-神经网络的风光功率预测方法作进一步优化或/和改进：

如附图1、2、3、4、5、6、7所示，第二步中，采样间隔时间为15min，一天内共采集96个采样点的数据。

如附图1、2、3、4、5、6、7所示，第三步中，与风功率相关系数较高的是：风速和温度；与光伏功率相关系数较高的是：太阳辐射强度、温度以及相对湿度。

如附图1、2、3、4、5、6、7所示，第五步中，针对不同分辨率各子序列建立多个不同BP神经网络进行训练，获得能准确表征该分量特征的网络相关参数，利用所得BP神经网络进行预测。

如附图4、5所示，分别表示风电和光伏各序列小波分解后的结果图，图中A表示低频分量、D为高频分量，S为原始序列，有S＝AA2+DA2+AD2+DD2，式中AA2分量表示序列低频分量，也称轮廓信号，即表征序列大致走势；显然，其变化趋势较为平滑，与原始序列曲线形状类似，均呈现较为明显的日周期变化特征，这与风力发电、光伏发电原理有关；式中DA2、AD2和DD2表示序列高频分量，也称细节信号，即在不同尺度上表征信号细节波动，其中DA2分量具有半日周期性；式中AD2和DD2为随机功率分量，具有短时依赖性。因此，分解后的各段子序列能更精确地从多尺度对功率序列变化进行映射，在此基础上建立BP神经网络进行训练则更具准确性和还原能力。对4个子序列分别建立BP神经网络，附图1中记为BP1、BP2、BP3、BP4，并进行预测，然后将网络输出重构得到完整的功率预测结果。

如附图6、7所示，对某地区未来五天的风光功率进行预测，可得到预测结果。

附图6中为未来5天的风功率预测曲线与实测曲线变化趋势基本一致，小波包-BP神经网络模型可在很大程度上映射风电场输出有功功率的变化，达到预期效果。从附图6中可以对比得出普通BP模型的预测结果则与实际数据相差较大，可见本模型预测精度有明显提高。

附图7中为未来5天光伏发电功率预测曲线与实际曲线变化趋势基本一致，WPNN模型可有效映射光伏电站输出有功功率日变化特征且周期性明显，达到预期效果，与普通BP模型预测结果相比，本模型精度有明显提高。

以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (5)

1.一种基于小波包-神经网络的风光功率预测方法，其特征在于包括以下步骤：

第一步：确定风电场及光伏电站的实际历史有功功率数据和相关气象数据，即风速、环境温度、太阳辐射强度、相对湿度的历史数据；

第二步：对进行预测之前的历史三个月内的风速、环境温度、太阳辐射强度、相对湿度的历史数据设置采样间隔时间；

第三步：计算风功率、光伏功率与各气象因素之间的相关系数，选取相关系数较高的气象因素作为网络输入，计算公式如下：

其中x_i，y_i是变量x，y的第i个数据点；是变量x，y的平均值；n是数据点个数。当r＝0，两个变量不相关；当r>0，两个变量正相关；当r<0，两个变量负相关；当r＝1，两个变量完全相关。

第四步：对所选取的各气象因素数据以及功率数据进行归一化处理，计算公式如下：

其中X为经过归一化处理后的数据值；x_i为原始输入数据；x_imax和x_imin分别为输入数据中的最大值和最小值。

第五步:对归一化后的气象数据序列和风光有功功率序列进行小波包分解，利用小波包分解中的高通滤波器得到高频分量小波包系数，计算公式如下：

再利用低通滤波器得到低频分量小波包系数，计算公式如下：

其中称为小波包系数；h_k，g_k是滤波器系数。

第六步：结合高低频分量系数，利用小波包分解得到各序列高低频分量，分别建立多个BP神经网络进行训练及预测，计算公式如下：

其中x_j表示输入层第j个节点的输入，j＝1,2,...,M；w_ij表示隐含层第i个节点与输入层第j个节点间的权值；φ(x)、θ_i分别表示隐含层激励函数和第i个节点的阀值；w_ki表示输出层k节点和隐含层i节点间的权值，i＝1,2,...,q；ψ(x)和α_k分别表示输出层激励函数和第k个节点的阀值，k＝1,2,...,L；O_k表示输出层第k个节点的输出结果。

第七步：对BP神经网络得到的输出结果，采用小波包重构算法进行结果重构，得出完整序列即为风光功率预测结果：

2.根据权利要求1所述的基于小波包-神经网络的风光功率预测方法，其特征在于第二步中，风速、环境温度、太阳辐射强度、相对湿度的历史数据的采样间隔时间为15min，一天内共采集96个采样点的数据。

3.根据权利要求1或2所述的基于小波包-神经网络的风光功率预测方法，其特征在于第三步中，与风功率相关系数较高的是：风速和温度；与光伏功率相关系数较高的是：太阳辐射强度、温度以及相对湿度。

4.根据权利要求1或2所述的基于小波包-神经网络的风光功率预测方法，其特征在于第五步中，针对不同分辨率各子序列建立多个不同BP神经网络进行训练，获得能准确表征该分量特征的网络相关参数，利用所得BP神经网络进行预测。

5.根据权利要求3述的基于小波包-神经网络的风光功率预测方法，其特征在于第五步中，针对不同分辨率各子序列建立多个不同BP神经网络进行训练，获得能准确表征该分量特征的网络相关参数，利用所得BP神经网络进行预测。