CN106485369B - 一种径流式小水电短期功率加权预测方法 - Google Patents

Abstract

本发明公开了一种径流式小水电短期功率加权预测方法，它包括收集地区径流式小水电和非径流式水电数据信息；计算第i个径流式小水电第j时刻的水流量、第i个径流式小水电第j时刻第一短期功率预测值P_r1ij和地区径流式小水电第j时刻的第一短期功率预测值P_r1j；根据第i个径流式小水电气象数据和出力数据，进行BP神经网络预测得到地区径流式小水电第j时刻第二短期功率预测值P_r2j；确定P_r1j和P_r2j的权重系数，并计算预测日第j时刻地区径流式小水电短期功率预测值P_rj；解决了现有技术对径流式小水电短期功率预测存在的不能实际反映小水电受气象条件等诸多因素的影响情况，预测误差较大等技术问题。

Description

一种径流式小水电短期功率加权预测方法

技术领域

本发明属于小水电功率预测技术领域，尤其涉及一种径流式小水电短期功率加权预测方法。

背景技术

随着环境污染和能源短缺问题的日益严重，小水电作为清洁绿色的可再生替代能源，不同于大中型水电，主要分布在地理位置偏远的山区，是农村地区重要的电源组成部分，具有分散开发、就地成网、就地供电、建设和发电成本低、建设周期短、回报收益快等优点，具有不可替代的优势因此在国家和地方政策的支持下发展迅速，很好的解决了部分地区的缺电局面。

与此同时，小水电的发展也带来一些问题，小水电分为径流式小水电和非径流式小水电，目前大多数为径流式小水电站，其基本无库容调节能力，具有强季节性，汛期来水较多，小水电多呈满发状态，枯期来水较少，小水电发电量大大降低，其发电负荷表现很强的不确定性。小水电站运行方式变化较大，且受上游非径流式水电(非径流式水电包括非径流式大水电和非径流式小水电)影响较大，机组启停频繁，致使主系统潮流波动大，增加线路潮流越限的可能性。并网小水电规模的不断增加，如果调度不掌握小水电的发电信息，对电网安全稳定运行以及电网调度等带来的不良影响将会越发显著。

因此，需要对径流式小水电进行短期功率预测，以往的小水电短期功率预测方法大多针对非径流式小水电，不适用于径流式小水电。由于径流式小水电来水就发、无水不发的特点，目前其短期发电功率一般不进行预测，或者采用小水电出力公式直接预测，该方法不需要历史数据、计算易行，但由于出力公式基于线性化模型，不能实际反映小水电受气象条件等诸多因素的影响情况，预测误差较大。

发明内容：

本发明要解决的技术问题：提供一种径流式小水电短期功率加权预测方法，以解决现有技术小水电短期功率预测方法大多针对非径流式小水电，不适用于径流式小水电。由于径流式小水电来水就发、无水不发的特点，目前其短期发电功率一般不进行预测，或者采用小水电出力公式直接预测，该方法不需要历史数据、计算易行，但由于出力公式基于线性化模型，不能实际反映小水电受气象条件等诸多因素的影响情况，预测误差较大等技术问题。

本发明技术方案：

一种径流式小水电短期功率加权预测方法，它包括：

步骤1、收集地区径流式小水电和非径流式水电的数据信息；

步骤2、计算第i个径流式小水电第j时刻的水流量；

步骤3、计算第i个径流式小水电第j时刻第一短期功率预测值P_r1ij和地区径流式小水电第j时刻的第一短期功率预测值P_r1j；

步骤4、根据第i个径流式小水电气象数据、出力数据，进行BP神经网络预测，得到地区径流式小水电第j时刻的第二短期功率预测值P_r2j；

步骤5、确定P_r1j和P_r2j的权重系数w_r1、w_r2，并计算预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

步骤1所述数据信息包为径流式小水电数据、非径流式水电数据和地理位置数据，所述径流式小水电数据包括气象数据、出力数据和开停机数据，气象数据包括径流式小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述非径流式水电的数据包括气象数据、出力数据、出库水量和开停机数据，气象数据包括非径流式水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述地理位置数据包括非径流式水电和径流式小水电的所属流域地理位置信息。

所述非径流式水电包括非径流式大水电和非径流式小水电。

步骤2所述第i个径流式小水电第j时刻的水流量的计算公式为Q_rij＝Q_r1ij+Q_r2ij，式中：Q_r1ij为径流式小水电所在区域的降雨量；Q_r2ij为上游非径流式水电的出库水量。

步骤3所述第i个径流式小水电第j时刻第一短期功率预测值P_r1ij的计算公式为：

P_r1ij＝k_i·Q_rij·H_i式中：P_r1ij为第i个径流式小水电第j时刻第一短期功率预测值P_r1ij，单位为W；Q_rij为第i个径流式小水电第j时刻的水流量，单位为m³/s；H_i为第i个径流式小水电的平均水头，单位为m；k_i为第i个径流式小水电的出力系数；

步骤3所述地区径流式小水电第j时刻的第一短期功率预测值P_r1j的计算公式为：

式中：n为地区径流式小水电的总数量。

步骤4所述的根据第i个径流式小水电气象数据、出力数据，进行BP神经网络预测，得到地区径流式小水电第j时刻的第二短期功率预测值P_r2j的方法它包括：

步骤4.1、使用三层BP神经网络，给定BP神经网络功率预测模型的输入向量并进行归一化处理；所述BP神经网络功率预测模型的输入层节点数为7个，根据径流式小水电所在区域的气象数据中的温度T_r、气压P_r、湿度H_r、风向W_dr、风速W_sr、降雨量Q_r1、上游非径流式水电出库水量Q_r2，形成BP神经网络功率预测模型的输入向量Y_r＝[T_r、P_r、H_r、W_dr、W_sr、Q_r1、Q_r2]；所述对输入向量Y_r进行归一化处理其公式为

式中Y'_rij为第j时刻，第i个径流式小水电归一化处理后的输入向量；Y_rij为第j时刻，第i个径流式小水电归一化处理前的输入向量；max(Y_ri)和min(Y_ri)分别表示第i个径流式小水电输入向量的最大值和最小值；

步骤4.2、选取预测日前的δr天数据作为训练样本，对BP神经网络进行训练，获得训练后的BP神经网络功率预测模型；

步骤4.3、将预测日第j时刻，第i个径流式小水电所在区域的温度T_rij、气压P_rij、湿度H_rij、风向W_drij、风速W_srij、降雨量Q_r1ij和上游非径流式水电的出库水量Q_r2ij作为输入层，输入到训练后的BP神经网络功率预测模型中，输出层数据为预测日第j时刻，第i个径流式小水电第二短期功率预测值p_r2ij；

步骤4.4、计算地区径流式小水电第j时刻的第二短期功率预测值P_r2j

式中p_r2ij为预测日第j时刻，第i个径流式小水电第二短期功率预测值n为地区径流式小水电的总数量。

步骤5所述的确定P_r1j和P_r2j的权重系数w_r1、w_r2，并计算预测日第j时刻,地区径流式小水电短期功率预测值P_rj的方法它包括：

步骤5.1、根据预测日前θr天的历史气象数据和历史出力数据，利用步骤2、步骤3的方法分别计算第一短期功率预测值Pr1(1)j...Pr1(θr)j和第二短期功率预测值Pr2(1)j...Pr2j(θr)j，并统计实际功率值为P_r1...P_rθr；

步骤5.2、分别以第一短期功率预测值和第二短期功率预测值与实际功率值的误差绝对值为评价指标，用熵权法确定权重系数w_r1和w_r2；w_r1为P_r1j的权重系数，w_r2为P_r2j的权重系数；w_r1+w_r2＝1

步骤5.3、通过公式P_rj＝w_r1×P_r1j+w_r2×P_r2j计算出预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

所述的径流式小水电短期功率加权预测方法，它还包括：

步骤6、计算预测日前ξr天的历史出力数据与预测数据的误差εr，如果连续ξr天误差εr均大于设定的径流式小水电短期功率预测精度阈值er，重新进行步骤5；小于则输出预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

本发明有益效果：

本发明采用小水电出力直接预测和BP神经网络预测两种方法相结合，综合考虑气象因素对径流式小水电出力的影响，综合两种方法所提供的不同信息来提高各单一方法的互补性和预测精度，同时利用熵权法求取两种方法预测值的权重系数，并跟踪连续运行日内的预测误差及时对权重系数进行修正，从而更好地克服各个单一预测方法自身的局限性，充分融合信息，具有较强的客观性，有效地减少预测误差、提高预测精度；解决了现有技术对径流式小水电短期功率预测存在的不能实际反映小水电受气象条件等诸多因素的影响情况，预测误差较大等技术问题。

具体实施方式：

一种径流式小水电短期功率加权预测方法，它包括：

步骤1、收集地区径流式小水电和非径流式水电的数据信息；

步骤1所述数据信息包为径流式小水电数据、非径流式水电数据和地理位置数据，所述径流式小水电数据包括气象数据、出力数据和开停机数据，气象数据包括径流式小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述非径流式水电的数据包括气象数据、出力数据、出库水量和开停机数据，气象数据包括非径流式水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述地理位置数据包括非径流式水电和径流式小水电的所属流域地理位置信息。

所述非径流式水电包括非径流式大水电和非径流式小水电。

在本发明中，设地区径流式小水电数量为n个，短期功率预测值为每15分钟1个，每日24小时共96个。记X_ij为第i个径流式小水电第j个时刻的有关数据，0≤i≤n，0≤j≤96。

步骤2、计算第i个径流式小水电第j时刻的水流量；

步骤2所述第i个径流式小水电第j时刻的水流量的计算公式为Q_rij＝Q_r1ij+Q_r2ij，式中：Q_r1ij为径流式小水电所在区域的降雨量；Q_r2ij为上游非径流式水电的出库水量。

步骤3、计算第i个径流式小水电第j时刻第一短期功率预测值P_r1ij和地区径流式小水电第j时刻的第一短期功率预测值P_r1j；

步骤3所述第i个径流式小水电第j时刻第一短期功率预测值P_r1ij的计算公式为：

P_r1ij＝k_i·Q_rij·H_i式中：P_r1ij为第i个径流式小水电第j时刻第一短期功率预测值P_r1ij，单位为W；Q_rij为第i个径流式小水电第j时刻的水流量，单位为m³/s；H_i为第i个径流式小水电的平均水头，单位为m；k_i为第i个径流式小水电的出力系数；

步骤3所述地区径流式小水电第j时刻的第一短期功率预测值P_r1j的计算公式为：

式中：n为地区径流式小水电的总数量。

步骤4、根据第i个径流式小水电气象数据、出力数据，进行BP神经网络预测，得到地区径流式小水电第j时刻的第二短期功率预测值P_r2j；

步骤4所述的根据第i个径流式小水电气象数据、出力数据，进行BP神经网络预测，得到地区径流式小水电第j时刻的第二短期功率预测值P_r2j的方法它包括：

步骤4.1、使用三层BP神经网络，给定BP神经网络功率预测模型的输入向量并进行归一化处理；所述BP神经网络功率预测模型的输入层节点数为7个，根据径流式小水电所在区域的气象数据中的温度T_r、气压P_r、湿度H_r、风向W_dr、风速W_sr、降雨量Q_r1、上游非径流式水电出库水量Q_r2，形成BP神经网络功率预测模型的输入向量Y_r＝[T_r、P_r、H_r、W_dr、W_sr、Q_r1、Q_r2]；所述对输入向量Y_r进行归一化处理其公式为

式中Y'_rij为第j时刻，第i个径流式小水电归一化处理后的输入向量；Y_rij为第j时刻，第i个径流式小水电归一化处理前的输入向量；max(Y_ri)和min(Y_ri)分别表示第i个径流式小水电输入向量的最大值和最小值；

在本发明中，隐含层节点数采用经验公式与实际训练的方法确定，输出层节点数为输入层数据对应时刻的径流式小水电短期功率预测值。

步骤4.2、选取预测日前的δr天数据作为训练样本，对BP神经网络进行训练，获得训练后的BP神经网络功率预测模型；δr越大，表示历史数据越多，训练后的神经网络预测结果精度越高。

步骤4.3、将预测日第j时刻，第i个径流式小水电所在区域的温度T_rij、气压P_rij、湿度H_rij、风向W_drij、风速W_srij、降雨量Q_r1ij和上游非径流式水电的出库水量Q_r2ij作为输入层，输入到训练后的BP神经网络功率预测模型中，输出层数据为预测日第j时刻，第i个径流式小水电第二短期功率预测值p_r2ij；

步骤4.4、计算地区径流式小水电第j时刻的第二短期功率预测值P_r2j

式中p_r2ij为预测日第j时刻，第i个径流式小水电第二短期功率预测值n为地区径流式小水电的总数量。

步骤5、确定P_r1j和P_r2j的权重系数w_r1、w_r2，并计算预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

步骤5所述的确定P_r1j和P_r2j的权重系数w_r1、w_r2，并计算预测日第j时刻,地区径流式小水电短期功率预测值P_rj的方法它包括：

步骤5.1、根据预测日前θr天的历史气象数据和历史出力数据，利用步骤2、3、4方法分别计算第一短期功率预测值Pr1(1)j...Pr1(θr)j和第二短期功率预测值Pr2(1)j...Pr2j(θr)j，并统计实际功率值为P_r1...P_rθr；

步骤5.2、分别以第一短期功率预测值和第二短期功率预测值与实际功率值的误差绝对值为评价指标，用熵权法确定权重系数w_r1和w_r2；w_r1为P_r1j的权重系数，w_r2为P_r2j的权重系数；w_r1+w_r2＝1

步骤5.3、通过公式P_rj＝w_r1×P_r1j+w_r2×P_r2j计算出预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

为了提高预测出的P_rj值的精度，可采用步骤6来实现。

步骤6、计算预测日前ξr天的历史出力数据与预测数据的误差εr，如果连续ξr天误差εr均大于设定的径流式小水电短期功率预测精度阈值er，重新进行步骤5；小于则输出预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

Claims (7)

1.一种径流式小水电短期功率加权预测方法，它包括：

步骤1、收集地区径流式小水电和非径流式水电的数据信息；

步骤2、计算第i个径流式小水电第j时刻的水流量；

步骤3、计算第i个径流式小水电第j时刻第一短期功率预测值P_r1ij和地区径流式小水电第j时刻的第一短期功率预测值P_r1j；

步骤4、根据第i个径流式小水电气象数据、出力数据，进行BP神经网络预测，得到地区径流式小水电第j时刻的第二短期功率预测值P_r2j；

步骤4所述的根据第i个径流式小水电气象数据、出力数据，进行BP神经网络预测，得到地区径流式小水电第j时刻的第二短期功率预测值P_r2j的方法它包括：

步骤4.1、使用三层BP神经网络，给定BP神经网络功率预测模型的输入向量并进行归一化处理；所述BP神经网络功率预测模型的输入层节点数为7个，根据径流式小水电所在区域的气象数据中的温度T_r、气压P_r、湿度H_r、风向W_dr、风速W_sr、降雨量Q_r1、上游非径流式水电出库水量Q_r2，形成BP神经网络功率预测模型的输入向量Y_r＝[T_r、P_r、H_r、W_dr、W_sr、Q_r1、Q_r2]；所述对输入向量Y_r进行归一化处理其公式为

式中Y'_rij为第j时刻，第i个径流式小水电归一化处理后的输入向量；Y_rij为第j时刻，第i个径流式小水电归一化处理前的输入向量；max(Y_ri)和min(Y_ri)分别表示第i个径流式小水电输入向量的最大值和最小值；

步骤4.2、选取预测日前的δr天数据作为训练样本，对BP神经网络进行训练，获得训练后的BP神经网络功率预测模型；

步骤4.3、将预测日第j时刻，第i个径流式小水电所在区域的温度T_rij、气压P_rij、湿度H_rij、风向W_drij、风速W_srij、降雨量Q_r1ij和上游非径流式水电的出库水量Q_r2ij作为输入层，输入到训练后的BP神经网络功率预测模型中，输出层数据为预测日第j时刻，第i个径流式小水电第二短期功率预测值P_r2ij；

步骤4.4、计算地区径流式小水电第j时刻的第二短期功率预测值P_r2j

式中P_r2ij为预测日第j时刻，第i个径流式小水电第二短期功率预测值n为地区径流式小水电的总数量；

步骤5、确定P_r1j和P_r2j的权重系数w_r1、w_r2，并计算预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

2.根据权利要求1所述的径流式小水电短期功率加权预测方法，其特征在于：步骤1所述数据信息包为径流式小水电数据、非径流式水电数据和地理位置数据，所述径流式小水电数据包括气象数据、出力数据和开停机数据，气象数据包括径流式小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述非径流式水电的数据包括气象数据、出力数据、出库水量和开停机数据，气象数据包括非径流式水电所在区域的温度、气压、湿度、风向、风速和降雨量数据；所述地理位置数据包括非径流式水电和径流式小水电的所属流域地理位置信息。

3.根据权利要求1所述的径流式小水电短期功率加权预测方法，其特征在于：所述非径流式水电包括非径流式大水电和非径流式小水电。

4.根据权利要求1所述的径流式小水电短期功率加权预测方法，其特征在于：步骤2所述第i个径流式小水电第j时刻的水流量的计算公式为

Q_rij＝Q_r1ij+Q_r2ij，式中：Q_r1ij为径流式小水电所在区域的降雨量；Q_r2ij为上游非径流式水电的出库水量。

5.根据权利要求1所述的径流式小水电短期功率加权预测方法，其特征在于：步骤3所述第i个径流式小水电第j时刻第一短期功率预测值P_r1ij的计算公式为：

P_r1ij＝k_i·Q_rij·H_i式中：P_r1ij为第i个径流式小水电第j时刻第一短期功率预测值P_r1ij，单位为W；Q_rij为第i个径流式小水电第j时刻的水流量，单位为m³/s；H_i为第i个径流式小水电的平均水头，单位为m；k_i为第i个径流式小水电的出力系数；

步骤3所述地区径流式小水电第j时刻的第一短期功率预测值Pr1j的计算公式为：

式中：n为地区径流式小水电的总数量。

6.根据权利要求1所述的径流式小水电短期功率加权预测方法，其特征在于：步骤5所述的确定P_r1j和P_r2j的权重系数w_r1、w_r2，并计算预测日第j时刻,地区径流式小水电短期功率预测值P_rj的方法它包括：

步骤5.1、根据预测日前θr天的历史气象数据和历史出力数据，利用步骤2、步骤3的方法分别计算第一短期功率预测值Pr1(1)j...Pr1(θr)j和第二短期功率预测值Pr2(1)j...Pr2j(θr)j，并统计实际功率值为P_r1...P_rθr；

步骤5.2、分别以第一短期功率预测值和第二短期功率预测值与实际功率值的误差绝对值为评价指标，用熵权法确定权重系数w_r1和w_r2；w_r1为P_r1j的权重系数，w_r2为P_r2j的权重系数；w_r1+w_r2＝1；

步骤5.3、通过公式P_rj＝w_r1×P_r1j+w_r2×P_r2j计算出预测日第j时刻,地区径流式小水电短期功率预测值P_rj。

7.根据权利要求1所述的径流式小水电短期功率加权预测方法，其特征在于它还包括：

步骤6、计算预测日前ξr天的历史出力数据与预测数据的误差εr，如果连续ξr天误差εr均大于设定的径流式小水电短期功率预测精度阈值er，重新进行步骤5；小于则输出预测日第j时刻,地区径流式小水电短期功率预测值P_rj。