CN107609697B - 一种风力发电功率预测方法 - Google Patents

Abstract

本发明公开了一种风力发电功率预测方法，先对历史影响数据聚类，依据“待预测日”与各个历史数据聚类的相似度分别进行预测。再依照各个聚类的权重不同，计算得出“综合预测结果”。最后根据历史数据集中与“待预测日”相似的记录，对预测结果进行修正，得到最终的预测结果。采用本发明的技术方案，风力发电功率预测的精度得到了提高，可靠性也得到了增强，从而保证了电力系统的平稳运行，有利于提高风电场运行效益的增加。

Description

一种风力发电功率预测方法

技术领域

本发明涉及一种风力发电功率预测方法，特别涉及一种基于对历史风速、风向、温度信息的风力发电功率的预测方法，属于短期风力发电技术领域。

背景技术

风能是一种典型的可再生清洁能源，由于其资源丰富，并且具备大规模开发的条件，因此在全世界范围内受到了广泛地关注。在全球可再生能源发电装机容量中，风力发电占有压倒性优势。在被利用的可再生能源中，风能占了一半以上，而且风力发电也是所有可再生资源利用技术最为成熟的一种。近年来，世界风力发电量高速增长，前景光明。截止到2012年12月，世界风力发电装机容量已经从2000年的60GW增加到了282.578GW。目前，中国是世界上风力发电装机容量最多且发展速度最快的国家。截止到2015年底，我国风力发电总装机容量达到145.1GW，约占我国总装机容量的2.5％，年增长率达到了26.6％。

风能在快速发展的同时也面临着突出的问题。由于风能本身的不稳定性，风力发电也具有波动性和间歇性，这显然会给大规模的风电并网、电网调峰、调频带来巨大的困难。同时，也加大了电网的电压控制难度。风能的间歇性、波动性增加了电网运行的潜在风险。目前，解决该问题的主要方法就是对未来一段时间内的风力发电输出功率进行预测。准确的风电功率预测，可以在保证供电系统平衡与安全的前提下，降低风力发电的成本。并减少风力发电并网时对电网稳定性的冲击，从而达到提高风力发电价值的目的。

发明内容

针对现有技术的限制，本发明提供一种风力发电功率预测方法，以提高风力发电功率预测的准确性。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种风力发电功率预测方法，包括以下步骤：

步骤(1)，以待预测日为时间基点，采集风力发电功率的历史数据及其对应影响因素的历史数据，存入历史记录数据库中并进行归一化处理；

步骤(2)，将归一化后的风力发电功率的历史数据及其对应影响因素的历史数据采用k-均值算法进行聚类处理，得到k个不同的聚类，并分别计算这k个聚类的聚类中心的风力发电功率的影响因素与待预测日的风力发电功率的影响因素之间的相似度；

步骤(3)，分别将步骤(2)中k个聚类的风力发电功率影响因素的历史数据，作为BP神经网络的输入，对应的风力发电功率作为BP神经网络的输出，训练得到k个不同的BP神经网络模型；

步骤(4)，将采集的待预测日的风力发电功率的影响因素分别输入步骤(3)中训练得到的k个BP神经网络模型中，得到k个不同的预测结果；

步骤(5)，根据步骤(2)中得到的k个聚类的聚类中心的风力发电功率的影响因素与待预测日的风力发电功率的影响因素之间的相似度，计算步骤(4)中k个预测结果在最终结果中所占权重，并计算得出综合预测结果；

步骤(6)，选取步骤(3)中得到的由步骤(2)中得到的最大相似度对应的聚类训练得到BP神经网络模型，作为校正BP模型；

步骤(7)，在步骤(1)的历史记录数据库中，选取与待预测日相似度最高的n个历史日，将这n个历史日的风力发电功率的影响因素作为步骤(6)中校正BP模型的输入，得到n个历史日预测值；

步骤(8)，分别将步骤(7)中n个历史日的历史日预测值与其实际风力发电功率作差，得到n个历史日的预测校正偏差值，进一步得到总预测偏差值，最后利用总预测偏差值得出最终的待预测日的风力发电功率预测值。

作为本发明的进一步技术方案，步骤(1)中风力发电功率的影响因素包括：实时风速、实时风向、实时温度、5min平均风速、5min平均风向、5min平均温度。

作为本发明的进一步技术方案，风力发电功率的历史数据及其对应影响因素的历史数据以向量形式存入历史记录数据库中，每条历史记录为X＝[x₁,x₂,x₃,x₄,x₅,x₆,p]，其中，x₁,x₂,x₃分别表示实时风速、实时风向、实时温度；x₄,x₅,x₆分别表示5分钟平均风速、5分钟平均风向、5分钟平均温度；p表示风力发电功率值。

作为本发明的进一步技术方案，采用极差法对历史记录数据库中的数据进行归一化。

作为本发明的进一步技术方案，归一化的公式为式中，表示归一化之后的第i条历史记录中第j个元素，x_i(j)表示第i条历史记录中第j个元素；m(j)和M(j)分别表示历史记录数据库中第j个元素的最小值与最大值。

作为本发明的进一步技术方案，步骤(2)采用k-均值算法进行聚类处理的步骤具体为：

a.将所有历史记录随机划分为k个初始类别，并任意选取k条历史记录作为初始类别的聚类中心，记为z₁(l),z₂(l),...,z_q(l),...,z_k(l)，迭代次数l的初值为0，其中，z_q(l)表示第l次迭代时的第q个类别的聚类中心，q＝1,2,…,k；

b.按照距离最近的原则，将z_q(l)外的其余历史记录重新分配到z_q(l)代表的类别ω_q(l)中；

c.计算类别ω_q(l)中所有历史记录的均值，并把该均值向量作为新的聚类中心，记为z_q(l+1)；

d.如果z_q(l+1)≠z_q(l)，则令l＝l+1并返回步骤b；如果z_q(l+1)＝z_q(l)，则当前z_q(l+1)即为最优的聚类中心，聚类工作结束。

作为本发明的进一步技术方案，k的取值范围为：4≤k≤8。

作为本发明的进一步技术方案，步骤b中的距离为欧氏距离。

作为本发明的进一步技术方案，步骤(5)中综合预测结果p的计算公式为：

式中，Weights_q为第q个预测结果在综合预测结果中所占的权重，F_q表示第q个的聚类中心中影响因素构成的向量z_q与待预测日的影响因素构成的向量x_p的相似度，ε_p(k)表示z_q和x_p在第t个影响因素上的关联因素，x_p(t)表示x_p中的第t个元素；z_q(t)表示z_q中的第t个元素；ρ表示分辨系数；p'_q表示第q个预测结果。

作为本发明的进一步技术方案，步骤(8)中最终的待预测日的风力发电功率预测值p₀的计算公式为：

p₀＝p-λε

其中，λ表示预设的校正系数；ε表示总预测校正偏差值， 表示n个历史日的预测偏差值的平均值，ε_r表示第r个历史日的预测偏差值，ε_r＝|p_hr-p'_hr|，p_hr表示第r个历史日的风力发电功率真实值，p'_hr表示第r个历史日风力发电功率的预测值。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明中以实时风速、实时风向、实时温度、5分钟平均风速、5分钟平均风向、5分钟平均温度作为聚类的指标，将历史数据做k-均值聚类处理，但由于气象信息的连贯性，以及宏观范围上的周期性的影响，那些与“待预测日”相似度不太高的历史数据也具有一定的参考价值，所以仍然要用这些数据训练各自的模型，得到各自的预测值，并按聚类中心与“待预测日”相似度大小分配权重，得到“综合预测结果”。最后，再用修正模型预测出的结果，对k聚类综合得到的预测功率值进行修正。采用本方法后，风力发电功率预测的精度得到了提高，可靠性也得到了增强。从而保证了电力系统的平稳运行，有利于提高风电场运行效益的增加。

附图说明

图1是本发明的风电功率预测方法的实现流程图。

图2是本发明的流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1和图2所示，该风力发电功率预测方法，包括以下步骤：

1、以待预测日为时间基点，采集风力发电功率的历史数据及其对应影响因素的历史数据，存入历史记录数据库中，方便预测时使用。其中，影响因素包括风电场气象站采集到的风速、风向、温度信息等数据。本实施例中，搜集整理了2012年4月到2013年4月风电场气象站获得的实时风速、实时风向、实时温度、5min平均风速、5min平均风向、5min平均温度数据，以及该段时间内的风机实际输出功率值。数据的分辨率为5分钟大小，每天一共有288个数据点。在实际储存时，以向量形式对历史数据进行存储，每条历史记录为X＝[x₁,x₂,x₃,x₄,x₅,x₆,p]，其中，x₁,x₂,x₃分别表示实时风速、实时风向、实时温度；x₄,x₅,x₆分别表示5分钟平均风速、5分钟平均风向、5分钟平均温度；p表示风机实际输出功率值即风力发电功率值。

2、对搜集整理到的2012年4月到6月风电场气象站获得的实时风速、实时风向、实时温度、5min平均风速、5min平均风向、5min平均温度历史数据以及风机实际输出功率值，进行“极差法”归一化处理。

其中“极差法”归一化计算公式为：式中，表示归一化之后的第i条历史记录中第j个元素，x_i(j)表示第i条历史记录中第j个元素；m(j)和M(j)分别表示历史记录数据库中第j个元素的最小值与最大值。

3、从数据库中读取出足够长时间(根据实际需要确定)的历史数据，并对取出的历史数据做聚类处理。具体来说，就是使用k-均值算法，将从数据库中取出的数据划分为k个不同的聚类。

其中k-均值聚类算法的具体步骤为：

a.将所有历史记录随机划分为k个初始类别，并任意选取k条历史记录作为初始类别的聚类中心，记为z₁(l),z₂(l),...,z_q(l),...,z_k(l)，迭代次数l的初值为0，其中，z_q(l)表示第l次迭代时的第q个类别的聚类中心，q＝1,2,…,k。

b.按照距离最近的原则，将z_q(l)外的其余历史记录重新分配到z_q(l)代表的类别ω_q(l)中。其中，使用欧氏距离定义样本点与聚类中心的距离远近。

c.计算每个类别的均值向量，并把该均值向量作为新的聚类中心，记为z_q(l+1)：

d.如果z_q(l+1)≠z_q(l)，则表示当前的聚类中心并不是最好的聚类中，令l＝l+1并返回步骤b；如果z_q(l+1)＝z_q(l)，则当前z_q(l+1)即为最优的聚类中心，聚类工作结束。

本发明的风力发电预测方法，聚类类别数应当保持在4≤k≤8范围内。

4、取得聚类后的k个聚类中心向量，并计算每个聚类中心与待预测日在不同影响因素上的关联系数，计算公式为：

其中，ε_p(t)表示第q个的聚类中心中影响因素构成的向量z_q和待预测日的影响因素构成的向量x_p在第t个影响因素上的关联因素，x_p(t)表示x_p中的第t个元素；z_q(t)表示z_q中的第t个元素；ρ表示分辨系数，其值一般取为0.5。

5、计算每个聚类中心向量与“待预测日”的相似度，计算公式为下式：

式中，F_q表示第q个的聚类中心中影响因素构成的向量z_q与待预测日的影响因素构成的向量x_p的相似度。

采用这种连乘的方式定义相似度，可以方便的、自动的识别多个影响风力发电功率中的主导因素，并解决各个不同气象影响因素权重的分配设置问题。某个因素的主导型越强，那么其他因素对发电功率的影响程度就相对的降低了，当第t个因素的重要性增加时，满足如下的式子：

其中u≠t。

若第t个因素是主导因素，则其他因素对总相似度的影响程度下降。其中u表示不同于t的某个因素。

按照如上定义的总相似度有下式成立：

当考察第t个因素时，总相似度对其他因素的偏导数中，都含有ε_p(t)。当ε_p(t)比较小时，第t个因素成为主导因素。

6、分别利用k-均值算法得到的k个聚类历史气象影响因素的数据及其风力发电功率作为BP神经网络的训练样本，训练k个BP神经网络模型。

7、将“待预测日”的气象因素向量作为模型的输入，发电功率作为模型的输出。从而得到k个模型预测出的“待预测日”风力发电功率值，记为：p₁',p'₂,...,p'_k。

根据每个模型输入的训练数据的聚类中心与“待预测日”的相似度，计算出此模型的预测结果所占权重，计算公式如下：

式中，Weights_q为第q个预测结果在综合预测结果中所占的权重。

根据每个聚类历史数据预测结果所占综合预测结果的权重大小，计算得到综合预测结果p，计算公式如下：

8、在k个聚类数据训练出的k个BP神经网络模型中，选取与“待预测日”相似度最高的那一个聚类数据所训练出的BP神经网络，作为“校正BP模型”。

9、在历史数据集中，选取n个与“待预测日”相似度最高的n个“历史日”，将这n个“历史日”的气象因素作为“校正BP模型”的输入，并得出“历史日”的风力发电功率预测值，即“历史日预测值”记为：p'_h1,p'_h2,...,p'_hk。n一般选取为：10≤n≤20。

10、这n个“历史日”的实际风力发电功率可以记为：p_h1,p_h2,...,p_hk，利用“历史日真实值”与“历史日预测值”的偏差计算得到“预测校正偏差”：ε_r＝|p_hr-p'_hr|，ε_r表示第r个历史日的预测偏差值。

总预测校正偏差值 表示n个历史日的预测偏差值的平均值。

11、利用上面计算出的总预测校正偏差值ε，可以计算出最终的“待预测日”风力发电功率预测值p₀：p₀＝p-λε，λ表示预设的校正系数，一般情况下，λ的取值为：0＜λ＜1。

由于训练样本的选择不同，会直接影响预测模型预测出的风力发电功率值的准确性，所以选择与“待预测日”当天所采集到的气象因素相似度较高的历史数据作为预测模型的输入，也会得到准确度较高的功率预测值。本发明中以实时风速、实时风向、实时温度、5分钟平均风速、5分钟平均风向、5分钟平均温度作为聚类的指标，将历史数据做k-均值聚类处理，但由于气象信息的连贯性，以及宏观范围上的周期性的影响，那些与“待预测日”相似度不太高的历史数据也具有一定的参考价值，所以仍然要用这些数据训练各自的模型，得到各自的预测值，并按聚类中心与“待预测日”相似度大小分配权重，得到“综合预测结果”。最后，再用修正模型预测出的结果，对k聚类综合得到的预测功率值进行修正。采用本方法后，风力发电功率预测的精度得到了提高，可靠性也得到了增强。从而保证了电力系统的平稳运行，有利于提高风电场运行效益的增加。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种风力发电功率预测方法，其特征在于，包括以下步骤：

步骤(1)，以待预测日为时间基点，采集风力发电功率的历史数据及其对应影响因素的历史数据，存入历史记录数据库中并进行归一化处理；其中，风力发电功率的影响因素包括：实时风速、实时风向、实时温度、5min平均风速、5min平均风向、5min平均温度；风力发电功率的历史数据及其对应影响因素的历史数据以向量形式存入历史记录数据库中，每条历史记录为X＝[x₁,x₂,x₃,x₄,x₅,x₆,p]，其中，x₁,x₂,x₃分别表示实时风速、实时风向、实时温度；x₄,x₅,x₆分别表示5分钟平均风速、5分钟平均风向、5分钟平均温度；p表示风力发电功率值；

步骤(2)，将归一化后的风力发电功率的历史数据及其对应影响因素的历史数据采用k-均值算法进行聚类处理，得到k个不同的聚类，并分别计算这k个聚类的聚类中心的风力发电功率的影响因素与待预测日的风力发电功率的影响因素之间的相似度；

步骤(3)，分别将步骤(2)中k个聚类的风力发电功率影响因素的历史数据，作为BP神经网络的输入，对应的风力发电功率作为BP神经网络的输出，训练得到k个不同的BP神经网络模型；

步骤(4)，将采集的待预测日的风力发电功率的影响因素分别输入步骤(3)中训练得到的k个BP神经网络模型中，得到k个不同的预测结果；

步骤(5)，根据步骤(2)中得到的k个聚类的聚类中心的风力发电功率的影响因素与待预测日的风力发电功率的影响因素之间的相似度，计算步骤(4)中k个预测结果在最终结果中所占权重，并计算得出综合预测结果；

步骤(6)，选取步骤(3)中得到的由步骤(2)中得到的最大相似度对应的聚类训练得到BP神经网络模型，作为校正BP模型；

步骤(7)，在步骤(1)的历史记录数据库中，选取与待预测日相似度最高的n个历史日，将这n个历史日的风力发电功率的影响因素作为步骤(6)中校正BP模型的输入，得到n个历史日预测值；

步骤(8)，分别将步骤(7)中n个历史日的历史日预测值与其实际风力发电功率作差，得到n个历史日的预测校正偏差值，进一步得到总预测偏差值，最后利用总预测偏差值得出最终的待预测日的风力发电功率预测值，最终的待预测日的风力发电功率预测值p₀的计算公式为：

p₀＝p-λε

其中，λ表示预设的校正系数；ε表示总预测校正偏差值， 表示n个历史日的预测偏差值的平均值，ε_r表示第r个历史日的预测偏差值，ε_r＝|p_hr-p'_hr|，p_hr表示第r个历史日的风力发电功率真实值，p'_hr表示第r个历史日风力发电功率的预测值。

2.根据权利要求1所述的一种风力发电功率预测方法，其特征在于，采用极差法对历史记录数据库中的数据进行归一化。

3.根据权利要求2所述的一种风力发电功率预测方法，其特征在于，归一化的公式为式中，表示归一化之后的第i条历史记录中第j个元素，x_i(j)表示第i条历史记录中第j个元素；m(j)和M(j)分别表示历史记录数据库中第j个元素的最小值与最大值。

4.根据权利要求1所述的一种风力发电功率预测方法，其特征在于，步骤(2)采用k-均值算法进行聚类处理的步骤具体为：

a.将所有历史记录随机划分为k个初始类别，并任意选取k条历史记录作为初始类别的聚类中心，记为z₁(l),z₂(l),...,z_q(l),...,z_k(l)，迭代次数l的初值为0，其中，z_q(l)表示第l次迭代时的第q个类别的聚类中心，q＝1,2,…,k；

b.按照距离最近的原则，将z_q(l)外的其余历史记录重新分配到z_q(l)代表的类别ω_q(l)中；

c.计算类别ω_q(l)中所有历史记录的均值，并把该均值向量作为新的聚类中心，记为z_q(l+1)；

d.如果z_q(l+1)≠z_q(l)，则令l＝l+1并返回步骤b；如果z_q(l+1)＝z_q(l)，则当前z_q(l+1)即为最优的聚类中心，聚类工作结束。

5.根据权利要求4所述的一种风力发电功率预测方法，其特征在于，k的取值范围为：4≤k≤8。

6.根据权利要求5所述的一种风力发电功率预测方法，其特征在于，步骤b中的距离为欧氏距离。

7.根据权利要求1所述的一种风力发电功率预测方法，其特征在于，步骤(5)中综合预测结果p的计算公式为：

式中，Weights_q为第q个预测结果在综合预测结果中所占的权重，F_q表示第q个的聚类中心中影响因素构成的向量z_q与待预测日的影响因素构成的向量x_p的相似度，ε_p(k)表示z_q和x_p在第t个影响因素上的关联因素，x_p(t)表示x_p中的第t个元素；z_q(t)表示z_q中的第t个元素；ρ表示分辨系数；p'_q表示第q个预测结果。