CN109255500A - 基于卡尔曼滤波器对于风力发电预测数据的自动校准方法 - Google Patents

Abstract

本发明公开了基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，包括采集S电站发电功率的风机总有功数据；计算出K时间点该电站风机总有功的卡尔曼增益，用来估算该时间点的最优预测风机总有功功率值；算出K时间点的最优预测功率值；根据卡尔曼滤波器保留上一个时刻的covariance，快速的估算出短期内各个时间点无限接近实际功率的最优功率值。通过电站上报的发电功率和系统预测的发电功率来估算出最优的风力发电预测数据，与其他预测系统预测的数据相比较，排除气象因素对预测结果的影响，即环境稳定的情况下，卡尔曼滤波器对数据的预测更精准，更偏向于实际数据。

Description

基于卡尔曼滤波器对于风力发电预测数据的自动校准方法

技术领域

本发明属于电力系统信息技术领域，具体涉及一种基于卡尔曼滤波器对于风力发电预测数据的自动校准方法。

背景技术

当前，随着智能电网的快速发展，其的结构日益复杂、规模日益扩大，因此，与之相应的调度自动化系统也需要具备超大规模电网的数据处理、计算和预测能力。目前对于风力发电预测数据没有统一标准、预测数据与实际值偏差较大，且一些电站上报的数据差距较大，风力发电预测数据需要比较精准的数据来展示其发电数据的时间曲线。同时，由于电网规模的庞大，我们现在需要更准确地对风力发电预测数据的自动校准，来提前预知未来几天内风力发电的情况，及时处理即将发生的意外情况，改善各风力发电厂的工作效率，提高风力能源的利用率。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于卡尔曼滤波器对于风力发电预测系统数据的自动校准方法。通过系统的预测数据，结合卡尔曼滤波器的预测方法，不断的把covariance(协方差)递归，从而估算出最优的风力发电预测数据。。

为实现上述技术目的，本发明采取的技术方案为：

基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，在风力预测的实际应用中，我们需要对数据进行短期预测，预测出短期内最优预测风机总有功数据，使得预测数据无限接近我们的实际数据。计算一个电站短期内的最优预测功率数据的步骤如下：

步骤1：采集S电站风机总有功数据；

步骤2：计算出K时间点该电站风机总有功的卡尔曼增益，用来估算该时间点的最优预测风机总有功功率值；

步骤3：算出K时间点的最优预测功率值；

步骤4：根据卡尔曼滤波器保留上一个时刻的covariance，快速的估算出短期内各个时间点无限接近实际功率的最优功率值。

卡尔曼滤波器通过两组完全不同的数据来确定某一个时间点的预测值，步骤1得到k时刻的预测数据，步骤2计算卡尔曼增益，根据步骤1、步骤2即可得到步骤3的k时刻最优预测数据值，k+1，k+2……也是使用同样的方法来计算，最终通过卡尔曼滤波器的自动校准得出的预测数据便可无限接近真实的数据，由此我们即可通过这种方法得到一组最优的风力发电预测数据。

为优化上述技术方案，采取的具体措施还包括：

步骤1所述采集S电站发电功率的风机总有功数据具体实现步骤如下：

步骤1-1：采集S电站上报的短期内各个时间点所预测的风机总有功功率数据；

步骤1-2：采集S电站上报的实时风机总有功功率数据。

步骤2所述卡尔曼增益(Kalman Gain)计算公式为：

其中，G1(MW)为S电站K时刻上报的风机总有功功率数据为P1(MW)时的高斯噪声的偏差，G2(MW)为S电站K时刻系统预测的风机总有功功率数据为P2(MW)时的高斯噪声的偏差。

步骤3所述K时间点的最优预测功率值计算公式如下：

P＝P1+Kg*(P2-P1)。

本发明具有以下有益效果：

通过电站上报的发电功率和系统预测的发电功率来估算出最优的风力发电预测数据，与其他预测系统预测的数据相比较，排除气象因素对预测结果的影响，即环境稳定的情况下，卡尔曼滤波器对数据的预测更精准，更偏向于实际数据，对今后的新能源风电电站建设起到有效的数据支撑，以及对未来短期内即将发生的意外事件做出提前的预警，提高对风力能源的利用率，有效地帮助电站增长经济效益。

附图说明

图1是本发明的流程框图；

图2是本发明的K分钟的卡尔曼预测数据曲线图；

图3是本发明的K+1分钟的卡尔曼预测数据曲线图；

图4是本发明的K+2分钟的卡尔曼预测数据曲线图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

本发明的基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，以系统预测数据为基础，结合前一个时间点的实际数值确认预估时刻的数值，使用卡尔曼滤波器来确认最优估算值，参见图1，本发明包括以下步骤：

步骤1：采集S电站风机总有功数据：

获取S电站的发电功率数据，为卡尔曼滤波器提供数据基础。

步骤1-1：采集S电站上报的短期内各个时间点预测的风机总有功数据；

步骤1-2：采集S电站上报的实时风机总有功数据。

步骤2：计算出K时间点该电站风机总有功的卡尔曼增益：

根据步骤1-1、步骤1-2获取的风机总有功功率数据，得出K时刻的卡尔曼增益，用来估算该时间点的最优预测风机总有功功率值；

假设：S电站K时刻上报的风机总有功功率数据为P1(MW)，高斯噪声的偏差G1(MW)，S电站K时刻系统预测的风机总有功功率数据为P2(MW)，高斯噪声的偏差G2(MW)，则卡尔曼增益为：

步骤3：算出K时间点的最优预测功率值：

从步骤2中的数据可根据卡尔曼滤波器的公式求得S电站在K时刻的最优预测风机总有功功率为：

P＝P1+Kg*(P2-P1)。

步骤4：根据卡尔曼滤波器保留上一个时刻的covariance，快速的估算出短期内各个时间点无限接近实际功率的最优功率值。

卡尔曼滤波器是用于时变线性系统的递归滤波器，主要是将过去S电站的测量估算误差合并到新的测量误差中来估计该电站将来的误差。(1)采集S电站上报的短期内各个时间点预测的风机总有功数据：根据k-1时刻的发电功率K_k-1来用来估算当前时刻k时刻的功率P2及其高斯噪声的偏差G2；(2)采集S电站上报的实时风机总有功数据：用来得到k时刻的总有功功率P1及其高斯噪声的偏差G1；(3)计算出卡尔曼增益：根据(1)(2)中的G2和G1这两个高斯噪声的偏差的covariance(协方差)来判断其卡尔曼增益Kg；(4)算出k时间点的最优预测风机总有功功率值：根据(1)(2)(3)中的P2、P1、Kg，运用卡尔曼滤波器的公式即可算出k时间点的最优预测风机总有功数据。该方法能够根据所提供的两组数据获取到每个时间点最优的预测风机总有功功率值，而且保留上一个时刻的covariance，卡尔曼增益可以随不同的时刻而改变它自己的值，从而快速的估算出k时间点之后各个时间点的最优风机总有功功率值，可以有效的防范未来某个时间点即将出现的意外情况。

卡尔曼滤波器引入一个离散控制过程的系统，该系统可用于一个线性随机微分方程(Linear Stochastic Differential Equation)来描述：X(k)＝A X(k-1)+B U(k)+W(k)，再加上系统的测量值：Z(k)＝H K(k)+V(k)。上述两个式子中，X(k)是时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多个测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)1，他们的covariance(高斯噪声的偏差)分别是Q，R(这里我们假设他们不随系统状态变化而变化)。对于风力发电预测数据，在原始预估的风力发电数据的基础上，通过卡尔曼滤波器不断地把covariance递归，从而估算出最优的风力发电数据，卡尔曼滤波器基本假设：后验概率分布p(xk-1|y1:k-1)为高斯分布，动态系统是线性的xk＝Axk-1+Buk-1+qk-1，yk＝Hxk+rk。系统噪声和测量都是高斯分布的，协方差距矩阵分别为Qk-1和Rk。主要步骤包括以下几点：

①首先利用系统的过程模型，来预测下一个状态的系统。假设现在的系统状态是k，根据系统的模型，可以基于系统的上一个状态而预测现在的状态：X(k|k-1)＝A X(k-1|k-1)+B U(k)………(1)

②式(1)中X(k|k-1)是利用上一个状态预测的结果，X(k-1|k-1)是上一个状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。到现在为止，我们的系统结果已经更新了，可是，对于X(k|k-1)的covariance还没有更新。我们用P表示covariance：

P(k|k-1)＝A P(k-1|k-1)A′+Q……(2)

③式(2)中，P(k|k-1)是X(k|k-1)对应的covariance，P(k-1|k+1)是X(k-1|k+1)对应的covariance，A′表示A的转置矩阵，Q是系统过程的covariance。式子(1)，(2)就是卡尔曼滤波器5个公式中的前两个，也就是对系统的预测。有了现在状态的预测结果，然后我们在收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优估算值X(k|k)：

X(k|k)＝X(k|k-1)+Kg(k)Z(k)-H K(k|k-1)…………(3)

④其中Kg为卡尔曼增益(Kalman Gain)：Kg(k)＝P(k|k-1)H′/(H P(k|k-1)H′+R)……(4)

⑤到现在为止，我们已经得到了k的状态下最优的估算值X(k|k-1)。但是为了要求卡尔曼滤波器不断地运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的covariance：

P(k|k)＝(a-Kg(k-1)H)P(k|k-1)……(5)

其中a为1的矩阵，对于单模型单测量，a＝1。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。随着时间的增加，k+1时刻的卡尔曼曲线比k时刻更接近实际的风机总有功功率，k+2时刻比k+1时刻更接近实际功率。以此类推，卡尔曼就是通过这种方式，使得其预测值无限接近实际值，从而实现对风力发电预测数据的自动校准。

参见图2、图3和图4，随着时间的增长，卡尔曼预测数据曲线越来越接近实时数据。在实际应用中，我们采集到电站上报的短期内各个时间点所预测的风机总有功数据和电站上报的实时风机总有功数据来计算K时间点的该电站风机总有功的卡尔曼增益，通过这个卡尔曼增益来算出该电站的最优预测功率值，得出K时间点的这个最优预测值之后，在重复前面的操作，把前面的步骤循环一遍，计算下一个时间点的最优预测功率值，就是这样，卡尔曼滤波器不断的把covariance递归，从而估算出最优的预测值，其运行速度很快而且只保留上一时刻的covariance。卡尔曼增益的值具有时变性，在LTI系统(线性时不变系统)中，卡尔曼增益收敛，但不可直接用收敛后的常值，而应用收敛过程中各时间点的值。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (4)

1.基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，其特征在于：包括以下步骤：步骤1：采集S电站风机总有功数据；

步骤2：计算出K时间点该电站风机总有功的卡尔曼增益，用来估算该时间点的最优预测风机总有功功率值；

步骤3：算出K时间点的最优预测功率值；

步骤4：根据卡尔曼滤波器保留上一个时刻的covariance，快速的估算出短期内各个时间点无限接近实际功率的最优功率值。

2.根据权利要求1所述的基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，其特征在于：步骤1所述采集S电站发电功率的风机总有功数据具体实现步骤如下：

步骤1-1：采集S电站上报的短期内各个时间点所预测的风机总有功功率数据；

步骤1-2：采集S电站上报的实时风机总有功功率数据。

3.根据权利要求2所述的基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，其特征在于：步骤2所述卡尔曼增益计算公式为：

其中，G1(MW)为S电站K时刻上报的风机总有功功率数据为P1(MW)时的高斯噪声的偏差，G2(MW)为S电站K时刻系统预测的风机总有功功率数据为P2(MW)时的高斯噪声的偏差。

4.根据权利要求3所述的基于卡尔曼滤波器对于风力发电预测数据的自动校准方法，其特征在于：步骤3所述K时间点的最优预测功率值计算公式如下：P＝P1+Kg*(P2-P1)。