CN111525552A - 一种基于特征信息的三阶段短期风电场群功率预测方法 - Google Patents

Abstract

本发明涉及一种基于特征信息的三阶段短期风电场群功率预测方法。包括：特征点识别和预测，根据历史数据寻求能反映区域风电功率变化趋势的特征点，采用Elman神经网络预测模型，以各子区域的气象数据和区域历史风电功率数据作为模型的输入，以特征点风电场群功率作为输出对特征点功率进行预测；采用模糊匹配法生成风电功率曲线，根据上阶段预测得到的最优特征点，寻求历史上相似度最高的功率曲线为基准风电功率曲线，并把该曲线上的各点同倍比放大或缩小，得风电场群功率曲线；采用非参数回归技术，根据实际与预测风电功率偏差，建立误差分布函数，计算给定置信水平下的风电功率置信区间，得到风电场群功率区间预测范围。

Description

一种基于特征信息的三阶段短期风电场群功率预测方法

技术领域

本发明属于区域风电功率预测领域，涉及一种基于特征信息的三阶段短期风电场群功率预测方法。

技术背景

随着可再生能源的大力发展，我国风电由小规模、补充性能源逐步转变成大规模重要电源。然而风电具有随机性、波动性等特点，大规模风电并网后给供电安全、备用安排、调峰调频等带来了一系列问题，风电功率的准确预测对提高电力系统的经济性与稳定性具有重要意义。

短期风电功率预测一般指对未来6-48h的风电功率进行预测，是日计划安排与电力交易的基础，也是研究热点，本专利主要研究未来24h的短期风电功率预测。短期风功率预测根据预测对象分为单风电场功率预测与风电场群功率预测。目前大多研究是针对单风电场功率进行预测，然而我国大部分风电都是集中并网，调度人员更加关注风电场群总功率的不确定性，因此随着风电的迅速投产，单风电场功率预测已无法满足实际调度需求。本发明成果依托于国家自然科学基金(51979023)和辽宁省自然科学基金项目(20180550354)，以风电场集群为研究对象，提出一种基于特征信息的三阶段短期风电场群功率预测方法，该方法与我国目前常用的累加法与统计升尺度法相比，能有效选择预测时间步长，可显著提高区域风电场群功率预测精度。同时可根据给定的置信水平计算出相应的风电功率置信区间，对解决预测区域风电场并网风险与效益、电网安全、备用容量安排等具有较高的参考价值。本发明成果立足电网运行需求，为缓解风电政策性并网带来的调峰调压提供了一种有效的技术手段，具有很强实用性和广泛推广价值。

发明内容

本发明是一种基于特征信息的三阶段短期风电场群功率预测方法，特点是能够对风电场集群进行建模，避免了后期累积误差，该方法可在提高预测精度的基础上对不同置信水平风电功率概率分布区间进行计算。

本发明的技术方案为：

一种基于特征信息的三阶段短期风电场群功率预测方法，包括三个阶段(如图8所示)。阶段一特征点识别和预测，根据历史数据寻求能反映风电功率变化趋势的特征点，建立Elman神经网络预测模型对特征点功率进行预测。阶段二模糊匹配法风电功率曲线生成，根据上阶段预测的特征点，寻求历史上相似度最大的风电功率曲线，并把该曲线上的各点同倍比放大或缩小，得到预测风电功率曲线。阶段三根据经验误差与非参数回归法建立误差分布函数，计算给定置信水平下的风电功率预测区间。各阶段的求解步骤如下：

阶段1、特征点识别和预测

(a)特征点识别：

特征点选取的好坏直接影响生成的风电功率曲线的质量，采用启发式算法寻求最优特征点，具体流程参考图(1)，步骤如下：

1)假设初始气象预报数据的时间分辨率为δ_i＝c，特征点的时间分辨率为μ_i(i＝1)，历史风电功率数据的时间分辨率为η。

2)对历史风电功率数据的时间分辨率进行转化，使得其时间分辨率与气象预报数据的时间分辨率δ_i保持一致。

3)以步骤2)的历史风电功率数据与气象预报数据作为预测模型的输入，对所有风电场功率进行预测，累加得风电场群功率，并采用模糊匹配法生成风电功率曲线，假设生成的风电功率曲线为

4)将步骤2)的气象预报数据与历史风电功率数据的时间分辨率设置为δ_i+1＝δ_i+c并以步骤3)相同的方法生成风电功率曲线

并更新特征点的时间分辨率μ_i。

5)比较

与实际风电功率曲线的平均百分误差、均方根误差、平均绝对误差的差值，是否小于给定误差ε；若小于ε，继续执行步骤4)直到大于给定误差ε为止，得到最优特征点时间分辨率μ；若大于ε则步骤4)中δ_i为最优特征点时间分辨率。

(b)特征点预测：

随着计算机技术的发展，神经网络表现出越来越强的自适应性和学习能力，在风电功率预测中得到了广泛应用。选取动态Elman神经网络(Elman Neural Network、Elman)模型作为基础预测工具，避免了传统静态神经网络容易陷入局部最优的缺点。

短期风电功率大小与空气密度、湿度、风速等气象因素相关，其中风速数据对风电功率影响最大，同时风电功率在日间存在一定的相似性，若能根据历史运行数据与气象因素特征加以分类，再进行预测，在一定程度上可增强模型的泛化能力，提高模型预测精度。

假设共有k个特征量影响预测日风电功率，并把

记为d日的特征向量，为了描述任意两日特征向量的相似程度，引入“相似度”的概念。设有a、b两天，则这两天的相似度可表示为：

式中：λ_l表示特征量l的权重；x_al、

与

分别表示a天第l个特征量的值、最小值、最大值；x_bl、

与

分别表示b天第l个特征量的值、最小值、最大值。

若R_ab≥80％则认为a,b两天为一类；否则认为a,b不是一类，再分别以a,b两日特征量为中心对所有数据进行分类。再根据不同的类别分别建立神经网络对区域内所有风电场功率进行预测，以风速预报数据与历史风电功率数据作为模型输入，为了避免日装机容量差异过大而造成的预测误差以风电装机瞬时利用率γ作为输出层输出。风电场群功率特征点功率可按式(2)计算。

P_td＝γ_tdN_zd (2)

式中，N_zd表示d日风电装机容量；P_td表示d日t时刻风电场群特征点功率。

阶段2、模糊匹配法生成风电功率曲线

在实际中，生成风电功率曲线一般采用线性插值法，由于风电功率的波动性，实际风电功率在较长的时间内并不是线性变化，导致生成的风电功率曲线效果较差。由于风电功率曲线在日间存在一定的相似性，调度人员制作功率曲线时，一般会参考历史功率曲线。结合历史数据采用模糊匹配法生成风电功率曲线，可分为以下几步：

1)由于历史实际风电功率时间分辨率与间隔为μ小时特征点的风电功率时间分辨率不同，对历史实际风功率进行处理使其时间分辨率与预测的特征点风电功率时间分辨率一致。

2)相似度R_d与缩放倍比τ的计算。假设预测风电功率为P＝[p_1μ,p_2μ,...,p_nμ]，历史实际风电功率

二者的相似度R_d可按式(11)计算：

式中：μ为特征点时间间隔，n为特征点数。

假设R_max对应时段功率为

缩放倍比τ按式(4)计算：

3)将V_d还原为原时间尺度，并记为

4)按照式(5)计算，即可得风电场群预测功率曲线P^*。

阶段3、非参数回归进行风电功率区间预测

区间预测是反映预测值与实际值存在偏差的常用方法之一。为了合理安排电网旋转备用容量，减少发电成本，很有必要对风电功率预测的不确定性进行描述，辅助电网运行与决策。

步骤1：计算预测与实际风电功率误差，风电功率的预测偏差可表示为风电功率实际值与预测值之间的偏差，即：

其中e_t表示t时刻风电功率预测偏差，

表示t时刻风电功率的实际值，

表示t时刻风电功率的预测值。

步骤2：采用经验法求误差分布函数。设Ω_t(j)的分布函数为F_t ^*(ξ)，表示时刻t与t+n之间的n+1个预测误差值的集合。并假设集合中各误差出现的概率相等，可得误差分布函数：

Ω_t(j)＝{e_i|i＝t,t+α,...,t+nα} (12)

其中N表示集合Ω_t(j)中的所有元素个数；；ξ为给定误差水平；e_i为从小到大排序后预测偏差值；count表示e_i≤ξ的个数；count表示e_i≤ξ的个数。其中t表示误差的起始时间，α表示误差的时间间隔。

步骤3：给定误差水平，根据误差分布函数求得相应误差水平下的风电功率预测区间。假设误差为α对应的一个1-α的概率预测区间为：

其中

为F_t ^*(ξ)的反函数。

本发明的有益效果：本发明可以对研究区域未来24h风电功率区间进行预测，根据气象资料与历史出力数据对风电功率曲线特征点进行识别与预测，充分挖掘气象信息，提高了风电场群功率预测精度；同时在给定置信水平的条件下，能对风电场群功率置信区间进行预测。本发明考虑了不同预测时间步长对风电场群功率预测结果的影响，并选取了最优预测时间步长下风电场群功率预测结果与统计升尺度法和累加法预测得到的结果对比精度更高。同时为更好的辅助电力系统优化调度，该方法还能对风电场群出力置信区间进行预测。

附图说明

图1为特征点识别流程图；

图2为不同预测网络风电功率预测值与实际值对比图；

图3为所提模型与累加法、统计升尺度法风电功率预测对比图；

图4为风电功率预测曲线生成过程示意图；

图5(a)、图5(b)和图5(c)为预测曲线与实际曲线对比图，其中，图5(a)为A₁时段风电功率，图5(b)为A₂时段风电功率，图5(c)为A₃时段风电功率；

图6为功率预测经验误差概率概率密度函数示意图；

图7(a)～图7(f)为风电功率预测区间示意图；其中，图7(a)和图7(b)分别为置信水平70％和90％的时段A₁；图7(c)和图7(d)分别为置信水平70％和90％的时段A₂；图7(e)和图7(f)分别为置信水平70％和90％的时段A₃；

图8为本发明预测方法的总体求解框架图。

具体实施方式

以我国广西省风电功率预测(下文称该省)为例，该省电源结构以水电、火电与风电为主。其中风电场并网个数为29(17个风电场具有短期预报功能)，累计装机容量为2076MW，由于风电的波动性与随机性，大规模风电并网后对该省水火电调度产生巨大影响，目前该省风电功率预测采用累加法，预测结果偏差较大。当风电功率预测偏差较大时，为了保证电网平衡，需要安排更大的调峰、调压以及备用容量，加剧了调度成本，严重时可造成脱网、瞬时供电中断等事故发生。因此准确的风电功率预测对节能减排、电网供需平衡、电能电质影响巨大。下面采用本发明方法该省风电功率进行预测，并结合预测结果进行了分析。

以2019年2月到3月实际日运行数据与预测得到的风电功率数据，按2.2.1节所提方法对特征点个数进行选择，分别选取n＝24,12,8,6,4,2对应的μ＝1,2,3,4,6,12，采用模糊匹配法生成96点功率曲线与实际功率曲线对比，对比结果如表1所示。

表1特征点选取对预测结果分析

当n≥8时，采用模糊匹配法生成的风电功率曲线，NRMSE与MAE不再随n的增加而增加，因此n选取8时，即时间步长为3h，使用本专利提出的方法能在保证预测精度的前提下，减少对高分辨率气象数据的依赖。

采用Elman神经网络对特征点风电功率进行预测。首先对2017年1月到2019年3月的历史风电出力数据进行自相关系数分析，发现其滞后两阶的历史实际风电功率数据与预测风电功率数据自相关系数为0.82％，因此以风速预测值和滞后两阶的风电功率数据作为Elman神经网络模型输入。训练集选取2017年1月到2018年9月实际风电功率数据，验证集选取2018年10月到2018年12月实际风电功率数据，测试集选取2019年1月到3月风电功率数据。取测试集中2-3月份的部分数据，进行验证，风速与风电功率在该时段波动较大，更能反映预测效果。图2显示了Elman神经网络与常用的模糊径向基神经网络(Fuzzified RadialBasis Function Network、FRB)和BP神经网络(Back Propagation、BP)的预测效果。表2显示了不同网络预测值与实际值的偏差。

表2不同神经网络下风电功率预测值与实际值对比

从图2可以直观的看出，Elman神经网络预测结果更加接近真实值，这是由于其关联内部关联层反馈连接使得输入的历史数据动态递归，网络的泛化能力得到增强。采用Elman神经网络预测的风电功率MAPE为11.62％，低于BP的14.03％，FRB的12.71％。预测精度指标远超行业标准要求。采用Elman神经网络预测的最大值偏差小于BP与FRB，最小值偏差结果相差不大，说明Elman神经网络预测误差区间较小，更能反映实际风电变化趋势。

其次为了验证考虑特征点的风电场群功率预测模型的有效性，仍然采用2-3月份的数据。使用累加法、统计升尺度法与所提的方法所得的部分结果如图3。风电变化趋势比较平坦时，采用累加法、统计升尺度法与特征点预测模型均能反映风电功率的变化趋势，精度相对较高。当风电功率出现陡涨陡落点时，采用提出的模型仍能较好的跟踪实际风电功率曲线的波动，结果优于统计升尺度法和传统累加法。这是由于使用统计升尺度法，选取的基准风电场的个数为7个，不足以反映风电功率曲线陡涨陡落区域风电功率变化趋势。累加法是将可预测的17个风电场的风电功率进行累加，并将累加后的结果线性放大得风电场群功率，效果最差。提出的方法能对所有的风电场特征点功率进行预测，叠加得到总的风电功率，预测效果最好。

风功率曲线生成：风电功率曲线生成所选取的资料为2017年1月到2019年1月每15min实测风电功率，2019年2月每隔3h预测风电功率数据。为了验证生成的风电功率曲线具有代表性，根据该省2-3月份风电出力实际情况，选取2019年2月8日记为A₁(P_h＝10％)、2019年2月14日记为A₂(P_h＝50％)、2019年2月19日记为A₃(P_h＝90％)，3个时段进行计算分析。P_h表示频率，可按式14计算。

其中：x为预测时段的风力发电量，x_h为预测时段风电量从大到小排序后处于位置h的风电量，N^*表示参与频率计算总的时段个数。

风电功率曲线生成计算步骤可分为以下几步:

1)对2018年1月1日到2019年3月1日每15min实测风电功率时间尺度处理，使其时间尺度与预测特征点的风电功率时间尺度保持一致，此时时间尺度μ＝3h。

2)相似度R_k与倍比τ计算，计算结果如表3所示。

表3相似度R_k与倍比τ

3)将历史风电功率还原为原时间尺度。以时段A₁为例，其风电功率最相似时段为2019年1月20日，并将时间尺度还原为15min，还原后的风电功率曲线如图4实线所示。

4)将1月20日的风电功率曲线同倍比缩小τ，得风电功率预测曲线，计算结果如图4虚线所示。

将该方法所得预测风功率曲线与累加法求得的功率曲线对比，结果见图5(a)、图5(b)和图5(c)与表4：

表4 A₁、A₂、A₃时段NRMSE与MAE

对时段A₁、A₂、A₃分析，可以看出，采用所提方法预测得到的风电功率明显优于累加法，预测曲线更加接近真实值。其原因是该省风电厂分布比较分散，小型风电场其发电计划不能及时上报，或部分电站由于气象预报等原因导致预测误差较大。采用所提方法充分利用历史资料与气象预报资料，对所有风电场群功率进行预测，预测精度相对较高。

为了验证模糊匹配法生成的风电功率曲线优于线性插值法，选取n＝8，将模糊匹配法生成的风电功率曲线与插值法生成的风电功率曲线对比结果如表5所示。

表5模糊匹配法与线性插值法所得功率曲线对比

采用模糊匹配法生成的预测风电功率曲线比线性插值法生成的风电功率曲线NRMSE减小1.32％，MAE减少1.04％，MAPE减少0.9％。模糊匹配法生成的风电功率曲线，充分利用历史数据，更能准确的跟踪实际风电功率曲线，提高了预测的准确性。

风电功率区间预测结果：以功率预测值作为预测误差的主要影响因素，将该省风电功率按预测值等分为14个功率等级，分别建立误差分布函数。图6中直方图为2018年1月到2019年2月所有处于等级8的风电功率预测值对应的功率预测经验误差概率分布图。折线图为采用非参数回归技术拟合得到的预测误差经验概率密度函数。A₁、A₂、A₃的风电功率置信区间进行计算，计算结果如图7(a)～图7(f)所示。采用经验分布函数和非参数回归技术建立的风电功率预测区间反映了其对实际风电功率的覆盖范围，70％的置信水平就已经大致能覆盖实际风电功率，表明非参数法对风电场群功率区间预测具有较好的适用性。在实际中置信水平选取80％，置信水平过大，其它能源如火电、水电等参与深度调峰的备用容量也就越大，从而加剧了调峰成本使得预测结果失去参考价值。若置信水平过小难以包含较大的风电功率预测误差，从而导致弃风。

Claims (1)

1.一种基于特征信息的三阶段短期风电场群功率预测方法，其特征在于，包括以下步骤：

阶段1、特征点识别和预测

(a)特征点识别：

采用启发式算法寻求最优特征点，步骤如下：

1)假设初始气象预报数据的时间分辨率为δ_i＝c，特征点的时间分辨率为μ_i，i＝1，历史风电功率数据的时间分辨率为η；

2)对历史风电功率数据的时间分辨率进行转化，使得其时间分辨率与气象预报数据的时间分辨率δ_i保持一致；

3)以步骤2)的历史风电功率数据与气象预报数据作为预测模型的输入，对所有风电场功率进行预测，累加得风电场群功率，并采用模糊匹配法生成风电功率曲线，假设生成的风电功率曲线为

4)将步骤2)的气象预报数据与历史风电功率数据的时间分辨率设置为δ_i+1＝δ_i+c并以步骤3)相同的方法生成风电功率曲线

并更新特征点的时间分辨率μ_i；

5)比较

与实际风电功率曲线的平均百分误差、均方根误差、平均绝对误差的差值，是否小于给定的误差ε；若小于ε，继续执行步骤4)直到大于给定误差ε为止，得到最优特征点时间分辨率μ；若大于ε则步骤4)中δ_i为最优特征点时间分辨率；

(b)特征点预测：

选取动态Elman神经网络模型作为预测工具；假设共有k个特征量影响预测日风电功率，并把

记为d日的特征向量，设有a、b两天，则这两天的相似度表示为：

式中：λ_l表示特征量l的权重；x_al、

与

分别表示a天第l个特征量的值、最小值、最大值；x_bl、

与

分别表示b天第l个特征量的值、最小值、最大值；

若R_ab≥80％则认为a,b两天为一类；否则认为a,b不是一类，再分别以a,b两日特征量为中心对所有数据进行分类；再根据不同的类别分别建立神经网络对区域内所有风电场功率进行预测，以风速预报数据与历史风电功率数据作为模型输入，以风电装机瞬时利用率γ作为输出层输出；风电场群功率特征点功率按式(2)计算：

P_td＝γ_tdN_zd (2)

式中，N_zd表示d日风电装机容量；P_td表示d日t时刻风电场群特征点功率；

阶段2、模糊匹配法生成风电功率曲线

结合历史数据采用模糊匹配法生成风电功率曲线，分为以下几步：

1)由于历史实际风电功率时间分辨率与间隔为μ小时特征点的风电功率时间分辨率不同，对历史实际风功率进行处理使其时间分辨率与预测的特征点风电功率时间分辨率一致；

2)相似度R_d与缩放倍比τ的计算：假设预测风电功率为P＝[p_1μ,p_2μ,...,p_nμ]，历史实际风电功率

二者相似度R_d按式(11)计算：

式中：μ为特征点时间间隔，n为特征点数；

假设R_max对应时段功率为

缩放倍比τ按式(4)计算：

3)将V_d还原为原时间尺度，并记为

4)按照式(5)计算，即得风电场群预测功率曲线P^*：

阶段3、非参数回归进行风电功率区间预测

步骤1：计算预测与实际风电功率误差,风电功率的预测偏差表示为风电功率实际值与预测值之间的偏差，即：

其中e_t表示t时刻风电功率预测偏差，

表示t时刻风电功率的实际值，

表示t时刻风电功率的预测值；

步骤2：采用经验法求误差分布函数：设Ω_t(j)的分布函数为F_t ^*(ξ)，表示时刻t与t+n之间的n+1个预测误差值的集合；并假设集合中各误差出现的概率相等，得误差分布函数：

Ω_t(j)＝{e_i|i＝t,t+α,...,t+nα} (12)

其中N表示集合Ω_t(j)中的所有元素个数；ξ为给定误差水平；e_i为从小到大排序后预测偏差值；count表示e_i≤ξ的个数；其中t表示误差的起始时间，α表示误差的时间间隔；

步骤3：给定误差水平，根据误差分布函数求得相应误差水平下的风电功率预测区间；假设误差为α对应的一个1-α的概率预测区间为：

其中

为F_t ^*(ξ)的反函数。

Images