CN111952969A - 结合广义源-网-荷信息的风电爬坡事件直接预报方法 - Google Patents

Abstract

本发明涉及一种风电爬坡事件的预报方法，特别涉及一种结合广义源‑网‑荷信息的风电爬坡事件直接预报方法，具体步骤如下：根据电网中每一个时刻的风力发电机组和其他新能源发电机组与电网负荷的实际情况设定样本点；定义一种通道自选择的多层累加系数修正模型，对模型的参数进行设定；利用设定的样本点与建立的模型对样本进行识别，根据是否为风电爬坡事件将样本进行二分类；使用smote过采样算法对样本进行前处理，利用BP神经网络算法建立数据驱动模型，对风电功率爬坡事件进行预测。电力系统根据本发明的直接预报的结果，采取措施降低甚至避免风电爬坡事件对发电厂带来的危害，保证区域电力系统的安全高效稳定运行。

Description

结合广义源-网-荷信息的风电爬坡事件直接预报方法

技术领域

本发明涉及一种风电爬坡事件的预报方法，特别涉及一种结合广义源-网-荷信息的风电爬坡事件直接预报方法。

发明背景

风电爬坡也称为风电功率爬坡，是指风电厂群输出的有功功率在短时间内发生单向大幅度的变化，此变化易超出电网负荷承载能力，直接导致电力系统发用电不平衡，严重威胁到电力系统的安全稳定运行，甚至造成严重的电力系统停电事故，给社会经济造成很大的损失。对风电爬坡事件进行预测，可以为电网的调度和控制提供数据基础和决策基础，因此对风电爬坡事件的预测十分重要。

目前，风电爬坡事件的研究成果较多，张东英等人对风电爬坡事件的研究现状进行了综述，指出风电爬坡事件直接预测方法直观、准确度高，是目前常用的预测方法。预测的基础是定义，C.Ferreir等人对目前使用较多的四种风电爬坡事件定义方法进行介绍。何成明等人认为定义爬坡事件的主要特征是短期内的风速巨变。匡洪海等人提出了一种基于极值点提取风电爬坡事件识别方法，对数据样本进行压缩。上述研究成果，虽然对风电爬坡事件进行了具体的定义，但仅考虑了风电厂侧输出功率信息。龚裕仲等人结合网频进一步考虑了网测信息，崔明建等人结合负荷侧信息，考虑了风电的正调峰特性。上述研究成果虽然考虑了电网和负荷侧信息，但其他电源出力于风电存在着互补特性，也会对风电爬坡事件产生影响。在风电爬坡事件的直接预测研究中，郑海洋等人基于数据挖掘算法直接预测风电的爬坡率，从不同时间尺度对比了五种算法的预测性能。Hamidreza Zareipou等人将爬坡事件与非爬坡事件进行分类，直接利用支持向量机进行建模预测。然而上述研究成果虽能够对风电爬坡事件进行直接预测，但预测精度较低。王伟等人通过改进算法引入权重参数调整SVM的分类决策函数，提高少类样本的贡献，从而提升了预测精度，但这类方法的普适性较差，只对SVM适用。因此，在现有的风电爬坡事件预测中，还存在着定义中没有考虑风电与其它电源之间的互补特性的问题，直接预测方法没有考虑样本类别不平衡的问题。

实际上，风电爬坡事件的预测应根据电网实际运行需求，充分考虑电网中各类新能源电源及负荷之间的相互关系，从电网整体运行控制的角度对风电爬坡事件进行定义。而在风力发电机组运行过程中，风电爬坡事件是一个小概率事件，在进行直接预测的过程中会出现类不平衡问题，导致预测精度的降低。因此如何从电网整体运行和控制的角度提出一种具有较高预测精度的风电爬坡事件预测方法是一个值得深入研究的问题。

发明内容

为了结合电网实际运行情况，提升风电爬坡事件的预测准确性，本发明提出了一种结合广义源-网-荷信息的风电爬坡事件直接预报方法，该方法的步骤如下：

结合广义源-网-荷信息的风电爬坡事件直接预报方法，包括以下步骤：

步骤一：根据电网中每一个时刻的风力发电机组和其他新能源发电机组与电网负荷的实际情况，设定样本点；

步骤二：定义一种通道自选择的多层累加系数修正模型，根据电网中各发电机组与负荷的实际情况对模型的参数进行设定；

步骤三：利用步骤一中设定的样本点与步骤二中建立的模型对样本进行识别，根据是否为风电爬坡事件将样本进行二分类；

步骤四：使用smote过采样算法，对选取的样本点数据进行前处理，使样本中爬坡事件的占比与非爬坡事件的占比相等；

步骤五：利用BP神经网络数据挖掘算法，基于前处理后的样本点数据建立数据驱动模型，对风电功率爬坡事件进行预测。

进一步的，步骤一中，设P_1X为风力发电机组X时刻的输出功率；P_2X为电网中X时刻的的负荷功率；P_3X为1号其他新能源发电机组X时刻的输出功率；……；P_iX为i-2号其他新能源发电机组X时刻的输出功率，则风力发电机组X时刻的输出功率变化值D_1X、电网中X时刻的负荷功率变化值D_2X、1号其他新能源发电机组X时刻输出功率变化值D_3X、……、i-2号其他新能源发电机组X时刻的输出功率变化值D_iX如公式(1)所示：

其中，i≥3，ΔX为时间间隔。

根据每时刻各发电机组输出功率变化值和负荷侧功率变化值设定样本点M₁,M₂,M₃...,M_X如公式(2)所示：

进一步的，步骤二中，定义一种通道自选择的多层累加系数修正模型，模型包含多个层结构，每层含有2n个通道，每个通道包含着前端通道选择标准与后端修正系数两部分，所述样本点根据每层中的前端通道选择标准穿越各层，并获取穿过通道的后端修正系数进行累加修正，得到最终的修正后的系数。

进一步的，步骤二中，对模型参数进行设定的具体步骤如下：根据电网中描述对象的总数量设定模型层数i，设电网中描述对象总数量为Num，则模型层数i如公式(3)所示：

i＝Num (3)

其中，描述对象为电网中风力发电机组、其他新能源发电机组和负荷；

设定阈值百分比参数Var，根据电网中各个描述对象的装机容量[G₁ G₂ G₃ … G_i]^T设定阈值量[Va1 Va2 Va3 … Vai]^T，如公式(4)所示：

根据电网中各描述对象的实际运行情况设定描述系数[α₁ α₂ α₃ … α_i]^T，如公式(5)所示：

根据各个描述对象的描述系数与装机容量设定层系数[β₁ β₂ β₃ … β_i]^T，如公式(6)所示：

根据各个描述对象的描述系数与装机容量，获取总发电机组装机系数Per如公式(7)所示：

Per＝[α₁ α₂ α₃ … α_i][G₁ G₂ G₃ … G₄]^T (7)

根据模型的精度需求，设定通道宽度S，并根据通道宽度S与得到的阈值量[Va1Va2 Va3 … Vai]^T设定前端通道选择标准；根据电网实际运行情况，设定通道上限为2*G_i、通道下限为-2*G_i，每层含有2n个通道，每个通道设定通道系数为[-n -n+1 … -1 1 … n-1 n]；设通道的后端修正系数为γ，则γ如公式(8)所示：

γ＝[β₁ β₂ β₃ … β_i]^T[-n -n+1 … -1 1 … n-1 n] (8)

进一步的，步骤三中，将步骤一中得到的样本点M₁,M₂,M₃...,M_X输入步骤二建立的模型，样本点在依次经过每一个设定层时，均需要根据前端通道选择标准，选择可以进入的通道穿越该设定层，在经过每个通道的同时，获取该通道的后端修正系数γ，在经过全部层后将得到的最终累加的后端修正系数γ₁+γ₂+γ₃+…+γ_i与爬坡判定标准系数φ进行比较，当样本M_X经过通道自选择的多层累加系数修正模型后得到的最终累加系数的绝对值大于φ时，发生风电爬坡事件；当样本M_X经过通道自选择的多层累加系数修正模型后得到的最终累加的后端修正系数的绝对值小于φ时，不发生风电爬坡事件，将样本根据是否发生风电爬坡事件进行二分类；所述爬坡判定标准系数φ如公式(9)所示：

φ＝1/S*Per (9)

其中，S为步骤二中选定的通道宽度；Per为总发电机组装机系数。

本发明定义一种通道自选择的多层累加系数修正模型，利用该模型从电网中各类新能源发电互补性等角度对风电爬坡事件进行识别，利用smote过采样算法对预测进行优化，实现了对风电爬坡事件的有效识别和预警，其优点在于：

1)定义了一种通道自选择的多层累加系数修正模型，通过对后端修正系数的累加，实现了在考虑风电对电网正调峰特性的同时，还考虑了风电与光伏等其他特性电源的互补特性。

2)通道自选择的多层累加系数修正模型可根据电网实际信息，自适应的修改模型中的层数以及其他参数，利用该模型对风电爬坡事件进行识别，具有较好的普适性。

3)考虑了直接预测建模中样本的类不平衡问题，利用smote过采样算法对直接预测样本进行前处理，提高了直接预测模型的精度。

附图说明

图1为通道自选择的多层累加系数修正模型；

图2为经smote过采样数据前处理后的风电爬坡事件直接预测结果；

图3为未经数据前处理的风电爬坡事件直接预测结果。

具体实施方式

下面结合附图1-3和具体实施方式详细阐述本发明的技术方案。

具体实施方式一：

本实施方式所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法思路如下：首先根据电网中各发电机组与负荷每一时刻的数据设定样本点。然后建立通道自选择的多层累加系数修正模型，利用建立的模型对样本点进行识别，对样本进行二分类。然后，利用smote过采样算法对二分类后的样本进行处理。最后，使用数据挖掘算法建立预测模型，实现对风电爬坡事件的预测。

步骤一：根据电网中每一个时刻的风力发电机组和其他新能源发电机组与电网负荷的实际情况，设定样本点；

步骤二：定义一种通道自选择的多层累加系数修正模型，根据电网中各发电机组与负荷的实际情况对模型的参数进行设定；

步骤三：利用步骤一中获取的样本点与步骤二中建立的模型对样本进行识别，根据是否为风电爬坡事件将样本进行二分类；

步骤四：使用smote过采样的数据前处理方法，对选取样本进行处理，使样本中爬坡事件的占比与非爬坡事件的占比相等；

步骤五：利用BP神经网络数据挖掘算法，基于前处理后的样本点数据建立数据驱动模型，对风电功率爬坡事件进行预测。

具体实施方式二：

本实施方式是对具体实施方式一所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法进一步限定。

对风电爬坡事件进行预测，可以降低电网中有功功率不平衡带来的影响，因此对于风电爬坡事件的定义，应从电网整体运行的角度增加定义的实用性。因此本发明从电网实际运行角度出发，将电网中实际运行的各类发电厂信息与负荷侧信息进行综合考虑。

步骤一：设P_1X为风力发电机组X时刻的输出功率；P_2X为电网中X时刻的的负荷功率；P_3X为1号其他新能源发电机组X时刻的输出功率；……；P_iX为i-2号其他新能源发电机组X时刻的输出功率，则风力发电机组X时刻的输出功率变化值D_1X、电网中X时刻的的负荷功率变化值D_2X、1号其他新能源发电机组X时刻输出功率变化值D_3X、……、i-2号其他新能源发电机组X时刻的输出功率变化值D_iX如公式(1)所示：

其中，i≥3，ΔX为时间间隔；

根据每时刻各发电机组输出功率变化值和负荷侧功率变化值设定样本点M₁,M₂,M₃...,M_X如公式(2)所示：

将电网中风力发电机组、其他新能源发电机组和负荷称为描述对象。可以看出，所获取的每个时刻的样本点，包含着这一时刻电网中全部描述对象的功率变化信息。

具体实施方式三：

本实施方式是对具体实施方式一所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法进一步限定。

定义一种通道自选择的多层累加系数修正模型如图1所示，模型包含多个层结构，每层含有2n个通道，每个通道包含着前端通道选择标准与后端修正系数两部分。样本点根据每层中的前端通道选择标准穿越各层，并获取穿过通道的后端修正系数进行累加修正，得到最终的修正后的系数。

所述步骤二中，根据电网的实际信息对通道自选择的多层累加系数修正模型的参数进行设定：根据电网中描述对象的总数量设定模型层数i，设电网中描述对象总数量为Num，则模型层数i如公式(3)所示：

i＝Num (3)

根据经验值，设定阈值百分比参数Var，根据电网中各个描述对象的装机容量[G₁G₂ G₃ … G_i]^T设定阈值量[Va1 Va2 Va3 … Vai]^T，如公式(4)所示：

根据电网中各描述对象的实际运行情况设定描述系数[α₁ α₂ α₃ … α_i]^T，如公式(5)所示：

根据各个描述对象的描述系数与装机容量设定层系数[β₁ β₂ β₃ … β_i]^T，如公式(6)所示：

根据各个描述对象的描述系数与装机容量，获取总发电机组装机系数Per如公式(7)所示：

Per＝[α₁ α₂ α₃ … α_i][G₁ G₂ G₃ … G₄]^T (7)

根据模型的精度需求，设定通道宽度S，并根据通道宽度S与得到的阈值量[Va1Va2 Va3 … Vai]^T设定前端通道选择标准；根据电网实际运行情况，设定通道上限为2*G_i、通道下限为-2*G_i，每层含有2n个通道，每个通道设定通道系数为[-n -n+1 … -1 1 … n-1 n]；设通道的后端修正系数为γ，则γ如公式(8)所示：

γ＝[β₁ β₂ β₃ … β_i]^T[-n -n+1 … -1 1 … n-1 n] (8)

最终建立通道自选择的多层累加系数修正模型，如图1所示。

该模型中的后端修正系数包含通道系数与层系数两部分，通道系数的获取与样本点中各描述对象设定的阈值和实际功率变化值相关；层系数的获取与电网中各个描述对象的性质相关，因此使用该模型对风电爬坡事件进行识别，不仅考虑了电网中各个描述对象的性质，还能够考虑每一时刻各个描述对象的互相之间的影响。该模型所设定的层数可根据电网中实际描述对象的数量与性质进行自适应的调节，因此该模型能够对不同地区电网的风电爬坡事件进行识别，普适性较强。

具体实施方式四：

本实施方式是对具体实施方式二或具体实施方式三所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法进一步限定。

步骤三：得到通道自选择的多层累加系数修正模型后，将步骤一中得到的样本点M₁,M₂,M₃...,M_X输入步骤二中建立的模型，样本点在依次经过每一个设定层时，均需要根据前端通道选择标准，选择可以进入的通道穿越该设定层，在经过每个通道的同时，获取该通道的后端修正系数γ，然后将所有通道的后端修正系数进行累加，在经过全部层后将得到的最终累加系数γ₁+γ₂+γ₃+…+γ_i与爬坡判定标准系数φ进行比较，识别电网中的风电爬坡时间事件。

在电网运行过程中，不同数量的发电厂接入电网时，电网中的总装机容量不同，发生爬坡事件所的阈值也不同。因此爬坡判定标准系数φ如公式(9)所示：

φ＝1/S*Per (9)

其中，S为步骤二中选定的通道宽度；Per为总发电机组装机系数。

当样本M_X经过通道自选择的多层累加系数修正模型后得到的最终累加系数的绝对值大于φ时，电网中各描述对象的总功率变化值增大，发生风电爬坡事件；当样本M_X经过通道自选择的多层累加系数修正模型后得到的最终累加系数的绝对值小于φ时，电网中各描述对象的总功率变化值较小，不发生风电爬坡事件。将样本根据是否发生风电爬坡事件进行二分类。

具体实施方式五：

本实施方式是对具体实施方式一所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法进一步限定。

由于风电爬坡事件是小概率事件，因此步骤三得到的设定标签后的样本中，发生爬坡事件的样本点占比过少，会影响直接预测过程中的模型的建立。本发明使用smote过采样算法对样本进行预测前处理。smote过采样即合成少数类过采样技术，它是基于随机过采样算法的一种改进方案，由于随机过采样采取简单复制样本的策略来增加少数类样本，这样容易产生模型过拟合的问题，即使得模型学习到的信息过于特别而不够泛化，smote过采样算法的基本思想是合成少数类样本，算法流程如下：

(1)对于少数类中每一个样本X_i，以欧氏距离为标准计算它到少数类样本集S_min中所有样本的距离，得到其K近邻；

(2)根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本X_i，从其K近邻中随机选择若干个样本；

(3)对于每一个随机选出的近邻，选择一个在[0,1]之间的随机数乘以随机近邻X_i和的特征向量的差，然后加上一个X_i，得到新的样本X_inew:

smote过采样算法摒弃了随机过采样复制样本的做法，可以防止随机过采样易过拟合的问题，这将极大提高动态模型预测的准确率。

步骤三：使用smote过采样方法对步骤二中得到的分类后的样本进行处理，使样本中风电爬坡事件与非爬坡时间的样本占比相同。

具体实施方式六：

本实施方式是对具体实施方式一所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法进一步限定。

使用BP神经网络建立预测模型，选取前1800个数据作为训练集，后100个数据作为测试集，对风电爬坡事件进行直接预测，得到的预测结果如图2所示。

可以看出，使用BP神经网络建立预测模型，经smote过采样数据前处理后的风电爬坡事件直接预测结果(如图2所示)的准确性明显高于未经数据前处理的风电爬坡事件直接预测结果(如图3所示)的准确性。证明了融合smote过采样的风电爬坡事件直接预测方法的有效性和普适性。

电力系统可以根据结合广义源-网-荷信息的风电爬坡事件直接预报的结果，采取措施降低甚至避免风电爬坡事件对发电厂带来的危害，保证区域电力系统的安全高效稳定运行。

上述具体实施方式只是对本发明的示例性说明而并不限定它的保护范围，本领域人员还可以对其进行局部改变，只要没有超出本发明的精神实质，都视为对本发明的等同替换，都在本发明的保护范围之中。

Claims (5)

1.结合广义源-网-荷信息的风电爬坡事件直接预报方法，其特征在于，包括以下步骤：

步骤一：根据电网中每一个时刻的风力发电机组和其他新能源发电机组与电网负荷的实际情况，设定样本点；

步骤二：定义一种通道自选择的多层累加系数修正模型，根据电网中各发电机组与负荷的实际情况对模型的参数进行设定；

步骤三：利用步骤一中设定的样本点与步骤二中建立的模型对样本进行识别，根据是否为风电爬坡事件将样本进行二分类；

步骤四：使用smote过采样算法，对选取的样本点数据进行前处理，使样本中爬坡事件的占比与非爬坡事件的占比相等；

步骤五：利用BP神经网络数据挖掘算法，基于前处理后的样本点数据建立数据驱动模型，对风电功率爬坡事件进行预测。

2.根据权利要求1所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法，其特征在于：步骤一中，设P_1X为风力发电机组X时刻的输出功率；P_2X为电网中X时刻的的负荷功率；P_3X为1号其他新能源发电机组X时刻的输出功率；……；P_iX为i-2号其他新能源发电机组X时刻的输出功率，则风力发电机组X时刻的输出功率变化值D_1X、电网中X时刻的负荷功率变化值D_2X、1号其他新能源发电机组X时刻输出功率变化值D_3X、……、i-2号其他新能源发电机组X时刻的输出功率变化值D_iX如公式(1)所示：

其中，i≥3，ΔX为时间间隔；

根据每时刻各发电机组输出功率变化值和负荷侧功率变化值设定样本点M₁,M₂,M₃...,M_X如公式(2)所示：

3.根据权利要求1所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法，其特征在于：步骤二中，定义一种通道自选择的多层累加系数修正模型，模型包含多个层结构，每层含有2n个通道，每个通道包含着前端通道选择标准与后端修正系数两部分，所述样本点根据每层中的前端通道选择标准穿越各层，并获取穿过通道的后端修正系数进行累加修正，得到最终的修正后的系数。

4.根据权利要求1所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法，其特征在于：步骤二中，对模型参数进行设定的具体步骤如下：根据电网中描述对象的总数量设定模型层数i，设电网中描述对象总数量为Num，则模型层数i如公式(3)所示：

i＝Num (3)

其中，描述对象为电网中风力发电机组、其他新能源发电机组和负荷；

设定阈值百分比参数Var，根据电网中各个描述对象的装机容量[G₁ G₂ G₃ … G_i]^T设定阈值量[Va1 Va2 Va3 … Vai]^T如公式(4)所示：

根据电网中各描述对象的实际运行情况设定描述系数[α₁ α₂ α₃ … α_i]^T，如公式(5)所示：

根据各个描述对象的描述系数与装机容量设定层系数[β₁ β₂ β₃ … β_i]^T，如公式(6)所示：

根据各个描述对象的描述系数与装机容量，获取总发电机组装机系数Per如公式(7)所示：

Per＝[α₁ α₂ α₃ … α_i][G₁ G₂ G₃ … G₄]^T (7)

根据模型的精度需求，设定通道宽度S，并根据通道宽度S与得到的阈值量[Va1 Va2Va3 … Vai]^T设定前端通道选择标准；根据电网实际运行情况，设定通道上限为2*G_i、通道下限为-2*G_i，每层含有2n个通道，每个通道设定通道系数为[-n -n+1 … -1 1 … n-1n]；设通道的后端修正系数为γ，则γ如公式(8)所示：

γ＝[β₁ β₂β₃ … β_i]^T[-n -n+1 … -1 1 … n-1 n] (8)。

5.根据权利要求2或3所述的结合广义源-网-荷信息的风电爬坡事件直接预报方法，其特征在于：步骤三中，将步骤一中得到的样本点M₁,M₂,M₃...,M_X输入步骤二建立的模型，样本点在依次经过每一个设定层时，均需要根据前端通道选择标准，选择可以进入的通道穿越该设定层，在经过每个通道的同时，获取该通道的后端修正系数γ，在经过全部层后将得到的最终累加的后端修正系数γ₁+γ₂+γ₃+…+γ_i与爬坡判定标准系数φ进行比较，当样本M_X经过通道自选择的多层累加系数修正模型后得到的最终累加系数的绝对值大于φ时，发生风电爬坡事件；当样本M_X经过通道自选择的多层累加系数修正模型后得到的最终累加的后端修正系数的绝对值小于φ时，不发生风电爬坡事件，将样本根据是否发生风电爬坡事件进行二分类；所述爬坡判定标准系数φ如公式(9)所示：

φ＝1/S*Per (9)

其中，S为步骤二中选定的通道宽度；Per为总发电机组装机系数。

Images