CN111985712A - 一种多步风速组合预测模型建立方法 - Google Patents

Abstract

本发明公开了一种多步风速组合预测模型建立方法，包括以下步骤：对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于设定阈值的气象属性因素作为预测模型的实际输入数据集；基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果；采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果。本发明提供的多步风速组合预测模型建立方法，具备更高的泛化性、鲁棒性和预测精度，有利于提高含可再生能源并网的电网调度经济性和风电场的运行安全性。

Description

一种多步风速组合预测模型建立方法

技术领域

本发明涉及风电场风速预测技术领域，特别是涉及一种多步风速组合预测模型建立方法。

背景技术

随着能源结构低碳式发展，以风电为代表的可再生能源电网渗透率逐年攀升。随着以风力发电为代表的可再生能源大规模并网，电网调度经济性逐渐提高，但风速具有波动性、间接性及低能量密度等特点，严重降低电力系统运行的可靠性。因此，为了更好地利用风力发电，同时兼顾电力系统稳定性，需要对风速进行精准短期预测。但是应建立怎样的预测模型，如何选取模型输入变量，如何对模型进行优化以提高预测精度和泛化能力，尚没有明确的定义。

发明内容

本发明的目的是提供一种多步风速组合预测模型建立方法，具备更高的泛化性、鲁棒性和预测精度，有利于提高含可再生能源并网的电网调度经济性和风电场的运行安全性。

为实现上述目的，本发明提供了如下方案：

一种多步风速组合预测模型建立方法，该方法包括以下步骤：

S1，对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于设定阈值的气象属性因素作为预测模型的实际输入数据集；

S2，基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果；

S3，基于步骤S2的初次预测结果，采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果。

可选的，所述步骤S1中，对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于预设阈值的气象属性因素作为预测模型的实际输入数据集，具体包括：

S101，以风速为参考数据列，以风速相关气象属性因素为对比数据列，所述风速相关气象属性因素包括风向、风电功率、温度、大气压强、空气密度，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度；

S102，设定阈值，选取关联度大于设定阈值的气象属性因素作为特征变量，并作为预测模型输入变量，由此完成特征变量的筛选，得到预测模型的实际输入数据集。

可选的，所述步骤S101中，以风速为参考数据列，以风速相关气象属性因素为对比数据列，所述风速相关气象属性因素包括风向、风电功率、温度、大气压强、空气密度，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度，具体包括：

1)对各变量时间序列做归一化处理，以n个气象属性因素序列中的第k个为比较序列S^k(t)，风电功率序列为参考序列S⁰(t)，求取两者差计作绝对值序列Δ^k(t)，如式(1)所示，其中k∈(1,n)，

Δ^k(t)＝|S^k(t)-S⁰(t)| (1)

2)计算关联系数η^k(t)：

式中：Min(·)、Max(·)表示求取序列的最小、最大值，ρ为分辨系数；

3)求解关联度γ^k：

式中：T_n为序列长度。

可选的，所述步骤S2中，基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果，具体包括：

S201，引入正则化极限学习机算法：

1)确立目标函数

式中：η为正则化系数，||ξ²||为经验风险，||β²||为结构风险，ξ为训练集误差之和，H为隐含层输出矩阵，T为输出集；

2)构建拉格朗日方程

式中：α为拉格朗日乘子；

3)计算输出权值矩阵

式中：I为单位矩阵；

4)由此得基于ELM的风速预测数学模型：

式中：G为激活函数；

为输出权值矩阵；ω_i为输入权值矩阵；b_i为第i个隐含层神经元的偏置；L为隐含层神经元个数；x为输入气象变量矩阵；y为待预测的风速值。

S202，采用杜鹃优化算法对ELM的输入-隐含层间权值和偏置进行优选：

1)种群初始化，设种群中鸟巢数为N_q，待优选种群数目W；

2)通过Levy飞行产生新解，每个鸟巢的新解可使用下式进行计算：

式中：X_besti为个体最优解，Q_best为种群最优解，λ>0为迭代步长，l₁为0～1之间均匀分布的随机数，变量v定义为l_x/l_y,l_x、l_y是呈正态分布的随机数，σ_x(δ)和σ_y(δ)为其标准偏差；

3)发现异卵，随机化鸟巢，设母代在巢中发现异卵的概率为P_a，发现异卵的同时即会产生新解如下：

式中：l₂为0～1之间均匀分布的随机数，变量l_p1和l_p2是鸟巢最优解为Y_besti时的随机扰动，参数R由公式(13)决定，如下：

4)当达到最大迭代次数时，算法结束。

可选的，所述步骤S3中，基于步骤S2的初次预测结果，采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果，具体包括：

求解历史预测误差与实际输入数据集之间的函数关系来修正组合预测模型：

Y＝y(x₁,…x_n)+f(x₁,…x_n) (14)

其中，f(·)为经过最小二乘拟合的误差线性校验函数：

ε＝f(x₁,…x_n) (15)

式中：ε为模型预测的历史预测误差；y(·)为模型表达式；Y为最后的预测结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的多步风速组合预测模型建立方法，通过灰色关联分析进行特征变量筛选，在预测模型中引入正则化系数，提高模型预测精度，利用杜鹃优化算法精度高、收敛快等优点，优选输入-隐含层间权值和偏置，避免参数选择的随机性，以达到更理想的预测效果，本发明利用多次单步预测的绝对平均误差作为杜鹃优化算法的适应度函数，对整个预测模型的参数优化训练，形成完整的多步风速预测组合模型，从而得到多步初次预测结果；本发明选取误差相关线性分析法来缩小误差，通过求解历史预测误差与实际输入数据集之间的函数关系来修正组合预测模型，从而进一步提高模型预测精度，得到最终的预测结果，具有较高预测精度和泛化能力，解决了由于风速波动性、间接性及低能量密度等特点导致的电力系统运行可靠性降低问题，可显著提高含可再生能源并网的电网调度经济性和风电场的运行安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例原始风速序列图；

图2为本发明实施例多步风速组合预测模型建立方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种多步风速组合预测模型建立方法，具备更高的泛化性、鲁棒性和预测精度，有利于提高含可再生能源并网的电网调度经济性和风电场的运行安全性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例所有数据均由我国东北某风电场2019年SCADA系统实测。数据采样间隔为15min，取7月1日至7月20日的样本组成训练集，7月21-25日数据为测试集，26-30日为检验集。其中：输入气象变量包括风电场采集点风向、温度、湿度、气压、风电功率，输出变量为风速。

图1为本发明实施例原始风速数据图，从图1中可以看出：风速本身具有强随机性和波动性，因此对风速进行多步滚动预测的难度较大。

如图2所示，本发明提供的多步风速组合预测模型建立方法，包括以下步骤：

S1，对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于设定阈值的气象属性因素作为预测模型的实际输入数据集；

S2，基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果；

S3，基于步骤S2的初次预测结果，采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果。

其中，风速与温度、风速等气象变量相关。然而，受风电场地理位置及所在地局部小气候等因素影响，这种关联度在不同风电场间存在差异。为提高模型泛化能力及鲁棒性，本专利采用灰色关联分析对输入数据进行特征气象变量筛选。所述步骤S1中，对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于预设阈值的气象属性因素作为预测模型的实际输入数据集，具体包括：

S101，以风速为参考数据列，以风速相关气象属性因素为对比数据列，所述风速相关气象属性因素包括风向、风电功率、温度、大气压强、空气密度，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度；

S102，设定阈值，选取关联度大于设定阈值的气象属性因素作为特征变量，并作为预测模型输入变量，由此完成特征变量的筛选，得到预测模型的实际输入数据集。

其中，所述步骤S101中，以风速为参考数据列，以风速相关气象属性因素为对比数据列，所述风速相关气象属性因素包括风向、风电功率、温度、大气压强、空气密度，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度，具体包括：

1)对各变量时间序列做归一化处理，以n个气象属性因素序列中的第k个为比较序列S^k(t)，风电功率序列为参考序列S⁰(t)，求取两者差计作绝对值序列Δ^k(t)，如式(1)所示，其中k^∈(1,n)，

Δ^k(t)＝|S^k(t)-S⁰(t)| (1)

2)计算关联系数η^k(t)：

式中：Min(·)、Max(·)表示求取序列的最小、最大值，ρ为分辨系数；

3)求解关联度γ^k：

式中：T_n为序列长度。

各个风速相关气象属性因素的关联度分析结果如表1所示。

表1

由表1可知，风速序列与风电功率序列关联度最高，可达0.9513；与空气密度相关程度次之，相关系数为0.5781；此外，风速与风向及温度相关程度较低，相关系数分别为0.2945、-0.1591。由于东北地区特殊的季风气候，在夏季温度较高时，风速通常较春秋两季偏小，故呈现出与温度的负相关现象。

正则化极限学习机(extreme learning machine，ELM)，ELM模型可表示为：

式中：G为激活函数；β_k为输出权值矩阵；ω_k为输入权值矩阵；b_k为第k个隐含层神经元的偏置；L为隐含层神经元个数。

所述步骤S2中，基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果，具体包括：

S201，引入正则化极限学习机算法：

1)确立目标函数

式中：η为正则化系数，||ξ²||为经验风险，||β²||为结构风险，ξ为训练集误差之和，H为隐含层输出矩阵，T为输出集；

2)构建拉格朗日方程

式中：α为拉格朗日乘子；

3)计算输出权值矩阵

式中：I为单位矩阵；

4)由此得基于ELM的风速预测数学模型：

式中：G为激活函数；

为输出权值矩阵；ω_i为输入权值矩阵；b_i为第i个隐含层神经元的偏置；L为隐含层神经元个数；x为输入气象变量矩阵；y为待预测的风速值。

S202，采用杜鹃优化算法对ELM的输入-隐含层间权值和偏置进行优选：

1)种群初始化，设种群中鸟巢数为N_q，待优选种群数目W；

2)通过Levy飞行产生新解，每个鸟巢的新解可使用下式进行计算：

式中：X_besti为个体最优解，Q_best为种群最优解，λ>0为迭代步长，l₁为0～1之间均匀分布的随机数，变量v定义为l_x/l_y,l_x、l_y是呈正态分布的随机数，σ_x(δ)和σ_y(δ)为其标准偏差；

3)发现异卵，随机化鸟巢，设母代在巢中发现异卵的概率为P_a，发现异卵的同时即会产生新解如下：

式中：l₂为0～1之间均匀分布的随机数，变量l_p1和l_p2是鸟巢最优解为Y_besti时的随机扰动，参数R由公式(13)决定，如下：

4)当达到最大迭代次数时，算法结束。

由于ELM的输入-隐含层间权值和偏置在隐含层神经元个数确定后随机生成，为避免参数选择的随机性，本发明提出利用杜鹃优化算法优选输入-隐含层间权值和偏置，以达到更理想的预测效果。

为进一步缩小模型预测的误差，提高组合模型的预测精度，本文选取误差相关线性分析法来缩小误差。

所述步骤S3中，基于步骤S2的初次预测结果，采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果，具体包括：

求解历史预测误差与实际输入数据集之间的函数关系来修正组合预测模型：

Y＝y(x₁,…x_n)+f(x₁,…x_n) (14)

其中，f(·)为经过最小二乘拟合的误差线性校验函数：

ε＝f(x₁,…x_n) (15)

式中：ε为模型预测的历史预测误差；y(·)为模型表达式；Y为最后的预测结果。

为评价本发明提出模型建立方法的优势，建立如下评价指标：

式中：Y_t为t时刻的预测值；x_t为t时刻的实际值；N为预测集中时间点总数。

利用本发明提出的方法与其他发明提出的方法进行多步预测对比。

表2不同方法多步预测误差结果

由表2可知，在多步预测中，本发明提出的建模方法(方法1)的误差均小于其他发明提出的建模方法(方法2)、(方法3)。这是因为本发明提出的建模方法实现了对ELM参数的优选，使得预测模型针对不同的风速波动情况的泛化能力有所提高，且本发明提出的方法对初步预测结果进行了误差自校验，预测精度进一步提高。

从表2看出，各方法的预测结果均存在一定的误差累积。方法1由1步至6步预测中，RMSE增加了5.505％，而方法2增加了8.681％，说明COA对RELM参数优选有效提高了模型的预测精度及拟合效果。方法3在提前1步预测中的RMSE误差较方法2增加2.695％，在提前6步预测中增加了2.637％，说明本发明选用的误差自校验模型在多步预测中不会随着步长增加而影响误差校验效果，验证了误差自校验模型在多步预测中的适用性。

本发明提供的多步风速组合预测模型建立方法，通过灰色关联分析进行特征变量筛选，在预测模型中引入正则化系数，提高模型预测精度，利用杜鹃优化算法精度高、收敛快等优点，优选输入-隐含层间权值和偏置，避免参数选择的随机性，以达到更理想的预测效果，本发明利用6次单步预测的绝对平均误差作为杜鹃优化算法的适应度函数，对整个预测模型的参数优化训练，形成完整的多步风速预测组合模型，从而得到多步初次预测结果；本发明选取误差相关线性分析法来缩小误差，通过求解历史预测误差与实际输入数据集之间的函数关系来修正组合预测模型，从而进一步提高模型预测精度，得到最终的预测结果，具有较高预测精度和泛化能力，解决了由于风速波动性、间接性及低能量密度等特点导致的电力系统运行可靠性降低问题，可显著提高含可再生能源并网的电网调度经济性和风电场的运行安全性。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种多步风速组合预测模型建立方法，其特征在于，包括以下步骤：

S1，对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于设定阈值的气象属性因素作为预测模型的实际输入数据集；

S2，基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果；

S3，基于步骤S2的初次预测结果，采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果。

2.根据权利要求1所述的多步风速组合预测模型建立方法，其特征在于，所述步骤S1中，对初始数据集中风速相关气象属性因素进行灰色关联分析，选取与风速关联度大于预设阈值的气象属性因素作为预测模型的实际输入数据集，具体包括：

S101，以风速为参考数据列，以风速相关气象属性因素为对比数据列，所述风速相关气象属性因素包括风向、风电功率、温度、大气压强、空气密度，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度；

S102，设定阈值，选取关联度大于设定阈值的气象属性因素作为特征变量，并作为预测模型输入变量，由此完成特征变量的筛选，得到预测模型的实际输入数据集。

3.根据权利要求2所述的多步风速组合预测模型建立方法，其特征在于，所述步骤S101中，以风速为参考数据列，以风速相关气象属性因素为对比数据列，所述风速相关气象属性因素包括风向、风电功率、温度、大气压强、空气密度，对各序列进行初值化处理，基于灰色关联理论，计算关联系数以表征两组序列的关联度，具体包括：

1)对各变量时间序列做归一化处理，以n个气象属性因素序列中的第k个为比较序列S^k(t)，风电功率序列为参考序列S⁰(t)，求取两者差计作绝对值序列Δ^k(t)，如式(1)所示，其中k∈(1,n)，

Δ^k(t)＝|S^k(t)-S⁰(t)| (1)

2)计算关联系数η^k(t)：

式中：Min(·)、Max(·)表示求取序列的最小、最大值，ρ为分辨系数；

3)求解关联度γ^k：

式中：T_n为序列长度。

4.根据权利要求1所述的多步风速组合预测模型建立方法，其特征在于，所述步骤S2中，基于实际输入数据集中的气象属性因素，采用杜鹃优化算法改进的正则化极限学习机算法，对输出变量风速进行多步初次预测，得到不同时间尺度要求下的风速初次预测结果，具体包括：

S201，引入正则化极限学习机算法：

1)确立目标函数

式中：η为正则化系数，||ξ²||为经验风险，||β²||为结构风险，ξ为训练集误差之和，H为隐含层输出矩阵，T为输出集；

2)构建拉格朗日方程

式中：α为拉格朗日乘子；

3)计算输出权值矩阵

式中：I为单位矩阵；

4)由此得基于ELM的风速预测数学模型：

式中：G为激活函数；

为输出权值矩阵；ω_i为输入权值矩阵；b_i为第i个隐含层神经元的偏置；L为隐含层神经元个数；x为输入气象变量矩阵；y为待预测的风速值。

S202，采用杜鹃优化算法对ELM的输入-隐含层间权值和偏置进行优选：

1)种群初始化，设种群中鸟巢数为N_q，待优选种群数目W；

2)通过Levy飞行产生新解，每个鸟巢的新解可使用下式进行计算：

式中：X_besti为个体最优解，Q_best为种群最优解，λ>0为迭代步长，l₁为0～1之间均匀分布的随机数，变量v定义为l_x/l_y,l_x、l_y是呈正态分布的随机数，σ_x(δ)和σ_y(δ)为其标准偏差；

3)发现异卵，随机化鸟巢，设母代在巢中发现异卵的概率为P_a，发现异卵的同时即会产生新解如下：

式中：l₂为0～1之间均匀分布的随机数，变量l_p1和l_p2是鸟巢最优解为Y_besti时的随机扰动，参数R由公式(13)决定，如下：

4)判断是否满足终止条件；其中终止条件是预设的最大运行迭代次数；

若否，则回转执行所述的步骤S202；

若是，输出全局最优鸟巢位置对应的最优参数，即优选的ELM的输入-隐含层间权值和偏置，进入步骤S201。

5.根据权利要求1所述的多步风速组合预测模型建立方法，其特征在于，所述步骤S3中，基于步骤S2的初次预测结果，采用误差相关线性分析法，通过求解历史预测误差与实际输入数据集之间的函数关系来修正预测模型，得到最终的预测结果，具体包括：

求解历史预测误差与实际输入数据集之间的函数关系来修正组合预测模型：

Y＝y(x₁,…x_n)+f(x₁,…x_n) (14)

其中，f(·)为经过最小二乘拟合的误差线性校验函数：

ε＝f(x₁,…x_n) (15)

式中：ε为模型预测的历史预测误差；y(·)为模型表达式；Y为最后的预测结果。

Images