CN114298140A - 一种考虑机组分类的风电短期功率预测校正方法 - Google Patents

Abstract

一种考虑机组分类的风电短期功率预测的校正方法,将风电场平均风速作为优化目标，代入理想功率曲线，得预测功率P₁；将风力发电机组分类成若干代表组，生成若干组预测风速，累加得风电场预测功率P₂；通过误差反向传播算法校正初始预测功率；校正方法能有机结合多NWP和机组内部信息，有效避免极端误报，提高考核天的准确率，减少短期功率预测考核电量。

Description

一种考虑机组分类的风电短期功率预测校正方法

技术领域

本申请属于风力发电领域，尤其是一种考虑机组分类的风电短期功率预测的校正方法。

背景技术

为了缓解能源供应紧张局面，风能作为一种廉价、清洁无污染并且可循环再生的能源，被列为重点研究开发利用的新型能源之一。风力发电的稳定性受风向、风速等因素的影响较大，也正是由于这个原因，风力发电存在波动性、间歇性等缺点。随着风电场的数量及风力涡轮机容量的剧增，越来越多的研究人员专注于风电场输出功率的预测、大型风电场的先进无功功率控制技术的研究以及构建更为精确的模型模拟风电场在各种运行条件下的动态性能等课题。基于此，更准确的风功率预测方法是保证风电场发展成为不可替代的可再生能源发电厂的基础。

传统的风功率预测方法可分为物理模型、统计模型和将二者结合的方法。随着气象数值模式性能的提高，目前主流采用结合法，即使用机器学习方法对数值天气预报(Numerical Weather Prediction，NWP)风速预测结果进行误差订正后处理，得到较为准确的风速，并基于优化后的风速进行风电功率预测。通过引入多位置NWP信息，可有效避免出现单位置NWP无法准确描述风电场气象信息的问题，提高预测精度。研究人员同时考虑多位置NWP与非典型气象特征，基于最大相关-最小冗余原则和主成分分析进行特征选择，减少整体冗余性，有效降低了预测模型的训练时间。此外，考虑风机数据的时间相关性，用聚类分析方法生成不同天气类型数据，针对不同天气类型进行NWP数据订正后处理，能进一步提升预报能力。研究人员考虑功率变化趋势，获取更优的性能，可在一定程度上解决功率波动大的问题，即爬坡问题。

然而上述研究只针对风电场的单一风速，缺乏对大型风电场内部差异的充分考虑，没有利用机组各风机的历史信息。机组分类是研究大型风电场发电规律的重要手段，相关研究也表明基于风电场机组分类的功率输出模型能有效代表实际功率输出情况，可降低功率建模过程的复杂度和时间。近年来，考虑机组分类的短期功率预测的研究表明，风电场内不同风机受地形、尾流、湍流影响而差异明显，基于机组分类的功率预测优于单一风速的功率预测。但遗憾的是，此类研究均仅简单对机组的所有子类进行功率预测建模，并采用叠加法对将预测功率累加求和，受到各个子类预测精度的影响，模型误差累计造成其精度偏低。

发明内容

针对上述不足，本发明提出一种考虑多NWP和机组分类的功率预测校正模型，基于多NWP信息和单一风速进行风速订正后处理，并通过理想功率曲线，生成初始预测功率。然后基于层次聚类，将风电场内风力发电机组分类成若干代表组，生成若干组预测风速；通过误差反向传播算法校正初始预测功率。

一种考虑机组分类的风电短期功率预测的校正方法，其特征在于，所述方法包括如下步骤：

步骤一：多NWP的特征选择；将风电场平均风速作为优化目标，经XGBoost模型得优化预报风速，代入理想功率曲线，得预测功率P₁；

步骤二：基于层次聚类，将风电场内风力发电机组分类成若干代表组，生成若干组预测风速；将S台风机分为G组，分别以G组平均风速作为优化目标，得G组优化预报风速W，代入理想功率曲线得各组预测功率，累加得风电场预测功率P₂；

步骤三：通过误差反向传播算法校正初始预测功率，首先初始化BP网络的结构和权值，然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号，根据期望输出计算反向误差，对权值进行修正，如果误差小于给定值或迭代次数超过设定值结束学习，最终校正初始预测功率。

本发明的技术方案的优点：

通过算例分析，所提出的方法能有机结合多NWP和机组内部信息，有效避免极端误报，提高考核天的准确率，减少短期功率预测考核电量。

附图说明

图1风功率预测框图

具体实施方式

下面结合附图对本发明作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本发明，并不用于限定本发明。

相关技术术语说明：

1、数值天气预报(Numerical Weather Prediction，NWP)

2、误差反向传播算法(Error Back Propagation Training，BP)

3、极限梯度提升树(Extreme Gradient Boosting，XGBoost)

4、极限学习机(ExtremeLearning Machine，ELM)

5、模糊C点均值中心法(Fuzzy C Means，FCM)

如图1所示。

步骤一：多NWP的特征选择。将风电场平均风速作为优化目标，经XGBoost模型得优化预报风速，代入理想功率曲线，得预测功率P₁。

为覆盖风电场更大范围、涵盖各种地形，应选取风电场周边典型4-9个位置的NWP的气象数据，每个位置包含4个高度层的经向风、纬向风、温度、湿度、气压等5个参数信息，即每个时刻最多含180维数据。NWP为未来72h预报数据，每天进行一次更新，时间分辨率插值至15min。

初步预测功率模型采用物理模型和统计模型结合的方法预测风速。为了考虑多位置的NWP信息，采用适合处理高维样本的极限梯度提升树(Extreme Gradient Boosting，XGBoost)模型作为统计学模型，将经XGBoost模型订正后的NWP预测风速代入理想功率曲线，得到初始预测功率。

NWP作为输入特征，经XGBoost模型后获得预测风速，而预测风速的准确性是预测功率是否准确的关键。XGBoost为梯度提升树(Gradient Boosting，GBoost)算法的改良版本，Boosting属于串行的集成方法，第t个弱学习器优化学习前t-1个学习器的残差部分，逐步引入学习器而最大化地降低目标函数，进而得到一个强学习器。由于多NWP数据具有多维(180个)特征，XGBoost构建学习器时会对特征采样，并添加正则项，防止过拟合，同时训练速度快，适合NWP风速订正后处理。训练XGBoost模型过程如下所示：

(6)对所有样本，初始化一颗CART树，同时得预测输出

式中：c为预测输出集合。

(7)对所有样本计算负梯度r_ti为

(8)利用负梯度，拟合一颗CART回归树，得到第t颗回归树，其对应的叶子节点区域为R_tj，j＝1，2，…，J。其中J为回归树t的叶子节点的个数。

(9)对叶子区域j＝1，2，…，J，计算最佳拟合值c_tj为

(10)经T轮更新得强学习器，最终预测输出为

步骤二：为引入风场内部差异信息，基于层次聚类将机组S台风机分类为G组，生成G组子类平均风速，经XGBoost模型订正生成G组预测风速。

先基于层次聚类，将风电场内风力发电机组分类成若干代表组，生成若干组预测风速。将S台风机分为G组，分别以G组平均风速作为优化目标，得到G组优化预报风速W，代入理想功率曲线得各组预测功率，累加得风电场预测功率P₂。

对机组分类时，层次聚类法无须先验地指定子类的个数。相较k点均值中心法kmeans、模糊C点均值中心法(Fuzzy C Means，FCM)等方法，可添加约束，调整子类的个数。基于此，采用层次聚类法中的凝聚法，采用自底向上策略，输入数据机组内所有风机的相似性度量向量矩阵，逐步合并相似距离相近的风机为一类，直至将所有风机聚为一个大类。

层次聚类具体流程为：

1)设N为样本数，M为风机数，选取同一时间段参与并网的M1台风机，构建N×M1阶矩阵；

2)基于欧式距离、皮尔逊相关系数、熵相关系数，计算M1个风机两两间的相似性度量矩阵。

3)利用离差平方和法计算不通类之间的距离d，每缩小一类，离差平方和SX就要增大，选择使SX增加最小的两类合并，如式(1)所示。

式中：K为数据集的总聚类数；d为类别的均值。

4)若类的个数不等于1，则重复执行步骤3)，否则执行步骤5)。

5)保证类内的风机数不超过总风机数一半，取子类个数的最大值。

6)计算聚类评判标准指数，确定计算相似性度量的方法。

步骤三：通过误差反向传播算法(BP)校正初始预测功率。首先初始化BP神经网络的结构和权值，然后根据输入样本前向计算BP神经网络每层神经元的输入信号和输出信号，根据期望输出计算反向误差，对权值进行修正，如果误差小于给定值或迭代次数超过设定值结束学习，最终校正初始预测功率。

BP神经网络能够以任意精度逼近任何非线性映射；可以学习和自适应未知信息；具有分布式信息存储与处理结构，具有一定的容错性，因此构造出来的系统具有较好的鲁棒性，适合处理复杂问题。通过算例分析，所提出的方法能有机结合多NWP和机组内部信息，有效避免极端误报，提高考核天的准确率，减少短期功率预测考核电量。

输入数据包括t时刻风速(Wt)、风向(Dt)、风功率(Pt)，以及t+1时刻风速(Wt+1)、风向(Dt+1)，输出为t+1时刻风功率(Pt+1)。

BP神经网络隐含层输出公式如式(6)所示：

式中：f为传递函数；w_ij为输入层第i个神经元与隐含层第j个神经元的权值；x_i为输入数据；a_j为隐含层第j个神经元的阈值。

其输出层预测公式如式(7)所示：

式中：h_j为隐含层第j个神经元输出；w_jp为隐含层第j个神经元与输出层第p个神经元的权值；b_p为输出层第p个神经元的阈值。

最后应说明的是：以上所述仅为本发明的解释，并不用于限制本发明，尽管对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种考虑机组分类的风电短期功率预测的校正方法，其特征在于，所述方法包括如下步骤：

步骤一：多NWP的特征选择；将风电场平均风速作为优化目标，经XGBoost模型得优化预报风速，代入理想功率曲线，得预测功率P₁；

步骤二：基于层次聚类，将风电场内风力发电机组分类成若干代表组，生成若干组预测风速；将S台风机分为G组，分别以G组平均风速作为优化目标，得G组优化预报风速W，代入理想功率曲线得各组预测功率，累加得风电场预测功率P₂；

步骤三：通过误差反向传播算法校正初始预测功率，首先初始化BP网络的结构和权值，然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号，根据期望输出计算反向误差，对权值进行修正，如果误差小于给定值或迭代次数超过设定值结束学习，最终校正初始预测功率。

2.根据权利要求1的方法，其特征在于，步骤一中：

为覆盖风电场更大范围、涵盖各种地形，应选取风电场周边典型4-9个位置的NWP的气象数据，每个位置包含4个高度层的经向风、纬向风、温度、湿度、气压等5个参数信息，即每个时刻最多含180维数据。NWP为未来72h预报数据，每天进行一次更新，时间分辨率插值至15min。

3.根据权利要求1的方法，其特征在于，步骤一中：

训练XGBoost模型过程如下所示：

(1)对所有样本，初始化一颗CART树，同时得预测输出

式中：c为预测输出集合。

(2)对所有样本计算负梯度r_ti为

(3)利用负梯度，拟合一颗CART回归树，得到第t颗回归树，其对应的叶子节点区域为R_tj，j＝1，2，…，J。其中J为回归树t的叶子节点的个数。

(4)对叶子区域j＝1，2，…，J，计算最佳拟合值c_tj为

(5)经T轮更新得强学习器，最终预测输出为

4.根据权利要求1的方法，其特征在于，步骤二中：

对机组分类时，采用层次聚类法中的凝聚法，采用自底向上策略，输入数据机组内所有风机的相似性度量向量矩阵，逐步合并相似距离相近的风机为一类，直至将所有风机聚为一个大类。

5.根据权利要求4的方法，其特征在于，步骤二中：

层次聚类具体流程为：

1)设N为样本数，M为风机数，选取同一时间段参与并网的M1台风机，构建N×M1阶矩阵；

2)基于欧式距离、皮尔逊相关系数、熵相关系数，计算M1个风机两两间的相似性度量矩阵。

3)利用离差平方和法计算不通类之间的距离d，每缩小一类，离差平方和SX就要增大，选择使SX增加最小的两类合并，如式(1)所示。

式中：K为数据集的总聚类数；d为类别的均值。

4)若类的个数不等于1，则重复执行步骤3)，否则执行步骤5)。

5)保证类内的风机数不超过总风机数一半，取子类个数的最大值。

6)计算聚类评判标准指数，确定计算相似性度量的方法。

6.根据权利要求1的方法，其特征在于，步骤三中：

输入数据包括t时刻风速(Wt)、风向(Dt)、风功率(Pt)，以及t+1时刻风速(Wt+1)、风向(Dt+1)，输出为t+1时刻风功率(Pt+1)；

BP神经网络隐含层输出公式如式(6)所示：

式中：f为传递函数；w_ij为输入层第i个神经元与隐含层第j个神经元的权值；x_i为输入数据；a_j为隐含层第j个神经元的阈值；

其输出层预测公式如式(7)所示：

式中：h_j为隐含层第j个神经元输出；w_jp为隐含层第j个神经元与输出层第p个神经元的权值；b_p为输出层第p个神经元的阈值。

Images