风电场短期功率预测方法 【技术领域】
本发明属于电力系统预测与控制技术领域， 尤其涉及一种风电场短期功率预测方法。 背景技术 风力发电是一种洁净、 无污染的可再生能源发电方式， 越来越受到世界各国的高 度重视。 风电的装机容量迅速增长， 在电网中所占的比例不断提高。 但是风力发电也有其缺 点， 由于风能具有波动性、 间歇性、 低能量密度、 不可控等特点， 因而风电功率也是波动的、 间歇的。 大容量的风电接入电网将会对电力系统的安全、 稳定运行带来一些新问题， 尤其是 对电力系统运行调度的影响明显。对风电场功率进行短期预报， 对于电力系统的功率平衡 和经济调度意义重大。
对风电场出力进行短期 (0-72h) 和超短期 (0-4h) 预报， 将使电力调度部门能够提 前为风电出力变化及时调整调度计划， 从而减少供电系统旋转备用容量， 降低电力系统运 行成本， 并为电网系统调度提供可靠的依据。 从风电场角度考虑， 与其他可控的发电方式相
比， 风电的间歇性将大大消弱其竞争力， 能够提前对风电场出力进行预报， 将很大程度上提 高风力发电的电力交易竞争力。同时， 风电场可以根据预报结果， 选择无风或低风时间段， 对设备进行维修， 从而提高发电量和风电场容量系数。
目前， 国外风电发展比较成熟的国家， 如丹麦、 德国、 西班牙、 美国等， 已经研发出 用于风电场出力短期预报的系统， 且在多个风电场在线运行。这些系统有的使用统计模 型， 有的使用物理模型， 如第一个风电场出力短期预报系统是丹麦里索国家实验室开发的 Prediktor， 使用的是物理模型方法 ； 德国 ISET 开发的 WPMS 系统， 使用的是基于神经网络的 统计模型。 这些模型的预报误差一般都在 15％ -20％， 效果还不尽如人意。 由于没有充分考 虑我国风电场独特性， 国外的风电出力预报系统还不能直接应用于国内， 或者应用效果很 差。 而国内这方面研究起步较晚， 尚处于初步探索研究阶段， 研究工作主要集中在风电场风 速短期预测， 真正意义上的发电功率研究更少， 目前已经有几款相关产品面世， 但多处于试 运行、 积累经验阶段， 预测精度还有待检验与提高。 因此， 加快开展风电功率预测研究步伐， 尽快研制出适合我国国情的、 精度较高的、 具有自主知识产权的风电功率预测系统， 时间紧 迫且意义重大。 发明内容
本发明的目的在于， 针对目前国内外风电功率预测方法存在的不适用或精度不高 的现状， 提供一种风电场短期功率预测方法。
技术方案是， 一种风电场短期功率预测方法， 其特征是所述方法包括下列步骤 ：
步骤 1 ： 计算得到超短期预测功率， 具体包括 ：
步骤 101 ： 实时获取风电场的风速、 功率数据， 并对获取的数据进行预处理 ； 所述 预处理包括剔除错误数据和数据归一化 ；步骤 102 ： 利用差分自回归滑动平均模型预测功率 ；
步骤 103 ： 利用小波变换结合神经网络技术预测功率 ；
步骤 104 ： 利用线性组合预测法， 对步骤 102 和步骤 103 的预测功率结果进行加权 优化， 得到超短期预测功率 ；
步骤 2 ： 通过数值气象预报系统提供的天气预测值， 计算得到短期预测功率， 具体 包括 ：
步骤 201 ： 获取天气预测值并进行预处理 ；
步骤 202 ： 对每类风电场风机机型分别采用 BP 神经网络、 自适应模糊神经推理系 统和最小二乘支持向量机三种预测模型预测功率 ；
步骤 203 ： 利用最大信息熵原理的功率组合预测模型， 对步骤 202 的预测结果进行 加权优化 ；
步骤 204 ： 考虑风机启停机数量的影响， 预测风电场多机型在运风机总功率 ； 所述 在运风机总功率即为短期预测功率 ；
步骤 3 ： 对步骤 1 和步骤 2 的计算得到超短期预测功率和短期预测功率加权优化， 采用基于 BP 神经网络的组合预测的方法计算得到最终短期预测功率。
所述数据归一化利用公式其中 X 为获取的数据， Xmin 为获取的数据最小值 ； Xmax 为获取的数据最大值 ； Y 为数据归一化结果。
所述利用小波变换结合神经网络技术预测功率具体包括 ：
步骤 A ： 对经过预处理的功率数据所对应的获取时间组成的时间序列进行 n 层小 波分解， 得到 n 个细节信号分量和 1 个逼近信号分量 ；
步骤 B ： 利用 BP 神经网络， 对分解后的 n+1 个信号分别建立模型， 进行预测 ；
步骤 C ： 将 n+1 个信号分量的预测数据叠加起来， 得到最终的预测结果。
所 述 步 骤 104 具 体 采 用 公 式进 行 加 权 优 化，其 中i ＝ 1， 2， ...， m， fc 为组合预测值 ； m 为预测方法数目， fi 为第 i 种方法的预测值 ； wi 为第 i 种预测方法的加权系数 ； ei 和 Var(ei) 分别为第 i 种预测方 法的预测误差和方差。
所述预测风电场多机型在运风机总功率具体利用公式其 中， Pi ＝NiPi′， Ni 为第 i 类型风机在运数量， Pi′为第 i 类型风机单机预测功率， Pi 为第 i 类型风 机总的预测功率。
所述采用基于 BP 神经网络的组合预测的方法计算得到最终短期预测功率具体 是， BP 神经网络采用只包含 1 层隐含层的三层网络结构， 输入层神经元数为超短期预测功 率、 短期预测功率、 超短期预测功率平均误差、 短期预测功率平均误差 ； 输出层神经元为最 终短期预测功率， 中间层神经元个数采用试算法， 以训练样本均方根误差最小为目标， 隐含层神经元传递函数采用 S 型正切函数， 输出层神经元传递函数采用线性函数 purelin 函数， 训练算法采用 LM 算法， 计算得到最终短期预测功率。
本发明的效果在于， 提高了风电场未来 72 小时预测功率的精度， 为电网制定合理 调度计划提供可靠的依据。 附图说明
图 1 是本发明提供的风电场短期功率预测总体流程图 ；
图 2 是超短期功率预测流程图 ；
图 3 是短期功率预测流程图 ；
图 4 是功率组合优化方法中的 BP 神经网络结构图。 具体实施方式
下面结合附图， 对优选实施例作详细说明。 应该强调的是， 下述说明仅仅是示例性 的， 而不是为了限制本发明的范围及其应用。
图 1 是本发明提供的风电场短期功率预测总体流程图。风电场短期功率预测包括 三个步骤 ： 即 a. 超短期 (0-4h) 功率预测 ； 以风场 SCADA(SupervisoryControl And Data Acquisition， 数据采集监控 ) 系统提供的实测风速、 功率等数据为输入， 通过时间序列法 和基于小波变换与神经网络相结合的功率预测法等数据处理方法， 输出 0-4h 的预测功率， 时间分辨率为 15 分钟 ； b. 短期 (0-72h) 功率预测 ； 以 NWP( 数值气象预报 ) 系统提供的不 同高度风速、 风向、 气温、 湿度及大气压强等数据为输入， 通过 BP 神经网络、 自适应模糊神 经推理系统 (ANFIS)、 最小二乘支持向量机 (LS-SVM) 等数据处理方法， 输出 0-72h 的预测功 率， 时间分辨率为 15 分钟 ； c. 组合预测 ； 以超短期 (0-4h) 预测功率和短期 (0-72h) 预测功 率为输入， 经过基于 BP 神经网络的组合预测方法处理， 输出风场 0-72h 内最终的短期预测 功率， 时间分辨率为 15 分钟。
图 1 中， 风电场短期功率预测方法具体实施过程是 ：
步骤 1 ： 计算得到超短期预测功率。
图 2 是超短期功率预测流程图。超短期功率预测是指 0-4 小时之内的功率预测， 图 2 中， 超短期功率预测流程的具体过程是 ：
步骤 101 ： 实时获取风电场的风速、 功率数据， 并对获取的数据进行预处理 ； 所述 预处理包括剔除错误数据和数据归一化。
本发明所需数据分为动态数据和静态数据， 动态数据为风场实时风速、 功率值， 来 自于风场 SCADA 系统， 通过数据通讯接口获取 ； 静态数据为风场机组启停情况、 风机功率曲 线等， 可通过人机交互， 手动录入实现。
为了提高预测模型的学习精度和效率， 需要对获取的数据进行预处理， 并剔出错 误数据， 主要包括风机测风仪器故障数据、 风机正常或非正常停机数据、 通信故障数据等。 同时， 因为神经元训练存在饱和问题， 需要对获取数据 ( 包括获取的数据和录入的数据 ) 进 行归一化处理， 本实施例将数据归一化到 [0.1， 0.9] 区间， 通过如下公式实现 ：
式中 ： X 为获取的数据， 如实测功率值 ； Xmin 为获取的数据最小值 ； Xmax 为获取的数 据最大值 ； Y 为获取数据归一化结果。
步骤 102 ： 利用差分自回归滑动平均模型预测功率。
常用的时间序列法包括持续法、 卡尔曼滤波法、 自回归移动平均法 (ARMA) 以及差 分自回归移动平均法 (ARIMA) 等， 针对风速波动频繁、 具有明显非平稳性的特点， 本实施例 采用 ARIMA 法进行功率预测。ARIMA 由三部分组成 ： 自回归项 (AR)、 差分项 (I)、 移动平均 项 (MA)， 经过对历史数据分析和模型参数识别， 本实施例建立模型为 ARIMA(3， 1， 2)。其中， 3 为自回归模型阶数， 1 为滑动平均模型阶数， 2 为差分次数。
步骤 103 ： 利用小波变换结合神经网络技术预测功率。
小波变换主要是为了分析非线性、 非平稳信号的局部特性， 将一个已知的基本函 数 ψ(t) 经平移和缩放后与被分析的信号作比较 ( 通过积分实现 )， 可以分析信号在各个时 刻、 各种局部范围的局部特性 ； 神经网络具有很强的非线性映射能力， 通过样本对的学习， 可以实现从输入 n 维空间到输出 m 维空间的映射。
在本发明中， 小波分析作为 BP 神经网络的前置处理手段， 为神经网络提供输入特 征向量， 即信号经小波变换后， 再输入给 BP 神经网络。实施步骤为 ： 步骤 A ： 对经过预处理的功率数据所对应的获取时间组成的时间序列进行 n 层小 波分解。本实施例取 n ＝ 6， 得到 n 个细节信号分量和 1 个逼近信号分量。
步骤 B ： 利用 BP 神经网络， 对分解后的 n+1 个信号分别建立模型， 进行预测。
步骤 C ： 将 n+1 个信号分量的预测数据叠加起来， 得到最终的预测结果。
步骤 104 ： 利用线性组合预测法， 对步骤 102 和步骤 103 的预测功率结果进行加权 优化， 得到超短期预测功率。
组合预测方法是将不同的预测模型和方法结合起来， 综合利用各种预测方法所提 供的信息， 以适当的加权平均方式得出组合预测模型， 它能够最大限度地利用各种单一预 测方法的有用信息， 能够增加系统的预测准确性。
组合预测方法的核心是如何将各种预测方法进行适当的组合， 所以关键在于如何 得到各种预测方法的加权平均系数。本方法采用最小均方根误差为优化目标， 将步骤 102 中 ARIMA 模型和步骤 103 中小波变换与神经网络相结合方法的预测结果进行组合预测，
得到组合预测值及权重系数为 ：其中i ＝ 1，m 为预测方法数目， fi 为第 i 种方法的预测值 ； wi 为第 i 种预测 2， ...， m， fc 为组合预测值 ； 方法的加权系数 ； ei 和 Var(ei) 分别为第 i 种预测方法的预测误差和方差。
图 3 是短期功率预测流程图， 短期功率预测是指 0-72 小时之内的功率预测， 图3 中， 通过数值气象预报系统提供的天气预测值， 计算得到短期预测功率具体包括 ：
步骤 201 ： 获取天气预测值并进行预处理。
本发明通过数据通讯接口， 获得由数值气象预报系统 (NWP) 输出的 72h 天气预报 值， 包括 0 米、 30 米、 50 米、 70 米、 100 米、 120 米等不同高度的风速、 风向、 气温、 湿度及大气 压强等数据， 时间分辨率为 15 分钟。为了提高预测模型的学习精度和效率， 需要对获取的数据进行预处理， 采取的措 施为 ： (1) 借助风资源实际观测数据， 对气象数据和代表性观测点天气的映射关系进行校 验和调整 ； (2) 结合已建风电场的运行资料， 对代表性观测点天气和风电场出力的映射关 系进行校正。同时， 还需剔出无效或错误数据， 主要包括风场限电数据、 风机非正常停机数 据、 通信故障数据等。
步骤 202 ： 对每类风电场风机机型分别采用 BP 神经网络、 自适应模糊神经推理系 统和最小二乘支持向量机三种预测模型预测功率。
风电场风机可能有多个机型， 对每类机型的风机进行基于多预测模型的功率预 测， 采用的预测模型包括 BP 神经网络、 自适应模糊神经推理系统 (ANFIS)、 最小二乘支持向 量机 (LS-SVM) 三种。
(1)BP 神经网络
BP 神经网络是指基于误差反向传播算法的多层前向神经网络， 它能以任意精度逼 近任何非线性映射， 具有分布式信息存储与处理结构， 具有一定的容错性和较好地鲁棒性， 在风电功率预测领域中得到了广泛的应用。
本方法中， BP 神经网络采用只包含 1 层隐含层的三层网络结构， 输入层神经元数 为 12 个， 根据 NWP 预报数据， 分别为 30 米风速、 风向正弦、 风向余弦、 50 米风速、 风向正弦、 风向余弦、 70 米风速、 风向正弦、 风向余弦、 气温、 气压、 湿度。输出层神经元数为 1 个， 即预 测功率值。 中间层神经元个数采用试算法， 以训练样本均方根误差最小为目标来确定， 为 27 个。隐含层神经元传递函数采用 S 型正切函数， 输出层神经元传递函数采用 S 型对数函数， 训练算法采用 LM 算法。 (2) 自适应模糊神经推理系统 (ANFIS)
ANFIS 是一种基于 Sugeno 模型的模糊推理系统， 其核心是一个神经元一模糊模 型， 它将人工神经网络的自学习功能和模糊推理系统的模糊语言表达能力有机地结合起 来， 进行优势互补， 其模糊隶属度函数及模糊规则是通过大量已知数据的学习完成的， 不必 依赖专家经验人工事先确定。
本发明中 ANFIS 为五层一阶 Sugeno 模糊系统， 具体构建过程为 ： 第一层为模糊化 层， 模糊集的隶属函数选用三角形函数 ； 第二层进行模糊规则激励强度的计算 ； 第三层进 行各条规则适用度的归一化计算 ； 第四层用于计算各条规则的输出， 其后项 ( 结论 ) 输出函 数为线性函数 ； 第五层用于计算系统的总输出。 其参数学习采用混合学习算法， 以缩短网络 的训练时间， 混合学习算法是在原有的 MN 算法基础上增加了最小二乘估计器的一种算法。
(3) 最小二乘支持向量机 (LS-SVM)
支持向量机 (SVM) 的最大特点是能有效克服常用预测方法预测结果偏差太大和 存在过学习、 维数灾难和局部极值等问题， LS-SVM 是对 SVM 的一种改进， 它将传统 SVM 中的 不等式约束改为等式约束， 且将误差平方和损失函数作为训练集的经验损失， 这样就把解 二次规划问题转化为求解线性方程组问题， 从而提高求解问题的速度和收敛精度。
在线性不可分的情况下， LS-SVM 中核函数的选定非常关键， 核函数的选择好坏直 接影响到算法的实现与效果。常用的核函数主要有 ： 多项式核函数、 RBF 径向基核、 高斯径 向基函数和 Sigmoid 核函数等， 本发明分别针对四种核函数进行计算， 经过对计算结果的 分析比较， 选取了高斯径向基函数作为核函数， 公式为 ：
在选定核函数之后， LS-SVM 需要选择的参数有两个， 即超参数 γ 和核参数 σ， 其 中 γ 决定了训练误差的大小和泛化能力的强弱， σ 确定了局部领域的宽度。在参数选择 过程中， 通过对三步搜索法和全局搜索的比较， 发现三步搜索法在不同的取值范围均能找 到最优 [γ， σ]， 故本发明采用了三步搜索法来确定两个参数。
步骤 203 ： 利用最大信息熵原理的功率组合预测模型， 对步骤 202 的预测结果进行 加权优化。
从信息论的角度讲， 组合预测过程就是一个信息的综合过程， 即从各种单一预测 模型的预测结果中得到被预测量的统计特征， 作为提供给组合预测模型的信息， 应用最大 信息熵原理就能基于这些信息对未来预测值作出客观的预测。
本发明采用基于最大信息熵原理的功率组合预测模型， 其基本工作过程为 ： (1) 使用各种单一预测模型进行风电场功率预测 ； (2) 将风电场功率的实际值作为待预测风电 场功率的中心点， 得到风电场功率各阶中心矩。 由于风速及功率的分布不满足正态分布， 除 以二阶中心矩作为统计特征量外， 还需加入三阶中心矩、 四阶中心矩信息 ； (3) 把各种预测 模型获得的风电场功率的统计特征作为约束信息， 应用最大信息熵原理进行求解。
步骤 204 ： 考虑风机启停机数量的影响， 预测风电场多机型在运风机总功率 ； 所述 在运风机总功率即为短期预测功率。
上述步骤 203 得到的是某机型风机单机的预测功率， 为得到风场总预测功率， 必 须考虑风机启停机数量的影响， 在运机组信息由工作人员通过人机交互方式， 手动录入系 统。
根据手动录入的风机启停机计划， 利用如下公式求得某类型风机总的预测功率 ：
Pi ＝ NiPi′
式中 ： Ni 为第 i 类型风机在运数量， Pi′为第 i 类型风机单机预测功率， Pi 为第 i
类型风机总的预测功率。则风场总的预测功率为 ： 步骤 3 ： 对步骤 1 和步骤 2 的计算得到超短期预测功率和短期预测功率加权优化， 采用基于 BP 神经网络的组合预测的方法计算得到最终短期预测功率。
在图 1 中， 基于 BP 神经网络的组合预测以 “超短期 (0-4h) 功率预测” 结果和 “短 期 (0-72h) 功率预测” 结果的前 4h 为输入， 经过 BP 神经网络组合优化方法处理， 得到风场 最终 0-72h 内的最终短期预测功率。其 BP 神经网络结构见图 4， 该 BP 神经网络采用只包含 1 层隐含层的三层网络结构， 输入层神经元数为 4 个， 输出层神经元数为 1 个， 即预测功率 值， 中间层神经元个数采用试算法， 以训练样本均方根误差最小为目标来确定， 为 6 个。隐 含层神经元传递函数采用 S 型正切函数， 输出层神经元传递函数采用线性函数 purelin， 训 练算法采用 LM 算法。
图 4 中输入层各神经元分别为 x， y， εx， εy， 具体含义为 ： x： 超短期 (0-4h) 功率预测结果 ； y： 短期 (0-72h) 功率预测结果 ； εx ： 近期超短期 (0-4h) 功率预测平均误差 ；εy ： 近期短期 (0-72h) 功率预测平均误差。
不同输入参数对于预测结果的重要性是不同的， 因此， 对每个输入参数乘以一个 不同的权重系数， 以提高预测精度， 权重系数人工设定。由于在 0-1h 内， 超短期功率预测结 果精度比短期功率预测结果高， 故 0-1h 内， x 和 εx 权重值更大， 而 1-4h 内， y 和 εy 权重 值更大。
本发明以超短期功率预测结果、 平均误差和短期功率预测结果、 平均误差作为输 入， 经过基于 BP 神经网络的组合预测方法处理， 得到风场的最终短期预测功率， 该方法提 高了风电场未来 72 小时预测功率的精度， 为电网制定合理调度计划提供可靠的依据。
以上所述， 仅为本发明较佳的具体实施方式， 但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内， 可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此， 本发明的保护范围应该以权利要求的保护范围 为准。