CN105654207A - 基于风速、风向信息的风电功率预测方法 - Google Patents

Abstract

本发明涉及基于风速、风向信息的风电功率预测方法，包括以下步骤：对风电场的历史风力数据及实际风功率出力数据进行搜集整理；进行归一化预处理后作为训练样本，然后进行相似性分析和聚类分析，将特征属性相类似的数据对象划分到同一类，采用K均值聚类算法分别计算出每一类数据的聚类中心；采用自回归模型结构预测出预测日当天的有功功率平均值，将其与每一类中的风速、风向数据结合共同作为输入，预测日当天的实测有功功率数据作为输出进行建模，建立不同类的风电功率预测模型；再根据预测日当天的归一化日向量，判断与预测日的归一化日向量相似度最高的一类，利用该类风电功率预测模型获得预测日当天的风电预测功率。预测精度高，可靠性高。

Description

基于风速、风向信息的风电功率预测方法

技术领域

本发明涉及风电场发电功率预测技术，特别是一种基于风速、风向信息的风电功率预测方法。

背景技术

风能是一种典型的无污染可再生能源，由于其资源丰富，具备大规模开发的条件，因此受到广泛地关注，成为未来能源的主要形式，风能的开发和利用已成为我国最为重要的可再生能源发展方向。随着风电累计装机容量的逐渐提高，其发电出力的随机性和波动性对并网后电网平衡的影响越来越明显。为了保证电网的稳定运行和供电***的可靠性，必须对供电***进行有效的计划和调度，因此需要对风力发电功率进行准确预测，这直接关系到电网的供需平衡，也直接影响着并网***的运营成本。2011年，国家能源局发布了《风电厂功率预测预报管理暂行办法》，强制风电场安装风力发电功率预测***，而2012年1月1日以来，未按要求报送风力发电功率预报结果的风电场也不允许并网运行。

在制定发电计划和安排调度时，需保证发电***具有较强的复合跟踪能力，能够适应分钟级或小时级的负荷波动，从而要求***有足够的旋转备用容量，因此需要对风力发电机和风电场的发电功率进行超短期(<4h)和短期(<72h)的预测，而准确的风电功率预测可以在保证供电***的平稳与安全的前提下降低风电成本，可以达到提高风电价值的目的。由此可见风力发电功率预测的重要性。

发明内容

本发明的目的是为了提供一种可靠性高的基于风速、风向信息的风电功率预测方法，利用风速、风向信息实现超短期或短期风电功率预测。

本发明的技术方案是：

一种基于风速、风向信息的风电功率预测方法，包括以下步骤：

步骤一、对风电场的历史风力数据及相对应的实际风功率出力数据进行搜集整理，其中历史风力数据包括测风塔获得的不同高度的风速、风向信息，实际风功率出力数据为风电场实时传输的实际有功功率；

步骤二、对所述风电场的历史风力数据以及相对应的实际风功率出力数据进行归一化预处理后作为训练样本，然后按照时间顺序对不同时间点的风速、风向和相对应的实际有功功率的归一化数据序列进行相似性分析和聚类分析，将特征属性相类似的数据对象划分到同一类，采用K均值聚类算法在确定最终分类数K后，分别计算出每一类数据的聚类中心；

步骤三、提取训练日之前的历史实际有功功率，采用自回归模型结构预测出训练日当天的有功功率平均值，将其与每一类中的风速、风向数据结合共同作为输入，训练日当天的实测有功功率数据作为输出进行建模，通过对每一类数据样本的训练，建立不同类的风电功率预测模型，即建立K个风电功率预测模型；

步骤四、提取预测日当天的风速、风向及预测的有功功率平均值的归一化数据，组成预测日当天的归一化日向量，分别计算该归一化日向量与K类中每一类聚类中心的相似性参数，判断与预测日的归一化日向量相似度最高的一类，利用该类风电功率预测模型获得预测日当天的风电预测功率。

上述的基于风速、风向信息的风电功率预测方法，步骤二中进行相似性分析的方法是采用皮尔逊积矩相关系数来定量描述相似性的大小，所述皮尔逊积矩相关系数的计算公式如下：

$R=\frac{E\left(XY\right)-E\left(X\right)E\left(Y\right)}{\sqrt{E\left(X^2\right)-E^2\left(X\right)}\sqrt{E\left(Y^2\right)-E^2\left(Y\right)}}$

其中，E代表数学期望；X和Y分别代表不同日的风速和风向数据构成的归一化日向量；R代表相关系数，取值范围为-1～1；|R|＜0.4为低度线性相关；0.4≤|R|＜0.7为显著线性相关；0.7≤|R|＜1为高度线性相关。

上述的基于风速、风向信息的风电功率预测方法，所述K均值聚类算法的具体步骤为：

a、将所有数据分为K个初始类，选取K个样本点为初始聚类中心，记为z₁(l),z₂(l),…,z_k(l)，其中，初始值l＝1；

b、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ω_j(K)中，各类所包含的样本数为N_j(l)，其中，准则函数为欧氏距离，定义式为：

$d={\left(\underset{k=1}{\overset{m}{\&Sigma;}}{\left(x\left(k\right)-y\left(k\right)\right)}^2\right)}^{\frac{1}{2}}$

式中，d——代表不同日归一化日向量X、Y间的欧氏距离；m——向量X和Y的维数；x和y——向量X、Y的子向量；

c、计算各类均值向量，并将该向量作为新的聚类中心：式中，j＝1,2,…,k；i＝1,2,…,N_j(l)；

d、若z_j(l+1)≠z_j(l)，表示聚类结果并不是最佳的，则返回b，继续迭代计算；

若z_j(l+1)＝z_j(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。

上述的基于风速、风向信息的风电功率预测方法，K＝5。

上述的基于风速、风向信息的风电功率预测方法，步骤三中的自回归模型结构的具体表达式为：

其中，p_t代表训练日的有功功率平均值；p_t-1、p_t-2分别代表训练日前两日的有功功率平均值；为自回归模型参数，{ε_t}为白噪声模型,通过采用样本自相关函数定阶以及最小二乘法进行参数估计，得到

上述的基于风速、风向信息的风电功率预测方法，步骤三中的风电功率预测模型选用广义回归神经网络模型。

上述的基于风速、风向信息的风电功率预测方法，步骤四中预测日当天的归一化日向量与K类中每一类聚类中心的相似性量度采用欧氏距离量度。

本发明的有益效果是：

由于训练样本的选择直接影响到预测模型的精度，所以在建模之前采用聚类分析的方法，以训练日不同高度的风速、风向信息作为聚类指标，采用欧氏距离作为相似性的度量准则，先对样本数据进行聚类分析,再根据与训练日当天最相近的样本类，结合历史有功功率作为建模用的训练样本，由仿真结果表明，采用聚类分析的方法进行数据预处理后，极大的改善了预测模型的预测精度，可靠性高，能够在保证供电***稳定运行的前提下，节约运行成本，有利于提高风电场运行的经济效益。

附图说明

图1是本发明的风电功率预测方法的原理框图。

具体实施方式

如图1所示，该风电功率预测方法，包括以下步骤：

1、对风电场的历史风力数据及相对应的实际风功率出力数据进行搜集整理，其中风力数据包括测风塔获得的不同高度的风速、风向信息，实际风功率出力数据为风电场实时传输的实际有功功率。本实施例中，搜集整理2014年4月到5月测风塔获得的10米高度风速、10米高度风向、30米高度风速、30米高度风向、50米高度风速和50米高度风向，以及该段时间内风电场的实际有功功率，数据的分辨率为15min，每一日为96个时间点。

2、对2014年4月到5月测风塔获得的10米高度风速、10米高度风向、30米高度风速、30米高度风向、50米高度风速和50米高度风向，以及该段时间内风电场的实际有功功率进行归一化的预处理作为训练样本，然后按照时间顺序对不同时间点的风速、风向和相对应的实际有功功率的归一化数据序列进行相似性分析，其中，选择皮尔逊积矩相关系数来定量描述相似性的大小，计算公式如下：

$R=\frac{E\left(XY\right)-E\left(X\right)E\left(Y\right)}{\sqrt{E\left(X^2\right)-E^2\left(X\right)}\sqrt{E\left(Y^2\right)-E^2\left(Y\right)}}$

式中，E——数学期望；X，Y——表示不同日的风速和风向数据构成的归一化日向量，本实施例中，所述日向量由96个时间点的10米高度风速、10米高度风向、30米高度风速、30米高度风向、50米高度风速和50米高度风向数据构成；相关系数的值为-1～1，其性质如下：当R＞0时，表示两变量正相关，当R＜0时，表示两变量为负相关；当|R|＝1时，表示两变量为完全线性相关，即为函数关系；当R＝0时，表示两变量间无线性相关关系；当0＜|R|＜1时，表示两变量存在一定程度的线性相关，且|R|越接近1，两变量间线性关系越密切；|R|越接近0，表示两变量的线性相关越弱；一般可按三级划分，|R|＜0.4为低度线性相关；0.4≤|R|＜0.7为显著线性相关；0.7≤|R|＜1为高度线性相关。

得到不同风速、风向时间序列的相关系数之后，对历史时间数据进行聚类分析，将特征属性相类似的数据对象划分到同一类。本实施例中，选择动态聚类算法中最经典的K均值聚类算法，确定最终分类数K，并分别计算出每一类数据的聚类中心。本实施例中，K＝5，分别计算出5类数据的聚类中心。具体步骤为：

e、将所有数据分为K个初始类，选取K个样本点为初始聚类中心，记为z₁(l),z₂(l),…,z_k(l)，其中，初始值l＝1；

f、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ω_j(K)中，各类所包含的样本数为N_j(l)，其中，准则函数为欧氏距离，定义式为：

$d={\left(\underset{k=1}{\overset{m}{\&Sigma;}}{\left(x\left(k\right)-y\left(k\right)\right)}^2\right)}^{\frac{1}{2}}$

式中，d——代表不同日归一化日向量X、Y间的欧氏距离；m——向量X和Y的维数；x和y——向量X、Y的子向量；

g、计算各类均值向量，并将该向量作为新的聚类中心：式中，j＝1,2,…,k；i＝1,2,…,N_j(l)；

h、若z_j(l+1)≠z_j(l)，表示聚类结果并不是最佳的，则返回b，继续迭代计算；

i、若z_j(l+1)＝z_j(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。

3、提取训练日之前的历史实际有功功率，采用自回归模型结构预测出训练日当天的有功功率平均值，本实施例中，自回归模型结构的具体表达式为：

其中，p_t代表训练日的有功功率平均值；p_t-1、p_t-2分别代表训练日前两日的有功功率平均值；为自回归模型参数，{ε_t}为白噪声模型，通过采用样本自相关函数定阶以及最小二乘法进行参数估计，得到

然后将训练日当天的有功功率平均值与每一类中的风速、风向数据结合共同作为输入，训练日当天的实测有功功率数据作为输出进行建模，通过对每一类数据样本的训练，建立不同类的风电功率预测模型，即建立K个风电功率预测模型。本实施例中，风电功率预测模型选用广义回归神经网络模型(GRNN)，该模型由输入层、隐含层和输出层构成，隐含层是径向基层，采用高斯变换函数来控制隐含层输出，从而起到抑制输出单元的激活，在输入空间里，高斯函数对称于接受域，输入神经元对由网络输出的影响随输入矢量之间的距离呈指数衰减，GRNN中，每个训练矢量在隐含层中有一相应径向基神经元，隐含层神经元储存着每一个训练矢量，当网络输入一个新的矢量时，新矢量与隐含层每个单元权矢量之间的距离可由以下公式计算：

dist＝|X-W¹|

式中，X为输入矢量；W¹为隐含层单元权矢量；dist为输入矢量与权矢量之间距离。隐含层的高斯函数输出按以下公式计算：

$a^1=\exp (-{\left(\left|\right|dist\left|\right|\&times;b^1\right)}^2)$

$b^1=\frac{0.8326}{s}$

式中，s为窗口宽度，若dist＝s，则调整后距离n¹＝||dist||×b¹＝0.8326，高斯函数输出值为0.5，相当于相关系数为0.5；若dist远大于s，高斯函数输出接近0.随着a¹的增大，隐含层输出逐渐减小，变量s起着窗口的作用，也就是说，s大小起着对输出层神经元激活作用，s越大，b¹越小，隐含层神经元与输入矢量距离被缩小，因此，窗口中被激活的神经元数目增多，反之，s越小，b越大，隐含层神经元与输入矢量距离被放大，隐含层输出减小，窗口中被激活的神经元数目减小。

GRNN输出层为线性层，输出按以下公式计算：

a²＝n²＝W²a¹+b²

式中，W²为第2层权值。

由上可见，广义回归神经网络模型(GRNN)的特点是人为调节的参数少，只有一个阈值s。网络的学习全部依赖数据样本。这个特点决定了GRNN以最大限度地避免人为主观假设对预测结果的影响。综上，针对不同类的训练样本，本实施例中，GRNN的输入节点数为7，输出节点数为1，网络的窗口宽度参数s取值为0.21。

4、提取预测日(本实施例中，预测日设定为2014年6月1日-10日)当天的风速、风向及预测的有功功率平均值的归一化数据，组成预测日当天的归一化日向量，分别计算该归一化日向量与5类中每一类聚类中心的相似性参数，判断与预测日的归一化日向量相似度最高的一类，并利用该类风电功率预测模型获得预测日当天的风电预测功率。本实施例中，预测日当天的归一化日向量与K类中每一类聚类中心的相似性参数的计算采用欧氏距离算法，预测日当天的日向量到每一类的欧氏距离分别为0.32、0.43、0.83、0.12、0.48，与预测日向量距离第3类的聚类中心最近，也就是与第3类相似度最高，因此选择以第3类为训练样本的预测模型，可得其预测误差NMAE(标准绝对值平均误差)为10.47％。由于预测模型的参数都是针对相似样本训练得到，因此具有较高的预测精度。

Claims (7)

1.一种基于风速、风向信息的风电功率预测方法，包括以下步骤：

步骤一、对风电场的历史风力数据及相对应的实际风功率出力数据进行搜集整理，其中历史风力数据包括测风塔获得的不同高度的风速、风向信息，实际风功率出力数据为风电场实时传输的实际有功功率；

步骤二、对所述风电场的历史风力数据以及相对应的实际风功率出力数据进行归一化预处理后作为训练样本，然后按照时间顺序对不同时间点的风速、风向和相对应的实际有功功率的归一化数据序列进行相似性分析和聚类分析，将特征属性相类似的数据对象划分到同一类，采用K均值聚类算法在确定最终分类数K后，分别计算出每一类数据的聚类中心；

步骤三、提取训练日之前的历史实际有功功率，采用自回归模型结构预测出训练日当天的有功功率平均值，将其与每一类中的风速、风向数据结合共同作为输入，训练日当天的实测有功功率数据作为输出进行建模，通过对每一类数据样本的训练，建立不同类的风电功率预测模型，即建立K个风电功率预测模型；

步骤四、提取预测日当天的风速、风向及预测的有功功率平均值的归一化数据，组成预测日当天的归一化日向量，分别计算该归一化日向量与K类中每一类聚类中心的相似性参数，判断与预测日的归一化日向量相似度最高的一类，并利用该类风电功率预测模型获得预测日当天的风电预测功率。

2.根据权利要求1所述的基于风速、风向信息的风电功率预测方法，其特征在于：步骤二中进行相似性分析的方法是采用皮尔逊积矩相关系数来定量描述相似性的大小，所述皮尔逊积矩相关系数的计算公式如下：

$R=\frac{E\left(XY\right)-E\left(X\right)E\left(Y\right)}{\sqrt{E\left(X^2\right)-E^2\left(X\right)}\sqrt{E\left(Y^2\right)-E^2\left(Y\right)}}$

其中，E代表数学期望；X和Y分别代表不同日的风速和风向数据构成的归一化日向量；R代表相关系数，取值范围为-1～1；|R|＜0.4为低度线性相关；0.4≤|R|＜0.7为显著线性相关；0.7≤|R|＜1为高度线性相关。

3.根据权利要求1所述的基于风速、风向信息的风电功率预测方法，其特征在于：所述K均值聚类算法的具体步骤为：

a、将所有数据分为K个初始类，选取K个样本点为初始聚类中心，记为z₁(l),z₂(l),…,z_k(l)，其中，初始值l＝1；

b、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ω_j(K)中，各类所包含的样本数为N_j(l)，其中，准则函数为欧氏距离，定义式为：

$d={\left(\underset{k=1}{\overset{m}{\&Sigma;}}{\left(x\left(k\right)-y\left(k\right)\right)}^2\right)}^{\frac{1}{2}}$

式中，d——代表不同日归一化日向量X、Y间的欧氏距离；m——向量X和Y的维数；x和y——向量X、Y的子向量；

c、计算各类均值向量，并将该向量作为新的聚类中心：式中，j＝1,2,…,k；i＝1,2,…,N_j(l)；

d、若z_j(l+1)≠z_j(l)，表示聚类结果并不是最佳的，则返回b，继续迭代计算；

若z_j(l+1)＝z_j(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。

4.根据权利要求1或3所述的基于风速、风向信息的风电功率预测方法，其特征在于：K＝5。

5.根据权利要求1所述的基于风速、风向信息的风电功率预测方法，其特征在于：步骤三中的自回归模型结构的具体表达式为：

其中，p_t代表训练日的有功功率平均值；p_t-1、p_t-2分别代表训练日前两日的有功功率平均值；为自回归模型参数，{ε_t}为白噪声模型,通过采用样本自相关函数定阶以及最小二乘法进行参数估计，得到

6.根据权利要求1所述的基于风速、风向信息的风电功率预测方法，其特征在于：步骤三中的风电功率预测模型选用广义回归神经网络模型。

7.根据权利要求1所述的基于风速、风向信息的风电功率预测方法，其特征在于：步骤四中预测日当天的归一化日向量与K类中每一类聚类中心的相似性参数的计算采用欧氏距离算法。