CN106875033A - 一种基于动态自适应的风电集群功率预测方法 - Google Patents

Abstract

发明提供一种基于动态自适应的风电集群功率预测方法，按以下步骤进行：步骤1：收集历史数据，对风电集群进行划分；步骤2：根据划分的风电集群，建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型，并训练风电集群三个预测模型的功率预测；步骤3：根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型；步骤4：收集实时数值天气预报NWP数据和实时功率测量数据；步骤5：根据训练过程中选择的预测模型，代入实时NWP数据和实时功率测量数据，得到子集群预测结果，将子集群的功率预测结果相加，得到集群总体预测结果。本发明针对不同工况的风电集群选取最佳的预测模型，提升预测精度。

Description

一种基于动态自适应的风电集群功率预测方法

技术领域

本发明涉及风力发电技术领域，具体涉及一种基于动态自适应的风电集群功率预测方法，适用于大规模风电集群的功率预测。

背景技术

近年来，随着全球能源问题日益严峻，发展可再生能源发电，尤其是风力发电愈发重要。然而风能具有固有的波动性、不稳定性和间歇性，使得风电的出力随着风速的变化而波动。如果能正确预测风电未来时刻的出力，将对电网的安全稳定运行都会带来积极的影响。通过预测未来时刻的风电发电量，电网侧可以提前调整调度计划从而避免电能不稳定、缺供等问题。在风电场侧可以提前得到风电场某天的出力值从而科学安排设备检修与故障维护。

国内外的风电功率预测***大多针对单个风电场，采用的方法有物理法、时间序列法、人工智能法等。但是单个风电场的功率预测并不能满足电网调度的需求。对电网调度而言，多个风电场形成的风电集群总体功率的波动意义更为重要。国内外的风电集群功率预测***主要采用叠加法和统计升尺度法。叠加法将单个风电场的功率预测结果累加，形成风电集群的总体功率。统计升尺度法先选择基准风电场，并预测基准风电场的功率，再通过基准风电场的功率预测结果升尺度，得到风电集群的功率。这些方法对集群的功率预测具有一定的效果，但是存在模型训练时间长、精度不高的问题。

发明内容

本发明为了克服现有技术的不足，提升风电集群的功率预测精度，提供一种基于动态自适应的风电集群功率预测方法，针对不同工况的风电集群选取最佳的预测模型，提升预测精度。

本发明采取的技术方案如下：

一种基于动态自适应的风电集群功率预测方法，其特征在于按以下步骤进行：

步骤1：收集风电场历史数据，根据当地的地理位置和电网拓扑结构对风电集群进行划分；

步骤2：根据划分的风电集群，建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型，并训练风电集群三个预测模型的功率预测；

步骤3：根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型；

步骤4：收集实时数值天气预报NWP数据和实时功率测量数据；

步骤5：根据训练过程中选择的预测模型，代入实时NWP数据和实时功率测量数据，得到子集群预测结果，将子集群的功率预测结果相加，得到集群总体预测结果。

所述步骤1具体包括以下步骤：

步骤1-1：收集风电场历史天气预报数据，历史天气预报数据含有风速、风向、温度、湿度和气压参数；

步骤1-2：收集风电场地理位置数据，以地理位置临近原则对风电集群进行划分；

步骤1-3：收集各风电场历史功率数据。

所述步骤2具体包括以下步骤：

步骤2-1：建立时间序列预测模型：用自回归滑动平均模型ARMA作为时间序列预测模型，利用历史风电集群的功率数据对ARMA模型进行参数辨识，形成上下游效应预测模型；即

其中x_t代表要预测时刻t的功率，x_t-j代表t-j时刻的实测功率；ε_t-k为t-k时刻的预测误差，m、n分别为ARMA模型阶数，θ_k以及ARMA模型阶数m、n通过长自回归法得到；为自回归模型系数，θ_k为移动平均模型系数；

步骤2-2：建立数值天气预报预测模型：该预测模型以BP神经网络为基础，以该集群内部所有NWP预报点的风速、风向以及集群预测前12小时功率为输入参数，集群的实际功率为输出参数进行训练；训练过程中，BP神经网络隐含层节点数通过遍历优化得到；

步骤2-3：建立空间资源匹配预测模型：该预测模型的计算方法为公式(2)所示；

其中，为h小时后的风电集群功率预测值；L代表通过计算权重系数，一共找到L个匹配集合与待预测的t+h时刻的权重系数最高；p_i为匹配集合中的风电集群功率的测量值；ω_i,t+h为权重系数，权重系数值越大，代表该集合所占的权重值越大；公式(2)中L的确定，与权重系数ω_i,t+h的计算方法有关；对风电集群的预测而言，权重系数的本质是计算两个集群之间空间资源参数的距离；该距离d_i,t+h的计算公式(3)所示；

公式(3)中的M代表代表集群中风电场的个数；η_k为某空间资源参数对于整体计量重要程度的权重系数，例如风速为风电功率预测最重要的参数，权重系数可以设置为最高，容量大的风电场对应的权重系数应比容量小的风电场权重系数高；v_k,t+h为待预测时刻的某一个空间资源参数,v_k,i为历史匹配对象的某一个空间资源参数；式中β为功率距离所占的权重系数，P_i,P_t+h-1代表i时刻和t+h-1时刻的功率测量值；根据公式(3)计算出的距离，画出的历史功率和空间资源距离散点图的一个例子；对于历史功率和空间资源距离散点图而言，需设置一个门槛值δ_s；小于δ_s的匹配集合对应的历史功率将用于实时功率的预测，而大于δ_s的集合则视为与待预测功率无关，因此可以将其排除。门槛值δ_s的计算如公式(4)所示，其中d_min为最小距离值；d_med为距离散点分布图的中位数；p_r为从d_min和d_med区间内截取靠近d_min的数据的百分比；

δ_s＝d_min+p_r·(d_med-d_min) (4)

对模型计算公式(2)而言，匹配集合确定之后，需要进一步确定每个集合的权重系数ω_i,t+h，其计算如公式(5)所示，其中为距离权重系数，为时间权重系数；

距离权重系数计算如公式(6)所示，其中d_i,t+h为公式(3)计算得到的距离，μ为距离分布散点图中的中位数，α为待定系数，将在训练中进行优化选择。

时间权重系数反映了时间因素在风电功率预测中的显著作用，越接近当前预测时间点的历史数据其作用越重要，时间权重系数τ_i为时间距离，τ_i＝t+h-i，λ为时间因子，0<λ<1需在训练过程中进行优化选择。对于不同的预测时间尺度，模型对应着不同的最优参数。

所述步骤4具体包括以下步骤：

步骤4-1：收集SCADA***里面实时功率出力数据；

步骤4-2：收集数值天气预报中心的实时NWP数据。

所述步骤5具体包括以下内容：

根据步骤3选择训练误差最小的预测模型，将步骤4中的数据代入所选择的预测模型中，得到子集群预测结果，将子集群的功率预测结果相加，得到集群总体预测结果。

三种预测模型的预测过程有所不同，下面分三种情况展开论述：

若选择上下游效应预测模型，将步骤4-1中的功率数据代入公式(1)得到12小时的风电集群预测结果。

若选择天气预报预测模型，首先用公式(7)进行NWP数据修正。

y_t＝x_0,t+x_1,tv_t+x_2,tv_t ²+x_3,tv_t ³+q_t (7)

其中v_t是NWP模型在t时刻的风速输出，y_t是t时刻的风速预测误差。x_i,t(i＝0,1,2,3)是采用卡尔曼滤波器估计的系数。然后将步骤4得到的功率数据和修正后的天气预报数据代入BP神经网络模型得到第1小时预测结果。第2小时的输入参数中需要将第1小时的预测功率代入，依次类推。

若选择空间资源匹配预测模型，将NWP数据和预测前一小时功率数据代入公式(2)-(6)进行预测。值得注意的是，在预测的前4个小时，输入参数中含有预测点前一小时的功率，在预测的后几个小时输入参数中不含前一小时的功率。在预测的前4个小时，输入参数的迭代。

与现有技术相比，本发明达到的有益效果是：

本发明可实现基于动态自适应技术的风电集群功率预测，进一步提高功率预测精度。具体如下：

(1)本发明根据训练阶段的预测误差选择最佳的预测模型类型，避免因为随机选择预测模型而导致的精度不高。

(2)本发明提出了一种有效的空间资源匹配模型，该模型建模简单，计算复杂度低，精度高，实用性强。

(3)本发明提出的空间资源匹配预测模型，在预测的前四个小时输入参数中含有预测点前一时刻的测量功率，在预测的后8个小时输入参数中不含前一时刻的测量功率，提高了前4个小时的预测精度，但又不影响4个小时之后的预测精度。

附图说明

图1是本发明提供的样本距离数据；

图2是BP神经网络输入参数的迭代过程图；

图3是风电集群功率空间资源匹配法输入参数的迭代过程图。

图4是本发明提供的整体预测流程图。

具体实施方式

下面结合附图，对本发明的预测流程做进一步阐述，以下实例用于说明本发明，但不能用来限制本发明的范围。

如图4所示，一种基于动态自适应的风电集群功率预测方法，其特征在于按以下步骤进行：

步骤1：收集各风电场风速、风向、温度、湿度和气压的历史天气预报数据，收集各风电场地理位置数据，以电网拓扑对风电集群进行划分，收集各风电场历史功率数据；

步骤2：根据划分的风电集群，建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型，并训练风电集群三个预测模型的功率预测；

具体步骤为：

步骤2-1：建立时间序列预测模型：用自回归滑动平均模型ARMA作为时间序列预测模型，利用历史风电集群的功率数据对ARMA模型进行参数辨识，形成上下游效应预测模型；即

其中x_t代表要预测时刻t的功率，x_t-j代表t-j时刻的实测功率；ε_t-k为t-k时刻的预测误差，m、n分别为ARMA模型阶数，θ_k以及ARMA模型阶数m、n通过长自回归法得到；为自回归模型系数，θ_k为移动平均模型系数；

步骤2-2：建立数值天气预报预测模型：该预测模型以BP神经网络为基础，以该集群内部所有NWP预报点的风速、风向以及集群预测前12小时功率为输入参数，集群的实际功率为输出参数进行训练；训练过程中，BP神经网络隐含层节点数通过遍历优化得到；

步骤2-3：建立空间资源匹配预测模型：该预测模型的计算方法如公式(2)所示；

其中，为h小时后的风电集群功率预测值；L代表通过计算权重系数，一共找到L个匹配集合与待预测的t+h时刻的权重系数最高；p_i为匹配集合中的风电集群功率的测量值；ω_i,t+h为权重系数，权重系数值越大，代表该集合所占的权重值越大；公式(2)中L的确定，与权重系数ω_i,t+h的计算方法有关；对风电集群的预测而言，权重系数的本质是计算两个集群之间空间资源参数的距离；该距离d_i,t+h的计算如公式(3)所示；

公式(3)中的M代表集群中风电场的个数；η_k为某空间资源参数对于整体计量重要程度的权重系数，例如风速为风电功率预测最重要的参数，其权重系数可以设置为最高，容量大的风电场对应的权重系数应比容量小的风电场权重系数高；v_k,t+h为待预测时刻的某一个空间资源参数,v_k,i为历史匹配对象的某一个空间资源参数；式中β为功率距离所占的权重系数，P_i,P_t+h-1代表i时刻和t+h-1时刻的功率测量值；根据公式(3)计算出的距离，画出的历史功率和空间资源距离散点图的一个例子，如附图2所示。对该图而言，需设置一个门槛值δ_s。小于δ_s的匹配集合对应的历史功率将用于实时功率的预测，而大于δ_s的集合则视为与待预测功率无关，因此可以将其排除。附图1中虚线即为门槛值，实线的方框即为选中的集合。门槛值δ_s的计算如公式(4)所示，其中d_min为最小距离值；d_med为距离散点分布图的中位数；p_r为从d_min和d_med区间内截取靠近d_min的数据的百分比。

δ_s＝d_min+p_r·(d_med-d_min) (4)

对模型计算公式(2)而言，匹配集合确定之后，需要进一步确定每个集合的权重系数ω_i,t+h，其计算公式(5)所示，其中为距离权重系数，为时间权重系数；

距离权重系数计算如公式(6)所示，其中d_i,t+h为公式(3)计算得到的距离，μ为距离分布散点图中的中位数，α为待定系数，将在训练中进行优化选择；

时间权重系数反映了时间因素在风电功率预测中的显著作用，越接近当前预测时间点的历史数据其作用越重要；时间权重系数τ_i为时间距离，τ_i＝t+h-i，λ为时间因子，0<λ<1，需在训练过程中进行优化选择。对于不同的预测时间尺度，模型对应着不同的最优参数。

步骤3：根据三种模型的训练误差评价结果选择训练误差最小的预测模型；

步骤4：收集SCADA***里面实时功率出力数据和数值天气预报中心的实时NWP数据。

步骤5：根据训练过程中选择的预测模型，代入实时NWP数据和实时功率测量数据，得到子集群预测结果，将子集群的功率预测结果相加，得到集群总体预测结果；具体为：根据步骤3选择训练误差最小的预测模型，将步骤4中的数据代入所选择的预测模型中，三种预测模型的预测过程有所不同，下面分三种情况展开论述：

若选择上下游效应预测模型，将步骤4中收集SCADA***里面实时功率出力数据的功率数据代入公式(1)得到12小时的风电集群预测结果；

若选择天气预报预测模型，首先用公式(7)进行NWP数据修正；

y_t＝x_0,t+x_1,tv_t+x_2,tv_t ²+x_3,tv_t ³+q_t (7)

其中v_t是NWP模型在t时刻的风速输出，y_t是t时刻的风速预测误差。x_i,t(i＝0,1,2,3)是采用卡尔曼滤波器估计的系数。然后将步骤4得到的功率数据和修正后的天气预报数据代入BP神经网络模型得到第1小时预测结果。第2小时的输入参数中需要将第1小时的预测功率代入，依次类推。输入参数的详细迭代过程见附图2。

若选择空间资源匹配预测模型，将NWP数据和预测前一小时功率数据代入公式(2)-(6)进行预测。值得注意的是，在预测的前4个小时，输入参数中含有预测点前一小时的功率，在预测的后几个小时输入参数中不含前一小时的功率。在预测的前4个小时，输入参数的迭代过程如附图3所示。

Claims (8)

1.一种基于动态自适应的风电集群功率预测方法，其特征在于按以下步骤进行：

步骤1：收集风电场历史数据，根据当地的地理位置和电网拓扑结构对风电集群进行划分；

步骤2：根据划分的风电集群，建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型，并训练风电集群三个预测模型的功率预测；

步骤3：根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型；

步骤4：收集实时数值天气预报NWP数据和实时功率测量数据；

步骤5：根据训练过程中选择的预测模型，代入实时NWP数据和实时功率测量数据，得到子集群预测结果，将子集群的功率预测结果相加，得到集群总体预测结果。

2.根据权利要求1所述的基于动态自适应的风电集群功率预测方法，其特征在于，所述步骤1具体包括以下步骤：

步骤1-1：收集风电场历史天气预报数据，历史天气预报数据含有风速、风向、温度、湿度和气压参数；

步骤1-2：收集风电场地理位置数据，以地理位置临近原则对风电集群进行划分；

步骤1-3：收集各风电场历史功率数据。

3.根据权利要求1所述的基于动态自适应的风电集群功率预测方法，其特征在于，所述步骤2具体包括以下步骤：

步骤2-1：建立时间序列预测模型：采用自回归滑动平均模型ARMA作为时间序列预测模型，利用历史风电集群的功率数据对ARMA模型进行参数辨识，形成上下游效应预测模型；即

其中x_t代表要预测时刻t的功率，x_t-j代表t-j时刻的实测功率；ε_t-k为t-k时刻的预测误差，m、n分别为ARMA模型阶数，θ_k以及ARMA模型阶数m、n通过长自回归法得到；为自回归模型系数，θ_k为移动平均模型系数；

步骤2-2：建立数值天气预报预测模型：该预测模型以BP神经网络为基础，以该集群内部所有NWP预报点的风速、风向以及集群预测前12个小时功率为输入参数，集群的实际功率为输出参数进行训练；训练过程中，BP神经网络隐含层节点数通过遍历优化得到；

步骤2-3：建立空间资源匹配预测模型：该预测模型的计算方法为公式(2)所示；

${\hat{P}}_{t+h}=\frac{{\&Sigma;}_{i=1}^L{p}_i\&CenterDot;{\mathrm{\&omega;}}_{i,t+h}}{{\&Sigma;}_{i=1}^L{\mathrm{\&omega;}}_{i,t+h}}---\left(2\right)$

其中，为h小时后的风电集群功率预测值；L代表通过计算权重系数，一共找到L个匹配集合与待预测的t+h时刻的权重系数最高；p_i为匹配集合中的风电集群功率的测量值；ω_i,t+h为权重系数，权重系数值越大，代表该集合所占的权重值越大；公式(2)中L的确定，与权重系数ω_i,t+h的计算方法有关；对风电集群的预测而言，权重系数的本质是计算两个集群之间空间资源参数的距离；该距离d_i,t+h的计算公式(3)所示；

$d_{i,t+h}=\frac{1}{H}\sqrt{\underset{k=1}{\overset{M}{\&Sigma;}}{\mathrm{\&eta;}}_k^2{(v_{k,i}-v_{k,t+h})}^2}+\mathrm{\&beta;}*|P_i-P_{t+h-1}|---\left(3\right)$

公式(3)中M代表集群中风电场的个数；η_k为某空间资源参数对于整体计量重要程度的权重系数，例如风速为风电功率预测最重要的参数，权重系数设置为最高，容量大的风电场对应的权重系数应比容量小的风电场权重系数高；v_k,t+h为待预测时刻的某一个空间资源参数,v_k,i为历史匹配对象的某一个空间资源参数；式中β为功率距离所占的权重系数，P_i,P_t+h-1代表i时刻和t+h-1时刻的功率测量值；根据公式(3)计算出的距离，画出的历史功率和空间资源距离散点图的一个例子；对于历史功率和空间资源距离散点图而言，需设置一个门槛值δ_s；小于δ_s的匹配集合对应的历史功率将用于实时功率的预测，而大于δ_s的集合则视为与待预测功率无关并排除；门槛值δ_s的计算公式(4)所示，其中d_min为最小距离值；d_med为距离散点分布图的中位数；p_r为从d_min和d_med区间内截取靠近d_min的数据的百分比；

δ_s＝d_min+p_r·(d_med-d_min) (4)

对模型计算公式(2)而言，匹配集合确定之后，需要进一步确定每个集合的权重系数ω_i,t+h，其计算公式(5)所示，其中为距离权重系数，为时间权重系数；

${\mathrm{\&omega;}}_{i,t+h}={\mathrm{\&omega;}}_{i,t+h}^d\&CenterDot;{\mathrm{\&omega;}}_{i,t+h}^{\mathrm{\&tau;}};i=1,\mathrm{...},L---\left(5\right)$

距离权重系数计算如公式(6)所示，其中d_i,t+h为公式(3)计算得到的距离，μ为距离分布散点图中的中位数，α为待定系数，将在训练中进行优化选择；

${\mathrm{\&omega;}}_{i,t+h}^d=\exp (-\frac{\mathrm{\&alpha;}}{\mathrm{\&mu;}}\&CenterDot;d_{i,t+h})---\left(6\right)$

时间权重系数反映了时间因素在风电功率预测中的显著作用，越接近当前预测时间点的历史数据其作用越重要；时间权重系数τ_i为时间距离，τ_i＝t+h-i，λ为时间因子，0<λ<1，需在训练过程中进行优化选择；对于不同的预测时间尺度，模型对应着不同的最优参数。

4.根据权利要求1所述的基于动态自适应的风电集群功率预测方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4-1：收集SCADA***里面实时功率出力数据；

步骤4-2：收集数值天气预报中心的实时NWP数据。

5.根据权利要求1所述的基于动态自适应的风电集群功率预测方法，其特征在于，所述步骤5具体为：根据步骤3选择训练误差最小的预测模型，将步骤4中的数据代入所选择的预测模型中，得到子集群预测结果，将子集群的功率预测结果相加，得到集群总体预测结果。

6.根据权利要求5所述的基于动态自适应的风电集群功率预测方法，其特征在于，若选择上下游效应预测模型，将步骤4-1中的功率数据代入公式(1)得到12小时的风电集群预测结果。

7.根据权利要求5所述的基于动态自适应的风电集群功率预测方法，其特征在于，若选择天气预报预测模型，首先用公式(7)进行NWP数据修正。

y_t＝x_0,t+x_1,tv_t+x_2,tv_t ²+x_3,tv_t ³+q_t (7)

其中v_t是NWP模型在t时刻的风速输出，y_t是t时刻的风速预测误差；x_i,t(i＝0,1,2,3)是采用卡尔曼滤波器估计的系数，然后将步骤4得到的功率数据和修正后的天气预报数据代入BP神经网络模型得到第1小时预测结果；第2小时的输入参数中需要将第1小时的预测功率代入，依次类推。

8.根据权利要求5所述的基于动态自适应的风电集群功率预测方法，其特征在于，若选择空间资源匹配预测模型，将NWP数据和预测前一小时的功率数据代入公式(2)-(6)进行预测；值得注意的是，在预测的前4个小时，输入参数中含有预测点前一小时的功率，在预测的后几个小时输入参数中不含前一小时的功率，在预测的前4个小时，输入参数的迭代过。