CN106933778A - 一种基于爬坡事件特征识别的风电功率组合预测方法 - Google Patents

Abstract

本发明公开了一种基于爬坡事件特征识别的风电功率组合预测方法，包括以下步骤：一、利用小波降噪法对风电场的历史风速和功率数据进行处理，分别得到光滑的曲线；二、将得到的曲线采用压缩算法对其进行爬坡事件的特征识别和提取；三、利用模糊聚类的方法将步骤二得到的风电功率的爬坡事件的特征值进行分类；四、利用统计方法对不同的爬坡事件类型分别进行训练并建立预测模型；五、对风电场的实时风速测试数据和实时功率测试数据进行步骤一至二，提取实时风速和功率测试数据的爬坡事件的特征值；六、利用步骤四得到的预测模型对提取出来的实时风速和功率测试数据的爬坡事件的特征值进行分类，并利用预测模型进行预测，最后得到最终的组合预测结果。

Description

一种基于爬坡事件特征识别的风电功率组合预测方法

技术领域

本发明涉及电力***运行与控制领域，特别是涉及一种基于风电场爬坡事件特征识别的风电功率组合预测方法。

背景技术

随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻，风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全，调整能源结构，减轻环境污染，实现可持续发展等都具有非常重要的意义。

自然界风能的间歇特性决定了风电功率具有很强的波动性，随着风电场数量和装机容量的不断增大，一旦将风电并入电网，这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测，可以缓解电力***调峰、调频的压力，有效提高电网对风电的接纳能力。

目前，随着风电在电网中渗透率的提高，风电并网给电力***的调度和安全稳定带来很大的挑战，使得风电功率的准确预测变得尤为重要。尽管常规的功率预测方法已经达到风电场运行要求，但是当出现风电功率的瞬时显著波动即风电功率爬坡事件时，会导致电网瞬时性或永久性故障，造成巨额经济损失。因此，研究风电爬坡的特性并对其进行准确预测，一方面能够提高电网对并网风电功率估计的准确性，有助于电力调度提前对风电爬坡事件进行防范，维护电网的稳定运行；另一方面能够降低常规机组应对风电爬坡事件的调控负担，有助于减少电网的旋转备用容量，降低运行成本，对风电大规模集中并网的安全稳定经济运行具有重要意义。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于爬坡事件特征识别的风电功率组合预测方法。该方法充分考虑了目前风电功率预测的热门研究问题，即风电的爬坡事件的功率预测。采用一种全新的数据储存领域中的压缩数据手段，可以更加快速有效的进行风电爬坡事件的特征识别和提取。此外，根据爬坡事件成因复杂、具有非线性、滞后性，难以建立准确的数学模型来表征的特点，采用模糊聚类的方法，从历史样本集中搜索出相似事件的类别并进行训练和建立预测模型。该方法适应性强，能够有效地提高风电的预测精度。本发明所采用的技术方案综合考虑如下因素：

1、风电场历史风速数据和历史功率数据；

2、风电爬坡事件的爬坡方向、爬坡率、爬坡幅值、爬坡持续时间和爬坡开始时间；

3、本地风电场数据的历史年变化规则。

在以上因素的基础上，一种基于爬坡事件特征识别的风电功率组合预测方法，包括以下步骤：

S1、利用小波降噪法对风电场的历史风速和历史功率数据进行处理，分别得到光滑的历史风速曲线和历史功率曲线，以消除噪声带来的干扰；

S2、采用压缩算法，对步骤S1得到的光滑的历史风速曲线和历史功率曲线进行爬坡事件的特征识别，然后将识别出来的爬坡事件进行特征值提取；

S3、利用模糊聚类的方法将步骤S2提取出来的爬坡事件的特征值进行分类，作出最优聚类模型，得到不同的爬坡事件类型；

S4、利用统计方法对步骤S3得到的不同的爬坡事件类型分别进行训练并建立预测模型；

S5、对风电场的实时风速测试数据和实时功率测试数据进行步骤S1至S2的过程，提取实时风速测试数据和实时功率测试数据的爬坡事件的特征值；

S6、利用步骤S4得到的预测模型对提取出来的实时风速测试数据和实时功率测试数据的爬坡事件的特征值进行分类，并利用预测模型进行预测，最后得到最终的组合预测结果。

在上述方案的基础上，步骤S1所述小波降噪的过程为：

S11、对历史风速数据和历史功率数据的时间序列进行傅里叶处理，将离散的信号转为连续信号；

S12、对连续信号进行功率谱分析，画出其频谱波形；

S13、分析连续信号的频谱波形特点，进而对波形进行拟合，拟合后得到参数方程，求解得出功率谱分布结果；

S14、改变方程的参数后进行反变换，得出滤波后的结果。

在上述方案的基础上，步骤S2中所述压缩算法为旋转门(SDT)算法，所述旋转门算法是一种直线趋势化压缩算法。

在上述方案的基础上，步骤S2中所述爬坡事件是基于快速场(FFP)算法的，基于FFP算法的爬坡事件定义为：设P为风电历史功率时间序列，为经过去噪之后的风电光滑的历史功率曲线，为经SDT算法转换后的风电历史功率光滑序列，所述历史功率光滑序列用来识别爬坡事件，由公式(1)计算得到：

其中SDT为具有压缩算法原理的自定义函数；ΔE为敏感性参数，取值越小，可识别的爬坡事件过程持续时间越短，爬坡高度越低；取值越大，可识别的爬坡事件过程持续时间越长，爬坡高度越高。

当风电历史功率时间序列的变换信号的绝对值大于符合爬坡事件判断标准的阈值参数λ时，即

当为负值时，识别出的为下爬坡事件，当为正值时，识别出的为上爬坡事件。

在上述方案的基础上，所述上爬坡事件的阈值为20.0％cap，下爬坡事件的阈值为15.0％cap。

在上述方案的基础上，所述特征值包括：爬坡率R_r、爬坡幅值R_A、开始时间R_Ts和持续时间R_Tl。

在上述方案的基础上，步骤S3利用模糊聚类的方法将特征值进行分类的具体步骤如下：

S31、假设每个爬坡事件有m个特征值，而n个样本组成特征矩阵：

S32、对S31中的特征矩阵进行归一化处理：

S33、采用模糊聚类的方法计算各个特征值的模糊隶属度：

其中，为第i个数据对j个聚类中心的隶属度；i＝1,2,..,m，j＝1,2,..,c，c为数据硬划分聚类数目；v_ij和σ_ij分别表示高斯函数的中心和宽度；

S34、按模糊隶属度最近原则作出最优聚类模型，得到不同的爬坡事件类型。

在上述方案的基础上，步骤S4中采用极端学习机(ELM)算法对不同的爬坡事件类型分别进行训练，调节ELM算法参数使各种爬坡事件均建立一个最优的聚类模型。

与传统函数逼近理论需要调整输入权值和隐含层偏置不同，极端学习机算法中只要激活函数是无限可导的，输入权值和隐含层偏置可以随机分配，一旦随机分配的值在算法学习开始被代入到算法参数中去，隐含层输出矩阵H就被唯一的确定并且保持不变了，训练一个神经网络就相当于寻找一个线性***的最小二乘解，如果隐含层节点的个数和输入样例个数相等，那么这个单隐层前馈神经网络(SLFN)就能够以零误差逼近这些训练样例。

所述极端学习机算法的具体步骤为：

1)随机分配输入权值和隐含层偏置；

对于N个不同的训练样本{x_j,y_j}，x_j是n×1维输入向量，y_j是m×1维输出向量，具有D个隐层节点和无限可导激活函数_g(x)的SLFN结构可以以零误差逼近这N个样本，即存在β_i,ω_i和b_i，使∑||y_j-r_j||＝0，也可写成如下形式：

式中：ω_i为n×1维向量，表示输入层与隐含层的神经元的连接权值；β_i为m×1维向量，表示隐含层与输出层神经元的连接权值；b_i为隐含层神经元的偏置；r_j为网络的输出；g(x)为激活函数，可以是“sig”，“rbf”，“sin”等多种形式。

2)计算隐含层输出矩阵H；

这N个方程可写成矩阵形式：

Hβ＝R (7)

其中，β是输出层权值矩阵，R是期望输出；

3)计算ELM算法的全局最优输出权值；

H⁺为H的广义逆矩阵。

有益效果：

本发明所述的基于爬坡事件特征识别的风电功率组合预测该方法，充分考虑了目前风电功率预测的热门研究问题，即风电的爬坡事件的功率预测。采用一种全新的数据储存领域中的压缩数据手段，可以更加快速有效的进行风电爬坡事件的特征识别和提取。此外，根据爬坡事件成因复杂、具有非线性、滞后性，难以建立准确的数学模型来表征的特点，采用模糊聚类从历史样本集中搜索出相似事件的类别并进行训练和建立预测模型。该方法适应性强，能够有效地提高风电的预测精度。

附图说明

本发明有如下附图：

图1一种基于爬坡事件特征识别的风电功率组合预测方法的流程示意图。

具体实施方式

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

如图1所示，本发明所述的一种基于爬坡事件特征识别的风电功率组合预测方法，包括如下步骤：

步骤S1.针对风电场的历史风速数据和历史功率数据，利用小波降噪法处理后得到光滑的历史风速曲线和历史功率曲线，以消除噪声带来的干扰。

有用信号通常表现为低频信号或是相对比较平稳，而噪声信号通常表现为高频信号。利用小波降噪法对含噪的原始信号分解后，含噪部分主要集中在高频信号中。首先对历史风速数据和历史功率数据的时间序列进行傅里叶处理，将离散的信号转为连续信号。并对连续信号进行功率谱分析，画出其频谱波形，分析连续信号的频谱波形特点，进而对波形进行拟合，拟合后得到参数方程，求解得出功率谱分布结果。改变方程的参数后进行反变换，得出滤波后的结果。

步骤S2.采用压缩算法，对经过步骤S1处理之后所得到的光滑的历史风速曲线和历史功率曲线进行爬坡事件的特征识别，然后将识别出来的爬坡事件进行特征值提取。

采用数据压缩算法中的旋转门(Swinging door trending，SDT)算法，SDT算法是一种直线趋势化压缩算法，它较其他压缩算法的优点在于，能够找出尽可能最长的直线趋势进行数据压缩，剔除了噪声对数据的影响，使得爬坡事件的识别更加完整，从而尽可能的避免了特征识别的缺失和过识别情况发生。

基于FFP算法的爬坡事件定义为：设P为风电历史功率时间序列，为经过去噪之后的风电光滑的历史功率曲线，为经SDT算法转换后的风电历史功率光滑序列，所述历史功率光滑序列可以用来识别爬坡事件，由公式(1)计算得到：

其中SDT为具有压缩算法原理的自定义函数；ΔE为敏感性参数，取值越小，可识别的爬坡事件过程持续时间越短，爬坡高度越低；取值越大，可识别的爬坡事件过程持续时间越长，爬坡高度越高。

当风电历史功率时间序列的变换信号的绝对值大于符合爬坡事件判断标准的阈值参数λ时，即

当为负值时，识别出的为下爬坡事件，当为正值时，识别出的为上爬坡事件。此定义需要给定两个参数λ和ΔE。λ为判定是否发生爬坡事件的阈值，上爬坡事件的阈值为20.0％cap，下爬坡事件的阈值为15.0％cap。此外，将识别出来的爬坡事件进行特征值提取，特征值包括：爬坡率R_r、爬坡幅值R_A、开始时间R_Ts和持续时间R_Tl。

步骤S3.利用模糊聚类的方法将步骤S2提取出来的爬坡事件的特征值进行分类,作出最优聚类模型，得到不同的爬坡事件类型。

由于影响爬坡事件发生的因素错综复杂,至今对其形成的物理机制还没有完全弄清楚。因此，基于风电爬坡事件是一个具有典型模糊性的***的基本思想，将成因分析、统计分析方法与模糊分析方法相结合，建立起爬坡事件与相应爬坡特征值之间的模糊关系，进行聚类分析。

假设每个爬坡事件有m个特征值，而n个样本组成特征矩阵：

由于量纲不一致，先对S31中的特征矩阵进行归一化处理：

采用模糊聚类法计算各个特征值的模糊隶属度：

其中，为第i个数据对j个聚类中心的隶属度；i＝1,2,..,m，j＝1,2,..,c，c为数据硬划分聚类数目，本文取4；v_ij和σ_ij分别表示高斯函数的中心和宽度。按模糊隶属度最近原则即可作出最优聚类模型，得到不同的爬坡事件类型。

步骤S4.利用统计方法对不同的爬坡事件类型分别进行训练并建立预测模型。

采用极端学习机(ELM)算法对不同的爬坡事件类型进行训练，调节ELM算法参数使各种爬坡事件均建立一个最优的聚类模型，

与传统函数逼近理论需要调整输入权值和隐含层偏置不同，极端学习机算法中只要激活函数是无限可导的，输入权值和隐含层偏置可以随机分配，一旦随机分配的值在算法学习开始被代入到算法参数中去，隐含层输出矩阵H就被唯一的确定并且保持不变了，训练一个神经网络就相当于寻找一个线性***的最小二乘解，如果隐含层节点的个数和输入样例个数相等，那么这个单隐层前馈神经网络(SLFN)就能够以零误差逼近这些训练样例。

所述极端学习机算法的具体步骤为：

1)随机分配输入权值和隐含层偏置；

对于N个不同的训练样本{x_j,y_j}，x_j是n×1维输入向量，y_j是m×1维输出向量，具有D个隐层节点和无限可导激活函数_g(x)的SLFN结构可以以零误差逼近这N个样本，即存在β_i,ω_i和b_i，使∑||y_j-r_j||＝0，也可写成如下形式：

式中：ω_i为n×1维向量，表示输入层与隐含层的神经元的连接权值；β_i为m×1维向量，表示隐含层与输出层神经元的连接权值；b_i为隐含层神经元的偏置；r_j为网络的输出；g(x)为激活函数，可以是“sig”，“rbf”，“sin”等多种形式。

2)计算隐含层输出矩阵H；

这N个方程可写成矩阵形式：

Hβ＝R (7)

其中β是输出层权值矩阵，R是期望输出；

3)计算ELM算法的全局最优输出权值；

H⁺为H的广义逆矩阵。

步骤S5.对风电场的实时风速测试数据和实时功率测试数据进行步骤S1至S2的过程，提取实时风速测试数据和实时功率测试数据的爬坡事件的特征值。

根据步骤S1到S2对实时风速测试数据和实时功率测试数据进行同样的处理和分析，提取爬坡事件的特征值：爬坡率R_r、爬坡幅值R_A、开始时间R_Ts和持续时间R_Tl。

步骤S6.利用步骤S4得到的预测模型对步骤S5提取的实时风速测试数据和实时功率测试数据的爬坡事件的特征值进行分类，并利用预测模型进行预测，最后得到最终的组合预测结果。

采用同样的分类标准，按照步骤S4得到的预测模型对步骤S5提取的实时风速测试数据和实时功率测试数据的爬坡事件的特征值进行分类，分别用已经训练好的极端学习机算法与相对应的四种预测模型进行测试。

以上所述，仅是本发明的较佳实例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰，均落在本发明的保护范围内。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：包括以下步骤：

S1、利用小波降噪法对风电场的历史风速和历史功率数据进行处理，分别得到光滑的历史风速曲线和历史功率曲线，以消除噪声带来的干扰；

S2、采用压缩算法，对步骤S1得到的光滑的历史风速曲线和历史功率曲线进行爬坡事件的特征识别，然后将识别出来的爬坡事件进行特征值提取；

S3、利用模糊聚类的方法将步骤S2提取出来的爬坡事件的特征值进行分类，作出最优聚类模型，得到不同的爬坡事件类型；

S4、利用统计方法对步骤S3得到的不同的爬坡事件类型分别进行训练并建立预测模型；

S5、对风电场的实时风速测试数据和实时功率测试数据进行步骤S1至S2的过程，提取实时风速测试数据和实时功率测试数据的爬坡事件的特征值；

S6、利用步骤S4得到的预测模型对提取出来的实时风速测试数据和实时功率测试数据的爬坡事件的特征值进行分类，并利用预测模型进行预测，最后得到最终的组合预测结果。

2.如权利要求1所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：步骤S1中所述小波降噪的过程为：

S11、对历史风速数据和历史功率数据的时间序列进行傅里叶处理，将离散的信号转为连续信号；

S12、对连续信号进行功率谱分析，画出其频谱波形；

S13、分析连续信号的频谱波形特点，进而对波形进行拟合，拟合后得到参数方程，求解得出功率谱分布结果；

S14、改变方程的参数后进行反变换，得出滤波后的结果。

3.如权利要求1所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：步骤S2中所述压缩算法为旋转门算法，所述旋转门算法是一种直线趋势化压缩算法。

4.如权利要求1所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：步骤S2中所述爬坡事件是基于快速场算法的，基于快速场算法的爬坡事件定义为：设P为风电历史功率时间序列，为经过去噪之后的风电光滑的历史功率曲线，为经SDT算法转换后的风电历史功率光滑序列，所述历史功率光滑序列用来识别爬坡事件，由公式(1)计算得到：

${\stackrel{\‾}{P}}_{SDT}=SDT(\stackrel{\‾}{P},\mathrm{\Δ}E)---\left(1\right)$

其中SDT为具有压缩算法原理的自定义函数；ΔE为敏感性参数，取值越小，可识别的爬坡事件过程持续时间越短，爬坡高度越低；取值越大，可识别的爬坡事件过程持续时间越长，爬坡高度越高；

当风电历史功率时间序列的变换信号的绝对值大于符合爬坡事件判断标准的阈值参数λ时，当为负值时，识别出的为下爬坡事件，当为正值时，识别出的为上爬坡事件。

5.如权利要求4所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：所述上爬坡事件的阈值为20.0％cap，下爬坡事件的阈值为15.0％cap。

6.如权利要求1所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：步骤S2中所述特征值包括：爬坡率R_r、爬坡幅值R_A、开始时间R_Ts和持续时间R_Tl。

7.如权利要求6所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：步骤S3中利用模糊聚类的方法将特征值进行分类的具体步骤如下：

S31、假设每个爬坡事件有m个特征值，而n个样本组成特征矩阵：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1n}\\ x_{21}& x_{22}& ...& x_{2n}\\ ...& ...& ...& ...\\ x_{m1}& x_{m2}& ...& x_{mn}\end{array}\right]=\left(x_{ij}\right)---\left(3\right)$

S32、对S31中的特征矩阵进行归一化处理：

$\hat{X}=\left[\begin{array}{cccc}{\hat{x}}_{11}& {\hat{x}}_{12}& ...& {\hat{x}}_{1n}\\ {\hat{x}}_{21}& {\hat{x}}_{22}& ...& {\hat{x}}_{2n}\\ ...& ...& ...& ...\\ {\hat{x}}_{m1}& {\hat{x}}_{m2}& ...& {\hat{x}}_{mn}\end{array}\right]=\left({\hat{x}}_{ij}\right)---\left(4\right)$

S33、采用模糊聚类的方法计算各个特征值的模糊隶属度：

${\mathrm{\μ}}_j^i\left(x\right)=\exp \[-\frac{1}{2}\frac{{(x_i-v_{ij})}^2}{{\mathrm{\σ}}_{ij}^2}\]---\left(5\right)$

其中，为第i个数据对j个聚类中心的隶属度；i＝1,2,..,m，j＝1,2,..,c，c为数据硬划分聚类数目；v_ij和σ_ij分别表示高斯函数的中心和宽度；

S34、按模糊隶属度最近原则作出最优聚类模型，得到不同的爬坡事件类型。

8.如权利要求1所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：步骤S4中采用极端学习机算法对不同的爬坡事件类型分别进行训练，调节极端学习机算法参数使各种爬坡事件均建立一个最优的聚类模型。

9.如权利要求8所述的基于爬坡事件特征识别的风电功率组合预测方法，其特征在于：所述极端学习机算法的具体步骤为：

1)随机分配输入权值和隐含层偏置；

对于N个不同的训练样本{x_j,y_j}，x_j是n×1维输入向量，y_j是m×1维输出向量，具有D个隐层节点和无限可导激活函数g(x)的单隐层前馈神经网络结构可以以零误差逼近这N个样本，即存在β_i,ω_i和b_i，使∑||y_j-r_j||＝0，也可写成如下形式：

$\underset{i=1}{\overset{D}{\Σ}}{\mathrm{\β}}_{i}g({\mathrm{\ω}}_i^T{x}_j+b_i)=y_j,j=1,...,N---\left(6\right)$

式中：ω_i为n×1维向量，表示输入层与隐含层的神经元的连接权值；β_i为m×1维向量，表示隐含层与输出层神经元的连接权值；b_i为隐含层神经元的偏置；r_j为网络的输出；g(x)为激活函数；

2)计算隐含层输出矩阵H；

将该N个方程写成矩阵形式：

Hβ＝R (7)

$H={\left(\begin{array}{ccc}g({\mathrm{\ω}}_1^T{x}_1+b_1)& ...& g({\mathrm{\ω}}_D^T{x}_1+b_D)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ ...\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ g({\mathrm{\ω}}_1^T{x}_N+b_1)& ...& g({\mathrm{\ω}}_D^T{x}_N+b_D)\end{array}\right)}_{N\×D}---\left(8\right)$

$\begin{array}{ccc}\mathrm{\β}={\left(\begin{array}{c}{\mathrm{\β}}_1^T\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\mathrm{\β}}_D^T\end{array}\right)}_{D\×m}& and& R={\left(\begin{array}{c}{r}_1^T\\ \begin{array}{c}.\\ .\\ .\end{array}\\ r_D^T\end{array}\right)}_{N\×m}\end{array}---\left(9\right)$

β是输出层权值矩阵，R是期望输出；

3)计算ELM算法的全局最优输出权值；

$\widehat{\mathrm{\β}}=H^{+}R---\left(10\right)$

H⁺为H的广义逆矩阵。