專利名稱：基于校正算法的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于發(fā)電機(jī)輸出功率管理與控制技術(shù)領(lǐng)域，尤其涉及一種基于校正算法的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法。
背景技術(shù)：
風(fēng)電固有的隨機(jī)性和間歇性使得大規(guī)模并網(wǎng)風(fēng)電場(chǎng)成為電力系統(tǒng)安全運(yùn)行的變數(shù)之一。因此，提高風(fēng)電場(chǎng)功率的預(yù)測(cè)精度成為了電力公司和風(fēng)電企業(yè)的迫切要求。運(yùn)用數(shù)據(jù)校正算法，可以利用預(yù)測(cè)中的時(shí)間冗余信息，綜合小波分析、模式識(shí)別和統(tǒng)計(jì)技術(shù)對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行處理，消除預(yù)測(cè)數(shù)據(jù)中包含的隨機(jī)誤差和顯著誤差，從而提高風(fēng)電場(chǎng)功率預(yù)測(cè)結(jié)果的精度。數(shù)據(jù)校正的工作主要包括顯著誤差檢測(cè)和數(shù)據(jù)協(xié)調(diào)，顯著誤差檢測(cè)技術(shù)的主要目的是對(duì)數(shù)據(jù)中的顯著誤差進(jìn)行檢測(cè)和識(shí)別或估算其真實(shí)值；而數(shù)據(jù)協(xié)調(diào)技術(shù)的主要目的是消除數(shù)據(jù)中隨機(jī)誤差，給出其協(xié)調(diào)值，并設(shè)法用已測(cè)數(shù)據(jù)對(duì)未測(cè)數(shù)據(jù)和未知參數(shù)予以估算。顯著誤差檢測(cè)分為基于測(cè)量殘差和基于約束殘差的檢測(cè)方法。前者主要包括測(cè)量檢驗(yàn)法(MT)、迭代測(cè)量檢驗(yàn)法(IMT)、修正的迭代測(cè)量檢驗(yàn)法(MIMT)；后者主要有整體檢驗(yàn)法(GT)、節(jié)點(diǎn)檢驗(yàn)法(NT)、廣義似然法(GLR)、主元分析法(PCA)等。另外神經(jīng)網(wǎng)絡(luò)、貝葉斯法、魯棒估計(jì)法也被引入顯著誤差檢測(cè)技術(shù)中，其中神經(jīng)網(wǎng)絡(luò)是一種非參數(shù)模型估計(jì)的方法，只用歷史數(shù)據(jù)進(jìn)行模型訓(xùn)練，不需要建立精確的數(shù)學(xué)模型，因此避免了過程建模不準(zhǔn)確帶來的估計(jì)偏差。此外，神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)量數(shù)據(jù)中的隨機(jī)誤差的分布不作特殊要求，處理非線性問題的能力較強(qiáng)，計(jì)算量小，適于在線應(yīng)用。數(shù)據(jù)協(xié)、調(diào)由 Kuehn 禾口 Davidson 提出(Kuehn D R，Davidson H. Computer controlII. Mathematics of control[J]. Chemical Engineering Progress,1961,57(6) :44-47),其發(fā)展經(jīng)歷了從穩(wěn)態(tài)數(shù)據(jù)協(xié)調(diào)、動(dòng)態(tài)數(shù)據(jù)協(xié)調(diào)到非線性數(shù)據(jù)協(xié)調(diào)的過程。Darouach將基于Kalman濾波的算法用于廣義線性動(dòng)態(tài)系統(tǒng)(Darouach M, Zasadzinski M. Datareconciliation in generalized linear dynamic systems[J]. AICHE J.,1991,37 (2)193-210)。Liebman等提出用非線性規(guī)劃法(NLP)解決非線性約束和不等式約束的動(dòng)態(tài)數(shù)據(jù)協(xié)調(diào)問題(Liebman M J, Edgar T F, Lasdon L S. Efficient data reconciliationestimation for dynamic processes using nonlinear programming technique [J].Computers Chem Engng J，1992，16 (10-11) :963-986)。Karjala 等用 Elman 神經(jīng)元網(wǎng)絡(luò)來求解非線性的數(shù)據(jù)協(xié)調(diào)問題(Karjala T W, Himmelblau D Μ, Miikkulainen R. Datarectification using recurrent (Elman)neural networks[C]. International JointConference on Neural Network，1992，2 :901-906)。在短期風(fēng)電功率預(yù)測(cè)中，實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)(Numerical WeatherPrediction,NWP)是最重要的輸入?yún)?shù)之一，也是最主要的誤差源之一。對(duì)于風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)，文獻(xiàn)(Zhiling Yang, Yongqian Liu, Chengrong Li. Interpolation of missing winddata based on ANFIS [C]. Renewable Energy, 2011,36 (30) :993-998)提出了采用 ANFIS補(bǔ)充缺失數(shù)據(jù)和無效數(shù)據(jù)，減小了實(shí)測(cè)數(shù)據(jù)的誤差。理論上風(fēng)力發(fā)電機(jī)的輸出功率可以下面的公式表達(dá)P = ^CppAvi(1)其中，P為輸出功率，單位為千瓦(KW) ；Cp為風(fēng)機(jī)的功率系數(shù)；P為空氣密度，單位為千克/立方米(kg/m3) ；A為風(fēng)輪的掃掠面積，單位為平方米(m2) ；ν為風(fēng)速，單位為米/秒(m/s)。同時(shí)，實(shí)際的輸出功率還要受到湍流以及風(fēng)機(jī)偏航裝置對(duì)風(fēng)向改變的滯后性的影響。在風(fēng)電功率預(yù)測(cè)中，最常用的方法是建立輸出功率和風(fēng)速之間的映射模型，而兩者之間的分散性越小，模型越準(zhǔn)確。如

圖1所示，風(fēng)機(jī)的實(shí)測(cè)輸出功率和實(shí)測(cè)風(fēng)速之間的分散性較小，根據(jù)實(shí)測(cè)風(fēng)速很容易建立輸出功率和實(shí)測(cè)風(fēng)速之間的映射模型。在短期風(fēng)電功率預(yù)測(cè)中，使用未來24h 7a!(h為小時(shí))的數(shù)值天氣預(yù)報(bào)風(fēng)速作為預(yù)測(cè)模型的輸入，來預(yù)測(cè)未來24h 7 的風(fēng)電輸出功率。其思路是由氣象部門提供的風(fēng)電場(chǎng)范圍內(nèi)24h 72h的數(shù)值天氣預(yù)報(bào)服務(wù)(風(fēng)速、風(fēng)向等)，通過插值得到每臺(tái)風(fēng)機(jī)輪轂高度的24h 7 風(fēng)速、風(fēng)向預(yù)報(bào)值，然后根據(jù)每臺(tái)風(fēng)機(jī)的風(fēng)速-功率曲線模型，或者人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等人工智能算法，映射為每臺(tái)風(fēng)機(jī)輸出功率的預(yù)測(cè)值，最后得到整個(gè)風(fēng)電場(chǎng)的輸出功率的預(yù)測(cè)值。其中，數(shù)值天氣預(yù)報(bào)是根據(jù)大氣實(shí)際情況，在一定的初值和邊值條件下，通過大型計(jì)算機(jī)作數(shù)值計(jì)算，求解描述天氣演變過程的流體力學(xué)和熱力學(xué)方程組，預(yù)測(cè)未來一定時(shí)段的大氣運(yùn)動(dòng)狀態(tài)和天氣現(xiàn)象的方法。圖2為數(shù)值天氣預(yù)報(bào)風(fēng)速與實(shí)測(cè)的風(fēng)機(jī)輸出功率的散點(diǎn)圖，從該圖中可以看出，由于數(shù)值天氣預(yù)報(bào)風(fēng)速和測(cè)風(fēng)塔實(shí)測(cè)風(fēng)速之間誤差較大，很難從數(shù)據(jù)中準(zhǔn)確地提煉出數(shù)值天氣預(yù)報(bào)風(fēng)速和風(fēng)電場(chǎng)總輸出功率之間的關(guān)系曲線。因此，需要對(duì)數(shù)值天氣預(yù)報(bào)風(fēng)速進(jìn)行進(jìn)一步的校正，減小預(yù)測(cè)誤差。數(shù)值天氣預(yù)報(bào)產(chǎn)品來源于數(shù)值模式，是大型計(jì)算機(jī)通過數(shù)值計(jì)算，求解描寫天氣演變過程的流體力學(xué)和熱力學(xué)方程組，作出未來一段時(shí)間內(nèi)的定量和客觀的預(yù)報(bào)。數(shù)值模式能給出未來大氣的氣壓、溫度、風(fēng)、濕度等各種狀態(tài)。但是，大氣運(yùn)動(dòng)是一種混沌現(xiàn)象，在數(shù)值計(jì)算的過程中，許多難以預(yù)料的細(xì)微因素往往會(huì)影響最終的預(yù)報(bào)結(jié)果。圖3顯示了某風(fēng)電場(chǎng)的某風(fēng)機(jī)輪轂高度的Ih平均風(fēng)速的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)時(shí)間序列。從圖中可以看出兩者之間存在著較大的誤差，這也是風(fēng)電功率預(yù)報(bào)的主要誤差來源。

發(fā)明內(nèi)容
本發(fā)明的目的在于，針對(duì)現(xiàn)有的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法預(yù)測(cè)結(jié)果不準(zhǔn)確的問題，提出一種基于校正算法的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法。為實(shí)現(xiàn)上述目的，本發(fā)明提供的技術(shù)方案是，一種基于校正算法的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法，其特征是所述方法包括步驟1 設(shè)定第一時(shí)間長度T1和第二時(shí)間長度T2 ；步驟2 對(duì)第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行校正；步驟3 以校正后的數(shù)值天氣預(yù)報(bào)歷史數(shù)據(jù)為輸入值，以所述數(shù)值天氣預(yù)報(bào)歷史數(shù)據(jù)對(duì)應(yīng)的風(fēng)力發(fā)電機(jī)實(shí)測(cè)輸出功率為輸出值，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；步驟4 對(duì)第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)進(jìn)行校正；
步驟5 將校正后的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)作為輸入值輸入到步驟3訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行計(jì)算，得到的輸出值即為風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)結(jié)果。所述對(duì)第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行校正具體包括步驟101 以M小時(shí)為長度單位，將第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)
據(jù)劃分為η組；其中，《 =步驟102 設(shè)定第三時(shí)間長度T3并令i = 1 ；步驟103 以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)之前的第三時(shí)間長度T3的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)作為既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)之前的第三時(shí)間長度T3所對(duì)應(yīng)的實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)作為既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)；步驟104 對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；對(duì)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列；步驟105 以既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)為輸入層數(shù)據(jù)，以既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)為輸出層數(shù)據(jù)，以第j個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列和第j個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列為訓(xùn)練樣本集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)及其對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值；其中，j = 1,2,…，m ；步驟106 將第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)記作當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，對(duì)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；步驟107 將第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列輸入到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)并利用該BP神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值，計(jì)算得到該BP神經(jīng)網(wǎng)絡(luò)的輸出值，將該輸出值作為修正后的第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；其中，j = 1，2, ···, m ；步驟108 對(duì)修正后的m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列進(jìn)行小波包重構(gòu)，得到校正后的當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，即校正后的第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)；步驟109 判斷i彡η是否成立，如果成立，則令i = i+Ι，返回步驟103 ；否則，結(jié)
束ο所述校正第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)具體包括步驟201 以M小時(shí)為長度單位，將第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)
據(jù)劃分為η組；其中，《 =步驟202 設(shè)定第三時(shí)間長度T3并令i = 1 ；步驟203 以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)之前的第三時(shí)間長度T3的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)作為既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)之前的第三時(shí)間長度T3所對(duì)應(yīng)的實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)作為既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)；步驟204 對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；對(duì)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列；
步驟205 以既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)為輸入層數(shù)據(jù)，以既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)為輸出層數(shù)據(jù)，以第j個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列和第j個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列為訓(xùn)練樣本集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)及其對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值；其中，j = 1,2,…，m ；步驟206 將第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)記作當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)，對(duì)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列；步驟207 將第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列輸入到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)并利用該BP神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值，計(jì)算得到該BP神經(jīng)網(wǎng)絡(luò)的輸出值，將該輸出值作為修正后的第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列；其中，j = 1,2,…，m ；步驟208 對(duì)m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列進(jìn)行小波包重構(gòu)，得到校正后的當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)，即校正后的第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)；步驟209 判斷i彡η是否成立，如果成立，則令i = i+Ι，返回步驟203 ；否則，結(jié)束ο所述對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)/既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，具體采用Daubechies小波對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)/既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行三層小波包分解。
所述小波包的遞歸表達(dá)式為
權(quán)利要求
1.一種基于校正算法的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法，其特征是所述方法包括步驟1 設(shè)定第一時(shí)間長度T1和第二時(shí)間長度T2 ；步驟2 對(duì)第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行校正；步驟3 以校正后的數(shù)值天氣預(yù)報(bào)歷史數(shù)據(jù)為輸入值，以所述數(shù)值天氣預(yù)報(bào)歷史數(shù)據(jù)對(duì)應(yīng)的風(fēng)力發(fā)電機(jī)實(shí)測(cè)輸出功率為輸出值，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；步驟4 對(duì)第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)進(jìn)行校正；步驟5 將校正后的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)作為輸入值輸入到步驟3訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行計(jì)算，得到的輸出值即為風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法，其特征是所述對(duì)第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行校正具體包括步驟101 以M小時(shí)為長度單位，將第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)劃分為η組；其中…步驟102 設(shè)定第三時(shí)間長度T3并令i = 1 ；步驟103 以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)之前的第三時(shí)間長度T3的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)作為既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)之前的第三時(shí)間長度T3所對(duì)應(yīng)的實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)作為既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)；步驟104 對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；對(duì)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列；步驟105 以既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)為輸入層數(shù)據(jù)，以既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)為輸出層數(shù)據(jù)，以第j個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列和第j個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列為訓(xùn)練樣本集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)及其對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值；其中，j = 1，2，…，m;步驟106 將第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)記作當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，對(duì)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；步驟107 將第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列輸入到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)并利用該BP神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值，計(jì)算得到該BP神經(jīng)網(wǎng)絡(luò)的輸出值，將該輸出值作為修正后的第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；其中，j = 1,2,…，m ；步驟108 對(duì)修正后的m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列進(jìn)行小波包重構(gòu)，得到校正后的當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，即校正后的第i組數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)；步驟109 判斷i彡η是否成立，如果成立，則令i = i+Ι，返回步驟103 ；否則，結(jié)束。
3.根據(jù)權(quán)利要求1所述的方法，其特征是所述校正第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)具體包括步驟201 以M小時(shí)為長度單位，將第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)劃分為η組；其中，《 =步驟202 設(shè)定第三時(shí)間長度T3并令i = 1 ；步驟203 以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)之前的第三時(shí)間長度T3的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)作為既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)，以第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)之前的第三時(shí)間長度T3所對(duì)應(yīng)的實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)作為既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)；步驟204 對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列；對(duì)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列；步驟205 以既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)為輸入層數(shù)據(jù)，以既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)為輸出層數(shù)據(jù)，以第j個(gè)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)子序列和第j個(gè)既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)子序列為訓(xùn)練樣本集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)及其對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值；其中，j = 1，2，…，m;步驟206 將第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)記作當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)，對(duì)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)進(jìn)行小波包分解，得到m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列；步驟207 將第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列輸入到第j個(gè)BP神經(jīng)網(wǎng)絡(luò)并利用該BP神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的隱層節(jié)點(diǎn)權(quán)值和閾值，計(jì)算得到該BP神經(jīng)網(wǎng)絡(luò)的輸出值，將該輸出值作為修正后的第j個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列；其中，j = 1,2, -,m；步驟208 對(duì)m個(gè)當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)子序列進(jìn)行小波包重構(gòu)，得到校正后的當(dāng)前數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)，即校正后的第i組數(shù)值天氣預(yù)報(bào)風(fēng)速未來數(shù)據(jù)；步驟209 判斷i彡η是否成立，如果成立，則令i = i+Ι，返回步驟203 ；否則，結(jié)束。
4.根據(jù)權(quán)利要求2或3所述的方法，其特征是所述對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)/既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行小波包分解，具體采用Daubechies小波對(duì)既有數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)/既有實(shí)測(cè)風(fēng)速歷史數(shù)據(jù)進(jìn)行三層小波包分解。
5.根據(jù)權(quán)利要求4所述的方法，其特征是所述小波包的遞歸表達(dá)式為 其中，hk為正交尺度函數(shù)對(duì)應(yīng)的正交低通實(shí)系數(shù)濾波器，&為正交小波函數(shù)對(duì)應(yīng)的高通濾波器，gn = (-DVi' η e Z，且滿足尺度方程和小波方程 U0(t)是正交尺度函數(shù)，U1 (t)是正交小波函數(shù)，t是自變量，η e Z，k e Ζ。
全文摘要
本發(fā)明公開了發(fā)電機(jī)輸出功率管理與控制技術(shù)領(lǐng)域中的一種基于校正算法的短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)方法。包括設(shè)定第一時(shí)間長度T1和第二時(shí)間長度T2；對(duì)第一時(shí)間長度T1的數(shù)值天氣預(yù)報(bào)風(fēng)速歷史數(shù)據(jù)進(jìn)行校正；以校正后的數(shù)值天氣預(yù)報(bào)歷史數(shù)據(jù)為輸入值，以所述數(shù)值天氣預(yù)報(bào)歷史數(shù)據(jù)對(duì)應(yīng)的風(fēng)力發(fā)電機(jī)實(shí)測(cè)輸出功率為輸出值，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；對(duì)第二時(shí)間長度T2的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)進(jìn)行校正；將校正后的數(shù)值天氣預(yù)報(bào)未來數(shù)據(jù)作為輸入值輸入到步驟3訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行計(jì)算，得到的輸出值即為風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)結(jié)果。本發(fā)明提高了短期風(fēng)力發(fā)電機(jī)輸出功率預(yù)測(cè)的準(zhǔn)確性。
文檔編號(hào)F03D9/00GK102562469SQ20111044270
公開日2012年7月11日 申請(qǐng)日期2011年12月27日 優(yōu)先權(quán)日2011年12月27日
發(fā)明者劉永前, 楊志凌 申請(qǐng)人:華北電力大學(xué)