專利名稱：一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法
技術領域：
本發(fā)明屬于電網(wǎng)節(jié)能經濟調度以及計算機人工智能應用交叉領域，尤其涉及一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法。
背景技術：
本申請所涉及的受氣象信息影響的新能源發(fā)電能力分析方法主要針對風電場未來幾小時至幾天內的出力能力分析。當風電場作為電源接入到電力系統(tǒng)后，風電本身的隨機性、波動性和間歇性隨著容量的擴大對電力系統(tǒng)的沖擊越來越大。如果不能對風電的短期出力情況進行準確分析，就必須在電力系統(tǒng)當中留有與風電容量相當?shù)膫溆萌萘窟M行調峰。而當分析結果能夠達到足夠的精度時，將風電出力作為負的負荷疊加到負荷預測的曲線上，就可以像傳統(tǒng)的電力系統(tǒng)調度方式一樣根據(jù)預測的負荷與風電出力安排常規(guī)機組的發(fā)電計劃，從而優(yōu)化發(fā)電機組的開機組合，降低整個電網(wǎng)運行的費用。因此，作為新能源調度的一部分，降低風電接入對電網(wǎng)調度的風險及對備用容量的要求，對風電進行短期出力分析顯得十分必要和迫切。下面著重介紹目前在本領域的一些常用的和比較前沿的分析方法。人工智能算法。目前越來越多的機器學習方法開始逐漸引入到預測領域，其中代表性的有人工神經網(wǎng)絡(Artificial Neural Network)及支持向量機(SUPPORT VECTORMANCHINE)算法等。但很難用單純的一種算法解決所有復雜的實際非線性問題。組合預測技術。組合預測方法(Combination Forecast)是一種根據(jù)實際情況靈活使用多種方法進行組合計算，以解決某一問題的技術。它會根據(jù)實際情況的不同把不同的算法按照不同的策略有機地結合起來，從而完成單一算法無法完成的或者準確度、效率執(zhí)行不高的任務。組合預測技術在目前國內風電預測領域應用還是一個嶄新的課題。NWP技術。NWP (數(shù)值型天氣預報，Numeral Weather Prediction)是一種精確數(shù)值化的天氣預報模式，NWP根據(jù)實時大氣情況，在一定的初值和邊值條件下，通過大型計算機作數(shù)值計算，求解天氣演變過程的流體力學和熱力學方程組，預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。由于風電對天氣情況的敏感性，使用高精度NWP數(shù)據(jù)對風電功率出力建模是短期風電出力分析的最有效途徑。影響NWP精度的最大因素是NWP的分辨率，高分辨率下的NWP能夠精確地預報某一點(如每臺風機處)的天氣(風速、風向等)， 但由于NWP主要是靠高性能的大型電子計算機計算，精度與計算量成平方次增長，因此高分辨率的NWP計算成本很高。當前的NWP精度一般能從數(shù)十平方公里(如60km2、30km2或 20km2)到 Ikm2 或 2km2。

發(fā)明內容
本發(fā)明的目的在于，針對目前普遍使用的短期風電出力分析系統(tǒng)精確性不高的問題，提出一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其通過對風場的大規(guī)模數(shù)據(jù)量按不同地理高度組成多個樣本，并同時對這些樣本以及多種或多個回歸算法權重進行動態(tài)調整，最終利用多個學習機的組合模型進行預測，從而增強系統(tǒng)的泛化能力以及預測精度。本發(fā)明的技術方案如下。一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其特征在于，所述方法包括下列步驟一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其特征在于，所述方法包括下列步驟步驟1 測量風電場實測數(shù)據(jù)，獲取數(shù)值天氣預報數(shù)據(jù)，對風電場實測數(shù)據(jù)/數(shù)值天氣預報數(shù)據(jù)進行預處理后得到統(tǒng)計數(shù)據(jù)，其中，所述風電場實測數(shù)據(jù)包括實測的風速、風向、溫度、降水和地形高度，所述數(shù)值天氣預報數(shù)據(jù)包括預報的風速、風向、溫度和降水，所述統(tǒng)計數(shù)據(jù)包括瞬時風速、最大風速、最小風速、平均風速、風向正弦和風向余弦；步驟2 對所述實測數(shù)據(jù)和對所述實測數(shù)據(jù)經過預處理后得到的所述統(tǒng)計數(shù)據(jù)按照弱學習機的輸入數(shù)據(jù)結構組織樣本，其中訓練集樣本輸入數(shù)據(jù)包括瞬時風速、最大風速、 最小風速、平均風速、風向正弦、風向余弦、溫度、濕度、降水以及樣本權重，訓練樣本的輸出為某d日某t時刻的風電場出力值P(d，t)；步驟3 將訓練集按照測風塔不同測量高度拆分，生成T個子訓練集，按照等分概率原則初始化T個子訓練集中各樣本初始權重，其中T為樣本集的拆分個數(shù)，初始化樣本權重公式如下Weight ⑴=1/n其中，i表示某個樣本集中的某個樣本，η表示該樣本集的樣本總數(shù)；步驟4 通過T個弱學習算法、即弱學習機分別對T個子訓練集中各樣本進行訓練、并使用PSO粒子群優(yōu)化算法進行參數(shù)尋優(yōu)后得到相應的回歸模型。每個弱學習機的概率權重初始化公式為α j = 1/T j e [1, Τ]；步驟5 按照各弱學習機的計算精度重新分配各弱學習機的概率權重，若尚未達到迭代上限或未滿足驗證條件，則調整各子訓練集中的樣本權重，返回步驟4，否則進入步驟6，其中，重新分配各弱學習機的概率權重按如下公式計算α j = (1/2) In [ (I-Eerr) /Eerr]，其中，％是某個弱學習機的概率權重，Eerr為當前該弱學習機所得預測模型的測試精度，Eerr的計算公式如下
權利要求
1. 一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其特征在于，所述方法包括下列步驟步驟1 測量風電場實測數(shù)據(jù)，獲取數(shù)值天氣預報數(shù)據(jù)，對風電場實測數(shù)據(jù)/數(shù)值天氣預報數(shù)據(jù)進行統(tǒng)計后得到統(tǒng)計數(shù)據(jù)，其中，所述風電場實測數(shù)據(jù)包括實測的風速、風向、溫度、降水和地形高度，所述數(shù)值天氣預報數(shù)據(jù)包括預報的風速、風向、溫度和降水，所述統(tǒng)計數(shù)據(jù)包括瞬時風速、最大風速、最小風速、平均風速、風向正弦和風向余弦；步驟2 對所述實測數(shù)據(jù)進行預處理后按照弱學習機的輸入數(shù)據(jù)結構組織樣本，其中訓練集樣本輸入數(shù)據(jù)包括瞬時風速、最大風速、最小風速、平均風速、風向正弦、風向余弦、 溫度、濕度、降水以及樣本權重，訓練樣本的輸出為某d日某t時刻的風電場出力值P(d， t)；步驟3 將訓練集按照測風塔不同測量高度拆分，生成T個子訓練集，按照等分概率原則初始化T個子訓練集中各樣本初始權重，其中T為樣本集的拆分個數(shù)， 初始化樣本權重公式如下 Weight ⑴=1/n其中，i表示某個樣本集中的某個樣本，η表示該樣本集的樣本總數(shù)； 步驟4 通過T個弱學習算法、即弱學習機分別對T個子訓練集中各樣本進行訓練、并使用PSO粒子群優(yōu)化算法進行參數(shù)尋優(yōu)后得到相應的回歸模型，每個弱學習機的概率權重初始化公式為α j = 1/T je[l，T]步驟5 :按照各弱學習機的計算精度重新分配各弱學習機的概率權重，若尚未達到迭代上限或未滿足驗證條件，則調整各子訓練集中的樣本權重，返回步驟4，否則進入步驟6， 其中，重新分配各弱學習機的概率權重按如下公式計算 Oj = (1/2) In [(I-Eerr)/Eerr],其中，％是某個弱學習機的概率權重，Em為當前該弱學習機所得預測模型的測試精度，Eerr的計算公式如下Kr = Σ (O, - hJ x Weight(J))i其中，j表示第j個弱學習機，Hj表示該學習機對應樣本的樣本規(guī)模，hj(Xi)表示該學習機的預測出力值，所述調整各子訓練集中的樣本權重的公式為Weight '(ζ) = Weight^ / K x\11Weight' (i)為更新后的樣本權重，是歸一化系數(shù)，用于將Weight' (i)服從某一相應分布，ξ則為誤差期望；步驟6 利用步驟5得到的各弱學習機概率權重組合成強學習機，并對預測樣本進行預測，其中所述預測樣本輸入數(shù)據(jù)為風電場未來M小時數(shù)值天氣預報數(shù)據(jù)，包括瞬時風速、 最大風速、最小風速、平均風速、風向正弦、風向余弦、溫度、濕度、降水，為了保持與訓練樣本內容一致，預測樣本中同樣加入樣本權重并全部置0，按照前述訓練樣本的劃分方式依據(jù)不同地形高度進行拆分，所述預測樣本輸出數(shù)據(jù)為相應時刻的風電場總出力。
2.根據(jù)權利要求1所述的分析方法，其特征在于，在步驟2中，所述預處理優(yōu)選包括剔除或修正所述實測數(shù)據(jù)/數(shù)值天氣預報數(shù)據(jù)中的不良數(shù)據(jù)、填補缺損數(shù)據(jù)、對不良數(shù)據(jù)進行平滑處理，所述不良數(shù)據(jù)是指超過最大總裝機容量，或超出設定閾值的實測數(shù)據(jù)；將風向按360°完全數(shù)值化，計算風向正弦、風向余弦值。
3.根據(jù)權利要求2所述的分析方法，其特征在于，所述缺損數(shù)據(jù)優(yōu)選利用其前后相鄰時刻的歷史數(shù)據(jù)進行填補，計算公式如下P(d, t) = α1*P (d, t-l) + a 2*P(d, t+1)其中，P(d，t)為第d天某t時刻的缺損數(shù)據(jù)，P(Clpt)和P(d2，t)分別為與該日相鄰的相同日期類型t時刻功率數(shù)據(jù)，αι、Ci2為前兩者各自對應的數(shù)據(jù)權重。
4.根據(jù)權利要求1所述的分析方法，其特征在于，在所述步驟3中，T優(yōu)選為4，將所述訓練集按測風塔50米、70米、100米、120米高度的測量數(shù)據(jù)拆分。
5.根據(jù)權利要求1所述的分析方法，其特征在于，在步驟4中，優(yōu)選包括以下內容-4. 1 初始化PSO粒子群，隨機生成m個粒子，初始化速度矩陣和位置矩陣；-4. 2 根據(jù)樣本分布構造T個弱學習機，hj(Xi) =P(XiJiJeighta)), j e [l，T]，i e [Lnj]其中，Xi^i表示第j個樣本集的輸入和輸出，Weight (i)為樣本權重分布，r^.為第j個樣本集的樣本規(guī)模；-4.3 利用弱學習機分別對T個子訓練集進行訓練并生成T個回歸模型，評估h (Xi)的計算誤差，計算誤差函數(shù)如下
全文摘要
本發(fā)明公開了電網(wǎng)節(jié)能經濟調度以及計算機人工智能應用交叉領域的一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法。首先進行數(shù)據(jù)預處理。然后將歷史記錄的實測數(shù)據(jù)或氣象預報根據(jù)不同地形高度拆分成多個樣本集，每個樣本集給出初始權重分布，然后使用粒子群算法和多個學習算法對不同樣本集進行訓練生成多個分析模型，使用粒子群算法的目的是對算法參數(shù)的自動尋優(yōu)。每個學習算法根據(jù)精度調整對應樣本集中樣本的權重分布，為了突出誤差大的樣本，將其權重增加，反之減小，同時各個學習算法之間的權重根據(jù)各模型計算精度進行調整，將誤差大的模型權重減小，反之增大。最后根據(jù)最終生成的多個訓練模型及其之間的權重分布進行預測。
文檔編號G06K9/66GK102184337SQ20111015115
公開日2011年9月14日 申請日期2011年6月7日 優(yōu)先權日2011年6月7日
發(fā)明者劉克文, 周京陽, 周海明, 李強 申請人:中國電力科學研究院