一種基于最優(yōu)權系數(shù)的風電功率組合預測方法
【技術領域】
[0001] 本發(fā)明屬于風電功率預測技術領域,具體涉及一種基于最優(yōu)權系數(shù)的風電功率組 合預測方法。
【背景技術】
[0002] 隨著風力發(fā)電裝機容量的迅猛發(fā)展,風電在電網(wǎng)中的比例不斷增加。由于風電是 一種間歇性、波動性能源,大規(guī)模的風電接入對電力系統(tǒng)的安全、穩(wěn)定運行以及電能質(zhì)量的 保證帶來了嚴峻挑戰(zhàn)。若能對風電場的風速和發(fā)電功率做出比較準確的預測,則可有效減 輕風電波動對整個電網(wǎng)的影響。通過風電功率預測將有助于電網(wǎng)調(diào)度部門及時制定合理的 運行方式并準確地調(diào)整調(diào)度計劃,從而保證電力系統(tǒng)的可靠、優(yōu)質(zhì)、經(jīng)濟運行。因此對風電 功率進行預測具有十分重要意義。
[0003] 風電功率預測方法根據(jù)預測的物理量來分類,可以分為間接預測法和直接預測 法:間接預測法先預測風速,再根據(jù)風電機組或風電場的風速-功率特性曲線得到風電功 率;直接預測法是采用一定的數(shù)學模型直接預測風電功率。目前常用的風電功率預測方法 主要包括物理方法和統(tǒng)計方法兩大類。物理方法綜合考慮地形、水平高度和粗糙度等信息, 利用物理方程建模預測,該方法需要準確有效的數(shù)值天氣預報數(shù)據(jù),而無需大量的長期觀 測數(shù)據(jù)。統(tǒng)計方法則是通過對預測對象自身歷史數(shù)據(jù)的數(shù)學統(tǒng)計分析進行預測,所需數(shù)據(jù) 單一、量大,對突變信息處理不好。統(tǒng)計方法中應用較多的有持續(xù)預測法、時間序列分析法、 人工神經(jīng)網(wǎng)絡法、支持向量回歸機法、卡爾曼濾波法、空間相關性法等。這些方法隨著風電 技術的深入暴露了難以克服的缺陷,如預測精度差,收斂速度慢,有局限性等缺點。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明的目的在于,提供一種基于最優(yōu)權系數(shù)的風電功率組合預測方法,對ARIMA 時間序列、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機這4種單項預測方法進行綜合,以 誤差平方和最小為原則確定組合預測模型的最優(yōu)權系數(shù),得到組合預測模型。有效提高了 風電功率的預測精度,增強了風電并網(wǎng)的穩(wěn)定性、經(jīng)濟性。
[0005] -種基于最優(yōu)權系數(shù)的風電功率組合預測方法,包括以下步驟:
[0006] 步驟1 :采集連續(xù)歷史風電功率數(shù)據(jù),并對采集的數(shù)據(jù)進行歸一化處理;
[0007] 步驟2 :對歸一化處理后的數(shù)據(jù)采用ARIMA時間序列、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡 和支持向量回歸機分別建立風電功率預測模型,將四個預測模型疊加得到組合預測模型;
[0008] 步驟3 :構建組合預測模型的誤差信息矩陣E :
[0009] E = [(elt)4XJ [(elt)4Xn]T
[0010] 其中,eit表示第i種預測模型在第t時刻的預測誤差:e it= y(t)_y Jt),t = I, 2,…,n, i = I, 2,…,4 ;y(t)為t時刻實測的風電功率值,yjt)表示第i種預測模型在 t時刻的預測值;
[0011] 步驟4 :令組合預測模型中每個模型的權重系數(shù)為L = (I1, 12, 13, I4) 4X1,組合預測 模型的表達式如下:
[0012] y*(t) = I1Y1Ct)+I2Y2 (t)+I3Ys (?)+?4Υ4(?)
[0013] 其中,!!+Vlfl4= l,y !,y2, y3, y4分別代表ARIMA時間序列、BP神經(jīng)網(wǎng)絡、RBF神 經(jīng)網(wǎng)絡和支持向量回歸機風電功率預測模型t時刻的預測值;
[0014] 步驟5 :將步驟3中的組合預測模型的誤差信息矩陣代入組合預測模型的表達式, 按照公式
求解最優(yōu)權重系數(shù);
[0015] 其中,R = (1,1,…,1)4X1;
[0016] 組合預測模型中待求的最優(yōu)權系數(shù)表達式L的計算過程如下:
[0017] 組合預測模型在第t時刻的預測誤差為:
[0018] et= y(t)_y*(t),t = 1,2, ...,n
[0019] 由上式得到組合預測模型的誤差平方和表達式為:
[0021] 以組合預測模型的誤差平方和最小為原則求取組合預測模型中的最優(yōu)權系數(shù),可 以轉(zhuǎn)換為求解下式所示的二次規(guī)劃問題。
[0022] minS = LtEL
[0024] 引入拉格朗日乘子λ *,分別對L和λ *求導可得:
[0027] 通過上面兩式,得到組合預測模型中待求的最優(yōu)權系數(shù)表達式為:
[0029] 步驟6 :將步驟5獲得的最優(yōu)權重系數(shù)代入組合預測模型表達式中,得到最優(yōu)組合 預測模型,將待預測的數(shù)據(jù)輸入最優(yōu)組合預測模型完成風電功率預測。
[0030] 所述ARIMA時間序列風電功率預測模型是經(jīng)過一階差分變換、模型參數(shù)估計和模 型定階來確定自回歸過程AR (ρ)、移動平均過程M (q)的取值。
[0031] 選用參數(shù)為ARIMA(2, 1,4)的ARIMA時間序列風電功率預測模型。
[0032] 所述BP神經(jīng)網(wǎng)絡風電功率預測模型是按照均方根誤差RMSE最小化原則,確定BP 神經(jīng)網(wǎng)絡風電功率預測模型的隱含層節(jié)點數(shù);
[0033] 使用K-均值聚類方法確定RBF神經(jīng)網(wǎng)絡風電功率預測模型的聚類中心個數(shù);
[0034] 所述BP神經(jīng)網(wǎng)絡風電功率預測模型和RBF神經(jīng)網(wǎng)絡風電功率預測模型的輸入層 節(jié)點個數(shù)、輸入層與隱含層之間的連接邊權重以及隱含層與輸出層之間的連接邊權重由 Matlab的神經(jīng)網(wǎng)絡模型工具箱在模型訓練中自動獲得。
[0035] 所述BP神經(jīng)網(wǎng)絡風電功率預測模型的隱含層節(jié)點數(shù)量為9 ;
[0036] 所述RBF神經(jīng)網(wǎng)絡風電功率預測模型的聚類中心個數(shù)設定為18個;
[0037] 所述BP神經(jīng)網(wǎng)絡風電功率預測模型和RBF神經(jīng)網(wǎng)絡風電功率預測模型的輸入節(jié) 點個數(shù)均為6。
[0038] 所述支持向量回歸機風電功率預測模型選用RBF核函數(shù),各學習參數(shù)采用粒子群 算法進行自適應學習獲得。
[0039] 所述核函數(shù)中各參數(shù)的取值分別為懲罰系數(shù)C = 8. 572,不敏感損失系數(shù)ε = 0. 229,核參數(shù) σ = 〇. 211。
[0040] 有益效果
[0041] 本發(fā)明提供了一種基于最優(yōu)權系數(shù)的風電功率組合預測方法,將ARIMA時間序 列、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和支持向量回歸機這4種單項預測方法進行綜合,采用組合 預測模型,能夠有效地綜合各單一預測模型的優(yōu)勢,降低預測風險。根據(jù)組合預測誤差信息 矩陣,以誤差平方和最小為原則得到組合預測模型中的最優(yōu)權系數(shù),提高了組合預測模型 的性能。實測風電功率預測數(shù)據(jù)表明:本發(fā)明組合預測模型預測精度高,能夠非常方便快速 的確定最優(yōu)權重系數(shù)值,降低預測誤差。
【附圖說明】
[0042] 圖1為本發(fā)明所述方法的流程圖;
[0043] 圖2為歷史風電功率數(shù)據(jù)曲線示意圖。
【具體實施方式】
[0044] 下面將結合附圖和實施例對本發(fā)明做進一步的說明。
[0045] 以中國某風電場的實測風電功率數(shù)據(jù)為例,研究組合預測方法在風電功率預測中 的應用。該風電場共有額定功率750kW的風力發(fā)電機41臺,假設所有風機都具有幾乎相同 的風速和風向,并忽略風機之間的尾流效應,實例中使用一臺等效風力發(fā)電機來模擬整個 風電場的有功輸出。原始數(shù)據(jù)測量時間間隔為lh,根據(jù)預測模型建模的需要,選取連續(xù)9d 的216個數(shù)據(jù)用于建模預測,其中,前192個數(shù)據(jù)組成訓練樣本集,后24個數(shù)據(jù)作為測試樣 本集。預測步長取1,以連續(xù)6步的滾動預測法進行預測。216個原始風電功率數(shù)據(jù)如圖2 所示。
[0046] 采用相對百分比誤差(RPE)、平均絕對誤差(MAE)和平均絕對百分比誤差(MAPE) 作為組合預測模型預測效果的評價指標。各評價指標的表達式如下。
[0050] 式中,F(xiàn)(t)為實測風電功率;A(t)為預測風電功率;η為預測驗證數(shù)據(jù)個數(shù);t為 預測點的序列編號。
[0051] -種基于最優(yōu)權系數(shù)的風電功率組合預測方法,如圖1所示,包括以下步驟:
[0052] 步驟I :使用[0, 1]區(qū)間歸一化方法對前192個風電功率數(shù)據(jù)進行歸一化處理,歸 一化公式為:
[0054] 式中,X1為歸一化前的風電功率值;Xnax為192個風電功率值中的最大值;x_為 192個風電功率值中的最小值。
[0055] 步驟2 :對歸一化處理后的原始風電功率序列進行一階差分變換,一階差分后風 電功率序列的自相關系數(shù)能夠較快的衰減到零,對(p,q) =