一种可发电风资源的预测方法
【专利摘要】本发明涉及一种可发电风资源的预测方法，包括以下步骤：以复相关系数为筛选依据，通过遍历所有可用测风序列的各种组合，以计算可用测风序列与平均风速序列的复相关系数，按照最大复相关系数选择模型输入，实现对可用测风序列的初步筛选，得到多维的有效测风序列；以典型相关分析方法为理论基础，对多维的有效测风序列进一步提取，将多维的测风序列降至一维；以及以降维后的测风序列作为模型输入，以风场平均风速作为模型输出，采用基于遗传算法的BP神经网络模型训练得到映射模型，最终将该映射模型应用于实时输入测风序列，实现可发电风资源的预测。本发明能够进一步提高可发电风资源的预估精度。
【专利说明】—种可发电风资源的预测方法
【技术领域】
[0001]本发明属于电力系统预测与控制【技术领域】。尤其涉及一种基于多数据源降维的可发电风资源的预测方法。
【背景技术】
[0002]近年来，能源枯竭和环境污染情况日益严重，可再生能源逐渐受到了全世界的关注。风能是取之不尽的清洁能源，风力发电技术已经作为新能源发电中最成熟的技术开始了大规模的应用。
[0003]准确预测可发电风资源是对大规模风电优化调度的基础。可发电风资源预测的目标是利用多种数据源隐含信息来还原、预估目标区域在未来一段时间内自然状态下的风资源状况，可为风电实时调度、风电场发电能力评估以及弃风电量估计等研究提供关键信息。然而，由于风场实际发电功率易受到限电等人为干扰而失去参考意义，且量测布点无法做到全覆盖，工程上很难通过对风力发电实时监测数据的外推来直接获得这一信息。可发电风资源的预测与超短期风电功率预测既有联系又有区别。从建模方法来看，大量用于风电功率预测中的模型均可以作为参考，如神经网络模型等。但与一般的风电功率预测不同，由于实测功率序列受到人为干扰，所以基于实测功率序列的预测模型(如时间序列模型、持续法)在此并不适用，而需要利用其他未受人为干扰的量测量如测风序列进行建模。
[0004]然而，测风序列并不是一个“友好”的建模输入量。测风塔通常位置分散，离风机群有一定距离，测风数据与风机轮毂高度处的可利用风速存在一定差异。多测风数据源的引入是提高预估精度的重要手段，但这同时也带来数据质量参差不齐、信息冗余等问题。虽然可通过引入更多如温度、风向等信息以提高模型精度，但利用的信息越多，模型越复杂，工程实用性越差。而直接输入包含大量杂散信息的测风序列，模型的收敛和精度反而下降。
【发明内容】
[0005]综上所述，确有必要提供一种能够避免受到大量人为干扰，又能克服多数据源引入后在有用信息筛选和提取方面所带来的各种问题的可发电风资源的预测方法。
[0006]一种可发电风资源的预测方法，包括以下步骤:以复相关系数为筛选依据，通过遍历所有可用测风序列的各种组合，以计算可用测风序列与平均风速序列的复相关系数，按照最大复相关系数选择模型输入，实现对可用测风序列的初步筛选，得到多维的有效测风序列；以典型相关分析方法为理论基础，对多维的有效测风序列进一步提取，将多维的测风序列降至一维；以及以降维后的测风序列作为模型输入，以风场平均风速作为模型输出，采用基于遗传算法的BP神经网络模型训练得到映射模型，最终将该映射模型应用于实时输入测风序列，实现可发电风资源的预测。
[0007]相对于现有技术，本发明以典型相关系数分析方法为理论依据，实现多维测风序列的降维处理而达到提取有用信息的目的，最终构建的可发风资源预估方法弥补了多维测风序列弓I入后给数据筛选和信息提取带来的困难，亦进一步提高预估精度。【专利附图】
【附图说明】
[0008]图1为本发明提供的基于多数据源降维的可发风资源预估方法流程图。
[0009]图2为本发明中涉及的BP神经网络模型结构示意图。
[0010]图3为本发明实施例提供的中多数据源的地理分布示意图。
[0011]图4为本发明提供的降维方法带来估计误差变化的概率分布图像。
【具体实施方式】
[0012]下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。
[0013]请参阅图1，图1为本发明提供的风光储联合发电系统风险评估方法的流程图，包括以下步骤:
步骤S10，以复相关系数为筛选依据，通过遍历所有可用测风序列的各种组合，以计算可用测风序列与平均风速序列的复相关系数，按照最大复相关系数选择模型输入，实现对可用测风序列的初步筛选，得到多维的有效测风序列；
步骤S20，以典型相关分析方法为理论基础，通过构建多元线性回归模型实现对多维的有效测风序列进一步提取，将多维的测风序列降至一维；以及
步骤S30，以降维后的测风序列作为模型输入，以风场平均风速作为模型输出，采用基于遗传算法的BP神经网络模型训练得到映射模型，最终将该模型应用于实时输入测风序列以实现可发电风资源的预测。
[0014]在步骤SlO中，所述复相关系数是用于衡量单变量与多个变量相关关系的指标，用单要素对多要素作线性回归，得到的多要素的线性组合与单要素之间的相关系数即为复相关系数。
[0015]作为具体的实施例，为了计算单一变量J与其他多变量不、石…&之间的复相关系数，具体计算过程如下:
步骤Sll,对、X2...Ti作关于t的线性回归，得到:
【权利要求】
1.一种可发电风资源的预测方法，包括以下步骤: 以复相关系数为筛选依据，通过遍历所有可用测风序列的各种组合，以计算可用测风序列与平均风速序列的复相关系数，按照最大复相关系数选择模型输入，实现对可用测风序列的初步筛选，得到多维的有效测风序列； 以典型相关分析方法为理论基础，对多维的有效测风序列进一步提取，将多维的测风序列降至一维；以及 以降维后的测风序列作为模型输入，以风场平均风速作为模型输出，采用基于遗传算法的BP神经网络模型训练得到映射模型，最终将该映射模型应用于实时输入测风序列，实现可发电风资源的预测。
2.如权利要求1所述的可发电风资源的预测方法，其他特征在于，所述将多维的测风序列降至一维通过构建多元线性回归模型实现。
3.如权利要求2所述的可发电风资源的预测方法，其特征在于，所述多元线性回归模型的构建包括如下步骤: 设两组分别为P个观测测风序列和q个预测对象平均测风序列的变量
4.如权利要求3所述的可发电风资源的预测方法，其特征在于，所述a、b通过以下方法计算: 增加约束条件:
5.如权利要求2所述的可发电风资源的预测方法，其特征在于，所述将多维的测风序列降至一维包括以下步骤:对X1、X2作关于F1的线性回归，得到:
6.如权利要求1所述的可发电风资源的预测方法，其特征在于，所述遗传算法的主要计算包括如下步骤: 第一步:对种群进行随机初始化，产生具有一定数目个体的初代种群； 第二步:根据事先确定的适应度函数计算每个个体的适应度，若个体满足优化准则，输出最佳个体及对应的最优解，结束计算，否则进行第三步； 第三步:根据适应度的大小来选择进行重组或交叉的个体，适应度越高，则个体越容易被保留下来，反之个体容易被淘汰； 第四步:按照特定的交叉概率，采用交叉方法，在父代种群中个体的基础上产生新的个体； 第五步:按照特定的变异概 率，采用变异方法，对交叉处理后的基因再进行小概率扰动以产生最终的个体； 第六步:至此产生新一代种群，返回第二步。
7.如权利要求1所述的可发电风资源的预测方法，其特征在于，所述BP网络的训练过程包含如下阶段: 第一个阶段:以学习样本作为输入，基于设定的网络结构以及前一次迭代得到的权值和阈值，计算神经网络的输出； 第二个阶段:从网络最后一层开始，向前计算各个权值和阈值对总误差的影响程度，并且据此对各权值和阈值进行调整； 循环进行以上两个过程，直至模型精度满足要求为止。
8.如权利要求1所述的可发电风资源的预测方法，其特征在于，单一变量7与其他多变量JT1、X1…&之间的复相关系数的计算包括如下步骤: 对JT1、石…疋作关于J的线性回归，得到:
【文档编号】G06Q50/06GK103489037SQ201310278836
【公开日】2014年1月1日 申请日期:2013年7月4日 优先权日:2013年7月4日
【发明者】乔颖, 鲁宗相, 汪宁渤, 李剑楠, 徐飞, 马彦宏, 赵龙, 王定美, 路亮 申请人:清华大学, 国家电网公司, 甘肃省电力公司, 甘肃省电力公司风电技术中心