一种基于最优权系数的风电功率组合预测方法

文档序号:9547629阅读:1398来源:国知局
一种基于最优权系数的风电功率组合预测方法
【技术领域】
[0001] 本发明属于风电功率预测技术领域,具体涉及一种基于最优权系数的风电功率组 合预测方法。
【背景技术】
[0002] 随着风力发电装机容量的迅猛发展,风电在电网中的比例不断增加。由于风电是 一种间歇性、波动性能源,大规模的风电接入对电力系统的安全、稳定运行以及电能质量的 保证带来了严峻挑战。若能对风电场的风速和发电功率做出比较准确的预测,则可有效减 轻风电波动对整个电网的影响。通过风电功率预测将有助于电网调度部门及时制定合理的 运行方式并准确地调整调度计划,从而保证电力系统的可靠、优质、经济运行。因此对风电 功率进行预测具有十分重要意义。
[0003] 风电功率预测方法根据预测的物理量来分类,可以分为间接预测法和直接预测 法:间接预测法先预测风速,再根据风电机组或风电场的风速-功率特性曲线得到风电功 率;直接预测法是采用一定的数学模型直接预测风电功率。目前常用的风电功率预测方法 主要包括物理方法和统计方法两大类。物理方法综合考虑地形、水平高度和粗糙度等信息, 利用物理方程建模预测,该方法需要准确有效的数值天气预报数据,而无需大量的长期观 测数据。统计方法则是通过对预测对象自身历史数据的数学统计分析进行预测,所需数据 单一、量大,对突变信息处理不好。统计方法中应用较多的有持续预测法、时间序列分析法、 人工神经网络法、支持向量回归机法、卡尔曼滤波法、空间相关性法等。这些方法随着风电 技术的深入暴露了难以克服的缺陷,如预测精度差,收敛速度慢,有局限性等缺点。

【发明内容】

[0004] 本发明的目的在于,提供一种基于最优权系数的风电功率组合预测方法,对ARIMA 时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单项预测方法进行综合,以 误差平方和最小为原则确定组合预测模型的最优权系数,得到组合预测模型。有效提高了 风电功率的预测精度,增强了风电并网的稳定性、经济性。
[0005] -种基于最优权系数的风电功率组合预测方法,包括以下步骤:
[0006] 步骤1 :采集连续历史风电功率数据,并对采集的数据进行归一化处理;
[0007] 步骤2 :对归一化处理后的数据采用ARIMA时间序列、BP神经网络、RBF神经网络 和支持向量回归机分别建立风电功率预测模型,将四个预测模型叠加得到组合预测模型;
[0008] 步骤3 :构建组合预测模型的误差信息矩阵E :
[0009] E = [(elt)4XJ [(elt)4Xn]T
[0010] 其中,eit表示第i种预测模型在第t时刻的预测误差:e it= y(t)_y Jt),t = I, 2,…,n, i = I, 2,…,4 ;y(t)为t时刻实测的风电功率值,yjt)表示第i种预测模型在 t时刻的预测值;
[0011] 步骤4 :令组合预测模型中每个模型的权重系数为L = (I1, 12, 13, I4) 4X1,组合预测 模型的表达式如下:
[0012] y*(t) = I1Y1Ct)+I2Y2 (t)+I3Ys (?)+?4Υ4(?)
[0013] 其中,!!+Vlfl4= l,y !,y2, y3, y4分别代表ARIMA时间序列、BP神经网络、RBF神 经网络和支持向量回归机风电功率预测模型t时刻的预测值;
[0014] 步骤5 :将步骤3中的组合预测模型的误差信息矩阵代入组合预测模型的表达式, 按照公式
求解最优权重系数;
[0015] 其中,R = (1,1,…,1)4X1;
[0016] 组合预测模型中待求的最优权系数表达式L的计算过程如下:
[0017] 组合预测模型在第t时刻的预测误差为:
[0018] et= y(t)_y*(t),t = 1,2, ...,n
[0019] 由上式得到组合预测模型的误差平方和表达式为:
[0021] 以组合预测模型的误差平方和最小为原则求取组合预测模型中的最优权系数,可 以转换为求解下式所示的二次规划问题。
[0022] minS = LtEL
[0024] 引入拉格朗日乘子λ *,分别对L和λ *求导可得:
[0027] 通过上面两式,得到组合预测模型中待求的最优权系数表达式为:
[0029] 步骤6 :将步骤5获得的最优权重系数代入组合预测模型表达式中,得到最优组合 预测模型,将待预测的数据输入最优组合预测模型完成风电功率预测。
[0030] 所述ARIMA时间序列风电功率预测模型是经过一阶差分变换、模型参数估计和模 型定阶来确定自回归过程AR (ρ)、移动平均过程M (q)的取值。
[0031] 选用参数为ARIMA(2, 1,4)的ARIMA时间序列风电功率预测模型。
[0032] 所述BP神经网络风电功率预测模型是按照均方根误差RMSE最小化原则,确定BP 神经网络风电功率预测模型的隐含层节点数;
[0033] 使用K-均值聚类方法确定RBF神经网络风电功率预测模型的聚类中心个数;
[0034] 所述BP神经网络风电功率预测模型和RBF神经网络风电功率预测模型的输入层 节点个数、输入层与隐含层之间的连接边权重以及隐含层与输出层之间的连接边权重由 Matlab的神经网络模型工具箱在模型训练中自动获得。
[0035] 所述BP神经网络风电功率预测模型的隐含层节点数量为9 ;
[0036] 所述RBF神经网络风电功率预测模型的聚类中心个数设定为18个;
[0037] 所述BP神经网络风电功率预测模型和RBF神经网络风电功率预测模型的输入节 点个数均为6。
[0038] 所述支持向量回归机风电功率预测模型选用RBF核函数,各学习参数采用粒子群 算法进行自适应学习获得。
[0039] 所述核函数中各参数的取值分别为惩罚系数C = 8. 572,不敏感损失系数ε = 0. 229,核参数 σ = 〇. 211。
[0040] 有益效果
[0041] 本发明提供了一种基于最优权系数的风电功率组合预测方法,将ARIMA时间序 列、BP神经网络、RBF神经网络和支持向量回归机这4种单项预测方法进行综合,采用组合 预测模型,能够有效地综合各单一预测模型的优势,降低预测风险。根据组合预测误差信息 矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,提高了组合预测模型 的性能。实测风电功率预测数据表明:本发明组合预测模型预测精度高,能够非常方便快速 的确定最优权重系数值,降低预测误差。
【附图说明】
[0042] 图1为本发明所述方法的流程图;
[0043] 图2为历史风电功率数据曲线示意图。
【具体实施方式】
[0044] 下面将结合附图和实施例对本发明做进一步的说明。
[0045] 以中国某风电场的实测风电功率数据为例,研究组合预测方法在风电功率预测中 的应用。该风电场共有额定功率750kW的风力发电机41台,假设所有风机都具有几乎相同 的风速和风向,并忽略风机之间的尾流效应,实例中使用一台等效风力发电机来模拟整个 风电场的有功输出。原始数据测量时间间隔为lh,根据预测模型建模的需要,选取连续9d 的216个数据用于建模预测,其中,前192个数据组成训练样本集,后24个数据作为测试样 本集。预测步长取1,以连续6步的滚动预测法进行预测。216个原始风电功率数据如图2 所示。
[0046] 采用相对百分比误差(RPE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE) 作为组合预测模型预测效果的评价指标。各评价指标的表达式如下。
[0050] 式中,F(t)为实测风电功率;A(t)为预测风电功率;η为预测验证数据个数;t为 预测点的序列编号。
[0051] -种基于最优权系数的风电功率组合预测方法,如图1所示,包括以下步骤:
[0052] 步骤I :使用[0, 1]区间归一化方法对前192个风电功率数据进行归一化处理,归 一化公式为:
[0054] 式中,X1为归一化前的风电功率值;Xnax为192个风电功率值中的最大值;x_为 192个风电功率值中的最小值。
[0055] 步骤2 :对归一化处理后的原始风电功率序列进行一阶差分变换,一阶差分后风 电功率序列的自相关系数能够较快的衰减到零,对(p,q) =
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1