基于风速、风向信息的风电功率预测方法
【技术领域】
[0001] 本发明涉及风电场发电功率预测技术，特别是一种基于风速、风向信息的风电功 率预测方法。
【背景技术】
[0002] 风能是一种典型的无污染可再生能源，由于其资源丰富，具备大规模开发的条件， 因此受到广泛地关注，成为未来能源的主要形式，风能的开发和利用已成为我国最为重要 的可再生能源发展方向。随着风电累计装机容量的逐渐提高，其发电出力的随机性和波动 性对并网后电网平衡的影响越来越明显。为了保证电网的稳定运行和供电系统的可靠性， 必须对供电系统进行有效的计划和调度，因此需要对风力发电功率进行准确预测，这直接 关系到电网的供需平衡，也直接影响着并网系统的运营成本。2011年，国家能源局发布了 《风电厂功率预测预报管理暂行办法》，强制风电场安装风力发电功率预测系统，而2012年1 月1日以来，未按要求报送风力发电功率预报结果的风电场也不允许并网运行。
[0003] 在制定发电计划和安排调度时，需保证发电系统具有较强的复合跟踪能力，能够 适应分钟级或小时级的负荷波动，从而要求系统有足够的旋转备用容量，因此需要对风力 发电机和风电场的发电功率进行超短期(<4h)和短期(<72h)的预测，而准确的风电功率预 测可以在保证供电系统的平稳与安全的前提下降低风电成本，可以达到提高风电价值的目 的。由此可见风力发电功率预测的重要性。
【发明内容】
[0004] 本发明的目的是为了提供一种可靠性高的基于风速、风向信息的风电功率预测方 法，利用风速、风向信息实现超短期或短期风电功率预测。
[0005] 本发明的技术方案是：
[0006] -种基于风速、风向信息的风电功率预测方法，包括以下步骤：
[0007] 步骤一、对风电场的历史风力数据及相对应的实际风功率出力数据进行搜集整 理，其中历史风力数据包括测风塔获得的不同高度的风速、风向信息，实际风功率出力数据 为风电场实时传输的实际有功功率；
[0008] 步骤二、对所述风电场的历史风力数据以及相对应的实际风功率出力数据进行归 一化预处理后作为训练样本，然后按照时间顺序对不同时间点的风速、风向和相对应的实 际有功功率的归一化数据序列进行相似性分析和聚类分析，将特征属性相类似的数据对象 划分到同一类，采用K均值聚类算法在确定最终分类数K后，分别计算出每一类数据的聚类 中心；
[0009] 步骤三、提取训练日之前的历史实际有功功率，采用自回归模型结构预测出训练 日当天的有功功率平均值，将其与每一类中的风速、风向数据结合共同作为输入，训练日当 天的实测有功功率数据作为输出进行建模，通过对每一类数据样本的训练，建立不同类的 风电功率预测模型，即建立K个风电功率预测模型；
[0010] 步骤四、提取预测日当天的风速、风向及预测的有功功率平均值的归一化数据，组 成预测日当天的归一化日向量，分别计算该归一化日向量与K类中每一类聚类中心的相似 性参数，判断与预测日的归一化日向量相似度最高的一类，利用该类风电功率预测模型获 得预测日当天的风电预测功率。
[0011] 上述的基于风速、风向信息的风电功率预测方法，步骤二中进行相似性分析的方 法是采用皮尔逊积矩相关系数来定量描述相似性的大小，所述皮尔逊积矩相关系数的计算 公式如下：
[0012]
[0013] 其中，E代表数学期望;X和Y分别代表不同日的风速和风向数据构成的归一化日向 量;R代表相关系数，取值范围为-1~1; IRI <〇. 4为低度线性相关;0.4 < | R | <0.7为显著线 性相关;0.7^ |R|<1为高度线性相关。
[0014] 上述的基于风速、风向信息的风电功率预测方法，所述K均值聚类算法的具体步骤 为：
[0015] a、将所有数据分为K个初始类，选取K个样本点为初始聚类中心，记为Z1(1)， Z2 ⑴，…，zk(l)，其中，初始值1 = 1;
[0016] b、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ω」(Κ)中，各类所 包含的样本数为％(1)，其中，准则函数为欧氏距离，定义式为：
[0017]
[0018] 式中，d-一代表不同日归一化日向量X、Y间的欧氏距离;m-一向量X和Y的维数;X 和y-一向量X、Y的子向量；
[0019] c、计算各类均值向量，并将该向量作为新的聚类中心：
式中，j = l，2,…，k;i = l，2, ···，％(：〇;
[0020] d、若Zj(1+1)矣Zj(1)，表示聚类结果并不是最佳的，贝lj返回b，继续迭代计算；
[0021] 若Zj(l+l) = Zj(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。
[0022]上述的基于风速、风向信息的风电功率预测方法，K = 5。
[0023] 上述的基于风速、风向信息的风电功率预测方法，步骤三中的自回归模型结构的 具体表达式为：
[0024]
[0025]其中，pt代表训练日的有功功率平均值;pt-Ut-2分别代表训练日前两日的有功功 率平均值；約、朽为自回归模型参数，!>t}为白噪声模型，通过采用样本自相关函数定阶以 及最小二乘法进行参数估计，得到例=0.5088，釣= -0· 1396。
[0026] 上述的基于风速、风向信息的风电功率预测方法，步骤三中的风电功率预测模型 选用广义回归神经网络模型。
[0027] 上述的基于风速、风向信息的风电功率预测方法，步骤四中预测日当天的归一化 日向量与K类中每一类聚类中心的相似性量度采用欧氏距离量度。
[0028] 本发明的有益效果是：
[0029] 由于训练样本的选择直接影响到预测模型的精度，所以在建模之前采用聚类分析 的方法，以训练日不同高度的风速、风向信息作为聚类指标，采用欧氏距离作为相似性的度 量准则，先对样本数据进行聚类分析，再根据与训练日当天最相近的样本类，结合历史有功 功率作为建模用的训练样本，由仿真结果表明，采用聚类分析的方法进行数据预处理后，极 大的改善了预测模型的预测精度，可靠性高，能够在保证供电系统稳定运行的前提下，节约 运行成本，有利于提高风电场运行的经济效益。
【附图说明】
[0030] 图1是本发明的风电功率预测方法的原理框图。
【具体实施方式】
[0031] 如图1所示，该风电功率预测方法，包括以下步骤：
[0032] 1、对风电场的历史风力数据及相对应的实际风功率出力数据进行搜集整理，其中 风力数据包括测风塔获得的不同高度的风速、风向信息，实际风功率出力数据为风电场实 时传输的实际有功功率。本实施例中，搜集整理2014年4月到5月测风塔获得的10米高度风 速、10米高度风向、30米高度风速、30米高度风向、50米高度风速和50米高度风向，以及该段 时间内风电场的实际有功功率，数据的分辨率为15min，每一日为96个时间点。
[0033] 2、对2014年4月到5月测风塔获得的10米高度风速、10米高度风向、30米高度风速、 30米高度风向、50米高度风速和50米高度风向，以及该段时间内风电场的实际有功功率进 行归一化的预处理作为训练样本，然后按照时间顺序对不同时间点的风速、风向和相对应 的实际有功功率的归一化数据序列进行相似性分析，其中，选择皮尔逊积矩相关系数来定 量描述相似性的大小，计算公式如下：
[0034]
[0035] 式中，E-一数学期望;X，Y-一表示不同日的风速和风向数据构成的归一化日向 量，本实施例中，所述日向量由96个时间点的10米高度风速、10米高度风向、30米高度风速、 30米高度风向、50米高度风速和50米高度风向数据构成;相关系数的值为-1~1，其性质如 下：当R>0时，表示两变量正相关，当R<0时，表示两变量为负相关；当|R|=1时，表示两变 量为完全线性相关，即为函数关系；当R=〇时，表示两变量间无线性相关关系；当〇< IRI <1 时，表示两变量存在一定程度的线性相关，且IRI越接近1，两变量间线性关系越密切；IRI越 接近0，表示两变量的线性相关越弱;一般可按三级划分，IRI <0.4为低度线性相关;0.4 < R | <0.7为显著线性相关;0.7 < | R | < 1为高度线性相关。
[0036] 得到不同风速、风向时间序列的相关系数之后，对历史时间数据进行聚类分析，将 特征属性相类似的数据对象划分到同一类。本实施例中，选择动态聚类算法中最经典的K均 值聚类算法，确定最终分类数K，并分别计算出每一类数据的聚类中心。本实施例中，K = 5， 分别计算出5类数据的聚类中心。具体步骤为：
[0037] e、将所有数据分为K个初始类，选取K个样本点为初始聚类中心，记为Z1(1)， Z2 ⑴，…，zk(l)，其中，初始值1 = 1;
[0038] f、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ω」(Κ)中，各类所 包含的样本数为％(1)，其中，准则函数为欧氏距离，