一种基于FCM和AFSA-Elman的短期风电功率预测方法与流程

本发明涉及风电功率预测领域，特别涉及一种基于fcm和afsa-elman的短期风电功率预测方法。
背景技术：
：随着经济的快速发展，能源供应紧张，世界能源结构已从化石能源系统转变到基于可再生能源的可持续新能源系统，因此世界各国都非常重视可持续新能源的发展。风能作为一种可再生能源，具有分布广泛、永不枯竭、蕴藏量大等特点，风力发电在降低温室气体排放量、放缓全球变暖的过程中发挥着突出作用。如今，世界上有一百多个国家正在大力推广风能的使用，风电产业发展迅速，未来全球风电行业也将持续快速发展。根据世界风能协会统计数据显示，2017年全球新增装机达52492兆瓦，比2016年的新增装机量54642兆瓦低3.8％。中国在发展清洁能源的政策推动下大力发展风力发电事业。为了能在可再生能源开发方面起到促进作用，也能为电力系统运行管理提供指导作用，较高精度的风电功率预测的工作是非常需要的。风电功率预测是根据风电场气象信息有关数据利用物理模拟计算和科学统计方法，对风电场的出力风速进行短期预报，从而预报出风电场的发电功率。由于风的随机波动会使得风能具有较强的不确定性，在日益扩大的风场规模和电网调度的难度加大的背景下，对风电功率预测的研究意义日益凸显。对电力部门来说，功率预测的极值可以帮助及时修改与制定电网调度策略，既有效减少风能资源的消耗，也高效确保国家电力系统安全稳定运行；从电力市场来说，高效的功率预测可以提高风电在电力市场的评价指标，保证更多的风能资源得以利用；对风场本身而言，检修人员可根据预测模拟出的功率曲线有选择性的对风机进行维护，既保证风机免受恶劣天气的破坏，也能够将风资源损耗降到最小化，从而进一步提高了风电场的经济效益。故而针对目标风电场地形复杂、场内机组众多等特点，亟需一种风电功率预测方法来对风电功率进行预测。技术实现要素：本发明的目的是提供一种基于fcm和afsa-elman的短期风电功率预测方法，可以较好地避免电力系统“维数灾”的发生，对评估大容量风电场和电力系统之间的相互影响具有重要意义，为短期风电功率预测提供了一种准确有效的方法。本发明的上述技术目的是通过以下技术方案得以实现的：一种基于fcm和afsa-elman的短期风电功率预测方法，包括以下步骤：步骤1：对风场历史数据进行清洗与标准化处理，建立目标风电场内各台风电机组的观测数据；步骤2：初次选择聚类模型的输入向量，采用模糊c聚类算法对风机样本进行训练，选择出合适的分群指标；步骤3：根据分群指标构建新的输入集，再次用fcm对其进行训练，得到不同机群的划分结果；步骤4：将聚类的各类机群采用风机容量加权聚合的方法得到各机群等值机组的参数值，此参数值即可表征对应的机群；步骤5：根据等值参数，建立不同机群的afsa-elman预测模型，即可得到不同机群的预测结果；步骤6：将各机群预测的功率进行容量加权，即可达到整个风电场的总预测功率。更进一步地，步骤1中，观测数据包括各个风机的风速、风向、有功功率及温度数据形成的时间序列。更进一步地，步骤2中，采用基于空间度量特征的距离为聚类算法的相似性度量，通过引入距离的思想对相关系数进行适当转化，根据公式计算基于空间度量特征的距离，其中，ρxy为相关系数，dxy为基于空间度量特征的距离。更进一步地，步骤3中，以风速、风向和有功功率三种要素综合为分群指标。更进一步地，步骤5采用afsa-elman算法为风电功率预测模型，利用人工鱼群算法的可并行处理和自动实现全局寻优的特点来优化elman神经网络的权阈值。综上所述，本发明具有以下有益效果：1.通过基于空间度量特征的距离充分体现了相关性与距离间的密切联系，通过对相关系数的转换，可得到能够反映变量间相关性的空间度量特征的距离，其对风机相关性的研究更具有应用价值。2.afsa-elman算法较未优化的elman算法、常用的bp算法，相对均方根误差(rrmse)和相对平均绝对误差(rmae)明显较小，且误差值相对较为平稳，预测曲线也更接近于实际功率曲线。因此，提出的fcm-afsa-elman短期风电功率模型的效果较为理想。附图说明图1是本发明实施例中风电场的风机分布位置图；图2是本发明实施例中afsa-elman算法与bp算法预测曲线对比；图3是本发明实施例中afsa-elman算法与elman算法预测曲线对比；图4是本发明实施例中bp算法预测绝对误差图；图5是本发明实施例中elman算法预测绝对误差图；图6是本发明实施例中afsa-elman算法预测绝对误差图。具体实施方式下面结合附图对本发明的具体实施方式作进一步说明，本实施例不构成对本发明的限制。本发明揭示了一种基于fcm和afsa-elman的短期风电功率预测方法，其中包括采用fcm对风电机组进行聚类，对聚类后的各个机群分别建立afsa-elman模型，将各个机群的预测结果叠加获得最终的短期风电功率预测结果，具体包括以下步骤：步骤1：对风场历史数据进行清洗与标准化处理；其中，观测的数据包括各个风机的风速、风向、有功功率及温度数据形成的时间序列。步骤2：初次选择聚类模型的输入向量(所有特征量)，采用基于空间度量特征的距离的模糊c聚类算法对风机样本进行训练，根据不同分群指标对于聚类结果的影响情况，选择出合适的分群指标；其中，采用基于空间度量特征的距离为聚类算法的相似性度量，通过引入距离的思想对相关系数进行适当转化，距离公式参考式为上式主要计算基于空间度量特征的距离，其中ρxy为相关系数，dxy为基于空间度量特征的距离。将dxy应用到fcm中，比较好地解决了欧氏距离的问题，这也解决了fcm聚类算法只适用于处理类内紧密、类间分离较好的数据及球形数据，而不能处理非凸形状的数据的问题。步骤3：根据得出的分群指标构建新的输入集，再次用fcm对其进行训练，得到不同机群的划分结果；本实施例中，由于温度要素对聚类结果的影响较小，因此省略温度要素，以风速、风向和有功功率三种要素综合为分群指标；步骤4：将聚类的各类机群采用风机容量加权聚合的方法得到各机群等值机组的等值参数，此参数值即可表征对应的机群；聚类结果判断准则利用方差思想定义度量类内距离和类间距离测度，类间距离越大越好，类内距离越小越好，所述的聚类结果的内部评价指标参考式为：其中，stdi为类间距离与类内距离之比，ck是类簇k的质心，xt是所有样本的质心，xi是类簇k的第i个样本，nk是类簇k的样本数，k是数据集的类簇数。步骤5：根据等值参数，建立不同机群的afsa-elman预测模型，即可得到不同机群的预测结果，其中，采用afsa-elman算法为风电功率预测模型，利用人工鱼群算法的可并行处理和自动实现全局寻优的特点来优化elman神经网络的权阈值；为了提高elman算法的预测精度，引入人工鱼群算法(afsa)对elman算法的权阈值进行寻优，所述的寻优过程满足如下两式：其中，m＝(m1,m2,…,mn)为虚拟人工鱼当前状态，为某时刻视点所在位置状态，rand函数产生0到1之间的随机数，step为步长，visual为视野范围。步骤6：基于步骤5建立的不同机群的afsa-elman预测模型，即可得到不同机群的预测结果，将各机群预测的功率进行容量加权，即可达到整个风电场的总预测功率。如图1所示，以云南磨豆山风电场为例：磨豆山风电场地处低纬度高海拔地形，场内场内共有型号相同的风机24台，每台风机的装机容量为2mw，风场总容量为48mw。风机的切入风速为3m/s，额定风速为12m/s，切出风速为25m/s，额定功率为2mw。由于此风电场位于山地特殊地形，风电机组的位置分布与风速空间分布等对风电出力的影响较大，可见，对风电场内的风电机组进行详细建模与分析是必要的。风电机组的地理分布如图1所示，其中，0号位置为测风塔位置，1-24号位置分别代表1号至24号风机的位置，由于7号风机自身故障，无法准确获取有效数据，因此该风机不作为研究对象。以下对本发明进一步说明：1.在对风力机数据进行去除无效观测数据、去除数据异常值及数据归一化处理后，建立目标风电场内各台风电机组观测数据，表示为di＝[di1,di2,di3,di4]，其中i∈[1,24],表示风机编号，di1,di2,di3,di4分别表示风机风速、风向、有功功率及温度数据形成的时间序列。2.风电场地处山地地形，场内风电机组布局是不规则的。由于地形、海拔、其他机组的影响等因素，场内每台风机捕获的运行数据有较大的差异，使得风速具有较强的波动性及间歇性,故引入聚类算法对场内不同运行状态的风机进行分析。聚类分析的关键在于分群指标及相似度测量上。(1)在风机特征量选取上，应该保证既能显著影响风机发电过程，且这些特征指标能在发电发生前容易获得的选择。为了充分体现相关性与距离间的密切关系，通过对相关系数的转换，可得到能够反映变量间相关性的空间度量特征的距离其中，ρxy为相关系数，dxy为基于空间度量特征的距离，其对风机相关性的研究更具有应用价值。以基于空间度量特征的距离为相似性度量，分类为4类，采用模糊c均值聚类(fcm)算法对不同分群指标的情况进行分析，分析结果如表1所示。表1不同分群指标下fcm聚类结果表从表1可以看出，在不同分群指标下，聚类的分群情况大不相同。其中，温度这一要素对聚类结果的影响微乎其微，因此我们省略这一要素，仅研究风速、风向、有功功率这三大要素的影响。以stdi为聚类结果评价指标来分析聚类效果。以stdi为聚类结果评价指标来分析聚类效果，如表2所示。以风速、风向和有功功率结合的综合分群指标的stdi值为0.7325，大于以风速、风速+风向为分群指标的stdi值，证明前者的聚类效果较好，因此确定用风速、风向与有功功率三种要素综合为分类指标。表2不同指标下的stdi值分群指标stdi值风速0.4329风速+风向0.5663风速+风向+有功功率0.7325(2)相似性度量也是聚类分析中重要环节。分别选用欧氏距离(euclideandistance)、皮尔逊系数(pearson)以及基于空间度量特征的距离(spacedistance)为相似性度量做对比，以模糊c均值聚类为聚类算法对风电场内风机进行聚类，其聚类结果及stdi值如表3所示。表3不同相似性度量下fcm聚类结果表从表3中可知，虽然聚类方法相同，但不同的相似性度量导致了不同的机群分组，说明了相似性度量对机组间的划分有很大影响。从stdi值来看，基于空间度量特征的距离下的分群聚类效果较其他两类都要好。3.为进一步评价不同相似性度量的效果，采用afsa-elman预测模型对不同机群的数据进行实验。elman神经网络的动态处理信息能力使其在时间序列的预测问题上得以广泛应用。为提高elman算法的预测精度，引入人工鱼群算法(afsa)对elman算法的权阈值进行寻优，寻优过程为：其中，m＝(m1,m2,…,mn)为虚拟人工鱼当前状态，为某时刻视点所在位置状态，rand函数产生0到1之间的随机数，step为步长，visual为视野范围。选取风电场1月份前27天数据即2592组数据作为训练样本训练afsa-elman预测模型，再将训练好的模型去预测最后三天即288组数据，将预测后的数据与风场实测数据做对比，求出各项误差值。为评价不同相似性度量情况下的分群结果，均用afsa-elman模型训练并检验。本发明选用了均方根误差(rmse)、平均绝对误差(mae)、相对均方根误差(rrmse)和相对平均绝对误差(rmae)四种误差指标对风电场的短期风速预测结果进行评价，其计算公式如下所示：(1)均方根误差(rmse)(2)平均相对误差(mae)(3)相对均方根误差(rrmse)(4)相对平均绝对误差(rmae)其中，n表示样本的个数，表示的是第i个预测值，xk(i)表示的是第i个实际值。不同相似性度量情况下的相应预测误差结果如表4所示。表4不同相似性度量情况下的预测精度对比从表4可知，采用基于空间度量特征的距离为相似性度量下的模型误差rrmse和rmae值分别为22.25％、16.53％，以欧氏距离为相似性度量下的模型误差值为25.41％、19.04％，以皮尔逊系数为相似性度量下的模型误差值为23.48％、17.85％，相比之下，基于空间度量特征的距离为相似性度量方法下的模型精度较高，功率预测的效果较好。验证了提出的相似性度量方法即基于空间度量特征的距离的可行性。为进一步评估afsa-elman算法的预测效果，分别将afsa-elman算法与未优化的elman算法和常用的bp神经网络算法做对比，预测曲线对比分别如图2和图3所示。由于数据量较大，在测试集288个数据中抽取48个数据做具体分析。图2分别对比了afsa-elman算法预测曲线、bp算法预测曲线和实际功率曲线，图3中对比了afsa-elman算法预测曲线、elman算法预测曲线和实际功率曲线，通过两张图可以看出，afsa-elman算法预测曲线比bp算法预测曲线、elman算法预测曲线更接近于实际功率曲线，afsa-elman算法的拟合效果更好。图4、图5、图6分别为bp算法、elman算法、afsa-elman算法模型在对应时间内每个预测功率值与实测值的绝对误差对比图。通过三张图对比可看出，afsa-elman模型的绝对误差相比较bp和elman明显较小，且误差值相对较为平稳。为了更直观的了解三种算法的预测效果，表5罗列出不同算法下各种预测误差指标。表5几种预测预测算法预测精度对比从表5中可以看出，afsa-elman算法的预测精确度明显高于bp神经网络算法和elman算法。对于误差指标最大的夏、秋季，该算法也有很好的预测效果，预测后的功率序列与实际功率序列更加接近。说明了该算法在功率预测中的有效性，与目前使用较为广泛的算法相比，也具有很高的精准度。实验结果分析表明，afsa-elman模型预测误差相比较elman和bp明显较小，验证了afsa-elman的预测效果都优于elman和bp算法。因此本文提出的基于聚类分析和afsa-elman算法的短期风电功率预测方法可以更好的提高预测精度。以上所述，仅是本发明的较佳实施例而已，不用于限制本发明，本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明技术方案的保护范围内。当前第1页1 2 3