一种风电出力短期区间预测方法与流程

本发明属于信息
技术领域：
，涉及到信号分解、神经网络建模、非参数估计等技术，是一种结合深度学习与非参数估计的风电出力短期区间预测方法。本发明采用工业实际运行数据，首先提出了一种改进的自适应变分模态分解方法对风速信号进行分解，以降低数据样本的非平稳性。进而，采用样本熵方法将分解后的信号划分为高频部分与低频部分，通过深度置信网络分别进行预测，将各分量预测结果重构得到风速信号预测值、并基于bp神经网络预测风电出力的点基准值。最后，构建了改进的非参数估计模型来计算每个时刻的出力波动概率密度函数，从而给出其置信区间，实现风电出力的区间预测。此方法得到结果精度较高，且计算效率符合实际需求，在可再生能源并网、以及调度领域亦可推广应用。
背景技术：
：能源与环境问题是现阶段面临的两大全球性问题，而可再生能源的发展为解决这两大问题提供了新思路。在新能源发电技术中，风速发电技术成熟、发电成本低、且易实现大规模产业化发展，现已成为能源与环境可持续发展的主力军。(南晓强.风电预测技术及其运行分析[d].(2013).西南交通大学)风电出力预测的准确性对风电并网的安全性、电力调度方案制定起到了重要作用，因此对风电场的功率进行短期预测，可帮助电力调度部门根据风电功率变化及时调整计划，从而保证电能质量，降低电力系统运行成本。(周松林,茆美琴,苏建徽.风电功率短期预测及非参数区间估计[j].(2011).中国电机工程学报,31(25))。然而，由于风具有间歇性、随机性与波动性等特征，导致风电出力预测的精度难以保证，增加了电网消纳风电的难度，易导致电力调度成本增加、能源浪费等问题。随着研究工作的广泛开展，风电出力相关的短期预测模型已经有所研究(nimaamjady,farshidkeynia,hamidrezazareipour.(2011).windpowerpredictionbyanewforecastenginecomposedofmodifiedhybridneuralnetworkandenhancedparticleswarmoptimization[j].ieeetransactionsonsustainableenergy,2,265-276)(liul,tianyaoji,mengshili,etal.(2018).short-termlocalpredictionofwindspeedandwindpowerbasedonsingularspectrumanalysisandlocality-sensitivehashing[j].journalofmodernpowersystems&cleanenergy,6,317-329)。然而，上述文献中的方法均是针对数据点的预测，无法满足现场对结果可靠性的需求。近年来，基于极限学习机(extremelearningmachine,elm)(杨锡运,关文渊,刘玉奇,等.基于粒子群优化的核极限学习机模型的风电功率区间预测方法[j].(2015).中国电机工程学报,35(s1):146-153.)、回声状态网络(echostatenetworks，esn)(aquinorrbd,netoon,souzarb,etal.investigatingtheuseofechostatenetworksforpredictionofwindpowergeneration[c].(2014).ieeesymposiumoncomputationalintelligenceforengineeringsolutions(cies))、非参数估计(王彩霞,鲁宗相,乔颖,等.基于非参数回归模型的短期风电功率预测[j].(2010).电力系统自动化,34(16):78-82.)以及深度学习(shiz,liangh,dinavahiv.(2017).directintervalforecastofuncertainwindpowerbasedonrecurrentneuralnetworks[j].ieeetransactionsonsustainableenergy,pp(99):1-1)的方法广泛被用于区间预测。然而，基于神经网络的模型多采用两个输出节点分别预测出区间的预测上限与下限，未对误差分布进行假设，难以给出不同置信度下的区间预测结果。而采用传统非参数估计方法难以确定窗口宽度，导致估算的概率密度函数曲线与实际曲线相差较大，影响预测精度。技术实现要素：本发明主要解决风电出力的短期区间预测问题。采用工业实际运行数据，首先提出了一种改进的自适应变分模态分解方法将风速信号分解为不同频率下的多个模态分量，并依据样本熵将其划分为高频与低频分量，针对高频与低频分量，分别建立深度置信网络的预测模型，将各分量预测结果重构得到风速信号预测值，并通过bp神经网络构建风速与风电出力的关系模型，预测出风电出力每个时刻的基准值；最后构建了改进的自适应非参数估计模型，计算每时刻风电出力波动误差的概率密度函数，并给出置信区间，实现风电出力的区间预测。该区间预测方法可应用于电网调度中，减少系统旋转备用容量，降低电力成本。本发明的技术方案：一种风电出力短期区间预测方法，步骤如下：(1)采用滤波、填补等方法对历史时间段的风速、气压、温度等数据进行预处理，作为基础数据样本；(2)构建自适应变分模态分解(adaptivevariationalmodedecomposition,a-vmd)模型对风速信号进行分解，并记分解后的模态分量为k个，将样本数据划分为训练集、测试集、验证集；(3)计算各模态分量的样本熵数值，并求出k个模态分量各自的样本熵ei(i＝1,2,…,k)及其平均值若第i个分量的样本熵ei大于平均样本熵将其划分到高频信号组，否则将其划分到低频信号组；(4)采用训练集中的高频与低频数据分别构建深度置信网络预测模型(deepbeliefnetworks,dbn)，将各预测分量重构后得到风速预测模型；(5)利用bp神经网络模型拟合出数据集中风速大小与风电出力的关系模型，并将风速信号预测值代入模型得到风电出力预测值；(6)计算测试集中风电出力误差，并根据功率大小将该误差样本集划分为m段，并提出一种基于nsga-ⅱ优化方法的核密度估计方法(nsga-ii-basedkerneldensityestimation,nsga-ⅱ-kde)，结合k-近邻估计方法计算出每一段的概率密度函数，并求出不同置信度下的误差置信区间，结合风电出力点预测结果得到风电出力区间预测结果；本发明的有益效果：本发明的区间预测模型提出a-vmd方法将风速信号进行模态分解，降低了样本中存在的非平稳性，所提出的nsga-ⅱ-kde估计方法能够同时保证概率密度函数的平滑性与精度，有效的提高了区间预测的准确性。经实际数据实验验证，本方法在置信度95％的条件下可以获得较窄的区间平均宽度与较高的区间覆盖率，为电力调度方案的制定提供更可靠的支持。附图说明图1为本发明应用流程图。图2为基于a-vmd分解后的各模态与频率图。图3为基于dbn-dnn的风速预测模型。图4(a)为改进前的非参数估计的概率密度函数曲线图。图4(b)为改进后的非参数估计概率密度函数曲线图。图5(a)为bp-kde方法下的风电出力区间预测结果图。图5(b)为elm-lube方法下的风电出力区间预测结果图。图5(c)为所提方法的风电出力区间预测结果图。具体实施方式风电开发起步主要出现在“三北”等地，近年来中部、东部、以及南方各地风电开发规模逐渐增大，风电场建设需要考虑区域电力发展规划、环境制约因素、气象因素、风能资源、地形条件等多种因素。目前风能资源仍为国内风电场选址的首要条件，部分地区具有丰富的风能资源，但这些地区的风电出力值远远大于负荷需求，从而造成资源浪费，且风能的波动性易对电网造成冲击，风电出力区间预测不仅可以用于电力资源调度、减少资源浪费，还可以提前预知波动信息，以便于借助火电等稳定发电方式削弱其波动性，降低对电网的损害。为了更好地理解本发明的技术路线和实施方案，下面以国内某风电场的数据为基础，应用本发明方法构建区间预测模型，具体实施步骤如下：(1)数据预处理采集风电出力预测所需样本集，包括风速、风电出力、温度和气压，并做除噪、滤波和填补预处理；(2)基于a-vmd的风速信号分解考虑到能量损失与中心频率，提出了一种a-vmd模型。构建变分约束模型如式(1)所示其中，ui(t)代表风速信号分解后的第i个模态分量，k为分解后的模态总数，t代表采样时刻，f(t)代表原始风速信号，vi代表第i个模态分量的中心频率，δ(t)为狄拉克分布，j为虚数单位。通过引入拉格朗日乘子将问题转化为无约束优化问题，求解该非约束问题的最优解ui(t)、vi如式(3)和式(4)所示：其中为第i个模态分量的维纳滤波结果，其上标n+1代表迭代次数，采用傅里叶逆变换并取其实部即为ui(t)。与分别为原始信号f(t)和拉格朗日乘法算子的傅里叶变换，α表示二次惩罚因子，w代表频率。则基于a-vmd的信号分解步骤如下：步骤1：初始化k、和令循环次数o＝0；步骤2：根据式(3)、式(4)迭代计算直到满足式(5)；步骤3：判断式(5)是否成立，若成立则跳转到步骤5，否则跳转到步骤4；其中，e代表信号分解前的总能量，ei代表第i个模态分量的能量；步骤4：令o＝o+1，跳转到步骤2；步骤5：判断式(7)是否成立其中，d(wk-wk-1)代表第k个模态分量的频率与第k-1个模态分量频率的差值，若式(7)成立，则去掉最后一层模态分量，保留前k-1层模态；否则算法结束。(3)计及样本熵的信号频率划分样本熵是一种衡量样本时间序列复杂性的方法，它对数据长度的依赖性较小，且具有更好的一致性，分解后的信号可能存在模态分量过多的现象，将分解后的信号按频率划分为高频与低频分量，以降低预测误差累积，其计算步骤如下：步骤1：计算k个模态分量的样本熵qi(i＝1,2,…,k)，及各模态分量样本熵的平均值步骤2：遍历k个模态分量，直到第i个分量ui(t)满足式(8)则停止遍历，并将该分量以及其后分量划分到高频分量集合hf，将其他分量划分到低频分量集合lf。(4)基于深度置信网络的风速预测dbn是基于概率生成模型的非监督深度学习方法，由多层受限波尔兹曼机组成，在其最后一层引入bp神经网络，将其转化为有监督训练，构成基于深度置信网络的预测模型；基于dbn的风速预测步骤如下：步骤1：将样本划分为训练集tr、测试集ts、验证集ce，每个集合均为k×l维矩阵，l代表各集合的样本个数；步骤2：针对训练集样本tr，用两个dbn分别训练高频分量集合hf与低频分量lf，如式(9)和式(10)所示：其中，wl与wh分别代表风速信号低频分量与高频分量预测结果，dl、dh代表深度置信网络模型。t为正整数，t+t代表未来t小时，其风速预测值w(t+t)如式(11)所示：w(t+t)＝wl(t+t)+wh(t+t)(11)将该模型用于测试集ts与验证集ce得到风速预测结果。(5)基于bp神经网络的风速-风电出力关系模型构建利用bp神经网络拟合出训练集中的风速与风电出力关系模型，并将测试集与验证集中风速预测结果带入该模型得到风电出力预测结果；(6)基于改进非参数估计的误差置信区间构建及区间预测非参数估计是一种对先验知识要求最少，完全依靠训练数据进行估计，而且用于任意形状密度估计的方法，针对非标准分布数据，其概率密度函数拟合结果优于参数估计方法，核密度估计作为常用的非参数估计方法已广泛应用于置信区间估计，其公式如式(11)：其中，p(x)代表样本集x的概率密度函数，n代表样本个数。k(x)为核函数，通常采用高斯核函数。xc代表第c个样本点的值，h代表窗口宽度。此处h的选择会影响到概率密度函数的平滑性与精度，h过小会造成概率密度函数的波动，h过大会导致估计精度下降，估计误差增大。因此，提出了一种基于nsga-ⅱ-kde估计模型来对h的取值进行优化，考虑曲线平滑性，选取曲率平均值作为目标函数1，如式(12)；考虑概率密度函数的精度，选取基于直方图下的概率密度与基于核密度估计下的概率密度的平均误差作为目标函数2，如式(13)所示：在式(12)中，r代表平均曲率，用来衡量曲线平滑程度，y代表基于直方图下的离散概率密度函数，p(x)代表基于非参数估计下的概率密度函数。式(13)中e代表两者的平均误差，用来衡量曲线精度，通过多目标优化算法获得的窗口宽度保证概率密度函数具有较高的平滑程度与精度；结合式(11)、式(12)、式(13)与k-近邻估计，最终构成改进后的非参数估计形式如式(14)所示：其中，m代表距xc最近的m个点，v在这里代表m个点组成集合的最大距离。则基于改进非参数估计的误差置信区间构建及区间预测步骤如下：步骤1：求出测试集预测误差，并按风电预测值大小划分为m段，如式(15)所示：其中，l和u分别为测试集风电出力点预测最小值和最大值，并构建集合{fm}，若某一时刻风电出力预测值位于第d(d∈{1,2,...,m})段区间中，则将其对应的预测误差添加到fd中；步骤2：基于nsga-ⅱ-kde与k-近邻模型，构建各段风电预测误差集合的概率密度函数；步骤3：按50％权重叠加上述两个模型组合为概率密度函数，并计算置信区间；步骤4：找出验证集中每一风电出力预测值所对应式(15)中的区间段，将与其对应的置信区间叠加到点预测结果中得出区间预测结果。图5为风电出力的短期区间预测结果，预测时长4个小时，其中(a)为基于极限学习机的区间预测模型(elm-lube)，(b)为基于传统bp神经网络点预测模型结合改进前非参数估计的区间预测模型(bp-kde)，(c)则是本发明方法。采用区间覆盖率(predictionintervalscoverageprobability,picp)，区间平均宽度(predictionintervalsnormalizedaveragewidth,pinaw)，区间分数(intervalscore，is)衡量区间预测效果，picp、pinaw、is的定义分别如下：其中，bi取值为0或1，当真实数据点位于预测区间内时，bi＝1，否则bi＝0；hi与li分别为区间预测上限与下限，w代表区间上下限差值的最大值，μ代表置信水平，ri代表i时刻风电出力实际值，采用方法a、方法b、本发明方法对比，取置信度95％下的区间预测结果如表1所示。综合图表结果可以看出，本发明在区间覆盖率和区间平均宽度、区间分数上均优于其它区间预测方法。表1三种方法在95％置信度下区间预测结果对比预测方法picp(％)pinaw(％)isbp-kde82.429.1-12.84elm-lube86.525.8-15.61本发明99.517.8-6.02当前第1页12