基于聚類分析的風功率短期預測系統(tǒng)及預測方法
【專利摘要】本發(fā)明公開一種基于聚類分析的風功率短期預測系統(tǒng)及預測方法，預測系統(tǒng)包括短期預測服務器和實時數(shù)據(jù)采集裝置，短期預測服務器上安裝有功率預測功能單元和預測數(shù)據(jù)庫，預測方法主要通過應用皮爾遜積矩相關系數(shù)進行日相關性分析確定風功率的日相關性可以用天氣信息的日相似情況的一致性，然后通過K均值聚類法對歷史天氣數(shù)據(jù)進行聚類分析預處理，用歐氏距離作為相似性量度的方法選取出與預測日的天氣特征參數(shù)具有相似性的歷史日的數(shù)據(jù)，作為神經(jīng)網(wǎng)絡預測模型建模用的訓練樣本，利用這些聚類后的相似樣本經(jīng)過訓練以后得到基于聚類分析的風功率預測模型，將預測日數(shù)值天氣預報(NWP)信息作為模型的輸入?yún)?shù)，風功率作為模型輸出，得出預測日預測功率數(shù)據(jù)。
【專利說明】基于聚類分析的風功率短期預測系統(tǒng)及預測方法

【技術領域】
[0001]本發(fā)明涉及一種基于聚類分析的風功率短期預測系統(tǒng)及預測方法，屬于新能源風力發(fā)電應用領域。

【背景技術】
[0002]為了有效地利用風能資源，大型風電場的并網(wǎng)運行都需要配備風力發(fā)電預測系統(tǒng)。如果沒有預測系統(tǒng)的支持，或者預測的不夠準確，風電場有可能被限電處理，從而導致風電場的有效裝機容量不能得到充分的利用。風力發(fā)電機組實際運行中產(chǎn)生功率的大小主要取決于當?shù)仫L資源的情況，而風資源的特性主要是指風速的變化特性。風速是單位時間內(nèi)空氣在水平方向上移動的距離，主要受氣象因素及地形、地表障礙物等地形因素的影響。地球自轉(zhuǎn)產(chǎn)生的晝夜交替使得某些天的天氣狀況呈現(xiàn)某種程度的相似性，所以不同日的風功率變化趨勢十分近似，為了充分利用歷史風速數(shù)據(jù)所蘊含的信息，根據(jù)風速和風功率的日相似性提出基于聚類分析的短期預測方法，出發(fā)點在于樣本預處理對預測結果的重要性，目的在于提高預測精度。
[0003]專利:風電場功率預測方法，申請?zhí)?01210397828.6，本發(fā)明提供了一種風電場功率預測方法，包括以下步驟:A、根據(jù)風場風資源特性，確定風場的主風向；B、按照風機類型，對風電場內(nèi)的各風機進行分組；C、對相同風機類型下的各風機，根據(jù)風機安裝的地理位置差異進行再分組；D、計算各風機類型下風機分組的平均風速值，并由風機分組的平均風速值求得風機分組的風機功率，最后將各風機類型下所有風機分組的風機功率相加求和。此專利中應用聚類分析方法劃分在風場主風向下相同風機類型中具有相近平均風速的風機，然后計算各風機類型下風機分組的平均風速值，并由風機分組的平均風速值求得風機分組的風機功率，最后將各風機類型下所有風機分組的風機功率相加求和。
[0004]上述專利中雖然應用了聚類分析的理論，但僅限于此理論的分類方法，而沒有結合此理論對風功率預測中氣象歷史風速數(shù)據(jù)所蘊含的信息進行剖析。事實證明，應用根據(jù)風速和風功率的日相似性提出基于聚類分析的短期預測方法，可以有效提高預測精度。


【發(fā)明內(nèi)容】

[0005]本發(fā)明針對現(xiàn)有技術所存在的問題，提出了一種基于聚類分析的風功率短期預測系統(tǒng)及預測方法。主要目的就是通過對歷史天氣數(shù)據(jù)進行聚類分析預處理，用歐氏距離作為相似性量度的方法選取出與預測日的天氣特征參數(shù)具有相似性的歷史日的數(shù)據(jù)，作為預測模型建模用的訓練樣本，利用這些聚類后的相似樣本經(jīng)過訓練以后得到基于聚類分析的風功率預測模型，將預測日數(shù)值天氣預報(NWP)信息作為模型的輸入?yún)?shù)，風功率作為模型輸出，得出預測日預測功率數(shù)據(jù)。
[0006]本發(fā)明的目的是這樣實現(xiàn)的:
[0007]本發(fā)明提出一種基于聚類分析的風功率短期預測系統(tǒng)，包括短期預測服務器、實時數(shù)據(jù)采集裝置，短期預測服務器上安裝有功率預測功能單元和預測數(shù)據(jù)庫，實時數(shù)據(jù)采集裝置包括測風塔、風機數(shù)據(jù)監(jiān)控裝置、數(shù)值天氣預報接收裝置。實時數(shù)據(jù)采集裝置與短期預測服務器電連接，將采集到的風速、風向、溫度、濕度、氣壓、風電功率、數(shù)值天氣預報數(shù)據(jù)傳輸?shù)蕉唐陬A測服務器。短期預測服務器中的功率預測功能單元接收到實時數(shù)據(jù)采集裝置發(fā)送的數(shù)據(jù)后存儲到預測數(shù)據(jù)庫中。
[0008]本發(fā)明提出一種基于聚類分析的風功率短期預測方法，具體包括一下步驟:
[0009]A、風功率的日相似性分析:通過預測數(shù)據(jù)庫中實際風電場的歷史數(shù)據(jù)及皮爾遜積矩相關系數(shù)，得出風功率的日相似性可以用與風功率有密切關系的天氣信息的日相似情況來判斷的結論；
[0010]B、應用K均值聚類法對歷史日天氣信息進行聚類分析:應用近鄰規(guī)則，通過不斷的迭代將歷史日天氣信息分為不同的K類，具體步驟如下:
[0011]B1、將所有日天氣信息向量分為K個初始類，選取K個樣本點為初始聚類中心，記為 Z1(I), Z2(I),, Zk(I),其中初始值 1 = 1;
[0012]B2、按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類ω」(Κ)中，各類所包含的樣本數(shù)為Nj (I)；
[0013]B3、計算各類的均值向量，并將該向量作為新的聚類中心:
_4]+ =Σ 沖)

iy JXt J χ^ι^ω^Ι)
[0015]其中j = I, 2,..., k, i = 1，2，...，Nj ⑴。
[0016]B4、若Zj (1+1)古Zj(I),表示聚類結果并不是最佳的,貝U I在原值上加I,返回步驟B2，繼續(xù)迭代計算；
[0017]B5、若\(1+1) = \(1)，迭代過程結束，此時的聚類結果就是最優(yōu)聚類結果。
[0018]C、從預測數(shù)據(jù)庫中提取預測日的NWP信息，根據(jù)相似性量度確定預測日所屬的類，從中選取相應的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡預測模型的訓練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型；
[0019]D、將預測日的NWP信息作為神經(jīng)網(wǎng)絡的輸入信息，得到預測日的風功率預測數(shù)據(jù)；
[0020]E、將預測功率數(shù)據(jù)存儲到預測數(shù)據(jù)庫中，同時發(fā)送給電網(wǎng)調(diào)度中心。
[0021]由于上述技術方案運用，本發(fā)明與現(xiàn)有技術相比具有下列優(yōu)點和效果:
[0022]本發(fā)明的一個效果在于，應用皮爾遜積矩相關系數(shù)得出風功率的日相似性可以用與風功率有密切關系的天氣信息的日相似情況來判斷的結論。
[0023]本發(fā)明的一個效果在于，應用K均值聚類法對歷史日天氣信息進行聚類分析。
[0024]本發(fā)明的一個效果在于，根據(jù)相似性量度確定預測日所屬的類，從中選取相應的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡預測模型的訓練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型。

【專利附圖】

【附圖說明】
[0025]圖1是本發(fā)明中風電場風功率預測系統(tǒng)硬件結構示意圖；
[0026]圖2是本發(fā)明中一種基于聚類分析的風功率短期預測方法預測模型示意圖圖；
[0027]圖3是本發(fā)明一種基于聚類分析的風功率短期預測方法流程圖；
[0028]圖4是本發(fā)明中K均值聚類算法得到的準則函數(shù)與分類數(shù)K的關系曲線圖；
[0029]圖5是本發(fā)明中實施例樣本所在聚類情況；
[0030]圖6是本發(fā)明中提出的基于聚類分析的風功率短期預測模型與持續(xù)預測模型預測曲線對比；
[0031]圖7是是本發(fā)明中提出的基于聚類分析的風功率短期預測模型與持續(xù)預測模型預測誤差對比。

【具體實施方式】
[0032]實施例:
[0033]一種基于聚類分析的風功率短期預測系統(tǒng)，包括短期預測服務器、實時數(shù)據(jù)采集裝置。實時數(shù)據(jù)采集裝置包括測風塔、風機數(shù)據(jù)監(jiān)控裝置、數(shù)值天氣預報接收裝置實時數(shù)據(jù)采集裝置與短期預測服務器電連接，實時傳輸風速、風向、溫度、濕度、氣壓、風電功率等數(shù)據(jù)信息。短期預測服務器上安裝有功率預測功能單元和預測數(shù)據(jù)庫，功率預測功能單元接收到實時數(shù)據(jù)采集裝置發(fā)送的數(shù)據(jù)后存儲到預測數(shù)據(jù)庫中，同時進行短期風電功率預測并將預測數(shù)據(jù)保存到預測數(shù)據(jù)庫中。短期風電功率預測采用基于聚類分析的風功率預測方法。
[0034]基于聚類分析的風功率短期預測方法，通過對歷史天氣數(shù)據(jù)進行聚類分析預處理，用歐氏距離作為相似性量度的方法選取出與預測日的天氣特征參數(shù)具有相似性的歷史日的數(shù)據(jù)，作為預測模型建模用的訓練樣本，利用這些聚類后的相似樣本建立模型，數(shù)值天氣預報(NWP)信息作為模型的輸入?yún)?shù)，風功率作為模型輸出，經(jīng)過訓練以后得到風功率短期多步預測模型。預測方法實例如下:
[0035]采用黑龍江依蘭風電場2012年I?2月的NWP數(shù)據(jù)和實測風功率數(shù)據(jù)進行分析、建模和預測為例，數(shù)據(jù)分辨率為15分鐘。
[0036]選擇2012年2月4日之前的20天的天氣及功率數(shù)據(jù)作為歷史數(shù)據(jù)，將每天作為一個數(shù)據(jù)對象，由一個7維向量表示,稱為日天氣信息向量,表示為X = [Pav, Vmin, Vmax, Tmin, Tmax, Dsin, Dcos]，其中的變量依次代表日氣壓平均值、日風速最小值、日風速最大值、日氣溫最小值、日氣溫最大值、日風向正弦平均值、日風向余弦平均值。選擇2012年2月4日作為預測日，同樣構建一個7維向量，表示為Μ = [Pav, Vmin, Vmax, Tmin, Tmax, Dsin, Dcos]，預測步長為96步。具體實施步驟如下:
[0037]A、風功率的日相似性分析:通過實際風電場的歷史數(shù)據(jù)及皮爾遜積矩相關系數(shù)，得出風功率的日相似性可以用與風功率有密切關系的天氣信息的日相似情況來判斷的結論；
[0038]B、應用K均值聚類法對歷史日天氣信息進行聚類分析:
[0039]選擇2012年2月4日之前的20天歷史數(shù)據(jù)做聚類分析，采用K均值聚類算法，具體步驟如下:
[0040]B1、將所有日天氣信息向量分為K個初始類,選取K個樣本點為初始聚類中心,記為 Z1(I), Z2(I), , Zk(I),其中初始值 1 = 1;
[0041]B2、按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類G^(K)中，各類所包含的樣本數(shù)為Nj (I)；
[0042]B3、計算各類的均值向量，并將該向量作為新的聚類中心:
[0043]z/(/ + 1) = VTa

1^jV) x{i)^otiI)
[0044]其中j = I, 2,..., k, i = 1，2，...，Nj ⑴。
[0045]B4、若Zj (1+1)古Zj(I),表示聚類結果并不是最佳的,貝U I在原值上加I,返回步驟B2，繼續(xù)迭代計算；
[0046]B5、若\(1+1) = \(1)，迭代過程結束，此時的聚類結果就是最優(yōu)聚類結果。
[0047]由此得到準則函數(shù)與分類數(shù)K的關系曲線如圖2所示，根據(jù)聚類分析理論中確定最優(yōu)分類數(shù)的方法，取準則函數(shù)曲線拐點處的K作為最佳分類數(shù)，得到K = 3。
[0048]在分類數(shù)K = 3的情況下，20個歷史樣本日的所屬類別情況如圖3所示。有4天屬于第3類，有I天屬于第2類，其他均屬于第I類。由式(I)計算出這三類的聚類中心(歸一化)分別為:
[0049]第I 類:[0.9880.1830.438-1.130-0.8040.0420.051]；
[0050]第2 類:[0.9880.5550.863-1.151-0.8530.1190.189]；
[0051]第3 類:[0.9930.0470.268-0.856-0.551-0.020-0.125]。
[0052]C、根據(jù)相似性量度確定預測日所屬的類，從中選取相應的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡預測模型的訓練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型:
[0053]預測當天的歸一化日NWP 向量為[0.9810.3400.801-0.932-0.5790.113-0.052]，與三類聚類中心的歐式距離分別為0.51、0.48和0.63，距離第2類聚類中心最近，所以預測日所屬分類為第2類，屬于第2類的樣本為第19個樣本日，2012年2月2日。
[0054]以2012年2月2日的NWP氣壓、NWP風速、NWP氣溫、NWP風向正弦和NWP風向余弦作為輸入，實測功率數(shù)據(jù)作為輸出進行建模，模型結構見圖1。
[0055]D、基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型訓練完成后，將預測日的NWP信息作為神經(jīng)網(wǎng)絡的輸入信息，得到預測日的風功率預測數(shù)據(jù):
[0056]將預測日即2012年2月4日的NWP氣壓、NWP風速、NWP氣溫、NWP風向正弦和NWP風向余弦代入基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型得到預測功率值。基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型預測誤差NMAE和NRMSE分別為10.67%和14.01%，與持續(xù)與預測模型預測曲線對比如圖4所示，預測誤差對比如圖5所示。
[0057]步驟E:將預測功率數(shù)據(jù)存儲到預測數(shù)據(jù)庫中，同時發(fā)送給電網(wǎng)調(diào)度中心。
【權利要求】
1.一種基于聚類分析的風功率短期預測系統(tǒng)，包括短期預測服務器、實時數(shù)據(jù)采集裝置，短期預測服務器上安裝有功率預測功能單元和預測數(shù)據(jù)庫，實時數(shù)據(jù)采集裝置與短期預測服務器電連接，進行數(shù)據(jù)傳輸。
2.一種基于聚類分析的風功率短期預測系統(tǒng)，其特征在于，實時數(shù)據(jù)采集裝置包括測風塔、風機數(shù)據(jù)監(jiān)控裝置、數(shù)值天氣預報接收裝置。
3.一種基于聚類分析的風功率短期預測系統(tǒng)，其特征在于，短期預測服務器中的功率預測功能單元接收到實時數(shù)據(jù)采集裝置發(fā)送的數(shù)據(jù)后存儲到預測數(shù)據(jù)庫中。
4.一種基于聚類分析的風功率短期預測系統(tǒng)預測方法，其特征在于，所述預測方法包括以下步驟: 步驟A:從預測數(shù)據(jù)庫中提取歷史數(shù)據(jù)，通過日相關性分析確定風功率的日相關性可以用天氣信息的日相似情況的一致性； 步驟B:對歷史日天氣信息進行聚類分析，將歷史日天氣信息分為不同的K類； 步驟C:從預測數(shù)據(jù)庫中提取預測日數(shù)值天氣預報信息，確定預測日所屬的類，從中選取相應的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡預測模型的訓練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡風功率預測模型； 步驟D:將預測日數(shù)值天氣預報信息作為模型的輸入?yún)?shù)，風功率作為模型輸出，得出預測日預測功率數(shù)據(jù)； 步驟E:將預測功率數(shù)據(jù)存儲到預測數(shù)據(jù)庫中。
5.如權利要求1所述的一種基于聚類分析的風功率短期預測方法，其特征在于，所述步驟A中應用皮爾遜積矩相關系數(shù)進行風功率日相似性分析。
6.如權利要求1所述的一種基于聚類分析的風功率短期預測方法，其特征在于，所述步驟B中應用K均值聚類法對歷史日天氣信息進行聚類分析，具體步驟如下: B1、將所有日天氣信息向量分為K個初始類，選取K個樣本點為初始聚類中心，記為Z1(I), Z2(I),, Zk(I),其中初始值 1 = 1; B2、按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類C^(K)中，各類所包含的樣本數(shù)為Nj (I)； B3、計算各類的均值向量，并將該向量作為新的聚類中心:
z (/ + 1) = VTn Σ.'.") 其中 j = l，2，...，k，i = 1,2,...,^.(1)； B4、gZj(l+l) Φ Zj(I)，表示聚類結果并不是最佳的，則I在原值上加1，返回步驟B2，繼續(xù)迭代計算； B5、若\(1+1) = \ (I)，迭代過程結束，此時的聚類結果就是最優(yōu)聚類結果。
7.如權利要求1所述的一種基于聚類分析的風功率短期預測方法，其特征在于，所述步驟2中應用近鄰規(guī)則，通過不斷的迭代將歷史日天氣信息分為不同的K類。
8.如權利要求1所述的風電場風功率預測系統(tǒng)，其特征在于，所述步驟3中根據(jù)相似性量度確定預測日所屬的類。
【文檔編號】G06Q10/04GK104299044SQ201410310083
【公開日】2015年1月21日 申請日期:2014年7月1日 優(yōu)先權日:2014年7月1日
【發(fā)明者】高陽, 董存, 葛延峰, 劉莉, 劉寶貴, 李廣磊, 李獻偉, 趙毅 申請人:沈陽工程學院, 沈陽嘉越電力科技有限公司, 許繼電氣股份有限公司