本發(fā)明涉及風(fēng)光發(fā)電技術(shù)領(lǐng)域，是一種基于小波包-神經(jīng)網(wǎng)絡(luò)的風(fēng)光功率預(yù)測(cè)方法。

背景技術(shù)：

隨著風(fēng)電、光伏發(fā)電裝機(jī)規(guī)模與日俱增，大規(guī)?？稍偕茉窗l(fā)電帶來的問題也日益顯著。如風(fēng)能、太陽(yáng)能發(fā)電依賴氣象特點(diǎn)，呈現(xiàn)出較為明顯的隨機(jī)性，所發(fā)電能質(zhì)量偏低，給電網(wǎng)調(diào)度控制帶來困難。因此，對(duì)風(fēng)電、光伏發(fā)電系統(tǒng)輸出功率進(jìn)行較為準(zhǔn)確的預(yù)報(bào)，可以為合理的配置風(fēng)光輸出功率帶來幫助，使其實(shí)現(xiàn)優(yōu)化調(diào)控以滿足負(fù)荷及相關(guān)并網(wǎng)需求?，F(xiàn)有的預(yù)測(cè)方法有BP神經(jīng)網(wǎng)絡(luò)、ARMA等精度難以滿足實(shí)際應(yīng)用要求，對(duì)風(fēng)光輸出功率進(jìn)行較高精度的預(yù)測(cè)還有待研究。

現(xiàn)有的功率預(yù)測(cè)方法主要分為基于歷史數(shù)據(jù)的統(tǒng)計(jì)預(yù)測(cè)方法以及物理模型的功率預(yù)測(cè)方法。

1、基于歷史數(shù)據(jù)的統(tǒng)計(jì)方法不考慮風(fēng)速變化、云量等氣象因素，僅根據(jù)風(fēng)速、風(fēng)向、光照強(qiáng)度、溫度等參數(shù)實(shí)測(cè)值作為歷史數(shù)據(jù)。典型的基于統(tǒng)計(jì)方法的預(yù)測(cè)模型常用的方法有：時(shí)間序列法(ARMA)、持續(xù)性算法、卡爾曼濾波法、灰色預(yù)測(cè)法(Grey)、線性回歸模型、自適應(yīng)模糊邏輯算法等。另外也有采用人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)回歸法(Support Vector Machine,SVM)等智能方法。采用數(shù)學(xué)或智能算法與實(shí)際輸出功率之間建立一種內(nèi)在的映射聯(lián)系，來預(yù)測(cè)未來的輸出功率。這種方法以歷史數(shù)據(jù)為基礎(chǔ)，不考慮氣象變化的因素，數(shù)據(jù)結(jié)構(gòu)較為簡(jiǎn)單，難以適用于中長(zhǎng)期功率預(yù)測(cè)。

2、基于物理模型的預(yù)測(cè)方法是建立在數(shù)值天氣預(yù)報(bào)(NWP-Numerical Weather Prediction)基礎(chǔ)上。其大致原理為：利用求解表征天氣變化過程的物理學(xué)方程，精確預(yù)測(cè)出電廠所在區(qū)域未來周期內(nèi)氣象活動(dòng)過程和狀態(tài)，包括風(fēng)速、風(fēng)向、溫度、云量等，然后通過當(dāng)?shù)氐乩硇畔?，如地形特征、地表粗糙度等和風(fēng)機(jī)或光伏組件信息如輪轂高度、風(fēng)速-功率曲線、安裝角度等建立模型，從而實(shí)現(xiàn)氣象預(yù)報(bào)信息對(duì)功率值的映射。

由于統(tǒng)計(jì)方法未考慮外界環(huán)境因素，如：云層、氣壓、溫度、濕度等對(duì)研究風(fēng)光功率波動(dòng)的影響，而物理方法沒有參考大量歷史數(shù)據(jù)，僅將風(fēng)速以及光照強(qiáng)度根據(jù)實(shí)際的能量轉(zhuǎn)換所搭建出來的理想模型，難以表現(xiàn)特殊時(shí)刻氣象突變給輸出功率帶來的細(xì)節(jié)波動(dòng)，因此該方法在對(duì)突發(fā)狀況下的預(yù)測(cè)能力尚不完善。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了，克服上述現(xiàn)有技術(shù)之不足，其能有效解決以歷史數(shù)據(jù)為基礎(chǔ)的統(tǒng)計(jì)方法存在的數(shù)據(jù)結(jié)構(gòu)簡(jiǎn)單，不適用于中長(zhǎng)期功率預(yù)測(cè)的問題以及基于物理模型預(yù)測(cè)方法存在的特殊時(shí)刻氣象突變給輸出功率帶來的細(xì)節(jié)波動(dòng)，其預(yù)測(cè)能力不足的問題。

本發(fā)明的技術(shù)方案之一是通過以下措施來實(shí)現(xiàn)的：一種基于小波包-神經(jīng)網(wǎng)絡(luò)的風(fēng)光功率預(yù)測(cè)方法，包括以下步驟：

第一步：確定風(fēng)電場(chǎng)及光伏電站的實(shí)際歷史有功功率數(shù)據(jù)和相關(guān)氣象數(shù)據(jù)，即風(fēng)速、環(huán)境溫度、太陽(yáng)輻射強(qiáng)度、相對(duì)濕度的歷史數(shù)據(jù)；

第二步：對(duì)進(jìn)行預(yù)測(cè)之前的歷史三個(gè)月內(nèi)的風(fēng)速、環(huán)境溫度、太陽(yáng)輻射強(qiáng)度、相對(duì)濕度的歷史數(shù)據(jù)設(shè)置采樣間隔時(shí)間；

第三步：計(jì)算風(fēng)功率、光伏功率與各氣象因素之間的相關(guān)系數(shù)，選取相關(guān)系數(shù)較高的氣象因素作為網(wǎng)絡(luò)輸入，計(jì)算公式如下：

其中x_i，y_i是變量x，y的第i個(gè)數(shù)據(jù)點(diǎn)；是變量x，y的平均值；n是數(shù)據(jù)點(diǎn)個(gè)數(shù)。當(dāng)r＝0，兩個(gè)變量不相關(guān)；當(dāng)r>0，兩個(gè)變量正相關(guān)；當(dāng)r<0，兩個(gè)變量負(fù)相關(guān)；當(dāng)r＝1，兩個(gè)變量完全相關(guān)。

第四步：對(duì)所選取的各氣象因素?cái)?shù)據(jù)以及功率數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算公式如下：

其中X為經(jīng)過歸一化處理后的數(shù)據(jù)值；x_i為原始輸入數(shù)據(jù)；x_imax和x_imin分別為輸入數(shù)據(jù)中的最大值和最小值。

第五步:對(duì)歸一化后的氣象數(shù)據(jù)序列和風(fēng)光有功功率序列進(jìn)行小波包分解，利用小波包分解中的高通濾波器得到高頻分量小波包系數(shù)，計(jì)算公式如下：

再利用低通濾波器得到低頻分量小波包系數(shù)，計(jì)算公式如下：

其中稱為小波包系數(shù)；h_k，g_k是濾波器系數(shù)。

第六步：結(jié)合高低頻分量系數(shù)，利用小波包分解得到各序列高低頻分量，分別建立多個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及預(yù)測(cè)，計(jì)算公式如下：

其中x_j表示輸入層第j個(gè)節(jié)點(diǎn)的輸入，j＝1,2,...,M；w_ij表示隱含層第i個(gè)節(jié)點(diǎn)與輸入層第j個(gè)節(jié)點(diǎn)間的權(quán)值；φ(x)、θ_i分別表示隱含層激勵(lì)函數(shù)和第i個(gè)節(jié)點(diǎn)的閥值；w_ki表示輸出層k節(jié)點(diǎn)和隱含層i節(jié)點(diǎn)間的權(quán)值，i＝1,2,...,q；ψ(x)和α_k分別表示輸出層激勵(lì)函數(shù)和第k個(gè)節(jié)點(diǎn)的閥值，k＝1,2,...,L；O_k表示輸出層第k個(gè)節(jié)點(diǎn)的輸出結(jié)果。

第七步：對(duì)BP神經(jīng)網(wǎng)絡(luò)得到的輸出結(jié)果，采用小波包重構(gòu)算法進(jìn)行結(jié)果重構(gòu)，得出完整序列即為風(fēng)光功率預(yù)測(cè)結(jié)果：

下面是對(duì)上述發(fā)明技術(shù)方案的進(jìn)一步優(yōu)化或/和改進(jìn)：

上述第二步中，風(fēng)速、環(huán)境溫度、太陽(yáng)輻射強(qiáng)度、相對(duì)濕度的歷史數(shù)據(jù)的采樣間隔時(shí)間可為15min，一天內(nèi)共采集96個(gè)采樣點(diǎn)的數(shù)據(jù)。

上述第三步中，與風(fēng)功率相關(guān)系數(shù)較高的是：風(fēng)速和溫度；與光伏功率相關(guān)系數(shù)較高的是：太陽(yáng)輻射強(qiáng)度、溫度以及相對(duì)濕度。

上述第五步中，針對(duì)不同分辨率各子序列建立多個(gè)不同BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得能準(zhǔn)確表征該分量特征的網(wǎng)絡(luò)相關(guān)參數(shù)，利用所得BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。

本發(fā)明通過對(duì)風(fēng)速、環(huán)境溫度、太陽(yáng)輻射強(qiáng)度、相對(duì)濕度的歷史數(shù)據(jù)進(jìn)行選擇采樣得到氣象信息的相關(guān)數(shù)據(jù)，并對(duì)采樣得到的數(shù)據(jù)進(jìn)行小波包分解，得到高頻分量以及低頻分量；利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)計(jì)算，將經(jīng)過BP神經(jīng)網(wǎng)絡(luò)得到的輸出結(jié)果利用小波包進(jìn)行重構(gòu)可得到風(fēng)光功率預(yù)測(cè)結(jié)果。本發(fā)明可以預(yù)測(cè)未來五天內(nèi)的風(fēng)光功率，改善對(duì)風(fēng)光功率變化特性的映射能力，并有效提高了風(fēng)光功率的預(yù)測(cè)精確度。

附圖說明

附圖1為本發(fā)明風(fēng)光功率預(yù)測(cè)模型流程圖；

附圖2為本發(fā)明風(fēng)電功率與各氣象因素變化趨勢(shì)對(duì)比；

附圖3為本發(fā)明光伏功率與各氣象因素變化趨勢(shì)對(duì)比；

附圖4為本發(fā)明風(fēng)功率序列小波包分解結(jié)果；

附圖5為本發(fā)明光伏發(fā)電功率序列小波包分解結(jié)果；

附圖6為本發(fā)明風(fēng)電功率預(yù)測(cè)結(jié)果對(duì)比圖；

附圖7為本發(fā)明光伏發(fā)電功率預(yù)測(cè)結(jié)果對(duì)比圖。

具體實(shí)施方式

本發(fā)明不受下述實(shí)施例的限制，可根據(jù)本發(fā)明的技術(shù)方案與實(shí)際情況來確定具體的實(shí)施方式。

在本發(fā)明中，為了便于描述，各部件的相對(duì)位置關(guān)系的描述均是根據(jù)說明書附圖1的布圖方式來進(jìn)行描述的，如：前、后、上、下、左、右等的位置關(guān)系是依據(jù)說明書附圖的布圖方向來確定的。

下面結(jié)合實(shí)施例及附圖對(duì)本發(fā)明作進(jìn)一步描述：

實(shí)施例1：如附圖1、2、3、4、5、6、7所示，一種基于小波包-神經(jīng)網(wǎng)絡(luò)的風(fēng)光功率預(yù)測(cè)方法，包括以下步驟：

第一步：確定風(fēng)電場(chǎng)及光伏電站的實(shí)際歷史有功功率數(shù)據(jù)和相關(guān)氣象數(shù)據(jù)，即風(fēng)速、環(huán)境溫度、太陽(yáng)輻射強(qiáng)度、相對(duì)濕度的歷史數(shù)據(jù)；

第二步：對(duì)進(jìn)行預(yù)測(cè)之前的歷史三個(gè)月內(nèi)的風(fēng)速、環(huán)境溫度、太陽(yáng)輻射強(qiáng)度、相對(duì)濕度的歷史數(shù)據(jù)設(shè)置采樣間隔時(shí)間；

第三步：計(jì)算風(fēng)功率、光伏功率與各氣象因素之間的相關(guān)系數(shù)，選取相關(guān)系數(shù)較高的氣象因素作為網(wǎng)絡(luò)輸入，其中與風(fēng)功率相關(guān)系數(shù)較高的是：風(fēng)速和溫度；與光伏功率相關(guān)系數(shù)較高的是：太陽(yáng)輻射強(qiáng)度、溫度以及相對(duì)濕度，計(jì)算公式如下：

其中x_i，y_i是變量x，y的第i個(gè)數(shù)據(jù)點(diǎn)；是變量x，y的平均值；n是數(shù)據(jù)點(diǎn)個(gè)數(shù)。當(dāng)r＝0，兩個(gè)變量不相關(guān)；當(dāng)r>0，兩個(gè)變量正相關(guān)；當(dāng)r<0，兩個(gè)變量負(fù)相關(guān)；當(dāng)r＝1，兩個(gè)變量完全相關(guān)；

第四步：對(duì)所選取的各氣象因素?cái)?shù)據(jù)以及功率數(shù)據(jù)進(jìn)行歸一化處理，計(jì)算公式如下：

其中X為經(jīng)過歸一化處理后的數(shù)據(jù)值；x_i為原始輸入數(shù)據(jù)；x_imax和x_imin分別為輸入數(shù)據(jù)中的最大值和最小值。

第五步:對(duì)歸一化后的氣象數(shù)據(jù)序列和風(fēng)光有功功率序列進(jìn)行小波包分解，利用小波包分解中的高通濾波器得到高頻分量小波包系數(shù)，計(jì)算公式如下：

再利用低通濾波器得到低頻分量小波包系數(shù)，計(jì)算公式如下：

其中稱為小波包系數(shù)；h_k，g_k是濾波器系數(shù)；

第六步：結(jié)合高低頻分量系數(shù)，利用小波包分解得到各序列高低頻分量，分別建立多個(gè)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及預(yù)測(cè)，計(jì)算公式如下：

其中x_j表示輸入層第j個(gè)節(jié)點(diǎn)的輸入，j＝1,2,...,M；w_ij表示隱含層第i個(gè)節(jié)點(diǎn)與輸入層第j個(gè)節(jié)點(diǎn)間的權(quán)值；φ(x)、θ_i分別表示隱含層激勵(lì)函數(shù)和第i個(gè)節(jié)點(diǎn)的閥值；w_ki表示輸出層k節(jié)點(diǎn)和隱含層i節(jié)點(diǎn)間的權(quán)值，i＝1,2,...,q；ψ(x)和α_k分別表示輸出層激勵(lì)函數(shù)和第k個(gè)節(jié)點(diǎn)的閥值，k＝1,2,...,L；O_k表示輸出層第k個(gè)節(jié)點(diǎn)的輸出結(jié)果；

第七步：對(duì)BP神經(jīng)網(wǎng)絡(luò)得到的輸出結(jié)果，采用小波包重構(gòu)算法進(jìn)行結(jié)果重構(gòu)，得出完整序列即為風(fēng)光功率預(yù)測(cè)結(jié)果：

可根據(jù)實(shí)際需要，對(duì)上述基于小波包-神經(jīng)網(wǎng)絡(luò)的風(fēng)光功率預(yù)測(cè)方法作進(jìn)一步優(yōu)化或/和改進(jìn)：

如附圖1、2、3、4、5、6、7所示，第二步中，采樣間隔時(shí)間為15min，一天內(nèi)共采集96個(gè)采樣點(diǎn)的數(shù)據(jù)。

如附圖1、2、3、4、5、6、7所示，第三步中，與風(fēng)功率相關(guān)系數(shù)較高的是：風(fēng)速和溫度；與光伏功率相關(guān)系數(shù)較高的是：太陽(yáng)輻射強(qiáng)度、溫度以及相對(duì)濕度。

如附圖1、2、3、4、5、6、7所示，第五步中，針對(duì)不同分辨率各子序列建立多個(gè)不同BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得能準(zhǔn)確表征該分量特征的網(wǎng)絡(luò)相關(guān)參數(shù)，利用所得BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。

如附圖4、5所示，分別表示風(fēng)電和光伏各序列小波分解后的結(jié)果圖，圖中A表示低頻分量、D為高頻分量，S為原始序列，有S＝AA2+DA2+AD2+DD2，式中AA2分量表示序列低頻分量，也稱輪廓信號(hào)，即表征序列大致走勢(shì)；顯然，其變化趨勢(shì)較為平滑，與原始序列曲線形狀類似，均呈現(xiàn)較為明顯的日周期變化特征，這與風(fēng)力發(fā)電、光伏發(fā)電原理有關(guān)；式中DA2、AD2和DD2表示序列高頻分量，也稱細(xì)節(jié)信號(hào)，即在不同尺度上表征信號(hào)細(xì)節(jié)波動(dòng)，其中DA2分量具有半日周期性；式中AD2和DD2為隨機(jī)功率分量，具有短時(shí)依賴性。因此，分解后的各段子序列能更精確地從多尺度對(duì)功率序列變化進(jìn)行映射，在此基礎(chǔ)上建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練則更具準(zhǔn)確性和還原能力。對(duì)4個(gè)子序列分別建立BP神經(jīng)網(wǎng)絡(luò)，附圖1中記為BP1、BP2、BP3、BP4，并進(jìn)行預(yù)測(cè)，然后將網(wǎng)絡(luò)輸出重構(gòu)得到完整的功率預(yù)測(cè)結(jié)果。

如附圖6、7所示，對(duì)某地區(qū)未來五天的風(fēng)光功率進(jìn)行預(yù)測(cè)，可得到預(yù)測(cè)結(jié)果。

附圖6中為未來5天的風(fēng)功率預(yù)測(cè)曲線與實(shí)測(cè)曲線變化趨勢(shì)基本一致，小波包-BP神經(jīng)網(wǎng)絡(luò)模型可在很大程度上映射風(fēng)電場(chǎng)輸出有功功率的變化，達(dá)到預(yù)期效果。從附圖6中可以對(duì)比得出普通BP模型的預(yù)測(cè)結(jié)果則與實(shí)際數(shù)據(jù)相差較大，可見本模型預(yù)測(cè)精度有明顯提高。

附圖7中為未來5天光伏發(fā)電功率預(yù)測(cè)曲線與實(shí)際曲線變化趨勢(shì)基本一致，WPNN模型可有效映射光伏電站輸出有功功率日變化特征且周期性明顯，達(dá)到預(yù)期效果，與普通BP模型預(yù)測(cè)結(jié)果相比，本模型精度有明顯提高。

以上技術(shù)特征構(gòu)成了本發(fā)明的實(shí)施例，其具有較強(qiáng)的適應(yīng)性和實(shí)施效果，可根據(jù)實(shí)際需要增減非必要的技術(shù)特征，來滿足不同情況的需求。