本發(fā)明涉及風(fēng)力發(fā)電技術(shù)領(lǐng)域，具體涉及一種基于動(dòng)態(tài)自適應(yīng)的風(fēng)電集群功率預(yù)測方法，適用于大規(guī)模風(fēng)電集群的功率預(yù)測。

背景技術(shù)：

近年來，隨著全球能源問題日益嚴(yán)峻，發(fā)展可再生能源發(fā)電，尤其是風(fēng)力發(fā)電愈發(fā)重要。然而風(fēng)能具有固有的波動(dòng)性、不穩(wěn)定性和間歇性，使得風(fēng)電的出力隨著風(fēng)速的變化而波動(dòng)。如果能正確預(yù)測風(fēng)電未來時(shí)刻的出力，將對電網(wǎng)的安全穩(wěn)定運(yùn)行都會帶來積極的影響。通過預(yù)測未來時(shí)刻的風(fēng)電發(fā)電量，電網(wǎng)側(cè)可以提前調(diào)整調(diào)度計(jì)劃從而避免電能不穩(wěn)定、缺供等問題。在風(fēng)電場側(cè)可以提前得到風(fēng)電場某天的出力值從而科學(xué)安排設(shè)備檢修與故障維護(hù)。

國內(nèi)外的風(fēng)電功率預(yù)測系統(tǒng)大多針對單個(gè)風(fēng)電場，采用的方法有物理法、時(shí)間序列法、人工智能法等。但是單個(gè)風(fēng)電場的功率預(yù)測并不能滿足電網(wǎng)調(diào)度的需求。對電網(wǎng)調(diào)度而言，多個(gè)風(fēng)電場形成的風(fēng)電集群總體功率的波動(dòng)意義更為重要。國內(nèi)外的風(fēng)電集群功率預(yù)測系統(tǒng)主要采用疊加法和統(tǒng)計(jì)升尺度法。疊加法將單個(gè)風(fēng)電場的功率預(yù)測結(jié)果累加，形成風(fēng)電集群的總體功率。統(tǒng)計(jì)升尺度法先選擇基準(zhǔn)風(fēng)電場，并預(yù)測基準(zhǔn)風(fēng)電場的功率，再通過基準(zhǔn)風(fēng)電場的功率預(yù)測結(jié)果升尺度，得到風(fēng)電集群的功率。這些方法對集群的功率預(yù)測具有一定的效果，但是存在模型訓(xùn)練時(shí)間長、精度不高的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有技術(shù)的不足，提升風(fēng)電集群的功率預(yù)測精度，提供一種基于動(dòng)態(tài)自適應(yīng)的風(fēng)電集群功率預(yù)測方法，針對不同工況的風(fēng)電集群選取最佳的預(yù)測模型，提升預(yù)測精度。

本發(fā)明采取的技術(shù)方案如下：

一種基于動(dòng)態(tài)自適應(yīng)的風(fēng)電集群功率預(yù)測方法，其特征在于按以下步驟進(jìn)行：

步驟1：收集風(fēng)電場歷史數(shù)據(jù)，根據(jù)當(dāng)?shù)氐牡乩砦恢煤碗娋W(wǎng)拓?fù)浣Y(jié)構(gòu)對風(fēng)電集群進(jìn)行劃分；

步驟2：根據(jù)劃分的風(fēng)電集群，建立時(shí)間序列預(yù)測模型、數(shù)值天氣預(yù)報(bào)預(yù)測模型、空間資源匹配預(yù)測模型三個(gè)預(yù)測模型，并訓(xùn)練風(fēng)電集群三個(gè)預(yù)測模型的功率預(yù)測；

步驟3：根據(jù)三種模型的訓(xùn)練誤差評價(jià)結(jié)果選擇訓(xùn)練誤差評價(jià)結(jié)果最佳的預(yù)測模型；

步驟4：收集實(shí)時(shí)數(shù)值天氣預(yù)報(bào)NWP數(shù)據(jù)和實(shí)時(shí)功率測量數(shù)據(jù)；

步驟5：根據(jù)訓(xùn)練過程中選擇的預(yù)測模型，代入實(shí)時(shí)NWP數(shù)據(jù)和實(shí)時(shí)功率測量數(shù)據(jù)，得到子集群預(yù)測結(jié)果，將子集群的功率預(yù)測結(jié)果相加，得到集群總體預(yù)測結(jié)果。

所述步驟1具體包括以下步驟：

步驟1-1：收集風(fēng)電場歷史天氣預(yù)報(bào)數(shù)據(jù)，歷史天氣預(yù)報(bào)數(shù)據(jù)含有風(fēng)速、風(fēng)向、溫度、濕度和氣壓參數(shù)；

步驟1-2：收集風(fēng)電場地理位置數(shù)據(jù)，以地理位置臨近原則對風(fēng)電集群進(jìn)行劃分；

步驟1-3：收集各風(fēng)電場歷史功率數(shù)據(jù)。

所述步驟2具體包括以下步驟：

步驟2-1：建立時(shí)間序列預(yù)測模型：用自回歸滑動(dòng)平均模型ARMA作為時(shí)間序列預(yù)測模型，利用歷史風(fēng)電集群的功率數(shù)據(jù)對ARMA模型進(jìn)行參數(shù)辨識，形成上下游效應(yīng)預(yù)測模型；即

其中x_t代表要預(yù)測時(shí)刻t的功率，x_t-j代表t-j時(shí)刻的實(shí)測功率；ε_t-k為t-k時(shí)刻的預(yù)測誤差，m、n分別為ARMA模型階數(shù)，θ_k以及ARMA模型階數(shù)m、n通過長自回歸法得到；為自回歸模型系數(shù)，θ_k為移動(dòng)平均模型系數(shù)；

步驟2-2：建立數(shù)值天氣預(yù)報(bào)預(yù)測模型：該預(yù)測模型以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，以該集群內(nèi)部所有NWP預(yù)報(bào)點(diǎn)的風(fēng)速、風(fēng)向以及集群預(yù)測前12小時(shí)功率為輸入?yún)?shù)，集群的實(shí)際功率為輸出參數(shù)進(jìn)行訓(xùn)練；訓(xùn)練過程中，BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)通過遍歷優(yōu)化得到；

步驟2-3：建立空間資源匹配預(yù)測模型：該預(yù)測模型的計(jì)算方法為公式(2)所示；

其中，為h小時(shí)后的風(fēng)電集群功率預(yù)測值；L代表通過計(jì)算權(quán)重系數(shù)，一共找到L個(gè)匹配集合與待預(yù)測的t+h時(shí)刻的權(quán)重系數(shù)最高；p_i為匹配集合中的風(fēng)電集群功率的測量值；ω_i,t+h為權(quán)重系數(shù)，權(quán)重系數(shù)值越大，代表該集合所占的權(quán)重值越大；公式(2)中L的確定，與權(quán)重系數(shù)ω_i,t+h的計(jì)算方法有關(guān)；對風(fēng)電集群的預(yù)測而言，權(quán)重系數(shù)的本質(zhì)是計(jì)算兩個(gè)集群之間空間資源參數(shù)的距離；該距離d_i,t+h的計(jì)算公式(3)所示；

公式(3)中的M代表代表集群中風(fēng)電場的個(gè)數(shù)；η_k為某空間資源參數(shù)對于整體計(jì)量重要程度的權(quán)重系數(shù)，例如風(fēng)速為風(fēng)電功率預(yù)測最重要的參數(shù)，權(quán)重系數(shù)可以設(shè)置為最高，容量大的風(fēng)電場對應(yīng)的權(quán)重系數(shù)應(yīng)比容量小的風(fēng)電場權(quán)重系數(shù)高；v_k,t+h為待預(yù)測時(shí)刻的某一個(gè)空間資源參數(shù),v_k,i為歷史匹配對象的某一個(gè)空間資源參數(shù)；式中β為功率距離所占的權(quán)重系數(shù)，P_i,P_t+h-1代表i時(shí)刻和t+h-1時(shí)刻的功率測量值；根據(jù)公式(3)計(jì)算出的距離，畫出的歷史功率和空間資源距離散點(diǎn)圖的一個(gè)例子；對于歷史功率和空間資源距離散點(diǎn)圖而言，需設(shè)置一個(gè)門檻值δ_s；小于δ_s的匹配集合對應(yīng)的歷史功率將用于實(shí)時(shí)功率的預(yù)測，而大于δ_s的集合則視為與待預(yù)測功率無關(guān)，因此可以將其排除。門檻值δ_s的計(jì)算如公式(4)所示，其中d_min為最小距離值；d_med為距離散點(diǎn)分布圖的中位數(shù)；p_r為從d_min和d_med區(qū)間內(nèi)截取靠近d_min的數(shù)據(jù)的百分比；

δ_s＝d_min+p_r·(d_med-d_min) (4)

對模型計(jì)算公式(2)而言，匹配集合確定之后，需要進(jìn)一步確定每個(gè)集合的權(quán)重系數(shù)ω_i,t+h，其計(jì)算如公式(5)所示，其中為距離權(quán)重系數(shù)，為時(shí)間權(quán)重系數(shù)；

距離權(quán)重系數(shù)計(jì)算如公式(6)所示，其中d_i,t+h為公式(3)計(jì)算得到的距離，μ為距離分布散點(diǎn)圖中的中位數(shù)，α為待定系數(shù)，將在訓(xùn)練中進(jìn)行優(yōu)化選擇。

時(shí)間權(quán)重系數(shù)反映了時(shí)間因素在風(fēng)電功率預(yù)測中的顯著作用，越接近當(dāng)前預(yù)測時(shí)間點(diǎn)的歷史數(shù)據(jù)其作用越重要，時(shí)間權(quán)重系數(shù)τ_i為時(shí)間距離，τ_i＝t+h-i，λ為時(shí)間因子，0<λ<1需在訓(xùn)練過程中進(jìn)行優(yōu)化選擇。對于不同的預(yù)測時(shí)間尺度，模型對應(yīng)著不同的最優(yōu)參數(shù)。

所述步驟4具體包括以下步驟：

步驟4-1：收集SCADA系統(tǒng)里面實(shí)時(shí)功率出力數(shù)據(jù)；

步驟4-2：收集數(shù)值天氣預(yù)報(bào)中心的實(shí)時(shí)NWP數(shù)據(jù)。

所述步驟5具體包括以下內(nèi)容：

根據(jù)步驟3選擇訓(xùn)練誤差最小的預(yù)測模型，將步驟4中的數(shù)據(jù)代入所選擇的預(yù)測模型中，得到子集群預(yù)測結(jié)果，將子集群的功率預(yù)測結(jié)果相加，得到集群總體預(yù)測結(jié)果。

三種預(yù)測模型的預(yù)測過程有所不同，下面分三種情況展開論述：

若選擇上下游效應(yīng)預(yù)測模型，將步驟4-1中的功率數(shù)據(jù)代入公式(1)得到12小時(shí)的風(fēng)電集群預(yù)測結(jié)果。

若選擇天氣預(yù)報(bào)預(yù)測模型，首先用公式(7)進(jìn)行NWP數(shù)據(jù)修正。

y_t＝x_0,t+x_1,tv_t+x_2,tv_t²+x_3,tv_t³+q_t (7)

其中v_t是NWP模型在t時(shí)刻的風(fēng)速輸出，y_t是t時(shí)刻的風(fēng)速預(yù)測誤差。x_i,t(i＝0,1,2,3)是采用卡爾曼濾波器估計(jì)的系數(shù)。然后將步驟4得到的功率數(shù)據(jù)和修正后的天氣預(yù)報(bào)數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)模型得到第1小時(shí)預(yù)測結(jié)果。第2小時(shí)的輸入?yún)?shù)中需要將第1小時(shí)的預(yù)測功率代入，依次類推。

若選擇空間資源匹配預(yù)測模型，將NWP數(shù)據(jù)和預(yù)測前一小時(shí)功率數(shù)據(jù)代入公式(2)-(6)進(jìn)行預(yù)測。值得注意的是，在預(yù)測的前4個(gè)小時(shí)，輸入?yún)?shù)中含有預(yù)測點(diǎn)前一小時(shí)的功率，在預(yù)測的后幾個(gè)小時(shí)輸入?yún)?shù)中不含前一小時(shí)的功率。在預(yù)測的前4個(gè)小時(shí)，輸入?yún)?shù)的迭代。

與現(xiàn)有技術(shù)相比，本發(fā)明達(dá)到的有益效果是：

本發(fā)明可實(shí)現(xiàn)基于動(dòng)態(tài)自適應(yīng)技術(shù)的風(fēng)電集群功率預(yù)測，進(jìn)一步提高功率預(yù)測精度。具體如下：

(1)本發(fā)明根據(jù)訓(xùn)練階段的預(yù)測誤差選擇最佳的預(yù)測模型類型，避免因?yàn)殡S機(jī)選擇預(yù)測模型而導(dǎo)致的精度不高。

(2)本發(fā)明提出了一種有效的空間資源匹配模型，該模型建模簡單，計(jì)算復(fù)雜度低，精度高，實(shí)用性強(qiáng)。

(3)本發(fā)明提出的空間資源匹配預(yù)測模型，在預(yù)測的前四個(gè)小時(shí)輸入?yún)?shù)中含有預(yù)測點(diǎn)前一時(shí)刻的測量功率，在預(yù)測的后8個(gè)小時(shí)輸入?yún)?shù)中不含前一時(shí)刻的測量功率，提高了前4個(gè)小時(shí)的預(yù)測精度，但又不影響4個(gè)小時(shí)之后的預(yù)測精度。

附圖說明

圖1是本發(fā)明提供的樣本距離數(shù)據(jù)；

圖2是BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的迭代過程圖；

圖3是風(fēng)電集群功率空間資源匹配法輸入?yún)?shù)的迭代過程圖。

圖4是本發(fā)明提供的整體預(yù)測流程圖。

具體實(shí)施方式

下面結(jié)合附圖，對本發(fā)明的預(yù)測流程做進(jìn)一步闡述，以下實(shí)例用于說明本發(fā)明，但不能用來限制本發(fā)明的范圍。

如圖4所示，一種基于動(dòng)態(tài)自適應(yīng)的風(fēng)電集群功率預(yù)測方法，其特征在于按以下步驟進(jìn)行：

步驟1：收集各風(fēng)電場風(fēng)速、風(fēng)向、溫度、濕度和氣壓的歷史天氣預(yù)報(bào)數(shù)據(jù)，收集各風(fēng)電場地理位置數(shù)據(jù)，以電網(wǎng)拓?fù)鋵︼L(fēng)電集群進(jìn)行劃分，收集各風(fēng)電場歷史功率數(shù)據(jù)；

步驟2：根據(jù)劃分的風(fēng)電集群，建立時(shí)間序列預(yù)測模型、數(shù)值天氣預(yù)報(bào)預(yù)測模型、空間資源匹配預(yù)測模型三個(gè)預(yù)測模型，并訓(xùn)練風(fēng)電集群三個(gè)預(yù)測模型的功率預(yù)測；

具體步驟為：

步驟2-1：建立時(shí)間序列預(yù)測模型：用自回歸滑動(dòng)平均模型ARMA作為時(shí)間序列預(yù)測模型，利用歷史風(fēng)電集群的功率數(shù)據(jù)對ARMA模型進(jìn)行參數(shù)辨識，形成上下游效應(yīng)預(yù)測模型；即

其中x_t代表要預(yù)測時(shí)刻t的功率，x_t-j代表t-j時(shí)刻的實(shí)測功率；ε_t-k為t-k時(shí)刻的預(yù)測誤差，m、n分別為ARMA模型階數(shù)，θ_k以及ARMA模型階數(shù)m、n通過長自回歸法得到；為自回歸模型系數(shù)，θ_k為移動(dòng)平均模型系數(shù)；

步驟2-2：建立數(shù)值天氣預(yù)報(bào)預(yù)測模型：該預(yù)測模型以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，以該集群內(nèi)部所有NWP預(yù)報(bào)點(diǎn)的風(fēng)速、風(fēng)向以及集群預(yù)測前12小時(shí)功率為輸入?yún)?shù)，集群的實(shí)際功率為輸出參數(shù)進(jìn)行訓(xùn)練；訓(xùn)練過程中，BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)通過遍歷優(yōu)化得到；

步驟2-3：建立空間資源匹配預(yù)測模型：該預(yù)測模型的計(jì)算方法如公式(2)所示；

其中，為h小時(shí)后的風(fēng)電集群功率預(yù)測值；L代表通過計(jì)算權(quán)重系數(shù)，一共找到L個(gè)匹配集合與待預(yù)測的t+h時(shí)刻的權(quán)重系數(shù)最高；p_i為匹配集合中的風(fēng)電集群功率的測量值；ω_i,t+h為權(quán)重系數(shù)，權(quán)重系數(shù)值越大，代表該集合所占的權(quán)重值越大；公式(2)中L的確定，與權(quán)重系數(shù)ω_i,t+h的計(jì)算方法有關(guān)；對風(fēng)電集群的預(yù)測而言，權(quán)重系數(shù)的本質(zhì)是計(jì)算兩個(gè)集群之間空間資源參數(shù)的距離；該距離d_i,t+h的計(jì)算如公式(3)所示；

公式(3)中的M代表集群中風(fēng)電場的個(gè)數(shù)；η_k為某空間資源參數(shù)對于整體計(jì)量重要程度的權(quán)重系數(shù)，例如風(fēng)速為風(fēng)電功率預(yù)測最重要的參數(shù)，其權(quán)重系數(shù)可以設(shè)置為最高，容量大的風(fēng)電場對應(yīng)的權(quán)重系數(shù)應(yīng)比容量小的風(fēng)電場權(quán)重系數(shù)高；v_k,t+h為待預(yù)測時(shí)刻的某一個(gè)空間資源參數(shù),v_k,i為歷史匹配對象的某一個(gè)空間資源參數(shù)；式中β為功率距離所占的權(quán)重系數(shù)，P_i,P_t+h-1代表i時(shí)刻和t+h-1時(shí)刻的功率測量值；根據(jù)公式(3)計(jì)算出的距離，畫出的歷史功率和空間資源距離散點(diǎn)圖的一個(gè)例子，如附圖2所示。對該圖而言，需設(shè)置一個(gè)門檻值δ_s。小于δ_s的匹配集合對應(yīng)的歷史功率將用于實(shí)時(shí)功率的預(yù)測，而大于δ_s的集合則視為與待預(yù)測功率無關(guān)，因此可以將其排除。附圖1中虛線即為門檻值，實(shí)線的方框即為選中的集合。門檻值δ_s的計(jì)算如公式(4)所示，其中d_min為最小距離值；d_med為距離散點(diǎn)分布圖的中位數(shù)；p_r為從d_min和d_med區(qū)間內(nèi)截取靠近d_min的數(shù)據(jù)的百分比。

δ_s＝d_min+p_r·(d_med-d_min) (4)

對模型計(jì)算公式(2)而言，匹配集合確定之后，需要進(jìn)一步確定每個(gè)集合的權(quán)重系數(shù)ω_i,t+h，其計(jì)算公式(5)所示，其中為距離權(quán)重系數(shù)，為時(shí)間權(quán)重系數(shù)；

距離權(quán)重系數(shù)計(jì)算如公式(6)所示，其中d_i,t+h為公式(3)計(jì)算得到的距離，μ為距離分布散點(diǎn)圖中的中位數(shù)，α為待定系數(shù)，將在訓(xùn)練中進(jìn)行優(yōu)化選擇；

時(shí)間權(quán)重系數(shù)反映了時(shí)間因素在風(fēng)電功率預(yù)測中的顯著作用，越接近當(dāng)前預(yù)測時(shí)間點(diǎn)的歷史數(shù)據(jù)其作用越重要；時(shí)間權(quán)重系數(shù)τ_i為時(shí)間距離，τ_i＝t+h-i，λ為時(shí)間因子，0<λ<1，需在訓(xùn)練過程中進(jìn)行優(yōu)化選擇。對于不同的預(yù)測時(shí)間尺度，模型對應(yīng)著不同的最優(yōu)參數(shù)。

步驟3：根據(jù)三種模型的訓(xùn)練誤差評價(jià)結(jié)果選擇訓(xùn)練誤差最小的預(yù)測模型；

步驟4：收集SCADA系統(tǒng)里面實(shí)時(shí)功率出力數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)中心的實(shí)時(shí)NWP數(shù)據(jù)。

步驟5：根據(jù)訓(xùn)練過程中選擇的預(yù)測模型，代入實(shí)時(shí)NWP數(shù)據(jù)和實(shí)時(shí)功率測量數(shù)據(jù)，得到子集群預(yù)測結(jié)果，將子集群的功率預(yù)測結(jié)果相加，得到集群總體預(yù)測結(jié)果；具體為：根據(jù)步驟3選擇訓(xùn)練誤差最小的預(yù)測模型，將步驟4中的數(shù)據(jù)代入所選擇的預(yù)測模型中，三種預(yù)測模型的預(yù)測過程有所不同，下面分三種情況展開論述：

若選擇上下游效應(yīng)預(yù)測模型，將步驟4中收集SCADA系統(tǒng)里面實(shí)時(shí)功率出力數(shù)據(jù)的功率數(shù)據(jù)代入公式(1)得到12小時(shí)的風(fēng)電集群預(yù)測結(jié)果；

若選擇天氣預(yù)報(bào)預(yù)測模型，首先用公式(7)進(jìn)行NWP數(shù)據(jù)修正；

y_t＝x_0,t+x_1,tv_t+x_2,tv_t²+x_3,tv_t³+q_t (7)

其中v_t是NWP模型在t時(shí)刻的風(fēng)速輸出，y_t是t時(shí)刻的風(fēng)速預(yù)測誤差。x_i,t(i＝0,1,2,3)是采用卡爾曼濾波器估計(jì)的系數(shù)。然后將步驟4得到的功率數(shù)據(jù)和修正后的天氣預(yù)報(bào)數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)模型得到第1小時(shí)預(yù)測結(jié)果。第2小時(shí)的輸入?yún)?shù)中需要將第1小時(shí)的預(yù)測功率代入，依次類推。輸入?yún)?shù)的詳細(xì)迭代過程見附圖2。

若選擇空間資源匹配預(yù)測模型，將NWP數(shù)據(jù)和預(yù)測前一小時(shí)功率數(shù)據(jù)代入公式(2)-(6)進(jìn)行預(yù)測。值得注意的是，在預(yù)測的前4個(gè)小時(shí)，輸入?yún)?shù)中含有預(yù)測點(diǎn)前一小時(shí)的功率，在預(yù)測的后幾個(gè)小時(shí)輸入?yún)?shù)中不含前一小時(shí)的功率。在預(yù)測的前4個(gè)小時(shí)，輸入?yún)?shù)的迭代過程如附圖3所示。