一種風(fēng)電功率預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及功率預(yù)測領(lǐng)域，更具體涉及一種風(fēng)電功率預(yù)測方法。
【背景技術(shù)】
[0002] 由于環(huán)境污染和能源短缺問題日趨嚴(yán)重，風(fēng)電以其資源豐富、清潔無污染、實際占 地少、可再生性等優(yōu)勢受到廣泛關(guān)注。但是，風(fēng)能作為一種不穩(wěn)定的能源，具有隨機性、間歇 性和不可控性。隨著風(fēng)電的發(fā)展，風(fēng)電場的穿透功率的不斷加大，并網(wǎng)風(fēng)電增加了電力系統(tǒng) 調(diào)度計劃制定的難度。
[0003] 由于目前我國風(fēng)電功率預(yù)測系統(tǒng)的不健全，缺少一些基礎(chǔ)數(shù)據(jù)，加之精確度不足， 對風(fēng)電功率的精確預(yù)測非常困難，因此風(fēng)電并網(wǎng)后無法準(zhǔn)確制定系統(tǒng)的調(diào)度計劃，也無法 安排合理的運行方式。

【發(fā)明內(nèi)容】

[0004] (一）要解決的技術(shù)問題
[0005] 本發(fā)明要解決的技術(shù)問題是如何精確預(yù)測風(fēng)電網(wǎng)絡(luò)的輸出電功率。
[0006] (二）技術(shù)方案
[0007] 為了解決上述技術(shù)問題，本發(fā)明提供了一種風(fēng)電功率預(yù)測方法，所述方法包括以 下步驟：
[0008] S1、收集樣本數(shù)據(jù)，并對所述樣本數(shù)據(jù)進行修正和歸一化處理；
[0009] S2、利用經(jīng)過修正和歸一化處理的所述樣本數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，并對所述 BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到第一訓(xùn)練權(quán)值、第一訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾 值以及訓(xùn)練過程中所述BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值相對于所述樣本數(shù)據(jù)的相對誤差序列；
[0010] S3、根據(jù)所述步驟S2得到的所述相對誤差序列，建立馬爾科夫鏈誤差修正模型；
[0011] S4、輸入待預(yù)測值所需的輸入?yún)?shù)數(shù)據(jù)，根據(jù)所述BP神經(jīng)網(wǎng)絡(luò)模型，利用所述第 一訓(xùn)練權(quán)值、第一訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾值計算輸出功率的初始預(yù)測值；利 用所述馬爾科夫鏈誤差修正模型計算所述輸出功率初始預(yù)測值對應(yīng)的計算相對誤差狀 態(tài)；
[0012] S5、將所述輸出功率的初始預(yù)測值與與其對應(yīng)的所述計算相對誤差狀態(tài)結(jié)合，計 算得到修正功率。
[0013] 優(yōu)選地，所述BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層；
[0014] 所述隱含層輸出為：
[0015]
【主權(quán)項】
1. 一種風(fēng)電功率預(yù)測方法，其特征在于，所述方法包括以下步驟： 51、 收集樣本數(shù)據(jù),并對所述樣本數(shù)據(jù)進行修正和歸一化處理； 52、 利用經(jīng)過修正和歸一化處理的所述樣本數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，并對所述BP神 經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到第一訓(xùn)練權(quán)值、第一訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾值以 及訓(xùn)練過程中所述BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值相對于所述樣本數(shù)據(jù)的相對誤差序列； 53、 根據(jù)所述步驟S2得到的所述相對誤差序列，建立馬爾科夫鏈誤差修正模型； 54、 將待預(yù)測值所需的輸入?yún)?shù)數(shù)據(jù)輸入所述BP神經(jīng)網(wǎng)絡(luò)模型，利用所述第一訓(xùn)練權(quán) 值、第一訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾值計算輸出功率的初始預(yù)測值；利用所述馬 爾科夫鏈誤差修正模型計算所述輸出功率初始預(yù)測值對應(yīng)的計算相對誤差狀態(tài)； 55、 將所述輸出功率的初始預(yù)測值與與其對應(yīng)的所述計算相對誤差狀態(tài)結(jié)合，計算得 到修正功率。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層 和輸出層； 所述隱含層輸出為：
其中，f為所述隱含層的激勵函數(shù)，h為所述隱含層第j個節(jié)點的輸出，W u為所述輸入 層第i個節(jié)點和所述隱含層第j個節(jié)點之間的第一初始權(quán)值，h為所述輸入層和所述隱含 層第j個節(jié)點之間的第一初始閾值，Xi為輸入層第i個節(jié)點的輸入，η為所述輸入層的節(jié)點 數(shù)； 所述輸出層輸出為：
其中，f為所述輸出層的激勵函數(shù)，Ok為所述輸出層第K個節(jié)點的輸出，W Λ為所述隱含 層第j個節(jié)點和所述輸出層第k個節(jié)點之間的第二初始權(quán)值，bk為所述隱含層和所述輸出 層第k個節(jié)點之間的第二初始閾值，1為所述隱含層的節(jié)點數(shù)； 所述BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)誤差為：
其中，yk為修正和歸一化處理的所述樣本輸出參數(shù)數(shù)據(jù)，m為所述輸出層的節(jié)點數(shù)，E 為所述BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)誤差。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟S2中，對所述BP神經(jīng)網(wǎng)絡(luò)模型 進行訓(xùn)練，得到第一訓(xùn)練權(quán)值、第一訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾值以及所述BP神 經(jīng)網(wǎng)絡(luò)模型的預(yù)測值相對于所述樣本數(shù)據(jù)的相對誤差序列的具體過程為： S21、所述第二初始權(quán)值、第二初始閾值分別按照下式得到更新增量：
其中，η為初始學(xué)習(xí)速率； S22、所述第一初始權(quán)值、第一初始閾值分別按照下式得到更新增量：
524、 所述第一初始權(quán)值、第一初始閾值、第二初始權(quán)值、第二初始閾值分別按照下式進 行更新： Wij (t+1) = Wij (t) +Awij (t) (8) wJk (t+1) = wJk (t) + Δ wJk (t) (9) bj(t+l) = bj(t) + Abj(t) (10) bk(t+l) = bk(t) + Abk(t) (11) 525、 利用所述步驟S24得到更新后的所述第一初始權(quán)值、第一初始閾值、第二初始權(quán) 值、第二初始閾值以及公式（1)、（2)計算所述輸出層的輸出值，結(jié)合公式（3)計算所述學(xué)習(xí) 誤差； S6、若所述學(xué)習(xí)誤差小于或等于設(shè)定誤差，或所述第一初始權(quán)值、第一初始閾值、第二 初始權(quán)值、第二初始閾值的更新次數(shù)超過設(shè)定迭代次數(shù)，則訓(xùn)練結(jié)束，最后一次利用公式 (8)、（9)、（10)、（11)得到的所述第一初始權(quán)值、第一初始閾值、第二初始權(quán)值、第二初始閾 值為第一訓(xùn)練權(quán)值、第一訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾值，并利用下面公式計算所 述相對誤差A(yù)PE :
其中，y(t)為修正和歸一化處理的所述樣本數(shù)據(jù)，0(t)為所述BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練 預(yù)測值；所述BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練預(yù)測值為利用公式（1)、（2)以及第一訓(xùn)練權(quán)值、第一 訓(xùn)練閾值、第二訓(xùn)練權(quán)值、第二訓(xùn)練閾值計算的所述輸出層的輸出值； 否則，回到步驟S21。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述初始學(xué)習(xí)速率η以下面方式調(diào)整： 若根據(jù)更新后的所述第一初始權(quán)值、第一初始閾值、第二初始權(quán)值、第二初始閾值計算 得到的所述輸出層的輸出值與所述樣本數(shù)據(jù)的誤差減小，則增大所述初始學(xué)習(xí)速率的值； 否則減小所述初始學(xué)習(xí)速率的值，并舍棄更新后的所述第一初始權(quán)值、第一初始閾值、第二 初始權(quán)值、第二初始閾值，采取更新前的所述第一初始權(quán)值、第一初始閾值、第二初始權(quán)值、 第二初始閾值。
5. 根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，所述步驟S3中，建立所述馬爾 科夫鏈誤差修正模型具體為： 541、 根據(jù)所述相對誤差的分布密度劃分多個預(yù)定相對誤差狀態(tài)； 542、 建立狀態(tài)轉(zhuǎn)移概率矩陣，所述狀態(tài)轉(zhuǎn)移概率矩陣為：
其中，Pu(k)表示相對誤差從第一預(yù)定相對誤差狀態(tài)k時步轉(zhuǎn)移到第二預(yù)定相對 誤差狀態(tài)I的概率。
6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，所述相對誤差從第一預(yù)定相對誤差狀態(tài) k時步轉(zhuǎn)移到第二預(yù)宙相對誤差狀杰S ,的概率P ,,(k)桉照下而公式計笪：
其中，Mu(k)為第一預(yù)定相對誤差狀態(tài)Si經(jīng)過k時步轉(zhuǎn)移到所述第二預(yù)定相對誤差狀 態(tài)I的次數(shù)；M i為相對誤差處于所述第一相對誤差狀態(tài)S 個數(shù)。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟S5中，利用所述馬爾科夫鏈誤差 修正模型計算輸出功率的初始預(yù)測值對應(yīng)的計算相對誤差狀態(tài)具體為： 543、 選取所述計算相對誤差狀態(tài)的實測相對誤差狀態(tài)組；所述實測相對誤差狀態(tài)組由 所述計算相對誤差狀態(tài)的前m個計算相對誤差狀態(tài)或預(yù)定相對誤差狀態(tài)、按照時間先后順 序組成； 544、 對于所述實測相對誤差狀態(tài)組中每一個計算相對誤差狀態(tài)或預(yù)定相對誤差狀態(tài)， 根據(jù)所述狀態(tài)轉(zhuǎn)移概率矩陣，計算其經(jīng)對應(yīng)的時步轉(zhuǎn)移到各個所述預(yù)定相對誤差狀態(tài)的概 率； 545、 利用所述步驟S44得到的概率，分別計算所述實測相對誤差狀態(tài)組中的每一個計 算相對誤差狀態(tài)或預(yù)定相對誤差狀態(tài)轉(zhuǎn)移各個預(yù)定相對誤差狀態(tài)的概率的和； 546、 選擇所述步驟S45中，概率和最大值對應(yīng)的預(yù)定相對誤差狀態(tài)作為所述計算相對 誤差狀態(tài)。
8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，所述步驟S5中，按照下面公式計算所述修 正功率：
其中，F(xiàn)(X)為修正功率；f(x)為BP神經(jīng)網(wǎng)絡(luò)模型所得輸出功率的初始預(yù)測值；Ad和 Λ u分別為所述計算相對誤差狀態(tài)對應(yīng)的相對誤差的下限值和上限值。
9. 根據(jù)權(quán)利要求8所述的方法，其特征在于，所述步驟Sl中，對所述樣本數(shù)據(jù)進行歸一 化處理具體為：對于風(fēng)速和功率采用歷史最大值對所述樣本數(shù)據(jù)進行歸一化；對于溫度， 采用歷史最高溫度和最低溫度中絕對值大的值來進行歸一化；對于風(fēng)向分別取風(fēng)向角正弦 值和余弦值。
【專利摘要】本發(fā)明公開了一種風(fēng)電功率預(yù)測方法，所述方法包括以下步驟：收集樣本數(shù)據(jù)并進行處理；利用處理后的樣本數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到最終的權(quán)值、閾值以及預(yù)測值相對于樣本值的相對誤差序列；根據(jù)訓(xùn)練完畢的權(quán)值、閾值求得輸出功率的初始預(yù)測值；根據(jù)相對誤差的序列，利用馬爾科夫鏈誤差修正模型計算輸出功率的初始預(yù)測值對應(yīng)的計算相對誤差狀態(tài)；將輸出功率的初始預(yù)測值與與其對應(yīng)的計算相對誤差狀態(tài)結(jié)合，計算得到修正功率。該方法進一步提高風(fēng)電功率預(yù)測的準(zhǔn)確度，為含有風(fēng)力發(fā)電的電網(wǎng)制定日發(fā)電計劃和安全經(jīng)濟調(diào)度提供準(zhǔn)確的風(fēng)電功率預(yù)測值。
【IPC分類】G06Q10-04, G06N3-02, G06Q50-06
【公開號】CN104636823
【申請?zhí)枴緾N201510037230
【發(fā)明人】薛蕙, 陳娟, 萬蓉
【申請人】中國農(nóng)業(yè)大學(xué)
【公開日】2015年5月20日
【申請日】2015年1月23日