風(fēng)電功率超短期預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種風(fēng)電功率超短期預(yù)測方法。
【背景技術(shù)】
[0002] 隨著新能源技術(shù)的不斷開發(fā)，風(fēng)電技術(shù)得以飛速發(fā)展，由于風(fēng)電轉(zhuǎn)化過程中，由于 風(fēng)力的大小無法控制，其轉(zhuǎn)化電量的功率也不穩(wěn)定，很難量化。風(fēng)電功率的超短期預(yù)測，是 指從預(yù)報時刻至未來4小時內(nèi)對風(fēng)電場并網(wǎng)功率預(yù)測，每15分鐘一個預(yù)報點(diǎn)，每15分鐘滾 動預(yù)報一次，預(yù)測的均方根誤差< 10%，可以對電網(wǎng)實時調(diào)度提供必要的科學(xué)依據(jù)，因此風(fēng) 電功率的超短期預(yù)測一直是風(fēng)電技術(shù)領(lǐng)域最為重視的技術(shù)問題。
[0003]目前，國內(nèi)外已經(jīng)研制出并投運(yùn)很多風(fēng)電功率預(yù)測系統(tǒng)。但多數(shù)預(yù)測系統(tǒng)仍是采 用數(shù)值天氣預(yù)報NWP(NumericalWeatherPredictions)的數(shù)據(jù)作為模型輸入數(shù)據(jù)。由于 模型的建立、算法、天氣以及風(fēng)電場的運(yùn)行狀態(tài)等因素對風(fēng)電功率預(yù)測的結(jié)果都有很大的 影響，所以不可避免的存在預(yù)測誤差。很多國內(nèi)外研究者將多種預(yù)測方法組合起來，取長避 短，充分利用各自的優(yōu)點(diǎn)來提高風(fēng)電功率預(yù)測的精度，并取得了不錯的效果。隨著人工智能 的發(fā)展，利用智能算法和其它預(yù)測方法進(jìn)行組合來提高預(yù)測精度也成為可能。
[0004] 灰色理論只需要少量的數(shù)據(jù)就能完成一定精度內(nèi)的預(yù)測，但用于原始數(shù)據(jù)波動較 大的系統(tǒng)，其預(yù)測精度會降低。BP神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)樣本的學(xué)習(xí)來逼近非線性系統(tǒng)的動態(tài) 模型，有效解決系統(tǒng)建模的難題，具有自適應(yīng)功能、泛化功能、非線性映射功能和高度并行 處理的能力。然而，BP神經(jīng)網(wǎng)絡(luò)需要大量的樣本數(shù)據(jù)，學(xué)習(xí)速度慢，且容易陷入局部極值。

【發(fā)明內(nèi)容】

[0005]本發(fā)明提供一種風(fēng)電功率超短期預(yù)測方法，有效解決了現(xiàn)有技術(shù)中存在的風(fēng)電功 率超短期預(yù)測精度不足、計算速度慢等技術(shù)問題。
[0006] 為解決上述問題，本發(fā)明提供如下技術(shù)方案： 本發(fā)明涉及一種風(fēng)電功率超短期預(yù)測方法，包括如下步驟： 建立一灰色模型；所述灰色模型包括一個輸入通道及一個輸出通道，所述輸入通道用 于輸入至少一時間段的歷史風(fēng)電功率，所述輸出通道用于輸出對應(yīng)任一時間段的歷史風(fēng)電 功率擬合值或?qū)?yīng)未來連續(xù)四個時間段的風(fēng)電功率初步預(yù)測值； 連續(xù)輸入至少一時間段的歷史風(fēng)電功率至所述灰色模型，獲取所述歷史風(fēng)電功率擬合 值或者對應(yīng)未來至少一時間段的所述風(fēng)電功率初步預(yù)測值； 建立一BP神經(jīng)網(wǎng)絡(luò)；所述BP神經(jīng)網(wǎng)絡(luò)包括三個BP輸入通道及一個BP輸出通道，三個BP輸入通道分別用于輸入任一時間段的平均風(fēng)速、平均風(fēng)向以及所述灰色模型的歷史風(fēng)電 功率擬合值或所述風(fēng)電功率初步預(yù)測值，所述BP輸出通道用于輸出風(fēng)電功率最終預(yù)測值； 所述BP神經(jīng)網(wǎng)絡(luò)用于映射所述風(fēng)電功率最終預(yù)測值與所述輸入任一時間段的平均風(fēng)速、 平均風(fēng)向以及所述歷史風(fēng)電功率擬合值或所述風(fēng)電功率初步預(yù)測值之間的非線性關(guān)系； 獲取用于訓(xùn)練所述BP神經(jīng)網(wǎng)絡(luò)的至少一訓(xùn)練樣本；每一訓(xùn)練樣本包括從數(shù)值天氣預(yù) 報中獲取的任一時間段的平均風(fēng)速、平均風(fēng)向以及所述歷史風(fēng)電功率擬合值三個輸入值， 包括該時間段的歷史風(fēng)電功率這一輸出值； 根據(jù)所述訓(xùn)練樣本，用BP算法訓(xùn)練所述BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化所述BP神經(jīng)網(wǎng)絡(luò)，獲取所述BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值； 在所述BP神經(jīng)網(wǎng)絡(luò)的輸入通道輸入未來連續(xù)四個時間段的平均風(fēng)速和平均風(fēng)向、未 來連續(xù)四個時間段的風(fēng)電功率初步預(yù)測值；以及 所述BP神經(jīng)網(wǎng)絡(luò)根據(jù)所述連接權(quán)值計算并輸出未來連續(xù)四個時間段的風(fēng)電功率最終 預(yù)測值至所述BP輸出通道。
[0007] 其中，根據(jù)所述訓(xùn)練樣本，用BP算法訓(xùn)練所述BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化所述BP神經(jīng)網(wǎng) 絡(luò)，獲取所述BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，包括如下步驟： 用BP算法初始化所述BP神經(jīng)網(wǎng)絡(luò)，定義迭代次數(shù)及目標(biāo)值； 輸入一訓(xùn)練樣本至所述BP神經(jīng)網(wǎng)絡(luò)； 計算該訓(xùn)練樣本在所述BP神經(jīng)網(wǎng)絡(luò)中輸出的誤差性能指標(biāo)； 判斷所述誤差性能指標(biāo)是否達(dá)到設(shè)定的目標(biāo)值以及是否達(dá)到設(shè)定的迭代次數(shù)，若所述 適應(yīng)值未達(dá)到目標(biāo)值且未達(dá)到設(shè)定的迭代次數(shù)，將所述誤差性能指標(biāo)反向傳播，調(diào)整所述 BP神經(jīng)網(wǎng)絡(luò)內(nèi)部各節(jié)點(diǎn)的權(quán)值，重新輸入該訓(xùn)練樣本，重復(fù)上述步驟；若所述誤差性能指 標(biāo)達(dá)到設(shè)定的目標(biāo)值或達(dá)到設(shè)定的迭代次數(shù)，重新輸入另一訓(xùn)練樣本至所述BP神經(jīng)網(wǎng)絡(luò)， 重復(fù)上述步驟，直至所有訓(xùn)練樣本的誤差性能指標(biāo)達(dá)到設(shè)定的目標(biāo)值或達(dá)到設(shè)定的迭代次 數(shù)，停止輸入訓(xùn)練樣本； 計算對應(yīng)所述BP神經(jīng)網(wǎng)絡(luò)的輸出端與輸入端之間的連接權(quán)值。
[0008] 其中，輸入一訓(xùn)練樣本至所述BP神經(jīng)網(wǎng)絡(luò)，包括如下步驟： 輸入一訓(xùn)練樣本中的三個輸入值至所述BP神經(jīng)網(wǎng)絡(luò)的三個輸入端； 將輸入數(shù)據(jù)在所述BP網(wǎng)絡(luò)內(nèi)正向傳播； 所述BP神經(jīng)網(wǎng)絡(luò)的輸出端輸出一個計算后的風(fēng)電功率； 將該訓(xùn)練樣本中的歷史風(fēng)電功率與計算后的風(fēng)電功率對比，計算所述BP神經(jīng)網(wǎng)絡(luò)的 輸出誤差。
[0009] 所述每一時間段為連續(xù)的15分鐘。
[0010] 本發(fā)明優(yōu)點(diǎn)在于，提出了用灰色理論及BP神經(jīng)網(wǎng)絡(luò)混合算法對風(fēng)電功率的超短 期預(yù)測進(jìn)行研究，綜合考慮灰色理論和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點(diǎn)，使得樣本的訓(xùn)練和學(xué)習(xí)完 成速度更快，風(fēng)電功率的預(yù)測精度更高；可以有效避免由于BP算法易于陷入局部極值而造 成速度辨識的精度低的問題，可以提高BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值優(yōu)化的速度，對電力系統(tǒng)調(diào) 度和風(fēng)電機(jī)組的維護(hù)等有著重要的意義。
【附圖說明】
[0011] 附圖1為本發(fā)明中風(fēng)電功率超短期預(yù)測方法的流程圖； 附圖2為本發(fā)明中灰色模型的結(jié)構(gòu)示意圖； 附圖3為本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖； 附圖4為本發(fā)明中用BP算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的方法流程圖； 附圖5為本發(fā)明中輸入一訓(xùn)練樣本至BP神經(jīng)網(wǎng)絡(luò)的方法流程圖。
【具體實施方式】
[0012] 以下結(jié)合附圖詳細(xì)說明本發(fā)明的【具體實施方式】，使本領(lǐng)域的技術(shù)人員更清楚地理 解如何實踐本發(fā)明。應(yīng)當(dāng)理解，盡管結(jié)合其優(yōu)選的具體實施方案描述了本發(fā)明，但這些實施 方案只是闡述，而不是限制本發(fā)明的范圍。
[0013] 如圖1所示，本發(fā)明涉及一種風(fēng)電功率超短期預(yù)測方法，包括如下步驟： 步驟S1)建立一灰色模型；如圖2所示，灰色模型1包括一個輸入通道11及一個輸出 通道12,所述輸入通道用于輸入至少一時間段的歷史風(fēng)電功率，所述輸出通道用于輸出對 應(yīng)任一時間段的歷史風(fēng)電功率擬合值或?qū)?yīng)未來連續(xù)四個時間段的風(fēng)電功率初步預(yù)測值； 歷史風(fēng)電功率是指過去一段時間內(nèi)風(fēng)電系統(tǒng)的實際風(fēng)電輸出功率。
[0014] 步驟S2)連續(xù)輸入至少一時間段的歷史風(fēng)電功率至所述灰色模型，獲取所述歷史 風(fēng)電功率擬合值或者對應(yīng)未來至少一時間段的所述風(fēng)電功率初步預(yù)測值。所述每一時間段 為連續(xù)的15分鐘，這是風(fēng)電功率預(yù)測領(lǐng)域常用的時間間隔。
[0015] 所述灰色模型是根據(jù)歷史風(fēng)電功率對未來連續(xù)四個時間段的風(fēng)電功率預(yù)測值進(jìn) 行初步預(yù)測，其中每個時間段為連續(xù)的15分鐘。在所述灰色模型中， (1) 已知?dú)v史風(fēng)電功率數(shù)據(jù)序列如下： χ(〇) = [χ(0)⑴，χ(0)⑵，…，χ(0) (η)]⑴ (2) 對X(Q)做一次累加生成（AGO,AccumulatedGeneratingOperation)，得到新序列 為： X⑴=[x⑴⑴，X⑴⑵，…，χ(ι)(η)] (2) 其中
(3) 建立AGO序列X(1)白化形
其中為AGO序列X(1)的灰導(dǎo)數(shù)，a與u為待辨識系數(shù)；dt (4) 微分方程中的系數(shù)。令，γ=
運(yùn)用最小二乘法（LMS，LeastSquareAlgorithm)求解I，有
(6): (5) 求出a后解白化微分方程，求出AGO序列的計算值
k= 1，2,…，n+3時，.?(1)(Α+ 1)可以算出n+3個值；一共可以獲得n+4個值； 再通過式（8)算出灰色模型的n+4個輸出值（前η個是擬合值，后4個為未來四步的 預(yù)測值）； (6)原始數(shù)據(jù)序列Xw的還原值為
（8)
[0016] 所述灰色模型的輸入通道連續(xù)輸入η個時間段的歷史風(fēng)電功率，利用灰色模型得 到的歷史風(fēng)電功率擬合值ifU= (k= 0, 1，2,…，η-1時，對應(yīng)的前η個風(fēng)電功 率值）；也可以得到的風(fēng)電功率初步預(yù)測值= -if(k=η，η+1，η+2,η+3時，對 應(yīng)的未來四個時間段的4個風(fēng)電功率值）；所述輸出通道輸出所述歷史風(fēng)電功率擬合值，以 及所述風(fēng)電功率初步預(yù)測值。
[0017] 步驟S3)建立一BP神經(jīng)網(wǎng)絡(luò)；如圖3所示，BP網(wǎng)絡(luò)2是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn) 練的多層前饋網(wǎng)絡(luò)，BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層21 (input)、 隱層22(hiddenlayer)和輸出層23(outputlayer)。輸入層21包括三個輸入端（輸入節(jié) 點(diǎn)）211 ;隱層22包括若干隱層節(jié)點(diǎn)221，具體節(jié)點(diǎn)數(shù)為6-12個，優(yōu)選10個；輸出層23包括 一輸出端（輸出節(jié)點(diǎn)）231。連接至三個輸入端211的三條數(shù)據(jù)通道為輸入通道212,連接 至一個輸出端231的一條數(shù)據(jù)通道為輸出通道232。三個BP輸入通道212分別用于輸入任 一時間段的平均風(fēng)速、平均風(fēng)向以及所述灰色模型的歷史風(fēng)電功率擬合值或所述風(fēng)電功率 初步預(yù)測值，BP輸出通道232用于輸出風(fēng)電功率最終預(yù)測值；所述BP神經(jīng)網(wǎng)絡(luò)用于映射所 述風(fēng)電功率最終預(yù)測值與所述輸入任一時間段的平均風(fēng)速、平均風(fēng)向以及所述歷史風(fēng)電功 率擬合值或所述風(fēng)電功率初步預(yù)測值之間的非線性關(guān)系。所述任一時間段為連續(xù)的1