一種基于空間相關(guān)性的臺風過境風電功率預測方法
【專利摘要】本發(fā)明提出一種基于空間相關(guān)性的臺風過境風電功率預測方法。采集臺風上風處與下風處風速或功率時間序列；計算上風處采集的時間序列與下風處采集的時間序列之間的相關(guān)性系數(shù)；將強相關(guān)性數(shù)據(jù)組中的上風處及下風處風速或功率時間序列數(shù)據(jù)組錄入小波神經(jīng)網(wǎng)絡，對小波神經(jīng)網(wǎng)絡訓練；利用訓練后的小波神經(jīng)網(wǎng)絡對下風處風電功率進行預測。本發(fā)明利用空間相關(guān)性及優(yōu)化后的靜態(tài)神經(jīng)網(wǎng)絡，為臺風過境情況下的風功率進行預測提供一種較為準確的解決方案，為強風過境時的風電調(diào)度起指導作用。
【專利說明】
-種基于空間相關(guān)性的臺風過境風電功率預測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于電力系統(tǒng)自動化領(lǐng)域，特別設(shè)及一種基于空間相關(guān)性的臺風過境風電 功率預測方法。
【背景技術(shù)】
[0002] 隨著風電產(chǎn)業(yè)的高速發(fā)展，在為社會帶來巨大的經(jīng)濟效益和社會效益的同時，風 電并網(wǎng)帶給電網(wǎng)的沖擊也使電網(wǎng)的穩(wěn)定運行面臨一系列新的難題。對于風力發(fā)電帶來的不 穩(wěn)定因素，提前短期及超短期的風電預測便顯得愈發(fā)不可或缺起來，預測對于電網(wǎng)調(diào)度和 運維的指導作用將成為未來一個階段電網(wǎng)運行的重要一環(huán)。
[0003] 目前國內(nèi)外對于風電預測的研究所設(shè)及的風速環(huán)境大都局限于大面積穩(wěn)定來風， 對于強風暴過境時的極端狀況的研究卻鮮有設(shè)及。由于國內(nèi)缺乏運方面的研究，相對應的， 對于臺風等極端天氣下的風機應對策略也就普遍采取風機提前切出的簡單方式，從而容易 造成很多不必要的風能損失；同時由于缺乏預測，也可能由于瞬時的風速增大導致風機系 統(tǒng)損壞。所W在臺風過境時，有效的預測其風速強度從而做出適當?shù)奶崆皯獙Ρ泔@得尤為 關(guān)鍵。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于利用空間相關(guān)性及優(yōu)化后的靜態(tài)神經(jīng)網(wǎng)絡，為臺風過境情況下 的風功率進行預測提供一種較為準確的解決方案，為強風過境時的風電調(diào)度起指導作用； 同時，本發(fā)明不僅可W對臺風過境時的風電功率進行預測，還可W針對常規(guī)風速情況下的 風電功率進行預測。 陽〇化]為了解決上述技術(shù)問題，本發(fā)明提供一種基于空間相關(guān)性的臺風過境風電功率預 測方法，包括W下步驟：
[0006] 步驟一、采集臺風上風處與下風處風速或功率時間序列；
[0007] 步驟二、計算上風處采集的時間序列與下風處采集的時間序列之間的相關(guān)性系 數(shù)；
[0008] 步驟Ξ、將強相關(guān)性數(shù)據(jù)組中的上風處及下風處風速或功率時間序列數(shù)據(jù)組錄入 小波神經(jīng)網(wǎng)絡，對小波神經(jīng)網(wǎng)絡訓練；
[0009] 步驟四、利用訓練后的小波神經(jīng)網(wǎng)絡對下風處風電功率進行預測。
[0010] 進一步，步驟二中，先W下風處當前時間點為基準點，將上風處采集序列按下風處 采集點數(shù)按等時間間隔重新分組；然后分別計算上風處各組序列與下風處序列的相關(guān)性系 數(shù)，得到相關(guān)性系數(shù)最大的一組風速或功率時間序列，相關(guān)性系數(shù)的計算公式如式（1) 所示，
[0011]
祥) 陽01引式（1)中，Pi似表示第i組數(shù)據(jù)第k個采樣點的關(guān)聯(lián)系數(shù)，g為風速或功率時間 序列的采樣總數(shù)上限，Pi(k)的計算公式如式（2)所示，
[0013] Pi (k)=虹iriimink I Vi 化）-Vi 化）I + P maxximaxk I Vi 化）-Vi 化）I ]今
[0014] 似
[0015] [ I Vi 化）-Vi 化）I + P maxXimaXk I Vi (k) -Vi 化）I ]
[0016] 式（2)中，P 表示分辨系數(shù)；Vi= (Vi(l)，Vi(2)，Vi(3)···，Vi(g-l), Vi(g))代表風 速時間序列；Vi= (Vi(l)，Vi(2)，，，，Vi(g))代表風速時間序列的子序列，為小波神經(jīng)網(wǎng)絡 錄入的訓練數(shù)據(jù)。因為本發(fā)明還可W通過采集功率時間序列進行預測，在使用功率時間序 列進行預測，將公式（2)中的風速時間序列替換為功率時間序列。
[0017] 進一步，步驟Ξ中，所述小波神經(jīng)網(wǎng)絡系通過使用小波分析法對靜態(tài)神經(jīng)網(wǎng)絡進 行修正獲得，其中選擇Morlet小波作為隱含層的傳遞函數(shù)，對應的輸出層的輸出公式如式 (3)所示，
[0018]
[0019] 式（3)中的Wik為隱含層到輸出層的連接權(quán)值；h(i)為第i個隱含層節(jié)點的輸出 值；1為隱含層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)。
[0020] 進一步，對小波神經(jīng)網(wǎng)絡進行訓練時，小波神經(jīng)網(wǎng)絡采用Ξ層結(jié)構(gòu)，包括輸入層、 隱含層和輸出層，且輸入層為四節(jié)點，隱含層為六個節(jié)點，輸出層為一個節(jié)點。
[002U 進一步，小波神經(jīng)網(wǎng)絡的訓練結(jié)束后，采用sim( ·)函數(shù)調(diào)用所訓練好的小波神經(jīng) 網(wǎng)絡對下風處風電功率進行預測。
[0022] 本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點在于：（1)本發(fā)明使用相關(guān)性預測及小波分 析法結(jié)合對傳統(tǒng)的神經(jīng)網(wǎng)絡進行優(yōu)化，得到了一種更適合于風電功率相關(guān)性預測的模型， 提高了預測精度；（2)本發(fā)明通過空間相關(guān)性和小波分析，W及靜態(tài)神經(jīng)網(wǎng)絡Ξ者的結(jié)合， 有效是的改進了傳統(tǒng)預測算法的預測精度，不僅可W完成對常規(guī)風速條件下風電預測，還 能夠很好的完成臺風過境極端天氣下的風電場功率預測，對臺風來臨前的風電發(fā)展趨勢進 行快速反應，W及風電場運行的調(diào)度有著良好的決策指導作用；（3)本發(fā)明對風電的預測， 不但可W保證預測的提前性，其對于常規(guī)情況下及強風過境時的預測精度都能夠達到較好 的水平。
【附圖說明】
[0023] 圖1是本發(fā)明基于空間相關(guān)性的臺風過境風電功率預測方法流程圖。
[0024] 圖2是小波神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)圖。
[0025] 圖3是本發(fā)明實驗中臺風過境時兩風電場48小時功率曲線。
[00%] 圖4是本發(fā)明實驗中臺風過境時兩風電場相關(guān)性曲線圖。
[0027] 圖5是本發(fā)明實驗中臺風過境時臺風功率相關(guān)性預測曲線圖。
[002引圖6是本發(fā)明實驗中臺風過境時臺風功率相關(guān)性預測絕對誤差示意圖。
【具體實施方式】
[0029] 本發(fā)明基于空間相關(guān)性的臺風過境風電功率預測方法，包括W下步驟：
[0030] 步驟一、采集臺風上風處與下風處風速或功率時間序列。
[0031] 將位于臺風運行軌跡空間上存在一定距離的上風處和下風處的風速或功率數(shù)據(jù) 進行采集，此時兩處的空間距離要足夠長，W便給臺風功率的處理及預測留出一定的傳播 時間裕度；
[0032] 步驟二、計算上風處采集的時間序列與下風處采集的時間序列之間的相關(guān)性系 數(shù)。
[0033] 首先，W下風處當前時間點為基準點，將上風處采集序列按下風處采集點數(shù)重新 分組，分組原則按等時間間隔法即每隔固定時間向前移動上風處時間序列，且序列長度不 變，都與下風處當前采樣點數(shù)等長；然后分別計算上風處各組序列與下風處序列的相關(guān)性 系數(shù)，得到相關(guān)性最高的一組風速或功率時間序列，即相關(guān)性系數(shù)最大的一組風速或功率 時間序列。相關(guān)性系數(shù)的計算公式如式（1)所示，
[0034]
[0035] 式（1)中，Pi(k)表示第i組數(shù)據(jù)第k個采樣點的關(guān)聯(lián)系數(shù)，g為風速或功率時間 序列的采樣總數(shù)上限，Pi(k)的計算公式如式（2)所示，
[0036] Pi (k)=虹iriimink I Vi 化）-Vi 化）I + P maxXimaXk I Vi 化）-Vi 化）I ]今
[0037] 似
[0038] [ I Vi 化）-Vi 化）I + P maxximaxj Vi (k) -Vi 化）I ] 陽039]式似中，P 表示分辨系數(shù)；Vi= (Vi(l)，Vi(2)，Vi(3)···，Vi(g-l), Vi(g))代表風 速時間序列；Vi= (Vi(l)，Vi(2)，，，，Vi(g))代表風速時間序列的子序列，為小波神經(jīng)網(wǎng)絡 錄入的訓練數(shù)據(jù)。因為本發(fā)明還可W通過采集功率時間序列進行預測，在使用功率時間序 列進行預測，將公式（2)中的風速時間序列替換為功率時間序列。
[0040] 步驟Ξ、將強相關(guān)性數(shù)據(jù)組中的上風處及下風處風速或功率時間序列數(shù)據(jù)組錄入 小波神經(jīng)網(wǎng)絡，對小波神經(jīng)網(wǎng)絡訓練；
[0041] 本步驟中所述小波神經(jīng)網(wǎng)絡系通過使用小波分析法對靜態(tài)神經(jīng)網(wǎng)絡進行修正獲 得。本發(fā)明采用函數(shù)嵌入優(yōu)化思路，在神經(jīng)網(wǎng)絡的拓撲基礎(chǔ)上把小波分析法中的小波基函 數(shù)引入神經(jīng)網(wǎng)絡的隱含層中作為神經(jīng)元節(jié)點的傳遞函數(shù)，形成一種信號前向傳播的同時誤 差反向傳播的神經(jīng)網(wǎng)絡。具體方法包括： 陽0創(chuàng)如圖2,在小波神經(jīng)網(wǎng)絡的網(wǎng)絡拓撲中，Χι,Χζ，…，Xk為神經(jīng)網(wǎng)絡的輸入時間序列， 對應的Yl，Y2，…，Ym為網(wǎng)絡的預測輸出，W U和W ik為網(wǎng)絡各層連接權(quán)值。當，錄入時間序 列時，其對應的輸出層計算公式演變?yōu)槭剑?)所示，
[0043]
W44] 式（3)中，hU)表示隱含層在第j個節(jié)點輸出的輸出值出，為小波基函數(shù);W。為 輸入層和隱含層的連接權(quán)值；b，為小波基函數(shù)h ,的平移因子；a ,為其小波基函數(shù)的伸縮因 子。
[0045] 關(guān)于小波基函數(shù)的選取，本發(fā)明選擇了在時域和頻域局部特性都比較良好的 Morlet小波。其能適用于離散情況下的特點，也是本發(fā)明選擇它的主要原因之一。選擇 Morlet小波作為隱含層的傳遞函數(shù)后，其對應的輸出層的輸出公式變?yōu)槭剑?)所示，
[0046]
[0047] 式（4)中的wik為隱含層到輸出層的連接權(quán)值；ha)為第i個隱含層節(jié)點的輸出 值；1為隱含層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)。
[0048] 小波神經(jīng)網(wǎng)絡的參數(shù)傳遞和權(quán)值闊值修正的方式與BP神經(jīng)網(wǎng)絡類似，兩者皆采 用梯度修正法對網(wǎng)絡的權(quán)值闊值及小波基函數(shù)的參數(shù)，并W此不斷的使小波神經(jīng)網(wǎng)絡的預 測輸出不斷逼近期望輸出。小波神經(jīng)網(wǎng)絡的參數(shù)修正過程如下：
[0049] a)網(wǎng)絡預測值與實際目標值做差，獲得誤差值： 陽化0]
[0051] 其中7。化）為網(wǎng)絡的期望序列；y(k)為小波神經(jīng)網(wǎng)絡的實際預測輸出。
[0052] b)根據(jù)所計算得到的誤差值對小波網(wǎng)絡的各層間權(quán)值闊值W及小波基函數(shù)各系 數(shù)進行修正：
[0056] W上Ξ個修正公式，各式中的變化量都是根據(jù)網(wǎng)絡誤差所計算得到，其數(shù)理描述 如下式所示：
[0060] 其中，η為小波神經(jīng)網(wǎng)絡的學習速率。
[0061] 本步驟中，對小波神經(jīng)網(wǎng)絡訓練具體方法為：采用上風處數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓 練，包括小波神經(jīng)網(wǎng)絡采用Ξ層結(jié)構(gòu)，即輸入層、隱含層和輸出層的拓撲結(jié)構(gòu)。其中隱含層 節(jié)點的傳遞函數(shù)采用Morlet母小波基函數(shù)。小波神經(jīng)網(wǎng)絡的結(jié)構(gòu)為4-6-1 :輸入層為四節(jié) 點，表示目標序列前4個時間點的風速數(shù)值；隱含層含有六個節(jié)點，輸出層為一個節(jié)點。
[0062] 步驟四、利用訓練后的小波神經(jīng)網(wǎng)絡對下風處風電功率進行預測。
[0063] 小波神經(jīng)網(wǎng)絡的訓練結(jié)束后，采用sim( ·)函數(shù)調(diào)用所訓練好的網(wǎng)絡對下風處進 行預測。將下風處的數(shù)據(jù)作為預測的目標序列數(shù)據(jù)，在開始訓練和預測過程中，還需對數(shù)據(jù) 進行歸一化處理。
[0064] 步驟五、分析預測曲線走勢和規(guī)律，將結(jié)果傳達到下風處風電場，W便根據(jù)預測結(jié) 果及時對風電場調(diào)度做出調(diào)整。 陽〇化]本發(fā)明可W通過W下實驗進一步說明。
[0066] W我國東南沿海兩風電場在某次臺風過境時所實際采集的部分數(shù)據(jù)來驗證本發(fā) 明提出的基于空間相關(guān)性的臺風過境風電功率預測方法的可行性和有效性。
[0067] 本實驗中采用的數(shù)據(jù)為兩風電場在某次臺風過境時所采集48小時內(nèi)的功率時間 序列作為數(shù)據(jù)樣本。數(shù)據(jù)序列采樣時間間隔為一個小時取樣一點，跨度為48小時。兩風電 場的風電功率序列如圖3所示： W側(cè)從圖3中可W明顯的看出兩條曲線存在的相似性。兩地在空間關(guān)聯(lián)的時間尺度上 看，位于下風處的B風電場，較之上風處的A風電場滯后約5個小時。間接證明了臺風期間 兩風電場的功率序列之間存在較強的空間相關(guān)性。
[0069] 將上風處的風電場所采集的功率時間序列W每小時前移一點的順序?qū)?shù)據(jù)分為 30組，分別計算上風處數(shù)據(jù)序列與下風處時間序列之間的相關(guān)性系數(shù)。其相關(guān)性系數(shù)計算 結(jié)果如圖4所示：
[0070] 從圖4中可W看出，相關(guān)性系數(shù)在第二十屯組左右達到最大。將強相關(guān)性數(shù)據(jù)組 中的上風處功率時間序列作為訓練數(shù)據(jù)，下風處功率時間序列作為目標數(shù)據(jù)對小波神經(jīng)網(wǎng) 絡網(wǎng)絡進行訓練、學習和預測，獲得下風處風電功率的預測結(jié)果。
[0071] 本實驗中采用Ξ層拓撲結(jié)構(gòu)小波神經(jīng)網(wǎng)絡對上風處功率時間序列做訓練和學習， 利用訓練之后的小波神經(jīng)網(wǎng)絡對下風處風電功率進行預測。其中，Ξ層拓撲結(jié)構(gòu)中隱含層 節(jié)點的傳遞函數(shù)采用Morlet母小波基函數(shù)。小波神經(jīng)網(wǎng)絡的Ξ層拓撲結(jié)構(gòu)依然為4-6-1 : 輸入層為四節(jié)點，隱含層含有六個節(jié)點，輸出層為一個節(jié)點。其預測結(jié)果如圖5所示，
[0072] 從臺風功率的預測曲線來看，其預測的趨勢大致與實際功率曲線的走向一致。預 測值與實際值的絕對誤差如圖6所示，部分相對誤差如表1所示。
[0073] 表1臺風功率預測部分相對誤差數(shù)據(jù)
[0074]
[0075] 從圖6和表1中可W看出，通過空間相關(guān)性對于臺風過境時的風電功率進行的預 測的相對誤差的周期性比較明顯。經(jīng)過進一步的計算分析，對于下風處風功率的預測值與 實際值的絕對誤差的均值為-3. 9845MW，相對誤差的均值為0. 1662,即預測結(jié)果的平均相 對誤差為16. 62 %，其誤差值低于20 %，對于其預測精度可W接受，即通過空間相關(guān)性對于 臺風過境時的功率進行預測的思路是可行的。
[0076] 對于臺風過境時上風處和下風處的空間相關(guān)性的分析，并W此對風電場的功率預 測結(jié)果進行分析和把握，可W對臺風等強風來襲時風電場的調(diào)度和風機的切停起到一定的 指導作用。
【主權(quán)項】
1. 一種基于空間相關(guān)性的臺風過境風電功率預測方法，其特征在于，包括W下步驟： 步驟一、采集臺風上風處與下風處風速或功率時間序列； 步驟二、計算上風處采集的時間序列與下風處采集的時間序列之間的相關(guān)性系數(shù)； 步驟=、將強相關(guān)性數(shù)據(jù)組中的上風處及下風處風速或功率時間序列數(shù)據(jù)組錄入小波 神經(jīng)網(wǎng)絡，對小波神經(jīng)網(wǎng)絡訓練； 步驟四、利用訓練后的小波神經(jīng)網(wǎng)絡對下風處風電功率進行預測。2. 如權(quán)利要求1所述基于空間相關(guān)性的臺風過境風電功率預測方法，其特征在于，步 驟二中，先W下風處當前時間點為基準點，將上風處采集序列按下風處采集點數(shù)按等時間 間隔重新分組；然后分別計算上風處各組序列與下風處序列的相關(guān)性系數(shù)，得到相關(guān)性系 數(shù)最大的一組風速或功率時間序列，相關(guān)性系數(shù)Yi的計算公式如式（1)所示，川 式（1)中，Pi化）表示第i組數(shù)據(jù)第k個采樣點的關(guān)聯(lián)系數(shù)，g為風速或功率時間序列 的采掙總?敬h限，D;(k)的計貸公式化式（2)所示，似 [I Vi 化)-Vi 化）I + P m曰X Xi m曰Xk I Vi 化)-Vi 化）I ] 式（2)中，P表示分辨系數(shù)；Vi= (Vi(I) ,Vi (2)，Vi (3)…，Vi (g-1), Vi (g))代表風速時 間序列；Vi= (Vi(I), Vi(2)…，Vi(g))代表風速時間序列的子序列，Xi為小波神經(jīng)網(wǎng)絡錄入 的訓練數(shù)據(jù)。因為本發(fā)明還可W通過采集功率時間序列進行預測，在使用功率時間序列進 行預測，將公式（2)中的風速時間序列替換為功率時間序列。3. 如權(quán)利要求1所述基于空間相關(guān)性的臺風過境風電功率預測方法，其特征在于，步 驟=中，所述小波神經(jīng)網(wǎng)絡系通過使用小波分析法對靜態(tài)神經(jīng)網(wǎng)絡進行修正獲得，其中選 擇Morlet小波作為隱含層的傳遞函數(shù)，對應的輸出層的輸出公式如式（3)所示，式（3)中的Wik為隱含層到輸出層的連接權(quán)值；ha)為第i個隱含層節(jié)點的輸出值；1 為隱含層節(jié)點數(shù);m為輸出層節(jié)點數(shù)。4. 如權(quán)利要求3所述基于空間相關(guān)性的臺風過境風電功率預測方法，其特征在于，對 小波神經(jīng)網(wǎng)絡進行訓練時，小波神經(jīng)網(wǎng)絡采用S層結(jié)構(gòu)，包括輸入層、隱含層和輸出層，且 輸入層為四節(jié)點，隱含層為六個節(jié)點，輸出層為一個節(jié)點。5. 如權(quán)利要求1所述基于空間相關(guān)性的臺風過境風電功率預測方法，其特征在于，小 波神經(jīng)網(wǎng)絡的訓練結(jié)束后，采用sim( ?)函數(shù)調(diào)用所訓練好的小波神經(jīng)網(wǎng)絡對下風處風電 功率進行預測。
【文檔編號】G06F19/00GK105989236SQ201510095410
【公開日】2016年10月5日
【申請日】2015年3月3日
【發(fā)明人】蔣達, 康奇, 張俊芳, 許輝, 褚智亮, 畢月, 史媛, 林莎
【申請人】南京理工大學