短期发电功率（共7篇）
短期发电功率 篇1
1 引言
随着经济的快速发展, 人们对能源的需求与日俱增。面对不可再生能源日趋减少和全球变暖等环境污染问题, 迫切需要一种可稳定持续开发的可再生能源。由地球表面空气流动所产生的风能无疑是最好的选择之一, 这就使风力发电成为一个重要的研究课题[1]。其中, 短期功率预测[2]是风力发电系统研究的一个重要组成部分, 它对发电系统的功率控制和稳定运行起着至关重要的作用。
目前, 在风力发电系统功率预测方面, 国内外学者都做了一定的研究工作。由于国外对这方面的研究起步较早, 很多国家都已拥有比较完善的风电功率预测模型和系统。而国内的风电产业起步较晚, 在此的研究还局限于风电场的规划、发电机组的控制以及风电场以最小影响并入电网等方面, 对风力发电的短期预测研究成果甚少, 预测效果不佳[3]。
本文在现有研究的基础上, 结合国内数值天气预报不完备等特点, 提出一种将历史数据与物理模型相结合的插值方法。并针对风力发电系统短期功率预测因预测信息的不同对预测周期的不同需求, 提出一种在已有插值方法基础上的变时间尺度短期功率预测方法。
2 短期功率预测方法
物理模型与历史数据结合基础上的变时间尺度功率预测方法由发电机组功率预测输入预处理模型、基于历史数据的天气预测模块以及功率预测模块组成[4]。
2.1 风力发电功率预测模型输入处理
依据物理模型对风力发电短期功率预测的输入处理步骤可总结如下: (1) 通过数据校正模型对已有数值天气预报数据进行校正, 减小预测误差; (2) 通过地形变化模型修整因风电场地表凹凸不平给预测精度带来的影响; (3) 建立基于不同地貌的粗糙度分类模型, 计算受粗糙度影响后的风速; (4) 通过风轮背面风速模型求解风功曲线对应的风速。
2.2 变时间尺度的天气预测模型
数值天气预报风速经过数据校正、地形和粗糙度模型修正后可作为距离最近风力发电机组的风速值。但鉴于短期功率预测的预测周期存在小于当前所研究风电场天气预报信息的分辨周期, 达不到功率预测周期的要求的情况, 提出一种基于历史数据的插值方法, 提高天气预报信息的分辨率。又根据控制系统对短期功率预测预测周期的不同要求, 提出一种基于历史数据的变时间尺度的天气信息数据预测模型。
2.3 功率预测模块
在系统执行能量分配时, 根据功率预测模块对预测周期的要求设置插值周期, 再按此周期从天气信息历史数据中提取数据。若根据控制系统要求需要不同的预测周期, 则对应设置不同的插值周期, 提取不同插值的历史数据, 至此实现变时间尺度的插值运算, 完成变时间尺度的风力发电机组功率预测物理模型。
执行预测时, 引入相似度法则对历史风速变化趋势与预测点的预测风速和实际风速组成的综合数据做相似度分析计算。其具体方法如下:
以日特征向量反应风速变化趋势, 假设为预测日的风速综合数据, 为历史第j天的风速综合数据, 为预测日的特征向量, 其中, k表示预测日k时刻相邻时间点的风速变化趋势量, , k表示历史数据第j日k时刻相邻时间点的风速变化趋势量, 则预测日数据与历史第j日数据变化趋势相似度可由如下表达式求解。
通过对预测日风速变化趋势与历史风速变化趋势做相似度结果的比较, 从中选取相似度较高的m天的数值天气信息历史数据, 并以求加权平均的形式对预测日当天的风速进行插值。求解获得预测日下一预测周期的预测风速, 达到为接下来基于历史数据的变时间尺度风力发电功率预测提供可靠天气信息支持的目的。
2.4 风力发电机组预测功率
数值天气预报信息经过各输入预处理模型, 结合变时间尺度功率预测模块, 成为距离最近风力发电机组的输入风速值。在无干扰情况下, 根据风电场空气密度、发电机组相关参数以及风速值可推到出理想输出功率如下。
式中, P代表发电机组输出功率, R代表发电机组桨叶半径, 这δ代表风电场空气密度, Dp代表风能利用系数, vr、vin和vout分别代表发电机组的额定风速、起始风速和终止风速。
在现实发电工程系统中, 发电系统受环境等诸多因素影响, 很难达到理想状态, 故需采用实际风电场功率风速曲线进行功率输出预测。
3 结论
在本文中, 考虑到目前国内数值天气预报分辨率不足以满足短期功率预测周期要求的情况, 提出一种将物理模型与历史数据结合的相似度插值方法, 通过与线性插值法的对比试验, 验证了该方法的可行性;并根据风力发电系统对功率预测周期的不同要求, 提出一种基于历史数据的变时间尺度方法。
参考文献
[1]王常贵.新能源发电技术[M].北京:中国电力出版社, 2003.
[2]杨秀媛, 肖洋, 陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报, 2005 (11) :1-5.
[3]李炎, 高山.风电功率短期预测技术综述[A].中国农业大学.中国高等学校电力系统及其自动化专业第二十四届学术年会论文集 (下册) [C].中国农业大学:2008:5.
[4]曹娜, 赵海翔, 任普春等.风电场动态分析中风速模型的建立及应用[J].中国电机工程学报, 2007 (36) :68-72.
短期发电功率 篇2
1 微网概述
所谓的微网就是一个电源系统, 其容量通常均在20KW-10MW范围内, 微电源主要包括的元件就有风力发电机以及光伏电池等, 微电源中的能量主要就来自于一些自然资源和可再生资源, 微网可以有效的将负荷以及储能装置等连接在一起, 使之成为可以控制的整体, 有效的确保孤岛与网络能够实现并列运行。
微网是一个可控的单元, 在该单元结构中, 分布着A、 B、 C三条馈线, 而在前两条馈线上, 则主要安装有储能装置以及DG两个构件, 同时连接着具有敏感性的负荷, 而且A馈线上, 还设置了可供冷以及可供热的DG, 使得能源可以实现多级利用, 而在C馈线上, 则主要连接的是并不具备敏感性的负荷, 这三条馈线在并网的模式下展开运行, 利用微网来实现对PCC以及大电网之间的连接。如果在大电网出现故障的时候, 就可以及时的将静态开关断开, 使得微网不会受到大电网故障的干扰, 实现孤岛运行。
2 微网建模分析
2.1 风电功率预测模型
一般来说, 在微网中, 要想能够使得微电源可以得到良好的管理, 就需要将微电源有效的划分为可控型微电源以及不可控型微电源两种。其中, 可控型微电源的输出功率与不可控型微电源的输出功率共同构成了微电源的输出功率。而针对可控型微电源来说, 其输出功率能够实现自主的调控。其数据流如图1 所示:
2.2 微网负荷预测模型
与风电功率动态预测模型类似, 当RBF网络输出值代入误差判别函数后不满足预测精度要求时, 调整从微网能量管理系统和SCADA得到的训练数据, 增强训练集合与预测点的关联性, 即将当前预测时间点就近扩展得到的历史微网负荷和气象数据的时间序列作为新的训练集合数据, 重新训练网络, 获得新的网络参数, 进而继续预测。
3 在发电功率和短期负荷预测的基础上分析微网经济运行策略
微网有着明显的经济性以及环保性的特点, 这是微网推广最大的优势。在目前的电力系统中, 其注重经济运行, 着重进行火电机组的经济运行优化处理, 而并不受到环境问题的干涉。但是, 在微网中有着众多的分布式电源以及储能单元, 而且每一种电源的特性都有着明显的差异, 而且这些电源系统与环境之间均有着密切的联系, 均会受到环境因素的影响, 所以, 可再生能源在利用的过程中, 需要充分的考虑到微电源这一因素, 同时也需要充分的考虑到环境成本这一运行, 从而实现网络运行的优化。
除此之外, 微网的运行模式与传统的电力系统有着明显的不同, 微网采用的运行模型一般有两种, 其一是并网运行, 其二就是孤岛运行, 这样的两种运行模式均是受到了负荷需求的影响, 微网与大电网之间的电价竞争也对微网的运行模式有着一定的影响, 因此, 要想能够对微网的经济运行进行优化的优化, 就需要充分的考虑到上述各种因素, 并利用相应的策略来实现微网经济运行的优化。
3.1并网经济运行策略
首先, 因为微电源属于不可控的能源类型, 所以, 不会对原料进行直接性的消耗, 受到的环境污染相对也较小, 所以, 要想使得微电源能够得到良好的利用, 就需要合理的对不可控微电源实施优化处理。
其次, 微网内部有着冷负荷以及热负荷的存在, 在工作运行的过程中, 需要依靠有冷热电联所产的微型燃气轮机, 在冷热负荷带动的基础上, 来更好的推动微型燃气轮机的运行。
再次, 如果在受到不可控型微电源发电量影响的前提下, 而微型燃气轮机的发电量却还无法有效的达到微网电负荷的要求, 那么就需要充分的利用到蓄电池储能装置, 利用该装置来进行对外放电处理, 同时, 针对蓄电池实施有效的监测, 保障蓄电池能够随时的处于放电的状况下, 如果蓄电池还没有实现最大化的放电要求, 那么就需要合理的依据微网电负荷的要求, 同时, 参照蓄电池在运行的过程中, 所需要的费用, 来进行大电网的售电运行。
3.2 孤岛经济运行策略
首先, 在孤岛经济运行中, 首要考虑到的因素就是不可控微型电源这一利用因素, 从而实现微电源向符合电源供电的目标。
其次, 微网包含冷热两种负荷, 并依据热定电的手段来推动微型燃气轮机的运行。
再次, 如果在热定电下以及利用不可控型微电源发电的情况下, 还无法使得微型燃气轮机的发电量达到标准化的微网负荷用电需求, 那么就需要针对蓄电池储能装置进行有效的放电处理, 同时, 对蓄电池进行持续的充电服务。
最后, 如果微网中含有的不可控型微电源以及蓄电池在放电的时候, 已经达到了最小用电负荷的状态, 但是还不能够满足微网负荷的实际需求, 这时候就需要严格的依据微网所具有的敏感水平, 按照相应的顺序来进行负荷的去除。
4 结束语
通过本文的分析可以充分的了解到, 微网在发电功率以及短期负荷预测的基础上, 主要可以采用的经济运行方式就是并网运行方式以及孤岛运行方式。微电源在应用的过程中, 需要充分的考虑到风力发电机以及燃料电池等多种构件元素, 随着微网的发展, 还可以在微网中, 加入相应的微电源, 这样可以使得微网可以实现更好的经济运行, 并能够做好相应的微电源预测工作, 进一步的实现微网的可持续发展。
参考文献
[1]陈靖, 李雨薇, 习朋, 李涛.微网系统经济运行优化[J].华东电力.2012 (02)
[2]周念成, 邓浩, 王强钢, 李春艳.光伏与微型燃气轮机混合微网能量管理研究[J].电工技术学报.2012 (01)
短期发电功率 篇3
有效的风电功率预测, 是保证电力系统安全运行和优化调度的前提, 但风电具有较强的随机性和间歇性, 这无疑增加了预测的许多难度。虽然起步比较晚, 但我国的研究人员在这方面还是做出了许多贡献, 时间序列、灰色模型[1]、神经网络[2]、支持向量机[3]、小波分析等方法得到了较好地运用。部分方法采用了间接预测, 即通过预测风速, 再建立功率曲线求取风电功率。其中的每一步都存在些许误差, 总和之后自然会增大误差。另外, 以上方法都是得到一个或一系列确定的预测点, 用户只能接受这些确定值而没有选择的余地。
云理论是由李德毅院士提出的一种不确定性人工智能方法, 该方法已经成功运用在空间负荷预测[4]、电价预测[5]等多个电力系统的研究领域中。本文给出的云推理模型用云变换将风速等定量数据转换成多个云的定性概念, 并通过挖掘多个云概念之间的关联规则, 找出内部规律, 最后利用云推理得到一系列有稳定倾向的预测值。虽然预测结果是不确定的, 但所有的点都在某个值附近小幅波动, 用户可以利用自身经验或借助其他信息恰当选取其中一个点作为预测结果, 还可以求取所有离散点的期望值作为确定性结果。
1 云模型
云是定性概念和定量数值之间的不确定转换模型。云模型一般由三个数字特征 (期望、熵、超熵) 来描述。云的期望 (Ex) 是最能代表该定性概念的数值;熵 (En) 反映了该定性概念的模糊程度, 它的大小决定了能被该概念接受的范围;超熵 (He) 反映了云的离散程度, 它的大小反映了云的厚度, 是随机程度的体现。比如风速的一个定性概念“较快”及其数字特征如图1所示。
2 云变换
云变换是指把风速、风向、风功率等定量数据转换成由多个云叠加而成的定性概念。首先, 以某风电场10月份的历史数据为依据, 对所有的数据进行归一化处理, 然后求取各类数据的频率分布, 风功率的频率分布如图2所示。
最后采用基于峰值的云变换算法[6], 即
其中:f (x) 为频率分布函数;ri为幅度系数;c (Exi, Eni, Hei) 为变换后的其中一个云概念;num为变换后的云概念的个数;为云变换的最大误差。数据频率分布的局部最高点 (峰值) 是数据的汇聚中心, 将它所对应的横坐标作为某个云概念的期望值。峰值越大, 表示数据汇集越多, 越能反映某个定性概念。
具体的峰值云变换如下, 以风功率为例:
(1) 找到风功率频率分布 (图2) 中的各个峰值位置, 将其对应横坐标定义为云的期望Exi (i=1, 2, …, num) 。
(2) 计算用于拟合原频率分布函数f (x) 的以Exi为期望的各个云概念的熵Eni[7], 并计算云概念的概率密度期望函数作为各个云的分布函数, 如图3所示。
(3) 用不带确定度的逆向云算法[8]求取各个云概念的超熵Hei, 整合之后得到所有云概念的3个数字特征c (Exi, Eni, Hei) , 并最终得到云变换之后风功率的16个定性概念。
用同样的方法可分别得到风速和风向的16个和12个定性概念。但上述变换得到的云概念还比较粗糙, 相邻两个云之间有可能距离太近, 甚至一个云已把另一个云完全包含在内, 造成概念的重复和多余, 所以有必要对云变换之后的概念进行跃升, 使每个云概念的意义更加独立和清晰。
3 概念跃升
所谓概念跃升, 是指将云变换得到的基本概念作为泛概念树的叶结点, 逐步合并距离最近的两个概念, 以得到想要的概念层次。通常有两种方法:用户指定概念个数, 直接跃升;不指定概念个数, 根据人的认知特点 (人们同时只能认知至多72个概念) 自动跃升[9]。这里采用第一种方法, 并考虑云之间的幅度系数影响[10]来进行概念合并, 多次设定概念个数进行实验后, 选取疏密合适的概念个数作为云概念跃升的结果。最终得到风功率的9个跃升概念, 如图4所示。
一般情况下, 可用半云 (或半梯形云) 来描述最接近论域边界的两个定性概念, 相邻概念之间出现交叠, 体现了云模型的不确定性。假设风功率的9个云概念分别为:{极低, 很低, 低, 较低, 中等, 较高, 高, 很高, 极高}, 则它们的数字特征如表1所示。
用类似的方法对风速和风向进行多次概念跃升实验, 从中选取较合适的概念个数, 最终得到相应的5个和9个跃升概念, 分别如表2和表3所示。
4 关联挖掘
4.1 概念隶属判定
概念跃升之后, 需要判定所有的历史数据属于相应类别的哪个概念, 从而精简数据库, 促进关联规则挖掘的成效。概念隶属判定有随机判定法和极大判定法两种方法, 两者都需先求出某个数据对相应云概念的所有隶属程度, 然后, 随机判定法从隶属程度大的前几个概念中随机选择某个定性概念, 而极大判定法选择隶属度最大的那个概念作为隶属概念。选用极大判定法, 以风速的某个待判定数据a为例:首先, 生成以风速概念的Eni为期望, Hei为方差的5个正态随机数Eni'=Norm (Eni, H2ei) (i=1, 2, …, 5) ;然后计算得到a对风速概念的5个隶属程度;最后将最大的µi所对应的概念Ci作为a的隶属概念。
为了便于挖掘规则, 把风功率、风速和风向的定性概念改用阿拉伯数字命名, 则风功率的9个云概念命名为{1, 2, ⋅⋅⋅, 9}, 风速的5个云概念命名为{10, 11, ⋅⋅⋅, 14}, 风向的9个云概念命名为{15, 16, ⋅⋅⋅, 23}。这样, 得到仅包含{1, 2, ⋅⋅⋅, 23}的简化数据库, 如表4所示。
4.2 关联规则挖掘
采用改进的Apriori算法[11]对概念隶属判定后的数据库进行规则挖掘, 总共有500组历史数据, 只要某组数据重复出现2次, 就认为该组数据对关联知识有一定的贡献, 因此设置支持度阈值为0.004, 信任度阈值为0.2。得到30条符合条件的关联规则, 如表5所示。其中第一条规则{1, 10, 20}可以这样理解, 如果风速“很低”, 并且风向为“东北”, 则风功率“极低”。
5 规则发生器
云推理是基于规则发生器的不确定性推理, 而规则发生器由规则前件和规则后件组成。设有定性规则“if A then B”, A和B分别为对应于论域U1和U2的定性概念。把A叫作规则前件, B叫作规则后件。
给定论域中的一个特定点x, 通过正向云算法生成该特定点属于定性概念的确定度y, 称为前件云发生器;给定一个确定度y∈[0, 1], 通过逆向云算法生成论域中满足这个确定度的云滴x, 称为后件云发生器。一个前件云发生器和一个后件云发生器连接起来就构成了一个单条件单规则发生器。规则发生器的前件可以是多个的 (即多维) , 而后件通常只有一个。
本文采用双条件单规则发生器, 即“if A1, A2then B”。其中, A1和A2作为规则前件, 分别代表风速和风向的某个云概念, B作为规则后件, 代表风功率的某个云概念。如果用一个双条件单规则发生器来描述一条关联规则, 那么, 前面挖掘出的30条定性规则便可用30个双条件单规则发生器来描述, 相当于一个组合规则发生器。
6 云推理预测
设预测点前一时刻的风速和风向值为 (x1, x2) , 输入前述组合发生器中将得到30个预测结果, 这显然是不可取的。预测中如果考虑历史数据隐含着的某种历史规律, 那么它体现的是一种整体的预测策略;而若考虑最近数据呈现出的某种当前趋势, 则它体现的是一种局部的预测策略。单纯将历史规律作为预测知识是有些陈旧的, 唯有综合考虑这两种策略, 用当前趋势对历史规律惯性加权, 才能进行较准确地推理和预测。
首先考虑历史规律:把 (x1, x2) 输入每个双条件单规则发生器的前件会得到一个隶属度, 该隶属度体现了 (x1, x2) 对该条规则的激活强度。那么, 我们将得到30个激活强度 (y1, y2, …, y30) 。从中找到最大值ymax, 则对应的规则“if Ai1, Ai2 then Bi”最能反映点 (x1, x2) 所具有的历史特性, 因而该规则的后件Bi可作为相应预测知识的历史规律。
其次考虑当前趋势:越靠近预测点的数据越能反映其当前趋势, 因此, 可选邻近预测点的t个数据, 通过逆向云算法得到当前趋势的云模型Ct。
最后综合考虑历史规律和当前趋势:采用第2节中提到的概念合并算法, 将Bi和Ct合并得到Dt, 从而构造新的预测规则“if Ai1, Ai2 then Dt”进行推理预测。
由以上方法可以得到云推理的组合规则发生器, 如图5所示。具体的算法步骤如下[12]:
(1) 将预测点前一时刻的风速和风向值 (x1, x2) 输入30个双条件单规则发生器的前件 (CGA1, CGA2, …, CGA30) 得到 (y1, y2, …, y30) , 找到最大值ymax所对应的规则“if Ai1, Ai2 then Bi”, 将其后件Bi (Ex B, En B, He B) 作为预测知识的历史规律。
(2) 取邻近预测点的t个数据, 通过逆向云算法得到当前趋势的云模型Ct (Ext, Ent, Het) 。
(3) 综合Bi和Ct得到新的预测知识Dt (Ex D, En D, He D) , 将其作为组合规则发生器的后件CGD-1。构造新规则“if Ai1, Ai2 then Dt”进行预测。
(4) 生成一个期望值为 (En Ai 1, En Ai 2) , 方差为 (H2eAi 1, H2eAi 2) 的二维正态随机数 (E'n Ai 1, E'n Ai 2) 。
(5) 生成一个期望值为En D, 方差为H2e D的正态随机数E'n D。
(6) 若x1≤Ex Ai1, x2≤Ex Ai2, 则预测值
7 预测实例
预测采用我国某风电场10月份的500组历史数据, 每组数据包含风速、风向和风功率三类数据。根据风功率的数据特点, 采用邻近预测点的5个数据迭代地构造当前趋势的云模型Ct1, Ct2, …, Ct24, 再用第5节的云推理方法迭代地预测未来值y'501, y'502, (43) , y'504。虽然云推理属于不确定性推理, 但每个点的预测结果都在某一可靠范围内, 如未来第24个小时的预测结果为{0.3641, 0.3627, …, 0.3398, 0.3587, …, 0.3411, 0.3622, 0.3648, …}。如图5所示。
为了便于分析比较, 运行云推理程序10次, 并取其期望值与ARIMA (1, 1, 1) 模型[13]和RBF神经网络的预测结果进行比较, 如图6所示。
三种预测方法的误差分析如表6所示。可以看出, 无论是最大相对误差、最小相对误差, 还是平均相对误差, 云推理模型都具有一定的优势。其中, 最大相对误差较ARIMA模型和RBF神经网络分别下降了10.93%和56.62%, 最小相对误差分别下降了4.79%和1.74%, 平均相对误差分别下降了4.43%和2.84%。
8 结论
云模型是随机性和模糊性的完美结合。根据风电的特点, 提出了一种基于云推理的短期风电功率预测模型, 通过与ARIMA模型和RBF神经网络比较发现, 该模型具有明显的优势和特点:
(1) 预测结果灵活。云推理预测得到的是一系列有稳定倾向的预测值, 且所有的预测值均在一定范围内小幅波动。用户可以利用多年的经验或借助其它各方面的信息, 在该预测范围内恰当选择预测值, 也可取其期望作为确定性结果, 显示了该模型较强的选择性, 且易与其他知识结合的特点。
(2) 适用于短期预测, 预测误差较小。通过多次运行实验, 并取其期望与其它预测方法比较发现, 该模型的风电功率预测在24小时之内效果较好, 各方面的误差都有不同程度地减小, 具有一定的预测精度。
(3) 扩展性能好。除风速和风向之外, 如能利用气温、气压、降雨量等方面的历史资料, 将云推理发生器的前件从2维扩展到5维甚至更高维度, 将有利于提高预测的效果, 显示了该模型较高的推广价值。
短期发电功率 篇4
风力发电系统自身很强的随机性、间歇性和不可控性特点是风电并网运行过程中必须考虑的因素。对风电功率进行较为准确的预测对风电大规模并网、及时调整含有风电的电力系统或微电网系统的调度策略以及实现其经济运行具有重要的现实意义。根据预测的时间尺度可以将风电功率预测划分为:以分钟为单位的超短期预测;以日、小时为单位的短期预测;以月、周为单位的中期预测和以年为单位的长期预测。其中:超短期预测主要是为了满足风电机组控制的需要;短期预测的目的是便于合理调度, 保证供电质量, 为风电参与竞价上网提供保证;中期预测主要用于安排大修或调试;长期预测主要用于风电场设计的可行性研究[1,2]。
国内外学者对短期风电功率预测的研究已经取得一定成果, 这主要体现在预测方法的多元化。目前用于短期风电功率预测的方法主要是基于统计模型的预测方法[3]。统计模型预测方法不考虑风速变化的物理过程, 采用一定的数学统计方法, 在历史数据与风电输出功率之间建立一种映射关系, 可分为时间序列法、卡尔曼滤波法、指数平滑法、人工神经网络法和支持向量机 (SVM) 法等[4,5,6,7,8,9,10]。
相比于对短期风电功率预测基本方法的研究, 国内外学者对短期风电功率预测方法的改进研究工作较为匮乏, 一方面表现在改进的对象是风速而并非功率[11,12];另一方面是仅片面地针对某一方法的内部缺陷进行改进, 比如在反向传播 (BP) 神经网络中加入动量项来弥补其易陷入局部极小的不足[13], 又如采用粒子群优化 (PSO) 算法对SVM法的核参数寻优过程进行优化。这些改进忽视了基本预测方法在整个预测过程中的使用策略且缺乏通用性。文献[14]和文献[15]分别通过在基本预测方法使用前加入小波分解和卡尔曼滤波对数据进行预处理, 再与基本预测方法组合使用进行改进, 虽然通用性增强, 但当与不同的基本预测方法组合使用时由于各自特性差异可能产生新的问题。
与现有短期风电功率预测改进研究的视角不同, 本文提出了一种不依赖于基本预测方法的基于预测误差正向叠加修正的新型短期风电功率预测改进思路, 并采用BP神经网络作为基本预测方法进行阐述并验证。实例计算表明:本文提出的方法能有效提高短期风电功率预测精度, 从对基本预测方法的使用策略层面上实现了对短期风电功率预测的改进, 且由于无需引入其他辅助方法而具有良好的通用性。
1 误差BP神经网络
误差BP神经网络是一种按误差BP算法训练的多层前馈网络, 是目前应用最广泛的神经网络之一。它采用有导师的训练方式, 能够逼近任意非线性映射。
图1为含有一个隐含层的BP神经网络的结构图。输入层有M个神经元, 其中任一神经元用m表示;隐含层有I个神经元, 任一神经元用i表示;输出层有J个神经元, 其中任一神经元用j表示。输入层与隐含层突触权值用wmi (m=1, 2, …, M;i=1, 2, …, I) 表示, 隐含层与输出层突触权值用wij (i=1, 2, …, I;j=1, 2, …, J) 表示。
设训练样本集X=[X1, X2, …, Xk, …, XN]T, 其中任一训练样本Xk=[xk1, xk2, …, xkm, …, xkM], k=1, 2, …, N, 对应的实际输出为Yk=[yk1, yk2, …, ykj, …, ykJ], k=1, 2, …, N, 期望输出为dk=[dk1, dk2, …, dkj, …, dkJ], k=1, 2, …, N。输出层j个神经元的误差信号为:
定义神经元j的误差能量为0.5e2kj (n) , 则输出层所有神经元的误差能量总和为:
根据Delta学习规则, 计算权值修正量Δwij (n) 和Δwmi (n) , 对权值进行更新 (如式 (3) 和式 (4) 所示) , 直到误差能量总和满足要求或者迭代次数达到设定的最大值停止训练。本文中将BP神经网络应用到改进短期风电功率预测中时, 输出端仅需一维向量即可。
式中:n为迭代次数。
2 改进的短期风电功率预测方法
2.1 改进的预测流程
本文以前述BP神经网络法作为短期风电功率预测的基本预测方法进行阐述。传统的预测环节分为训练环节D和测试环节T, 数据划分如图2所示。训练环节往往包含大量的历史数据, 测试环节的数据量一般由预测的时间尺度来决定。当BP神经网络训练结束后, 就可使用测试数据来对预测效果进行测试。但是, 无论结果好与坏, 传统的预测流程到此已经结束。实际上, 此时的测试结果往往仍然没有达到希望的效果, 甚至包含很大误差, 这是由于任一模型的泛化能力都是有限的, 这类误差可以通过建立模型进行充分训练并有效预测[16], 模型的充分训练取决于训练过程的迭代次数设定的合理性, 即以输出的误差能量总和达到期望的误差能量总和为准。
考虑到传统的预测结果中既包含着真值, 又包含着或正或负的误差。本文针对预测值对应的误差增建一个误差预测模型, 经过合理迭代次数下的充分训练对预测值所包含的误差值进行预测, 再与预测值进行叠加, 将叠加值作为最终的预测结果。考虑到历史数据量是一定的, 为了验证此方法的有效性, 保证测试环节的数据量不变, 本文将传统的训练环节D拆分为两部分:一部分包含较多的数据, 记为D1, 另一部分包含相对较少的数据, 记为D2, 数据划分如图2所示。建立模型1对数据D1进行训练, 训练结束后, 用数据D2对训练的结果进行测试, 这样便可得到一组长度与数据D2等长的误差序列。对此误差序列构建模型2进行训练, 训练算法同样采用BP算法, 通过设定合理的迭代次数实现模型2的充分训练。将传统方法的预测结果代入训练结束的模型2即可得到传统预测值所包含的误差值, 将误差值与传统的预测值对应叠加作为改进方法的预测值。
本文改进的短期风电功率预测流程如图3所示, 其中虚线框中是传统的风电功率预测流程。
从图3中可以看出, 改进的预测过程与传统的预测过程在选定基本预测方法后如何对其使用存在着明显差异, 其中的各个模型的输入输出映射关系如下。
模型1:历史功率序列+当前风速预测值+当前预测风向角的余弦值+当前预测风向角的正弦值→当前功率值。
模型2:预测功率序列+当前风速预测值+当前预测风向角的余弦值+当前预测风向角的正弦值→对应误差值。
模型3:历史功率序列+当前风速预测值+当前预测风向角的余弦值+当前预测风向角的正弦值→当前功率值。
以上模型1和模型3虽然具有相同的结构, 但对其进行训练所使用的训练样本不同, 所以程序实现过程中为了区分开来以不同编号作为区分。
2.2 误差评价指标
为了验证本文所提出的风电功率预测改进方法与传统的方法在预测效果上的表现, 选取了平均绝对误差 (MAE) 、平均相对误差 (MRE) 、均方根误差 (RMSE) 对预测结果进行定量分析, 各变量定义如式 (5) —式 (7) 所示。
式中:et为时刻t的预测功率的误差;Pt为时刻t的实际功率值;为时刻t的预测功率值。
对于MRE的计算, 如果式 (6) 中出现Pt为0, 可使用历史最大功率值Pmax替换Pt对式 (6) 进行修正[17], 如式 (8) 所示。
3 算例分析
本文以国外某风电场一台900kW的风力发电机组2007年12月744h的历史风速、风向、功率数据作为原始数据, 分别构造了传统的预测模型和改进的预测模型, 并对同一测试集进行测试及定量分析。
3.1 模型配置
对原始数据进行奇异性处理, 最终选取31d中的连续28d数据作为算例使用, 将28d的风速、风向、功率数据分为训练样本集和测试样本集, 其中训练样本集D包含前27d的数据, 测试样本集T仅包含第28d的数据。对于改进的风电功率预测来说, 为了构造一个预测误差的训练模型, 对27d的训练样本集D分为前24d的D1集和后3d的D2集。传统与改进的预测皆以BP神经网络作为基本的训练算法。
对D集和T集中的风速、风向角和功率值进行归一化处理, 本文构造的BP神经网络的输入与输出样本对如下。
风速训练样本对 (Xt, Yt) , 其中Xt=[vt-s, vt-s+1, …, vt-1], Yt=vt。
风向训练样本对 (Xt, Yt) , 其中Xt=[wt-s, wt-s+1, …, wt-1], Yt=wt。
以上样本对中, s为训练样本对中输入序列的起始端与时刻t的距离;vt和wt分别为时刻t的风速和风向角;分别为时刻t的风速和风向角预测值。通过递增比较, 本文中s确定为6, 风速与风向角预测网络的各层节点数为6→10→1, 功率预测网络的各层节点数为9→12→1, 误差预测网络的各层节点数为10→13→1。
3.2 预测结果及分析
D1集采用传统的功率预测方法进行训练, 训练结束后用D2集测试获取误差序列后对误差序列进行训练, 误差序列训练结束后对D集采用传统的功率预测方法进行训练并用T集进行测试。所得风速预测结果如图4所示, 风向角预测结果如图5所示, 传统的功率预测结果如图6所示, 传统的功率预测结果代入训练完成的误差预测模型得到的预测功率对应的误差如图7所示, 将传统的功率预测值与通过误差预测模型预测得到的误差值逐点叠加后作为最终的功率预测值, 结果如图8所示。
传统的短期功率预测与本文改进的短期功率预测的误差及预测用时对比如表1所示。
3项误差指标改进后均有较大幅度改善, 这是由于传统的功率预测值中仍包含着较大程度的与功率预测值对应并有其内联规律的误差值。本文的改进通过构建预测误差训练模型在一定程度上正向修正了预测值, 使其更加逼近实际值。由于改进的预测过程比传统的预测过程增加了预测误差构造及训练的环节, 总体时间有所增加, 但仍能较好地适用于实时性很强的微电网系统在线短期风电功率预测。
为了验证本文所提出的改进方法的通用性, 另外选取SVM方法作为基本预测方法对本文改进的短期风电功率效果进行测试, 测试所使用数据仍和上述实例一样, 测试结果如表2所示。从表2可以看出, 本文提出的新型改进短期风电功率预测思路不依赖于基本预测方法的选取, 具有很好的适用性。
4 结语
本文从任一基本方法在预测过程中使用的角度出发, 对传统短期风电功率预测方法进行改进, 并选取BP神经网络法作为基本预测方法进行实例分析, 另选取SVM法作为基本预测方法对本文提出的改进思路的通用性进行验证。仿真结果表明:本文提出的改进思路虽然不如同传统的改进思路从某一基本方法的内部特性出发进行改进, 却同样能够较大幅度地提高风电功率的预测精度, 且正是由于本文的改进思路不依赖于所选的基本预测方法, 不受制于某一基本预测方法的具体特性局限, 因此通用性更强。
短期发电功率 篇5
近年来, 随着风电并网规模的逐渐增大, 风电的随机性和波动性对电网的冲击和威胁日益成为不可忽视的问题[1]。 风电功率短期概率预测[2,3]是解决这一问题的方法之一, 其不仅能提供预测结果的波动范围, 还能估计出每一个取值出现的概率, 相比于确定性预测更能提供丰富的不确定信息, 因此广泛应用于电力系统概率最优潮流计算[4,5]、电力系统静态安全评估[6,7]等研究领域中, 有助于电力调度部门提前安排发电计划, 以保证合格的电能质量, 确保电力系统安全稳定运行。
目前常见的风电功率概率预测方法有:分位点回归法[8]、贝叶斯推断法[9]、上下边界估计LUBE (Lower Upper Bound Estimation) 法[10]和核密度估计KDE (Kernel Density Estimation) 法[11,12]等。 文献[8]建立了基于支持向量机和分位点回归的风电功率区间预测模型, 通过支持向量机确定每一个分位点的回归函数。 尽管该模型没有先验的分布假设, 能提供稳定的预测信息, 但需事先设定离散的不同分位点, 模型得到的概率密度函数是离散的, 对每一分位点建模也增加了模型复杂度。 文献[9]提出一种分量稀疏贝叶斯学习方法, 根据核方法和贝叶斯框架实现概率预测, 但该模型需对风电功率的先验分布作出假设, 引入了经验误差。 文献[10]建立了基于神经网络和LUBE的预测区间估计模型, 神经网络直接输出设定的置信度下估计区间的上下界, 模型算法较简单实用, 但该模型无法提供概率密度函数和累积密度函数, 不确定信息表现方式单一。 不同于上述方法, 核密度估计是一种统计学非参数估计方法, 该方法不限于事先定义的分位点, 无需假设先验分布, 能够提供每一个时间尺度的连续概率分布函数。 文献[11]在神经网络点预测的基础上, 通过一维核密度估计得到了较好的概率预测结果, 但该模型在风电功率变化剧烈的时段误差较大, 区间平均宽度与平缓段相比显著增加。 这种风电功率变化剧烈的现象被称为 “风电爬坡事件”[13,14,15,16,17,18,19], 由于其强烈的随机性和波动性, 降低了该时段风电功率预测的精度。
本文在一维核密度估计的基础上, 通过考虑风电爬坡特性对预测时刻误差的影响, 将一维核密度估计扩展为二维, 提出一种改进的提前1 h风电功率概率预测方法。 首先介绍了风电爬坡事件的定义和特性, 提出一种互补组合预测思路, 并采用具有较好时频局部特性的小波神经网络[20,21]建立风电功率确定性预测模型。 然后根据风电功率预测误差和风电功率爬坡率的分布特点, 对每一个功率分区建立二维核密度估计模型, 由联合分布求取条件分布, 得到风电功率的概率预测区间。 仿真结果表明, 本文模型能够有效提高风电功率概率预测质量, 为风电功率概率预测提供了一种新的研究思路。
1 风电爬坡特性
1.1 风电爬坡事件
风电爬坡事件是指风电功率在短时间内急剧变化的现象, 其包含3 个关键特征:爬坡方向、爬坡时间和爬坡幅值。 爬坡方向有2 种:发生爬坡时风电功率增大为上行爬坡事件, 反之为下行爬坡事件。爬坡时间和爬坡幅值分别为爬坡发生的持续时间和爬坡过程中风电功率的变化值。 目前国际上并没有统一的爬坡数学定义, 文献[14]列举了4 种定义, 这里介绍其中常用的2 种。
定义1:设P (t) 和P (t+Δt) 分别为t时刻和t+Δt时刻的风电功率值, TR为预先设定的阈值, 一般取风电场额定装机容量的百分比。 当满足
时判定风电爬坡事件发生。 Zt+Δt为t+Δt时刻的爬坡率, 反映了该时刻的爬坡严重程度。
定义2:设pt为风电功率信号, 定义如下滤波信号ptf:
当ptf>TR1时发生上行爬坡事件, 当ptf< TR2时发生下行爬坡事件, 如图1 所示。 参数c为滤波阶数, 一般取2 或5, 本文取c = 2。
在风电爬坡事件的研究中, 定义1 和定义2 各有优势:定义1 对原始信号建模, 预测得到的信号受噪声影响较大, 即使在风电功率平缓处预测误差也可能较大;定义2 对滤波信号建模, 虽然受噪声影响较小, 信号更加平滑, 能弥补定义1 的缺陷, 但定义2 经过滤波后, 难以有效探知爬坡拐点。
1.2 风电爬坡特性
风电爬坡事件是风电功率随机性和波动性的极端表现。 由于该事件发生时段风电功率的非线性远远高于非发生时段, 两时段风电功率时间序列的特性变化较大, 因此未考虑爬坡特性的传统方法在预测爬坡发生时段的风电功率时往往误差较大。
本文从3 个方面考虑风电爬坡特性对风电功率预测精度的影响, 分别提出如下改进方法。
(1) 风电爬坡事件发生时, 风电功率信号的噪声显著增加, 增加了预测的难度。 因此, 在进行风电功率确定性预测时, 可结合风电爬坡事件2 种定义的优势, 提出如下互补组合预测思路:根据定义1 从原始信号角度单步预测风电功率;根据定义2 将原始信号变换为滤波信号, 用单步预测替代多步预测提高预测精度, 将滤波预测结果反变换得到风电功率预测结果。 二者经线性加权平均计算, 得到短期风电功率确定性预测结果。
(2) 风电爬坡事件属于突发事件, 其发生频率较低, 这意味着对一般的风电功率时间序列而言, 发生爬坡的序列长度占总序列长度的比例较小, 爬坡区域的数据分辨率较低。 因此在选择 (1) 中的确定性预测模型时, 需充分考虑这一爬坡特性。 小波神经网络 (WNN) 是一种基于小波分析的前馈神经网络, 综合了小波变换和神经网络的优点, 能够自适应地以高分辨率学习风电功率变化平缓的区域, 以低分辨率学习风电爬坡区域, 提高爬坡区域的风电功率预测精度, 理论上比一般神经网络更适合考虑爬坡特性的风电功率预测。
(3) 风电爬坡率是度量爬坡严重程度的指标, 一般情况下, 爬坡率越大, 风电功率变化越快, 非线性越强, 预测误差越大。 即非爬坡区域和爬坡区域的风电功率预测误差往往不同, 前者一般小于后者。而一维核密度估计将二者合在一起估计, 高估了非爬坡区域的误差, 低估了爬坡区域的误差。 因此, 可以将传统的一维核密度估计扩展为二维, 考虑风电爬坡率对误差分布的影响, 求出风电爬坡率和风电功率预测误差的联合概率分布, 以提高短期风电功率概率预测精度。
2 小波神经网络
设WNN的训练集为D={ (xi, yi) , i = 1, 2, …, n}, 其中xi Rk和yi R分别为模型输入和输出, 则隐含层神经元数为K的WNN模型可表示为:
其中, wj为第j个隐含层与输出层的连接权值;ψj为小波基函数, 本文取Marlet函数, 即 ψ (λ) =cos (1.75λ) ×exp (-λ2/ 2) ;aj为 ψj的伸缩因子;wi j为输入层与第j个隐含层的连接权值;bj为 ψj的平移因子。 WNN基于误差函数极小化原理, 其3 层拓扑结构如图2所示。
3 二维核密度估计
核密度估计法一般在风电功率确定性预测的基础上, 将预测功率分区, 对每一分区估计预测误差分布[11]。 误差e的概率密度函数为:
其中, N为样本数;h为带宽;K (·) 为核函数。
当一维核密度估计扩展为二维时, 设待预测时刻为t, 建立t-1 时刻的风电爬坡率Zt -1和风电功率预测误差et的二维核密度估计模型, 其联合概率密度函数为:
其中, hZ和he分别为爬坡率和误差的带宽。
二维核密度估计求解风电功率概率预测问题的具体步骤如下。
步骤1 将风电功率的实际值ytrue和预测值y作为样本, 计算出每一时刻t的预测误差et和该时刻已知的t-1 时刻的风电爬坡率Zt-1。
步骤2 采用二次划分的方法, 对风电功率预测值进行分区。 首先对风电功率预测值等间隔划分, 记ymin、ymax和 Δy分别为风电功率预测值的最小值、最大值和差值, 则划分区间Di和区段数d为:
上述一次划分的区间可能出现部分区间样本点过少的情况, 为此可将部分相邻的区间合并, 通过二次划分保证每一个区间均满足样本数目要求。
步骤3 对每一个Di, 根据式 (5) 计算风电爬坡率Zt - 1和风功率预测误差et的二维核密度估计, 求出联合概率密度函数f (Z, e) 。
步骤4 由f (Z, e) 计算出Zt -1= z时误差的条件概率密度函数f (et︱Zt - 1= z) 。 其方法是, 找到与z最近的估计点 (各估计点间距为带宽hZ) , 该点对应的误差断面经三次样条插值即可求出f (et︱Zt-1= z) 。
步骤5 对f (et︱Zt-1= z) 积分得到et的累积分布函数F (et) , 根据风电功率预测值yt和yt-1, 在给定的置信度下即可求出风电功率的置信区间。
4 风电功率概率预测模型
本文提出了一种短期风电功率概率预测模型, 采用WNN实现风电功率确定性预测, 并在其基础上采用二维KDE实现风电功率概率预测。 模型流程图如图3 所示, 建模过程如下。
(1) 将原始风电功率信号pt (表示为实际风电功率占总装机容量的比例, pt[0, 1]) 按式 (2) 滤波得到滤波信号ptf, 取c = 2。
(2) 依据定义1 对pt建立WNN1单步预测模型, 以t时刻及之前的风电功率值预测t+1 时刻的风电功率, 得到预测结果y1;依据定义2 对ptf建立WNN2单步预测模型, 以t-2 时刻及之前的滤波值预测t-1时刻的滤波值, 再根据式 (2) 反变换得到t+1 时刻的风电功率预测结果y2。 2 个WNN模型的隐含层神经元数均设置为10。 则组合风电功率确定性预测结果为y= (y1+ y2) / 2。
(3) 根据y对功率分区, 分区采用二次划分的方法, 首先按0.1 的步长对功率一次划分, 得到10 个分区, 然后合并那些样本点过少的分区, 使每一个分区满足样本个数要求。
(4) 对每一个分区, 计算其风电爬坡率Zt -1和风功率预测误差et的二维核密度估计, 带宽范围均为0.005 ~ 0.015, 核函数选择高斯核函数。 根据联合概率分布求取条件概率分布, 实现风电功率概率预测。
5 算例分析
5.1 模型评价指标
本文引入可信度、区间平均宽度和技巧得分3个概率预测评价指标来评价本文所提概率模型的有效性。
(1) 可信度[10], 用于评价置信区间是否可信, 即:
其中, R (1-α) 为置信度1-α 下的可信值;g为样本的数目;ξ (1-α) 为置信度1-α 下实际风电功率值落入预测区间的个数。
(2) 区间平均宽度[3], 用于评价概率预测聚集概率信息的能力, 即:
其中, I (1-α) 为置信度1-α 下的区间平均宽度;Li (1-α) 为第i个测试样本在置信度1-α 下预测区间的宽度。
(3) 技巧得分[2], 用于综合评价预测模型, 即:
其中, SC为技巧得分;1 - αi为置信度;Nα为分位点的个数;ys*为第s个样本的预测值;为置信度1 - αi对应的分位数。
以上3 个评价指标中, R和I取值越小越好, SC取值越大越好。
5.2 数据描述
本文选择爱尔兰电力传输系统Eirgrid提供的爱尔兰地区某风电场群2014 年1—7 月的风电功率数据进行算例分析, 风电总装机容量为2000 MW, 时间分辨率为1 h, 截取7 个月内一段含5 000 h的数据。 为方便处理, 将风电功率值均表示为占风电总装机容量的比例。 二维核密度估计要求有较大的样本规模, 以保证样本的统计规律趋近于总体的分布规律, 因此将数据分为3 个子集:前300 个数据作为训练集, 用于训练WNN确定性预测模型;其后4 500 个数据作为误差样本集, 用于预测并生成二维核密度估计所需的误差样本;最后200 个数据作为测试集, 用于验证本文方法的有效性。
5.3 模型预测结果
图4 和表1 为短期风电功率确定性预测结果。为验证模型有效性, 本文还采用只用一种定义建立WNN预测模型以及用BP神经网络[22]建立组合定义预测模型进行仿真作为对比。
由图4 和表1 可知, 本文提出的WNN组合定义预测方法的平均绝对百分比误差 (MAPE) 为9.83%, 小于BP组合定义预测、WNN定义1 预测和WNN定义2 预测, 说明考虑爬坡特性的方法 (1) 和方法 (2) , 即采用组合定义以及采用WNN建模均可有效提高风电功率确定性预测精度。
将误差样本集的风电功率预测值进行分区, 首先以0.1 的间隔进行一次划分, 得到10 个区段;将部分样本点过少的区段合并, 经二次划分后得到6个区段, 即D1=[0, 0.1) 、D2=[0.1, 0.2) 、D3= [0.2, 0.3) 、D4=[0.3, 0.4) 、D5= [0.4, 0.5) 、D6= [0.5, 1) 。 分别计算每一个区段预测误差和风电功率爬坡率的联合概率分布。 图5 为第3 区段经三次样条插值法得到的联合概率密度函数和联合分布函数图。
遍历测试集的每一个点, 根据其预测值选择功率分区及相应二维联合密度函数, 根据对应的风电功率变化率计算条件概率密度函数, 积分得到累积概率分布函数。 按照置信度求出置信区间, 将每一个点的区间包络线连接起来, 即得到风电功率概率预测结果。 为研究模型有效性, 本文采用文献[11]的一维核密度估计作为对比。 图6 和图7 分别为置信度90% 和70% 的概率预测结果。
由图6 和图7 可知, 在相同置信度下, 二维KDE和一维KDE均能有效实现风电功率的概率预测, 但二维KDE的置信区间在多数情况下比一维KDE要窄, 尤其在风电功率取极大极小值附近更为明显, 说明本文模型能有效提高概率预测精度。
为定量验证模型有效性, 本文计算了2 种方法在不同置信度下的可信度和区间平均宽度, 如表2 所示。 从表2 可以看出, 无论是可信度还是区间平均宽度, 在相同置信度下, 二维KDE基本优于一维KDE。说明与一维核密度估计相比, 本文模型的概率预测结果具有更高的精度。
本文还根据式 (10) 、 (11) 计算了2 种方法的技巧得分, 该指标综合考虑了可信度和区间平均宽度, 可有效用于综合评价概率预测模型。 经计算可得, 二维KDE的技巧得分为- 0.197, 大于一维KDE的技巧得分-0.221, 说明二维KDE的综合评价优于一维KDE, 验证了本文模型的有效性和优越性。
综上所述, 本文模型能够在保证置信区间可信的前提下, 增加可信度, 并减小区间宽度, 改善风电功率概率预测的精度。
6 结论
短期发电功率 篇6
风电大规模并网缓解了国内的能源压力并带来了巨大的经济和环境效益, 是目前技术最成熟、最具规模化开发条件的可再生能源。然而, 风电作为一种间歇性电源, 其大规模并入电网势必增加系统运行控制难度, 加重系统备用负担。因此, 对风电场及风电场群输出功率进行预测具有十分重要的意义[1]。
短期风电功率预测一般是对未来24~72h风电机组或风电场的有功功率进行预测, 由于预测尺度较大, 通常借助数值天气预报 (NWP) 能够得到更好的预测效果[2,3]。短期预测结果可用于优化常规机组出力及系统备用配置, 提高系统运行的安全性和经济性。根据预测结果的不同, 短期风电功率预测方法可以分为单点值预测和概率式预测两类方法。单点值预测方法主要有物理方法[4]、统计方法[5,6,7]及组合方法[8]。这类方法是对未来某时段风电功率最大可能出现值进行预测, 目前预测误差 (以48h平均的归一化平均绝对误差为例) 多在15%与40%之间。由于单点值预测方法无法提供风电功率预测的不确定信息, 近年来, 概率式预测方法得到越来越多的重视和研究, 主要方法有:经验预测误差统计方法[9,10]、分位点回归方法[11]及概率密度预测方法[12,13]。这些方法不仅能够预测未来时段风电场输出功率的期望值, 还可以给出预测误差的分布信息, 为含有风电场电力系统的运行风险评估和风险决策提供重要参考[14,15]。
以上方法, 无论是单点值预测或者是概率预测, 其结果均未对风电场输出功率的时空关联特征进行描述。然而, 这些关联信息对于电力系统运行决策 (如阻塞管理) 是有意义的[10,16,17,18]。为此, 文献[16]对风电场短期输出功率时域相关信息进行了效用分析, 并针对如何获取相关信息进行了风电场输出功率的多时段联合概率密度预测。然而, 这一预测只针对一座风电场进行, 未计及空间分布特性。文献[17]将单一风电场多个超前预测时段的输出功率预测误差转换为多元高斯随机变量, 进而利用协方差矩阵描述预测误差的互依结构, 并结合协方差矩阵与风电功率概率式预测结果形成包含预测时段间相关信息的短期风电功率统计场景, 与文献[16]相同, 该文也未涉及风电空间相关性;文献[18]考虑风电场风速的日周期性、非负性及波动特性, 利用状态转移空时 (regime-switching space-time, RST) 模型对风速进行超前2h预测。虽然这一模型相对持续法精度较高, 但其状态识别质量依赖于风电场的特殊地理和气候条件, 以至于模型较难适用于其他风电场。文献[19]对风电功率不确定性预测以及利用概率密度函数描述风电功率预测不确定性的作用进行了较为详细的阐述。
针对上述研究现状, 本文在分析实际风电场预测误差统计规律的基础上, 提出了一种多风电场短期输出功率的联合概率密度预测方法, 其特点如下: (1) 方法在预测结果中包含风电功率预测误差的时空关联信息, 使预测结果更加符合实际; (2) 采用支持向量机 (SVM) 进行单点值预测, 利用稀疏贝叶斯学习 (SBL) 进行SVM预测误差的估计, 并进行误差修正, 使单点值预测精度大幅提高; (3) 采用SBL进行SVM误差预测时, 可同时提供误差分布信息, 从测试结果看, 这种方法能够得到比历史误差统计方法更为切合实际的误差分布; (4) 所得的联合概率密度函数包含风电功率的丰富信息 (如期望值、方差、时空交叉相关系数等) , 结果更为全面。此外, 为了展示和应用的便利性, 借助多元随机变量抽样技术从联合概率密度函数抽样形成包含风电功率动态时空关联信息的多维场景集合, 可直接用于机组组合或经济调度问题建模。
1 风电功率边际概率密度预测
1.1 数据描述
本文以某地区3座实际风电场为研究对象进行预测模型构建, 风电场分别标记为wf1, wf2和wf3, 其相对位置如图1所示。
NWP提供小时平均风速和风向数据。为建立输入变化量与输出变化量的映射关系, 对所有数据进行归一化处理。其中, 风速数据利用历史记录最大值进行归一化, 风向数据取其正弦值和余弦值, 而风电功率数据利用风电场装机容量Pn进行归一化。
1.2 边际概率密度预测方法
联合概率密度函数是多元随机变量的概率分布函数。分析多元随机变量的联合概率密度函数时, 各组成随机变量自身的概率密度函数被称为边际概率密度函数, 或边缘概率密度函数[20]。本文中的各风电场在各预测时段的输出功率预测误差, 组成了本文待预测的多维随机变量。本文采用分步式预测方法对多风电场多时段风电功率的联合概率密度函数进行预测。此处, 首先构建各风电场单时段输出功率边际概率密度函数的预测方法, 方法结构如图2所示。
如图2所示, 本文风电功率边际概率密度预测方法由单点值预测、预测误差分布预测与风电功率分布预测3部分组成, 其过程描述如下。
1) 基于SVM的风电功率单点值预测
SVM是一种被广泛采用的单点值预测方法, 其通过非线性核函数, 将输入样本空间映射到高维线性特征空间, 具有处理高度非线性回归问题的能力[21]。SVM回归预测模型可表示为:
式中:youtput为待预测随机变量;xinput为输入向量;xi为训练样本中的输入向量;K (·) 为核函数, 本文采用高斯核函数形式;I为训练样本总数;wi和w0均为权重系数;ε为误差项。
执行过程中, 首先利用输入输出样本数据 (此处通过相关性分析, 选取NWP风速、风向数据和风电功率历史数据为输入, 预测时刻风电功率的实际值为输出) 对SVM进行训练, 得到权重系数。预测过程中, 运用SVM根据NWP数据及风电功率历史数据对风电功率单点值进行预测[22]。
2) 基于SBL的SVM预测误差概率密度预测
通过SVM对测试样本集合的测试预测, 可以得到预测误差样本集, 利用此误差样本数据结合对应NWP数据, 可以对SVM预测误差进行规律分析, 并对SBL学习机进行训练, 形成对SVM预测误差的概率密度预测能力。SBL模型同样是一种基于核函数构建的预测方法, 其回归模型形式与式 (1) 类似, 只是其中的权重因子, 被看做先验分布为正态分布的随机变量, 通过贝叶斯架构学习得到。预测过程中, 利用NWP结合预测误差历史值, 可以对目标时段的SVM预测误差作出分布预测, 给出SVM预测误差的期望值与方差。SBL原理可见Tipping原著[23], 应用于风电功率概率预测的建模细节可参见文献[13, 16]。
需要强调的是, 虽然SBL在每个时段给出的是正态分布的预测结果, 但对于多次重复预测, 其所提供的是一个高斯混合模型 (GMM) 预测结果, 该模型有足够多的参数, 可以对几乎任何形状的分布进行拟合。也就是说, 尽管风电预测误差的统计分布可能是非高斯的, 但这并不妨碍在每个考察瞬间对误差分布进行高斯假设。关于GMM的特点, 可参见文献[24]中的相关章节。
3) 误差修正, 给出风电功率概率密度预测结果
在上述两个步骤的基础上, 采用SBL预测的误差均值对SVM的单点值预测结果进行修正, 得到如下式所示的风电功率边际概率密度预测结果。
式中:t为预测执行时刻;k为前瞻时段数;为经过误差修正后的风电功率预测值;为风电功率波动方差;为SVM风电功率单点预测值;分别为SBL对误差分布预测所得的期望值和方差。
2 动态条件相关回归及联合概率密度预测
本文采用动态条件相关回归模型对SVM预测误差的相关性进行建模, 进而进行联合概率密度预测。在预测之前, 对SVM预测误差进行统计学分析, 以确定联合概率密度预测的必要性。
2.1 预测误差统计特性分析
互相关函数 (CCF) 常用来分析两个时间序列之间的相关关系。利用CCF分析风电场预测误差序列间的相关性, 可得出如下结论: (1) 风电场输出功率预测误差之间存在时域关联特性, 且随着滞后时段的增加, 相关程度逐渐下降; (2) 风电场输出功率预测误差之间存在空间互相关性, 相距较近的风电场预测误差序列之间相关性相对较强; (3) 风电场功率预测误差的空间相关性弱于时域相关性, 因此, 在SBL输入变量选择时, 没有采用相异风电场预测误差数据作为输入。
2.2 动态条件相关回归模型
上述分析结果说明风电功率SVM预测误差存在时空关联性, 而要在预测结果中反映相关信息, 需进行多元随机变量的联合概率密度预测。目前, 由边际概率分布形成联合概率分布的常用方法有相关系数估计法[16]与Copula函数法[25]。前者适用于描述边际分布为正态分布的线性相关关系, 优点在于多元正态分布是研究最广泛的分布形式, 结果的求取、理解、展示与应用较为方便, 当条件符合时, 有很好的实施效果;后者利用Copula函数, 根据各组成随机变量的累计概率分布函数, 形成多随机变量的联合累计概率分布函数。方法优点在于不需要假设边际分布形态, 可描述非线性相关关系, 适用范围更为广泛。
为确定采用何种方法, 对SVM预测误差绘制散点图, 确定相关关系类型, 分析细节见附录A。通过分析发现, SVM预测误差之间相关性具有明显的线性特征, 因而, 此处采用动态条件相关回归模型 (相关系数估计模型的一种) 来描述预测误差间的相关关系。当然, 预测误差的统计特征与风电场条件、预测方法密切相关, 若测试结果具有非线性特征, 则建议采用Copula方法进行相关性建模。
动态条件相关回归 (DCC) 是由Engle和Sheppard结合广义自回归条件异方差 (GARCH) 过程提出的, 方法具有良好的计算效率, 可以用来估计大规模时间序列之间的动态条件相关系数矩阵[26]。对风电预测误差序列进行DCC估计时, 将任一风电场每一时刻的功率预测误差视为单一随机变量, T个预测时段L座风电场形成K=TL维多元随机变量, DCC即为要估计此多元随机变量间的相关系数矩阵。
根据概率理论可知, 相关系数矩阵与协方差矩阵的关系为:
式中:Rt为相关系数矩阵, 为K×K阶对称阵, 对角线元素为1, 非对角元素绝对值小于1, 下标t为相关系数矩阵时间标;Qt为K×K阶协方差矩阵, 为正定阵;diag表示取对角阵运算, 实际表示各随机变量标准差对角阵的逆。
由式 (4) 可以看到, K阶预测误差随机变量相关系数矩阵可以通过相应协方差矩阵Qt求出。DCC通过回归方法动态获得时变的Qt, DCC (M, N) 回归模型可表示为:
式中:αm和βn为回归模型系数, 利用误差历史数据采用多元正态分布的极大似然估计方式得到, 具体细节见文献[27]第5节;M和L为回归模型阶数, 通过比对测试发现预测效果对阶数不敏感, 本文采用了DCC (1, 1) 模型;εt-m为t-m时刻的K维标准化残差列向量, 可表示为D-1t-mzt-m, 其中, zt-m为t-m时刻SBL对SVM误差预测的误差向量 (误差的误差) , 为K维列向量, Dt-m为SBL预测得到的SVM误差标准差对角阵;Q-为标准化残差的非条件协方差矩阵, 由统计得到, 统计公式为[27]
其中Ω为测试次数 (样本数量) 。
2.3 多风电场输出功率联合概率密度预测
结合1.2节求出的风电功率边际概率密度函数与2.2节动态条件相关回归所得到的相关系数矩阵, 可得未来T个时段L座风电场输出功率的联合概率密度函数:
式中:μt为K维风电功率期望值列向量;p^lt+k/t为风电场l前瞻k时段的输出功率期望值, 由式 (2) 得到;Σt为K×K阶输出功率波动的协方差矩阵;Dt为K×K阶对角阵, 对角元素为由式 (2) 得到的风电功率波动的标准差, Rt为K×K阶相关系数矩阵, 由式 (3) 得到, Dt及Rt的具体形式见附录B。
至此, 完成多风电场输出功率联合分布预测, 预测整体流程如图3所示。
3 算例分析
本文方法在单一风电场输出功率概率密度预测方法的基础上考虑动态时空关联特性, 对多风电场输出功率进行联合概率密度预测。方法的有效性可从3个方面来分析验证:期望值预测结果、边际概率密度预测结果, 以及包含时空相关性的联合概率密度预测结果。
测试对图1所示的3处风电场进行前瞻48h预测。将数据样本分为训练集、测试集和验证集, 大小分别为1 200, 1 000, 5 000个样本。首先, 利用训练集对各风电场的每个前瞻时段训练一台SVM学习机;其后, 利用SVM学习机对测试集进行前瞻48h的单点值预测, 得到单点值预测结果和预测误差样本;然后, 利用测试集的预测误差样本和对应的NWP数据训练用于边际分布预测的SBL学习机, 并利用误差样本及SBL预测结果, 形成动态条件相关回归模型;最后, 利用训练好的SVM和SBL对验证集进行前瞻48h的概率密度预测, 得到每个风电场输出功率的边际概率密度函数, 利用动态条件相关回归模型, 对相关系数矩阵进行动态估计, 最终给出多风电场在多个前瞻时段内的联合概率密度预测结果。
3.1 期望值预测精度分析
对于期望值预测结果, 将本文方法与自回归方法AR (1) [13]和经典SVM方法预测结果进行比较, 评价指标为归一化平均绝对误差 (NMAE) [13]。前瞻48h的平均NMAE指标如表1所示。从表中可以看出, 本文方法的NMAE指标较AR (1) 方法, 3座风电场平均降低了15.08%, 而较经典SVM方法平均降低了6.2%, 说明了本文方法在期望值预测上的有效性。
3.2 分布预测合理性分析
本文采用多种概率式评价指标对预测误差正态分布假设以及预测结果进行合理性分析, 包括:预测分布失真率、边缘标度、中心概率区间, 以及连续排名概率得分等[13,28]。
为形成直观印象, 图4首先给出了利用本文方法对wf1的一次预测结果。预测时刻为0时, 对未来48h进行预测。图中:Pw为风电场输出功率;红线为风电场输出功率测量值, 带圈黑线为预测期望值, 绿色和蓝色的误差带分别代表误差带 (置信水平为68.27%) 和误差带 (置信水平为95.45%) 。从图中可以看出, 真实值绝大部分时段落在误差带内, 极个别超过误差带之外, 说明对误差的分布预测结果较为合理。
进而, 进行预测效果的量化评估。首先利用文献[13]中预测分布失真率指标进行测试, 指标定义及区间划分见附录C。将本文方法与文献[9]中经验误差统计方法进行比较, 表2给出了48h平均预测分布失真率指标比较结果。可以看出, 对wf3, 两种方法的预测分布失真率相当, 而对其他两座风电场, 本文方法较经验误差统计方法的失真率都要小, 进一步说明了本文方法对误差分布预测的合理性。
边缘标度指标用来评价经验累积分布函数与预测累积分布函数的等价性, 其值越靠近零说明分布函数预测结果越接近真实的分布函数。经验累积分布函数可以用平均指示函数表示:
式中:下标k表示进行前瞻k小时预测测试;N为总预测实验次数;pk, n为第n次实验的风电功率测量值;p为风电功率随机变量;1{·}为指示函数, 大括号中条件成立时, 函数值取1。
而预测的累积分布函数可以用整个验证集的平均预测累积分布函数表示:
式中:为前瞻k时段的平均预测累积分布函数;Fk, n (p) 为第n次前瞻k时段预测得到的风电功率累积分布函数。
边缘标度指标可以表示为p的函数:
图5给出了本文方法与经验误差统计方法前瞻1h边际分布预测结果的边缘标度指标 (p从0变化到100%Pn) , 图中实线与点划线分别代表由本文方法和经验误差统计方法得到的边缘标度值。可知, 本文方法得到的风电功率分布函数与经验误差统计方法相比, 更接近真实的风电功率概率分布。
衡量概率预测效果的另一个重要指标在于预测误差带的宽窄。预测误差带越窄意味着概率式预测效果越好, 结果对调度决策的指导意义越强。本文方法与经验误差统计方法前瞻1~48h的50%中心概率区间和90%中心概率区间如图6所示。从图中可以看出, 两种方法1h前瞻预测结果的50%中心概率区间和90%中心概率区间相当, 而其余时段, 由本文方法预测得到的中心概率区间显著小于由经验误差统计方法预测得到的中心概率区间, 体现了本文方法的有效性。
连续排名概率得分指标是评价概率式预测性能的综合指标, 其值越小说明方法预测性能越好。本文方法与经验误差统计方法的连续排名概率得分指标统计结果见附录C图C1。可知, 本文方法对3座风电场所有前瞻时段的概率式预测性能均优于经验误差统计方法。
3.3 联合概率密度预测合理性分析
利用动态条件相关回归模型预测得到相关系数矩阵。相关系数矩阵包含了3座风电场前瞻48h输出功率预测误差之间的相关性信息。结合相关系数矩阵和风电场输出功率的边际概率密度预测结果, 可形成风电功率的联合概率密度函数。由于联合概率密度函数维数较高, 为了展示和应用方便, 采用多元随机变量抽样技术形成多维场景集[16]。
根据单次联合概率密度预测结果形成的场景集合 (抽取50次场景, 每次场景包括3座风电场在48h内的连续变化) 如图7所示。
图中:带圈红色粗线为风电场输出功率真实值。所形成场景包含了风电功率的时空关联特性, 可以看出所形成的场景集合能够包含绝大部分的真实值, 且趋势相似。
为了量化评估联合概率密度预测结果, 并验证时空关联信息的效用, 本文采用能量分数指标Es对包含与不包含时空关联特性的两类场景集合进行比较。Es指标是评价场景可靠性的一种常用指标, 值越小说明所形成场景越合理[29]。Es指标表达式为:
式中:V为形成场景个数;P为风电功率量测值列向量;S (u) 与S (v) 分别为由预测结果抽样得到的第u和第v个场景。
在测试中, 形成不包含关联特性的场景集合时, 只需将相关系数矩阵设置为单位阵即可。容量为2 000次的3类场景集合Es指标比较结果如表3所示。其中, Et对应采用本文边际分布预测方法但不包含时空关联信息的Es指标结果;Rt对应采用本文边际分布预测方法且包含关联信息的Es指标结果;Et*对应采用误差统计方法得到边际分布且不包含关联特性的Es指标结果。从表中可知, 包含时空关联特性所形成的场景集Es值小于不包含时空关联特性所形成的场景集Es值, 说明考虑时空关联特性所形成的场景集合更加符合实际情况。
4 结语
本文提出了一种多风电场短期输出功率的联合概率密度预测方法。该方法不仅能够提供单一风电场输出功率的均值与方差信息, 而且能够定量描述风电场输出功率预测误差在时空间的动态关联特性, 使预测结果更加符合实际, 为含有风电场电力系统的调度决策提供更加丰富的决策信息。算例分析利用实际风电场运行数据, 采用多方位评判指标对所提出的方法进行了分析与验证。结果表明, 本文方法所采用的误差修正技术能够显著提高风电场输出功率的单值预测精度;采用的SBL误差概率分布预测方法所得到的预测结果合理, 各项指标均明显优于历史误差统计方法;通过加入时空关联信息, 使抽样得到的风电场输出功率场景集合能够更为准确地刻画风电功率的真实变化情况。上述测试结果表明了本文方法的有效性。
附录见本刊网络版 (http://www.aeps-info.com/aeps/ch/index.aspx) 。
摘要：提出一种多风电场短期输出功率的联合概率密度预测方法。首先利用支持向量机对每座风电场的输出功率进行单点值预测, 对预测误差建立稀疏贝叶斯学习模型进行误差的概率密度预测, 得到单一风电场输出功率的边际概率密度函数预测结果;对多风场输出功率预测误差特性进行统计分析, 发现同一区域内, 风电场输出功率预测误差之间存在线性时空关联特性, 进而运用动态条件相关回归模型求得相关系数矩阵, 定量描述多风电场短期输出功率预测误差之间的动态时空相关关系;最后, 综合单一风电场输出功率边际概率密度预测结果和相关系数矩阵得到多风电场输出功率的联合概率密度函数, 并借助多元随机变量抽样技术形成包含动态时空关联特性的多维场景。通过实例分析, 表明了所提出方法的有效性。
短期发电功率 篇7
随着全球气温变暖和化石燃料一次性能源的逐渐枯竭,可再生能源的利用在世界范围内受到普遍的重视。风力发电作为一种重要的可再生能源,近年来得到了较快发展[1]。风力发电机组的出力具有间歇性和不确定性。风电场建设规模的不断扩大、风电场数量的不断增加以及风电装机容量在电力系统中所占比例的不断提高给电力系统的安全与经济运行带来了新的挑战。电力系统运行的不确定性因素增多,调度的难度随之增大。如果能够对风电机组的出力作比较准确的预测,这对提前制定适当的发电调度计划,进而维持电力系统的安全和经济运行具有重要的意义。
到目前为止,国内外对于与风力发电相关的课题已经做了相当多的研究工作,但在风电机组输出功率预测方面的研究还没有达到期望的水平,预测精度还有待提高。已经提出的风电场风速和功率预测方法较多,包括统计法、卡尔曼滤波法、时间序列法(ARMA)、神经网络法(ANN)、模糊逻辑法(Fuzzy Logic)、功率观测器、空间相关性法(Spatia correlation)[2,3,4,5,6,7,8,9,10,11,12,13,14]等。
人工神经元网络(ANN)可以通过学习来抽取和逼近输入输出之间存在的非线性关系。因此,基于人工神经网络的风速和风电场出力预测方法成为近几年研究的热点。目前,主要采用BP神经网络、局部反馈性神经网络等。虽然其结果与实测值在总体趋势上较吻合,但数值误差仍比较大。BP神经网络函数逼近时,权值的调节采用的是负梯度下降法,收敛速度慢且容易陷入局部极小点。研究表明,径向基函数(RBF)神经网络的逼近精度明显高于BP神经网络,且不存在局部最小问题,不需要事先确定隐含层的单元个数,并在逼近能力、分析能力和学习速度等方面均明显优于BP神经网络。因此,本文利用RBF神经网络对风电场的出力做预测。
风电功率预测按时间可以分为:长期预测、中期预测、短期预测、超短期预测[6,7]。本文着重风电场的短期预测。根据从广东某风力发电场获得的相关数据,运用RBF神经网络对风电功率进行短期预测,并将预测结果与实际数据进行了比较。
1 RBF神经网络基本理论
RBF神经网络具有较强的输入、输出映射功能;并且理论上已经证明,在前向网络中RBF网络是完成映射功能的最优网络,同时又能保持非线性算法的高精度特征。因此,RBF网络既具有线性算法收敛的特征,同时又具有非线性算法的准确性高等特点。它以其简单的结构、快速的训练过程和良好的推广能力等诸多优点,在许多应用领域取得了成功。
1.1 RBF神经网络模型
RBF神经网络属于前向网络,由输入层、隐含层和输出层构成的一般径向基神经网络结构如图1所示。输入层仅仅起到传输信号的作用。隐含层是对激活函数(格林函数或高斯函数,一般取高斯)的参数进行调整,采用的是非线性优化策略。输出层是对线性权进行调整,一般采用线性优化策略[11,12]。
1.2 RBF网络的学习算法
RBF神经网络学习算法需要求解的参数有3个:基函数的中心、方差以及隐含层到输出层的权值。径向基神经网络中常用的径向基函数是高斯函数,因此径向基神经网络的激活函数可表示为
式中:||xp-ci||为欧氏范数;c为高斯函数的中心;σ为高斯函数的方差。
由图1的径向基神经网络的结构可得到网络的输出为
式中:xp=(x 1p,x 2p,,x mp)T为第p个输入样本;p=1,2,…,P,P表示样本总数;ic为网络隐含层节点的中心;wij为隐含层到输出层的连接权值;i=1,2,…,h为隐含层的节点数;yj为与输入样本对应的网络的第j个输出节点的实际输出。
设d是样本的期望输出值,那么基函数的方差可表示为
具体的学习算法见参考文献[15]。
2 模型建立
2.1 样本数据的选取
以广东某风力发电场单机容量为600 k W的异步风力发电机组为例,对该风机的短期电功率输出进行预测,只需要考虑风电功率的日周期性。风电场风速是一个随许多因素变化的非线性函数,对风力发电机的输出功率影响最大。此外,风力发电机的功率曲线还受空气密度的影响,而空气密度主要受温度等气象因素影响。考虑到风机本身有偏航系统,可以实现自动对风,所以这里没有考虑风向对风电场出力的影响。针对所要研究的风电功率,选取了前一时间段风机的电功率输出、环境温度和后一时间段的风速作为网络训练样本的输入。
2.2 样本的归一化处理
在实际问题中一般有多个输入参数,而每个输入的量纲可能不一样,数量级也不相同,同时系统又非线性,当数据在远离0的区域里学习时,学习速度慢,甚至于不收敛,因此需要对样本数据进行归一化处理。即将输入数据映射到[-1,1]之间,训练结束后,将输出结果再反映射到原数据范围进行反归一化,则可得到真实数据。
2.3 RBF网络模型
假设已知时间序列pi={p i|pi∈R,i=1,2,…,T},要通过序列的前N个时刻值预测后M个时刻值,可将每个样本的前N个值作为RBF神经网络的输入,后M个值作为目标输出,通过学习,实现从输入空间RN到输出空间的RM的映射。
训练网络:
样本输入RN目标输出RM
预测结果:
输入空间RN输出空间RM
3 预测结果及分析
为验证所建立预测模型的有效性,以广东某风力发电场2009年的数据为样本,预测1 h后的风电功率。考虑到风电场各类运行数据测量的时间间隔为2 min,所以每小时每类数据个数就有30个,在1 h内将每6 min的数据求取平均值,则获得每小时的10个数据。在实际建模过程中,选取了60 h的运行数据作为训练样本进行预测,得到图2的预测曲线。
为了定量地判断模型的有效性,采用相对百分误差(RPE)和平均绝对百分误差(MAPE)来分析预测结果,计算公式如下:
式中:为预测功率值;ip为实测功率值;N为预测数据的个数。
基于上述公式,可以得到如图3所示的连续96小时进行提前1 h风电功率预测时的RPE分布图。从图中可知预测误差小于20%的点数为82,占总预测点数的85%。也就是说还有15%的预测误差是大于20%的。通过将原始数据对比分析发现,这些预测误差大的点都是含有错误数据的点(主要包括风机正常或非正常停机数据、风机测风仪器故障数据等)。因此需要对这些错误的原始数据进行预处理。表1分别为对连续的24 h、48 h、72 h和96 h进行1 h后风机出力预测时的MAPE。预测误差在12%附近,优于以往的预测结果[7]。
4 结语
建立了以风速、温度和历史风机出力为输入来预测风电场出力的RBF神经网络预测模型,并用广东某风电场2009年的实测数据进行了大量预测。预测精度较高。需要指出,在风电功率预测时要特别注意剔除错误数据,以保证较高的预测精度。
摘要：准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义。从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数(RadialBasisFunction,RBF)神经元网络的短期风电功率预测模型。运用该模型进行了1h后的风电输出功率预测,预测误差在12%附近。通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定。