本發(fā)明屬于棄風(fēng)電量評估技術(shù)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法。

背景技術(shù)：

伴隨著風(fēng)力發(fā)電技術(shù)的逐漸成熟，風(fēng)電受到了國家可再生能源發(fā)展的高度重視，大規(guī)模的風(fēng)電場已逐漸并網(wǎng)，風(fēng)電已成為我國繼火電和水電之后第三大主力電源。然而，由于風(fēng)電的大規(guī)?？焖贌o序投運，電網(wǎng)架構(gòu)建設(shè)相對滯后，電力系統(tǒng)中的快速可調(diào)節(jié)電源配合不協(xié)調(diào)，風(fēng)資源的不可控性、間歇性以及電力系統(tǒng)中的快速可調(diào)電源容量的局限性，造成電網(wǎng)對風(fēng)電的接納能力受限，故導(dǎo)致棄風(fēng)情況越來越多。

風(fēng)電的不穩(wěn)定性和隨機性造成對棄風(fēng)電量的評估難度增加，使得棄風(fēng)電量存在偏差問題。棄風(fēng)電量評估的準確度對未來的風(fēng)電研發(fā)產(chǎn)生很大影響。棄風(fēng)不利于風(fēng)電資源的最優(yōu)化利用。因此，準確地評估棄風(fēng)電量已成為現(xiàn)代電力系統(tǒng)企業(yè)和風(fēng)電企業(yè)開展評估工作的一項重要課題。

目前國內(nèi)對風(fēng)電棄風(fēng)電量評估方法的研究相對較少，諸多研究重點均放在風(fēng)電消納能力和電網(wǎng)調(diào)度調(diào)峰、調(diào)潮流。綜合國內(nèi)現(xiàn)有的研究結(jié)果，目前針對風(fēng)電場棄風(fēng)電量的評估方法主要有樣板機法、預(yù)測曲線法、計劃曲線法、功率曲線法、面積積分法5種。然后，這五種方法均具有以下問題：如果需要對風(fēng)電場棄風(fēng)電量進行評估，必須首先知道每個時段風(fēng)電的理論功率的大小，但在實際應(yīng)用中，由于風(fēng)電出力具有隨機性，風(fēng)電場的理論出力數(shù)據(jù)很難得到，由此導(dǎo)致棄風(fēng)電量計算誤差很大，因此，尋求行之有效的棄風(fēng)電量評估方法迫在眉睫。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法，可有效解決上述問題。

本發(fā)明采用的技術(shù)方案如下：

本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法，包括以下步驟：

步驟1，建立bp神經(jīng)網(wǎng)絡(luò)模型；所述bp神經(jīng)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層；其中，輸入層的神經(jīng)元個數(shù)為n，隱含層的神經(jīng)元個數(shù)為l，輸出層的神經(jīng)元個數(shù)為m；任意輸入層神經(jīng)元為xi，i∈(1、2…n)；任意隱含層神經(jīng)元為hj，j∈(1、2…l)；任意輸出層神經(jīng)元為ok，k∈(1、2…m)；

步驟2，初始化bp神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)，包括：學(xué)習(xí)速率μ、輸入層到隱含層的權(quán)重wij、隱含層到輸出層的權(quán)重wjk、輸入層到隱含層的偏置數(shù)aj、隱含層到輸出層的偏置數(shù)bk以及激勵函數(shù)t(x)；其中，輸入層到隱含層的權(quán)重wij、隱含層到輸出層的權(quán)重wjk、輸入層到隱含層的偏置數(shù)aj、隱含層到輸出層的偏置數(shù)bk初始化值為(-1,1)內(nèi)的隨機數(shù)；

其中：輸入層到隱含層的權(quán)重wij含義為：任意的輸入層神經(jīng)元xi到任意的隱含層神經(jīng)元hj之間的權(quán)重；隱含層到輸出層的權(quán)重wjk含義為：任意的隱含層神經(jīng)元hj到任意的輸出層神經(jīng)元ok之間的權(quán)重；輸入層到隱含層的偏置數(shù)aj含義為：各輸入層神經(jīng)元到任意的隱含層神經(jīng)元hj的偏置數(shù)；隱含層到輸出層的偏置數(shù)bk含義為：各隱含層神經(jīng)元到任意的輸出層神經(jīng)元ok的偏置數(shù)

步驟3，獲取訓(xùn)練樣本數(shù)據(jù)；其中，所述訓(xùn)練樣本數(shù)據(jù)為單臺風(fēng)機歷史運行狀態(tài)的三維數(shù)據(jù)，包括：風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度；

采用所述訓(xùn)練樣本數(shù)據(jù)，基于步驟2中的初始化bp神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)，對所述bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型；

其中，采用以下方法對所述bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練：

步驟3.1，輸入層包括三個神經(jīng)元，每個輸入層神經(jīng)元分別為處于發(fā)電狀態(tài)風(fēng)機的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度；

采用以下公式計算隱含層神經(jīng)元hj的輸出值：

再采用以下公式計算輸出層神經(jīng)元ok的輸出值：

步驟3.2，定義損失函數(shù)如下：

其中：yk為輸出層神經(jīng)元的期望輸出值，初始值為每個訓(xùn)練樣本數(shù)據(jù)對應(yīng)的歷史實際有功功率值；e為偏差值；

令ek＝y(tǒng)k-ok，ek為第k個輸出層神經(jīng)元對應(yīng)的偏差值；

則e可以表示為：

將步驟3.2計算得到的輸出層神經(jīng)元ok的輸出值代入損失函數(shù)，計算得到偏差值e；

步驟3.3，判斷偏差值e是否滿足要求，若滿足要求，轉(zhuǎn)到步驟3.10；若不滿足要求，轉(zhuǎn)步驟3.4；

步驟3.4，采用下式計算隱含層到輸出層的權(quán)重調(diào)整量為：

δwjk(q+1)＝(1-γ)hjek+γδwjk(q)

其中：

其中：γ為權(quán)值慣性系數(shù)，eq和eq-1分別為第q和q-1次訓(xùn)練誤差；δwjk(q)為第q次訓(xùn)練時隱含層神經(jīng)元hj到輸出層神經(jīng)元ok的權(quán)重調(diào)整量；δwjk(q+1)為第q+1次訓(xùn)練時隱含層神經(jīng)元hj到輸出層神經(jīng)元ok的權(quán)重調(diào)整量；

步驟3.5，再采用下式計算輸入層到隱含層的權(quán)重調(diào)整量為：

其中：γ為權(quán)值慣性系數(shù)；δwij(q)為第q次訓(xùn)練時輸入層神經(jīng)元xi到隱含層神經(jīng)元hj的權(quán)重調(diào)整量；δwij(q+1)為第q+1次訓(xùn)練時輸入層神經(jīng)元xi到隱含層神經(jīng)元hj的權(quán)重調(diào)整量；

步驟3.6，采用下式計算偏置數(shù)bk的更新值：

bk＝bk+μek

步驟3.7，采用下式計算偏置數(shù)ak的更新值：

步驟3.8，因此，采用步驟3.4計算得到的隱含層到輸出層的權(quán)重調(diào)整量、步驟3.5計算得到的輸入層到隱含層的權(quán)重調(diào)整量、步驟3.6計算得到的偏置數(shù)bk的更新值以及步驟3.7計算得到的偏置數(shù)ak的更新值優(yōu)化調(diào)整前一次訓(xùn)練得到的bp神經(jīng)網(wǎng)絡(luò)模型的對應(yīng)參數(shù)，由此得到更新后的bp神經(jīng)網(wǎng)絡(luò)模型；

步驟3.9，基于步驟3.8得到的更新后的bp神經(jīng)網(wǎng)絡(luò)模型，返回步驟3.1，

步驟3.10，得到訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型；

步驟4，風(fēng)場中存在多臺風(fēng)機，每臺風(fēng)機包括以下9種狀態(tài)，分別為待風(fēng)狀態(tài)、發(fā)電狀態(tài)、降額發(fā)電狀態(tài)、計劃停運狀態(tài)、非計劃停運狀態(tài)、調(diào)度停運狀態(tài)、通訊中斷狀態(tài)、場內(nèi)受累停運狀態(tài)和場外受累停運狀態(tài)；根據(jù)每臺風(fēng)機的歷史運行數(shù)據(jù)，均可訓(xùn)練得到該風(fēng)機對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型；

因此，如果單臺風(fēng)機i處于降額發(fā)電狀態(tài)或和調(diào)度停運狀態(tài)，則將單臺風(fēng)機i在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，得到單臺風(fēng)機i在時刻t的理論有功出力p理論.t.i；再獲得單臺風(fēng)機i在時刻t的實際有功出力p實際.t.i，依據(jù)下式計算得到單臺風(fēng)機i在時刻t的場外棄風(fēng)電量q場外.t.i：

因此，將時刻t時風(fēng)場j中的所有處于降額發(fā)電狀態(tài)或和調(diào)度停運狀態(tài)的單臺風(fēng)機的場外棄風(fēng)電量求和，得到時刻t時的風(fēng)場j全場場外棄風(fēng)電量q場外.t.j；

如果單臺風(fēng)機i處于待風(fēng)狀態(tài)、發(fā)電狀態(tài)、計劃停運狀態(tài)、非計劃停運狀態(tài)、通訊中斷狀態(tài)、場內(nèi)受累停運狀態(tài)和場外受累停運狀態(tài)時，則將單臺風(fēng)機i

在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，得到單臺風(fēng)機i在時刻t的理論有功出力p理論.t.i；再獲得單臺風(fēng)機i在時刻t的實際有功出力p實際.t.i，依據(jù)下式計算得到單臺風(fēng)機i在時刻t的場內(nèi)棄風(fēng)電量q場內(nèi)t.i：

因此，將時刻t時風(fēng)場j中的所有處于待風(fēng)狀態(tài)、發(fā)電狀態(tài)、計劃停運狀態(tài)、非計劃停運狀態(tài)、通訊中斷狀態(tài)、場內(nèi)受累停運狀態(tài)和場外受累停運狀態(tài)的單臺風(fēng)機的場內(nèi)棄風(fēng)電量求和，得到時刻t時的風(fēng)場j全場場內(nèi)棄風(fēng)電量q場內(nèi).t.j；

將時刻t時的風(fēng)場j全場場外棄風(fēng)電量q場外.t.j和時刻t時的風(fēng)場j全場場內(nèi)棄風(fēng)電量q場內(nèi).t.j求和，得到時刻t時的風(fēng)場j全場棄風(fēng)電量值。

優(yōu)選的，輸入層的神經(jīng)元個數(shù)為3個；輸出層的神經(jīng)元個數(shù)為1個。

優(yōu)選的，步驟3中，訓(xùn)練樣本數(shù)據(jù)為歸一化后的訓(xùn)練樣本數(shù)據(jù)，

歸一化計算方式為：

其中：xmax，xmin分別為實際變量的最大值和最小值，x^*為歸一化后的值，x為實際值。

優(yōu)選的，步驟4中，將單臺風(fēng)機i在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，得到單臺風(fēng)機i在時刻t的理論有功出力p理論.t.i，具體為：

將單臺風(fēng)機i在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，bp神經(jīng)網(wǎng)絡(luò)模型輸出的理論有功出力進行反歸一化計算，才得到理論有功出力p理論.t.i；

反歸一化計算方式：

x＝x^*×(xmax-xmin)+xmin。

本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法具有以下優(yōu)點：

能夠簡單、快速、精確的評估得到風(fēng)電場棄風(fēng)電量，從而有利于電力網(wǎng)絡(luò)調(diào)度中心進行更好地調(diào)峰、調(diào)潮流。

附圖說明

圖1為本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法的流程示意圖；

圖2為風(fēng)電場實際風(fēng)速與風(fēng)功率關(guān)系。

圖3為某風(fēng)場實際功率曲線及理論出力曲線圖。

圖4為實際及理論功率曲線效果對比圖。

具體實施方式

為了使本發(fā)明所解決的技術(shù)問題、技術(shù)方案及有益效果更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

術(shù)語解釋：

1、風(fēng)電棄風(fēng)電量：

風(fēng)機在對應(yīng)風(fēng)速下理論應(yīng)發(fā)電量減去風(fēng)機實際上網(wǎng)發(fā)電量即為棄風(fēng)電量。

2、風(fēng)電單機：

風(fēng)電場由若干臺獨立的風(fēng)力發(fā)電機組成，每臺風(fēng)力發(fā)電機包含風(fēng)速、有功、狀態(tài)等眾多相關(guān)信息，每臺風(fēng)機及其所屬信息視為一個風(fēng)電單機對象。

本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法，包括以下步驟：

本發(fā)明提供的bp神經(jīng)網(wǎng)絡(luò)，為一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，學(xué)習(xí)規(guī)則是使用梯度下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。bp算法(反向傳播算法)的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，使各層權(quán)值不斷調(diào)整，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

學(xué)習(xí)的過程：神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。

學(xué)習(xí)的本質(zhì)：對各連接權(quán)值的動態(tài)調(diào)整。

學(xué)習(xí)規(guī)則：權(quán)值調(diào)整規(guī)則，即在學(xué)習(xí)過程中網(wǎng)絡(luò)中各神經(jīng)元的連接權(quán)變化所依據(jù)的一定的調(diào)整規(guī)則。

核心思想：將輸出誤差以某種形式通過隱層向輸入層逐層反傳。

步驟1，建立bp神經(jīng)網(wǎng)絡(luò)模型；所述bp神經(jīng)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層；其中，輸入層的神經(jīng)元個數(shù)為n，隱含層的神經(jīng)元個數(shù)為l，輸出層的神經(jīng)元個數(shù)為m；任意輸入層神經(jīng)元為xi，i∈(1、2…n)；任意隱含層神經(jīng)元為hj，j∈(1、2…l)；任意輸出層神經(jīng)元為ok，k∈(1、2…m)；

針對本發(fā)明中，bp神經(jīng)網(wǎng)絡(luò)模型的拓撲結(jié)構(gòu)包括三層，即一個輸入層、一個隱含層和一個輸出層；其中，輸入層包含三個神經(jīng)元，隱含層包含15個神經(jīng)元(試驗測試得誤差最小)，輸出層含有一個神經(jīng)元。

隱含層采用log-sigmod函數(shù)，采用n折交叉驗證方式對模型性能進行測試，標準誤差設(shè)定為0.01％，訓(xùn)練次數(shù)上限設(shè)為5000次，若誤差小于0.01％或者訓(xùn)練次數(shù)達到上限5000次，視為訓(xùn)練結(jié)束。

步驟2，初始化bp神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)，包括：學(xué)習(xí)速率μ、輸入層到隱含層的權(quán)重wij、隱含層到輸出層的權(quán)重wjk、輸入層到隱含層的偏置數(shù)aj、隱含層到輸出層的偏置數(shù)bk以及激勵函數(shù)t(x)；其中，輸入層到隱含層的權(quán)重wij、隱含層到輸出層的權(quán)重wjk、輸入層到隱含層的偏置數(shù)aj、隱含層到輸出層的偏置數(shù)bk初始化值為(-1,1)內(nèi)的隨機數(shù)；

其中：輸入層到隱含層的權(quán)重wij含義為：任意的輸入層神經(jīng)元xi到任意的隱含層神經(jīng)元hj之間的權(quán)重；隱含層到輸出層的權(quán)重wjk含義為：任意的隱含層神經(jīng)元hj到任意的輸出層神經(jīng)元ok之間的權(quán)重；輸入層到隱含層的偏置數(shù)aj含義為：各輸入層神經(jīng)元到任意的隱含層神經(jīng)元hj的偏置數(shù)；隱含層到輸出層的偏置數(shù)bk含義為：各隱含層神經(jīng)元到任意的輸出層神經(jīng)元ok的偏置數(shù)

步驟3，獲取訓(xùn)練樣本數(shù)據(jù)；其中，所述訓(xùn)練樣本數(shù)據(jù)為單臺風(fēng)機歷史運行狀態(tài)的三維數(shù)據(jù)，包括：風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度；

例如，可選取單臺風(fēng)機全年每個時刻點運行數(shù)據(jù)(分鐘級)為樣本數(shù)據(jù)，輸入特征為風(fēng)速、風(fēng)向、空氣密度，輸出特征為理論有功功率值。

采用所述訓(xùn)練樣本數(shù)據(jù)，基于步驟2中的初始化bp神經(jīng)網(wǎng)絡(luò)模型的基本參數(shù)，對所述bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型；

其中，采用以下方法對所述bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練：

步驟3.1，輸入層包括三個神經(jīng)元，每個輸入層神經(jīng)元分別為處于發(fā)電狀態(tài)風(fēng)機的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度；

采用以下公式計算隱含層神經(jīng)元hj的輸出值：

再采用以下公式計算輸出層神經(jīng)元ok的輸出值：

步驟3.2，定義損失函數(shù)如下：

其中：yk為輸出層神經(jīng)元的期望輸出值，初始值為每個訓(xùn)練樣本數(shù)據(jù)對應(yīng)的歷史實際有功功率值；e為偏差值；

令ek＝y(tǒng)k-ok，ek為第k個輸出層神經(jīng)元對應(yīng)的偏差值；

則e可以表示為：

將步驟3.2計算得到的輸出層神經(jīng)元ok的輸出值代入損失函數(shù)，計算得到偏差值e；

步驟3.3，判斷偏差值e是否滿足要求，若滿足要求，轉(zhuǎn)到步驟3.10；若不滿足要求，轉(zhuǎn)步驟3.4；

步驟3.4，首先對隱含層到輸出層權(quán)值處理，為了使誤差最小，利用梯度下降法，對誤差的權(quán)值求偏導(dǎo)。

因此，采用下式計算隱含層到輸出層的權(quán)重調(diào)整量為：

δwjk(q+1)＝(1-γ)hjek+γδwjk(q)

其中：

其中：γ為權(quán)值慣性系數(shù)，eq和eq-1分別為第q和q-1次訓(xùn)練誤差；δwjk(q)為第q次訓(xùn)練時隱含層神經(jīng)元hj到輸出層神經(jīng)元ok的權(quán)重調(diào)整量；δwjk(q+1)為第q+1次訓(xùn)練時隱含層神經(jīng)元hj到輸出層神經(jīng)元ok的權(quán)重調(diào)整量；

步驟3.5，輸入層到隱含層權(quán)重處理，對其權(quán)值求偏導(dǎo)。

上式中：

因此，采用下式計算輸入層到隱含層的權(quán)重調(diào)整量為：

其中：γ為權(quán)值慣性系數(shù)；δwij(q)為第q次訓(xùn)練時輸入層神經(jīng)元xi到隱含層神經(jīng)元hj的權(quán)重調(diào)整量；δwij(q+1)為第q+1次訓(xùn)練時輸入層神經(jīng)元xi到隱含層神經(jīng)元hj的權(quán)重調(diào)整量；

步驟3.6，偏置數(shù)的更新：

采用下式計算偏置數(shù)bk的更新值：

bk＝bk+μek

步驟3.7，

上式中：

采用下式計算偏置數(shù)ak的更新值：

步驟3.8，因此，采用步驟3.4計算得到的隱含層到輸出層的權(quán)重調(diào)整量、步驟3.5計算得到的輸入層到隱含層的權(quán)重調(diào)整量、步驟3.6計算得到的偏置數(shù)bk的更新值以及步驟3.7計算得到的偏置數(shù)ak的更新值優(yōu)化調(diào)整前一次訓(xùn)練得到的bp神經(jīng)網(wǎng)絡(luò)模型的對應(yīng)參數(shù)，由此得到更新后的bp神經(jīng)網(wǎng)絡(luò)模型；

步驟3.9，基于步驟3.8得到的更新后的bp神經(jīng)網(wǎng)絡(luò)模型，返回步驟3.1，

步驟3.10，得到訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型；

步驟4，風(fēng)場中存在多臺風(fēng)機，每臺風(fēng)機包括以下9種狀態(tài)，分別為待風(fēng)狀態(tài)、發(fā)電狀態(tài)、降額發(fā)電狀態(tài)、計劃停運狀態(tài)、非計劃停運狀態(tài)、調(diào)度停運狀態(tài)、通訊中斷狀態(tài)、場內(nèi)受累停運狀態(tài)和場外受累停運狀態(tài)；根據(jù)每臺風(fēng)機的歷史運行數(shù)據(jù)，均可訓(xùn)練得到該風(fēng)機對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型；

因此，如果單臺風(fēng)機i處于降額發(fā)電狀態(tài)或和調(diào)度停運狀態(tài)，則將單臺風(fēng)機i在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，得到單臺風(fēng)機i在時刻t的理論有功出力p理論.t.i；再獲得單臺風(fēng)機i在時刻t的實際有功出力p實際.t.i，依據(jù)下式計算得到單臺風(fēng)機i在時刻t的場外棄風(fēng)電量q場外.t.i：

因此，將時刻t時風(fēng)場j中的所有處于降額發(fā)電狀態(tài)或和調(diào)度停運狀態(tài)的單臺風(fēng)機的場外棄風(fēng)電量求和，得到時刻t時的風(fēng)場j全場場外棄風(fēng)電量q場外.t.j；

如果單臺風(fēng)機i處于待風(fēng)狀態(tài)、發(fā)電狀態(tài)、計劃停運狀態(tài)、非計劃停運狀態(tài)、通訊中斷狀態(tài)、場內(nèi)受累停運狀態(tài)和場外受累停運狀態(tài)時，則將單臺風(fēng)機i

在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，得到單臺風(fēng)機i在時刻t的理論有功出力p理論.t.i；再獲得單臺風(fēng)機i在時刻t的實際有功出力p實際.t.i，依據(jù)下式計算得到單臺風(fēng)機i在時刻t的場內(nèi)棄風(fēng)電量q場內(nèi)t.i：

因此，將時刻t時風(fēng)場j中的所有處于待風(fēng)狀態(tài)、發(fā)電狀態(tài)、計劃停運狀態(tài)、非計劃停運狀態(tài)、通訊中斷狀態(tài)、場內(nèi)受累停運狀態(tài)和場外受累停運狀態(tài)的單臺風(fēng)機的場內(nèi)棄風(fēng)電量求和，得到時刻t時的風(fēng)場j全場場內(nèi)棄風(fēng)電量q場內(nèi).t.j；

將時刻t時的風(fēng)場j全場場外棄風(fēng)電量q場外.t.j和時刻t時的風(fēng)場j全場場內(nèi)棄風(fēng)電量q場內(nèi).t.j求和，得到時刻t時的風(fēng)場j全場棄風(fēng)電量值。

本發(fā)明中，在對模型進行數(shù)據(jù)輸入之前，需要對原始數(shù)據(jù)進行合理的歸一化處理，處理方式是否合理，直接影響到預(yù)測效果。

影響因素分析：風(fēng)機輸出功率可用下式表示：

式中：pw為風(fēng)輪輸出功率；ρ為空氣密度；a為風(fēng)輪掃掠面積；cp為風(fēng)輪功率系數(shù)；v是風(fēng)速；通過綜合分析風(fēng)功率輸出影響因素的大小，選定風(fēng)速、風(fēng)向、空氣密度(由氣壓、溫度和濕度決定)做為模型的輸入變量。

通過分析樣板機的風(fēng)功率與風(fēng)速、風(fēng)向、空氣密度的關(guān)系可知，相同風(fēng)速對應(yīng)的風(fēng)電場輸出功率變化范圍很大，這主要是因為風(fēng)機分布在廣闊的地理范圍內(nèi)，風(fēng)速與風(fēng)功率存在空間相關(guān)性，而且空氣密度及其影響因素也與功率具有空間相關(guān)性。

通過分析圖2可知，風(fēng)速與風(fēng)功率存在非線性相關(guān)性，但存在一定的概率可信度，適合采用神經(jīng)網(wǎng)絡(luò)方式進行訓(xùn)練建模。

步驟3中，訓(xùn)練樣本數(shù)據(jù)為歸一化后的訓(xùn)練樣本數(shù)據(jù)，

歸一化計算方式為：

其中：xmax，xmin分別為實際變量的最大值和最小值，x^*為歸一化后的值，x為實際值。

歸一化處理風(fēng)機基礎(chǔ)數(shù)據(jù)后，歸一化至0到1之間。

步驟4中，將單臺風(fēng)機i在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，得到單臺風(fēng)機i在時刻t的理論有功出力p理論..，具體為：

將單臺風(fēng)機i在時刻t的風(fēng)機風(fēng)速、風(fēng)機風(fēng)向和空氣密度輸入到與單臺風(fēng)機i對應(yīng)的訓(xùn)練后的bp神經(jīng)網(wǎng)絡(luò)模型中，bp神經(jīng)網(wǎng)絡(luò)模型輸出的理論有功出力進行反歸一化計算，才得到理論有功出力p理論.t.i；

反歸一化計算方式：

x＝x^*×(xmax-xmin)+xmin。

本發(fā)明以某省所有風(fēng)電場的全年風(fēng)電數(shù)據(jù)為例，將全年數(shù)據(jù)作為訓(xùn)練樣本，風(fēng)場所有風(fēng)機共有9種狀態(tài)，分別為待風(fēng)、發(fā)電、降額發(fā)電(調(diào)度限電)、計劃停運、非計劃停運、調(diào)度停運(調(diào)度限電)、通訊中斷、場內(nèi)受累停運、場外受累停運，針對每一臺風(fēng)機而言，只有當(dāng)風(fēng)機狀態(tài)為發(fā)電時的狀態(tài)數(shù)據(jù)才篩選為訓(xùn)練樣本數(shù)據(jù)。

對于篩選的數(shù)據(jù)樣本，為提高人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度和效率，解決神經(jīng)元存在飽和的問題，必須先將數(shù)據(jù)歸一化處理，風(fēng)速和空氣密度均根據(jù)歷史最大值歸一化到[0,1]范圍，風(fēng)向可以通過對風(fēng)向取正選和余弦方式，歸一化到[0,1]。對于目標值，同樣進行歸一化。

棄風(fēng)過程概述

系統(tǒng)允許數(shù)據(jù)統(tǒng)計時間間隔：1分鐘一個點(全天1440點)、5分鐘一個點(全天288點)或者15分鐘一個點(全天96點)，下文以全天1440點為基準描述，系統(tǒng)也可以修改成以288點或96點為準。

目前，風(fēng)機狀態(tài)共劃分為待風(fēng)、發(fā)電、調(diào)度降額發(fā)電、計劃停運、非計劃停運、調(diào)度停運、通訊中斷、受累停運共9種狀態(tài)。采用單機信息法，根據(jù)風(fēng)機運行狀態(tài)進行風(fēng)電場理論出力、實際出力、場內(nèi)棄風(fēng)、場外棄風(fēng)曲線繪制及相對應(yīng)電量計算。主要計算思路如下(以系統(tǒng)時間間隔為計算單位，目前為1分鐘)：1)獲取風(fēng)機有功值，即為實際出力。2)根據(jù)機艙風(fēng)速、風(fēng)向、密度，計算獲得理論出力。3)分別根據(jù)風(fēng)機所處不同狀態(tài)計算場內(nèi)場外棄風(fēng)電量。

以上計算內(nèi)容中，理論出力值，為采用人工智能bp神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)系統(tǒng)對每臺風(fēng)機歷史運行數(shù)據(jù)進行分析后擬合得到，只要獲取到風(fēng)速、風(fēng)向、密度值，即可得到每一臺風(fēng)機對應(yīng)風(fēng)速下的理論出力值。系統(tǒng)中給出的風(fēng)速與理論有功關(guān)系的精度在風(fēng)速方面為0.01m/s,范圍為0～20m/s，風(fēng)機一般在10～13m/s時即可達到額定出力。

風(fēng)電大規(guī)?？焖贌o序的并網(wǎng)，加上風(fēng)電消納能力的局限性，導(dǎo)致棄風(fēng)問題愈演愈烈，尋求一種有效的棄風(fēng)電量評估方法已成為電力網(wǎng)絡(luò)調(diào)度中心進行更好地調(diào)峰、調(diào)潮流的一項重要課題?！皹影鍣C法”、“預(yù)測曲線法”、“計劃曲線法”、“功率曲線法”、“面積積分法”在評估風(fēng)電場棄風(fēng)電量時都顯現(xiàn)出了一定的優(yōu)點，但也存在很多不足。因此，提出一些合理的既簡單、又實用的棄風(fēng)電量評估方法顯得越發(fā)重要。

由于風(fēng)資源存在著波動性、隨機性和不可控性，以及風(fēng)場客觀因素的復(fù)雜性，因地制宜地開展風(fēng)電場棄風(fēng)電量評估工作時，也要考慮風(fēng)電場應(yīng)發(fā)出力的因素，以逐步提高棄風(fēng)電量評估的精確度。通過本系統(tǒng)所述風(fēng)機理論功率算法，通過歷史海量數(shù)據(jù)進行模型訓(xùn)練，深度挖掘單臺風(fēng)機存在的物理性能及所處空間因素差異的影響，能夠準確判斷出對應(yīng)外界復(fù)雜混合工況下的應(yīng)發(fā)功率大小，精確還原每一個單臺風(fēng)機的理論出力；單機的多狀態(tài)分析及動態(tài)匹配計算棄風(fēng)電量的模式能夠精準判斷風(fēng)機所處棄風(fēng)計算狀態(tài)，很好的彌補了從全場角度進行統(tǒng)一均勻計算訓(xùn)在的誤差，更真實的還原場站真實棄風(fēng)電量。某風(fēng)場實際功率曲線及理論出力曲線如圖3所示：實際及理論功率曲線效果對比圖如圖4所示。

本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場棄風(fēng)電量評估方法具有以下優(yōu)點：

能夠簡單、快速、精確的評估得到風(fēng)電場棄風(fēng)電量，從而有利于電力網(wǎng)絡(luò)調(diào)度中心進行更好地調(diào)峰、調(diào)潮流。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視本發(fā)明的保護范圍。