一種風(fēng)電場功率多時間尺度聯(lián)合預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及新能源發(fā)電技術(shù)領(lǐng)域，具體涉及一種風(fēng)電場功率多時間尺度聯(lián)合預(yù)測 方法。
【背景技術(shù)】
[0002] 可再生能源特別是風(fēng)能的開發(fā)利用已得到世界各國的高度重視。風(fēng)力發(fā)電是目前 技術(shù)最成熟、最具規(guī)?；l(fā)展前景的可再生能源。由于風(fēng)力發(fā)電具有很強(qiáng)的隨機(jī)性，導(dǎo)致風(fēng) 電場功率預(yù)測準(zhǔn)確率還達(dá)不到令人滿意的程度，風(fēng)力發(fā)電的預(yù)測系統(tǒng)的開發(fā)相對較少，缺 乏成熟的實踐經(jīng)驗。
[0003]目前的風(fēng)電場發(fā)電功率多時間尺度預(yù)測的研究和應(yīng)用，從預(yù)測周期上又可以分為 短期風(fēng)電功率預(yù)測和超短期風(fēng)電功率預(yù)測。根據(jù)相關(guān)標(biāo)準(zhǔn)，短期風(fēng)電功率預(yù)測是自預(yù)測時 刻起未來24小時的預(yù)測預(yù)報，時間分辨率為15分鐘。超短期風(fēng)電功率預(yù)測是自預(yù)測時刻 起未來4小時的預(yù)測預(yù)報，時間分辨率為15分鐘。現(xiàn)有的風(fēng)電功率預(yù)測只是針對風(fēng)電單一 周期的預(yù)測，而且存在以下問題：
[0004] 1)現(xiàn)有風(fēng)電功率預(yù)測為根據(jù)短期和超短期預(yù)測特性進(jìn)行有針對性的數(shù)據(jù)預(yù)處理， 以提高風(fēng)電功率預(yù)測的速度和準(zhǔn)確性；風(fēng)電場短期發(fā)電功率預(yù)測主要針對較長時間周期內(nèi) 發(fā)電趨勢的預(yù)測，但是這種方法進(jìn)行預(yù)測的風(fēng)電場發(fā)電功率精度不高，而且在預(yù)測計算的 過程中，速度較慢；風(fēng)電場超短期發(fā)電功率預(yù)測更關(guān)注風(fēng)電場短時功率波動，這種預(yù)測方法 進(jìn)行預(yù)測的風(fēng)電場發(fā)電功率精度較高，而且計算速度需要加快。2)針對不同周期的風(fēng)電功 率預(yù)測，所采用的訓(xùn)練數(shù)據(jù)不同，現(xiàn)有的風(fēng)電功率預(yù)測無法通過一次數(shù)據(jù)采樣同時預(yù)測短 期和超短期風(fēng)電功率，即風(fēng)電的短期和超短期功率預(yù)測需要兩套不同的數(shù)據(jù)采集系統(tǒng)，預(yù) 測效率比較低。

【發(fā)明內(nèi)容】

[0005] 風(fēng)電場短期發(fā)電功率預(yù)測主要針對較長時間周期內(nèi)發(fā)電趨勢的預(yù)測，風(fēng)電場超短 期發(fā)電功率預(yù)測更關(guān)注風(fēng)電場短時功率波動，因此可以采用不同的預(yù)測方法針對不同頻段 的數(shù)據(jù)進(jìn)行風(fēng)電場短期和超短期多時間尺度聯(lián)合預(yù)測，有效提高預(yù)測精度，降低運(yùn)算負(fù)擔(dān)。 為了解決現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明提供一種風(fēng)電場功率多時間尺度聯(lián)合預(yù)測方法。
[0006] 本發(fā)明采用以下技術(shù)方案：
[0007] -種風(fēng)電場功率多時間尺度聯(lián)合預(yù)測方法，包括以下步驟：
[0008] 步驟（1):采集整個風(fēng)電場預(yù)設(shè)時間內(nèi)的風(fēng)速和功率歷史數(shù)據(jù)，得到風(fēng)電場的歷 史風(fēng)速時間序列W。和歷史功率時間序列P。；
[0009] 步驟（2):利用多小波包分解技術(shù)對歷史風(fēng)速時間序列和歷史功率時間序列分別 進(jìn)行小波包分解，得到歷史風(fēng)速時間序列及歷史功率時間序列的低頻段分量、中頻段分量 和高頻段分量；
[0010] 步驟⑶：利用RBF神經(jīng)網(wǎng)絡(luò)模型對歷史風(fēng)速時間序列及歷史功率時間序列的低 頻段分量和中頻段分量分別進(jìn)行短期24小時風(fēng)電場的風(fēng)速和功率滾動預(yù)測；
[0011] 利用若干個最小二乘支持向量機(jī)對歷史風(fēng)速時間序列及歷史功率時間序列的低 頻段分量、中頻段分量和高頻段分量分別進(jìn)行超短期4小時風(fēng)電場的風(fēng)速和功率滾動預(yù) 測；
[0012] 步驟（4):得到的短期24小時以及超短期4小時的風(fēng)電場的風(fēng)速和功率滾動預(yù)測 數(shù)據(jù)上傳至電力調(diào)控中心，為調(diào)度提供數(shù)據(jù)支撐。
[0013] 所述步驟（3)中進(jìn)行短期24小時風(fēng)電場的風(fēng)速和功率滾動預(yù)測的具體過程包 括：
[0014] 步驟（3. I. 1):將歷史風(fēng)速時間序列及歷史功率時間序列的低頻段分量和中頻段 分量分別輸入RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0015] 步驟（3. 1. 2):對RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后輸出的數(shù)據(jù)進(jìn)行小波重構(gòu)，重構(gòu)后得到 未來15分鐘的風(fēng)速時間序列f 15_和功率時間序列P 15_;
[0016] 步驟（3. 1. 3):以時間分辨率為15分鐘，重復(fù)滾動96次步驟（3. 1. 2)，得到未來24 小時時刻風(fēng)速時間序列f 24h和功率時間序列P 24h。
[0017] 所述步驟（3)中進(jìn)行超短期4小時風(fēng)電場的風(fēng)速和功率滾動預(yù)測的具體過程包 括：
[0018] 步驟（3. 2. 1):將歷史風(fēng)速時間序列及歷史功率時間序列的低頻段分量、中頻段 分量和高頻段分量分別輸入至最小二乘支持向量機(jī)進(jìn)行非線性擬合；
[0019] 步驟（3. 2. 2):對最小二乘支持向量機(jī)非線性擬合輸出的數(shù)據(jù)進(jìn)行小波重構(gòu)，重 構(gòu)后得到未來15分鐘的風(fēng)速時間序列W" 15_和功率時間序列P" 15_;
[0020] 步驟（3. 2. 3):以時間分辨率為15分鐘，重復(fù)滾動16次步驟（3. 2. 2)，得到未來4 小時時刻風(fēng)速時間序列W" &和功率時間序列P" 4h。
[0021] 所述步驟（2)中利用多小波包分解技術(shù)對歷史風(fēng)速時間序列進(jìn)行多層小波包分 解，小波基采用DB4小波基，熵準(zhǔn)則采用Shannon準(zhǔn)則。
[0022] 所述最小二乘支持向量機(jī)采用最小二乘線性算法對輸入的歷史風(fēng)速時間序列及 歷史功率時間序列的低頻段分量、中頻段分量和高頻段分量進(jìn)行非線性擬合。
[0023] 所述最小二乘支持向量機(jī)進(jìn)行非線性擬合的過程中，最小二乘支持向量機(jī)的核函 數(shù)選擇徑向基核函數(shù)。
[0024] 所述步驟（3)中的RBF神經(jīng)網(wǎng)絡(luò)模型是具有輸入層、隱含層和輸出層的三層前饋 網(wǎng)絡(luò)模型。
[0025] 所述輸入層包括若干個感知單元，感知單元用于連接RBF神經(jīng)網(wǎng)絡(luò)與外界環(huán)境。
[0026] 所述隱含層包括若干個徑向基神經(jīng)元，徑向基神經(jīng)元用于從輸入層到隱含層之間 進(jìn)行非線性變換。
[0027] 所述輸出層包括若干個線性神經(jīng)元，線性神經(jīng)元用于為輸入層的激活模式提供響 應(yīng)。
[0028] 本發(fā)明的有益效果為：
[0029] (1)該發(fā)明根據(jù)短期和超短期功率預(yù)測特性進(jìn)行有針對性的數(shù)據(jù)預(yù)處理，以提高 風(fēng)電功率預(yù)測的速度和準(zhǔn)確性；
[0030] (2)該發(fā)明可以通過一次數(shù)據(jù)采樣同時預(yù)測短期和超短期風(fēng)電功率，即風(fēng)電的短 期和超短期功率預(yù)測需要兩套一套數(shù)據(jù)采集系統(tǒng)即可，降低了風(fēng)電預(yù)測的投入成本，提高 風(fēng)電預(yù)測的效率；
[0031] (3)該發(fā)明可以同時進(jìn)行風(fēng)電場短期和超短期多個時間尺度的聯(lián)合預(yù)測，且每步 預(yù)測均可以得到不同時間尺度下的風(fēng)速和功率預(yù)測數(shù)據(jù)；
[0032] (4)該方法針對不同時間尺度的風(fēng)電場功率預(yù)測，采用不同的智能預(yù)測方法針對 不同頻段的數(shù)據(jù)進(jìn)行預(yù)測，有效提高了不同時間尺度下的預(yù)測準(zhǔn)確度，同時提高了預(yù)測速 度。
【附圖說明】
[0033] 圖1為風(fēng)電場多時間尺度發(fā)電功率預(yù)測方法流程圖；
[0034] 圖2為風(fēng)速時間序列的小波分解圖；
[0035] 圖3為風(fēng)電場短期風(fēng)速預(yù)測曲線圖；
[0036] 圖4為風(fēng)電場短期功率預(yù)測曲線圖。
【具體實施方式】
[0037] 下面結(jié)合附圖與實施例對本發(fā)明做進(jìn)一步說明：
[0038] 本發(fā)明的主要原理是：
[0039] 風(fēng)電場短期發(fā)電功率預(yù)測主要針對較長時間周期內(nèi)發(fā)電趨勢的預(yù)測，對預(yù)測精度 和計算速度要求不高，預(yù)測算法采用對訓(xùn)練數(shù)據(jù)相關(guān)性較為敏感且計算較為復(fù)雜的神經(jīng)網(wǎng) 絡(luò)算法及其相關(guān)智能算法；訓(xùn)練數(shù)據(jù)采用風(fēng)電場歷史數(shù)據(jù)的低頻和中頻分量；
[0040] 風(fēng)電場超短期發(fā)電功率預(yù)測更關(guān)注風(fēng)電場短時功率波動，對預(yù)測精度和計算速度 要求較高，預(yù)測算法采用對非線性擬合能力較強(qiáng)且計算較為簡單的支持向量機(jī)及其相關(guān)智 能算法；訓(xùn)練數(shù)據(jù)宜涵蓋風(fēng)電場歷史數(shù)據(jù)的低頻、中頻和高頻分量；
[0041] 因此有必要首先利用小波包對預(yù)測數(shù)據(jù)進(jìn)行頻段分解處理，然后采用不同的智能 算法針對不同頻段分量分別進(jìn)行短期和超短期預(yù)測后，再對數(shù)據(jù)進(jìn)行小波重構(gòu)，獲得風(fēng)電 場功率預(yù)測數(shù)據(jù)。
[0042] 本發(fā)明的具體實施方案是：
[0043] 對山東潤海風(fēng)電場進(jìn)行多時間尺度功率預(yù)測為例，如圖1所示，一種風(fēng)電場功率 多時間尺度聯(lián)合預(yù)測方法，包括以下步驟：
[0044] 步驟（1):采集整個風(fēng)電場連續(xù)10天的風(fēng)速和功率歷史數(shù)據(jù)，采樣時間 間隔為1分鐘，剔除其中不合理數(shù)據(jù)，得到t時刻之前的歷史風(fēng)速時間序列W。= {w(t-n), w(t-n+l), w(t-n+2),…，w(t-2), w(t-l), w(t)}，以及 t 時刻之前的歷史功率時間 序列 P。= {p (t-n)，p (t-n+1)，p (t-n+2)，…，p (t-2)，p (t-1)，p ⑴}，η 表示序列中的數(shù)據(jù)個 數(shù)；取前7天的時間序列作為訓(xùn)練數(shù)據(jù)，取后3天的時間序列作為測試數(shù)據(jù)。
[0045] 步驟（2):利用多小波包分解技術(shù)對歷史風(fēng)速時間序列和歷史功率時間序列分別 進(jìn)行小波包分解，得到歷史風(fēng)速時間序列及歷史功率時間序列的低頻段分量、中頻段分量 和高頻段分量；
[0046] 利用多小波包分解技術(shù)對歷史風(fēng)速時間序列進(jìn)行三層小波包分解，小波基采用 DB4小波基，熵準(zhǔn)則采用Shannon準(zhǔn)則。得到歷史風(fēng)速時間序列的3層低頻段分量AW1、AW2、 Aw3，頻率范圍分別是（OHz ~I. 125Hz)、（I. 125Hz ~2. 25Hz)、（2. 25Hz ~4. 5Hz) ;3 層中頻 段分量BW1、BW2、BW3，頻率范圍分別是（4. 5Hz~9Hz)、（9Hz~18Hz)、（18Hz~36Hz) ;3層高 頻段分量 CW1、CW2、CW3，頻率范圍分別是（36Hz ~72Hz)、（72Hz ~144Hz)、（144Hz ~288Hz)。
[0047] 利用多小波包分解技術(shù)對歷史功率時間序列進(jìn)行三層小波包分解，小波基采用 DB4小波基，熵準(zhǔn)則采用Shannon準(zhǔn)則。分別得到歷史功率時間序列的3層低頻段分量AP1、 AP2、AP3,頻率范圍分別是（OHz ~I. 125Hz)、（I. 125Hz ~2. 25Hz)、（2. 25Hz ~4. 5Hz) ;3 層 中頻段分量BP1、BP2、Bp3，頻率范圍分別是（4. 5Hz~9Hz)、（9Hz~18Hz)、（18Hz~36Hz); 3層高頻段分量CP1、CP2、Cra，頻率范圍分別是（36Hz~72Hz)、（72Hz~144Hz)、（144Hz~ 288Hz)，風(fēng)速時間序列的小波分解，如圖2所示。
[0048] 步驟（3):