一種基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于風(fēng)電功率預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及一種基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組 合預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 隨著風(fēng)力發(fā)電裝機(jī)容量的迅猛發(fā)展，風(fēng)電在電網(wǎng)中的比例不斷增加。由于風(fēng)電是 一種間歇性、波動(dòng)性能源，大規(guī)模的風(fēng)電接入對(duì)電力系統(tǒng)的安全、穩(wěn)定運(yùn)行以及電能質(zhì)量的 保證帶來(lái)了嚴(yán)峻挑戰(zhàn)。若能對(duì)風(fēng)電場(chǎng)的風(fēng)速和發(fā)電功率做出比較準(zhǔn)確的預(yù)測(cè)，則可有效減 輕風(fēng)電波動(dòng)對(duì)整個(gè)電網(wǎng)的影響。通過(guò)風(fēng)電功率預(yù)測(cè)將有助于電網(wǎng)調(diào)度部門及時(shí)制定合理的 運(yùn)行方式并準(zhǔn)確地調(diào)整調(diào)度計(jì)劃，從而保證電力系統(tǒng)的可靠、優(yōu)質(zhì)、經(jīng)濟(jì)運(yùn)行。因此對(duì)風(fēng)電 功率進(jìn)行預(yù)測(cè)具有十分重要意義。
[0003] 風(fēng)電功率預(yù)測(cè)方法根據(jù)預(yù)測(cè)的物理量來(lái)分類，可以分為間接預(yù)測(cè)法和直接預(yù)測(cè) 法：間接預(yù)測(cè)法先預(yù)測(cè)風(fēng)速，再根據(jù)風(fēng)電機(jī)組或風(fēng)電場(chǎng)的風(fēng)速-功率特性曲線得到風(fēng)電功 率；直接預(yù)測(cè)法是采用一定的數(shù)學(xué)模型直接預(yù)測(cè)風(fēng)電功率。目前常用的風(fēng)電功率預(yù)測(cè)方法 主要包括物理方法和統(tǒng)計(jì)方法兩大類。物理方法綜合考慮地形、水平高度和粗糙度等信息， 利用物理方程建模預(yù)測(cè)，該方法需要準(zhǔn)確有效的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，而無(wú)需大量的長(zhǎng)期觀 測(cè)數(shù)據(jù)。統(tǒng)計(jì)方法則是通過(guò)對(duì)預(yù)測(cè)對(duì)象自身歷史數(shù)據(jù)的數(shù)學(xué)統(tǒng)計(jì)分析進(jìn)行預(yù)測(cè)，所需數(shù)據(jù) 單一、量大，對(duì)突變信息處理不好。統(tǒng)計(jì)方法中應(yīng)用較多的有持續(xù)預(yù)測(cè)法、時(shí)間序列分析法、 人工神經(jīng)網(wǎng)絡(luò)法、支持向量回歸機(jī)法、卡爾曼濾波法、空間相關(guān)性法等。這些方法隨著風(fēng)電 技術(shù)的深入暴露了難以克服的缺陷，如預(yù)測(cè)精度差，收斂速度慢，有局限性等缺點(diǎn)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于，提供一種基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測(cè)方法，對(duì)ARIMA 時(shí)間序列、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)這4種單項(xiàng)預(yù)測(cè)方法進(jìn)行綜合，以 誤差平方和最小為原則確定組合預(yù)測(cè)模型的最優(yōu)權(quán)系數(shù)，得到組合預(yù)測(cè)模型。有效提高了 風(fēng)電功率的預(yù)測(cè)精度，增強(qiáng)了風(fēng)電并網(wǎng)的穩(wěn)定性、經(jīng)濟(jì)性。
[0005] -種基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測(cè)方法，包括以下步驟：
[0006] 步驟1 :采集連續(xù)歷史風(fēng)電功率數(shù)據(jù)，并對(duì)采集的數(shù)據(jù)進(jìn)行歸一化處理；
[0007] 步驟2 :對(duì)歸一化處理后的數(shù)據(jù)采用ARIMA時(shí)間序列、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò) 和支持向量回歸機(jī)分別建立風(fēng)電功率預(yù)測(cè)模型，將四個(gè)預(yù)測(cè)模型疊加得到組合預(yù)測(cè)模型；
[0008] 步驟3 :構(gòu)建組合預(yù)測(cè)模型的誤差信息矩陣E :
[0009] E = [(elt)4XJ [(elt)4Xn]T
[0010] 其中，eit表示第i種預(yù)測(cè)模型在第t時(shí)刻的預(yù)測(cè)誤差：e it= y(t)_y Jt)，t = I, 2,…，n, i = I, 2,…，4 ;y(t)為t時(shí)刻實(shí)測(cè)的風(fēng)電功率值，yjt)表示第i種預(yù)測(cè)模型在 t時(shí)刻的預(yù)測(cè)值；
[0011] 步驟4 :令組合預(yù)測(cè)模型中每個(gè)模型的權(quán)重系數(shù)為L(zhǎng) = (I1, 12, 13, I4) 4X1，組合預(yù)測(cè) 模型的表達(dá)式如下：
[0012] y*(t) = I1Y1Ct)+I2Y2 (t)+I3Ys (?)+?4Υ4(?)
[0013] 其中，！!+Vlfl4= l，y !，y2, y3, y4分別代表ARIMA時(shí)間序列、BP神經(jīng)網(wǎng)絡(luò)、RBF神 經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)風(fēng)電功率預(yù)測(cè)模型t時(shí)刻的預(yù)測(cè)值；
[0014] 步驟5 :將步驟3中的組合預(yù)測(cè)模型的誤差信息矩陣代入組合預(yù)測(cè)模型的表達(dá)式， 按照公式
求解最優(yōu)權(quán)重系數(shù)；
[0015] 其中，R = (1，1，…，1)4X1;
[0016] 組合預(yù)測(cè)模型中待求的最優(yōu)權(quán)系數(shù)表達(dá)式L的計(jì)算過(guò)程如下：
[0017] 組合預(yù)測(cè)模型在第t時(shí)刻的預(yù)測(cè)誤差為：
[0018] et= y(t)_y*(t)，t = 1，2, ...，n
[0019] 由上式得到組合預(yù)測(cè)模型的誤差平方和表達(dá)式為：
[0021] 以組合預(yù)測(cè)模型的誤差平方和最小為原則求取組合預(yù)測(cè)模型中的最優(yōu)權(quán)系數(shù)，可 以轉(zhuǎn)換為求解下式所示的二次規(guī)劃問(wèn)題。
[0022] minS = LtEL
[0024] 引入拉格朗日乘子λ *，分別對(duì)L和λ *求導(dǎo)可得：
[0027] 通過(guò)上面兩式，得到組合預(yù)測(cè)模型中待求的最優(yōu)權(quán)系數(shù)表達(dá)式為：
[0029] 步驟6 :將步驟5獲得的最優(yōu)權(quán)重系數(shù)代入組合預(yù)測(cè)模型表達(dá)式中，得到最優(yōu)組合 預(yù)測(cè)模型，將待預(yù)測(cè)的數(shù)據(jù)輸入最優(yōu)組合預(yù)測(cè)模型完成風(fēng)電功率預(yù)測(cè)。
[0030] 所述ARIMA時(shí)間序列風(fēng)電功率預(yù)測(cè)模型是經(jīng)過(guò)一階差分變換、模型參數(shù)估計(jì)和模 型定階來(lái)確定自回歸過(guò)程AR (ρ)、移動(dòng)平均過(guò)程M (q)的取值。
[0031] 選用參數(shù)為ARIMA(2, 1，4)的ARIMA時(shí)間序列風(fēng)電功率預(yù)測(cè)模型。
[0032] 所述BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型是按照均方根誤差RMSE最小化原則，確定BP 神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的隱含層節(jié)點(diǎn)數(shù)；
[0033] 使用K-均值聚類方法確定RBF神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的聚類中心個(gè)數(shù)；
[0034] 所述BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型和RBF神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的輸入層 節(jié)點(diǎn)個(gè)數(shù)、輸入層與隱含層之間的連接邊權(quán)重以及隱含層與輸出層之間的連接邊權(quán)重由 Matlab的神經(jīng)網(wǎng)絡(luò)模型工具箱在模型訓(xùn)練中自動(dòng)獲得。
[0035] 所述BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的隱含層節(jié)點(diǎn)數(shù)量為9 ;
[0036] 所述RBF神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的聚類中心個(gè)數(shù)設(shè)定為18個(gè)；
[0037] 所述BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型和RBF神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的輸入節(jié) 點(diǎn)個(gè)數(shù)均為6。
[0038] 所述支持向量回歸機(jī)風(fēng)電功率預(yù)測(cè)模型選用RBF核函數(shù)，各學(xué)習(xí)參數(shù)采用粒子群 算法進(jìn)行自適應(yīng)學(xué)習(xí)獲得。
[0039] 所述核函數(shù)中各參數(shù)的取值分別為懲罰系數(shù)C = 8. 572,不敏感損失系數(shù)ε = 0. 229,核參數(shù) σ = 〇. 211。
[0040] 有益效果
[0041] 本發(fā)明提供了一種基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測(cè)方法，將ARIMA時(shí)間序 列、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)這4種單項(xiàng)預(yù)測(cè)方法進(jìn)行綜合，采用組合 預(yù)測(cè)模型，能夠有效地綜合各單一預(yù)測(cè)模型的優(yōu)勢(shì)，降低預(yù)測(cè)風(fēng)險(xiǎn)。根據(jù)組合預(yù)測(cè)誤差信息 矩陣，以誤差平方和最小為原則得到組合預(yù)測(cè)模型中的最優(yōu)權(quán)系數(shù)，提高了組合預(yù)測(cè)模型 的性能。實(shí)測(cè)風(fēng)電功率預(yù)測(cè)數(shù)據(jù)表明：本發(fā)明組合預(yù)測(cè)模型預(yù)測(cè)精度高，能夠非常方便快速 的確定最優(yōu)權(quán)重系數(shù)值，降低預(yù)測(cè)誤差。
【附圖說(shuō)明】
[0042] 圖1為本發(fā)明所述方法的流程圖；
[0043] 圖2為歷史風(fēng)電功率數(shù)據(jù)曲線示意圖。
【具體實(shí)施方式】
[0044] 下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。
[0045] 以中國(guó)某風(fēng)電場(chǎng)的實(shí)測(cè)風(fēng)電功率數(shù)據(jù)為例，研究組合預(yù)測(cè)方法在風(fēng)電功率預(yù)測(cè)中 的應(yīng)用。該風(fēng)電場(chǎng)共有額定功率750kW的風(fēng)力發(fā)電機(jī)41臺(tái)，假設(shè)所有風(fēng)機(jī)都具有幾乎相同 的風(fēng)速和風(fēng)向，并忽略風(fēng)機(jī)之間的尾流效應(yīng)，實(shí)例中使用一臺(tái)等效風(fēng)力發(fā)電機(jī)來(lái)模擬整個(gè) 風(fēng)電場(chǎng)的有功輸出。原始數(shù)據(jù)測(cè)量時(shí)間間隔為lh，根據(jù)預(yù)測(cè)模型建模的需要，選取連續(xù)9d 的216個(gè)數(shù)據(jù)用于建模預(yù)測(cè)，其中，前192個(gè)數(shù)據(jù)組成訓(xùn)練樣本集，后24個(gè)數(shù)據(jù)作為測(cè)試樣 本集。預(yù)測(cè)步長(zhǎng)取1，以連續(xù)6步的滾動(dòng)預(yù)測(cè)法進(jìn)行預(yù)測(cè)。216個(gè)原始風(fēng)電功率數(shù)據(jù)如圖2 所示。
[0046] 采用相對(duì)百分比誤差（RPE)、平均絕對(duì)誤差（MAE)和平均絕對(duì)百分比誤差（MAPE) 作為組合預(yù)測(cè)模型預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)。各評(píng)價(jià)指標(biāo)的表達(dá)式如下。
[0050] 式中，F(xiàn)(t)為實(shí)測(cè)風(fēng)電功率；A(t)為預(yù)測(cè)風(fēng)電功率；η為預(yù)測(cè)驗(yàn)證數(shù)據(jù)個(gè)數(shù)；t為 預(yù)測(cè)點(diǎn)的序列編號(hào)。
[0051] -種基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測(cè)方法，如圖1所示，包括以下步驟：
[0052] 步驟I :使用[0, 1]區(qū)間歸一化方法對(duì)前192個(gè)風(fēng)電功率數(shù)據(jù)進(jìn)行歸一化處理，歸 一化公式為：
[0054] 式中，X1為歸一化前的風(fēng)電功率值；Xnax為192個(gè)風(fēng)電功率值中的最大值；x_為 192個(gè)風(fēng)電功率值中的最小值。
[0055] 步驟2 :對(duì)歸一化處理后的原始風(fēng)電功率序列進(jìn)行一階差分變換，一階差分后風(fēng) 電功率序列的自相關(guān)系數(shù)能夠較快的衰減到零，對(duì)（p，q) =