基于组合预测的风电场风速及风电机功率预测

$
综合利用各种预测方法所 测模型和方法结合 起 来 ! 提供的信息 ! 以适当 的 加 权 平 均 方 式 得 出 组 合 预 测 模型 ) 因为每种预测模型和方法利用的数据都不完 全相同 ! 组合预测方 法 能 够 最 大 限 度 地 利 用 各 种 单 因此组合预测方法一般能 一预测方法的有用 信 息 ! 够增加系统的预测准确性 ) 组合预测方法的核心是如何将各种预测方法进 行适当的组合 ! 所以 关 键 在 于 如 何 得 到 各 种 预 测 方 法的加权平均系数 ) 目前常用的确定组合方式的方 法包括最 小 方 差 法 * 无约束" 约 束# 最 小 二 乘 方 法* ` # " +方法等 ) 在实际应 用 和 理 论 研 究 中 使 用 最 多 : 的是最小方差法 ! 一般采用绝对误差作为准则来计 算组合预测方法的权系数 ) 评价预测精度的指标一 般采用绝对误差或相对误差来衡量 ) 本文 采 用 最 小 方 差 为 优 化 目 标 ! 可以得到组合 具 预测值及各种预测 方 法 之 间 的 权 重 系 数 分 别 为 " 体公式推导见附录 `# $
变换后 ! 所有点的 幅 值 在 区 间 % 内! 消除 j?! ?& 了幅值变化对相似性判断的影响 ) 然后计算极值点 的增 幅 比 值 并 与 设 定 的 极 值 增 幅 比 阈 值 ( < $< 相 比! 大于或等于 ( 形成关键点 < 认 为 是 关 键 极 值 点! # ) 集合 : " G # 以关键 点 集 合 : " 为 基 础! 建立风速曲线 ; G# 的分段线性表示 ) 分段线性化处理后的时 间序 列 0 中的第* 段直线可以表示为 $ " # 0 3D 3N PD PN J*2 ; * @ + *! *! *! *! 式中 $ " ! # 为第 段 直 线 的 左 端 点 坐 标 , " 3D * 3N * PD * *! 为右端点坐标 , PN J* 为线段的斜率 ) *# # 进行相似 曲 线 的 提 取 ); 条 曲 线 # 和 S 的 A % & ? % ; < 为$ 相似性距离公式定义 @
E
>" #! S#@
*@?
0 ZJ
# *
U# US * B JS * *Z
" # A
式中 $ J# * 和 JS * 分 别 为 # 和 S 中 第* 段 直 线 的 斜 和 分别 为 第* 段 线 段 在 样 本 曲 线 总 长 中 率, U# US * * 所占的长度比重 , $ 为曲线中的直线数量 ) 设定相似距离门槛值&! 如果 >" 则认 #! S# 3 &! 为 ; 条曲线相似 ) 应用 上 面 提 出 的 相 似 性 计 算 方 法 ! 可以得到相 似曲线簇 ! 然后利用 曲 线 簇 来 训 练 神 经 网 络 并 预 测 风速曲线 ) 4 4 ! 基于相似性样本的神经网络风速预测 神经网络可以作为多维非线性函数的通用数学 % ?& 模型 ; ! 而风速 具 有 复 杂 的 非 线 性 特 点 ! 所以应用 神经网络进行风速预测是一种合理的方法 ) 神经网 络中应用最广泛的是 ` 2 神经网络 ) 本文采用的 ` 神 2 经 网 络 结 构 为 双 隐 层 结 构! 输入 * 输出和每个隐 层 各 有 ; 节点数通过 =个节点" 测试比较确定 # ! 输入为预测时间前一日的; =M 风 输出为预 测 日 的 ; 速值 ! =M 风 速 值 )` 2 算法的神 经元转移函 数 采 用 + ' ( ' )函 数)传 统 ` 2算法存 * 在以下缺陷 $ 易形 成 局 部 极 小 而 无 法 得 到全局最 ) 收敛速度慢 ) 本 优, * 训练次数多使得学习效率低 * 文采用以下方 法 来 提 高 ` 算 法 的 性 能$ 2 )在权值 调整中增加了动量项 , * 对学习率进行自适应调整 , 2算法中 + 引入陡度因子以提高 收 敛 速 度 ) 本 文 ` 反向传播采用' 学习算法调整各层间的权值 ) 对国内某地区的 实 测 风 速 数 据 进 行 分 析 " 参见 附录 5# ! 由结果可 以 看 出 ! 使用相似性样本训练的 ` 2 神经网预测结果比不使用相似性样本训练的 ` 2 神经网预测结果更加精确 ) 4 ! 组合预测方法预测风速 4 4 ! 组合预测模型 组合预测方法是由 ` # & " +和 G ! # . " !在? @ Q @年 * % & ; ; 提出的一种预测方法 ! 其基本思 想 是 将 不 同 的 预
第A A 卷!第 ? >期 ; < < @年@月; B日
W $ 4 A A!F 4 ? > 9 " & 4 ; B! ; < < @ T
基于组合预测的风电场风速及风电机功率预测
张国强 张伯明
" 清华大学电机系电力系统国家重点实验室 !北京市 ? # < < < > =
摘要 风电场风速及风电机功率预测的准确性对接入风电场的电力系统运行 有重 要意 义 文 中提 神经网络风速预测方法 利 用风 速季 节性 周期 变化 的特 点 出一种基于相似性样本的多层前馈 ` 2 提高风速预测的准确性 结合时间序列分析与灰色 预测方 法研究 了 应 用 组 合 预 测 方 法 进 行 风 电 场 风速预测 并在风速预测的基础上讨论了风电机 功率预测 通 过 对 国 内 某 地 区 的 实 测 风 速 数 据 分 析 验证了该预测方法能够提高风速预测的准确性 具有较大的实用价值 关键词 相似性 神经网络 时间序列 灰色预测 组合预测 中图分类号 OL Q ? = OL C ? B
? B& 提出 % ! 此后 [ " M 提出了一种采用分段线性化方 * ? Q % ? C& 法的快速搜索算法 % ! 该算法计算量较大 ! 而且对
于时间轴的缩放 敏 感 ) 为 解 决 此 问 题 ! 本文提出的 相似性算法如下 $ # 首先找出风速曲线 3 上 的分 段关 键 点 ! 检索 ? 关键点的方法是首先检索出曲线上的所有极值点集 合 3( 和最大值 G(# 最 小 值 G( 然后对所有曲线 Z* ' .!
收稿日期 ; < < > % ? < % ; C修回日期 ; < < @ % < = % ? <
! 风电场风速预测
4 ! 神经网络方法预测风速 风速 明 显 具 有 随 季 节 周 期 变 化 的 特 点 ! 应加以 利用 ) 本文提出一种基于相似性曲线样本的神经网 络算法来 利 用 风 速 的 季 节 性 周 期 变 化 特 性 预 测 风 如 ?) # 内的风速" 每小时# 速 ) 以当前某一段时间 " 变化曲线为样本 ! 在一 定 的 时 间 周 期 " 如 ; 个 月# 内 寻找与风速样本变 化 相 似 的 曲 线 簇 ! 本文认为风速 样本下一段时间内的风速变化趋势应与得到的曲线 簇的下一段时间内的曲线变化趋势相近 ) 用得到的 曲线簇作为样本训 练 神 经 网 络 ! 然后再预测未来一 段时间 " 如?) # 内的风速变化曲线 ! 就可以利用风速 季节性周期变化的特性 ) 该方法的核心是风速相似 曲线的搜索算法 ! 本文提出一种基于分段线性化的 相似风速曲线搜索算法 ) 4 4 ! 基于分段线性化的相似风速曲线搜索算法 分段线 性 化 方 法 最 初 由 2 # / $ ' ) ' +和 JБайду номын сангаас! 8 ' & a
! 引言
近几年来中国风力发电发展迅速 ! 截至 ; < < C年 预计到 底全 国 风 电 场 累 计 装 机 已 经 超 过 Q GR ! ; < ? <年国内风电装机容量将达到 ? < GR & % ? % ;& ) 随着风力发电的迅速发展 ! 对风力 发电 ? QGR % A % B& 相关技术的 研 究 也 日 趋 迫 切 )风速及风电预测 对于电网的运 作为风力发电研究 的 基 础 环 节 之 一 ! 行调度有重要作用 ! 得到越来越多的关注 ) 风电 场 的 有 功 出 力 由 风 速 决 定 ! 由于风速本身 固有的随机性和间歇性 ! 加大了风速预测的难度 ! 风 电预测的准确 性 至 今 仍 未 得 到 有 效 的 解 决 ) 目 前 ! 风电场日前 风 速 预 测 的 误 差 一 般 在 ; Bk &= <k 左 风速预测的准确性不仅与预测方法有关 ! 还与预 右! 测地点的风速特性有关 ) 此外 ! 预测时间越短 ! 预测 误差越小 ! 随着预测时间的增大 ! 预测误差也会逐渐 增大 ! 这时 ! 风速预测的准确性更难以解决 ) 目前采用的风速及风电预测方法主要有时间序 & & Q % @ ? < % ? = 列法 % 和神经网络法 % 两大类 ! 从预测效果来看 它们各有优缺点 ) 但 是 ! 这些方法多是针对超短期 预测 " 即只预测当 前 时 刻 后 一 步 或 几 步 内 的 风 速 # ! 对于短期 预 测 " 预 测 步 数 加 大! 如预测当前时刻后 内的风速 # 的研究较少 ! 而且预测步 数加 大后误 ; =M 差也较大 ) 本文 重 点 研 究 了 日 前 短 期 风 速 预 测 ! 提出了一 种基于相似性 曲 线 样 本 的 多 层 前 馈 " 神经网络 ` 2# 风速预测方法 ! 进而 结 合 时 间 序 列 方 法 和 灰 色 预 测 方法 ! 研究了应用组 合 预 测 方 法 进 行 日 前 短 期 风 速 在风速预测的 基 础 上 讨 论 了 风 电 机 功 率 预 测 预测 ! 方法 )