一种计及多源风速信息的风电功率超短期预测方法与流程

1.本发明属于风电功率预测技术领域，尤其涉及一种计及多源风速信息的风电功率超短期预测方法。


背景技术：

2.近年来，随着全球能源需求的增加，对替代性可再生能源的研究受到了全世界的关注。在所有可再生能源中，风力发电厂因其可用性、低维护和运营成本、长寿命和环境优势而备受关注。风资源来源丰富并且广泛，在理论上属于取之不尽、用之不竭的清洁能源，同时也作为全球多个发达国家重点的科研课题，并把风力发电作为未来电力能源的支撑。风力发电现已成为中国第三大电源，是新能源发电领域最成熟、最具规模开发条件和商业化发展前景的发电方式之一。风电的输出功率一般与风速是强相关关系，风速具有波动性、不确定性，风电机组的输出功率也是具有波动性和不确定性，一旦连接电网对电网的冲击较大，对电力系统的可靠性带来严峻挑战，为了降低可靠性低的风险，不得不采取弃风限电的措施，所以准确的风电功率预测对电网和能源利用都大有裨益。在我国，一般风力发电包括分布式和集中式，一般集中式风力发电场发出电能要并到电网，参与整个的电力调度，而分布式的风电场一般单独给特定负荷供电，两种运行方式相互弥补对方的不足。风电功率的超短期预测为电力系统安全运行、电力调度带来积极的影响，从而获得更好的经济和环保效益。
3.现有的风电功率预测方法主要分为三种类型：物理方法、统计法和人工智能法。物理法主要依靠对地形地貌、地表粗糙度和风电场的整体布局详细的描述，通过空气动力学方程求解的(numerical weather prediction，nwp)进而模拟出预测结果。一般物理方法预测过程如下：1)利用降尺度将气象部门的nwp数据转化为风电场范围内的数据值。2)根据风电场的周围物理信息得到风电机组轮毂高度的气象信息。3)根据风电机组的功率曲线得到每台风机功率值并叠加得到整场功率值。统计法分为间接法和直接法：在间接法中，首先进行风速预测，然后通过风速-功率曲线建立风速和功率的映射关系。这种关系可以用函数来描述，统计方法一般有时间序列法、自回归滑动平均法、卡尔曼滤波法、灰色预测法、空间相关法等。直接法建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值。对于人工智能法，主要有支持向量机、小波分析法、神经网络、深度学习等预测方法，通过历史的数据学习和训练建立输入(数值天气预报和风电场的测量数据)和输出功率关系。考虑到风电功率的波动特性，其中神经网络具有较高的自适应性、自学习性，对于处理非线性时间序列有很大优势，被广泛应用于风电功率预测领域中。根据不同预测时间尺度可以分为超短期预测、短期预测、中期长预测，根据国家能源局的要求，超短期预测要求每隔15min上报一次，预测未来4h的风电功率，其精度要求全天的预测误差的均方根误差小于15％。风电功率短期预测指的是预测未来3天左右的风电功率值，一般以小时或者分钟为单位；风电功率的中长期预测，一般指的是以未来几个月或者年为单位的预测。不同时间尺度的预测其目的或者意义也不同，一般超短期意在电网中的实时并网和调度起着
重要作用，短期一般意在电网的调整计划和供电质量的要求，而中长期风电预测意在设备检修或者电网规划起到重要作用。根据预测结果可以分为点预测、区间预测、概率预测。点预测也就是我们确定数值的预测，一般有多步预测还有单步预测，无论是哪种都是预测确定的功率数值。区间预测即不确定预测，功率区间预测一般为在某个置信区间下，给出相应的出力区间。概率预测指的是给出未来值的完整分布。目前三种方法相互补充，发挥各自的优势，目前和未来的一段时都是风电预测研究的热门。
4.然而，上述目前大多数研究都是考虑了精确的nwp数据，以nwp和历史值为变量作为输入，然后通过结合统计或者其他智能算法进行预测。综上可见，这些预测模型精度通常误差在15％至20％左右。如何结合风速信息，提高风电功率的短期预测精度是一个研究热点。


技术实现要素：

5.本发明实施例的目的在于提供一种计及多源风速信息的风电功率超短期预测方法，旨在解决背景技术第三部分中提出的问题。
6.本发明实施例是这样实现的，一种计及多源风速信息的风电功率超短期预测方法，所述方法包括以下步骤：
7.拟合功率曲线：根据历史实测功率和风速数据，并采用多项式拟合方法拟合得到功率曲线；
8.功率曲线聚类：通过改进的模糊c均值算法，对输出功率相近的风力机进行划分和选择，选择每类中心曲线上距离最小的风力机作为等效风力机，并得到等效风电功率曲线；
9.风电功率预测：结合实时采集的风速等信息，代入相应的功率曲线，采用加权法求出总功率值。
10.优选的，根据历史实测功率和风速数据，并采用多项式拟合方法拟合得到风电的功率曲线，通过残差平方和及决定系数选取多项式拟合模型。
11.优选的，通过改进的模糊c均值算法，对输出功率相近的风力机进行划分和选择，获得等效风电功率曲线。
12.优选的，结合实时采集的风速信息，代入相应的功率曲线分别求出功率，并采用加权法求出总功率值。
13.优选的，所述风速信息包括风速、空气密度、叶片扫略面积和理论风能利用系数。
14.优选的，根据风速信息计算风电机组的风电功率的公式为：
15.p＝0.5ρ0aν3c
p
16.式中：v为风速；ρ0为空气密度；a为叶片扫略面积；c
p
为理论风能利用系数。
17.优选的，等效风电功率的计算公式为：
18.f
σ
(
·
)＝n1f1(
·
) n2f2(
·
)
…nkfk
(
·
)
19.式中，fk(
·
)表示第k种类型风机的中心曲线，n代表对应类别风电机组的数量，f
σ
(
·
)表示包含在代表整个风电场的功率。
20.与现有技术相比，本发明提供了一种计及多源风速信息的风电功率超短期预测方法，具备以下有益效果：
21.该计及多源风速信息的风电功率超短期预测方法，通过构建聚类模型将输出功率
相近的风力机进行归类、拟合，结合多维风速信息来进一步提高风速突变时的预测精度，本发明计及多源风速信息，通过功率风速建立合适的拟合函数，得到机组拟合曲线，并考虑不同风机风电功率曲线所具有的差异性，结合改进的fcm聚类对其风电功率曲线进行聚类，得到最优的机组风电功率聚类结果，计及多维度风速信息实现的风电功率超短期预测，在风速大波动上升及下降时均具有较高的预测准确度。
附图说明
22.图1为本发明一种计及多源风速信息的风电功率超短期预测方法的整体流程；
23.图2为本发明用于验证计及多源风速信息的风电功率超短期预测方法的单台风机历史功率；
24.图3为本发明用于验证计及多源风速信息的风电功率超短期预测方法的单台风机历史轮毂风速；
25.图4为本发明提出的改进fcm与传统fcm聚类次数与聚类的迭代次数的关系图；
26.图5为风速大波动下降时本发明的实际验证效果图；
27.图6为风速大波动上升时本发明的实际验证效果图。
具体实施方式
28.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
29.以下结合具体实施例对本发明的具体实现进行详细描述。
30.本发明提供如下技术方案：一种计及多源风速信息的风电功率超短期预测方法，该方法包括以下步骤：
31.拟合功率曲线：考虑到理想的风电功率曲线不能代替真实的功率输出，通过比较残差平方和及决定系数得到合适的功率曲线，根据历史实测功率和风速数据，并采用多项式拟合方法拟合得到功率曲线；
32.模型聚类：考虑风电功率曲线的差异性，基于fcm聚类方法，对输出功率相近的风力机进行划分和选择，选择每类中心曲线上距离最小的风力机作为等效风力机，并得到等效风电功率曲线；
33.风电出力预测：当需要对当前日的风电进行预测时，结合所选择的预测模型，结合信息采集系统提供的各项风速信息，通过模型预测当前风电的出力情况。
34.在本发明的一个实施例中，考虑到风力机通过叶片吸收风能，并将其转化为叶片旋转的机械能，驱动发电机发电，从而实现能量转换。且风电机组输出功率的大小与其叶片面积内风力大小直接相关、与对应时刻风机轮毂高度的风速息息相关，计及多源风速信息的风电功率超短期预测模型如下式所示：
35.p＝0.5ρ0aν3c
p
ꢀꢀꢀ
(1)
36.式中：v为风速；ρ0为空气密度；a为叶片扫略面积；c
p
为理论风能利用系数。
37.在本发明的一个实施例中，考虑风速功率的散射点是一个二维数据，拟合多项式法即可以准确估计功率曲线，所述模型中使用不同阶次的多项式对风电功率曲线进行拟
合，并通过具体实验中选择进行多项式次数的选择，多项式次数的选择通过残差平方和及决定系数进行确定，其公式如下所示：
[0038][0039]
式中，n为样本数量，wi是权重，取值范围[0,1]，缺省情况下为1，此时的sse是所有数据样本的偏差平方和。
[0040]
决定系数(r-square)，表示多重的决定系数或者相关系数，表示预测值与实际值之间相关系数的平方，取值范围[0,1]，其值越大表示拟合效果越好。决定系数由回归平方和(ssr)与总平方和(sst)确定，定义如下：
[0041][0042]
其中，为实际值的均值，并且有sst＝ssr sse，决定系数为：
[0043][0044]
结合多次试验结果，根据式(2)-(4)计算，可以得出：在多项式拟合过程中，r-square和sse随着拟合次数的增加，拟合效果越来越好，但是当达到一定阶数时，指标变化极小，通过从比较拟合精度、程序的复杂性和运行时间角度分析，且以5阶多项式代替风电功率曲线效果最恰当，其公式如下：
[0045]
f(v)＝0.008873v5 -0.4147v4 5.773v
3-18.36v2 23.26v-8.85
ꢀꢀꢀ
(5)
[0046]
在本发明的一个实施例中，fcm的计算步骤如下：
[0047]
若已知数据集合：x＝{x1,x2,
…
,xn}，要区分x集合中的c个子集，2≤c≤n，尽量使得同种类型数据放到同一类，不相似的数据应在不同类。
[0048]
模糊聚类的目标函数为：
[0049][0050]
式中u＝[u
ik
]为模糊分类矩阵，u
ik
∈[0,1]，v＝[vi]，其中vi表示第i类的聚类中心，(i＝1，...，c)，m∈[1,∞]是加权指数，j(u,v)表示各类中样本到聚类中心的加权距离的平方和，权重是样本xk对第i类隶属度m次方。
[0051][0052]
式中，a为对称阵，一般a＝i，则d
ik
为欧氏距离。
[0053]
根据聚类准则求j(u,v)的最小值，min{j(u,v)}，因此
[0054][0055]
利用拉格朗日算子:
[0056]
[0057]
最优化条件为：
[0058][0059]
由(10)式可得：
[0060][0061]
当ik＝φ，u
ik
＝0，且满足
[0062][0063]
当ik≠φ，其中ik＝{1≤i≤c,d
ik
＝0}，
[0064]
1)设置初始参数和聚类中心；
[0065]
2)通过公式(7)和公式(11)计算隶属度u＝[u
ik
]；
[0066]
3)通过公式(9)和公式(12)求得新的聚类中心v＝[v
ik
]；
[0067]
4)通过公式(8)计算目标函数，若判定小于设定阈值，则聚类结束，否则返回2)。
[0068]
在本发明的一个实施例中，设被分类样本x＝{x1,x2,
…
xn}，设定类间的最小距离的阈值为α，本方法对fcm的改进步骤如下：
[0069]
1)选取任意两个样本，并计算其欧式距离形成距离矩阵d，将距离最近的两个样本定位一个群，并选择d的中点作为聚类中心；
[0070]
2)选定聚类群间阈值α，利用第一类的距离d矩阵中的两个样本都大于α，并在其余区域中选择两个最近的样本，取两个样本的中点作为第二个聚类中心；
[0071]
3)同理，重复以上步骤直到确定c类为止。
[0072]
本方法选取初值的原则是使得所有初始中心的距离都大于距离阈值α，进而初始的可行域范围大，避免初始聚类中心选择过近而导致局部最优的缺点，因此α选择可能大一些，但是太大会出现不满足聚类的个数，与此同时也要减少α，因此要找到一个合适的α。
[0073]
在本发明的一个实施例中，通过改进的fcm方法，对输出功率相近的风力机进行划分，选择了每类中心曲线上距离d最小的风力机作为等效风力机。整个风电场由k个等效的风电机组代表。并通过加权功率曲线得到整个风电场的等效风速功率其计算公式如下：
[0074]fσ
(
·
)＝n1f1(
·
) n2f2(
·
)
…nkfk
(
·
)
ꢀꢀꢀ
(13)
[0075]
式中，fk(
·
)表示第k种类型风机的中心曲线，n代表对应类别风电机组的数量，f
σ
(
·
)表示包含在代表整个风电场的功率。
[0076]
请参阅图1-6一种计及多源风速信息的风电功率超短期预测方法，该方法包括以下步骤：
[0077]
拟合功率曲线：考虑到理想的风电功率曲线不能代替真实的功率输出，通过比较
残差平方和及决定系数得到合适的功率曲线，根据历史实测功率和风速数据，并采用多项式拟合方法拟合得到功率曲线；
[0078]
模型聚类：考虑风电功率曲线的差异性，基于fcm聚类方法，对输出功率相近的风力机进行划分和选择，选择每类中心曲线上距离最小的风力机作为等效风力机，并得到等效风电功率曲线；
[0079]
风电出力预测：当需要对当前日的风电进行预测时，结合所选择的预测模型，结合信息采集系统提供的各项风速信息，通过模型预测当前风电的出力情况。
[0080]
如图1，提供了一种计及多源风速信息的风电功率超短期预测方法的整体流程。
[0081]
图2为本发明用于验证计及多源风速信息的风电功率超短期预测方法的单台风机的历史功率。
[0082]
图3为本发明用于验证计及多源风速信息的风电功率超短期预测方法的单台风机的历史轮毂风速。
[0083]
图4比较了fcm和改进的fcm聚类次数与聚类的迭代次数的关系，结果表明，聚类的初值有效选取直接影响模型的复杂度和精确度，聚类个数越多，迭代次数越多，此外，传统的fcm聚类在聚类数和迭代次数之间具有很强的波动特性，且不具有相对稳定性，而改进的fcm聚类迭代次数相对稳定。
[0084]
图5和图6分别展示了两种波动情况下的预测效果，可以看出，在处于大波动下降情况下，准确率为87.23％，在大波动上升情况下，准确率为88.24％，具有较高的风电预测精度。
[0085]
综上所述，该计及多源风速信息的风电功率超短期预测方法，通过构建聚类模型将输出功率相近的风力机进行归类、拟合，结合多维风速信息来进一步提高风速突变时的预测精度，解决了现有技术中对风电功率超短期预测中不同风机的出力模型难以有效刻画而导致预测误差的技术问题。本发明计及多源风速信息，通过功率风速建立合适的拟合函数，得到机组拟合曲线，并考虑风电功率曲线所具有的差异性，结合改进的fcm聚类对风电功率曲线进行聚类，得到最优的风机风电功率聚类结果，计及多维度风速信息实现的风电功率超短期预测，在风速大波动上升及下降时均具有较高的预测精度。
[0086]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。