[发明专利]利用灰色关联度分析的风电场功率组合预测建模方法

摘要

本发明公开了属于风力发电建模技术领域的利用灰色关联度分析的风电场功率组合预测建模方法。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。预测方法是从气象部门预先采集风速、风向的预测值，从风电场数据采集系统采集实时出力功率；将两者输入数据处理模块进行数据分析提取与归一化，随后导入数据库服务器中；组合预测算法服务器将数据库服务器中处理好的数据提取，分别进行模型训练与功率预测，风电场实时将运行数据传给数据处理模块从而实现滚动预测。本发明达到短期组合预测风电场出力的目的。该发明既最大化的利用了两种算法的优点，又节省了计算资源，缩短了计算时间从而提高了预测效率。

主权项

1.一种利用灰色关联度分析的风电场功率组合预测建模方法，其特征在于，所述风电场功率组合预测建模方法是基于最小二乘支持向量机和反向传播神经网络的风电功率加权组合预测方法，包括以下步骤：(1)数据获取及预处理，风电场功率预测系统所用数据来自两个部分：预测时刻之前的风电场实测风机出力历史值，取自风场监控系统SCADA；风资源预测时刻前的历史值，取自测风塔和当地气象部门的风速和风向；在构造模型输入集和输出集之前需要对数据进行异常剔除纠正处理，继而归一化所得数据集；所述风资源预测时刻前的历史值为按时间序列排布的等时间间隔的风速和风向数据，模型输入样本集构造如下：S(t)＝[X(t-m)，X(t-m+1)，…X(t-1)，D_s(t)，D_c(t)]，其中，X为风电场风机出力值；m为待预测时刻t前的时刻；V为预测时刻的风速；Ds为待预测时刻风向正弦；Dc为待预测时刻风向余弦；X(t)是归一化后的数据集合；训练样本输出集R(t)为待预测时刻t的风电场出力功率值R(t)＝[X(t)]；(2)利用归一化时段1的数据集建立最小二乘支持向量机预测模型并得到实时预测结果：2.1)经验法确定训练样本的个数和模型输入维数，支持向量机在处理小样本以及高维空间的问题具有优势，因此训练样本的个数可以较少，因为支持向量机的训练计算规模与训练样本个数成指数变化，训练样本个数选取的同时要考虑具体计算机硬件条件；2.2)确定核函数和参数取值，选用最小二乘函数作为核函数，设定适当的支持向量机参数，包括全局变量P1和C，P1代表核函数的宽度，C代表经验风险函数和规则化函数之间的折中系数；P1和C的取值范围均设为：(0，10)，通过双重循环方法选择不同的参数组合确定最优的模型结构以确保较小的训练误差，同时训练周期数的确定需要考虑模型训练的计算时间和计算机的硬件要求，避免过度训练以保证模型的泛化性能；2.3)模型训练，确定模型结构之后将训练样本集输入模型，以最小化训练误差为目标，误差计算公式为MRE(Mean Relative Error)：MRE=1NΣWpre-WtrWmax×100%,]]>其中，W_pre为预测值，W_tr为实测值(历史运行数据)，W_max为风电场额定发电量，即每台风机额定功率之和，N为样本规模；2.4)模型预测，将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值；2.5)预测值后处理，将最小二乘支持向量机的模型预测值通过反归一过程还原为实际值，反归一化公式：Y(t)＝u(t)×{max[d(t)]-min[d(t)]}+min[d(t)]，其中，u(t)为预测模型输出值，Y(t)为反归一化后的数据集合，d(t)是原始数据；(3)利用归一化时段1的数据集建立误差反向传播神经网络预测模型并得到实时预测结果：3.1)确定训练样本的个数和模型的输入输出维数，样本个数的确定需考虑模型训练和预测的计算时间及对计算机硬件的要求并采用多维输入单一输出；3.2)设定模型训练周期数或预测误差所达到的最小值，依经验值确定模型结构通过设定不同隐含层的数值；3.3)模型训练，即确定好模型结构之后采用训练样本集输入模型，目标是最小化训练误差，误差计算公式MRE与上述2.3)相同；3.4)模型预测，即将预测样本集输入到模型训练结束后得到的预测模型，得到预测值后将其加入预测样本集作为输入，重新输入模型，依次循环往复得到循环预测值；(4)将两种模型得出的预测结果利用灰色理论进行分析，得出两种预测模型在时段1的权重比：ξ0i(k)=(minimink|x0(k)-xi(k)|+ρmaximaxk|x0(k)-xi(k)||x0(k)-xi(k)|+ρmaximaxk|x0(k)-xi(k)|),]]>其中，x₀表示风电场风机出力实测历史值；x_i表示独立预测模型所得风机出力预测值，i＝1，2；k代表时刻，即数据样本个数；ρ为分辨系数，取值0.5；满足各时段的组合预测结果可以表示为：x(k)＝ξ₀₁(k)x₁(k)+ξ₀₂(k)x₂(k)，将时段1所有时刻两种模型的权重比构成矩阵，如下所示：W=ξ01(1)ξ02(1)MMξ01(k)ξ02(k);]]>(5)利用时段1中预测结果、权重比之间的关系训练BPANN网络，在运用两种模型得出时段2预测结果的基础上按照网络要求输出时段2预测权重比，表示如下：W′=ξ01′(1)ξ02′(1)MMξ01′(k)ξ02′(k);]]>(6)根据两组预测结果以及预测权重比得出最终风电场功率预测结果，如下式：x(k)＝ξ_k1′x₁(k)+ξ_k2′x₂(k)。