[发明专利]一种计及风资源利用率预测评估的方法

摘要

本发明一种计及风资源利用率预测评估的方法，涉及风力发动机的监控领域，该方法步骤是：构建风电机组功率五参数模型；灰狼优化算法进行功率模型参数识别；等间隔划分风速段，采用非参数核密度估计法建立各风速段的风资源利用率预测误差概率分布；进行计及风资源利用率区间估计，求得风电机组在给定置信度下的风资源利用率的置信区间；预测评估风资源利用率的波动程度，本发明克服了现有技术所存在的没有进行风资源利用率波动程度的预测评估的缺陷。

主权项

1.一种计及风资源利用率预测评估的方法，其特征在于：将数据样本等间隔划分风速段，采用非参数核密度估计法，分别确定各风速段的预测误差ξ的概率分布F(ξ)，再根据预测误差概率分布F(ξ)求得给定置信度下的风资源利用率C_pa的置信区间，进而预测评估风资源利用率的波动程度，具体步骤如下：第一步，辨识风电机组功率五参数模型中的最优解五个参数：根据实际风速v，引入灰狼优化算法辨识风电机组功率五参数模型的参数，具体操作过程如下：(1.1)步，风电机组功率五参数模型：设计风电机组功率五参数模型如下公式(1)所示，公式(1)中，为通过五参数模型计算出的功率预测值，v为由观测得到的实际风速，X＝[a,b,c,d,g]为风电机组功率五参数模型的特定参数向量，a为预期的最大响应，b为斜率因子，c为过渡位置参数，d为最小响应，g为不对称参数；(1.2)步，在给定范围内产生灰狼优化算法的随机灰狼种群：初始化狼群Y，狼群中的灰狼数量为M，设置灰狼优化算法中的最大迭代次数为N，设定上述(1.1)步中的风电机组功率五参数的上下界，在给定上下界范围内，即在种群中灰狼数量为M的训练集以及参数的上下界范围内产生随机灰狼种群，该随机灰狼种群的特定参数向量的矩阵Y表示如公式(2)所示，Y＝[X₁,X₂,…,X_i,…,X_M]^T   (2)，公式(2)中，X_i为第i个个体特定参数位置向量，X_i＝[a,b,c,d,g]都是由上述(1.1)步中的a,b,c,d,g五个参数组成，其中，1≤i≤M，M为狼群中的灰狼数量；(1.3)步，计算每个个体特定参数位置向量的适应度值：使用如下公式(3)所示均方根误差作为适应度函数，由此计算每个个体的特定参数位置向量适应度值F(X_i)，公式(3)中，v_k为给定风速，其中1≤k≤n，n为给定风速样本个数，P_m(X_i,v_k)为上述(1.2)中的第i个个体特定参数位置向量的确定的五参数模型功率，P_a(v_k)为风速v_k对应的风电机组实际功率；(1.4)步，选择适应度值最好的3个个体特定参数位置向量：适应度值F(X_i)的函数值越小，个体越符合要求，根据此原则选择确定上述(1.3)步计算适应度值F(X_i)最好的3个特定参数个体位置向量，分别记为X_α、X_β、X_δ；(1.5)步，更新适应度值最好的个体特定参数位置向量：上述(1.4)步中的最好的3个个体特定参数位置向量中的X_α由如下公式(4‑1)～(4‑3)得到：D＝|C×X_P(t)‑X(t)|   (4‑1)，X(t+1)＝X_P(t)‑A×D   (4‑2)，公式(4‑1)中，D为个体特定参数位置向量与最优解的距离，t为当前迭代次数，C是与随机数r₁有关的参数，C＝2×r₁，r₁是[0,1]的随机数，X_p为最优解的个体特定参数位置向量，X(t)表示当前个体特定参数位置向量，公式(4‑2)中，A是与随机数r₂有关的参数，A＝2h×r₂‑h，收敛因子h随迭代次数从2线性递减到0，r₂是[0,1]的随机数，公式(4‑3)中，N为最大迭代次数，上述(1.4)步中的X_α带领X_β和X_δ指导整个种群逼近最优解的数学描述如下，D_α＝|C₁×X_α(t)‑X(t)|   (5‑1)，D_β＝|C₂×X_β(t)‑X(t)|   (5‑2)，D_δ＝|C₃×X_δ(t)‑X(t)|   (5‑3)，公式(5‑1)～(5‑3)中，C₁、C₂和C₃为随机向量，D_α、D_β、D_δ分别定义了X_α、X_β、X_δ的前进步长和方向；更新候选个体特定参数位置向量X_ω的位置由以下公式确定，X₁＝X_α‑A₁×D_α   (6‑1)，X₂＝X_β‑A₂×D_β   (6‑2)，X₃＝X_δ‑A₃×D_δ   (6‑3)，X(t+1)＝(X₁+X₂+X₃)/3   (6‑4)，公式(6‑1)～(6‑4)中，A₁、A₂、A₃为随机向量，X(t+1)为更新候选个体特定参数位置向量X_ω的位置；(1.6)步，更新参数h、A、C：随迭代进行不断更新参数a、A、C；(1.7)步，如果当前迭代次数t小于最大迭代次数N，转到上述(1.3)步：(1.8)步，若当前迭代次数t达到最大迭代次数N，输出当前适应度值F(X_i)最好的特定参数个体位置向量X_α的最终位置向量，其中的五个参数即为最优解；至此，辨识了风电机组功率五参数模型中的最优解五个参数，即a为预期的最大响应，b为斜率因子，c为过渡位置参数，d为最小响应，g为不对称参数五个参数；第二步，确定风资源利用率的预测误差ξ：(2.1)步，采用风能利用系数C_p表征风资源利用率，C_p定义方法如下公式(7)所示，公式(7)中，C_p为风资源利用率，ρ为空气密度，单位kg/m³，P为风电机组实际有功功率，单位W；S为叶轮扫风面积，单位m²；v为由观测得到的实际风速，单位m/s，(2.2)步，采用预测误差统计分析方法，确定风资源利用率的预测误差ξ：风资源利用率的预测误差ξ的确定方法如下公式(8)所示，公式(8)中，C_pa为风资源利用率实际值，将观测得到的实际风速v及其对应的风电机组实际有功功率P代入公式(7)，再根据此时的空气密度与叶轮扫风面积即可确定风资源利用率实际值，C_pm为风资源利用率预测值，根据实际风速由上述公式(1)求得风电机组功率预测值，将该风电机组功率预测值代入上述公式(7)来确定；C_pmax为理论上的风资源利用率最大值，根据贝兹理论，取0.593，至此确定风资源利用率的预测误差ξ；第三步，确定各风速段的风资源利用率C_p的预测误差ξ_i及其概率分布F(ξ_i)：所述各风速段为D_i，其中i＝1,2,···,λ，λ为风速段的所分段数，采用非参数核密度估计法建立各风速段的风资源利用率C_p的预测误差ξ_i的概率分布F(ξ_i)，(3.1)等间隔划分风速段：将数据样本等间隔划分成多个风速段，分别进行概率分布统计，设定每一风速段的段长为Δv，整体风速波动范围为[v_l,v_h]，则所分某风速段D_i由如下公式(9)所示：D_i＝[v_l+(i‑1)Δv,v_l+iΔv]   (9)，公式(9)中，i＝1,2,···,λ，λ为风速段的所分段数，λ＝[(v_h‑v_l)/Δv]+1(3.2)求取各风速段的风资源利用率C_p的预测误差ξ_i的概率密度函数f(ξ_i)，并绘出风资源利用率预测误差概率密度曲线：采用非参数核密度估计法求取各风速段的风资源利用率C_p的预测误差ξ_i的概率密度函数f(ξ_i)，并绘出风资源利用率预测误差概率密度曲线，操作如下：取标准高斯核函数K(x)作为非参数核密度估计函数，表达式为公式(10)，对于某一风速段D_i的风资源利用率C_p的预测误差ξ_i，其概率密度函数f(ξ_i)如下公式(11)所示，公式(11)中，T_i为样本总数；L为窗宽；K(x)为标准高斯核函数；ξ_m为误差样本，并依次绘出风资源利用率预测误差概率密度曲线，横坐标为风资源利用率C_p的预测误差ξ_i，纵坐标为概率密度函数f(ξ_i)；(3.3)确定各风速段的风资源利用率C_p的预测误差ξ_i的概率分布F(ξ_i)：采用交叉验证法，选择各风速段的最佳窗宽L值，求得各风速段的风资源利用率C_p的预测误差ξ_i的概率分布F(ξ_i)；第四步，确定风电机组在给定置信度下的风资源利用率波动区间：根据上述第三步所得各风速段的风资源利用率C_p的预测误差ξ_i的概率分布F(ξ_i)，确定风电机组在给定置信度下的风资源利用率波动区间的过程如下，利用上述第三步所得各风速段的风资源利用率C_p的预测误差ξ_i的概率分布F(ξ_i)，做出给定置信度1‑α下计及风资源利用率实际值C_pa的置信区间为公式(12)所示，C_pa∈[C_pl,C_pu]_1‑α   (12)，公式(12)中，C_pl为风资源利用率置信下限；C_pu为风资源利用率置信上限；1‑α为给定置信度，有1‑α＝P{C_pl<C_pa<C_pu}，0<α<1，其中，风资源利用率置信下限C_pl和风资源利用率置信上限C_pu的计算式分别为公式(13)和公式(14)，C_pl＝C_pm+G(α/2)×C_pmax   (13)，C_pu＝C_pm+G(1‑α/2)×C_pmax   (14)，公式(13)和公式(14)中，G(η)为各风速段的风资源利用率C_p的预测误差ξ_i的概率分布F(ξ_i)的反函数，其中η如下公式(15)所示，P{ξ≤G(η)}＝η   (15)，由此，确定风电机组在给定置信度下的风资源利用率波动区间为[C_pl,C_pu]；第五步，预测评估风资源利用率的波动程度：(5.1)步，对于某一风资源利用率的预测值C_pm，找到其对应的实际风速，判断其所在风速段；(5.2)步，求得预测误差ξ的α/2和1‑α/2对应点：根据上述第三步中已经求得的各风速段的风资源利用率预测误差概率密度f(ξ_i)，查找该风资源利用率预测值所处风速段的风资源利用率C_p预测误差ξ_i的概率密度曲线，求得预测误差ξ的α/2和1‑α/2对应点；(5.3)步，根据上述第四步中给出的风资源利用率置信区间的置信下限C_pl和风资源利用率置信上限C_pu的计算式公式(13)和公式(14)，求出上述(5.2)步中所述风资源利用率C_p预测值所处风速段的区间估计的边界值，进而给出给定置信度1‑α下该风资源利用率C_p预测值的置信区间；(5.4)步，同理求得各风速段的所有风资源利用率C_p预测值的置信区间，分别连接各个风资源利用率C_p预测值置信区间上下限，形成全风速段的风资源利用率C_p估计曲线；至此，根据全风速段的风资源利用率C_p估计曲线预测评估风资源利用率的波动程度。