基于STCP-BP的風速預測方法技術領域本發(fā)明涉及一種用于風電場的風速預測方法，屬于發(fā)電技術領域。

背景技術：
隨著環(huán)境問題的日益突出與能源危機的日益加劇，風力發(fā)電得到了飛速發(fā)展。大規(guī)模風電并網在帶來顯著的環(huán)境和經濟效益的同時，風能本身的不確定性和間歇性所造成的風電并網消納和電網運行安全問題也日益突出。如果能對風功率進行準確的預測，就可以減少電力系統(tǒng)的運行成本和旋轉備用，提高風電穿透功率極限，有利于調度部門及時調整計劃，從而減輕風電的間歇性對電網的影響。目前，風電功率的預測方法有多種類型，按照預測時效劃分，可分為超短期、短期、中期和長期預測；按照預測對象不同，可分為基于風速的預測和直接功率的預測；按照模型預測原理不同，可分為統(tǒng)計方法、學習方法與物理方法。由于風電功率與風速緊密相關，風速預測是風電功率預測的基礎。近年來，國內外學者對風速預測的理論和方法已經進行了廣泛研究，不斷應用于風速預測中，其中較常用的有時間序列分析，人工神經網絡、支持向量機、模糊理論等等。其中，由于人工神經網絡具有分布并行處理，非線性映射，自適應學習能力，魯棒和容錯性等特點，在風速預測中應用最為廣泛。然而，由于風速演變的影響因素諸多并且復雜，其風速序列表現(xiàn)出很強的不確定性和隨機性，以往的風電場短期風速預測大都基于目標預測點的風速序列，預測精度不高。如果考慮相近鄰地點間的風速演變的物理特性，建立風的運動方程解析式，就能夠提高風速單步預測的精度，然而存在一個很現(xiàn)實的問題就是預測時效較短，不符合風電接入的實際要求，因此，如何既能考慮風速演變的物理特性，又能實現(xiàn)直接多步預測，就成為亟需解決的問題。

技術實現(xiàn)要素：
本發(fā)明的目的在于針對現(xiàn)有技術之弊端，提供一種既能考慮風速的時空相關特性，又能實現(xiàn)風速直接多步預測的基于STCP-BP的風電場風速預測方法。本發(fā)明所述問題是以下述技術方案實現(xiàn)的：一種基于STCP-BP的風速預測方法，所述方法首先利用目標預測點盛行風向的上風向鄰域點的風速及風向信息，建立時空相關性預測（STCP）模型，得到目標預測點的風速預測值；然后運用目標預測點的歷史風速數(shù)據(jù)建立BP神經網絡直接多步預測模型，得到目標預測點的未來多步風速預測值；最后將兩種預測值進行平均組合預測，得到目標預測點風速的直接多步預測值。上述基于STCP-BP的風速預測方法，預測步驟如下：a.建立時空相關性預測（STCP）模型，得到目標預測點風速預測值，具體步驟為：1）考察風電場及附近區(qū)域的盛行風向，選盛行風向的上風向的兩個點作為目標預測點s0鄰域內的時空相關點s1和s2，測量每兩點之間的距離矢量，包括距離相角及距離長度；2）利用選定的目標預測點s0鄰域內的兩個時空相關點s1和s2的風速信息，運用線性關系估計傳播風速和目標預測點s0的風速矢量，所使用的估計模型為：，，，式中，為傳播風速，表示距離矢量，表示點積，A為兩個時空相關點s1和s2的統(tǒng)稱，B即為目標預測點s0，為時間，、、、均為常數(shù)；3)誤差修正，修正方程為：，其中c是一個常參數(shù)，e(t-1)是非校正STCP模型的前一時刻風速矢量誤差；4）最小二乘法優(yōu)化STCP模型參數(shù)p=[a0,a1,b0,b1,c]，并確定STCP預測結果的嵌入維數(shù)n和m；5)應用STCP模型在測試樣本集內進行測試：基于s1點當前及過去n-1個時刻的風速信息，用優(yōu)化的STCP模型對s0點的未來風速進行預測，得到對應的不等間隔的n個預測值、…；基于s2點當前及過去m-1個時刻的風速信息，用優(yōu)化的STCP模型對s0點的未來風速進行預測，得到對應的不等間隔的m個預測值、…；b.運用目標預測點s0的歷史風速數(shù)據(jù)，建立BP神經網絡直接多步預測模型，進行訓練、測試，得到未來h步預測值、…，；c.將BP神經網絡的多步預測值與STCP相應時刻預測值進行組合預測，得到目標預測點風速的直接多步預測值。上述基于STCP-BP的風速預測方法，將BP神經網絡的多步預測值與STCP相應時刻預測值進行組合預測的具體步驟如下：令i=1，(i<=h)在、…范圍內尋找滿足條件t0+i=ts1-j的，若搜索到，則將兩種預測算法所得的預測風速進行組合，即：；若搜索不到，則有：；其中，λSTCP為STCP的加權平均系數(shù)，λBP為BP的加權平均系數(shù)，且有λSTCP+λBP=1；i=i+1，判斷i<=h,若是執(zhí)行；否則就執(zhí)行；站點變更為s2，按照上述～步驟，得到STCP與BP兩種預測算法的組合值；將搜索范圍鎖定在s1及s2兩個站點的n+m個風速預測值內，得出組合預測結果；改變多步預測的步數(shù)h（h=12,18,24），重復步驟～。上述基于STCP-BP的風速預測方法，采用最小二乘法優(yōu)化STCP模型參數(shù)p=[a0,a1,b0,b1,c]，時所建立的目標函數(shù)為：，式中，x為目標預測點的時刻的風速真實值，f(p)為目標預測點s0的預測風速。本發(fā)明在傳統(tǒng)神經網絡預測方法的基礎上加入了上風向觀測點的風速信息，既考慮了風速演變的時空相關特性，又采用統(tǒng)計方法實現(xiàn)多步預測，大大提高了風電場風速的預測精度。所述方法能夠為調度部門制定和調整計劃提供可靠的參考數(shù)據(jù)，從而減輕了風電的間歇性對電網的影響。附圖說明下面結合附圖對本發(fā)明作進一步說明。圖1為風電場群的相對位置圖；圖2為本發(fā)明所采用算法的流程框圖；圖3為s1對s0的時延的概率統(tǒng)計分布圖；圖4為s2對s0的時延的概率統(tǒng)計分布圖；圖5為s0點風速序列自相關函數(shù)。文中各符號清單為：為傳播風速，表示距離矢量，表示點積，A為兩個時空相關點s1和s2的統(tǒng)稱，B即為目標預測點s0，為時間，、、、、c均為常數(shù)，e(t-1)是非校正STCP模型的前一時刻風速矢量誤差，x為目標預測點的時刻的風速真實值，f(p)為目標預測點s0的預測風速，λSTCP為STCP的加權平均系數(shù)，λBP為BP的加權平均系數(shù)，h為多步預測的步數(shù)。具體實施方式以中國冀北某風電場群為算例風電場。冀北地區(qū)風力資源豐富，盛行風是西北至東南風，冬季大多是由這樣的天氣形勢為主。如圖1所示，安裝風機的三個點s1、s2、s0，距離分別為s1s2=48km,s1s0=132km,s2s0=85km，海拔高度分別為1554m,1427m和1549m。風電場實際運行數(shù)據(jù)取自SCADA數(shù)據(jù)，時間間隔為10min。2009年11-12月的風電場實際運行數(shù)據(jù)作為訓練集。選取1月某天的數(shù)據(jù)作為測試集?；赟TCP-BP的風電場風速預測方法，其算法的流程框圖，參見附圖2，具體包括以下步驟：a.基于時空相關點的風速演變規(guī)律，建立時空相關性預測（STCP）模型，得到目標預測點的風速預測值，具體步驟為：1）考察該風電場及附近區(qū)域的盛行風向，選盛行風向的上風向的兩個點作為目標預測點s0鄰域內的時空相關點s1和s2，測量兩點之間的距離矢量，包括距離相角及距離長度，見圖1。2）運用上風向點的鄰域點s1和s2風速信息，分別運用線性關系去估計傳播風速和下風向點的風速矢量。式中，為傳播風速，表示距離矢量，表示點積；A為上風向點s1和s2的統(tǒng)稱，B即為下風向點s0。為了準確尋找下風向s0點未來時刻的原始風速，更便于模型的優(yōu)化，這里我們對四舍五入取整；3)誤差修正，修正方程為，其中c是一個常參數(shù)，e(t-1)是非校正STCP模型的前一時刻風速矢量誤差；4)最小二乘法優(yōu)化STCP模型參數(shù)p=[a0,a1,b0,b1,c]，目標函數(shù)為：。式中，x為目標預測點的時刻的風速真實值。f(p)為下風向點的預測風速，是關于STCP模型參數(shù)的非線性函數(shù)。選擇初始值為p0=[0，1，0，1，-1]，經最小二乘法尋優(yōu)后的結果分別為：P1=[0，0.8，-0.0022，0.3192，-0.8913]，p2=[0，0.9，0.4089，0.6108，-0.7395]；圖3-圖4分別為從s1和s2到s0點的時延概率統(tǒng)計分布圖。由圖可知，s1對s0的平均延遲時間為170min，s2對s0的平均延遲時間為150min，由此，選擇STCP預測結果的嵌入維數(shù)為n=17，m=15。5)STCP模型在測試樣本集內進行測試：基于s1點當前及過去16個時刻的風速信息，用優(yōu)化的STCP模型對s0點的未來風速進行預測，得到對應的不等間隔的17個預測值、…。基于s2點當前及過去14個時刻的風速信息，用優(yōu)化的STCP模型對s0點的未來風速進行預測，得到對應的不等間隔的15個預測值、…。b.運用目標預測點s0點的歷史風速數(shù)據(jù)，建立BP神經網絡直接多步預測模型，得到未來h步預測值、、…，;上述BP模型的建立包括下面具體的步驟：I傳輸函數(shù)的確定隱含層神經元采用非線性傳遞函數(shù)tansig，輸出層神經元采用線性傳遞函數(shù)purelin。II網絡結構的確定。觀察s0點風速時間序列的自相關函數(shù)圖（見圖5）可知，過去滯后6階之內的歷史風速值與當前時刻的風速的自相關系數(shù)在0.8以上，說明當前時刻之前的最近的6個時刻的風速對當前風速有較大影響，再往前對當前風速的影響相對較小，選擇輸入神經元個數(shù)為6；根據(jù)Kolmogorov定理：若3層BP輸入層神經元個數(shù)為n，則隱含層神經元個數(shù)選為2n+1個，則網絡能夠以一定精度逼近非線性函數(shù)，可知網絡隱含層的神經元為13個；對未來1-4小時的每10min的風速分別進行預測，即如果預測未來n時的風速，則需要提前預測預測6n步，輸出層神經元的個數(shù)與預測步數(shù)一致。III分別進行四種不同預測時效的風速預測，即提前1、2、3、4小時預測。將每個樣本的前6個值作為BP神經網絡的輸入，后6n個值作為目標輸出，進行網絡訓練及測試，得到h步預測值，、…，；c.將BP網絡的多步預測值與STCP相應時刻預測值進行組合，從而實現(xiàn)目標預測點風速的直接多步預測，包括以下具體的步驟：令i=1,在、…范圍內尋找滿足條件t0+i=ts1-j的，若搜索到，則將兩種預測算法所得的預測風速進行組合，即：；若搜索不到，則有：。其中，λSTCP為STCP的加權平均系數(shù)，λBP為BP的加權平均系數(shù)，通過多次試驗取為λSTCP=λBP=0.5；i=i+1,判斷i<=h，若是則執(zhí)行，否則執(zhí)行；改變?yōu)檎军cs2的15個預測風速值，按照上述步驟～，得到STCP與BP兩種預測算法的組合值；同理，將搜索范圍鎖定在s1及s2兩個站點的32個風速預測值內，得出組合預測結果；改變多步預測的步數(shù)h（h=12,18,24），重復步驟～。結果分析將BP神經網絡的預測結果與本發(fā)明的STCP-BP的預測結果進行對比分析，結果如下：隨著預測時效的增長，STCP-BP的預測誤差明顯的增大。與單純BP網絡的預測結果相比，本發(fā)明所提出方法的預測精度提高的百分比分別為10.27%，17.82%，25.23%，22.74%，即隨著預測時效增加而增加，在提前18步預測時到達最大值，之后又減小，究其原因是因為上風向站點對于目標預測點的時延大概是17個步長的時間，在該時間范圍，基于風速的物理特性的STCP的預測結果大部分都與BP神經網絡的預測結果進行了組合，預測精度得以提高。進行提前4小時預測，即24步預測時，單純采用BP神經網絡的MAE為1.7310，當加入較近站點的STCP結果時，MEA降到1.3374，提高了12%，而加入較遠站點STCP的預測結果之后，MAE為1.4061，提高了近19%；由此說明，當預測時效較長時，較遠站點的時空相關性信息對于目標預測點預測精度的提升有顯著的影響。以上所述是本發(fā)明的優(yōu)選方式而已，并非用來限定本發(fā)明的權利保護范圍，對于本領域技術人員來說，凡對本發(fā)明技術方案進行的修改或等同替換，均應在本發(fā)明的保護范圍之內。