一種風電功率預測組合方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種風電功率組合預測方法和系統(tǒng)，通過時間序列法和BP人工神經網絡法分別建立差分自回歸移動平均預測模型（ARIMA）和反向傳播神經網絡預測模型（BP-ANN），然后利用得到的預測結果再建立新的BP-ANN預測模型，最終得到了風電功率的預測值。本發(fā)明充分考慮了兩種單一模型的優(yōu)缺點，并用新的組合方式進行組合，不但實現(xiàn)了不同單一模型的優(yōu)勢互補，也進一步提高了預測精度。
【專利說明】一種風電功率預測組合方法和系統(tǒng)
【技術領域】
[0001]本發(fā)明涉及電力【技術領域】，特別涉及一種風電功率組合預測方法和系統(tǒng)。
【背景技術】
[0002]風電具有間歇性、隨機性和波動性。風電場出力不穩(wěn)，給電網調度、調峰、安全等帶來一系列問題，準確地風電功率預測是解決以上問題的有效方法。
[0003]建立風電功率預測系統(tǒng)對于風電場的日常運營有著重要的意義。根據德國、丹麥等歐洲風電發(fā)達國家的經驗，如果風機檢修全部在小風期或者無風期完成，風電場每年的發(fā)電量將提高2%。此外，風電功率預測系統(tǒng)使風電場可以向電網公司提供準確的天前發(fā)電功率曲線，這使得電網調度可以有效利用風電資源，提高風電發(fā)電上網小時數(shù)額。最重要的是風電場發(fā)電功率隨風速的無序變化是電網無法大規(guī)模接納風電的關鍵因素，因此建立風電功率預測方法和系統(tǒng)是解決這一問題的有效手段。
【發(fā)明內容】
[0004]本發(fā)明的目的在于提供一種風電功率組合預測方法和系統(tǒng)，以解決風電場出力不穩(wěn)，給電網調度、調峰、安全等帶來一系列的問題。
[0005]為解決上述技術問題，本發(fā)明提供一種風電功率組合預測方法，包括:
[0006]獲取風速通過差分自回歸移動平均模型預測生成第一風電功率；
[0007]獲取風速通過反向傳播神經網絡模型預測生成第二風電功率；
[0008]根據所述第一風電功率和第二風電功率進行反向傳播神經網絡模型預測生成最終風電功率。
[0009]優(yōu)選的，在所述的風電功率組合預測方法中，所述差分自回歸移動平均模型預測通過時間序列法生成第一風電功率。
[0010]優(yōu)選的，在所述的風電功率組合預測方法中，所述時間序列法具體包括:
[0011](I)確定樣本序列；
[0012](2)計算樣本序列的自相關和偏相關函數(shù)值；
[0013](3)由自相關和偏相關函數(shù)的圖形分別判斷樣本序列是否平穩(wěn)，若是則轉向(5)，若否則直接轉向(4);
[0014](4)進行平穩(wěn)性處理，對非平穩(wěn)的序列進行差分處理，處理后的數(shù)據轉向(2)，重新判斷平穩(wěn)性；
[0015](5)利用AIC和BIC定階準則確定模型階數(shù)；
[0016](6)利用風速數(shù)據求得各個模型參數(shù)估計值；
[0017](7)判斷擬合模型的殘差序列是否是一個白噪聲序列，若是，則所檢驗的模型合適轉入(8)，若否則轉入(5)；
[0018](8)用上述所建立預測模型對樣本數(shù)據進行滯后48小時的靜態(tài)預測。
[0019]優(yōu)選的，在所述的風電功率組合預測方法中，所述反向傳播神經網絡模型預測通過BP人工神經網絡法生成第二風電功率。
[0020]優(yōu)選的，在所述的風電功率組合預測方法中，所述BP人工神經網絡法具體包括:
[0021](I)確定樣本數(shù)據；
[0022](2)對數(shù)據進行歸一化處理；
[0023]( 3 )給定輸入向量和目標向量；
[0024](4)求隱含層、輸出層各節(jié)點的輸出；
[0025](5)求目標值與實際值之間的偏差；
[0026](6)計算反向誤差；
[0027](7)從最后一層向前計算各權值和閾值對總誤差的影響，即對權值和閾值進行調整；然后轉向(5)，反復計算，直到達到設定的預測誤差范圍內；
[0028](8)用上述所建模型進行預測，得到48個功率預測值。
[0029]優(yōu)選的，在所述的風電功率組合預測方法中，所述根據所述第一風電功率和第二風電功率進行所述反向傳播神經網絡模型預測生成最終風電功率包括:
[0030](I)選取合適的樣本，設定所述樣本的輸入數(shù)據、目標輸出數(shù)據、測試數(shù)據；
[0031](2)建立新的所述反向傳播神經網絡模型預測模型；
[0032](3)利用建立的所述反向傳播神經網絡模型進行風電功率預測，生成最終風電功率預測值。
[0033]相應的，本發(fā)明還提供一種風電功率組合預測系統(tǒng)，包括:
[0034]第一風電功率生成模塊，用于獲取風速通過差分自回歸移動平均模型預測生成第一風電功率；
[0035]第二風電功率生成模塊，用于獲取風速通過通過反向傳播神經網絡模型預測生成第二風電功率；
[0036]最終風電功率生成模塊，用于根據所述第一風電功率和第二風電功率進行通過反向傳播神經網絡模型預測生成最終風電功率。
[0037]本發(fā)明提供的風電功率組合預測方法和系統(tǒng)，具有以下有益效果:本發(fā)明通過時間序列法和BP人工神經網絡法分別建立差分自回歸移動平均預測模型(ARIMA)和反向傳播神經網絡預測模型(BP-ANN)，然后利用得到的預測結果再建立新的BP-ANN預測模型，最終得到了風電功率的預測值。本發(fā)明充分考慮了兩種單一模型的優(yōu)缺點，并用新的組合方式進行組合，不但實現(xiàn)了不同單一模型的優(yōu)勢互補，也進一步提高了預測精度。
【專利附圖】
【附圖說明】
[0038]圖1是本發(fā)明優(yōu)選實施例的風電功率組合預測方法示意圖；
【具體實施方式】
[0039]以下結合附圖和具體實施例對本發(fā)明提出的風電功率組合預測方法和系統(tǒng)作進一步詳細說明。根據下面說明和權利要求書，本發(fā)明的優(yōu)點和特征將更清楚。需說明的是，附圖均采用非常簡化的形式且均使用非精準的比例，僅用以方便、明晰地輔助說明本發(fā)明實施例的目的。
[0040]請參考圖1，其是本發(fā)明優(yōu)選實施例的風電功率組合預測方法示意圖。如圖1所示，本發(fā)明提供一種風電功率組合預測方法，包括:
[0041]步驟一:獲取風速通過差分自回歸移動平均模型預測生成第一風電功率；
[0042]在該步驟中，通過時間序列法建立差分自回歸移動平均預測模型(ARIMA)，生成第一風電功率。
[0043]具體來說，所述時間序列法包括以下步驟:
[0044](I)確定樣本序列；
[0045](2)計算樣本序列的自相關和偏相關函數(shù)值；
[0046](3)由自相關和偏相關函數(shù)的圖形分別判斷樣本序列是否平穩(wěn)，若是則轉向(5)，若否則直接轉向(4);
[0047](4)進行平穩(wěn)性處理，對非平穩(wěn)的序列進行差分處理，處理后的數(shù)據轉向(2)，重新判斷平穩(wěn)性；
[0048](5)利用AIC和BIC定階準則確定模型階數(shù)；
[0049](6)利用風速數(shù)據求得各個模型參數(shù)估計值；
[0050](7)判斷擬合模型的殘差序列是否是一個白噪聲序列，若是，則所檢驗的模型合適轉入(8)，若否則轉入(5)；
[0051](8)用上述所建立預測模型對樣本數(shù)據進行滯后48小時的靜態(tài)預測。
[0052]步驟二:獲取風速通過反向傳播神經網絡模型預測生成第二風電功率；
[0053]在該步驟中，通過BP人工神經網絡法建立反向傳播神經網絡預測模型(BP-ANN)生成第二風電功率
[0054]具體來說，所述BP人工神經網絡法包括以下步驟:
[0055](I)確定樣本數(shù)據；
[0056](2)對數(shù)據進行歸一化處理；
[0057]( 3 )給定輸入向量和目標向量；
[0058](4)求隱含層、輸出層各節(jié)點的輸出；
[0059](5)求目標值與實際值之間的偏差；
[0060](6)計算反向誤差；
[0061](7)從最后一層向前計算各權值和閾值對總誤差的影響，即對權值和閾值進行調整；然后轉向(5)，反復計算，直到達到設定的預測誤差范圍內；
[0062](8)用上述所建模型進行預測，得到48個功率預測值。
[0063]步驟三:根據所述第一風電功率和第二風電功率進行反向傳播神經網絡模型(BP-ANN)預測生成最終風電功率。
[0064]具體來說，該步驟包括以下步驟:
[0065](I)選取合適的樣本，設定所述樣本的輸入數(shù)據、目標輸出數(shù)據、測試數(shù)據；
[0066](2 )建立新的BP-ANN預測模型；
[0067](3)利用建立的BP-ANN模型進行風電功率預測，生成最終風電功率預測值。
[0068]相應的，本發(fā)明還提供一種風電功率組合預測系統(tǒng)，包括:
[0069]第一風電功率生成模塊，用于獲取風速通過差分自回歸移動平均模型預測生成第一風電功率；
[0070]第二風電功率生成模塊，用于獲取風速通過反向傳播神經網絡模型(BP-ANN)預測生成第二風電功率；
[0071]最終風電功率生成模塊，用于根據所述第一風電功率和第二風電功率進行BP-ANN預測生成最終風電功率。
[0072]基此，本發(fā)明通過時間序列法和BP人工神經網絡法分別建立差分自回歸移動平均預測模型(ARIMA)和BP-ANN預測模型，然后利用得到的預測結果再建立新的BP-ANN預測模型，最終得到了風電功率的預測值。本發(fā)明充分考慮了兩種單一模型的優(yōu)缺點，并用新的組合方式進行組合，不但實現(xiàn)了不同單一模型的優(yōu)勢互補，也進一步提高了預測精度。
[0073]上述描述僅是對本發(fā)明較佳實施例的描述，并非對本發(fā)明范圍的任何限定，本發(fā)明領域的普通技術人員根據上述揭示內容做的任何變更、修飾，均屬于權利要求書的保護范圍。
【權利要求】
1.一種風電功率組合預測方法，其特征在于，包括: 獲取風速通過差分自回歸移動平均模型預測生成第一風電功率； 獲取風速通過反向傳播神經網絡模型預測生成第二風電功率； 根據所述第一風電功率和第二風電功率進行反向傳播神經網絡模型預測生成最終風電功率。
2.如權利要求1所述的風電功率組合預測方法，其特征在于，所述差分自回歸移動平均模型預測通過時間序列法生成第一風電功率。
3.如權利要求2所述的風電功率組合預測方法，其特征在于，所述時間序列法具體包括: (1)確定樣本序列； (2)計算樣本序列的自相關和偏相關函數(shù)值； (3)由自相關和偏相關函數(shù)的圖形分別判斷樣本序列是否平穩(wěn)，若是則轉向(5)，若否則直接轉向(4)； (4)進行平穩(wěn)性處理，對非平穩(wěn)的序列進行差分處理，處理后的數(shù)據轉向(2)，重新判斷平穩(wěn)性； (5)利用AIC和BIC定階準則確定模型階數(shù)； (6)利用風速數(shù)據求得各個模型參數(shù)估計值； (7)判斷擬合模型的殘差序列是否是一個白噪聲序列，若是，則所檢驗的模型合適轉入(8)，若否則轉入(5)； (8)用上述所建立預測模型對樣本數(shù)據進行滯后48小時的靜態(tài)預測。
4.如權利要求1所述的風電功率組合預測方法，其特征在于，所述反向傳播神經網絡模型預測通過BP人工神經網絡法生成第二風電功率。
5.如權利要求4所述的風電功率組合預測方法，其特征在于，所述BP人工神經網絡法具體包括: (1)確定樣本數(shù)據； (2)對數(shù)據進行歸一化處理； (3 )給定輸入向量和目標向量； (4)求隱含層、輸出層各節(jié)點的輸出； (5)求目標值與實際值之間的偏差； (6)計算反向誤差； (7)從最后一層向前計算各權值和閾值對總誤差的影響，即對權值和閾值進行調整；然后轉向(5)，反復計算，直到達到設定的預測誤差范圍內； (8)用上述所建模型進行預測，得到48個功率預測值。
6.如權利要求1所述的風電功率組合預測方法，其特征在于，所述根據所述第一風電功率和第二風電功率進行反向傳播神經網絡模型預測生成最終風電功率包括: (1)選取合適的樣本，設定所述樣本的輸入數(shù)據、目標輸出數(shù)據、測試數(shù)據； (2)建立新的反向傳播 神經網絡測模型； (3)利用建立的反向傳播神經網絡模型進行風電功率預測，生成最終風電功率預測值。
7.一種風電功率組合預測系統(tǒng)，其特征在于，包括:第一風電功率生成模塊，用于獲取風速通過差分自回歸移動平均模型預測生成第一風電功率； 第二風電功率生成模塊，用于獲取風速通過反向傳播神經網絡模型預測生成第二風電功率; 最終風電功率生成模塊，用于根據所述第一風電功率和第二風電功率進行反向傳播神經網絡模型預測生成最終風電功率。
【文檔編號】G06Q50/06GK103903071SQ201410155445
【公開日】2014年7月2日 申請日期:2014年4月17日 優(yōu)先權日:2014年4月17日
【發(fā)明者】陳勤勤, 丁國棟, 陳國初, 金建, 公維祥 申請人:上海電機學院