本發(fā)明涉及風(fēng)電系統(tǒng)
技術(shù)領(lǐng)域：
，尤其是涉及一種可以提高風(fēng)電系統(tǒng)輸出功率的短期預(yù)測(cè)的精度的方法。
背景技術(shù)：
：風(fēng)力發(fā)電技術(shù)以其環(huán)保和經(jīng)濟(jì)性在世界范圍內(nèi)得到了廣泛的應(yīng)用，其裝機(jī)容量在2014年中期已達(dá)到336GW，并將隨著智能電網(wǎng)的不斷完善獲得更大的發(fā)展。風(fēng)場(chǎng)功率的短期預(yù)測(cè)保障電力系統(tǒng)的安全與負(fù)荷分配中起著重要的作用，然而，由于風(fēng)能產(chǎn)生的隨機(jī)性和獲取數(shù)據(jù)的不完整性，為預(yù)測(cè)精確且可用的結(jié)果帶來(lái)極大的困難。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有技術(shù)存在的上述問(wèn)題，本申請(qǐng)人提供了一種用于風(fēng)電系統(tǒng)輸出功率的短期預(yù)測(cè)方法。本方法在較少數(shù)據(jù)樣本的情況下盡可能挖掘數(shù)據(jù)的潛在價(jià)值，提高了風(fēng)場(chǎng)輸出功率的短期預(yù)測(cè)精度。本發(fā)明的技術(shù)方案如下：一種用于風(fēng)電系統(tǒng)輸出功率的短期預(yù)測(cè)方法，包括以下步驟：(1)采集風(fēng)場(chǎng)中的歷史功率數(shù)據(jù)作為初始數(shù)據(jù)，數(shù)據(jù)容量不小于4，采集時(shí)間間隔為1-24小時(shí)；(2)將該組數(shù)據(jù)進(jìn)行計(jì)算，得出下一時(shí)刻的風(fēng)場(chǎng)功率預(yù)測(cè)值：設(shè)初始數(shù)據(jù)X(0)為非負(fù)序列，其中，x(0)(k)≥0，其中k＝1,2,…,n，X(1)為X(0)的累加序列，則X(1)＝(x(1)(1),x(1)(2),…,x(1)(n))，其中，其中k＝1,2,…,n；設(shè)Z(1)為X(1)的緊鄰均值序列，則Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))，其中，z(1)(k)＝λx(1)(k)+(1-λ)x(1)(k-1)(k＝1,2,…,n)，λ∈[0,1]；(3)采用粒子群算法優(yōu)化參數(shù)λ，具體優(yōu)化流程如下：Step1：初始化粒子的位置與速度，具體參數(shù)為：粒子的數(shù)量取在25-300，粒子的最大速度取為vmax＝1，最大速度取為vmin＝-1，粒子的位置范圍x∈[0,1]，迭代次數(shù)kmax為200，c1＝c2＝2，ωmax＝0.9，ωmin＝0.4；Step2：根據(jù)粒子的初始位置計(jì)算各粒子所對(duì)應(yīng)的適應(yīng)度值：其中，αrange，αdiff和αcurv分別表示懲罰參數(shù)，協(xié)調(diào)參數(shù)和彎曲參數(shù)；Step3：選取最小的適應(yīng)度值，則將該適應(yīng)度值稱為局部最優(yōu)解pbest；Step4：更新粒子的速度與位置：如果則如果則如果則如果則Step5：更新各粒子所對(duì)應(yīng)的適應(yīng)度值，選取最小的適應(yīng)度值，則將該適應(yīng)度值稱為局部最優(yōu)解pbest；Step6：若未達(dá)到最大迭代次數(shù)kmax，則返回Step4；Step7：選取不同迭代次數(shù)的局部最優(yōu)解的最小值，稱之為全局最優(yōu)解gbest；全局最優(yōu)解所對(duì)應(yīng)的λ即為最優(yōu)值；(4)將所得到的非負(fù)序列X(0)和緊鄰均值序列Z(1)寫(xiě)成如下矩陣形式：通過(guò)公式計(jì)算得出估計(jì)參數(shù)列提取該參數(shù)列的數(shù)據(jù)，得出估計(jì)值的白化方程：x(0)(k)+az(1)(k)＝x(1)(k)-x(1)(k-1)+a((1-λ)x(1)(k-1)+λx(1)(k))＝kb+c通過(guò)求解該方程，可以得到累加序列的估計(jì)值為：則t+1時(shí)刻風(fēng)場(chǎng)功率預(yù)測(cè)的還原值為：采集t+1時(shí)刻的風(fēng)場(chǎng)功率實(shí)際值組成一組初始序列：X(0)＝(x(0)(2),x(0)(3),…,x(0)(k+1))，與該段時(shí)刻的預(yù)測(cè)值相減得到該時(shí)刻預(yù)測(cè)值與實(shí)際值的殘差序列，ε(0)＝(ε(0)(2),ε(0)(3),…,ε(0)(k))，將該序列按照上述方法求解得出在t+1時(shí)刻的殘差估計(jì)值其表達(dá)式為：其中，k0為常數(shù)4；將該時(shí)刻的預(yù)測(cè)值與參加相加，得出在該時(shí)刻的風(fēng)場(chǎng)功率的預(yù)測(cè)值；其公式為：采用可變結(jié)構(gòu)的最小二乘模型作為主要預(yù)測(cè)模型，使其不僅可以應(yīng)用于齊次或非齊次的數(shù)據(jù)處理，也可應(yīng)用于線性自回歸模型，增強(qiáng)了該方法的自適應(yīng)能力，有助于提高預(yù)測(cè)精度。優(yōu)選的，步驟(2)中粒子群算法的初始化參數(shù)將粒子的數(shù)量取為50。優(yōu)選的，αrange＝0.001，αdiff＝1和αcurv＝0.01。粒子群算法的初始化參數(shù)為：粒子的規(guī)模在一定程度上影響了粒子在搜索最優(yōu)解的迭代次數(shù)與收斂速度；一般來(lái)說(shuō)，粒子的數(shù)量取在25-300，本文將粒子的數(shù)量取為50。本發(fā)明有益的技術(shù)效果在于：傳統(tǒng)的預(yù)測(cè)方法很難較為準(zhǔn)確的風(fēng)電系統(tǒng)的輸出功率，即使預(yù)測(cè)效果較為準(zhǔn)確，也需要大量的數(shù)據(jù)準(zhǔn)備，這很難在風(fēng)電系統(tǒng)惡劣的工作環(huán)境之下獲得。針對(duì)風(fēng)場(chǎng)輸出功率短期預(yù)測(cè)所遇到的貧信息、精度低和不確定性高的問(wèn)題，提出一種基于粒子群算法優(yōu)化的動(dòng)態(tài)自適應(yīng)灰色一階模型。該模型以灰色系統(tǒng)理論為基礎(chǔ)，利用粒子群算法改變背景值參數(shù)，對(duì)齊次或非齊次的指數(shù)函數(shù)進(jìn)行連續(xù)優(yōu)化，通過(guò)迭代搜尋和線性化處理提升了預(yù)測(cè)精度。并引入殘差模型對(duì)外界環(huán)境的變化進(jìn)行預(yù)測(cè)，降低了由環(huán)境的不確定性對(duì)預(yù)測(cè)帶來(lái)的影響。采用該預(yù)測(cè)方法，在盡量小的數(shù)據(jù)樣本的條件下，盡可能挖掘數(shù)據(jù)背后所隱藏的信息，并提高預(yù)測(cè)精度。附圖說(shuō)明圖1為用于風(fēng)電系統(tǒng)輸出功率的短期預(yù)測(cè)方法的邏輯框圖；圖2為實(shí)施例中輸出功率的實(shí)際值和預(yù)測(cè)值對(duì)比圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明進(jìn)行具體描述。以比利時(shí)某風(fēng)場(chǎng)在2016年9月8日1-20小時(shí)數(shù)據(jù)為例，采集風(fēng)場(chǎng)中的歷史功率數(shù)據(jù)作為初始數(shù)據(jù)X(0)＝(26.2,31.7,35.7,37.5,38.7)，數(shù)據(jù)容量不小于4，采集時(shí)間間隔為1小時(shí)，如表1所示。表1時(shí)間(Hour)12345功率數(shù)據(jù)(MW)26.231.735.737.538.7具體的預(yù)測(cè)方法的流程如圖1所示：(1)求取該初始數(shù)據(jù)的累加序列X(1)＝(26.2,58.0,93.8,131.4,211.7)；(2)利用粒子群算法優(yōu)化背景值z(mì)(1)(k)＝λx(1)(k)+(1-λ)x(1)(k-1)中的λ，并取得最佳背景值λ＝1；(3)列寫(xiě)出背景值序列Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))，在該案例中背景值序列為Z(1)＝(26.3,78.6,127.9,170.1)；(4)將所得到的非負(fù)序列X(0)和緊鄰均值序列Z(1)寫(xiě)成如下矩陣形式：(5)通過(guò)公式計(jì)算得出估計(jì)參數(shù)列該案例中求取的參數(shù)值分別為：a＝-3.06e-12，b＝1.41，c＝31.00；(6)求解白化方程x(0)(k)+az(1)(k)＝kb+c得到累加序列的預(yù)估值：(7)還原2-6小時(shí)的預(yù)測(cè)值，得到第6小時(shí)預(yù)測(cè)值如表2所示。表2時(shí)間(Hour)23456功率數(shù)據(jù)(MW)33.636.838.639.845.6(8)由預(yù)測(cè)值與初始值相減得到功率的殘差序列ε(0)＝(1.9,-1.1,-1.1,-0.4)；(9)求殘差序列的累加序列ε(1)＝(1.9,0.8,-0.3,-0.7)；(10)利用粒子群算法優(yōu)化背景值z(mì)(1)(k)＝αε(1)(k)+(1-α)ε(1)(k-1)中的α，并取得最佳殘差背景值，并取得最佳背景值α＝0.5；(11)列寫(xiě)出背景值序列Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))，在該案例中背景值序列為Z(1)＝(0.95,1.35,0.25)；(12)將所得到的非負(fù)序列ε(0)和緊鄰均值序列Z(1)寫(xiě)成如下矩陣形式：(13)通過(guò)公式計(jì)算得出估計(jì)參數(shù)列該案例中求取的參數(shù)值分別為：a＝2.2，b＝-2.2，c＝8.2；(14)求解白化方程x(0)(k)+az(1)(k)＝kb+c得到累加序列的預(yù)估值：求解白化方程x(0)(k)+az(1)(k)＝kb+c得到累加序列的預(yù)估值：(15)還原2-6小時(shí)的殘差預(yù)測(cè)值，得到第6小時(shí)預(yù)測(cè)值如表3所示。表3時(shí)間(Hour)23456殘差(MW)1.9-1.1-1.1-1.1-1.1(16)最終得到第六小時(shí)的風(fēng)電系統(tǒng)輸出功率的預(yù)測(cè)值為：(17)同理，滾動(dòng)預(yù)測(cè)15個(gè)小時(shí)的數(shù)據(jù)如下表4所示：表4比利時(shí)風(fēng)場(chǎng)在2016年9月8日1-20時(shí)的實(shí)際輸出功率和通過(guò)本發(fā)明方法和另外五個(gè)模型的分時(shí)段輸出功率的實(shí)際值和預(yù)測(cè)值列于表4和圖2中。另外四個(gè)模型分別為：(1)J.L.Deng.Controlproblemsofgreysystems,SystemsandControlLetters,1982,1；(2)C.F,Tsai.Dynamicgreyplatformforefficientforecastingmanagement,JournalofComputerandSystemSciences,2015,81(6):966-980；2(5):288-294；(3)L.C.Hsu,Applyingthegreypredictionmodeltotheglobalintegratedcircuitindustry,TechnologicalForecastingandSocialChange,2003,70:563-574；(4)B.Zeng,W.Meng,M.Tong.Aself-adaptiveintelligencegreypredictivemodelwithalterablestructureanditsapplication,EngineeringApplicationsofArtificialIntelligence,2016,50:236-344。這五個(gè)模型對(duì)風(fēng)場(chǎng)輸出功率的短期預(yù)測(cè)平均誤差值(MAPE)分別為4.074％、24.002％、14.714％、10.601％和5.904％。實(shí)驗(yàn)表明所提在該類(lèi)數(shù)據(jù)的預(yù)測(cè)中表現(xiàn)出了良好的性能。然而，所提模型在訓(xùn)練值中的平均MAPE相比于GM(1,1)，RGM(1,1)和SAIGM(1,1)模型表現(xiàn)較差。所提方法對(duì)風(fēng)場(chǎng)輸出功率的短期預(yù)測(cè)平均誤差值(MAPE)為4.074％小于10％的誤差要求，符合電力系統(tǒng)對(duì)功率預(yù)測(cè)誤差的要求。在實(shí)際操作中，本方法具有較高的精度，較好地解決了風(fēng)場(chǎng)輸出功率短期預(yù)測(cè)問(wèn)題，具有一定的通用性，當(dāng)使用條件發(fā)生改變時(shí)，只需修改預(yù)測(cè)步數(shù)就可應(yīng)用于新的風(fēng)電系統(tǒng)，以適應(yīng)不同的風(fēng)電生產(chǎn)需要。當(dāng)前第1頁(yè)1 2 3