专利名称：一种受气象信息影响的新能源发电能力动态组合分析方法
技术领域：
本发明属于电网节能经济调度以及计算机人工智能应用交叉领域，尤其涉及一种受气象信息影响的新能源发电能力动态组合分析方法。
背景技术：
本申请所涉及的受气象信息影响的新能源发电能力分析方法主要针对风电场未来几小时至几天内的出力能力分析。当风电场作为电源接入到电力系统后，风电本身的随机性、波动性和间歇性随着容量的扩大对电力系统的冲击越来越大。如果不能对风电的短期出力情况进行准确分析，就必须在电力系统当中留有与风电容量相当的备用容量进行调峰。而当分析结果能够达到足够的精度时，将风电出力作为负的负荷叠加到负荷预测的曲线上，就可以像传统的电力系统调度方式一样根据预测的负荷与风电出力安排常规机组的发电计划，从而优化发电机组的开机组合，降低整个电网运行的费用。因此，作为新能源调度的一部分，降低风电接入对电网调度的风险及对备用容量的要求，对风电进行短期出力分析显得十分必要和迫切。下面着重介绍目前在本领域的一些常用的和比较前沿的分析方法。人工智能算法。目前越来越多的机器学习方法开始逐渐引入到预测领域，其中代表性的有人工神经网络(Artificial Neural Network)及支持向量机(SUPPORT VECTORMANCHINE)算法等。但很难用单纯的一种算法解决所有复杂的实际非线性问题。组合预测技术。组合预测方法(Combination Forecast)是一种根据实际情况灵活使用多种方法进行组合计算，以解决某一问题的技术。它会根据实际情况的不同把不同的算法按照不同的策略有机地结合起来，从而完成单一算法无法完成的或者准确度、效率执行不高的任务。组合预测技术在目前国内风电预测领域应用还是一个崭新的课题。NWP技术。NWP (数值型天气预报，Numeral Weather Prediction)是一种精确数值化的天气预报模式，NWP根据实时大气情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解天气演变过程的流体力学和热力学方程组，预测未来一定时段的大气运动状态和天气现象的方法。由于风电对天气情况的敏感性，使用高精度NWP数据对风电功率出力建模是短期风电出力分析的最有效途径。影响NWP精度的最大因素是NWP的分辨率，高分辨率下的NWP能够精确地预报某一点(如每台风机处)的天气(风速、风向等)， 但由于NWP主要是靠高性能的大型电子计算机计算，精度与计算量成平方次增长，因此高分辨率的NWP计算成本很高。当前的NWP精度一般能从数十平方公里(如60km2、30km2或 20km2)到 Ikm2 或 2km2。
发明内容
本发明的目的在于，针对目前普遍使用的短期风电出力分析系统精确性不高的问题，提出一种受气象信息影响的新能源发电能力动态组合分析方法，其通过对风场的大规模数据量按不同地理高度组成多个样本，并同时对这些样本以及多种或多个回归算法权重进行动态调整，最终利用多个学习机的组合模型进行预测，从而增强系统的泛化能力以及预测精度。本发明的技术方案如下。一种受气象信息影响的新能源发电能力动态组合分析方法，其特征在于，所述方法包括下列步骤一种受气象信息影响的新能源发电能力动态组合分析方法，其特征在于，所述方法包括下列步骤步骤1 测量风电场实测数据，获取数值天气预报数据，对风电场实测数据/数值天气预报数据进行预处理后得到统计数据，其中，所述风电场实测数据包括实测的风速、风向、温度、降水和地形高度，所述数值天气预报数据包括预报的风速、风向、温度和降水，所述统计数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦和风向余弦；步骤2 对所述实测数据和对所述实测数据经过预处理后得到的所述统计数据按照弱学习机的输入数据结构组织样本，其中训练集样本输入数据包括瞬时风速、最大风速、 最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水以及样本权重，训练样本的输出为某d日某t时刻的风电场出力值P(d，t)；步骤3 将训练集按照测风塔不同测量高度拆分，生成T个子训练集，按照等分概率原则初始化T个子训练集中各样本初始权重，其中T为样本集的拆分个数，初始化样本权重公式如下Weight ⑴=1/n其中，i表示某个样本集中的某个样本，η表示该样本集的样本总数；步骤4 通过T个弱学习算法、即弱学习机分别对T个子训练集中各样本进行训练、并使用PSO粒子群优化算法进行参数寻优后得到相应的回归模型。每个弱学习机的概率权重初始化公式为α j = 1/T j e [1, Τ]；步骤5 按照各弱学习机的计算精度重新分配各弱学习机的概率权重，若尚未达到迭代上限或未满足验证条件，则调整各子训练集中的样本权重，返回步骤4，否则进入步骤6，其中，重新分配各弱学习机的概率权重按如下公式计算α j = (1/2) In [ (I-Eerr) /Eerr]，其中，％是某个弱学习机的概率权重，Eerr为当前该弱学习机所得预测模型的测试精度，Eerr的计算公式如下
权利要求
1. 一种受气象信息影响的新能源发电能力动态组合分析方法，其特征在于，所述方法包括下列步骤步骤1 测量风电场实测数据，获取数值天气预报数据，对风电场实测数据/数值天气预报数据进行统计后得到统计数据，其中，所述风电场实测数据包括实测的风速、风向、温度、降水和地形高度，所述数值天气预报数据包括预报的风速、风向、温度和降水，所述统计数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦和风向余弦；步骤2 对所述实测数据进行预处理后按照弱学习机的输入数据结构组织样本，其中训练集样本输入数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、 温度、湿度、降水以及样本权重，训练样本的输出为某d日某t时刻的风电场出力值P(d， t)；步骤3 将训练集按照测风塔不同测量高度拆分，生成T个子训练集，按照等分概率原则初始化T个子训练集中各样本初始权重，其中T为样本集的拆分个数， 初始化样本权重公式如下 Weight ⑴=1/n其中，i表示某个样本集中的某个样本，η表示该样本集的样本总数； 步骤4 通过T个弱学习算法、即弱学习机分别对T个子训练集中各样本进行训练、并使用PSO粒子群优化算法进行参数寻优后得到相应的回归模型，每个弱学习机的概率权重初始化公式为α j = 1/T je[l，T]步骤5 :按照各弱学习机的计算精度重新分配各弱学习机的概率权重，若尚未达到迭代上限或未满足验证条件，则调整各子训练集中的样本权重，返回步骤4，否则进入步骤6， 其中，重新分配各弱学习机的概率权重按如下公式计算 Oj = (1/2) In [(I-Eerr)/Eerr],其中，％是某个弱学习机的概率权重，Em为当前该弱学习机所得预测模型的测试精度，Eerr的计算公式如下Kr = Σ (O, - hJ x Weight(J))i其中，j表示第j个弱学习机，Hj表示该学习机对应样本的样本规模，hj(Xi)表示该学习机的预测出力值，所述调整各子训练集中的样本权重的公式为Weight '(ζ) = Weight^ / K x\11Weight' (i)为更新后的样本权重，是归一化系数，用于将Weight' (i)服从某一相应分布，ξ则为误差期望；步骤6 利用步骤5得到的各弱学习机概率权重组合成强学习机，并对预测样本进行预测，其中所述预测样本输入数据为风电场未来M小时数值天气预报数据，包括瞬时风速、 最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水，为了保持与训练样本内容一致，预测样本中同样加入样本权重并全部置0，按照前述训练样本的划分方式依据不同地形高度进行拆分，所述预测样本输出数据为相应时刻的风电场总出力。
2.根据权利要求1所述的分析方法，其特征在于，在步骤2中，所述预处理优选包括剔除或修正所述实测数据/数值天气预报数据中的不良数据、填补缺损数据、对不良数据进行平滑处理，所述不良数据是指超过最大总装机容量，或超出设定阈值的实测数据；将风向按360°完全数值化，计算风向正弦、风向余弦值。
3.根据权利要求2所述的分析方法，其特征在于，所述缺损数据优选利用其前后相邻时刻的历史数据进行填补，计算公式如下P(d, t) = α1*P (d, t-l) + a 2*P(d, t+1)其中，P(d，t)为第d天某t时刻的缺损数据，P(Clpt)和P(d2，t)分别为与该日相邻的相同日期类型t时刻功率数据，αι、Ci2为前两者各自对应的数据权重。
4.根据权利要求1所述的分析方法，其特征在于，在所述步骤3中，T优选为4，将所述训练集按测风塔50米、70米、100米、120米高度的测量数据拆分。
5.根据权利要求1所述的分析方法，其特征在于，在步骤4中，优选包括以下内容-4. 1 初始化PSO粒子群，随机生成m个粒子，初始化速度矩阵和位置矩阵；-4. 2 根据样本分布构造T个弱学习机，hj(Xi) =P(XiJiJeighta)), j e [l，T]，i e [Lnj]其中，Xi^i表示第j个样本集的输入和输出，Weight (i)为样本权重分布，r^.为第j个样本集的样本规模；-4.3 利用弱学习机分别对T个子训练集进行训练并生成T个回归模型，评估h (Xi)的计算误差，计算误差函数如下
全文摘要
本发明公开了电网节能经济调度以及计算机人工智能应用交叉领域的一种受气象信息影响的新能源发电能力动态组合分析方法。首先进行数据预处理。然后将历史记录的实测数据或气象预报根据不同地形高度拆分成多个样本集，每个样本集给出初始权重分布，然后使用粒子群算法和多个学习算法对不同样本集进行训练生成多个分析模型，使用粒子群算法的目的是对算法参数的自动寻优。每个学习算法根据精度调整对应样本集中样本的权重分布，为了突出误差大的样本，将其权重增加，反之减小，同时各个学习算法之间的权重根据各模型计算精度进行调整，将误差大的模型权重减小，反之增大。最后根据最终生成的多个训练模型及其之间的权重分布进行预测。
文档编号G06K9/66GK102184337SQ20111015115
公开日2011年9月14日 申请日期2011年6月7日 优先权日2011年6月7日
发明者刘克文, 周京阳, 周海明, 李强 申请人:中国电力科学研究院