一种基于风速因子控制模型的风电超短期功率预测方法
【专利摘要】本发明提供一种基于风速因子控制模型的风电超短期功率预测方法，包括以下步骤：利用ARIMA模型进行超短期功率预测；利用BP神经网络模型进行超短期功率预测；通过风速因子控制模型完成风电超短期功率预测。本发明提供的基于风速因子控制模型的风电超短期功率预测方法，能够在评价ARIMA模型和BP神经网络模型的基础上，针对运行环境对上述两个模型进行切换，从而提高风电超短期功率预测的准确性。
【专利说明】-种基于风速因子控制模型的风电超短期功率预测方法
【技术领域】
[0001] 本发明属于风电功率预测【技术领域】，具体涉及一种基于风速因子控制模型的风电 超短期功率预测方法。
【背景技术】
[0002] 风电功率超短期预测技术主要是针对未来0-4小时的时间分辨率15分钟的风电 功率进行预测，准确的超短期预测可以为电网AGC控制提供保障，有利于实时调整电网调 度计划、安排备用容量，提高系统的安全稳定和经济运行。
[0003]目前超短期预测预测的单一模型有了比较深入的研究，其研究成果应用于各大网 省级调度部门以及场站，但是由于各个应用场景的不同，这些模型的应用具有一定的局限 性。申请号为201110388041. 9的发明专利提供一种风电功率超短期预测方法，首先采集 风电场的风速、风向和风电功率数据，形成样本集；然后对样本集进行数据预处理；之后利 用深度自动编码器网络对预处理后的样本集进行降维；最后用降维后的样本集对相关向量 机回归模型进行训练，然后利用训练后的相关向量机回归模型对超短期的风电功率进行预 测。该发明专利中支持向量机方法适用于解决小样本、非线性的情况下较为适用，而神经网 络模型则有助于解决大样本训练集的情况，这种适用条件决定了单一模型在某些情况下会 降低超短期功率预测的准确性。
【发明内容】
[0004] 为了克服上述现有技术的不足，本发明提供一种基于风速因子控制模型的风电超 短期功率预测方法，能够在评价ARIMA模型和BP神经网络模型的基础上，针对运行环境对 上述两个模型进行切换，从而提高风电超短期功率预测的准确性。
[0005] 为了实现上述发明目的，本发明采取如下技术方案：
[0006] 本发明提供一种基于风速因子控制模型的风电超短期功率预测方法，所述方法包 括以下步骤：
[0007] 步骤1:利用ARIMA模型进行超短期功率预测；
[0008] 步骤2 :利用BP神经网络模型进行超短期功率预测；
[0009] 步骤3 :通过风速因子控制模型完成风电超短期功率预测。
[0010] 所述步骤1具体包括以下步骤：
[0011] 步骤1-1 :采用前一天24小时内共96个点对实测功率进行差分，获得平稳时间序 列；
[0012] 步骤1-2:建立ARIMA模型，得到未来4小时内共16个点的超短期功率预测结果。
[0013] 所述步骤1-1具体包括以下步骤：
[0014]步骤-1-1 :设Axt为t时刻的实测功率Xt与t-Ι时刻的实测功率xt_i的差值，其 表示为：
[0015] Δxt =X1-Xh=Xt-Lxt = (I-L)Xt
[0016]于是，有：
【权利要求】
1. 一种基于风速因子控制模型的风电超短期功率预测方法，其特征在于：所述方法包 括以下步骤： 步骤1 :利用ARIMA模型进行超短期功率预测； 步骤2 :利用BP神经网络模型进行超短期功率预测； 步骤3 :通过风速因子控制模型完成风电超短期功率预测。
2. 根据权利要求1所述的基于风速因子控制模型的风电超短期功率预测方法，其特征 在于：所述步骤1具体包括以下步骤： 步骤1-1 :采用前一天24小时内共96个点对实测功率进行差分，获得平稳时间序列； 步骤1-2 :建立ARIMA模型，得到未来4小时内共16个点的超短期功率预测结果。
3. 根据权利要求2所述的基于风速因子控制模型的风电超短期功率预测方法，其特征 在于：所述步骤1-1具体包括以下步骤： 步骤-1-1 :设Λ Xt为t时刻的实测功率Xt与t-Ι时刻的实测功率xt_i的差值，其表示 为：
其中，L为滞后算子，d为平稳时间序列对应的差分次数； 步骤1-1-2 :根据赤池信息量准则判定ARIMA阶数参数，ARIMA阶数参数包括自回归项 数P、移动平均项数q以及平稳时间序列对应的差分次数d ; 步骤1-1-3 :将平稳时间序列表不为： Wt = Δ dxt = (I-L)dXt 其中，Wt表示平稳时间序列。
4. 根据权利要求1所述的基于风速因子控制模型的风电超短期功率预测方法，其特征 在于：所述步骤1-2具体包括以下步骤： 步骤1-2-1 :建立ARMA模型，其可表示为： Wt = Φ lWt-!+ Φ 2Wt_2+. . . + Φ iW^i+. . . + Φ pwt_p+ δ +Ut+ Θ lUt_!+ θ 2ut_2+. . . + θ jU^j+. . . + θ q ut-q 其中，S为常数项；Ut表示白噪声，且其服从标准正态分布；(^为自回归项的系数，i =1，2, . . .，P ; Θ j为移动平均项的系数，j = 1，2, . . .，q ; 步骤1-2-2:采用极大似然法对Φρ θ ^和δ分别进行估计，令参数集Θ = {Φ^ θ」，δ}，构造似然函数L(〇,。2)如下：
其中，〇为标准差，T为学习样本的个数； 对L(〇，σ2)取自然对数得到1(0, 〇2)，其表示为：
于是，θ的估计值?表示为： Θ = arg max /(Θ,<τ2) 十叶I 从而即可得到Φρ θ」和δ各自的估计值#、&和 于是，~的估计值#可表示为： ΛΛΛ Λ ΛΛΛΛ Λ Wi =於 I1 + 色 Wi-2 + …+ 於 Wh + …+ A + 5+ ^ Mp1 + A Η，-2 + …+ ^ % + …+ 6^/卜(/ 通过;;,的表达式依次推导即可计算未来4小时内共16个点的平稳时间序列，进而得到 未来4小时内的功率预测结果。
5. 根据权利要求1所述的基于风速因子控制模型的风电超短期功率预测方法，其特征 在于：所述步骤2具体包括以下步骤： 步骤2-1 :输入历史风速和预测功率结果作为学习样本，使用反向传播算法对网络的 权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能接近，当网络输出层的 误差平方和小于误差指定值时训练完成，保存网络的权值和偏差； 步骤2-2 :将来自于数值天气预报的未来预测风速值输入BP神经网络模型，得到未来4 小时内的超短期功率预测结果。
6. 根据权利要求1所述的基于风速因子控制模型的风电超短期功率预测方法，其特征 在于：所述步骤3具体包括以下步骤： 步骤3-1 :分别计算通过ARIMA模型得到的超短期功率预测结果和通过BP神经网络模 型得到超短期功率预测结果与实测功率值之间的误差ei (t)、e2 (t)，有： ^ = Pfi-Pi,, 二 h - Pp2t 其中，为通过ARIMA模型得到的超短期功率预测结果，」Piv为通过BP神经网络模型 得到超短期功率预测结果，Ppt为实测功率值； 步骤3-2 :利用BP神经网络模型对前一天24小时共96个点的ei (t)、e2 (t)和历史预 测风速值w进行训练，得到风速因子控制模型； 步骤3-3 :利用风速因子控制模型对ARIMA模型和BP神经网络模型进行实时进行切 换，得到最终的超短期功率预测结果。
7. 根据权利要求8所述的基于风速因子控制模型的风电超短期功率预测方法，其特征 在于：所述步骤3-2中，以历史预测风速值w作为输入，假设六1?1嫩模型和8?神经网络模型 各自的控制器分别为C 1和C2，对应的控制函数表示为： C1 (t) = I (w, t) C2(t) = I-C1(t) 其中，I (W，t)为t与W函数，其随时间、风速的变化取O或者1，所以 C1U), C2(t) e {〇, 1}； 于是基于风速因子控制模型的超短期功率预测的最终误差e表示为： e = C1 (t) G1 (t) +C2 (t) e2 (t) 利用BP神经网络模型对前一天24小时共96个点的ei (t)、e2⑴和w进行训练，训练 的目标设为e的平方和最小，即使得风速因子控制模型的目标函数Σθ2最小，经过训练即 可得到风速因子控制模型。
【文档编号】G06Q10/04GK104376388SQ201410745990
【公开日】2015年2月25日 申请日期:2014年12月8日 优先权日:2014年12月8日
【发明者】于炳霞, 谭志萍, 陈梅, 陈志宝, 程序, 周海, 丁杰, 崔方, 王知嘉, 曹潇, 丁宇宇, 周强, 丁煌, 朱想 申请人:国家电网公司, 中国电力科学研究院