一种结合气象因素的超短期风电场功率预测方法与流程

本发明属于电力系统发电功率预测技术领域，具体涉及一种结合气象因素的超短期风电场功率预测方法。

背景技术：

近年来，我国风力发电发展迅速，截止2015年底，我国风电总装机容量已经达到1.283亿kw,连续4年居世界第一，到2020年我国风电装机有望达2.4亿kw以上。与水电、火电、核电等能源相比，风力发电主要由风速、风向、气压、温度、湿度等自然条件决定，具有间歇性、波动性、随机性的特点。大规模风电并网对电网的安全稳定运行带来了挑战，风电功率预测通过气象预报数据、风电场历史运行数据、风电场运行状态数据等参数，预测风电出力变化趋势，为电网安全、电力调度、电力运营带来了积极的影响，在考虑气象因素影响的条件下，单风电场的风电功率预测大多以该风电场scada提供的历史风电功率数据和当地nwp系统提供的气象数据为预测模型的训练样本数据，一般会在模型的建立上做出相应的改进和优化，以达到提升风电功率预测精度的目的，超短期风电功率预测的准确性关乎着电网调度部门的工作人员的决策部署，这对提高电网运行的稳定性和经济型都有着重要的意义。目前，我国风电功率预测的准确性仍有着很大的上升空间。

门控循环单元神经网络隶属于循环递归神经网络家族，是根据长短期神经网络改进出的一种适用于短时间预测模型构建的神经网络。它对比常用的bp神经网络，gru网络的收敛速度更快且不容易发生像bp神经网络在误差反馈过程中出现的梯度消失和梯度爆炸的情况，主要原因是该网络复杂的门控单元(细胞状态)通过偏置和相关参数来实时和灵活的调整激活函数的输入，进而控制门的开启和关闭，保存和更新有用的信息，将过程中的梯度进行了抵消，使得gru深度门控网络具有高效的性能，适合于处理时间序列中间隔和延迟非常长的事件，如预测风速，入库径流，未来天气状况、温度湿度等。

萤火虫算法(fireflyalgorithm，fa)是剑桥学者yang于2008年提出的一种新颖的进化算法，随着对fa研究的不断深入，目前该算法已在数值优化、工程技术、资源管理等领域得到应用并取得了良好效果。相比于粒子群算法，萤火虫算法能够将种群细分为各个子群体，避免所有个体趋于一个最优值，从而陷入局部最优解。但其算法本身仍然具备其他种群优化算法的缺点。

技术实现要素：

针对上述技术问题，本发明的提出种一种结合气象因素的超短期风电场功率预测方法，以提高当前风电场所面临的超短期风电功率预测精度不高的问题，利于其风电场参与风电并网调度，为电网部门的工作人员提供做出调度决策的准确依据。

本发明采用如下技术方案：

一种结合气象因素的超短期风电场功率预测方法，包括如下步骤：

步骤一、对风电功率历史数据、nwp气象数据进行预处理，补齐缺失数据和修改异常数据；

步骤二、生成风电功率预测模型，包括以下步骤：

(1)利用pearson系数分析nwp数据和历史功率数据之间的相关性，对nwp数据和历史功率数据归一化处理，提取相关性强的气象数据作为模型的输入，用于训练预测模型；利用pearson系数对nwp系统提供的气象数据和风电场scada数据采集系统提供的历史功率数据做相关性分析，提取出的气象因素包括风速、温度、大气密度、湿度分别构成与历史功率数据具有相同时间步长的向量x和y,然后利用pearson系数公式：

对二者进行相关性分析，其中相关系数在(0.8-1.0)和(0.6-0.8)的气象因素为相关性强的气象因素，然后对提取出的气象因素与风电功率历史数据进行归一化处理，其归一化表达式为：

式中xmax和xmin分别为该变量的极大值和极小值；

经过预测模型得到的风电功率预测数据，再进行反归一化处理使其具有物理意义，反归一化的表达式为：

x＝0.5[x'(xmax-xmin)+(xmax-xmin)](3)

分析气象因素与风电功率的相关性能够更好的利用nwp数值天气预报的气象数据；

(2)门控循环单元神经网络作为风电功率预测的预测模型，隐藏层信息传递是通过一个更新门u(t)和一个重置门r(t)来实现的，在t时刻gru接收当前状态x(t)、上一时刻的隐藏状态h(t-1)，在信息传递过程中，更新门同时进行遗忘和记忆2个步骤，运算决定选择多少信息输入网络，遗忘多少过去的信息；重置门决定忘记过去的信息量；gru网络隐藏层的输出h(t)最终由更新门和重置门的动态控制形成。gru各个变量间的计算公式如下：

u(t)＝ψ(wuh(t-1)+uux(t))(4)

r(t)＝ψ(wrh(t-1)+urx(t))(5)

式中：wu、wr、wc为连接隐藏层输出信号的参数矩阵；uu、ur、uc为连接输入信号的参数矩阵；ψ(·)为激活函数，为sigmoid激活函数；为任何非线性函数是双曲正切函数tanh；为混合了结合了x(t)和r(t)中间记忆状态；⊙为逻辑运算符，表示矩阵中对应的元素相乘。

隐含层t时刻的h(t)将会作为t时刻的信息乘上相应的权值并传入gru的输出层

y'i＝σ(ωih(t))+bi(8)

对yi进行反归一化处理

yi＝0.5[y′i(y'max-y'min)+(y'max+y'min)](9)

利用已有的历史功率数据与预测值yi构建误差目标函数

(3)基于混沌理论的萤火虫群体优化算法，对由门控循环单元神经网络得到的预测值和历史值构成的误差修正函数进行寻优，得到最优解对应的神经网络参数，生成预测模型；其算法的主要步骤为：

步骤1初始化每个萤火虫的最大吸引度β0，吸收系数γ，随机步长大小α，迭代次数maxt，目标函数自变量个数8。

步骤2首先随机产生wu、wr、wc、uu、ur、uc、ωi、bi各个参数，其矩阵维数要根据具体的预测数据维度和门控循环单元隐含层公式来设计，采用tent映射产生混沌序列其表达式为：

对萤火虫的位置进行初始化，萤火虫初始位置即为门控循环单元神经网络的初始权值，对萤火虫个体搜索空间定义上下限ud,dd，并把混沌变量映射到搜索空间中

步骤3根据(13)确定萤火虫之间的距离

β(γ)＝β0*exp(-γrj)(14)

xi(t+1)＝xi(t)+β0*exp(-γrj)*(xj(t)-xi(t))+α*(r1-0.5)*xm(15)

xb(t+1)＝xb(t)+α(r2-0.5)*xm(16)

式(14)更新萤火虫吸引度，式(15)更新萤火虫的位置，式(16)确定最优个体的萤火虫随机飞行。

步骤4利用(17)和(18)来更新萤火虫的最优个体

ng＝g*(1+cauchy(σ)*range)(17)

步骤5若迭代次数等于np，则开始生成新的萤火虫个体。

1)采用式(19)产生ps个新个体；

2)采用随机方式替换掉原种群中的ps个个体；

3)对于每个萤火虫个体，计算其新位置对应的目标值f(yi)；

4)记录全局最优值。

步骤6若算法停止准则满足，则停止；否则转入步骤3。

步骤7输出全局最优值g，算法结束。

步骤三、利用训练好的模型和未来nwp气象数据进行未来的风电功率预测。

进一步地，步骤一中风电功率数据预处理包括补足因上传通道或系统故障造成的功率缺失风电功率数据以及剔除和修正异常风电功率数据,删除弃风数据，补齐时若缺失3个点或3个点以内，选用持续法补齐；若缺失超出3个点，选用三次样条插值补齐；以装机容量替代大于装机容量的功率数据；以零替代小于零的功率数据。

进一步地，步骤三利用训练好的预测模型进行风电功率预测，将未来0至4小时的风电场数值天气预报数据依照模型训练前输入的相关性强的气象因素，再次将相同的气象数据作为预测的输入数据，设置数据的时间步长为5min，进行预测最后输出未来4小时内风电功率的预测数据。

本发明提出了一种基于混沌理论的动态种群萤火虫算法(chaos-baseddynamicpopulationfireflyalgorithm，cdpfa)，该算法不仅在对萤火虫位初始化过程中使用混沌序列，而且在算法迭代过程中使用混沌策略周期性地向种群中添加新的萤火虫个体，有效地避免了算法的早熟现象和种群多样性较低等缺点，进一步提高了算法的寻优精度和求解速度。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步解释。

本发明提出一种考虑气象因素的风电功率预测方法，基于混沌理论的萤火虫算法优化和门控循环单元神经网络的有机结合，该方案的基本实现步骤如下：

步骤一、对风电功率历史数据、nwp气象数据进行预处理，补齐缺失数据和修改异常数据。

步骤二、生成风电功率预测模型，包括以下步骤：

(1)利用pearson系数分析nwp数据和历史功率数据之间的相关性，对nwp数据和历史功率数据归一化处理，提取相关性强的气象数据作为模型的输入，用于训练预测模型；

(2)基于门控循环单元神经网络对输入的气象数据处理得到初始预测功率；

(3)基于混沌理论的萤火虫群体优化算法，对由门控循环单元神经网络得到的预测值和历史值构成的误差修正函数进行寻优，得到最优解对应的神经网络参数，生成预测模型；

步骤三、利用训练好的模型和未来nwp气象数据进行未来的风电功率预测。

所述步骤一中，风电功率数据预处理包括补足因上传通道或系统故障造成的功率缺失风电功率数据以及剔除和修正异常风电功率数据。

所述步骤(1)中，利用pearson系数对nwp系统提供的气象数据和风电场scada数据采集系统提供的历史功率数据做相关性分析，提取出的气象因素包括风速、温度、大气密度、湿度分别构成与历史功率数据具有相同时间步长的向量x和y,然后利用pearson系数公式：

对二者进行相关性分析，其中相关系数在(0.8-1.0)和(0.6-0.8)的气象因素为相关性强的气象因素，然后对提取出的气象因素与风电功率历史数据进行归一化处理，目的是为了在建立预测模型时，使每种气象因素不会被其本身具有的物理意义和量纲所束缚，影响预测模型的预测精度，其归一化表达式为：

式中xmax和xmin分别为该变量的极大值和极小值。

经过预测模型得到的风电功率预测数据，再进行反归一化处理使其具有物理意义，反归一化的表达式为：

x＝0.5[x'(xmax-xmin)+(xmax-xmin)](3)

分析气象因素与风电功率的相关性能够更好的利用nwp数值天气预报的气象数据，因为如果将大量的气象因素数据输入到预测模型之中，只会增加预测模型的负担，神经网络的输入层、隐藏层的神经元的增加会使得增添更多的计算过程，造成收敛速度过慢的现象。通过相关性分析提取出nwp数据中影响较强的气象因素可以视为一种数据的特征提取或数据压缩。

所述步骤(2)中采用门控循环单元神经网络作为风电功率预测的预测模型，隐藏层信息传递是通过一个更新门u(t)和一个重置门r(t)来实现的，在t时刻gru接收当前状态x(t)、上一时刻的隐藏状态h(t-1)，在信息传递过程中，更新门同时进行遗忘和记忆2个步骤，运算决定选择多少信息输入网络，遗忘多少过去的信息；重置门决定忘记过去的信息量；gru网络隐藏层的输出h(t)最终由更新门和重置门的动态控制形成。gru各个变量间的计算公式如下：

u(t)＝ψ(wuh(t-1)+uux(t))(4)

r(t)＝ψ(wrh(t-1)+urx(t))(5)

式中：wu、wr、wc为连接隐藏层输出信号的参数矩阵；uu、ur、uc为连接输入信号的参数矩阵；ψ(·)为激活函数，为sigmoid激活函数；为任何非线性函数是双曲正切函数tanh；为混合了结合了x(t)和r(t)中间记忆状态；⊙为逻辑运算符，表示矩阵中对应的元素相乘。

隐含层t时刻的h(t)将会作为t时刻的信息乘上相应的权值并传入gru的输出层

y'i＝σ(ωih(t))+bi(8)

对yi进行反归一化处理

yi＝0.5[y′i(y'max-y'min)+(y'max+y'min)](9)

利用已有的历史功率数据与预测值yi构建误差目标函数

所述步骤(3)中，利用基于混沌理论的萤火虫优化算法结合门控循环单元神经网络(cdpfa-gru)构成组合算法，通过构建好的目标误差函数来寻找到门控循环单元神经网络训练模型所应的各层权值和阈值等相关参数，达到提升预测模型的收敛速度的目的，其算法的主要步骤为：

步骤1初始化每个萤火虫的最大吸引度β0，吸收系数γ，随机步长大小α，迭代次数maxt，目标函数自变量个数8。

步骤2首先随机产生wu、wr、wc、uu、ur、uc、ωi、bi各个参数，其矩阵维数要根据具体的预测数据维度和门控循环单元隐含层公式来设计，采用tent映射产生混沌序列其表达式为：

对萤火虫的位置进行初始化，萤火虫初始位置即为门控循环单元神经网络的初始权值，对萤火虫个体搜索空间定义上下限ud,dd，并把混沌变量映射到搜索空间中

步骤3根据(13)确定萤火虫之间的距离

β(γ)＝β0*exp(-γrj)(14)

xi(t+1)＝xi(t)+β0*exp(-γrj)*(xj(t)-xi(t))+α*(r1-0.5)*xm(15)

xb(t+1)＝xb(t)+α(r2-0.5)*xm(16)

式(14)更新萤火虫吸引度，式(15)更新萤火虫的位置，式(16)确定最优个体的萤火虫随机飞行。

步骤4利用(17)和(18)来更新萤火虫的最优个体

ng＝g*(1+cauchy(σ)*range)(17)

步骤5若迭代次数等于np，则开始生成新的萤火虫个体。

1)采用式(19)产生ps个新个体；

2)采用随机方式替换掉原种群中的ps个个体；

3)对于每个萤火虫个体，计算其新位置对应的目标值f(yi)；

4)记录全局最优值。

步骤6若算法停止准则满足，则停止；否则转入步骤3。

步骤7输出全局最优值g，算法结束。

利改进的萤火虫算法对门控循环单元神经网络的输出值与历史功率值的均方差函数进行最小值寻优，找到神经网络模型的最优参数。

所述步骤三中，利用训练好的预测模型进行风电功率预测，建立带有cdpfa-gru算法的运行平台，将未来0至4小时的风电场数值天气预报数据依照模型训练前输入的相关性强的气象因素，再次将相同的气象数据作为预测的输入数据，设置数据的时间步长为5min，进行预测最后输出未来4小时内风电功率的预测数据。

实施例1：

基于某地的nwp数值天气预报数据和当地风电场的scada历史功率数据，考虑对风电功率预测的相关性最强气象因素，利用pearson相关系数分析得到风速和大气密度的相关性大于0.6，对二者的数据进行归一化处理后，作为gru的输入数据，开始风功率预测仿真，设置数据时间步长为5min，将当地2020年9月1日13：00至2020年9月1日17：00的nwp数据和历史功率数据作为训练样本集，初始化gru的权值、阈值参数，利用tent映射构建cdpfa算法的初始个体种群，开始对gru的预测误差函数进行算法迭代，设置迭代次数np为500次，当迭代停止后误差函数的最小值为ermse＝0.005684，总迭代时间为5min。将2020年9月2日9：00至2020年9月2日13：00的nwp数据作为预测数据输入训练好的gru网络中，其输出值与已有的历史数据的误差为e＝0.00652，可见误差精度在0.5×10^-2，有着很高的预测精度，证实了算法在超短期风电功率预测上的可行性。