风电功率超短期预测方法
【技术领域】
[0001] 本发明涉及一种风电功率超短期预测方法。
【背景技术】
[0002] 随着新能源技术的不断开发，风电技术得以飞速发展，由于风电转化过程中，由于 风力的大小无法控制，其转化电量的功率也不稳定，很难量化。风电功率的超短期预测，是 指从预报时刻至未来4小时内对风电场并网功率预测，每15分钟一个预报点，每15分钟滚 动预报一次，预测的均方根误差< 10%，可以对电网实时调度提供必要的科学依据，因此风 电功率的超短期预测一直是风电技术领域最为重视的技术问题。
[0003]目前，国内外已经研制出并投运很多风电功率预测系统。但多数预测系统仍是采 用数值天气预报NWP(NumericalWeatherPredictions)的数据作为模型输入数据。由于 模型的建立、算法、天气以及风电场的运行状态等因素对风电功率预测的结果都有很大的 影响，所以不可避免的存在预测误差。很多国内外研究者将多种预测方法组合起来，取长避 短，充分利用各自的优点来提高风电功率预测的精度，并取得了不错的效果。随着人工智能 的发展，利用智能算法和其它预测方法进行组合来提高预测精度也成为可能。
[0004] 灰色理论只需要少量的数据就能完成一定精度内的预测，但用于原始数据波动较 大的系统，其预测精度会降低。BP神经网络通过学习样本的学习来逼近非线性系统的动态 模型，有效解决系统建模的难题，具有自适应功能、泛化功能、非线性映射功能和高度并行 处理的能力。然而，BP神经网络需要大量的样本数据，学习速度慢，且容易陷入局部极值。
【发明内容】
[0005]本发明提供一种风电功率超短期预测方法，有效解决了现有技术中存在的风电功 率超短期预测精度不足、计算速度慢等技术问题。
[0006] 为解决上述问题，本发明提供如下技术方案： 本发明涉及一种风电功率超短期预测方法，包括如下步骤： 建立一灰色模型；所述灰色模型包括一个输入通道及一个输出通道，所述输入通道用 于输入至少一时间段的历史风电功率，所述输出通道用于输出对应任一时间段的历史风电 功率拟合值或对应未来连续四个时间段的风电功率初步预测值； 连续输入至少一时间段的历史风电功率至所述灰色模型，获取所述历史风电功率拟合 值或者对应未来至少一时间段的所述风电功率初步预测值； 建立一BP神经网络；所述BP神经网络包括三个BP输入通道及一个BP输出通道，三个BP输入通道分别用于输入任一时间段的平均风速、平均风向以及所述灰色模型的历史风电 功率拟合值或所述风电功率初步预测值，所述BP输出通道用于输出风电功率最终预测值； 所述BP神经网络用于映射所述风电功率最终预测值与所述输入任一时间段的平均风速、 平均风向以及所述历史风电功率拟合值或所述风电功率初步预测值之间的非线性关系； 获取用于训练所述BP神经网络的至少一训练样本；每一训练样本包括从数值天气预 报中获取的任一时间段的平均风速、平均风向以及所述历史风电功率拟合值三个输入值， 包括该时间段的历史风电功率这一输出值； 根据所述训练样本，用BP算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的连接权值； 在所述BP神经网络的输入通道输入未来连续四个时间段的平均风速和平均风向、未 来连续四个时间段的风电功率初步预测值；以及 所述BP神经网络根据所述连接权值计算并输出未来连续四个时间段的风电功率最终 预测值至所述BP输出通道。
[0007] 其中，根据所述训练样本，用BP算法训练所述BP神经网络，优化所述BP神经网 络，获取所述BP神经网络的连接权值，包括如下步骤： 用BP算法初始化所述BP神经网络，定义迭代次数及目标值； 输入一训练样本至所述BP神经网络； 计算该训练样本在所述BP神经网络中输出的误差性能指标； 判断所述误差性能指标是否达到设定的目标值以及是否达到设定的迭代次数，若所述 适应值未达到目标值且未达到设定的迭代次数，将所述误差性能指标反向传播，调整所述 BP神经网络内部各节点的权值，重新输入该训练样本，重复上述步骤；若所述误差性能指 标达到设定的目标值或达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络， 重复上述步骤，直至所有训练样本的误差性能指标达到设定的目标值或达到设定的迭代次 数，停止输入训练样本； 计算对应所述BP神经网络的输出端与输入端之间的连接权值。
[0008] 其中，输入一训练样本至所述BP神经网络，包括如下步骤： 输入一训练样本中的三个输入值至所述BP神经网络的三个输入端； 将输入数据在所述BP网络内正向传播； 所述BP神经网络的输出端输出一个计算后的风电功率； 将该训练样本中的历史风电功率与计算后的风电功率对比，计算所述BP神经网络的 输出误差。
[0009] 所述每一时间段为连续的15分钟。
[0010] 本发明优点在于，提出了用灰色理论及BP神经网络混合算法对风电功率的超短 期预测进行研究，综合考虑灰色理论和神经网络各自的优缺点，使得样本的训练和学习完 成速度更快，风电功率的预测精度更高；可以有效避免由于BP算法易于陷入局部极值而造 成速度辨识的精度低的问题，可以提高BP神经网络的连接权值优化的速度，对电力系统调 度和风电机组的维护等有着重要的意义。
【附图说明】
[0011] 附图1为本发明中风电功率超短期预测方法的流程图； 附图2为本发明中灰色模型的结构示意图； 附图3为本发明中BP神经网络的结构示意图； 附图4为本发明中用BP算法训练BP神经网络的方法流程图； 附图5为本发明中输入一训练样本至BP神经网络的方法流程图。
【具体实施方式】
[0012] 以下结合附图详细说明本发明的【具体实施方式】，使本领域的技术人员更清楚地理 解如何实践本发明。应当理解，尽管结合其优选的具体实施方案描述了本发明，但这些实施 方案只是阐述，而不是限制本发明的范围。
[0013] 如图1所示，本发明涉及一种风电功率超短期预测方法，包括如下步骤： 步骤S1)建立一灰色模型；如图2所示，灰色模型1包括一个输入通道11及一个输出 通道12,所述输入通道用于输入至少一时间段的历史风电功率，所述输出通道用于输出对 应任一时间段的历史风电功率拟合值或对应未来连续四个时间段的风电功率初步预测值； 历史风电功率是指过去一段时间内风电系统的实际风电输出功率。
[0014] 步骤S2)连续输入至少一时间段的历史风电功率至所述灰色模型，获取所述历史 风电功率拟合值或者对应未来至少一时间段的所述风电功率初步预测值。所述每一时间段 为连续的15分钟，这是风电功率预测领域常用的时间间隔。
[0015] 所述灰色模型是根据历史风电功率对未来连续四个时间段的风电功率预测值进 行初步预测，其中每个时间段为连续的15分钟。在所述灰色模型中， (1) 已知历史风电功率数据序列如下： χ(〇) = [χ(0)⑴，χ(0)⑵，…，χ(0) (η)]⑴ (2) 对X(Q)做一次累加生成（AGO,AccumulatedGeneratingOperation)，得到新序列 为： X⑴=[x⑴⑴，X⑴⑵，…，χ(ι)(η)] (2) 其中
(3) 建立AGO序列X(1)白化形
其中为AGO序列X(1)的灰导数，a与u为待辨识系数；dt (4) 微分方程中的系数。令，γ=
运用最小二乘法（LMS，LeastSquareAlgorithm)求解I，有
(6): (5) 求出a后解白化微分方程，求出AGO序列的计算值
k= 1，2,…，n+3时，.?(1)(Α+ 1)可以算出n+3个值；一共可以获得n+4个值； 再通过式（8)算出灰色模型的n+4个输出值（前η个是拟合值，后4个为未来四步的 预测值）； (6)原始数据序列Xw的还原值为
（8)
[0016] 所述灰色模型的输入通道连续输入η个时间段的历史风电功率，利用灰色模型得 到的历史风电功率拟合值ifU= (k= 0, 1，2,…，η-1时，对应的前η个风电功 率值）；也可以得到的风电功率初步预测值= -if(k=η，η+1，η+2,η+3时，对 应的未来四个时间段的4个风电功率值）；所述输出通道输出所述历史风电功率拟合值，以 及所述风电功率初步预测值。
[0017] 步骤S3)建立一BP神经网络；如图3所示，BP网络2是一种按误差逆传播算法训 练的多层前馈网络，BP(BackPropagation)神经网络模型拓扑结构包括输入层21 (input)、 隐层22(hiddenlayer)和输出层23(outputlayer)。输入层21包括三个输入端（输入节 点）211 ;隐层22包括若干隐层节点221，具体节点数为6-12个，优选10个；输出层23包括 一输出端（输出节点）231。连接至三个输入端211的三条数据通道为输入通道212,连接 至一个输出端231的一条数据通道为输出通道232。三个BP输入通道212分别用于输入任 一时间段的平均风速、平均风向以及所述灰色模型的历史风电功率拟合值或所述风电功率 初步预测值，BP输出通道232用于输出风电功率最终预测值；所述BP神经网络用于映射所 述风电功率最终预测值与所述输入任一时间段的平均风速、平均风向以及所述历史风电功 率拟合值或所述风电功率初步预测值之间的非线性关系。所述任一时间段为连续的1