自适应风电功率预测系统及预测方法
【专利摘要】一种超短期风机输出功率预测系统，用于对多个风场中的目标风机的输出功率进行预测，所述预测系统包括：风场信息采集部分，用于采集多个风场的测风塔数据和风机运行数据，并将其相关联地记录在数据库中作为历史信息；主元分析提取部分，用于从所述风场信息采集部分读取所述历史信息，执行主元分析并确定符合预定条件的主元；和神经网络部分，其利用从所述主元分析提取部分获取的主元作为输入节点建立RBF神经网络，并使用所得的RBF神经网络预测风机的输出功率；所述预测系统的特征在于还包括更新部分，所述更新部分利用卡尔曼滤波算法对神经网络的输出层权值进行在线更新。
【专利说明】自适应风电功率预测系统及预测方法
【技术领域】
[0001]本发明提供一种自适应风电功率预测系统以及预测方法，具体来说，涉及适用于对风机的输出功率进行超短期预测，并且能够在线调整预测模型的自适应风电功率预测系统及预测方法。
【背景技术】
[0002]风电功率预测有助于优化电网调度，降低风力发电系统的运行成本，并增强风力发电系统的安全性、可靠性和可控性。
[0003]中国政府于2012年I月I日发布了《风电场功率预测预报管理暂行方法》，规定风功率预测的超短期预报的误差不能超过15%。超短期的定义为4个小时以内。目前看在不导入NWP (数值天气预报)的情况下，超短期风功率预测的精度都很难达到要求。虽然大气运动具有持续性，但其变化还是具有相当的不确定性。仅根据单个风场的测风塔数据很难对未来的风速、风向做出准确预报。
[0004]数值天气预报的导入虽然会在一定程度上能够提高精度，但也增大了风电预测系统的成本，而且NWP的分辨率也还有待提高。超短期预报要求每15分钟预报未来4小时(以15分钟为间隔)的数据，当前的数字天气预报的更新频率还比较低，无法达到这个程度。
[0005]风电功率预测方法根据所采用的数学模型不同可分为持续预测法、自回归滑动平均(ARMA)模型法、卡尔曼滤波法和智能方法等。持续预测方法是最简单的预测模型，但该模型的预测误差较大且预测结果不稳定。改进的方法有ARMA模型和向量自回归模型、卡尔曼滤波算法或时间序列法和卡尔曼滤波算法相结合。另外还有一些智能方法，如人工神经网络方法等。
[0006]卡尔曼滤波算法广泛应用于线性随机系统的信号处理，其利用状态方程的递推性，按线性无偏最小均方差估计准则，对滤波器的目标状态变量做最佳估计。利用卡尔曼预测迭代方程可以实现信号的预测。
[0007]现有技术中已经出现了利用卡尔曼预测递推方程来预测风机功率的技术方案(见文献I)。具体来说，首先基于风电功率的样本时间序列建立风机输出功率的ARMA预测模型。在建立ARMA预测模型之后可以对未来的风机输出功率直接进行预测，一般而言，基于ARMA模型的预测结果相对实测数值的偏差较大。
[0008]由于已经通过时间序列分析建立了风电功率时间序列的ARMA模型，因而可以将ARMA模型转换到状态空间，建立卡尔曼滤波的状态方程和量测方程。在参照工程习惯设定初始值之后，利用递推方程进行迭代预测，可以获得不断更新的状态信息，获得比较准确的预测结果。
[0009]此外，人工神经网络也大量应用于风机输出功率预测中。文献2描述了一种风电功率预测方法，其中以数值天气预报(NWP)提供的气象参数(包括风速、风向正弦、风向余弦、空气密度等)作为输入向量，以实际输出功率作为目标向量建立3层BP神经网络，以上述气象参数的历史数据作为训练集对该BP神经网络进行训练。考虑到数值天气预报数据中存在着系统误差，文献2的技术方案另外利用卡尔曼滤波算法对用于训练的训练集进行卡尔曼滤波，并且在将BP神经网络应用于预测时，对实时输入的数值天气预报数据执行卡尔曼滤波。实验结果表明卡尔曼滤波能够有效消除风速数据中的系统误差。
[0010]文献3描述了一种不使用NWP的基于神经网络的风电功率预测方案，其中基于风场本地的测风塔数据作为输入向量，建立并训练BP神经网络，并系统运行3个月的预测结果进行分析，对预测模型进行修正以改进其预测精度。
[0011]上述应用于风电功率预测的现有技术中存在如下问题:在风电功率预测模型建立之后，总是维持预测模型不变而仅对状态变量(输入参数)进行更新，或者需要在离线状态下重构预测模型并重新进行训练，而不能在在线运行状态下对预测模型本身(预测方程系数或神经网络自身的权值)进行修正。这样无法建立自适应的能够在线对预测模型自身进行持续更新的预测系统，对预测数值、实测数值等的利用效率较低。
[0012]文献列表
[0013]文献12种风电功率预测模型的比较(时庆华等人，2011年6月发表于《能源技术经济》23卷第6期)
[0014]文献2卡尔曼滤波修正的风电场短期功率预测模型(赵攀等人，2011年5月发表于西安交通大学学报第45卷第5期)
[0015]文献3风电场输出功率超短期预测结果分析与改进(陈颖等人，2011年8月发表于《电力系统自动化》第35卷第15期)
【发明内容】
[0016]本发明考虑到上述现有技术中存在的缺陷，提出了一种自适应的风电功率预测系统以及预测方法，能够在在线运行状态下对风电功率预测模型进行优化调整。
[0017]具体来说，本发明提供了一种超短期风机输出功率预测系统，用于对多个风场中的目标风机的输出功率进行预测，所述预测系统包括:风场信息采集部分，用于采集所述多个风场的测风塔数据和风机运行数据，并将其相关联地记录在数据库中作为历史信息；主元分析提取部分，用于从所述风场信息采集部分读取所述历史信息，并基于从所述历史信息中提取的数据执行主元分析，以确定符合预定条件的主元；和神经网络部分，其利用从所述主元分析提取部分获取的主元作为输入节点建立径向基函数神经网络(RBF)，并使用所得的神经网络预测风机的输出功率；所述预测系统的特征在于还包括更新部分，所述更新部分利用卡尔曼滤波算法对神经网络的结构参数进行在线更新。
[0018]根据本发明的优选实施例，在所述更新部分中通过所述卡尔曼滤波算法进行更新的状态变量为所述神经网络中从隐含层节点到输出层节点的权值。
[0019]根据本发明的优选实施例，所述主元分析提取部分中提取主元的预定条件设置为提取累计方差贡献率大于预定阈值的变量作为主元。在一个实施例中，该阈值不小于85%。
[0020]根据本发明的优选实施例，其中所述风场信息采集部分采集同一地理区域内的多个风场的测风塔数据，计算所述多个风场的测风塔数据与所述目标风机的输出功率之间的相关系数，并且提取所述多个风场中与所述目标风机的输出功率之间的相关系数大于预定阈值的测风塔数据，来作为上述主元分析的输入变量。
[0021]本发明还提供一种超短期风机输出功率预测方法，包括如下步骤:采集多个风场的测风塔数据和风机运行数据，并将其相关联地记录在数据库中作为历史信息；基于所述历史信息中包括的测风塔数据和风机运行数据执行主元分析，提取符合预定条件的主元；以所提取的主元作为输入节点建立RBF神经网络，并使用所得的RBF神经网络预测风机的输出功率；和利用卡尔曼滤波算法对神经网络进行在线更新。
【专利附图】
【附图说明】
[0022]下文将结合附图对本发明的风电功率预测系统的构造和优选实施例进行说明。
[0023]图1为本发明的风电功率预测系统的总体构造的示意图；
[0024]图2为本发明的风电功率预测系统在离线建模阶段的构造示意图；
[0025]图3为本发明的风电功率预测系统中使用的RBF神经网络的结构示图；
[0026]图4为本发明的风电功率预测系统在线运行时的构造示意图；
[0027]图5为本发明的风电功率预测系统在线运行的流程图；
[0028]图6为本发明的风电功率预测系统中的更新部分执行在线卡尔曼更新的流程图。
[0029]图7为本发明的风电功率预 测系统的一个预测周期的示例。
【具体实施方式】
[0030]1、风场信息的采集
[0031]本发明在不导入NWP，不增加系统成本的条件下，综合利用同一区域其他风场的测风塔数据，实现风电功率高精度的超短期预测。
[0032]对风电功率预测模型进行离线建模的过程是在离线的状态下，收集历史数据进行整理建模的过程，对每一个风机而言建模过程都是相同的。风场的总预测输出功率为各风机预测输出功率之和。在采集风场信息时需要考虑以下方面。
[0033]I)收集到的数据首先经过预处理，包括排除异常值、滤波等。
[0034]2)利用到的风机运行数据包括叶轮半径、叶尖速比、浆距角、风机输出功率等。
[0035]3)利用到的风场本地的测风塔数据包括风向、风速、气温、气压。
[0036]4)风场地形信息可另外作为参考信息。
[0037]5)该区域其他测风塔数据包括风向、风速等。
[0038]6)在确定其他测风塔输入时，对各个测风塔与目标风机输出功率间的相关性做出判断，选择相关较强的测风塔的数据作为输入参数。
[0039]两个变量之间的相关系数可以通过如下公式进行计算。
【权利要求】
1.一种超短期风机输出功率预测系统，用于对多个风场中的目标风机的输出功率进行预测，所述预测系统包括: 风场信息采集部分，用于采集所述多个风场的测风塔数据和风机运行数据，并将其相关联地记录在数据库中作为历史信息； 主元分析提取部分，用于从所述风场信息采集部分读取所述历史信息，并基于从所述历史信息中提取的数据执行主元分析，以确定符合预定条件的主元；和 神经网络部分，其利用从所述主元分析提取部分获取的主元作为输入节点建立径向基函数神经网络(RBF)，并使用所得的神经网络预测风机的输出功率； 所述预测系统的特征在于还包括更新部分，所述更新部分利用卡尔曼滤波算法对神经网络的结构参数进行在线更新。
2.如权利要求1所述的预测系统，其中所述更新部分将所述神经网络中从隐含层节点到输出层节点的权值作为要通过所述卡尔曼滤波算法进行在线更新的状态变量。
3.如权利要求2所述的预测系统，其中所述主元分析提取部分在执行主元分析之前，还计算所述多个风场的测风塔数据与所述目标风机的输出功率之间的相关系数，并且提取所述多个风场中与所述目标风机的输出功率之间的相关系数大于预定阈值的测风塔数据。
4.如权利要求3所述的预测系统，其中所述多个风场的测风塔数据包括风速和风向中的至少一项。
5.如权利要求1至3中任一项所述的预测系统，其中所述神经网络部分在执行预测之前在离线状态下通过所述提取的历史信息对径向基函数神经网络进行训练。
6.如权利要求1所述的预测系统，其中所述主元分析提取部分中按照累计贡献率超过85%的准则确定主元。
7.一种超短期风机输出功率预测方法，包括如下步骤: 采集多个风场的测风塔数据和风机运行数据，并将其相关联地记录在数据库中作为历史?目息; 基于从所述历史信息中提取的数据执行主元分析，以确定符合预定条件的主元； 以所确定的主元作为输入节点建立径向基函数神经网络(RBF)，并使用所获得的径向基函数神经网络预测风机的输出功率；和 利用卡尔曼滤波算法对神经网络进行在线更新。
8.如权利要求7所述的预测方法，其中以所述神经网络中从隐含层节点到输出层节点的权值作为通过所述卡尔曼滤波算法进行在线更新的状态变量。
9.如权利要求7或8所述的预测方法，在执行主元分析之前，还计算所述多个风场的测风塔数据与所述目标风机的输出功率之间的相关系数，并且提取所述多个风场中与所述目标风机的输出功率 之间的相关系数大于预定阈值的测风塔数据。
10.如权利要求9所述的预测方法，其中所述多个风场的测风塔数据包括风速和风向中的至少一项。
11.如权利要求7或8所述的预测方法，其中在应用所述径向基函数神经网络执行预测之前在离线状态下通过所述提取的历史信息对所述径向基函数神经网络进行训练。
【文档编号】G06Q50/06GK104036328SQ201310067802
【公开日】2014年9月10日 申请日期:2013年3月4日 优先权日:2013年3月4日
【发明者】李新春, 乔靖玉 申请人:横河电机株式会社