一种用于能源系统输出功率的短期预测方法与流程

本发明涉及风电系统
技术领域：
，尤其是涉及一种可以提高风电系统输出功率的短期预测的精度的方法。
背景技术：
：风力发电技术以其环保和经济性在世界范围内得到了广泛的应用，其装机容量在2014年中期已达到336GW，并将随着智能电网的不断完善获得更大的发展。风场功率的短期预测保障电力系统的安全与负荷分配中起着重要的作用，然而，由于风能产生的随机性和获取数据的不完整性，为预测精确且可用的结果带来极大的困难。技术实现要素：针对现有技术存在的上述问题，本申请人提供了一种用于风电系统输出功率的短期预测方法。本方法在较少数据样本的情况下尽可能挖掘数据的潜在价值，提高了风场输出功率的短期预测精度。本发明的技术方案如下：一种用于风电系统输出功率的短期预测方法，包括以下步骤：(1)采集风场中的历史功率数据作为初始数据，数据容量不小于4，采集时间间隔为1-24小时；(2)将该组数据进行计算，得出下一时刻的风场功率预测值：设初始数据X(0)为非负序列，其中，x(0)(k)≥0，其中k＝1,2,…,n，X(1)为X(0)的累加序列，则X(1)＝(x(1)(1),x(1)(2),…,x(1)(n))，其中，其中k＝1,2,…,n；设Z(1)为X(1)的紧邻均值序列，则Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))，其中，z(1)(k)＝λx(1)(k)+(1-λ)x(1)(k-1)(k＝1,2,…,n)，λ∈[0,1]；(3)采用粒子群算法优化参数λ，具体优化流程如下：Step1：初始化粒子的位置与速度，具体参数为：粒子的数量取在25-300，粒子的最大速度取为vmax＝1，最大速度取为vmin＝-1，粒子的位置范围x∈[0,1]，迭代次数kmax为200，c1＝c2＝2，ωmax＝0.9，ωmin＝0.4；Step2：根据粒子的初始位置计算各粒子所对应的适应度值：其中，αrange，αdiff和αcurv分别表示惩罚参数，协调参数和弯曲参数；Step3：选取最小的适应度值，则将该适应度值称为局部最优解pbest；Step4：更新粒子的速度与位置：如果则如果则如果则如果则Step5：更新各粒子所对应的适应度值，选取最小的适应度值，则将该适应度值称为局部最优解pbest；Step6：若未达到最大迭代次数kmax，则返回Step4；Step7：选取不同迭代次数的局部最优解的最小值，称之为全局最优解gbest；全局最优解所对应的λ即为最优值；(4)将所得到的非负序列X(0)和紧邻均值序列Z(1)写成如下矩阵形式：通过公式计算得出估计参数列提取该参数列的数据，得出估计值的白化方程：x(0)(k)+az(1)(k)＝x(1)(k)-x(1)(k-1)+a((1-λ)x(1)(k-1)+λx(1)(k))＝kb+c通过求解该方程，可以得到累加序列的估计值为：则t+1时刻风场功率预测的还原值为：采集t+1时刻的风场功率实际值组成一组初始序列：X(0)＝(x(0)(2),x(0)(3),…,x(0)(k+1))，与该段时刻的预测值相减得到该时刻预测值与实际值的残差序列，ε(0)＝(ε(0)(2),ε(0)(3),…,ε(0)(k))，将该序列按照上述方法求解得出在t+1时刻的残差估计值其表达式为：其中，k0为常数4；将该时刻的预测值与参加相加，得出在该时刻的风场功率的预测值；其公式为：采用可变结构的最小二乘模型作为主要预测模型，使其不仅可以应用于齐次或非齐次的数据处理，也可应用于线性自回归模型，增强了该方法的自适应能力，有助于提高预测精度。优选的，步骤(2)中粒子群算法的初始化参数将粒子的数量取为50。优选的，αrange＝0.001，αdiff＝1和αcurv＝0.01。粒子群算法的初始化参数为：粒子的规模在一定程度上影响了粒子在搜索最优解的迭代次数与收敛速度；一般来说，粒子的数量取在25-300，本文将粒子的数量取为50。本发明有益的技术效果在于：传统的预测方法很难较为准确的风电系统的输出功率，即使预测效果较为准确，也需要大量的数据准备，这很难在风电系统恶劣的工作环境之下获得。针对风场输出功率短期预测所遇到的贫信息、精度低和不确定性高的问题，提出一种基于粒子群算法优化的动态自适应灰色一阶模型。该模型以灰色系统理论为基础，利用粒子群算法改变背景值参数，对齐次或非齐次的指数函数进行连续优化，通过迭代搜寻和线性化处理提升了预测精度。并引入残差模型对外界环境的变化进行预测，降低了由环境的不确定性对预测带来的影响。采用该预测方法，在尽量小的数据样本的条件下，尽可能挖掘数据背后所隐藏的信息，并提高预测精度。附图说明图1为用于风电系统输出功率的短期预测方法的逻辑框图；图2为实施例中输出功率的实际值和预测值对比图。具体实施方式下面结合附图和实施例，对本发明进行具体描述。以比利时某风场在2016年9月8日1-20小时数据为例，采集风场中的历史功率数据作为初始数据X(0)＝(26.2,31.7,35.7,37.5,38.7)，数据容量不小于4，采集时间间隔为1小时，如表1所示。表1时间(Hour)12345功率数据(MW)26.231.735.737.538.7具体的预测方法的流程如图1所示：(1)求取该初始数据的累加序列X(1)＝(26.2,58.0,93.8,131.4,211.7)；(2)利用粒子群算法优化背景值z(1)(k)＝λx(1)(k)+(1-λ)x(1)(k-1)中的λ，并取得最佳背景值λ＝1；(3)列写出背景值序列Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))，在该案例中背景值序列为Z(1)＝(26.3,78.6,127.9,170.1)；(4)将所得到的非负序列X(0)和紧邻均值序列Z(1)写成如下矩阵形式：(5)通过公式计算得出估计参数列该案例中求取的参数值分别为：a＝-3.06e-12，b＝1.41，c＝31.00；(6)求解白化方程x(0)(k)+az(1)(k)＝kb+c得到累加序列的预估值：(7)还原2-6小时的预测值，得到第6小时预测值如表2所示。表2时间(Hour)23456功率数据(MW)33.636.838.639.845.6(8)由预测值与初始值相减得到功率的残差序列ε(0)＝(1.9,-1.1,-1.1,-0.4)；(9)求残差序列的累加序列ε(1)＝(1.9,0.8,-0.3,-0.7)；(10)利用粒子群算法优化背景值z(1)(k)＝αε(1)(k)+(1-α)ε(1)(k-1)中的α，并取得最佳残差背景值，并取得最佳背景值α＝0.5；(11)列写出背景值序列Z(1)＝(z(1)(2),z(1)(3),…,z(1)(n))，在该案例中背景值序列为Z(1)＝(0.95,1.35,0.25)；(12)将所得到的非负序列ε(0)和紧邻均值序列Z(1)写成如下矩阵形式：(13)通过公式计算得出估计参数列该案例中求取的参数值分别为：a＝2.2，b＝-2.2，c＝8.2；(14)求解白化方程x(0)(k)+az(1)(k)＝kb+c得到累加序列的预估值：求解白化方程x(0)(k)+az(1)(k)＝kb+c得到累加序列的预估值：(15)还原2-6小时的残差预测值，得到第6小时预测值如表3所示。表3时间(Hour)23456残差(MW)1.9-1.1-1.1-1.1-1.1(16)最终得到第六小时的风电系统输出功率的预测值为：(17)同理，滚动预测15个小时的数据如下表4所示：表4比利时风场在2016年9月8日1-20时的实际输出功率和通过本发明方法和另外五个模型的分时段输出功率的实际值和预测值列于表4和图2中。另外四个模型分别为：(1)J.L.Deng.Controlproblemsofgreysystems,SystemsandControlLetters,1982,1；(2)C.F,Tsai.Dynamicgreyplatformforefficientforecastingmanagement,JournalofComputerandSystemSciences,2015,81(6):966-980；2(5):288-294；(3)L.C.Hsu,Applyingthegreypredictionmodeltotheglobalintegratedcircuitindustry,TechnologicalForecastingandSocialChange,2003,70:563-574；(4)B.Zeng,W.Meng,M.Tong.Aself-adaptiveintelligencegreypredictivemodelwithalterablestructureanditsapplication,EngineeringApplicationsofArtificialIntelligence,2016,50:236-344。这五个模型对风场输出功率的短期预测平均误差值(MAPE)分别为4.074％、24.002％、14.714％、10.601％和5.904％。实验表明所提在该类数据的预测中表现出了良好的性能。然而，所提模型在训练值中的平均MAPE相比于GM(1,1)，RGM(1,1)和SAIGM(1,1)模型表现较差。所提方法对风场输出功率的短期预测平均误差值(MAPE)为4.074％小于10％的误差要求，符合电力系统对功率预测误差的要求。在实际操作中，本方法具有较高的精度，较好地解决了风场输出功率短期预测问题，具有一定的通用性，当使用条件发生改变时，只需修改预测步数就可应用于新的风电系统，以适应不同的风电生产需要。当前第1页1 2 3