基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法与流程
本发明涉及风电功率预测领域，特别涉及一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法。
背景技术：
随着化石能源的快速消耗，人类正面临着能源枯竭和环境恶化的双重危机，因此近年来清洁可再生的风能在世界范围内也因此受到了广泛重视与发展。国内风电总装机容量已跃居世界第一，风电的大规模发展和减少化石能源的使用，在一定程度上缓解了能源危机。但是，由于风能具有很强的间歇性和随机性，随着风电场数量的增多和装机容量的不断增大，风电的大规模并网给电网的安全经济运行带来了巨大的挑战。
目前，风电功率预测主要有物理模型和基于NWP风速数据驱动两种建模方式。物理模型的建模方式较为复杂，且实用性小；而基于NWP风速的数学模型建模方式虽然运用广泛，但是NWP风速的波动和准确度影响着风电功率预测精度。
技术实现要素：
本发明提供一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，解决了现有技术中基于NWP风速的数学模型建模方式中，NWP风速的波动和准确度影响风电功率预测精度的技术问题，达到了提高NWP风速的准确度，减小NWP风速随机误差，提高风电功率预测模型中风速输入的准确性，进而提高风电功率预测的精度的技术效果。
为解决上述技术问题，本发明提供一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，所述风电功率预测方法包括：
步骤一，获取预设的时间范围内的风电场数据，对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源NWP风速数据；
步骤二，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；
步骤三，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；
步骤四，建立风速与功率的回归模型。
优选的，所述步骤一中所述对所述风电场数据进行预处理，具体为：
对不合格的数据进行预处理；所述对不合格的数据进行预处理具体为判断所述风电场数据中所述实发风速是否存在连续多个为零的点和为负数的点；若存在，则将其中连续多个为零的点和为负数的点进行删除，并且删除相同时间点对应的实发功率和多气象源NWP风速。
优选的，在所述对不合格的数据进行预处理之后，所述步骤一还包括：
对预处理后的所述风电场数据按时间顺序排列。
优选的，所述步骤二中统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据，具体为:
统计全年多个气象源风速数据；V1、V2、…Vn表示不同的气象源风速，n表示有n个气象源，Vi为第i个气象源的风速，其中，1≤i≤n；Vture为实发风速；
分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况。
优选的，所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据Vi'。
优选的，所述步骤三中所述利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，具体步骤包括：
(1)设参数α＝[α1,α2,…,αn]为对应气象源风速融合系数向量，设定参数范围，其中，n表示有n个气象源；
(2)根据PSO算法计算风速融合系数向量α，设定适应度函数：
Vdiff＝|αV'Τ-Vture|＝|α1V1'+α2V2'…+αnVn'-Vture|
式中，Vdiff表示偏差，Vture表示实发风速，Vi'为修正后的风速数据。
(3)PSO算法通过计算得到最小Vdiff，此时对应的修正后气象源风速融合系数α为风速融合系数，融合后风速数据为Vfusion：
Vfusion＝α1V1'+α2V2'…+αnVn'。
优选的，所述步骤四中所述建立风速与功率的回归模型，具体为：
采用最小二乘算法通过所述功率最小化误差的平方和来获取风速数据与功率数据之间的最佳函数匹配，建立风速数据与功率数据的一元线性回归模型。
优选的，所述建立风速数据与功率数据的一元线性回归模型时，
利用实发风速和实发功率之间的关系，对实发风速和实发功率使用最小二乘法拟合建模，得到一元多次方程各阶次的系数。
优选的，采用所述回归模型预测风速场数据时，
将融合后风速数据作为预测输入，代入所述风速数据与功率数据的一元线性回归模型中计算得到预测功率。
本申请有益效果如下：
(1)本发明利用概率统计的方法对每个气象源中的幅值误差进行修正，得到与实测风速分布范围相同的修正后预测风速，解决了多个气象源NWP风速与实发风速分布范围不一致的问题。
(2)本发明采用PSO算法融合多个气象源的NWP风速，充分利用每个气象源NWP风速不同的特征，分析发现某些气象源风速的互补特性，对这类的风速进行融合，在一定水平上消除NWP风速误差，提高风功率预测精度，解决了单个NWP风速误差较大的问题。
(3)本发明利用最小二乘算法进行建模预测，最小二乘法是以功率残差平方和最小确定曲线的位置。最小二乘法使用以及计算方便，能够准确的反应风速-功率之间的关系，预测精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为本申请较佳实施方式基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法的流程图；
图2为本申请一实施例中三个气象源NWP风速与实测风速对比图；
图3为本申请一实施例中实发风速-功率图；
图4为图2中气象源A的NWP风速-功率图；
图5为图2中气象源B的NWP风速-功率图；
图6为图2中气象源C的NWP风速-功率图；
图7为图5中气象源B的气象源风速、融合风速数据4-5m/s区间内实测风速的分布。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本申请提供的基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，所述风电功率预测方法利用概率统计的方法对每个气象源中的幅值误差进行修正，得到与实测风速分布范围相同的修正后预测风速，解决了多个气象源NWP风速与实发风速分布范围不一致的问题；采用PSO算法融合多个气象源的NWP风速，充分利用每个气象源NWP风速不同的特征，分析发现某些气象源风速的互补特性，对这类的风速进行融合，在一定水平上消除NWP风速误差，提高风功率预测精度，解决了单个NWP风速误差较大的问题。
本申请提供的基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，请参阅图1，所述风电功率预测方法包括：
步骤一S100，获取预设的时间范围内的风电场数据，对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源NWP风速数据；
所述步骤一中所述对所述风电场数据进行预处理，具体为：
对不合格的数据进行预处理；所述对不合格的数据进行预处理具体为判断所述风电场数据中所述实发风速是否存在连续多个为零的点和为负数的点；若存在，则将其中连续多个为零的点和为负数的点进行删除，并且删除相同时间点对应的实发功率和多气象源NWP风速。
在所述对不合格的数据进行预处理之后，所述步骤一还包括：
对预处理后的所述风电场数据按时间顺序排列。
步骤二S200，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；
所述步骤二中统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据，具体为:
统计全年多个气象源风速数据；V1、V2、…Vn表示不同的气象源风速，n表示有n个气象源，Vi为第i个气象源的风速，其中，1≤i≤n；Vture为实发风速；
分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况。
所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据Vi'。
其中，所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据Vi'。
例一
请参阅图2，以2015年某电场三个气象源的NWP风速进行分析。请参阅图3，比较实发风速与实发功率的关系。图4至图6为所述三个气象源气象源A、气象源B、气象源C的NWP风速-功率图；以其中气象源B中的NWP风4-5m/s内风速为例，如图7所示，在该区间内，实测风速7-8m/s区间内的频数最高，那么该预测风4-5m/s内风速的修正值为7m/s。
步骤三S300，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；
所述步骤三中所述利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，具体步骤包括：
(1)设参数α＝[α1,α2,…,αn]为对应气象源风速融合系数向量，设定参数范围，其中，n表示有n个气象源；
(2)根据PSO算法计算风速融合系数向量α，设定适应度函数：
Vdiff＝|αV'Τ-Vture|＝|α1V1'+α2V2'…+αnVn'-Vture|
Vdiff＝|αV′T-Vture|＝|α1V′1+α2V′2…+αnV′n-Vture|
式中，Vdiff表示偏差，Vture表示实发风速，Vi'为修正后的风速数据。
(3)PSO算法通过计算得到最小Vdiff，此时对应的修正后气象源风速融合系数α为风速融合系数，融合后风速数据为Vfusion：
Vfusion＝α1V1'+α2V2'…+αnVn'。
步骤四S400，建立风速与功率的回归模型。
所述步骤四中所述建立风速与功率的回归模型，具体为：
采用最小二乘算法通过所述功率最小化误差的平方和来获取风速数据与功率数据之间的最佳函数匹配，建立风速数据与功率数据的一元线性回归模型。
所述建立风速数据与功率数据的一元线性回归模型时，利用实发风速和实发功率之间的关系，对实发风速和实发功率使用最小二乘法拟合建模，得到一元多次方程各阶次的系数。
采用所述回归模型预测风速场数据时，将融合后风速数据作为预测输入，代入所述风速数据与功率数据的一元线性回归模型中计算得到预测功率。
本申请有益效果如下：
(1)本发明利用概率统计的方法对每个气象源中的幅值误差进行修正，得到与实测风速分布范围相同的修正后预测风速，解决了多个气象源NWP风速与实发风速分布范围不一致的问题。
(2)本发明采用PSO算法融合多个气象源的NWP风速，充分利用每个气象源NWP风速不同的特征，分析发现某些气象源风速的互补特性，对这类的风速进行融合，在一定水平上消除NWP风速误差，提高风功率预测精度，解决了单个NWP风速误差较大的问题。
(3)本发明利用最小二乘算法进行建模预测，最小二乘法是以功率残差平方和最小确定曲线的位置。最小二乘法使用以及计算方便，能够准确的反应风速-功率之间的关系，预测精度高。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
- 还没有人留言评论。精彩留言会获得点赞！