一种基于多尺度分析的风电机风速预测优化方法与流程

本发明涉及风力发电
技术领域：
，尤其涉及一种基于多尺度分析的风电机风速预测优化方法。
背景技术：
：为了有效地将风能并入电网中，对于风电场的出力进行准确预报是极其必要和关键的，这其中，0至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等涉及电网安全的技术参数具有重要意义。风能作为一种可再生的清洁能源，具有装机规模灵活、风电发电机组可靠性高、造价低、运行维护简单等优点。据2015年2月国家能源局公布的《2014年风电产业监测情况》，截至2014年底，我国风电累计装机容量已达到9637万千瓦，占全部发电装机容量的7％，占全球风电装机的27％。2014年风电上网电量1534亿千瓦时，占全部发电量的2.78％。2014年12月国家能源局发布《能源发展战略行动计划(2014-2020年)》，预计到2020年，风电装机将达到2亿千瓦。截至目前，风电已经继火电和水电之后成为我国第三大主力电源。随着装机容量的不断增加，风电的弃电问题一直较为突出，据国家能源局统计，2012年全国弃风电量约200亿千瓦时，平均弃风率达到17％；2013年全国弃风电量约150亿千瓦时，平均弃风率达到10％，最新的统计显示，截至2014年9月底，风电弃风电量86亿千瓦时，平均弃风率7.5％。造成风电弃电的一个重要原因在于风的间歇性导致风电的波动性和不稳定性影响了风电质量，为了保证电网的安全而白白弃电。基于此，国家能源局于2011年发布《风电场功率预测预报管理暂行办法》，要求我国所有已并网运行的风电厂应在2012年1月1日前建立起风电预测预报体系和发电计划申报工作机制并开始试运行，按照要求报送风电功率预测预报结果。目前风电场的风速预报常用方法包括物理方法和统计方法，物理方法是指根据精细化数值天气预报模式得到高时空分辨率的定时、定点、定量的数值天气预报模式风力预测输出结果，同时根据风电场风机运行实际情况，综合考虑各种风机发电影响因素，建立出力预测物理模型，进行风电场出力预测。物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场的特性有准确的数学描述，这些方程求解困难，所需资料海量，计算量大，计算时间长，并且从气象部门获取资料的难度大、费用高，因此在短期风电场风速预报中，仍常用统计方法。目前，统计方法大多根据风电场测风塔的历史资料，采用持续法、随机时间序列法、卡尔曼滤波法、神经网络法、支持向量机等方法。仅仅依靠测风塔数据进行预报的最大缺点在于风电场受地形、紊流等影响，风电机处测量的风速与测风塔处风速可能存在明显的差异，因此仅以测风塔的测量风速预报整个风电场的出力，必将导致较大的预报误差，这个与具体的预报方法无关。随着测量技术和计算机计算能力的提高，精细化的对单台发电机测量的风速进行预报成为可能。技术实现要素：有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于多尺度分析的风电机风速预测优化方法，通过对风电场内每台风电机的风速进行精细化预报，从而有效提高整个风电场的短期出力预报水平。本发明的一种基于多尺度分析的风电机风速预测优化方法，包括以下步骤：(1)读入风电机的原始采样风速时间序列p＝{p(i),i＝1,2,...,n}，其中n为原始风电机风速采样点个数；将p调整为按预报间隔要求的平均风速时间序列p’＝{p’(j),j＝1,2,...,m}，其中m为按预报间隔要求调整后的风电机平均风速序列的采样点个数，p’的平均值为令(2)采用多尺度小波功率谱分析技术，提取p中隐含的显著周期序列{p1,p2,…,pk,…,pk}，其中k为p中隐含的显著周期序列的个数，pk＝{pk(1),pk(2),…,pk(m)}，由此p＝p1+p2+…+pk+r，而r＝p-p1-p2-…-pk，为p中剔除显著周期序列后的残差序列；(3)对p中的显著周期序列{p1,p2,…,pk,…,pk}，分别采用粒子群算法优化rbf神经网络进行预测，假设预测步长为l，则各显著周期序列{p1,p2,…,pk,…,pk}的预测结果为{y1,y2,…,yk,…,yk}，其中yk＝{yk(1),yk(2),…,yk(l)}；(4)对残差序列r的一阶差分序列d采用粒子群算法优化rbf神经网络进行预测，后经差分反运算得到残差序列r的预测结果，假设预测步长为l，残差序列r的预测结果为yr＝{yr(1),yr(2),...,yr(l)}；(5)将与各显著周期序列、残差序列r的预测结果相加，得到最终的预测结果y，上述多尺度小波功率谱分析技术为：假设一离散时间序列xn，其中n＝1,...,n，共n个采样点，采样时间间隔δt＝1，应用morlet小波变换，分析该时间序列的显著周期，提取各显著周期带对应的时间序列。上述多尺度小波功率谱分析技术具体包括以下几个步骤：1)确定分析周期小波变换的周期tj与小波分析中尺度参数sj有关，考虑morlet母小波中心周期特性，此处tj＝sj；尺度参数的选择为：sj＝2jδj，其中δj＝1/4，j＝0,1,...,j，共j+1个尺度，其中j的最大值不超过jmax＝4log2(n)即可；2)确定全局小波变换谱值在第n采样点，sj尺度参数对应的局地小波变换谱值wn(sj)为：其中ψ*(·)为ψ(·)的共轭函数，对第n采样点，尺度参数sj的morlet小波基小波函数为：对wn(sj)的模|wn(sj)|沿整个采样区间积分，得到尺度参数sj对应的全局小波变换谱值即：采用标准化的全局小波变换谱值其中σ2为xn的方差；3)全局小波变换谱值显著性检验通常将全局小波变换谱值曲线的极大值对应的周期定为主周期，但是否显著，要通过显著性检验；将以上所得全局小波变换谱值与红噪音谱值进行比较，判断其显著性，其中红噪音谱值qk表示为：其中α为xn时间序列落后一个采样点的自相关系数，k＝0,1,...,n/2；假设全局小波变换谱值为某一非周期过程谱值，则其与红噪音谱值之比遵从被自由度ν去除的分布：其中自由度γ为去相关因子；在此取0.05显著性水平，当时，该全局小波变换谱值对应的周期是显著的；4)提取显著周期带对应的时间序列提取设定周期带即[t1,t2]对应的时间序列x′n，由(1)知设定周期带[t1，t2]对应的尺度参数为对于morlet小波，提取尺度参数对应的时间序列是对该尺度参数带对应进行求和，即：其中，为wn(sj)的实部，针对morlet小波，ψ0(0)＝π-1/4，cδ＝0.776。对morlet小波，去相关因子γ＝2.32。步骤(3)、(4)中所采用的粒子群优化rbf神经网络的具体过程为：(1-1)确定需优化参数为两个，第一个为rbf神经网络输入层神经元个数i，另一个为训练集的长度l；(1-2)初始化种群x＝(x1,x2,...,xq1)，其中q1为粒子的总数，第i个粒子为xi＝(ii,li)，粒子速度为vi＝(vii,vli)，其中ii,li为参数i、l一组备选解；(1-3)对群体中的每个粒子xi(ii,li)确定的参数，构造rbf神经网络训练集的输入和输出矩阵，其中针对显著周期序列pk或者残差序列r及rbf神经网络输入层神经元个数ii，首先建立矩阵z1和z2，其中：此处，f指代显著周期序列pk或者残差序列r，针对待优化神经网络训练集长度l，z1中最后的li列作为训练集的输入矩阵itrain，z2中最后的li列作为训练集的输出矩阵otrain；将预报步长l作为测试步长，z1中最后的l列作为测试集的输入矩阵itest，z2中最后的l列作为测试集的输出矩阵otest；根据训练集构造的rbf神经网络对测试集模拟结果的误差平方和作为其适应度值，以适应度值最小为优化方向作为评价标准，评判各个粒子的优劣，记录粒子xi当前个体极值为bbest(i)，取群体中bbest(i)最优的个体作为整体极值gbest；(1-4)群体中的每个粒子xi，分别对其位置和速度进行更新；式中：ω为惯性权重，c1、c2为加速度因子，g为当前迭代次数，而r1、r2为分布于[0,1]的随机数；(1-5)重新计算各个粒子此时的目标函数值，更新bbest(i)和gbest；(1-6)判断是否达到最大迭代次数，如满足则结束优化过程，获得经粒子群算法优化得到的参数最优值为(ibest,lbest)，否则返回步骤(1-3)；(1-7)按ibest和lbest构造rbf神经网络训练集z3和测试集z4，其中：就此建立起rbf神经网络模型，训练后进行迭代的l步预测，并获得对应的预测结果。上述惯性权重ω＝0.5，加速度因子c1＝c2＝1.49445。本发明的有益效果是：(1)经多尺度分析提取的风电机测量风速的显著周期序列由于规律性强，因此可以高精度的进行预测，而且显著周期序列在原风电机测量风速序列中所占比重较大，因此奠定了较高精度预测的基础；剔除了显著周期序列后的残差序列一方面由于在整体风电机测量风速序列中的比重不大，另一方面由于进行了一次差分运算而变得平稳，其预测误差相对有限，因此本发明所提出的将原始风速序列经多尺度分析，分解为多个显著周期序列和单个残差序列，进而对各个显著周期序列和残差序列分别进行预测的思路可以大大提高整体预测效果。(2)针对神经网络易陷入过拟合的问题以及rbf神经网络输入层神经元个数确定问题，本发明提出对这两个参数建立粒子群算法优化的方法，显著改善了rbf神经网络的泛化性能，最终提高了预测精度。以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。附图说明图1为本发明的方法流程图；图2为分钟级别风电机平均测量风速序列图；图3为p的小波功率谱分析结果图；图4为p提取的显著周期序列及分离的残差序列图；图5为p1进行3步预测的结果图；图6为p2进行3步预测的结果图；图7为p3进行3步预测的结果图；图8为本发明方法的1步预测结果图；图9为本发明方法的2步预测结果图；图10为本发明方法的3步预测结果图；图11为对比实验1建立的粒子群算法优化rbf神经网络1步预测结果图；图12为对比实验1建立的粒子群算法优化rbf神经网络2步预测结果图；图13为对比实验1建立的粒子群算法优化rbf神经网络3步预测结果图；图14为对比实验2建立的arima时间序列模型1步预测结果图；图15为对比实验2建立的arima时间序列模型2步预测结果图；图16为对比实验2建立的arima时间序列模型3步预测结果图。具体实施方式如图1所示本发明的方法流程图，具体步骤如下。第一步，按预报间隔要求调整原始风速序列：读入风电机的原始采样风速时间序列p＝{p(i),i＝1,2,...,n}，其中n为原始风电机风速采样点个数；将p调整为按预报间隔要求的平均风速时间序列p’＝{p’(j),j＝1,2,...,m}，其中m为按预报间隔要求调整后的风电机平均风速序列的采样点个数，p’的平均值为令第二步，隐含周期信号提取：采用多尺度小波功率谱分析技术，提取p中隐含的显著周期序列{p1,p2,…,pk,…,pk}，其中k为p中隐含的显著周期序列的个数，pk＝{pk(1),pk(2),…,pk(m)}，由此p＝p1+p2+…+pk+r，而r＝p-p1-p2-…-pk，为p中剔除显著周期序列后的残差序列；所述多尺度小波功率谱分析技术的步骤为：假设一离散时间序列xn，其中n＝1,...,n，共n个采样点，采样时间间隔δt＝1，应用morlet小波变换，分析该时间序列的显著周期，提取各显著周期带对应的时间序列；1)确定分析周期小波变换的周期tj(图3横坐标值)与小波分析中尺度参数sj有关，考虑morlet母小波中心周期特性，此处tj＝sj。尺度参数的选择为：sj＝2jδj，其中δj＝1/4，j＝0,1,...,j，共j+1个尺度，其中j的最大值不超过jmax＝4log2(n)即可，这里j＝48。2)确定全局小波变换谱值在第n采样点，sj尺度参数对应的局地小波变换谱值wn(sj)为：其中ψ*(·)为ψ(·)的共轭函数，对第n采样点，尺度参数sj的morlet小波基小波函数为：对wn(sj)的模|wn(sj)|沿整个采样区间积分，得到尺度参数sj对应的全局小波变换谱值即：本发明采用标准化的全局小波变换谱值(图3实线)，其中σ2为xn的方差。3)全局小波变换谱值显著性检验通常将全局小波变换谱值曲线的极大值对应的周期定为主要周期，但是否显著，要通过显著性检验。这里将以上所得全局小波变换谱值与红噪音谱值进行比较，判断其显著性，其中红噪音谱值qk表示为：其中α为xn时间序列落后一个采样点的自相关系数，k＝0,1,...,n/2。假设全局小波变换谱值为某一非周期过程谱值，则其与红噪音谱值之比遵从被自由度ν去除的分布：其中自由度γ为去相关因子，对morlet小波，γ＝2.32。在此取0.05显著性水平，当时，该全局小波变换谱值对应的周期是显著的，其中为图3虚线。4)提取显著周期带对应的时间序列提取某特定周期带即[t1,t2]对应的时间序列x′n，由(1)知特定周期带[t1，t2]对应的尺度参数为对于morlet小波，提取尺度参数对应的时间序列是对该尺度参数带对应进行求和，即：其中，为wn(sj)的实部，针对morlet小波，ψ0(0)＝π-1/4，cδ＝0.776。第三步，对隐含的显著周期序列的预测：对p中的显著周期序列{p1,p2,…,pk,…,pk}，分别采用粒子群算法优化rbf神经网络进行预测，假设预测步长为l，则各显著周期序列{p1,p2,…,pk,…,pk}的预测结果为{y1,y2,…,yk,…,yk}，其中yk＝{yk(1),yk(2),…,yk(l)}；第四步，对残差序列r的预测：对残差序列r的一阶差分序列d采用粒子群算法优化rbf神经网络进行预测，后经差分反运算得到残差序列的预测结果，假设预测步长为l，则残差序列r的预测结果为yr＝{yr(1),yr(2),...,yr(l)}；第五步，获得最终预测结果：将与各显著周期序列、残差序列的预测结果相加，得到最终的预测结果y，本实施例中，步骤(3)、(4)中所采用的粒子群算法优化rbf神经网络的具体过程为：(1-1)确定需优化参数为2个，第一个为rbf神经网络输入层神经元个数i，另一个为训练集的长度l；(1-2)初始化种群其中q1为粒子的总数，第i个粒子为xi＝(ii,li)，粒子速度为其中ii,li为参数i、l一组备选解；(1-3)对群体中的每个粒子xi(ii,li)确定的参数，构造rbf神经网络训练集的输入和输出矩阵，其中针对显著周期序列pk或者残差序列r及rbf神经网络输入层神经元个数ii，首先建立矩阵z1和z2，其中：此处，f指代显著周期序列pk或者残差序列r，针对待优化神经网络训练集长度l，z1中最后的li列作为训练集的输入矩阵itrain，z2中最后的li列作为训练集的输出矩阵otrain；将预报步长l作为测试步长，z1中最后的l列作为测试集的输入矩阵itest，z2中最后的l列作为测试集的输出矩阵otest；根据训练集构造的rbf神经网络对测试集模拟结果的误差平方和作为其适应度值，以适应度值最小为优化方向作为评价标准，评判各个粒子的优劣，记录粒子xi当前个体极值为bbest(i)，取群体中bbest(i)最优的个体作为整体极值gbest；(1-4)群体中的每个粒子xi，分别对其位置和速度进行更新；式中：ω为惯性权重，c1、c2为加速度因子，通常取ω＝0.5，c1＝c2＝1.49445，g为当前迭代次数，而r1、r2为分布于[0,1]的随机数；(1-5)重新计算各个粒子此时的目标函数值，更新bbest(i)和gbest；(1-6)判断是否达到最大迭代次数，如满足则结束优化过程，获得经粒子群算法优化得到的参数最优值为(ibest,lbest)，否则返回步骤(1-3)；(1-7)按ibest和lbest构造rbf神经网络训练集z3和测试集z4，其中：就此建立起rbf神经网络模型，训练后进行迭代的l步预测，并获得对应的预测结果。具体测试实例：按图1所展示的流程图，取我国某风电场1#风电机自2015年10月5日10时07分53秒起采集的风电机测量风速时间序列，由于本实例展现的分钟级别的超短期预报，因此首先按预报间隔要求，按调整风电机测量风速时间序列以获得分钟级别的平均风速时间序列，如图2所示，其中p(i)为风电机采集的测量风速时间序列(秒级，但采样间隔不统一)，p’(i)为调整后的分钟级别的平均风速时间序列，t和t’分别指代该分钟起止点在原风速时间序列中对应的采样点的序号。本测试实例取p’(i)中前2310个数据作为已知数据集，开展其后100个步长的1步、2步和3步预测实验以考查算法的有效性。分别以均方误差mse、相对百分比误差mape和平均绝对误差mae为标准测试本算法的有效性：其中，y(i)和p’(i)分别为风电机测量风速的预测值和真实值，l为预测步长。剔除平均值后的分钟级别的风电机平均风速序列记为p，图3所示为对于p的小波功率谱分析结果，发现该风电机风速序列具有以4096、1217和609共3个采样点为极值点的显著周期，取其极值点左右两侧各第一个低于红噪音检测线的周期点，组成周期带，此周期带为显著周期带，以本例为例，3个显著周期带分别为[2896,4871]、[861,1722]和[512,724]，根据小波重构方法，提取此3个周期带对应的时间序列，分别为p1、p2和p3，并得到对应的残差序列r，由此p＝p1+p2+p3+r，见图4。可见，3个显著周期序列的规律性极强，可以较高精度的预测；另一方面，虽然针对残差的预测误差不可避免，但经计算，残差r的能量(方差)占比p的能量(方差)为46.61％，下降显著，因此，针对残差的预测误差要远远小于直接对于p进行预测的误差。虽然神经网络具有强大的非线性拟合能力和快速的学习能力，但如何构造神经网络的训练集、测试集仍主要靠人工经验或者试凑，其普适性较差，本专利采用粒子群优化rbf神经网络，对于训练集的构造进行优化，针对rbf神经网络的特点，主要是针对rbf神经网络的输入层神经元个数和训练集的长度两个参数进行优化，以提高神经网络的泛化性能，从最终的预测误差来看其效果是极其显著的。对p1、p2和p3采用基于粒子群算法优化的rbf神经网络模型，取输入层神经元个数的范围为[2,30]，训练集的长度为[100,2200]，粒子群种群规模是50，迭代30次，表1是进行3步预测时，针对显著周期信号p1、p2、p3和残差r的输入层神经元个数i和训练集长度l两个参数的优化结果：表1对p1、p2、p3和r的神经网络参数优化结果p1p2p3r输入层神经元个数(i)17152711训练集长度(l)324120177326本测试用例进行了总预测步长为100的1步、2步和3步预测实验，图5、6、7为针对p1、p2和p3进行3步预测的结果，其误差如表2所示，可见，对于显著周期序列的预测误差很小，总体误差主要是由于残差序列而产生。表2p1、p2和p3进行3步预测的误差p1p2p3mse8.4059e-082.1534e-072.4510e-07mape6.7380e-081.6800e-071.5535e-07mae6.6091e-081.6513e-071.7066e-07总的预测结果如图8、9、10所示，表3为预测误差统计，可见，除了开始的10个预测步长误差较大外，其后的预测结果误差均较小，总体预测结果较为满意。表3本专利方法预测误差1步预测2步预测3步预测mse0.45720.60770.8274mape0.02700.03480.0461mae0.39340.50540.6715对比实验1为了验证本专利提出的差分的处理手段以及神经网络输入层神经元个数i、训练集长度l两个参数的优化对实验结果的影响，对比实验1对该风电机风速序列p’直接进行一次差分运算，之后建立粒子群算法优化的rbf神经网络，取输入层神经元个数的范围为[2,30]，训练集的长度为[100,2200]，粒子群种群规模是50，迭代30次。表4所示为进行3步预测时，针对p’建立的rbf神经网络参数优化结果。表4对原始序列p’建立的rbf神经网络参数优化结果同样的，对比实验1进行了总预测步长为100的1步、2步和3步预测实验，预测结果如图11、12、13所示，表4为预测误差统计，对比表2可见，其3个误差指标分别就表2增加了141.33％，96.46％和98.74％。表5对原始序列p’建立的粒子群优化rbf神经网络预测误差1步预测2步预测3步预测mse1.12531.69162.5834mape0.05410.07730.1099mae0.79681.13551.6272若不对p’进行一次差分运算，随意选取rbf神经网络的输入层神经元个数i和训练集长度l，最终的预测误差差异会很大，本专利选取两组不同i和l对最终的预测误差的影响加以说明，如表5所示。表6对原始序列p’建立的rbf神经网络预测误差两组不同参数的对比实验其3个误差指标分别就表2增加了169.67％、155.31％、162.75％和138.51％、126.97％、133.15％。此组对比实验效果不好显示出神经网络参数的选择对于神经网络的学习能力和泛化造成巨大的影响，使得直接采用神经网络建模效果并不好。对比实验2针对p’建立差分自回归移动平均模型(arima)。选取预测点前100个采样数据点，通过aic准则定阶法确定arima模型的结构，同样的，对比实验2进行了总预测步长为100的1步、2步和3步预测实验，预测结果如图14、15、16所示，表7为预测误差统计，对比表2可见，其3个误差指标分别就表2增加了18.93％，9.54％和8.77％。表7对p’建立的arima时间序列模型预测误差1步预测2步预测3步预测mse0.67610.79340.8926mape0.03460.04070.0458mae0.50150.58830.6572以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本
技术领域：
中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。当前第1页12