本发明涉及海上功率预测技术领域，尤其是涉及一种考虑气象相似性和功率波动的海上风电场功率预测方法。
背景技术：
海上风电由于风力稳定，靠近负荷中心，不占用土地资源等原因成为未来风电行业的重点发展方向。然而随着装机容量的增加，海上风电出力的波动性和随机性给系统的稳定运行带来了诸多挑战。因此通过准确的短期功率预测对电力系统进行调度，对于电力系统稳定运行以及提高经济效益具有重要意义。传统的风功率预测方法主要可以分为对风电场整个区域的轮廓行详细描述的物理方法；以及通过分析大量数据，寻找气象信息与风电场发电量之间潜在的统计关系进行预测的统计方法。无论是物理模型还是统计模型，数值天气预报信息(NWP)信息通常作为上述预测模型的一组重要的输入数据。这是因为对于时长超过三小时的预测，NWP数据反映着大气运动的本质。就物理方法层面，由于海域环境复杂、尾流影响范围广、气候资料缺乏等原因造成海上物理建模运算量繁琐，建模困难；并且由于地理环境的差异，物理模型灵活泛化性不好。而基于统计观点的外推模型法可以使用给定的气象条件进行训练，避免中间复杂的物理建模步骤；但是另一方面，我国海上NWP信息的低精度和大幅度风功率出力变化直接影响着统计模型的精确度。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑气象相似性和功率波动的海上风电场功率预测方法。
本发明的目的可以通过以下技术方案来实现：
一种考虑气象相似性和功率波动的海上风电场功率预测方法，包括以下步骤：
1)获取海上风电场一定时间内的风能数据，并将其作为原始风能样本；
2)结合主成分分析法和自组织神经网络对原始风能样本数据进行气象相似性的聚类分析，得到气象相似性分类结果；
3)对功率波动进行分类，并采用极限学习机ELM获取功率波动范围的所属类别，得到功率波动的分类结果；
4)采用Elman神经网络建立了基于样本相似性的初步预测模型，根据气象相似性分类结果和功率波动的分类结果选取与预测时刻相关的训练样本对未来时刻进行风电场的短期风速滚动预测，并获得初始预测结果；
5)采用多层感知器MLP建立NWP修正模型对初始预测结果进行修正，得到修正后的最终结果。
优选地，所述的步骤1)中，原始风能样本在t时刻的向量空间表示为St，其数据结构为：
其中，WS、WP、WD、T、W、P分别表示风速、功率、风向、温度、湿度以及气压数据，下标表示数据的时刻值，WSt为预测时刻t的风速预报数据，WSt-T1为预测时刻t前T1时刻的历史风速值。
优选地，所述的步骤2)具体包括以下步骤：
21)通过主成分分析法提取主成分，并通过互相关矩阵获取对应主成分的贡献率，并选取累积方差贡献率超过90％对应的主成分；
22)将筛选后的主成分作为自组织神经网络的输入变量，设置聚类中心数量，进行相似性聚类得到初步的气象相似性分类。
优选地，所述的步骤3)具体包括以下步骤：
31)按功率波动幅值将功率波动分为5类，具体为：
第一类：功率波动在-15％Pr以下，
第二类：功率波动在-15％Pr～0，
第三类：功率波动在0～10％Pr，
第四类：功率波动在10％Pr～20％Pr，
第五类：功率波动在20％Pr以上，
其中，Pr为风电机组额定装机容量；
32)构建多元时间序列模型Dt，在计算多元时间序列模型内变量的特征相关性指标MIV后从大到小排序，并选择前7个MIV对应的变量作为预测变量，多元时间序列模型Dt的数据结构为：
其中，PRR为单位时间功率变化量，STD为风速的标准差，Max、Min分别为风速的最大值和最小值，Mean为风速平均值，下标表示数据的时刻值；
33)将极限学习机ELM作为分类器，以筛选后的预测变量数据作为极限学习机ELM的输入量，以5类功率波动范围作为极限学习机ELM的输出量，对未来时刻的功率波动进行预测归类。
优选地，所述的步骤4)具体包括以下步骤：
41)在气象相似性的分类结果中选择与风功率预测时刻相关的初选数据样本；
42)在初选数据样本中选择对应功率波动分类的数据作为Elman神经网络的训练集；
43)采用BP算法训练Elman神经网络的网络权值，并确定网络结构，形成基于样本相似性的初步预测模型，并采用滚动预测的方式进行初步预测，得到初始预测结果。
与现有技术相比，本发明具有以下优点：
一、本发明针对海上风电的预测难点提出了能够应用于海上风电的功率预测方法，提出采用PCA-SOM法对于海上风电场实际数据进行数据预处理，在尽可能保留样本数据的重点信息的前提下进行样本的初步分类，所得的分类结果有着清晰的分类边界，有利于提高模型精度。
二、在初步分类后，提取波动特征使用极限学习机技术确定预测时刻风功率波动等级，在初步分类的基础上选取与预测时刻波动等级相同的数据，得到与目标时刻进一步相似的历史数据样本，进行基于Elman网络的功率预测称为初始预测模型。与单一Elman网络相比，在功率波动剧烈的时刻初始预测模型表现出了预测精度的稳定性和优越性。
三、针对NWP信息不准确的问题，将风向粗糙预测和风速粗糙预测与初始模型预测的差异作为MLP的输入量，预测误差作为输出量建立海上最终预测模型，有效改善了了因为NWP信息出现巨大误差而造成的预测异常。根据算例结果表明所提出的模型在各种环境下均能满足预测需求，可以应用于实际生产中。
四、在风速波动幅度变大的时候，Elman模型能够准确跟随功率波动趋势增大或减少，但是幅值并不准确。而所提出的模型通过准确预测风功率波动幅值所属类别并用相同类别的数据进行预测，在风电波动较大时预测曲线仍然能较好的跟随实际功率曲线的波动，有效提高了模型预测精度。
附图说明
图1为本发明海上风功率预测流程图。
图2为PCA-SOM聚类结果图。
图3为预测变量相对重要程度。
图4为初始预测模型归一化误差。
图5为EWSRP预测结果图。
图6为EWDRP预测结果图。
图7为单一模型预测结果比较图。
图8为所提出模型与单一Elman模型预测结果比较图。
图9为NWP修正模型修正效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
对上海东海风电场进行基于气象相似性与NWP修正的海上风功率预测为例,如图1所示，本发明提供海上风电场功率预测方法，包括以下步骤：
(1)由于海上每月风能特性的差异，选取具有典型特征的2016年3月、8月和12月数据作为研究对象。将每个月的前21天的历史气象数据及风功率数据作为模型的训练集，将后9天的数据作为模型的测试集进行预测检验，具体为：
(101)选取的原始风能样本在t时刻的向量空间表示为St,其数据结构如下：
式中，WS、WP、WD、T、W、P分别表示风速、功率、风向、温度、湿度以及气压。下标表示数据的时刻值，例如WSt为NWP提供的风速预报。WSt-T1为预测时刻t前T1时刻的历史风速值。
(102)T1、T2的值根据样本本身的相关性由自相关函数式求取，如式(3)所示。自相关函数用来表征当前时刻的取值与之前时刻取值的依赖关系，对于平稳时间序列WSt，其自相关函数如下：
式中，γk代表自相关系数，μ、σ分别表示序列的均值与标准差；E(·)表示期望值。最后求得该时间序列T1、T2求得为3；
(2)在进行数据预处理时采取了一种将PCA和SOM神经网络相结合的方法，用于原始样本数据的聚类分析。在保留样本数据主要特征的同时对其进行初步的气象相似性分类，具体为：
(201)在获取原始样本后，首先使用主成分分析法从样本中提取主成分，组成低维数据集。通过样本数据建立互相关矩阵并计算出特征值与特征向量，得出每个特征值所对应主成分的贡献度。
(202)在PCA过程中，选取方差贡献率在前三的主成分作为原始数据集的约简结果。其累计贡献率分别为78.11％、89.39％、94.92％。
(203)将所选取的主成分作为SOM网络的输入变量，将SOM的聚类中心设置为4。风能样本序列聚类结果如图2所示。
(3)在对历史风功率波动划分范围的基础上，使用极限学习机(ELM)技术对未来时刻的功率波动范围所属类别进行预测，具体为：
(301)：按功率波动幅值将功率波动分为5类。由于上爬坡和下爬坡的影响因素不同，所以在分类中将上下爬坡分开分类，把风电爬坡等级在单位时间内的波动量分成如下5类作为极限学习机的输出变量：
第一类：功率波动在-15％Pr以下；
第二类：功率波动在-15％Pr～0；
第三类：功率波动在0～10％Pr；
第四类：功率波动在10％Pr～20％Pr；
第五类：功率波动在20％Pr以上；
其中，Pr为风电机组额定装机容量。
(302)：使用ELM作为分类器对未来时刻的功率波动进行预测归类。将上述5类功率波动范围作为ELM的输出量，输入量采用数据挖掘方法，使用7个不同的参数来建立多元时间序列模型：包括风速的平均值，标准差，最大值，最小值以及功率、爬坡率、NWP信息。为了进一步挖掘数据特征选取PRR以及风速相关的前5个时刻历史值，其数据结构用Dt如式(7)所示：
式中PRR代表单位时间功率变化量；STD代表风速的标准差；Max、Min分别代表风速的最大、最小值；Mean代表风速平均值；其余符号与上文意义相同。
(303)：为了降低计算成本并提高分类准确性，应仅选择初始特征集中的重要特征作为模型输入量。MIV作为评估特征相关性的最佳指标之一，被选取用来进行特征筛选以得到对风功率波动程度影响较大的变量。MIVi被定义为式(1)：
MIV的符号代表相关方向，绝对值代表影响的相对重要性。对每个变量的MIV值进行排列得出每个变量的相对影响，最终选择了7个相对影响值最高的预测变量。从大到小排列为：Power-2，Power-4，Max-0，PRR-2，Max-2，Power-2和Mean-1。图3显示了从大到小排列的30个预测变量的重要性指数；
(4)使用Elman神经网络建立了基于样本相似性的初步预测模型，对历史风速时间序列选取与预测时刻特性相似的训练样本对未来时刻进行风电场的短期风速滚动预测，具体为：
(401)将经过PCA和SOM聚类模型分类后的4类数据类型用向量(Z1，Z2，Z3，Z4)表示，每个类型的数据内均包含5个波动范围对应的数据，共计20个待选的数据子集可以作为Elman网络的训练数据；
(402)在进行风功率预测时首先判断预测时刻属于哪种数据类型，先假设属于Z1类，根据功率波动等级模型判断预测时刻的风功率类别，设为第3类。那么则从Z1数据类型中反向抽取具有第3类波动等级的历史功率作为训练集训练一个单独的Elman网络来进行预测，得到初始模型预测结果；
(403)采用BP算法训练网络Elman网络权值，确定网络结构为7-15-1-1。Elman网络是一个典型的动态回归网络。该网络的结构是一个传统的BP网络，其隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入。预测结果按数据聚类结果显示如图4所示。
(404)所提出的滚动预测是以滚动为基础的逐小时运行过程。这意味着在每个预测时间可以得到一个功率预测结果，在进行下一时刻预测时，将上一时刻的功率预测结果作为视为输入数据，同时剔除离预测时刻最远的数据。具体方法如下：
设首次预测所利用的历史序列为x0(1),x0(2),…,x0(n),则第j+1次滚动预测的序列为x0(1+j),x0(2+j),…x0(n),x0(n+1),…,x0(n+j),其中x0(1),x0(2),…x0(n)为历史数据,x0(n+1),…,x0(n+j),为前i次滚动预测得到的预测值。；
(5)在初步模型的基础上，本发明通过多层感知器(MLP)对(NWP)信息的精确度与模型误差的内在联系进行挖掘，最终建立了NWP修正模型；
基于MLP的NWP误差预测修正的具体过程包括：
步骤(501)分别利用NWP信息中的风速预测值和风向预测值基于Elman网络直接进行功率预测，将其结果定义为风速粗糙预测值(WSRP)和风向粗糙预测值(WDRP)；
步骤(502)将WSRP、WDRP分别同WPP作差，所得结果认为是NWP信息与实际情况的偏离程度，定义为NWP风速预测误差(EWSRP)和NWP风向预测误差(EWDRP)。所得结果如图5，图6所示；
步骤(503)将图5，图6与图4相比，NWP中预报的风速、风向信息与初始预测模型的误差在整体上呈现一定规律性。WPR随着EWSRP和EWDRP的变化呈非线性正相关关系，即EWSRP和EWDRP对初始模型预测误差有明显的影响。采用多层感知器来表现这种关系，利用MLP神经网络自学习功能对NWP序列修正,提高NWP的预报精度。
本专利选择具有典型特征的2016年3月、8月和12月数据作为研究对象；全体测试集的数据特征如表1所示：
表1测试集中三个月份的数据特征
表23月海上风功率预测结果
表3 8月海上风功率预测结果
表4 12月海上风功率预测结果
图7是将筛选后的数据作为三种单一模型的输入量进行预测的结果。从图中可以看出Elman模型可以较好的预测出风电功率变化的趋势，这是由于其关联层内部反馈连接使得输入量中历史数据能够被动态递归，网络泛化能力得到增强。但是在15～18h的下爬坡事件和25～35h的连续功率波动的这两段时间内，Elman模型整体趋势与实际一致，但某些点的精确度不如BP模型和RBF模型。这是因为模型并未考虑波动幅值与爬坡事件，导致波动趋势相似但是爬坡幅值不同。
使用Elman模型和所提出的海上预测模型所得到的部分结果如图8所示。在风速变化较为平缓时，两种模型均能较好地跟踪实际风速曲线，预测效果较好。在风速波动幅度变大的时候，Elman模型能够准确跟随功率波动趋势增大或减少，但是幅值并不准确。而所提出的模型通过准确预测风功率波动幅值所属类别并用相同类别的数据进行预测，在风电波动较大时预测曲线仍然能较好的跟随实际功率曲线的波动，有效提高了模型预测精度。
最后选取测试集中12月的数据进行NWP预报误差修正检验如图9所示。NWP预报在这段期间内误差较大，平均绝对误差达到了3.13m/s。分别使用3.3节提出的初始预测模型和所提出的经过NWP修正模块修正的最终模型分别进行预测。图9中预测误差已经用风场装机容量做归一化处理，从中可以看出初始预测模型的预测异常点较多，有某些点的误差甚至达到了79％。这是因为12月整体风速较大，而在中高风速的时候，根据风机功率曲线NWP风速预报和风向预报很小的误差带来较大的功率预测误差。此外，在高风速时风向预报有微小的差异也同样会使预测误差增大。在图9中，最终预测的预测结果在异常点、突变点的修正效果明显，在风功率相对平缓阶段也得到了改善。需要指出的是，在某些预测准确度较高的点通过修正模型修正后误差反而会增大，但是增大的范围处于可以接受的范围之内。