一种风光一体化功率预测方法与流程

[0001]
本发明涉及综合能源技术领域，特别涉及一种风光一体化功率预测方法。


背景技术：

[0002]
近年来，风力发电和光伏发电的快速建设，风光同时并网造成随机性、间歇性以及突然性波动对电网的稳定以及电能质量得到保证带来较大的挑战，也给电网调度人员以及运维检修人员安排计划性停电以及负荷调动带来巨大的压力。为了解决目前大规模的分布式微网能源的接入，我国科研团队也针对这些问题展开了深入的探讨。
[0003]
国内学者在风光一体化功率预测方法方面也做了许多研究，目前对风光互补供电系统功率预测模型设计的存在功率噪声影响较大、无法多类型功率变量的问题，存在一定的局限性。大多数的预测方法缺乏考虑多维环境因素，导致在实际工程应用中准确度无法得到保证。随着风光一体化系统的广泛应用，对风光联合供电系统的功率预测研究具有重要的意义。


技术实现要素：

[0004]
本发明要解决的技术问题在于，针对上述现有技术中存在的缺陷，提供一种风光一体化功率预测方法，可以有效地降低预测时功率噪声带来的影响，提升风光互补供电系统功率预测精准度，为风光一体化功率预测以及电网合理调度方面提供技术支撑。
[0005]
为了解决上述技术问题，本发明的技术方案是：
[0006]
一种风光一体化功率预测方法，包括以下步骤：
[0007]
步骤s1、选择模型输入数据；
[0008]
步骤s2、通过dt-cwt对偶树复小波对光伏、风电原始功率数据进行降噪处理；
[0009]
步骤s3、将处理后的数据进行lstm多端口长短时记忆网络预测模型训练；
[0010]
步骤s4、利用最小二乘法对风电预测功率p
y1
、光伏预测功率p
y2
的数据进行拟合，最终得到风电预测功率p
y1
、光伏预测功率p
y2
的预测曲线。
[0011]
优选地，在所述步骤s1中，所述模型输入数据包含风电输出功率p1、光伏输出功率p2、风速f1、环境温度f2、湿度f3、设备装机容量f4以及设备运行电压f5、总辐射g1、环境温度g2、组件温度g3、海拔高度g4、入射角g5。
[0012]
优选地，在所述步骤s1中，所述dt-cwt对偶树复小波包含上枝和下枝两个平行树，上枝为对偶数复小波变换的实部，下枝为dt-cwt的虚部，实部与虚部分别由两个高通滤波器与低通滤波器组成。
[0013]
优选地，在所述步骤s3中，所述lstm多端口长短时记忆网络预测模型为：
[0014]
f
t
＝σ(w
f
g[h
t-1
,x
t
]+b
f
)
[0015]
i
t
＝σ(w
i
g[h
t-1
,x
t
]+b
i
)
[0016]
g
t
＝tanh(w
g
g[h
t-1
,x
t
]+b
g
)
[0017]
o
t
＝σ(w
o
g[h
t-1
,x
t
]+b
o
)
[0018]
c
t
＝f
t
*c
t-1
+i
t
*g
t
[0019]
h
t
＝o
t
*tanh(c
t
)
[0020]
其中，f
t
,i
t
,g
t
,o
t
分别是遗忘门、输入门、更新门、输出门的输出值，w
f
、w
i
、w
g
、w
o
分别为各个门的链接权重，b
f
、b
i
、b
g
、b
o
分别为各个门的偏移量，四个门的输入包括lstm的t-1时刻的输出值ht-1和当前时刻的输入值x
t
，c
t
临时信息存储单元，σ是sigmoid激励函数。lstm属于一种递归神经网络，其内部结构主要通过门来剔除或者增加相应信息，摆脱了传统的递归神经网络(rnn)训练中存在梯度不足等问题，在内部设立存储单位，通过记忆性事件结构将其序列保存下来，再训练模型中进一步的进行提取，为了增强网络内部的信息保存内里，lstm添加了“遗忘门”和“输入门”，“遗忘门”用来剔除网络中无效的信息成分，“输入门”则添加相应的有效的新信息，两者相互结合形成具有信号过滤及优化的网络模型。
[0021]
优选地，在所述步骤s3中，还包括将降噪后的风电输出功率p
h1
及影响因素形成风电输入矩阵x1、降噪后的光伏输出功率p
h2
及影响因素光伏输入矩阵x2，x1与x2矩阵模型为：
[0022]
x1＝[p
h1 f
1 f
2 f
3 f
4 f5]
[0023]
x1＝[p
h2 g
1 g
2 g
3 g
4 g5]。
[0024]
采用上述技术方案，本发明提供的一种风光一体化功率预测方法，该风光一体化功率预测方法通过利用dt-cwt进行分解，分解出降噪后的风电、光伏输出功率信号，并结合风电、光伏的各个影响因素作为多端口lstm输入，通过lstm网络的训练最终得到风光一体化输出功率的预测曲线。采用基于dt-cwt与lstm的预测模型，不仅可以良好地降噪性能，还可以提升风光一体化输出功率的预测准确度，为合理地电力调度、运维检修提供指导与支持。
附图说明
[0025]
图1为本发明一种风光一体化功率预测方法的流程图；
[0026]
图2为本发明中dt-cwt对偶树复小波的结构示意图；
[0027]
图3为本发明中lstm多端口长短时记忆网络预测模型的结构示意图。
具体实施方式
[0028]
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
[0029]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0030]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0031]
如图1所示，在本发明一种风光一体化功率预测方法的流程图中，包括以下步骤：步骤s1、选择模型输入数据；步骤s2、通过dt-cwt对偶树复小波对光伏、风电原始功率数据进行降噪处理；步骤s3、将处理后的数据进行lstm多端口长短时记忆网络预测模型训练；步骤s4、利用最小二乘法对风电预测功率p
y1
、光伏预测功率p
y2
的数据进行拟合，最终得到风电预测功率p
y1
、光伏预测功率p
y2
的预测曲线。可以理解的，本发明在传统负荷功率预测基础之上，设计一种基于对偶树复小波(dt-cwt)与长短时记忆网络(lstm)的风光一体化功率预测方法，该方法通过dt-cwt对光伏、风电原始功率数据进行降噪处理，经过数据重构与转化，将处理后的数据进行多端口长短时记忆网络预测模型训练，从而达到风光一体化功率预测的目的。最后通过风光互补供电系统现场数据进行模型校验，结果表明该方法可以有效地降低预测时功率噪声带来的影响，提升风光互补供电系统功率预测精准度。
[0032]
具体地，步骤s1：模型输入数据确定；
[0033]
(1)风电场影响因素
[0034]
据统计调查，影响风电机组输出功率的因素主要体现在两个方面，其一是环境性因素：风速、风向、环境温度、湿度、气压；其二风电安装位置以及设备本身影响因素：发电机类型、装机容量、设备运行状态等几个方面。本文综合考虑选取风速f1、环境温度f2、湿度f3、设备装机容量f4以及设备运行电压f5这5个关键因素作为后续功率预测模型的输入集。
[0035]
(2)光伏功率因素
[0036]
影响光伏发电输出功率的因素主要有：总辐射、直接辐射、散射辐射、环境温度、组件温度、相对湿度、气压、风速、风向、云量等气象因素以及经纬度、海拔高度、入射角、光伏电站容量等基础信息，但是关键的影响因素主要有总辐射g1、环境温度g2、组件温度g3、海拔高度g4、入射角g5。为了不影响模型计算速度，本文选取关键的光伏影响因素：总辐射g1、环境温度g2、组件温度g3、海拔高度g4、入射角g5作为后续lstm模型的输入。
[0037]
(3)模型输入数据确定
[0038]
模型输入数据包含风电输出功率p1、光伏输出功率p2、风速f1、环境温度f2、湿度f3、设备装机容量f4以及设备运行电压f5、总辐射g1、环境温度g2、组件温度g3、海拔高度g4、入射角g5。
[0039]
步骤s2：数据降噪及预处理；
[0040]
风电以及光伏功率预测过程中，尤其是风电功率预测时，掺杂着电场高噪声以及低维度历史数据信息，再者由于诸多因素的影响造成测量数据产生异常，这些噪声以及异常数据豆浆影响功率预测的精准度。对偶复小波在传统的小波分析基础之上，能够保持原有信号不平移以及数据不失真的情况下进行信号精确重构，对偶复小波进行功率数据分解与重构，拥有冗余小、计算速度快等优良特性。对偶树复小波是对φ
h
(t)和φ
g
(t)来满足hilbert变换对要求，ψ
h
(t)和ψ
g
(t)作为实部和虚部，有复小波系数φ(t)＝φ
h
(t)+iφ
g
(t)。
[0041]
从图2可以看出dt-cwt包含上枝和下枝两个平行树，上枝为对偶数复小波变换的实部，下枝为dt-cwt的虚部，实部与虚部分别由两个高通滤波器与低通滤波器组成。图2是dt-cwt的分解过程，对分解过程的逆过程即为数据重构过程。
[0042]
dt-cwt变换过程如下：
[0043]
功率数据信号进行n层的dt-cwt变换，分解后的第j层数据x
i
＝x
ire
+jx
iim
进行信号
重构，功率在不同尺度下的dt-cwt变换将形成一个功率数据分量矩阵，如式(1)所示
[0044][0045]
式中，x
i
＝(x
i
(1),x
i
(2),
…
,x
i
(k)),i＝1,2,
…
,m,表示dt-cwt的第i层的功率分量。功率数据矩阵xn中包括含噪的功率信号。x
n
组成公式如下所示：
[0046]
x
n
＝x+w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0047]
式中，x不含噪功率分量矩阵。w对功率数据含噪分量。
[0048]
通过上述方法对风电输出功率p1与光伏输出功率p2数据进行分解，分解得到的小波变换系数进行逆dt-cwt变换得到相应两组小波分量，该分量即为降噪后的风电输出功率p
h1
、光伏输出功率p
h2
。
[0049]
步骤s3：lstm网络模型训练；
[0050]
长短期记忆网络(lstm，long short-term memory)是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式。在标准rnn中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。为了最小化训练误差，梯度下降法(gradient descent)如：应用时序性倒传递算法，可用来依据错误修改每次的权重。梯度下降法在递回神经网络(rnn)中主要的问题初次在1991年发现，就是误差梯度随着事件间的时间长度成指数般的消失。当设置了lstm区块时，误差也随着倒回计算，从output影响回input阶段的每一个gate，直到这个数值被过滤掉。因此正常的倒传递类神经是一个有效训练lstm区块记住长时间数值的方法。lstm属于一种递归神经网络，其内部结构主要通过门来剔除或者增加相应信息，摆脱了传统的递归神经网络(rnn)训练中存在梯度不足等问题，在内部设立存储单位，通过记忆性事件结构将其序列保存下来，再训练模型中进一步的进行提取，为了增强网络内部的信息保存内里，lstm添加了“遗忘门”和“输入门”，“遗忘门”用来剔除网络中无效的信息成分，“输入门”则添加相应的有效的新信息，两者相互结合形成具有信号过滤及优化的网络模型，lstm算法模型如下所示：
[0051]
f
t
＝σ(w
f
g[h
t-1
,x
t
]+b
f
)
[0052]
i
t
＝σ(w
i
g[h
t-1
,x
t
]+b
i
)
[0053]
g
t
＝tanh(w
g
g[h
t-1
,x
t
]+b
g
)
[0054]
o
t
＝σ(w
o
g[h
t-1
,x
t
]+b
o
)
[0055]
c
t
＝f
t
*c
t-1
+i
t
*g
t
[0056]
h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0057]
其中，f
t
,i
t
,g
t
,o
t
分别是遗忘门、输入门、更新门、输出门的输出值。w
f
、w
i
、w
g
、w
o
分别为各个门的链接权重，b
f
、b
i
、b
g
、b
o
分别为各个门的偏移量。四个门的输入包括lstm的t-1时刻的输出值ht-1和现在时刻的输入值x
t
。c
t
临时信息存储单元。σ是sigmoid激励函数。lstm结构如图3所示。
[0058]
将降噪后的风电输出功率p
h1
、光伏输出功率p
h2
、风电输出功率影响因素(风速f1、环境温度f2、湿度f3、设备装机容量f4以及设备运行电压f5)、光伏输出功率影响因素(总辐
射g1、环境温度g2、组件温度g3、海拔高度g4、入射角g5)，本文将降噪后的风电输出功率p
h1
及影响因素形成风电输入矩阵x1、降噪后的光伏输出功率p
h2
及影响因素光伏输入矩阵x2，x1与x2矩阵模型如式(4)所示。将x1与x2输入至长短时记忆网络进行预测模型的训练，最终得到风电预测功率p
y1
、光伏预测功率p
y2
的数据。
[0059]
x1＝[p
h1 f
1 f
2 f
3 f
4 f5]
[0060]
x1＝[p
h2 g
1 g
2 g
3 g
4 g5](4)
[0061]
步骤s4：拟合预测曲线
[0062]
本发明利用最小二乘法对风电预测功率p
y1
、光伏预测功率p
y2
的数据进行拟合，最终得到风电预测功率p
y1
、光伏预测功率p
y2
的预测曲线。最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
[0063]
最小二乘法拟合模型如下：
[0064][0065][0066][0067]
式中a
i
为多项式参数，y
i
功率均值。
[0068]
可以理解的，本发明设计合理，构造独特，通过对原始数据进行dt-cwt分解，分解出噪声信号与降噪功率信号，将降噪功率信号结合风光一体化供电系统的光伏功率影响因素、风电功率影响因素作为lstm模型训练的输出，最终得到微网能源系统的光伏、风电功率预测数据，结合最小二乘法的曲线拟合，得到光伏、风电功率预测曲线，可以有效地降低预测时功率噪声带来的影响，提升风光互补供电系统功率预测精准度，为风光一体化功率预测以及电网合理调度方面提供技术支撑。
[0069]
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。