一种基于t-s模糊模型的风电功率超短期预测方法
【专利摘要】本发明公开了一种基于T?S模糊模型的风电功率超短期预测方法，首先，通过相关性分析得到影响风电功率预测的主要因素，然后，对历史时刻的风速和功率进行预处理和归一化，建立训练样本集和预测样本集。最后，分别采用模糊C均值聚类算法和带遗忘因子的递推最小二乘法对模型进行结构划分和参数辨识，从而得到以风速和功率为输入的风电功率超短期预测的T?S模糊模型。本发明过程简单，计算量小，结果准确。
【专利说明】
-种基于T-S模糊模型的风电功率超短期预测方法
技术领域
[0001] 本发明设及风电功率超短期预测技术，特别是基于T-S模糊模型的风电功率超短 期预测方法。
【背景技术】
[0002] 由于全球变暖问题日益严重，政府的财政支持及电力电子设计和制造行业的发 展，风力发电成为过去二十年发展最快的能源转换系统。全球风力发电的装机容量已经从 2000年的60GW增加到2015年的460GW。随着风电的快速发展，大规模风电场的并网运行对电 力系统的影响也越来越显著。风电的随机性，波动性，不可预知性的特点使得并网对电力系 统的安全稳定运行W及保证电能质量带来严峻的挑战。而风电功率预测有助于系统的运行 和调度，有助于电力系统调度部口及时调整调度计划，优化系统备用容量，对风电场制定出 合理的控制策略，使风电成为可调度的电源。另一方面，准确的风电功率预测可W减轻风电 对电网的不利影响，降低风电场的运行成本，有利于衡量风电场容量的可信度。另一方面， 风电功率预测还可W提高风电场的利用效率。所W开发建设风电功率预测系统，对风电出 力进行准确预测，显得尤为重要。
【发明内容】
[0003] 本发明的目的是针对受风速、风向、环境溫度和压强的影响，而导致的风电功率的 不确定性和非线性，设计了一种基于T-S模糊模型的风电功率超短期预测方法，实现了风电 功率产生的线性化并成功地减小了预测误差，提高了风电功率预测的准确度。
[0004] 为了实现上述目的，本发明所采用的技术方案是:一种基于T-S模糊模型的风电功 率超短期预测方法，包括W下步骤：
[0005] 1)选用前n个时刻的风速和功率作为输入，选取测量时间间隔为t分钟的M组数据 作为训练数据，进行归一化处理，对所述M组训练数据进行聚类，分为C类，得到C个聚类中屯、 Vi,隶属度矩阵U=山ik]，将隶属度Wik作为每个子模型输出对应的权重；
[0006] 2)规定每个子模型的规则结构yi为：
[0007] yi = aiixii+ai巧i2+. . .+ainXin+biiUii+bi2Ui2+. . .+biniiin;
[000引其中，Xin，Uin，分别为为第i个子模型的风速输入序列和功率输入序列中第n个数 据，ain，bin分别为第i个子模型的风速输入序列和功率输入序列第n个数据对应的系数；
[0009] 3)利用带遗忘因子的最小二乘递推算法求出子模型，利用所述子模型得到输出序 列y=Wiy 1+W2y2+.....Wnyn;其中yi，y2--y。为每个子模型的输出，wi，W2--w。为每个子模 型对应的权重，即隶属度；
[0010] 4)选择间隔t分钟的P组风速和功率，进行归一化处理后，作为验证模型的输入序 列，来预测L天W后的风电功率，用L天W后的间隔t分钟的P组实测风电功率数据验证所述 输出序列y的准确度，按聚类中屯、和隶属度的公式更新聚类中屯、Vi和隶属度矩阵U，得到每 个子模型输出对应的隶属度，代入y = wiyi+w巧2+.....Wnyn，即得到最终的输出序列；Wl， W2. . .Wn取为对应的隶属度化k.
[0011] 步骤一，通过相关性分析得到影响风电功率预测的主要因素，将该影响因素作为 模型的输入，基于简单有效的原则，选择合适输入序列。
[0012] 步骤二，对输入进行数据处理归一化，再对作为输入的样本数据进行FCM(模糊C均 值)聚类，得到前件参数隶属度矩阵。将隶属度作为每个子模型输出的权重。
[0013] 步骤=，用带遗忘因子的递推最小二乘法对聚类产生的不同的线性系统进行后件 参数辨识。
[0014] 即可得到，基于T-S模糊模型的分段线性的风电功率超短期预测的数学模型。
[0015] 最后，计算模型预测均方根误差，绝对值误差，及相对误差概率，通过与传统预测 方法比较运些误差指标的大小，来评估模型预测的准确度。
[0016] 与现有技术相比，本发明所具有的有益效果为:本发明将正常的模糊规则及其推 理转化成一种具体的数学表达形式，对于已经建立的模型，只需要前几个时刻的风速和功 率即可预测下一时刻的功率，过程简单，计算量小，结果准确。
【附图说明】
[0017] 图1为本发明建模流程简图；
[0018] 图2为本发明预测结果与原始数据、SVM、EMD-SVM的预测结果图；
[0019] 图3为本发明预测结果误差图；
[0020] 图4为本发明与SVM、EMD-SVM预测结果相对误差概率分布图；
[0021] 图5为本发明的建模详细流程图。
【具体实施方式】
[0022] 本发明针对受风速、风向、环境溫度和压强的影响，而导致的风电功率的不确定性 和非线性，设计了基于T-S模糊模型的风电功率预测方法。首先，通过相关性分析得到风速 和功率是影响风电功率预测的主要因素。然后，对历史时刻的风速和功率进行聚类，得到前 件参数隶属度矩阵。最后，用带遗忘因子的递推最小二乘法对聚类产生的不同的线性系统 进行后件参数辨识，即可得到，W风速和功率为输入的基于T-S模糊模型的分段线性的风电 功率预测的数学模型。
[0023] 具体过程如下：
[0024] 通过相关性分析得到对功率预测影响最大的因素，历史时刻的风速和功率。分别 选取前几个时刻的风速和功率作为输入序列X和U，对数据进行预处理和归一化，选用n组数 据作为训练样本，用模糊C均值聚类，对训练数据进行聚类分析，得到聚类中屯、和隶属度矩 阵，聚类步骤如下：
[0025] 步骤一，给定模糊划分矩阵初始值Uo和一个较小的目标函数精度。〇(如令E = 10 ^);选择聚类数目C和模糊指数m;初始化迭代次数1 = 0;
[00%]步骤二，按照(4)更新聚类中屯、Vi;
[0027]步骤S，按照式(2)更新平方内积距离范数化k2;
[002引步骤四，按照式(3)更新模糊划分矩阵iiik;
[0029] 步骤五，若M沪1-护M <e则终止迭代，否则令1 = 1+1转到步骤二；
[0031] (]>
[0030] 相应公式如下：
[0032] 向
[0033]
[0034] (4)
[003引式中，Z=(Z1，Z2, . . . ,ZN)表示被聚类的有限数据集;U=[jiik]是Z的模糊划分隶属 度矩阵;V= (VI，V2，'''，Vc)T为聚类中屯、向量;Jiik是数据点Zk相对于聚类中屯、Vi的隶属度，取 值范围是聚类个数;n是样本个数;m是模糊指数。Dik2是平方内积距离范数，A决 定聚类的形状，通常取单位矩阵I。
[0036] 因为单输入单输出的离散T-S模糊模型可W用如下式表示
[0037]
[003引式中，是第i条规则；C是总的模糊规则数;XGRT是系统的输入变量;yi是第i条规则 的输出。
[0039] 所W，设每个系统子模型为yi = ailXil+ai2Xi2+. . .+ainXin+bilUil+bi2Ui2+. . .+binllin, 式中，X1,X2, . . .，Xn为前n个时刻的历史风速，山,U2, . . .，Un为前n个时刻的历史功率，令m化） =[X化)u化)]，则带遗忘因子的最小二乘法递推算法辨识步骤如下：
[0040] 步骤一，整理实际数据，确定输入输出数据序列；
[0041] 步骤二，设置初值0(0)和P(O);
[0042] 步骤S，利用下式，计算0(0)，P化），w化）；
[0043] 步骤四，令k = k+l，返回步骤S，继续循环。
[0044] 相应公式如下：
[0045] (5)
[0046] 式中，A为遗忘因子，一般选取〇.95<A<1，0化)待辨识参数矩阵，P化)为协方差矩 阵，W化)为增益矩阵，m化)为输入和状态矩阵。综合上述步骤，在模型输入时间序列和输出 时间序列已知的情况下，可W辨识出相应的参数，即参数矩阵[Al Bi]，其中Ai=[曰1] ,Bi = [bi]即为X化)u化)对应的系数。
[0047] 最后W隶属度作为权重得到最后结果y=wiyi+w巧2+.....Wny。，其中yi，y2--yn为 每个子模型的输出，W1，W2. .. .Wn为每个子模型对应的权重。
[0048] 用均方根误差和绝对值误差作为衡量模型准确度的指标，同时还给出了相对误差 概率分布，其中均方根误差用来评价误差的分散程度，反映预测的精密度，平均绝对误差用 来评价误差的平均幅值，公式如下：
[0049] 心、 巧)
[(K)加 ] 巧）
[0051] (8)
[0052] W某风电场2015年8月气象源C数据和实发数据为例，介绍模型建立的具体步骤。
[0053] 步骤一，确定输入输出序列，考虑到模型的准确性和计算量，决定选用前四个时刻 的风速和功率作为模型的输入，即m化）=(Xkl，Xk2，祉3，Xk4，Ukl，Uk2，Uk3，Uk4 )，选取测量时间 间隔为15分钟的1000组数据作为训练数据，先进行归一化处理，初始化隶属度矩阵U，令e为 1(T5,选择聚类数目为2,对运1000组数据进行聚类，得到两个聚类中屯、Vi和V2,隶属度矩阵 U。步骤二，规定每个子模型的规则结构为
[0化4] y i = aiiXii+ai2Xi2+ai3Xi3+ai4Xi4+biiUii+bi2Ui2+bi3Ui3+bi4Ui4 (9)
[0055]令目 i(〇) = [0. 1,0.1，0. 1,0.1，0. 1,0.1，0. 1,0.1 ]T,
[0化6] 令Pi(0)为单位矩阵，且Pi(0) G rSxs，选取A为0.95，
[0057]利用带遗忘因子的最小二乘递推算法求出两个子模型，参数矩阵为 [005引 01=[0.6395-0.2808-1.0404 0.6902-0.6810 1.5082-1.8896 2.0486]^
[0059] 目2=[0.0100-0.0283 0.0244-0.0197-0.6099 2.1706-3.3575 2.7936]t
[0060] 因此，求得两个子系统的线性模型分别为
[0061] yi =目迎1 化），y2=目 21112 化） （10)
[00创最终结果为y=wiyi+W2y2,其中W1，W2为每个子模型输出对应的权重，在运里选择每 个样本对每个子系统的隶属度为权重。
[0063] 步骤S，用10天W后的间隔15分钟的70组数据验证模型的准确度。确定输入序列， 和要预测的数据对应的原始数据，进行归一化处理后，按聚类中屯、Vl和V2更新隶属度矩阵， 得到每个子系统输出对应的权重，带入y=wiyi+W2y2即可得到相应的输出序列。
[0064] 用均方根误差和平均相对误差作为衡量模型预测效果的的指标，并给出了相对误 差概率分布图，且将其与SVM及EMD-SVM预测模型结果进行比较，仿真图及误差指标如下表 Io
[00化]表一 [0066]
[0067]由仿真图形及表格可W看出，T-S模糊模型与EMD-SVM方法和单一的SVM方法相比， 误差范围减小，且T-S模糊模型的预测大大减小了较大误差出现的概率，预测精度有了明显 的提高。即基于T-S模糊模型的风电功率预测方法在一定程度上提高了风电场风电功率预 测的准确性，所W该方法具有较高的实用价值。
【主权项】
1. 一种基于τ-s模糊模型的风电功率超短期预测方法，其特征在于，包括以下步骤： 1) 选用前η个时刻的风速和功率作为输入，选取测量时间间隔为t分钟的Μ组数据作为 训练数据，进行归一化处理，对所述Μ组训练数据进行聚类，分为c类，得到c个聚类中心 Vl， 隶属度矩阵U= [yik]，将隶属度yik作为每个子模型输出对应的权重； 2) 规定每个子模型的规则结构71为： yi 一 ElilXil+￡li2Xi2+· · ·+ElinXin+bilUil+bi2Ui2+· · ·+binUin ; 其中，Xin，Uin，分别为为第i个子模型的风速输入序列和功率输入序列中第n个数据， ain，bin分别为第i个子模型的风速输入序列和功率输入序列第η个数据对应的系数； 3) 利用带遗忘因子的最小二乘递推算法求出子模型，利用所述子模型得到输出序列y =wiyi+W2Y2+.....Wnyn;其中yi，y2. . · .yn为每个子模型的输出，W1，W2. · · .wn为每个子模型对 应的权重，即隶属度； 4) 选择间隔t分钟的P组风速和功率，进行归一化处理后，作为验证模型的输入序列，来 预测L天以后的风电功率，用L天以后的间隔t分钟的P组实测风电功率数据验证所述输出序 列y的准确度，按聚类中心和隶属度的公式更新聚类中心^和隶属度矩阵U，得到每个子模 型输出对应的隶属度，代入y=wiyi+w2y2+.....wnyn，即得到最终的输出序列;wi，w2...w n取 为对应的隶属度yik。2. 根据权利要求1所述的基于Τ-S模糊模型的风电功率超短期预测方法，其特征在于， 步骤1)的具体实现过程包括以下步骤： 1) 给定模糊划分矩阵初始值Uo和ε，ε>0;选择聚类数目c和模糊指数m;初始化迭代次数1 =〇； 2) 按照下式更新聚类中心v1: fc-l其中，ylk是数据点Zk相对于聚类中心^的隶属度;n是数据点的个数； 3) 利用下式更新平方内距离范数Dlk2:其中，（Zk-V1)T为(Zk-Vl)的转置，D lk为第i个聚类中心和第k个数据点的欧几里得距离； 4) 利用下式更新模糊划分矩阵ylk，其中，Z的模糊划分隶属度矩阵U=[ylk]:其中，Djk为第j个聚类中心和第k个数据点的欧几里得距离； 5) 若| Ijw-JN |<ε则终止迭代，否则令1 = 1+1，并转到步骤2)。
【文档编号】G06Q10/04GK105956720SQ201610396708
【公开日】2016年9月21日
【申请日】2016年6月7日
【发明人】刘芳, 李然然, 李勇, 吴敏, 陈鑫, 刘玲
【申请人】中南大学