一种基于空间相关性的台风过境风电功率预测方法
【专利摘要】本发明提出一种基于空间相关性的台风过境风电功率预测方法。采集台风上风处与下风处风速或功率时间序列；计算上风处采集的时间序列与下风处采集的时间序列之间的相关性系数；将强相关性数据组中的上风处及下风处风速或功率时间序列数据组录入小波神经网络，对小波神经网络训练；利用训练后的小波神经网络对下风处风电功率进行预测。本发明利用空间相关性及优化后的静态神经网络，为台风过境情况下的风功率进行预测提供一种较为准确的解决方案，为强风过境时的风电调度起指导作用。
【专利说明】
-种基于空间相关性的台风过境风电功率预测方法
技术领域
[0001] 本发明属于电力系统自动化领域，特别设及一种基于空间相关性的台风过境风电 功率预测方法。
【背景技术】
[0002] 随着风电产业的高速发展，在为社会带来巨大的经济效益和社会效益的同时，风 电并网带给电网的冲击也使电网的稳定运行面临一系列新的难题。对于风力发电带来的不 稳定因素，提前短期及超短期的风电预测便显得愈发不可或缺起来，预测对于电网调度和 运维的指导作用将成为未来一个阶段电网运行的重要一环。
[0003] 目前国内外对于风电预测的研究所设及的风速环境大都局限于大面积稳定来风， 对于强风暴过境时的极端状况的研究却鲜有设及。由于国内缺乏运方面的研究，相对应的， 对于台风等极端天气下的风机应对策略也就普遍采取风机提前切出的简单方式，从而容易 造成很多不必要的风能损失；同时由于缺乏预测，也可能由于瞬时的风速增大导致风机系 统损坏。所W在台风过境时，有效的预测其风速强度从而做出适当的提前应对便显得尤为 关键。
【发明内容】
[0004] 本发明的目的在于利用空间相关性及优化后的静态神经网络，为台风过境情况下 的风功率进行预测提供一种较为准确的解决方案，为强风过境时的风电调度起指导作用； 同时，本发明不仅可W对台风过境时的风电功率进行预测，还可W针对常规风速情况下的 风电功率进行预测。 阳〇化]为了解决上述技术问题，本发明提供一种基于空间相关性的台风过境风电功率预 测方法，包括W下步骤：
[0006] 步骤一、采集台风上风处与下风处风速或功率时间序列；
[0007] 步骤二、计算上风处采集的时间序列与下风处采集的时间序列之间的相关性系 数；
[0008] 步骤Ξ、将强相关性数据组中的上风处及下风处风速或功率时间序列数据组录入 小波神经网络，对小波神经网络训练；
[0009] 步骤四、利用训练后的小波神经网络对下风处风电功率进行预测。
[0010] 进一步，步骤二中，先W下风处当前时间点为基准点，将上风处采集序列按下风处 采集点数按等时间间隔重新分组；然后分别计算上风处各组序列与下风处序列的相关性系 数，得到相关性系数最大的一组风速或功率时间序列，相关性系数的计算公式如式（1) 所示，
[0011]
祥) 阳01引式（1)中，Pi似表示第i组数据第k个采样点的关联系数，g为风速或功率时间 序列的采样总数上限，Pi(k)的计算公式如式（2)所示，
[0013] Pi (k)=虹iriimink I Vi 化）-Vi 化）I + P maxximaxk I Vi 化）-Vi 化）I ]今
[0014] 似
[0015] [ I Vi 化）-Vi 化）I + P maxXimaXk I Vi (k) -Vi 化）I ]
[0016] 式（2)中，P 表示分辨系数；Vi= (Vi(l)，Vi(2)，Vi(3)···，Vi(g-l), Vi(g))代表风 速时间序列；Vi= (Vi(l)，Vi(2)，，，，Vi(g))代表风速时间序列的子序列，为小波神经网络 录入的训练数据。因为本发明还可W通过采集功率时间序列进行预测，在使用功率时间序 列进行预测，将公式（2)中的风速时间序列替换为功率时间序列。
[0017] 进一步，步骤Ξ中，所述小波神经网络系通过使用小波分析法对静态神经网络进 行修正获得，其中选择Morlet小波作为隐含层的传递函数，对应的输出层的输出公式如式 (3)所示，
[0018]
[0019] 式（3)中的Wik为隐含层到输出层的连接权值；h(i)为第i个隐含层节点的输出 值；1为隐含层节点数；m为输出层节点数。
[0020] 进一步，对小波神经网络进行训练时，小波神经网络采用Ξ层结构，包括输入层、 隐含层和输出层，且输入层为四节点，隐含层为六个节点，输出层为一个节点。
[002U 进一步，小波神经网络的训练结束后，采用sim( ·)函数调用所训练好的小波神经 网络对下风处风电功率进行预测。
[0022] 本发明与现有技术相比，其显著优点在于：（1)本发明使用相关性预测及小波分 析法结合对传统的神经网络进行优化，得到了一种更适合于风电功率相关性预测的模型， 提高了预测精度；（2)本发明通过空间相关性和小波分析，W及静态神经网络Ξ者的结合， 有效是的改进了传统预测算法的预测精度，不仅可W完成对常规风速条件下风电预测，还 能够很好的完成台风过境极端天气下的风电场功率预测，对台风来临前的风电发展趋势进 行快速反应，W及风电场运行的调度有着良好的决策指导作用；（3)本发明对风电的预测， 不但可W保证预测的提前性，其对于常规情况下及强风过境时的预测精度都能够达到较好 的水平。
【附图说明】
[0023] 图1是本发明基于空间相关性的台风过境风电功率预测方法流程图。
[0024] 图2是小波神经网络拓扑结构图。
[0025] 图3是本发明实验中台风过境时两风电场48小时功率曲线。
[00%] 图4是本发明实验中台风过境时两风电场相关性曲线图。
[0027] 图5是本发明实验中台风过境时台风功率相关性预测曲线图。
[002引图6是本发明实验中台风过境时台风功率相关性预测绝对误差示意图。
【具体实施方式】
[0029] 本发明基于空间相关性的台风过境风电功率预测方法，包括W下步骤：
[0030] 步骤一、采集台风上风处与下风处风速或功率时间序列。
[0031] 将位于台风运行轨迹空间上存在一定距离的上风处和下风处的风速或功率数据 进行采集，此时两处的空间距离要足够长，W便给台风功率的处理及预测留出一定的传播 时间裕度；
[0032] 步骤二、计算上风处采集的时间序列与下风处采集的时间序列之间的相关性系 数。
[0033] 首先，W下风处当前时间点为基准点，将上风处采集序列按下风处采集点数重新 分组，分组原则按等时间间隔法即每隔固定时间向前移动上风处时间序列，且序列长度不 变，都与下风处当前采样点数等长；然后分别计算上风处各组序列与下风处序列的相关性 系数，得到相关性最高的一组风速或功率时间序列，即相关性系数最大的一组风速或功率 时间序列。相关性系数的计算公式如式（1)所示，
[0034]
[0035] 式（1)中，Pi(k)表示第i组数据第k个采样点的关联系数，g为风速或功率时间 序列的采样总数上限，Pi(k)的计算公式如式（2)所示，
[0036] Pi (k)=虹iriimink I Vi 化）-Vi 化）I + P maxXimaXk I Vi 化）-Vi 化）I ]今
[0037] 似
[0038] [ I Vi 化）-Vi 化）I + P maxximaxj Vi (k) -Vi 化）I ] 阳039]式似中，P 表示分辨系数；Vi= (Vi(l)，Vi(2)，Vi(3)···，Vi(g-l), Vi(g))代表风 速时间序列；Vi= (Vi(l)，Vi(2)，，，，Vi(g))代表风速时间序列的子序列，为小波神经网络 录入的训练数据。因为本发明还可W通过采集功率时间序列进行预测，在使用功率时间序 列进行预测，将公式（2)中的风速时间序列替换为功率时间序列。
[0040] 步骤Ξ、将强相关性数据组中的上风处及下风处风速或功率时间序列数据组录入 小波神经网络，对小波神经网络训练；
[0041] 本步骤中所述小波神经网络系通过使用小波分析法对静态神经网络进行修正获 得。本发明采用函数嵌入优化思路，在神经网络的拓扑基础上把小波分析法中的小波基函 数引入神经网络的隐含层中作为神经元节点的传递函数，形成一种信号前向传播的同时误 差反向传播的神经网络。具体方法包括： 阳0创如图2,在小波神经网络的网络拓扑中，Χι,Χζ，…，Xk为神经网络的输入时间序列， 对应的Yl，Y2，…，Ym为网络的预测输出，W U和W ik为网络各层连接权值。当，录入时间序 列时，其对应的输出层计算公式演变为式（3)所示，
[0043]
W44] 式（3)中，hU)表示隐含层在第j个节点输出的输出值出，为小波基函数;W。为 输入层和隐含层的连接权值；b，为小波基函数h ,的平移因子；a ,为其小波基函数的伸缩因 子。
[0045] 关于小波基函数的选取，本发明选择了在时域和频域局部特性都比较良好的 Morlet小波。其能适用于离散情况下的特点，也是本发明选择它的主要原因之一。选择 Morlet小波作为隐含层的传递函数后，其对应的输出层的输出公式变为式（4)所示，
[0046]
[0047] 式（4)中的wik为隐含层到输出层的连接权值；ha)为第i个隐含层节点的输出 值；1为隐含层节点数；m为输出层节点数。
[0048] 小波神经网络的参数传递和权值阔值修正的方式与BP神经网络类似，两者皆采 用梯度修正法对网络的权值阔值及小波基函数的参数，并W此不断的使小波神经网络的预 测输出不断逼近期望输出。小波神经网络的参数修正过程如下：
[0049] a)网络预测值与实际目标值做差，获得误差值： 阳化0]
[0051] 其中7。化）为网络的期望序列；y(k)为小波神经网络的实际预测输出。
[0052] b)根据所计算得到的误差值对小波网络的各层间权值阔值W及小波基函数各系 数进行修正：
[0056] W上Ξ个修正公式，各式中的变化量都是根据网络误差所计算得到，其数理描述 如下式所示：
[0060] 其中，η为小波神经网络的学习速率。
[0061] 本步骤中，对小波神经网络训练具体方法为：采用上风处数据对神经网络进行训 练，包括小波神经网络采用Ξ层结构，即输入层、隐含层和输出层的拓扑结构。其中隐含层 节点的传递函数采用Morlet母小波基函数。小波神经网络的结构为4-6-1 :输入层为四节 点，表示目标序列前4个时间点的风速数值；隐含层含有六个节点，输出层为一个节点。
[0062] 步骤四、利用训练后的小波神经网络对下风处风电功率进行预测。
[0063] 小波神经网络的训练结束后，采用sim( ·)函数调用所训练好的网络对下风处进 行预测。将下风处的数据作为预测的目标序列数据，在开始训练和预测过程中，还需对数据 进行归一化处理。
[0064] 步骤五、分析预测曲线走势和规律，将结果传达到下风处风电场，W便根据预测结 果及时对风电场调度做出调整。 阳〇化]本发明可W通过W下实验进一步说明。
[0066] W我国东南沿海两风电场在某次台风过境时所实际采集的部分数据来验证本发 明提出的基于空间相关性的台风过境风电功率预测方法的可行性和有效性。
[0067] 本实验中采用的数据为两风电场在某次台风过境时所采集48小时内的功率时间 序列作为数据样本。数据序列采样时间间隔为一个小时取样一点，跨度为48小时。两风电 场的风电功率序列如图3所示： W側从图3中可W明显的看出两条曲线存在的相似性。两地在空间关联的时间尺度上 看，位于下风处的B风电场，较之上风处的A风电场滞后约5个小时。间接证明了台风期间 两风电场的功率序列之间存在较强的空间相关性。
[0069] 将上风处的风电场所采集的功率时间序列W每小时前移一点的顺序将数据分为 30组，分别计算上风处数据序列与下风处时间序列之间的相关性系数。其相关性系数计算 结果如图4所示：
[0070] 从图4中可W看出，相关性系数在第二十屯组左右达到最大。将强相关性数据组 中的上风处功率时间序列作为训练数据，下风处功率时间序列作为目标数据对小波神经网 络网络进行训练、学习和预测，获得下风处风电功率的预测结果。
[0071] 本实验中采用Ξ层拓扑结构小波神经网络对上风处功率时间序列做训练和学习， 利用训练之后的小波神经网络对下风处风电功率进行预测。其中，Ξ层拓扑结构中隐含层 节点的传递函数采用Morlet母小波基函数。小波神经网络的Ξ层拓扑结构依然为4-6-1 : 输入层为四节点，隐含层含有六个节点，输出层为一个节点。其预测结果如图5所示，
[0072] 从台风功率的预测曲线来看，其预测的趋势大致与实际功率曲线的走向一致。预 测值与实际值的绝对误差如图6所示，部分相对误差如表1所示。
[0073] 表1台风功率预测部分相对误差数据
[0074]
[0075] 从图6和表1中可W看出，通过空间相关性对于台风过境时的风电功率进行的预 测的相对误差的周期性比较明显。经过进一步的计算分析，对于下风处风功率的预测值与 实际值的绝对误差的均值为-3. 9845MW，相对误差的均值为0. 1662,即预测结果的平均相 对误差为16. 62 %，其误差值低于20 %，对于其预测精度可W接受，即通过空间相关性对于 台风过境时的功率进行预测的思路是可行的。
[0076] 对于台风过境时上风处和下风处的空间相关性的分析，并W此对风电场的功率预 测结果进行分析和把握，可W对台风等强风来袭时风电场的调度和风机的切停起到一定的 指导作用。
【主权项】
1. 一种基于空间相关性的台风过境风电功率预测方法，其特征在于，包括W下步骤： 步骤一、采集台风上风处与下风处风速或功率时间序列； 步骤二、计算上风处采集的时间序列与下风处采集的时间序列之间的相关性系数； 步骤=、将强相关性数据组中的上风处及下风处风速或功率时间序列数据组录入小波 神经网络，对小波神经网络训练； 步骤四、利用训练后的小波神经网络对下风处风电功率进行预测。2. 如权利要求1所述基于空间相关性的台风过境风电功率预测方法，其特征在于，步 骤二中，先W下风处当前时间点为基准点，将上风处采集序列按下风处采集点数按等时间 间隔重新分组；然后分别计算上风处各组序列与下风处序列的相关性系数，得到相关性系 数最大的一组风速或功率时间序列，相关性系数Yi的计算公式如式（1)所示，川 式（1)中，Pi化）表示第i组数据第k个采样点的关联系数，g为风速或功率时间序列 的采挣总?敬h限，D;(k)的计貸公式化式（2)所示，似 [I Vi 化)-Vi 化）I + P m曰X Xi m曰Xk I Vi 化)-Vi 化）I ] 式（2)中，P表示分辨系数；Vi= (Vi(I) ,Vi (2)，Vi (3)…，Vi (g-1), Vi (g))代表风速时 间序列；Vi= (Vi(I), Vi(2)…，Vi(g))代表风速时间序列的子序列，Xi为小波神经网络录入 的训练数据。因为本发明还可W通过采集功率时间序列进行预测，在使用功率时间序列进 行预测，将公式（2)中的风速时间序列替换为功率时间序列。3. 如权利要求1所述基于空间相关性的台风过境风电功率预测方法，其特征在于，步 骤=中，所述小波神经网络系通过使用小波分析法对静态神经网络进行修正获得，其中选 择Morlet小波作为隐含层的传递函数，对应的输出层的输出公式如式（3)所示，式（3)中的Wik为隐含层到输出层的连接权值；ha)为第i个隐含层节点的输出值；1 为隐含层节点数;m为输出层节点数。4. 如权利要求3所述基于空间相关性的台风过境风电功率预测方法，其特征在于，对 小波神经网络进行训练时，小波神经网络采用S层结构，包括输入层、隐含层和输出层，且 输入层为四节点，隐含层为六个节点，输出层为一个节点。5. 如权利要求1所述基于空间相关性的台风过境风电功率预测方法，其特征在于，小 波神经网络的训练结束后，采用sim( ?)函数调用所训练好的小波神经网络对下风处风电 功率进行预测。
【文档编号】G06F19/00GK105989236SQ201510095410
【公开日】2016年10月5日
【申请日】2015年3月3日
【发明人】蒋达, 康奇, 张俊芳, 许辉, 褚智亮, 毕月, 史媛, 林莎
【申请人】南京理工大学