專利名稱：一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電網(wǎng)節(jié)能經(jīng)濟(jì)調(diào)度以及計(jì)算機(jī)人工智能應(yīng)用交叉領(lǐng)域，尤其涉及一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法。
背景技術(shù)：
本申請所涉及的受氣象信息影響的新能源發(fā)電能力分析方法主要針對風(fēng)電場未來幾小時(shí)至幾天內(nèi)的出力能力分析。當(dāng)風(fēng)電場作為電源接入到電力系統(tǒng)后，風(fēng)電本身的隨機(jī)性、波動性和間歇性隨著容量的擴(kuò)大對電力系統(tǒng)的沖擊越來越大。如果不能對風(fēng)電的短期出力情況進(jìn)行準(zhǔn)確分析，就必須在電力系統(tǒng)當(dāng)中留有與風(fēng)電容量相當(dāng)?shù)膫溆萌萘窟M(jìn)行調(diào)峰。而當(dāng)分析結(jié)果能夠達(dá)到足夠的精度時(shí)，將風(fēng)電出力作為負(fù)的負(fù)荷疊加到負(fù)荷預(yù)測的曲線上，就可以像傳統(tǒng)的電力系統(tǒng)調(diào)度方式一樣根據(jù)預(yù)測的負(fù)荷與風(fēng)電出力安排常規(guī)機(jī)組的發(fā)電計(jì)劃，從而優(yōu)化發(fā)電機(jī)組的開機(jī)組合，降低整個(gè)電網(wǎng)運(yùn)行的費(fèi)用。因此，作為新能源調(diào)度的一部分，降低風(fēng)電接入對電網(wǎng)調(diào)度的風(fēng)險(xiǎn)及對備用容量的要求，對風(fēng)電進(jìn)行短期出力分析顯得十分必要和迫切。下面著重介紹目前在本領(lǐng)域的一些常用的和比較前沿的分析方法。人工智能算法。目前越來越多的機(jī)器學(xué)習(xí)方法開始逐漸引入到預(yù)測領(lǐng)域，其中代表性的有人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)及支持向量機(jī)(SUPPORT VECTORMANCHINE)算法等。但很難用單純的一種算法解決所有復(fù)雜的實(shí)際非線性問題。組合預(yù)測技術(shù)。組合預(yù)測方法(Combination Forecast)是一種根據(jù)實(shí)際情況靈活使用多種方法進(jìn)行組合計(jì)算，以解決某一問題的技術(shù)。它會根據(jù)實(shí)際情況的不同把不同的算法按照不同的策略有機(jī)地結(jié)合起來，從而完成單一算法無法完成的或者準(zhǔn)確度、效率執(zhí)行不高的任務(wù)。組合預(yù)測技術(shù)在目前國內(nèi)風(fēng)電預(yù)測領(lǐng)域應(yīng)用還是一個(gè)嶄新的課題。NWP技術(shù)。NWP (數(shù)值型天氣預(yù)報(bào)，Numeral Weather Prediction)是一種精確數(shù)值化的天氣預(yù)報(bào)模式，NWP根據(jù)實(shí)時(shí)大氣情況，在一定的初值和邊值條件下，通過大型計(jì)算機(jī)作數(shù)值計(jì)算，求解天氣演變過程的流體力學(xué)和熱力學(xué)方程組，預(yù)測未來一定時(shí)段的大氣運(yùn)動狀態(tài)和天氣現(xiàn)象的方法。由于風(fēng)電對天氣情況的敏感性，使用高精度NWP數(shù)據(jù)對風(fēng)電功率出力建模是短期風(fēng)電出力分析的最有效途徑。影響NWP精度的最大因素是NWP的分辨率，高分辨率下的NWP能夠精確地預(yù)報(bào)某一點(diǎn)(如每臺風(fēng)機(jī)處)的天氣(風(fēng)速、風(fēng)向等)， 但由于NWP主要是靠高性能的大型電子計(jì)算機(jī)計(jì)算，精度與計(jì)算量成平方次增長，因此高分辨率的NWP計(jì)算成本很高。當(dāng)前的NWP精度一般能從數(shù)十平方公里(如60km2、30km2或 20km2)到 Ikm2 或 2km2。

發(fā)明內(nèi)容
本發(fā)明的目的在于，針對目前普遍使用的短期風(fēng)電出力分析系統(tǒng)精確性不高的問題，提出一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其通過對風(fēng)場的大規(guī)模數(shù)據(jù)量按不同地理高度組成多個(gè)樣本，并同時(shí)對這些樣本以及多種或多個(gè)回歸算法權(quán)重進(jìn)行動態(tài)調(diào)整，最終利用多個(gè)學(xué)習(xí)機(jī)的組合模型進(jìn)行預(yù)測，從而增強(qiáng)系統(tǒng)的泛化能力以及預(yù)測精度。本發(fā)明的技術(shù)方案如下。一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其特征在于，所述方法包括下列步驟一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其特征在于，所述方法包括下列步驟步驟1 測量風(fēng)電場實(shí)測數(shù)據(jù)，獲取數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，對風(fēng)電場實(shí)測數(shù)據(jù)/數(shù)值天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行預(yù)處理后得到統(tǒng)計(jì)數(shù)據(jù)，其中，所述風(fēng)電場實(shí)測數(shù)據(jù)包括實(shí)測的風(fēng)速、風(fēng)向、溫度、降水和地形高度，所述數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括預(yù)報(bào)的風(fēng)速、風(fēng)向、溫度和降水，所述統(tǒng)計(jì)數(shù)據(jù)包括瞬時(shí)風(fēng)速、最大風(fēng)速、最小風(fēng)速、平均風(fēng)速、風(fēng)向正弦和風(fēng)向余弦；步驟2 對所述實(shí)測數(shù)據(jù)和對所述實(shí)測數(shù)據(jù)經(jīng)過預(yù)處理后得到的所述統(tǒng)計(jì)數(shù)據(jù)按照弱學(xué)習(xí)機(jī)的輸入數(shù)據(jù)結(jié)構(gòu)組織樣本，其中訓(xùn)練集樣本輸入數(shù)據(jù)包括瞬時(shí)風(fēng)速、最大風(fēng)速、 最小風(fēng)速、平均風(fēng)速、風(fēng)向正弦、風(fēng)向余弦、溫度、濕度、降水以及樣本權(quán)重，訓(xùn)練樣本的輸出為某d日某t時(shí)刻的風(fēng)電場出力值P(d，t)；步驟3 將訓(xùn)練集按照測風(fēng)塔不同測量高度拆分，生成T個(gè)子訓(xùn)練集，按照等分概率原則初始化T個(gè)子訓(xùn)練集中各樣本初始權(quán)重，其中T為樣本集的拆分個(gè)數(shù)，初始化樣本權(quán)重公式如下Weight ⑴=1/n其中，i表示某個(gè)樣本集中的某個(gè)樣本，η表示該樣本集的樣本總數(shù)；步驟4 通過T個(gè)弱學(xué)習(xí)算法、即弱學(xué)習(xí)機(jī)分別對T個(gè)子訓(xùn)練集中各樣本進(jìn)行訓(xùn)練、并使用PSO粒子群優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)后得到相應(yīng)的回歸模型。每個(gè)弱學(xué)習(xí)機(jī)的概率權(quán)重初始化公式為α j = 1/T j e [1, Τ]；步驟5 按照各弱學(xué)習(xí)機(jī)的計(jì)算精度重新分配各弱學(xué)習(xí)機(jī)的概率權(quán)重，若尚未達(dá)到迭代上限或未滿足驗(yàn)證條件，則調(diào)整各子訓(xùn)練集中的樣本權(quán)重，返回步驟4，否則進(jìn)入步驟6，其中，重新分配各弱學(xué)習(xí)機(jī)的概率權(quán)重按如下公式計(jì)算α j = (1/2) In [ (I-Eerr) /Eerr]，其中，％是某個(gè)弱學(xué)習(xí)機(jī)的概率權(quán)重，Eerr為當(dāng)前該弱學(xué)習(xí)機(jī)所得預(yù)測模型的測試精度，Eerr的計(jì)算公式如下
權(quán)利要求
1. 一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法，其特征在于，所述方法包括下列步驟步驟1 測量風(fēng)電場實(shí)測數(shù)據(jù)，獲取數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，對風(fēng)電場實(shí)測數(shù)據(jù)/數(shù)值天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)后得到統(tǒng)計(jì)數(shù)據(jù)，其中，所述風(fēng)電場實(shí)測數(shù)據(jù)包括實(shí)測的風(fēng)速、風(fēng)向、溫度、降水和地形高度，所述數(shù)值天氣預(yù)報(bào)數(shù)據(jù)包括預(yù)報(bào)的風(fēng)速、風(fēng)向、溫度和降水，所述統(tǒng)計(jì)數(shù)據(jù)包括瞬時(shí)風(fēng)速、最大風(fēng)速、最小風(fēng)速、平均風(fēng)速、風(fēng)向正弦和風(fēng)向余弦；步驟2 對所述實(shí)測數(shù)據(jù)進(jìn)行預(yù)處理后按照弱學(xué)習(xí)機(jī)的輸入數(shù)據(jù)結(jié)構(gòu)組織樣本，其中訓(xùn)練集樣本輸入數(shù)據(jù)包括瞬時(shí)風(fēng)速、最大風(fēng)速、最小風(fēng)速、平均風(fēng)速、風(fēng)向正弦、風(fēng)向余弦、 溫度、濕度、降水以及樣本權(quán)重，訓(xùn)練樣本的輸出為某d日某t時(shí)刻的風(fēng)電場出力值P(d， t)；步驟3 將訓(xùn)練集按照測風(fēng)塔不同測量高度拆分，生成T個(gè)子訓(xùn)練集，按照等分概率原則初始化T個(gè)子訓(xùn)練集中各樣本初始權(quán)重，其中T為樣本集的拆分個(gè)數(shù)， 初始化樣本權(quán)重公式如下 Weight ⑴=1/n其中，i表示某個(gè)樣本集中的某個(gè)樣本，η表示該樣本集的樣本總數(shù)； 步驟4 通過T個(gè)弱學(xué)習(xí)算法、即弱學(xué)習(xí)機(jī)分別對T個(gè)子訓(xùn)練集中各樣本進(jìn)行訓(xùn)練、并使用PSO粒子群優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)后得到相應(yīng)的回歸模型，每個(gè)弱學(xué)習(xí)機(jī)的概率權(quán)重初始化公式為α j = 1/T je[l，T]步驟5 :按照各弱學(xué)習(xí)機(jī)的計(jì)算精度重新分配各弱學(xué)習(xí)機(jī)的概率權(quán)重，若尚未達(dá)到迭代上限或未滿足驗(yàn)證條件，則調(diào)整各子訓(xùn)練集中的樣本權(quán)重，返回步驟4，否則進(jìn)入步驟6， 其中，重新分配各弱學(xué)習(xí)機(jī)的概率權(quán)重按如下公式計(jì)算 Oj = (1/2) In [(I-Eerr)/Eerr],其中，％是某個(gè)弱學(xué)習(xí)機(jī)的概率權(quán)重，Em為當(dāng)前該弱學(xué)習(xí)機(jī)所得預(yù)測模型的測試精度，Eerr的計(jì)算公式如下Kr = Σ (O, - hJ x Weight(J))i其中，j表示第j個(gè)弱學(xué)習(xí)機(jī)，Hj表示該學(xué)習(xí)機(jī)對應(yīng)樣本的樣本規(guī)模，hj(Xi)表示該學(xué)習(xí)機(jī)的預(yù)測出力值，所述調(diào)整各子訓(xùn)練集中的樣本權(quán)重的公式為Weight '(ζ) = Weight^ / K x\11Weight' (i)為更新后的樣本權(quán)重，是歸一化系數(shù)，用于將Weight' (i)服從某一相應(yīng)分布，ξ則為誤差期望；步驟6 利用步驟5得到的各弱學(xué)習(xí)機(jī)概率權(quán)重組合成強(qiáng)學(xué)習(xí)機(jī)，并對預(yù)測樣本進(jìn)行預(yù)測，其中所述預(yù)測樣本輸入數(shù)據(jù)為風(fēng)電場未來M小時(shí)數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，包括瞬時(shí)風(fēng)速、 最大風(fēng)速、最小風(fēng)速、平均風(fēng)速、風(fēng)向正弦、風(fēng)向余弦、溫度、濕度、降水，為了保持與訓(xùn)練樣本內(nèi)容一致，預(yù)測樣本中同樣加入樣本權(quán)重并全部置0，按照前述訓(xùn)練樣本的劃分方式依據(jù)不同地形高度進(jìn)行拆分，所述預(yù)測樣本輸出數(shù)據(jù)為相應(yīng)時(shí)刻的風(fēng)電場總出力。
2.根據(jù)權(quán)利要求1所述的分析方法，其特征在于，在步驟2中，所述預(yù)處理優(yōu)選包括剔除或修正所述實(shí)測數(shù)據(jù)/數(shù)值天氣預(yù)報(bào)數(shù)據(jù)中的不良數(shù)據(jù)、填補(bǔ)缺損數(shù)據(jù)、對不良數(shù)據(jù)進(jìn)行平滑處理，所述不良數(shù)據(jù)是指超過最大總裝機(jī)容量，或超出設(shè)定閾值的實(shí)測數(shù)據(jù)；將風(fēng)向按360°完全數(shù)值化，計(jì)算風(fēng)向正弦、風(fēng)向余弦值。
3.根據(jù)權(quán)利要求2所述的分析方法，其特征在于，所述缺損數(shù)據(jù)優(yōu)選利用其前后相鄰時(shí)刻的歷史數(shù)據(jù)進(jìn)行填補(bǔ)，計(jì)算公式如下P(d, t) = α1*P (d, t-l) + a 2*P(d, t+1)其中，P(d，t)為第d天某t時(shí)刻的缺損數(shù)據(jù)，P(Clpt)和P(d2，t)分別為與該日相鄰的相同日期類型t時(shí)刻功率數(shù)據(jù)，αι、Ci2為前兩者各自對應(yīng)的數(shù)據(jù)權(quán)重。
4.根據(jù)權(quán)利要求1所述的分析方法，其特征在于，在所述步驟3中，T優(yōu)選為4，將所述訓(xùn)練集按測風(fēng)塔50米、70米、100米、120米高度的測量數(shù)據(jù)拆分。
5.根據(jù)權(quán)利要求1所述的分析方法，其特征在于，在步驟4中，優(yōu)選包括以下內(nèi)容-4. 1 初始化PSO粒子群，隨機(jī)生成m個(gè)粒子，初始化速度矩陣和位置矩陣；-4. 2 根據(jù)樣本分布構(gòu)造T個(gè)弱學(xué)習(xí)機(jī)，hj(Xi) =P(XiJiJeighta)), j e [l，T]，i e [Lnj]其中，Xi^i表示第j個(gè)樣本集的輸入和輸出，Weight (i)為樣本權(quán)重分布，r^.為第j個(gè)樣本集的樣本規(guī)模；-4.3 利用弱學(xué)習(xí)機(jī)分別對T個(gè)子訓(xùn)練集進(jìn)行訓(xùn)練并生成T個(gè)回歸模型，評估h (Xi)的計(jì)算誤差，計(jì)算誤差函數(shù)如下
全文摘要
本發(fā)明公開了電網(wǎng)節(jié)能經(jīng)濟(jì)調(diào)度以及計(jì)算機(jī)人工智能應(yīng)用交叉領(lǐng)域的一種受氣象信息影響的新能源發(fā)電能力動態(tài)組合分析方法。首先進(jìn)行數(shù)據(jù)預(yù)處理。然后將歷史記錄的實(shí)測數(shù)據(jù)或氣象預(yù)報(bào)根據(jù)不同地形高度拆分成多個(gè)樣本集，每個(gè)樣本集給出初始權(quán)重分布，然后使用粒子群算法和多個(gè)學(xué)習(xí)算法對不同樣本集進(jìn)行訓(xùn)練生成多個(gè)分析模型，使用粒子群算法的目的是對算法參數(shù)的自動尋優(yōu)。每個(gè)學(xué)習(xí)算法根據(jù)精度調(diào)整對應(yīng)樣本集中樣本的權(quán)重分布，為了突出誤差大的樣本，將其權(quán)重增加，反之減小，同時(shí)各個(gè)學(xué)習(xí)算法之間的權(quán)重根據(jù)各模型計(jì)算精度進(jìn)行調(diào)整，將誤差大的模型權(quán)重減小，反之增大。最后根據(jù)最終生成的多個(gè)訓(xùn)練模型及其之間的權(quán)重分布進(jìn)行預(yù)測。
文檔編號G06K9/66GK102184337SQ20111015115
公開日2011年9月14日 申請日期2011年6月7日 優(yōu)先權(quán)日2011年6月7日
發(fā)明者劉克文, 周京陽, 周海明, 李強(qiáng) 申請人:中國電力科學(xué)研究院