一種基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法
【專利摘要】本發(fā)明提供一種基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,包括以下步驟:利用ARIMA模型進(jìn)行超短期功率預(yù)測(cè);利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超短期功率預(yù)測(cè);通過風(fēng)速因子控制模型完成風(fēng)電超短期功率預(yù)測(cè)。本發(fā)明提供的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,能夠在評(píng)價(jià)ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,針對(duì)運(yùn)行環(huán)境對(duì)上述兩個(gè)模型進(jìn)行切換,從而提高風(fēng)電超短期功率預(yù)測(cè)的準(zhǔn)確性。
【專利說明】-種基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于風(fēng)電功率預(yù)測(cè)【技術(shù)領(lǐng)域】,具體涉及一種基于風(fēng)速因子控制模型的風(fēng)電 超短期功率預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 風(fēng)電功率超短期預(yù)測(cè)技術(shù)主要是針對(duì)未來0-4小時(shí)的時(shí)間分辨率15分鐘的風(fēng)電 功率進(jìn)行預(yù)測(cè),準(zhǔn)確的超短期預(yù)測(cè)可以為電網(wǎng)AGC控制提供保障,有利于實(shí)時(shí)調(diào)整電網(wǎng)調(diào) 度計(jì)劃、安排備用容量,提高系統(tǒng)的安全穩(wěn)定和經(jīng)濟(jì)運(yùn)行。
[0003]目前超短期預(yù)測(cè)預(yù)測(cè)的單一模型有了比較深入的研究,其研究成果應(yīng)用于各大網(wǎng) 省級(jí)調(diào)度部門以及場(chǎng)站,但是由于各個(gè)應(yīng)用場(chǎng)景的不同,這些模型的應(yīng)用具有一定的局限 性。申請(qǐng)?zhí)枮?01110388041. 9的發(fā)明專利提供一種風(fēng)電功率超短期預(yù)測(cè)方法,首先采集 風(fēng)電場(chǎng)的風(fēng)速、風(fēng)向和風(fēng)電功率數(shù)據(jù),形成樣本集;然后對(duì)樣本集進(jìn)行數(shù)據(jù)預(yù)處理;之后利 用深度自動(dòng)編碼器網(wǎng)絡(luò)對(duì)預(yù)處理后的樣本集進(jìn)行降維;最后用降維后的樣本集對(duì)相關(guān)向量 機(jī)回歸模型進(jìn)行訓(xùn)練,然后利用訓(xùn)練后的相關(guān)向量機(jī)回歸模型對(duì)超短期的風(fēng)電功率進(jìn)行預(yù) 測(cè)。該發(fā)明專利中支持向量機(jī)方法適用于解決小樣本、非線性的情況下較為適用,而神經(jīng)網(wǎng) 絡(luò)模型則有助于解決大樣本訓(xùn)練集的情況,這種適用條件決定了單一模型在某些情況下會(huì) 降低超短期功率預(yù)測(cè)的準(zhǔn)確性。
【發(fā)明內(nèi)容】
[0004] 為了克服上述現(xiàn)有技術(shù)的不足,本發(fā)明提供一種基于風(fēng)速因子控制模型的風(fēng)電超 短期功率預(yù)測(cè)方法,能夠在評(píng)價(jià)ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,針對(duì)運(yùn)行環(huán)境對(duì) 上述兩個(gè)模型進(jìn)行切換,從而提高風(fēng)電超短期功率預(yù)測(cè)的準(zhǔn)確性。
[0005] 為了實(shí)現(xiàn)上述發(fā)明目的,本發(fā)明采取如下技術(shù)方案:
[0006] 本發(fā)明提供一種基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,所述方法包 括以下步驟:
[0007] 步驟1:利用ARIMA模型進(jìn)行超短期功率預(yù)測(cè);
[0008] 步驟2 :利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超短期功率預(yù)測(cè);
[0009] 步驟3 :通過風(fēng)速因子控制模型完成風(fēng)電超短期功率預(yù)測(cè)。
[0010] 所述步驟1具體包括以下步驟:
[0011] 步驟1-1 :采用前一天24小時(shí)內(nèi)共96個(gè)點(diǎn)對(duì)實(shí)測(cè)功率進(jìn)行差分,獲得平穩(wěn)時(shí)間序 列;
[0012] 步驟1-2:建立ARIMA模型,得到未來4小時(shí)內(nèi)共16個(gè)點(diǎn)的超短期功率預(yù)測(cè)結(jié)果。
[0013] 所述步驟1-1具體包括以下步驟:
[0014]步驟-1-1 :設(shè)Axt為t時(shí)刻的實(shí)測(cè)功率Xt與t-Ι時(shí)刻的實(shí)測(cè)功率xt_i的差值,其 表示為:
[0015] Δxt =X1-Xh=Xt-Lxt = (I-L)Xt
[0016]于是,有:
【權(quán)利要求】
1. 一種基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征在于:所述方法包 括以下步驟: 步驟1 :利用ARIMA模型進(jìn)行超短期功率預(yù)測(cè); 步驟2 :利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行超短期功率預(yù)測(cè); 步驟3 :通過風(fēng)速因子控制模型完成風(fēng)電超短期功率預(yù)測(cè)。
2. 根據(jù)權(quán)利要求1所述的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征 在于:所述步驟1具體包括以下步驟: 步驟1-1 :采用前一天24小時(shí)內(nèi)共96個(gè)點(diǎn)對(duì)實(shí)測(cè)功率進(jìn)行差分,獲得平穩(wěn)時(shí)間序列; 步驟1-2 :建立ARIMA模型,得到未來4小時(shí)內(nèi)共16個(gè)點(diǎn)的超短期功率預(yù)測(cè)結(jié)果。
3. 根據(jù)權(quán)利要求2所述的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征 在于:所述步驟1-1具體包括以下步驟: 步驟-1-1 :設(shè)Λ Xt為t時(shí)刻的實(shí)測(cè)功率Xt與t-Ι時(shí)刻的實(shí)測(cè)功率xt_i的差值,其表示 為:
其中,L為滯后算子,d為平穩(wěn)時(shí)間序列對(duì)應(yīng)的差分次數(shù); 步驟1-1-2 :根據(jù)赤池信息量準(zhǔn)則判定ARIMA階數(shù)參數(shù),ARIMA階數(shù)參數(shù)包括自回歸項(xiàng) 數(shù)P、移動(dòng)平均項(xiàng)數(shù)q以及平穩(wěn)時(shí)間序列對(duì)應(yīng)的差分次數(shù)d ; 步驟1-1-3 :將平穩(wěn)時(shí)間序列表不為: Wt = Δ dxt = (I-L)dXt 其中,Wt表示平穩(wěn)時(shí)間序列。
4. 根據(jù)權(quán)利要求1所述的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征 在于:所述步驟1-2具體包括以下步驟: 步驟1-2-1 :建立ARMA模型,其可表示為: Wt = Φ lWt-!+ Φ 2Wt_2+. . . + Φ iW^i+. . . + Φ pwt_p+ δ +Ut+ Θ lUt_!+ θ 2ut_2+. . . + θ jU^j+. . . + θ q ut-q 其中,S為常數(shù)項(xiàng);Ut表示白噪聲,且其服從標(biāo)準(zhǔn)正態(tài)分布;(^為自回歸項(xiàng)的系數(shù),i =1,2, . . .,P ; Θ j為移動(dòng)平均項(xiàng)的系數(shù),j = 1,2, . . .,q ; 步驟1-2-2:采用極大似然法對(duì)Φρ θ ^和δ分別進(jìn)行估計(jì),令參數(shù)集Θ = {Φ^ θ」,δ},構(gòu)造似然函數(shù)L(〇,。2)如下:
其中,〇為標(biāo)準(zhǔn)差,T為學(xué)習(xí)樣本的個(gè)數(shù); 對(duì)L(〇,σ2)取自然對(duì)數(shù)得到1(0, 〇2),其表示為:
于是,θ的估計(jì)值?表示為: Θ = arg max /(Θ,<τ2) 十葉I 從而即可得到Φρ θ」和δ各自的估計(jì)值#、&和 于是,~的估計(jì)值#可表示為: ΛΛΛ Λ ΛΛΛΛ Λ Wi =於 I1 + 色 Wi-2 + …+ 於 Wh + …+ A + 5+ ^ Mp1 + A Η,-2 + …+ ^ % + …+ 6^/卜(/ 通過;;,的表達(dá)式依次推導(dǎo)即可計(jì)算未來4小時(shí)內(nèi)共16個(gè)點(diǎn)的平穩(wěn)時(shí)間序列,進(jìn)而得到 未來4小時(shí)內(nèi)的功率預(yù)測(cè)結(jié)果。
5. 根據(jù)權(quán)利要求1所述的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征 在于:所述步驟2具體包括以下步驟: 步驟2-1 :輸入歷史風(fēng)速和預(yù)測(cè)功率結(jié)果作為學(xué)習(xí)樣本,使用反向傳播算法對(duì)網(wǎng)絡(luò)的 權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練,使輸出的向量與期望向量盡可能接近,當(dāng)網(wǎng)絡(luò)輸出層的 誤差平方和小于誤差指定值時(shí)訓(xùn)練完成,保存網(wǎng)絡(luò)的權(quán)值和偏差; 步驟2-2 :將來自于數(shù)值天氣預(yù)報(bào)的未來預(yù)測(cè)風(fēng)速值輸入BP神經(jīng)網(wǎng)絡(luò)模型,得到未來4 小時(shí)內(nèi)的超短期功率預(yù)測(cè)結(jié)果。
6. 根據(jù)權(quán)利要求1所述的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征 在于:所述步驟3具體包括以下步驟: 步驟3-1 :分別計(jì)算通過ARIMA模型得到的超短期功率預(yù)測(cè)結(jié)果和通過BP神經(jīng)網(wǎng)絡(luò)模 型得到超短期功率預(yù)測(cè)結(jié)果與實(shí)測(cè)功率值之間的誤差ei (t)、e2 (t),有: ^ = Pfi-Pi,, 二 h - Pp2t 其中,為通過ARIMA模型得到的超短期功率預(yù)測(cè)結(jié)果,」Piv為通過BP神經(jīng)網(wǎng)絡(luò)模型 得到超短期功率預(yù)測(cè)結(jié)果,Ppt為實(shí)測(cè)功率值; 步驟3-2 :利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)前一天24小時(shí)共96個(gè)點(diǎn)的ei (t)、e2 (t)和歷史預(yù) 測(cè)風(fēng)速值w進(jìn)行訓(xùn)練,得到風(fēng)速因子控制模型; 步驟3-3 :利用風(fēng)速因子控制模型對(duì)ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)時(shí)進(jìn)行切 換,得到最終的超短期功率預(yù)測(cè)結(jié)果。
7. 根據(jù)權(quán)利要求8所述的基于風(fēng)速因子控制模型的風(fēng)電超短期功率預(yù)測(cè)方法,其特征 在于:所述步驟3-2中,以歷史預(yù)測(cè)風(fēng)速值w作為輸入,假設(shè)六1?1嫩模型和8?神經(jīng)網(wǎng)絡(luò)模型 各自的控制器分別為C 1和C2,對(duì)應(yīng)的控制函數(shù)表示為: C1 (t) = I (w, t) C2(t) = I-C1(t) 其中,I (W,t)為t與W函數(shù),其隨時(shí)間、風(fēng)速的變化取O或者1,所以 C1U), C2(t) e {〇, 1}; 于是基于風(fēng)速因子控制模型的超短期功率預(yù)測(cè)的最終誤差e表示為: e = C1 (t) G1 (t) +C2 (t) e2 (t) 利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)前一天24小時(shí)共96個(gè)點(diǎn)的ei (t)、e2⑴和w進(jìn)行訓(xùn)練,訓(xùn)練 的目標(biāo)設(shè)為e的平方和最小,即使得風(fēng)速因子控制模型的目標(biāo)函數(shù)Σθ2最小,經(jīng)過訓(xùn)練即 可得到風(fēng)速因子控制模型。
【文檔編號(hào)】G06Q10/04GK104376388SQ201410745990
【公開日】2015年2月25日 申請(qǐng)日期:2014年12月8日 優(yōu)先權(quán)日:2014年12月8日
【發(fā)明者】于炳霞, 譚志萍, 陳梅, 陳志寶, 程序, 周海, 丁杰, 崔方, 王知嘉, 曹瀟, 丁宇宇, 周強(qiáng), 丁煌, 朱想 申請(qǐng)人:國家電網(wǎng)公司, 中國電力科學(xué)研究院