一種風(fēng)機發(fā)電功率的預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本申請涉及一種風(fēng)力發(fā)電機組（簡稱風(fēng)機）的發(fā)電功率的預(yù)測方法，特別是涉及 一種風(fēng)機發(fā)電功率的短期（72小時以內(nèi)）預(yù)測方法。
【背景技術(shù)】
[0002] 風(fēng)力發(fā)電（簡稱風(fēng)電）作為一種清潔能源，近年在我國得到了飛速發(fā)展，有效地優(yōu) 化了能源結(jié)構(gòu)，促進了低碳轉(zhuǎn)型。但與此同時部分地區(qū)棄風(fēng)限電現(xiàn)象嚴(yán)重，其中一大原因就 在于風(fēng)能資源的間歇性和隨機性特點導(dǎo)致風(fēng)電不穩(wěn)定，這給風(fēng)電并網(wǎng)及調(diào)度帶來了很大困 難，不利于電網(wǎng)的穩(wěn)定運行。風(fēng)電穿透功率極限（wind power penetration limit)限制著 風(fēng)電的大規(guī)模并網(wǎng)，而風(fēng)機發(fā)電功率的有效預(yù)測被認(rèn)為是解決此問題的有力手段。因此需 要不斷提升風(fēng)機發(fā)電功率預(yù)測的技術(shù)水平，保證安全調(diào)度。
[0003] 目前對風(fēng)機發(fā)電功率的預(yù)測方法包括以下幾類：
[0004] 第一類是基于物理學(xué)的預(yù)測方法，該類方法是基于數(shù)值天氣預(yù)報（NWP，numerical weather prediction)的氣象預(yù)測值（包括風(fēng)向、風(fēng)速、大氣壓、空氣密度等）和風(fēng)機周圍的 物理信息（包括地形、等高線、地表特征情況等）計算風(fēng)機的輪轂高度的風(fēng)速、風(fēng)向信息的 最優(yōu)估計值，進而通過計算給出風(fēng)機發(fā)電功率的預(yù)測值。
[0005] 第二類是基于統(tǒng)計學(xué)的預(yù)測方法，該類方法是根據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與 風(fēng)電功率之間的關(guān)系，然后根據(jù)實測天氣數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)對風(fēng)機發(fā)電功率進行預(yù) 測。該類方法中最具典型性的是時間序列法。但該類方法需要一定量的歷史數(shù)據(jù)，對初始 數(shù)據(jù)的質(zhì)量要求比較高。
[0006] 第三類是基于人工智能的預(yù)測方法，該類方法是通過大量歷史統(tǒng)計數(shù)據(jù)作為訓(xùn)練 樣本，通過自學(xué)習(xí)得到天氣狀況與風(fēng)機發(fā)電功率之間的關(guān)系，再根據(jù)數(shù)值天氣預(yù)報數(shù)據(jù)對 風(fēng)機發(fā)電功率進行預(yù)測，預(yù)測過程中仍通過自學(xué)習(xí)不斷完善天氣狀況與風(fēng)機發(fā)電功率之間 的關(guān)系。該類方法能夠更加準(zhǔn)確地擬合天氣狀況與風(fēng)機發(fā)電功率之間的非線性關(guān)系，提高 預(yù)測精度，其中最具典型性的是人工神經(jīng)網(wǎng)絡(luò)。但該類方法在訓(xùn)練階段需要大量原始數(shù)據(jù)， 訓(xùn)練速度較慢，存在過學(xué)習(xí)、維數(shù)災(zāi)難、局部極值和泛化能力較差等問題。
[0007] 以上三類預(yù)測方法也可以組合使用。

【發(fā)明內(nèi)容】

[0008] 本申請所要解決的技術(shù)問題是提供一種風(fēng)機發(fā)電功率的預(yù)測方法，較現(xiàn)有的預(yù)測 方法更為精準(zhǔn)。
[0009] 為解決上述技術(shù)問題，本申請風(fēng)機發(fā)電功率的預(yù)測方法包括如下步驟：
[0010] 第1步，建立一個BP神經(jīng)網(wǎng)絡(luò)模型；輸入層的各個神經(jīng)元為影響風(fēng)機發(fā)電功率的 天氣因素以及風(fēng)機發(fā)電功率的歷史值；輸出層的各個神經(jīng)元為風(fēng)機發(fā)電功率的預(yù)測值；隱 含層的神經(jīng)元數(shù)量由經(jīng)驗公式和優(yōu)選法得到；
[0011] 第2步，計算預(yù)測日的數(shù)值天氣預(yù)報數(shù)據(jù)與各個歷史日的天氣數(shù)據(jù)之間的關(guān)聯(lián) 度，將關(guān)聯(lián)度大于閾值的那些歷史日作為與預(yù)測日相似的歷史日；將與預(yù)測日相似的歷史 日的各小時天氣數(shù)據(jù)、各小時風(fēng)機發(fā)電功率的實際值為輸入，同日的各小時風(fēng)機發(fā)電功率 的實際值為理論輸出，對該BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到該BP神經(jīng)網(wǎng)絡(luò)模型的各個神經(jīng) 元的權(quán)重與閾值；
[0012] 第3步，計算過去日的天氣數(shù)據(jù)與各個歷史日的天氣數(shù)據(jù)之間的關(guān)聯(lián)度，將關(guān)聯(lián) 度大于閾值的那些歷史日作為與過去日相似的歷史日；以過去日的各小時天氣數(shù)據(jù)、與過 去日相似的歷史日的各小時風(fēng)機發(fā)電功率的實際值為輸入，應(yīng)用該BP神經(jīng)網(wǎng)絡(luò)模型得到 過去日的各小時風(fēng)機發(fā)電功率的預(yù)測值；計算過去日的各小時風(fēng)機發(fā)電功率的預(yù)測值與實 際值的相對殘差；
[0013] 第4步，為該BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果再建立馬爾科夫模型進行修正；
[0014] 第5步，計算未來日的數(shù)值天氣預(yù)報數(shù)據(jù)與各個歷史日的天氣數(shù)據(jù)之間的關(guān)聯(lián) 度，將關(guān)聯(lián)度大于閾值的那些歷史日作為與未來日相似的歷史日；以未來日的各小時數(shù)值 天氣預(yù)報數(shù)據(jù)、與未來日相似的歷史日的各小時風(fēng)機發(fā)電功率為輸入，應(yīng)用該BP神經(jīng)網(wǎng)絡(luò) 模型得到未來日的各小時風(fēng)機發(fā)電功率的第一預(yù)測值；
[0015] 再以該馬爾科夫模型得到未來日的各小時風(fēng)機發(fā)電功率的第二預(yù)測值；
[0016] 將第一預(yù)測值、第二預(yù)測值加入歷史預(yù)測樣本集合中，并在歷史預(yù)測樣本集合中 尋找與過去日的實際值相接近的同日第一預(yù)測值、第二預(yù)測值；
[0017] 第6步，利用遞歸最小二乘法對未來日的各小時風(fēng)機發(fā)電功率的第一預(yù)測值、第 二預(yù)測值進行校正，得到最終預(yù)測值。
[0018] 本申請風(fēng)機發(fā)電功率的預(yù)測方法考慮了預(yù)測日與歷史日影響風(fēng)場發(fā)電功率的數(shù) 值天氣的灰色關(guān)聯(lián)度，以此獲得與預(yù)測日關(guān)聯(lián)度較大的歷史日，同時得到關(guān)聯(lián)度較大的功 率、影響功率的數(shù)值天氣因子作為預(yù)測模型的有效訓(xùn)練數(shù)據(jù)。利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型以 及馬爾科夫鏈修正模型給出兩個預(yù)測值，在此基礎(chǔ)上結(jié)合歷史預(yù)測有效值通過遞歸最小二 乘法自適應(yīng)校正預(yù)測值，實現(xiàn)提高預(yù)測精度的目的。
【附圖說明】
[0019] 圖1是本申請的風(fēng)機發(fā)電功率的預(yù)測方法的總流程圖；
[0020] 圖2~圖7分別是本申請的風(fēng)機發(fā)電功率的預(yù)測方法的每一步的具體流程圖；
[0021] 圖8是僅采用BP神經(jīng)網(wǎng)絡(luò)模型的第一預(yù)測值、采用本申請所述方法的最終預(yù)測值 與實際值的對比示意圖。
【具體實施方式】
[0022] 請參閱圖1，本申請的風(fēng)機發(fā)電功率的預(yù)測方法包括如下步驟：
[0023] 第1步S1，建立一個BP神經(jīng)網(wǎng)絡(luò)模型；輸入層的各個神經(jīng)元為影響風(fēng)機發(fā)電功率 的天氣因素以及風(fēng)機發(fā)電功率的歷史值；輸出層的各個神經(jīng)元為風(fēng)機發(fā)電功率的預(yù)測值； 隱含層的神經(jīng)元數(shù)量由經(jīng)驗公式和優(yōu)選法得到；
[0024] 第2步S2,計算預(yù)測日的數(shù)值天氣預(yù)報數(shù)據(jù)與各個歷史日的天氣數(shù)據(jù)之間的關(guān)聯(lián) 度，將關(guān)聯(lián)度大于閾值的那些歷史日作為與預(yù)測日相似的歷史日；將與預(yù)測日相似的歷史 日的各小時天氣數(shù)據(jù)、各小時風(fēng)機發(fā)電功率的實際值為輸入，同日的各小時風(fēng)機發(fā)電功率 的實際值為理論輸出，對該BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到該BP神經(jīng)網(wǎng)絡(luò)模型的各個神經(jīng) 元的權(quán)重與閾值；
[0025] 第3步S3,計算過去日的天氣數(shù)據(jù)與各個歷史日的天氣數(shù)據(jù)之間的關(guān)聯(lián)度，將關(guān) 聯(lián)度大于閾值的那些歷史日作為與過去日相似的歷史日；以過去日的各小時天氣數(shù)據(jù)、與 過去日相似的歷史日的各小時風(fēng)機發(fā)電功率的實際值為輸入，應(yīng)用該BP神經(jīng)網(wǎng)絡(luò)模型得 到過去日的各小時風(fēng)機發(fā)電功率的預(yù)測值；計算過去日的各小時風(fēng)機發(fā)電功率的預(yù)測值與 實際值的相對殘差；
[0026] 第4步S4,為該BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果再建立馬爾科夫模型進行修正；
[0027] 第5步S5,以預(yù)測日的各小時數(shù)值天氣預(yù)報數(shù)據(jù)、與預(yù)測日相似的歷史日的各小 時風(fēng)機發(fā)電功率為輸入，應(yīng)用該BP神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測日的各小時風(fēng)機發(fā)電功率的第 一預(yù)測值；
[0028] 再以該馬爾科夫模型得到預(yù)測日的各小時風(fēng)機發(fā)電功率的第二預(yù)測值；
[0029] 將第一預(yù)測值、第二預(yù)測值加入歷史預(yù)測樣本集合中，并在歷史預(yù)測樣本集合中 尋找與過去日的實際值相接近的同日第一預(yù)測值、第二預(yù)測值；
[0030] 第6步S6,利用遞歸最小二乘法對預(yù)測日的各小時風(fēng)機發(fā)電功率的第一預(yù)測值、 第二預(yù)測值進行校正，得到最終預(yù)測值。
[0031] 請參閱圖2,所述方法第1步具體又包括如下步驟：
[0032] 第1. 1步S1. 1，確定影響風(fēng)機發(fā)電功率的天氣因素為：風(fēng)速、溫度、濕度、風(fēng)向平均 值的余弦值、風(fēng)向平均值的正弦值。
[0033] 第