基于数据驱动的短期风电出力预估–校正预测模型.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：1.06M 资料格式：pdf 举报版权申诉

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第1页.png

第1页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第2页.png

第2页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第3页.png

第3页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第4页.png

第4页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第5页.png

第5页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第6页.png

第6页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第7页.png

第7页 / 共9页

lc1991224-10496157-基于数据驱动的短期风电出力预估_校正预测模型_高亚静.pdf-第8页.png

第8页 / 共9页

文本预览

第 35 卷第 11 期 2015 年 6 月 5 日 DOI：10.13334/j.0258-8013.pcsee.2015.11.002 文章编号：0258-8013 (2015) 11-2645-09 中图分类号：TM 75 Vol.35 No.11 Jun. 5, 2015 ©2015 Chin.Soc.for Elec.Eng. 2645 中国电机工程学报 Proceedings of the CSEE 基于数据驱动的短期风电出力预估–校正预测模型高亚静，刘栋，程华新，李天，李鹏 (新能源电力系统国家重点实验室(华北电力大学)，河北省保定市 071003) Predictor-Corrector Model of Wind Power Forecast Based on Data-driven GAO Yajing, LIU Dong, CHENG Huaxin, LI Tian, LI Peng (State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources (North China Electric Power University), Baoding 071003, Hebei Province, China) the idea of data-driven, a ABSTRACT: Improving the prediction accuracy of wind power is of great value in reducing the complexity and conservative of dispatch, optimization and control of power system with high percentage penetration of wind power. short-time Motivated by predictor-corrector model with an additional learning architecture was proposed based on the analysis of the coupled relationship between wind power historical data and meteorological factors. Wavelet neural network was taken to perform as a predictor while additional learning structure with adaptive dynamic programming that makes use of the wind power data to update the state parameters of predictor was also introduced to form the corrector. Consequently, this model could adapt to a great variety of the operating points of wind system. The test results indicate that this method could both adapt to the frequent change of environment and get better forecast accuracy than BP and GABP methods. KEY WORDS: wind power forecast; data-driven; predictor- corrector; direct heuristic dynamic programming (HDP); wavelet neural network 摘要：提高风电出力的预测精度可降低含高渗透率风电电力系统调度、优化、规划等策略的保守性和控制策略的复杂性。该文在分析风电出力历史数据与气象因素关系的基础上，建立了基于风电出力数据驱动的短期风电功率预估–校正预测模型。采用具有较高精度的小波神经网络预测模型实现预估环节，以自适应动态规划作为附加优化结构，利用风电出力实测数据及时更新预估模型中的参数，实现校正环节，使得预估模型能够适应风机在额定风速以下运行区域内多变的运行点。测试结果表明，该方法在风机出力变化频繁时，能基金项目：国家 863 高技术基金项目(2015AA050104)；清华大学电力系统国家重点实验室资助项目(SKLD14KM02)。 The National High Technology Research and Development of China 863 Program (2015AA050104); Project Supported by State Key Laboratory of Tsinghua university power system (SKLD14KM02). 获得比 BP、GABP 预测模型更高的精度。关键词：风电出力预测；数据驱动；预估–校正；自适应动态规划；小波神经网络 0 引言近年来，风电、光伏等具有间歇性、随机性及低可预测性的新能源发电在地区电网渗透率不断提高，对现代电力系统预测、调度、控制、优化、规划、运筹[1-6]等带来巨大挑战。为降低风电出力的不确定性对电力系统带来的安全隐患，保证电力系统安全稳定及经济运行，出现了如组合预测、鲁棒经济调度[4-5]、现代鲁棒控制[6]等一系列新技术，以适应智能电网技术的发展。继 Bellman 动态规划之后，具有更广泛应用的自适应动态规划[7-9]技术得到很大发展。含高渗透率风电电力系统的控制、优化、规划、调度、运筹等策略大多需要准确的风电出力数据，可见，提高风电出力预测精度，可降低含风电电力系统调度、规划、运筹等策略的保守性和控制策略的复杂性。风电出力预测可根据预测时间尺度分为：超短期预测(几秒至 30 min)、短期预测(30 min 至 6 h)、中期预测(6 h 至 1 天)、长期预测(1 天以上)[10]。本文按短期预测时间尺度为 1 天进行研究。现有的短期风电出力预测方法可分为确定性预测和不确定性预测 2 类[11]。确定性方法有时间序列模型、神经网络模型、支持向量机模型及组合预测模型等。文献[12]利用风速、风向及风电出力，构建样本集，采用脊波神经网络预测风电出力，取得了较 BP 及 RBF 预测模型更好的效果。文献[13]通过引入聚类方法，采用较神经网络更有效的支持向量机模型进行了风电出力预测。文献[14]采用基于经验模态分

2646 中国电机工程学报第 35 卷解和混沌相空间重构的组合预测方法，实现短期风电出力预测。这些方法均取得了较高的预测精度，但仍存在提升空间，如时间序列预测对于非平稳时间序列的处理效果不佳，对具有奇异数据的序列需实测出力数据可以提高提前 30 min 的短期预测精度，但会降低提前1 h 的预测精度[18]，本文采用direct HDP 并利用预估环节两相邻采样点(15 min)之间的实测风电出力数据学习变化的环境因素等，更新预要增加奇异数据辩识方法；传统神经网络模型存在估模型参数，提高预估环节下一个采样点的预测精网络结构参数难以确定、易陷入局部最优、泛化能力易受历史数据影响等不足，且对应出力的数值天气信息等不易获取；组合预测方法确定各方法结合方式比较困难，同时预测精度易受组合方式影响。不确定性预测方法主要是通过刻画风电出力的随机性和不确定性来实现出力预测，刻画这种不确定常用的方法主要是基于概率分布的随机规划方法[15]，此外还有基于隶属度函数的模糊规划[16]。但随机规划中风速概率分布的刻画、模糊规划理论隶属函数的确定等问题目前尚需深入研究。采用集合描述不确定性的鲁棒优化方法[5]通过采用盒式约束加上对摄动量的 1-范数约束可以很好地刻画现实中的不确定性，但目前鲜有文献将该方法应用到风电出力预测领域。风电出力预测本质上是一个多阶段最优决策过程。外界环境具有很强的随机性，这要求预测模型具有一定的自适应能力，现有模型在随机环境中预测效果不佳，无法实时捕捉环境动态。动态规划理论是一种能在随机环境下求解出全局最优解的数学方法[17]，但其存在的“维数灾”问题限制了其在大规模复杂系统中的应用，同时时间反向求法限制了其在线应用。基于强化学习 (reinforcement learning，RL)的自适应动态规划(adaptive dynamic programming，ADP)通过采用评价–执行(Critic- Actor) 结构迭代逼近动态规划最优解，能有效克服动态规划的上述问题。直接启发式动态规划(direct heuristic dynamic programming，direct HDP)作为一种不依赖于系统模型的 RLADP 方法，已在倒立摆在线控制、风机虚拟惯量学习控制[8-9]等方面得到应用。文献[18]指出风速、风向、气压等气象因素对风电出力均有影响，其中风速影响最大。因此实现高精度的风电功率预测离不开数值天气预报 (numerical weather prediction，NWP)和风速实测数据等重要基础数据的支撑。考虑到气象数据变化周期短、不易获取，同时，可以从历史出力数据和实时数据中挖掘气象因素对于风电出力的影响机制。本文建立了基于数据驱动的风电出力预测方法，其基本思想是采用预估–校正策略，首先利用历史出力数据，采用小波神经网络实现预估环节，考虑到度。校正环节降低了奇异数据对于模型预估环节预测效果的影响，direct HDP 方法提高了模型对于运行环境的适应能力。预估–校正模型的主要动机在于实现在线实时预测，本文旨在通过利用短期风电出力预测中的实时数据修正模型的调节变量，保证下一个预测点 (15 min)的预测值相对于运行工况是最优或次优的。 direct HDP 的在线学习能力使得本文方法可以推广应用至超短期(5 min 以内)乃至实时风电出力预测中，其应用实例将展示在该系列文章的超短期预测部分和实时预测部分。若能获取气象因素，本文方法可进一步推广使用。 1 风电出力特性分析双馈风力发电系统 (doubly fed induction generator，DFIG)的基本工作方式为在额定风速以上采用恒功率运行方式，在额定风速以下采用最大功率跟踪方式(maximum power point tracking ， MPPT)。因风电出力在很大程度上取决于风速，风速数据在短期风电出力预测中起着重要作用。但风速主要取决于各地区的气象条件，而气象条件瞬变万息，从而使风电出力预测更加困难。以下分析河北某风电场 2013 年 4 月 1 日至 4 月 3 日(如图 1 所示)及 4 月 22 日至 4 月 24 日(如图 2 所示)每日 96 点的风电实际出力。为便于分析，本文将风电场内所有风机视为一台等效风机，即不考虑风机分布对风电出力预测的影响。若无特殊声明，下文中风机就是代表整个风电场的等效风机。 1）该风电场风电出力稳定值 P 在 6×104 kW 左右，现有部分预测模型将低于或高于 P 某一δ (并非 ) V k 4 0 1 ( / 力出电风区域 2 策略 2 区域 1 策略 1 7 5 3 1 −1 0 100 区域 3 策略 3 200 300 时间/(15 min) 图 1 某风电场 2013 年 4 月 1 日至 4 月 3 日的风电出力 Fig. 1 Wind farm power from April 1 to April 3, 2013

第 11 期高亚静等：基于数据驱动的短期风电出力预估–校正预测模型 2647 W k ) 4 0 1 ( / 力出电风 20 10 0 0 100 200 300 时间/(15 min) 图 2 某风电场 2013 年 4 月 22 日至 4 月 24 日的风电出力 Fig. 2 Wind farm power from April 22 to April 24, 2013 特别小)邻域的出力数据视为奇异值，不参与预测，或选取平均值、上界、下界等方式替换该数据，从而使预测模型只能较为准确地预测 P 的δ邻域内的出力数据，无法准确预测 P 的δ左邻域以外的出力数据。这里的δ 邻域相当于风电系统恒功率运行区域，左邻域以外区域相当于风电系统最大功率跟踪运行区域。因此，需要合适的针对于奇异值的判别及保留机制。然而，奇异数据的判断需要结合风电功率、风速、风电场运行情况等相关数据，在没有佐证的情况下保留所谓“奇异值”对预测并无益处。 2）P 的δ左邻域以外的风电出力下降或上升表征了风电场所处的气象条件等因素的变化，即风电系统运行工作点的变化。现有模型对该区域的预测能力普遍较低，抑或是对这些工作点的适应能力较低，然而该区域的预测精度对于已并网风电场中风机(此处指每一台风机)的 MPPT 控制以及所在电力系统的调度等控制具有更大的影响。挖掘这些数据可以获取气象条件对于风电出力的影响机制，为下一时刻实现准确的预测提供可能。简而言之，通过对这些数据的挖掘与学习可提高预测精度，若可同时获取数值天气信息，则将会取得更好的效果。 3）图 1 及图 2 中部分时刻的风电出力为 0 或为负值，这并不一定是人为记录误差等因素造成的，也可能是由于风机低电压穿越能力不足使得风机在电力系统故障条件下连锁脱网导致“弃风”现象出现，而这一现象在电网调度范围内的风电场中普遍存在(2011 年类似的风机脱网事故发生了 11 起)；又或者是由双馈风电机组在风速较低或电网故障时从并网的电力系统吸取功率造成。 2 风电出力预估–校正预测模型 2.1 数据驱动思想风电出力预测的准确性在很大程度上取决于风速预测准确性，而风速等数值天气信息的预报是存在一定风险的，这使得很多基于气象数据进行风电功率预测的算法具有较大的误差。目前德国太阳能研究所开发的比较成熟的商用风电功率预测系统的预测误差仍达装机总量的 7%~19%，其他风电功率预测方法的平均误差一般也高于 15%[19]。风电的“集群效应”通过抵消这些不确定性，可以缓解这一现象[19]。考虑到可以从风电出力数据中挖掘气象等因素对风电出力的影响机制，基于此可进行有效预测，从而可能减少因引入气象因素带来的“潜在”不确定性以及与历史信息之间的耦合和交叉干扰。同时可以利用风机在最大风能追踪区域的实测出力数据获取环境的变化状况，提高模型的预测能力与适应能力，实现自适应预测。因此，基于数据驱动的预测机制有望实现较高精度预测。针对风机的不同运行工况，应采用不同的策略进行预测，才能取得较为理想的预测效果，以图 1 为例：区域 1 对应于风机在稳定值 P 的δ 邻域内的运行工况，此时出力比较平滑，对模型的预测精度有很高要求，应采用具有较强泛化能力的神经网络等非线性预测模型；区域 2 对应于稳定值 P 的δ 左邻域外的运行工况，此时由于一些原因限制出力或运行故障，抑或是气象因素的影响，风机的运行工作点时刻处于变化状态，但变化趋势较为明显，可以基于出力数据挖掘这一趋势。此时要求的预测精度相对区域 1 而言较低，但是对模型的适应能力要求较高，需要模型能够识别这种运行区域，所以可采用具有良好的局部时频分辨能力的小波分析或分数阶傅立叶分析等模型；区域 3 风机出力一直处于振荡模式，这是很多预测方法都较难处理的模态，其主要原因可能是风速波动的影响，对于此部分的预测精度要求相比于区域 2 较低，可以采用组合预测方法。目前大多预测方法只能适应上述的某一特定区域，从而在一定程度上限制了这些方法在实际中的应用，而且这些预测方法无法实现多个模式之间的平滑过渡。受此启发，寻求一种能够在一定程度上分辨风机运行区域并通过调整预测模型参数实现自适应过渡或自适应预测的风电出力预测方法显得尤为重要。 2.2 预估–校正思想预估–校正思想较为直观的应用体现在数值计算中。电力系统安全防御中的预防–补救思想以及鲁棒经济调度中的“预调度–再调度”思想[5]与它有一定的相似性。

2648 中国电机工程学报第 35 卷神经网络预测模型在恒功率运行区域邻域内能实现很高的预测精度，可作为预估模型。但风机在一定时间内或是在相当一段时间内处于最大风能追踪区域，此时对应的气象因素变化无常，环境工况实时发生变化，表征神经网络预测模型特性的调节变量如网络权值和结构参数等应实时更新才能跟踪变化复杂的外界条件。即需要一种算法能够通过学习风电出力数据，施加某种控制改变预估模型的调节变量，通过“校正”环节，更新预估模型状态参数，使预估模型能够在最大风能追踪区域内适应多变的风机运行工况点。能够实现在线学习且不依赖于实际对象模型的direct HDP 方法[12]是这一算法的较佳候选者。 2.3 基于小波神经网络的风电出力预测预估模型对预估模型的基本要求是：在风机的额定功率 P 附近某一δ邻域(P−δ，P+δ)内能够实现精确的出力预测；在额定功率右邻域以上区域(P+δ，∞)内能限幅；在额定功率左邻域以下区域(−∞，P−δ)内能够便于“校正”结构，调节其状态参数和结构参数，实现自适应跟踪，提高预估模型预测能力；同时模型参数数目应尽可能小，降低校正模型计算复杂性，便于在一定程度上实现在线更新。神经网络预测模型能够满足上述要求，主要体现在：三层结构的前馈神经网络能够实现任意非线性函数的逼近，权值可作为模型的状态变量便于优化校正，通过更新阈值可激活不同的隐层神经元以实现限幅作用，采用较少的隐层神经元即可实现逼近。小波神经网络(wavelet neural network，WNN) 是结合小波理论多尺度分辨率及良好的时域局部特性与强化学习中神经网络的自学习能力而形成的核函数型神经网络，其拓扑结构如图 3，隐含层节点的传递函数为小波基函数。小波分析和 BP 网络均有严格的数学理论背景，加之小波神经网络除了可以调整网络的权值和阈值以外，还能调节小波 i ijw 1X 2X nX j 小波基函数 jb jθ 小波基函数小波基函数 k jkw 1Y 2Y mY 图 3 小波神经网络拓扑结构 Fig. 3 Topology of wavelet neural network 函数的伸缩因子和平移因子，较 BP 神经网络拥有更灵敏的逼近能力和更强的容错能力。本文采用 WNN 来实现风电出力预估–校正预测模型的“预估”环节。为了实现更高精度的预测，基于深度学习的神经网络也是较好的选择。隐含层输出为 h j ( ) = h j [( k ∑ i 1 = ω ij x i − b j ) / a ], j j = … 1,2, , l (1) 式中：xi 为输入数据；h(j)为隐含层第 j 个节点输出值；wij 为输入层和隐含层的连接权值；bj 为小波基函数 hj 的伸缩因子；aj 为小波基函数的尺度变换因子。 h j = cos[ ( γ k ∑ w x ij i − b j ) / a j k ∑ i 1 = − ( ]e w x ij i 2 ) /2 (2) i 1 = 式中γ一般取 1.75。 2.4 基于 direct HDP 的风电出力预测校正模型对校正环节的基本要求是：能够基于实时出力数据进行学习，更新预估环节的状态参数，尽可能地克服预估环节调节参量维数较多的问题。这一点在超短期乃至实时预测中显得极为必要。 direct HDP 作为自适应动态规划体系的一个重要分支，可实现不依赖于被控对象的数学模型，根据在线数据和控制信息采用神经网络逼近性能指标函数优化控制律，广泛应用于基于数据的最优控制方面[8-9]。当环境发生变化时，其模型能够适应环境变化，自动调节其参数，从而实时跟踪预测对象。为此，本文采用 direct HDP 在线学习实现校正结构。 direct HDP 方法的实现原理[8-9]如图 4 所示。图中，实线表示信号传递，虚线表示反向传播路径。α(0<α<1)为折扣因子，反映远期和近期不同阶段的“奖惩”对总期望代价的影响；r(t)是每一阶段内的代价函数，可以根据实际的目标来确定；J(t) 为代价函数；u(t)为校正环节修正预估环节的控制量，可以是预估环节网络权值阈值等的增量。学习过程的初始状态可随机设置也可设计相应的机制，本文采用随机设置方式，即评价网络(critic neural network，CNN)和执行网络(actor neural network， ANN)的权重系数是随机初始化的。2 个网络的权值通过在线学习不断调整，直至适应运行工作点的变化。如前文所述，为了较好区分不同的运行区域，采用小波神经网络实现 direct HDP 中的 ANN 以便根据输入功率数据进行时频分析预断风机所处运行工况，并采用 BP 网络来实现其中的 CNN。

第 11 期高亚静等：基于数据驱动的短期风电出力预估–校正预测模型 2649 ( )r t 评价网络 CNN (BP) ( )x t ( )u t ( )x t 执行网络 ANN (WNN) 系统 ( )J t α J t ( 1) − − r t ( ) c( )U t 图 4 direct HDP 拓扑结构 Fig. 4 Topology of direct HDP direct HDP 方法中评价网络的优化目标为 J t ∗ r t ( ) min{ ( = u t ( ) 1) + + ∗ J tα ( + 1)} (3) 通过迭代等方式获得下式所示最优解： * u t ( ) = r t arg min{ ( u t ( ) 1) + + J tα ∗ ( + 1)} (4) 评价网络用于估计代价函数 J，其调整目的是要满足 Bellman 最优性方程，使代价函数的估计值逼近真实值，可最小化如下所示误差函数 E c(t)实现对评价网络的训练： (5) r t ( )] (6) 评价网络权值调整采用梯度下降法进行训练： 2 e t ( ) / 2 c 1) − − E t ( ) c J t ( ) − = J t [ ( ce t ( ) α= w t ( c 1) + = w t ( ) c − l c t ( ) E t ( ) ∂ c w t ( ) ∂ c (7) 式中：wc(t)为评价网络在 t 时刻的权值；lc(t)>0 为评价网络在 t 时刻的学习率，在学习过程中，lc(t) 应逐渐衰减，并最终稳定在某一范围。执行网络用于估计最优控制 u，如预估模型的状态参数的增量，调整目的是使代价函数最优，并通过最小化下式中误差函数 Ea(t)来实现对执行网络的训练： E t ( ) a e t ( ) = a 2 e t (8) ( ) / 2 = a J t U t (9) ( ) ( ) − c 式中 Uc(t)为代价函数目标值。执行网络以最小化评价网络输出为目的，其训练是通过优化 J(t)来进行的。更新算法采用梯度下降法：式中：wa(t)为执行网络在 t 时刻的权值；la(t)>0 为执行网络在 t 时刻的学习率，学习过程中，la(t)>0 应逐渐衰减，并最终稳定在某一范围。 3 风电出力预估–校正预测流程 3.1 预估–校正模型收敛性和稳定性分析预估环节是该模型的主要部分，其实现采用小 w t ( a 1) + = w t ( ) a − l a t ( ) E t ( ) ∂ a w t ( ) ∂ a (10) 大迭代次数 Nd；波神经网络。WNN 是基于 BP 网络推广而来的，其收敛性及稳定性已经得到证明[20]。校正环节采用自适应动态规划来实现，在某些特定条件下，ADP 学习方法是稳定的[21-24]，在满足一定条件时 ADP 方法得出的性能指标 J 和最优控制 u 是收敛的，且能逼近动态规划最优解。文献[22] 证明了在学习率 l(t)、折扣因子α和网络参数满足一定条件时，direct HDP 的估计参数和最优参数的最终一致有界性(uniformly ultimately bounded，UUB)。综上所述，由于校正环节附加于预估环节的是 UUB 的最优估计参数，加之预估环节的收敛性及稳定性，故预估–校正模型在满足一定条件下是收敛和稳定的。 3.2 风电出力预估–校正模型预测流程基于风电出力数据驱动的 direct HDP 附加优化结构的风电出力预估–校正预测模型结构如图 5 所示。 1X 1Y k j i ijw ijw * 2X nX iP t 1( ) in( )P t 小波基函数小波基函数 jθjb 小波基函数 * jθ jb * Direct HDP 校正优化结构 jkw 2Y mY jkw * ( )r t 图 5 风电出力预估–校正预测模型结构 Fig. 5 Predictor-corrector model of wind power forecast based on wavelet neural network optimized by direct HDP 预测步骤如下： 1）随机初始化小波神经网络中输入到隐层权 jkw ，小波基函数伸缩因值 0 子 0 ijw ，隐层到输出层权值 0 jb ； 2）设置预估环节网络结构参数：输入神经元个数 N、隐层神经元个数 Nh、输出神经元个数 M； 3）设置预估环节网络拟合误差参考值 e 和最 k jkw , k jb , 5）基于 k jθ ； k ijw , jkw , 4）利用已知的历史风电出力数据进行有监督式学习，获取针对原始出力数据拟合能力较强的参数 k ijw , k k k jb , jθ 采用预估环节进行预测，输入前 n 个时刻(如每 15min)历史实际出力数据为 0 nX ，得出接下来 m 个时刻(如每 1X , 15min)的出力预估值 0 1Y , 2X ,…, 0 2Y ,…, 0 mY ； 0 0

2650 中国电机工程学报第 35 卷 6）在 2 个相邻预测时刻 ij 之间的采样段内，以实测数据 Pi1,Pi2,…,Pin 和第 i 时刻网络状态参数 k ijw , jθ 作为 direct HDP 优化结构的输入参数； k jkw , k jb , k j, ∆θj jk, ∆b* ij, ∆w* 7）评价网络在线训练逼近性能指标 J(t)，执行 *；训网络在线训练逼近最优控制∆w* 练某一个网络参数的时候，另一个网络权重固定；相关方法可参看文献[8-9, 21]； ij, w* k，θj j 取代第i 时刻 jk, b* k，采用预估环节预测的状态参数 wij 第 j 时刻及以后 m 个时刻的出力数据，输入值为 Pi1， Pi2,…,Pin，输出值为 Y* 8）用新的状态参数 w* 2, …,Y* k，wjk k，bj j, θ* 1, Y* m； 1, Y* 2, …, Y* m 即为最优的预测值； 9）Y* 10）结束。以上 1）至 5）为预估环节，6）至 9）为校正环节。 4 算例分析以某风电场 2013 年 4 月的风电出力为样本集进行预测。分别采用经典 BP 模型，遗传算法优化 BP 神经网络(GABP)模型，基于 direct HDP 优化的预估–校正预测模型进行预测，为了更好地利用最新的数据进行数据挖掘，实现 3 种方法时均采用出力序列构建样本集，将最新出力添加到训练样本集中，同时因采用了神经网络结构，为了使得网络在各运行工况之前过渡时具有良好的泛化能力，在离线训练预估模型时对训练序列增加了带限的白噪声信号，以防模型预测性能表现为对原始序列的纯时间滞后效应。以下分 3 种情形进行分析。 1）工况 1：风机出力在额定出力 P 的δ邻域内各方法的预测性能(对应图 1 中区域 1)。由图 6 可知，风电场出力处于模式 1 时，BP、 GABP 和预估–校正模型的预测效果均很好，满足预测精度要求，各方法的平均相对误差如表 1 所示。实际风电出力 BP 模型 GABP 模型预估–校正模型 ) W k 4 0 1 ( / 力出电风 6.8 6.4 6.0 5.6 0 5 10 15 20 图 6 风电场出力处于模式 1 时的各种方法预测结果时间/(15 min) Fig. 6 Forecast results when wind farm power character belongs to pattern 1 表 1 预测的平均相对误差 Tab. 1 Mean relative error of prediction GABP/% 预估–校正/% BP/% 4.27 19.75 — 工况工况 1 工况 2 工况 3 2）工况 2：风机出力在额定出力 P 的δ左邻域以外及振荡模式下的自适应预测(图 1 中区域 2 和区域 3)。 2.09 12.58 — 2.73 5.96 8.61 各方法的预测效果如图 7 所示，不同模式下的平均相对误差如表 1 所示。 ) W k 4 0 1 ( / 力出电风 6 5 4 3 2 1 0 实际风电出力 BP 模型 GABP 模型预估–校正模型 10 20 时间/(15 min) 30 图 7 风电场出力在区域 2 和 3 时的各种方法预测结果 Fig. 7 Forecast results when wind farm power belongs to pattern 2 and pattern 3 由图 7 可知，在出力不平滑特别是振荡时， GABP 和预估–校正模型的预测精度较高，BP 预测模型的误差较大，但在振荡点或称工况大幅变化点，各方法的预测效果均较差。 3）工况 3：多种模式共存时的预估–校正自适应预测。图 8 给出了在风机出力变化频繁时，采用 GABP 模型时的预测效果，旨在说明工况变化时模型状态参数更新的必要性。 GABP 模型预值实际风电出力 ) W k 4 0 1 ( / 力出电风 18 14 10 6 2 0 20 40 60 时间/(15 min) 图 8 GABP 在运行工作点发生变化时的预测结果模型参数不更新潜在的影响 Fig. 8 Forecast results of GABP when operating point changing 从图 8 可以看出，从第 39 个时间点开始风机的运行工况开始发生变化，GABP 模型在工况未发

第 11 期高亚静等：基于数据驱动的短期风电出力预估–校正预测模型 2651 生变化之前的预测相对误差为 2.5%左右，在工作点发生变化时由于 BP 状态参数未及时更新，使得第 39 至 43 时间点预测出入很大，到第 44 个时间点时由于运行工作点恢复到第 39 点以前的状态，原有的 GABP 的状态参数能够对第 44 至 46 点做出较为准确的预测，但第 47 点运行工况再次发生变化模型状态参数无法适应此时的工况，导致预测性能下降，工况稳定于第 48~52 点时，模型预测精度已无法接受。其主要原因是 GABP 所采用的最优的 BP 网络状态参数即最优的权值与阈值等是一直不变的，使得该最优值不再适应此时变化的运行工况，需要根据工况及时更新。图 9 给出了在风机出力变化频繁时，采用本文所提的预估–校正模型的预测结果。 ) W k 4 0 1 ( / 力出电风 7 5 3 1 −1 0 实际值预估–校正模型预测值 20 40 时间/(15 min) 60 图 9 预估–校正模型在运行工作点发生变化时的预测结果 Fig. 9 Forecast results of predictor-corrector model when operating point changing 由图 9 可知，风电出力平滑时和许多常规方法一样，预估–校正模型能实现获取的预测精度，但风电出力数据波动时通常在第 1 个变化点的预测精度较低，后续各点的预测精度则可接受，第 1~16 点之间区域类似于图 1 中的区域 2，此时通过校正模型根据第 1 个变化点的信息，及时更新预估模型的状态参数，使得其后各点预测值可以接受。第 17~22 点之间的实际出力处于振荡模式，类似于图 1 中的区域 3，此时预估–校正模型预测值也处于振荡模式，如果能获取更多的出力数据则该方法预测效果将会进一步提升。 5 结论本文主要探讨了基于 direct HDP 附加优化结构的短期风电出力预估–校正预测模型，并基于实际算例进行了仿真分析，通过和常用预测方法相比，本文所提模型具有如下特点： 1）基于数据驱动的思想，避免了采用数值天气进行风电出力预测时存在的因数值天气预报存在的潜在误差而对预测模型的扰动及信息间的交叉耦合； 2）不附加 direct HDP 优化结构，预估–校正模型可作为一般的短期预测模型；在附加校正环节后，能获取实时数据时，通过 direct HDP 优化能获取适应运行工况的最优模型参数，提高预测的精度； 3）在风机运行于额定功率某一δ邻域时，基于 “校正”的思想构建的预估–校正模型能为含风电的电力系统日前调度提供更为精确的出力预测，从而减少调度决策的保守性； 4）在风机运行于额定风速 P 的δ邻域以外时，能够适应运行环境的变化，提供较为准确的出力预测值； 5）因 direct HDP 具有的自适应学习能力，该算法在风电出力处于额定风速某一δ 左邻域以下时，在能获取超短期的风电出力数据时有望实现在线预测，这对于实现更为精细的调度策略，为平抑风电出力的不确定性提供了很好的思路。但由于风电出力数据获取时间尺度的限制，本文的预估–校正模型也是采用离线设计的，并未充分发挥 direct HDP 具有在线自适应学习的能力，同时在各种不同模式之间的临界点的预测效果仍不够理想，这将是后续继续研究的内容。参考文献 [1] 丁华杰，宋永华，胡泽春，等．基于风电场功率特性的日前风电预测误差概率分布研究[J]．中国电机工程学报，2013，33(34)：136-144． Ding Huajie，Song Yonghua，Hu Zechun，et al．Probability density function of day-ahead wind power forecast error based on power curve of wind farm[J]．Proceedings of the CSEE，2013，33(34)：136-144(in Chinese)． [2] 赵书强，王扬，徐岩．基于风电预测误差随机性的火储联合相关机会规划调度[J]．中国电机工程学报，2014， 34(S)：9-16． Zhao Shuqiang，Wang Yang，Xu Yan．Dependent chance programming dispatching of integrated thermal power generation and energy storage system based on wind power forecasting error[J]．Proceedings of the CSEE， 2014，34(S)：9-16(in Chinese)． [3] 刘燕华，刘冲，李伟花，等．基于出力模式匹配的风电集群点多时间尺度基于出力模式匹配的风电集群点多时间尺度功率预测[J]．中国电机工程学报，2014，34 (25)：4350-4358． Liu Yanhua，Liu Chong，Li Weihua，et al．Multi-time scale power prediction of wind farm cluster based on profile

2652 中国电机工程学报第 35 卷 pattern matching[J]．Proceedings of the CSEE，2014， 34(25)：4350-4358． [4] 梅生伟，郭文涛，王莹莹，等．一类电力系统鲁棒优化问题的博弈模型及应用实例[J]．中国电机工程学报， 2013，33(19)：47-54． Mei Shengwei，Guo Wentao，Wang Yingying，et al．A type of game model and application examples of robust optimization problem the electric power system [J]．Proceedings of the CSEE，2013，33(19)：47-54(in Chinese)． in [5] 魏韡，刘锋，梅生伟．电力系统鲁棒经济调度：(一)理论基础[J]．电力系统自动化，2013，37(17)：37-43． Wei Wei，Liu Feng，Mei Shengwei．The robust economic operation in the electric power system[J]．Automation of Electric Power Systems，2013，37(17)：37-43(in Chinese)． [6] 梅生伟，申铁龙，刘康志．现代鲁棒控制理论与应用 [M]．北京：清华大学出版社，2008． Mei Shengwei，Shen Tielong，Liu Kangzhi．Modern robust control theory and application[M]．Beijing：Tsinghua University Press，2008(in Chinese)． [7] Murray J J，Cox C J，Lendaris G G，et al．Adaptive dynamic programming[J]．IEEE Transactions on Systems， Man，and Cybernetics，Part C：Applications and Reviews， 2002，32(2)：140-153． into PD-type virtual [8] Guo Wentao，Liu Feng，Si Jennie，et al．Incorporating approximate dynamic programming-based parameter tuning control of DFIGs[C]//Neural Networks (IJCNN) ， The 2013 International Joint Conference on．IEEE，2013：1-8． [9] Jennie Si，Wang Yutseng．On-line learning by association and reinforcement[J] ． IEEE Transactions on Neural Networks，2001，12(2)：264-276． inertia [10] Soman S S．A review of wind power and wind speed forecasting methods with different time horizons[C]// North American Power Symposium．Arlington，TX： IEEE，2010． [11] 冯双磊，王伟胜，刘纯，等．风电场功率预测方法研究 [J]．中国电机工程学报，2010，30(2)：1-6． Feng Shuanglei，Wang Weisheng，Liu Chun，et al．Study on the physical approach to wind power prediction [J]．Proceedings of the CSEE，2010，30(2)：1-6(in Chinese)． [12] 茆美琴，周松林，苏建徽．基于脊波神经网络的短期风电功率预测[J]．电力系统自动化，2011，35(7)：70-74． forecast based on Mao Meiqin，Zhou Songlin，Su Jianhui．Short-termwind power ridgelet neural network [J]．Automation of Electric Power Systems，2011，35(7)： 70-74(in Chinese)． [13] 丁志勇，杨苹，杨曦，等．基于连续时间段聚类的支持向量机风电功率预测方法[J]．电力系统自动化，2012， 36(14)：131-135． Ding Zhiyong，Yang Ping，Yang Xi，et al．Wind power prediction method based on sequential time clustering support vector machine[J]．Automation of Electric Power Systems，2012，36(14)：131-135(in Chinese)． [14] 张宜阳，卢继平，孟洋洋，等．基于经验模式分解和混沌相空间重构的风电功率短期预测[J]．电力系统自动化，2012，36(5)：24-28． Zhang Yiyang，Lu Jiping，Meng Yangyang，et al．Wind power short-term forecasting based on empirical mode decomposition and chaotic phase space reconstruction [J]．Automation of Electric Power Systems，2012，36(5)： 24-28(in Chinese)． [15] 周封，金丽斯，刘健，等．基于多状态空间混合 Markov 链的风电功率概率预测[J]．电力系统自动化，2012， 36(6)：29-33． Zhou Feng，Jin Lisi，Liu Jian，et al．Probabilistic wind power forecasting based on multi-state space and hybrid markov chain models[J]．Automation of Electric Power Systems，2012，36(6)：29-33(in Chinese)． [16] 李少远，席裕庚．模糊动态环境下复杂系统的满意优化控制[J]．自动化学报，2002，28(3)：408-412． Li ShaoYuan; Xi YuGeng ． Satisfactory optimization control of complex systems in fuzzy dynamic environment [J]．Acta Automatica Sinica，2002，28(3)：408-412(in Chinese)． [17] Bellman R，Kalaba R E．Dynamic programming and modern control theory[M]．New York：Academic Press， 1965． [18] 范高锋，王伟胜，刘纯，等．基于人工神经网络的风电功率预测[J]．中国电机工程学报，2008 ，28(34) ： 118-123(in Chinese)． Fan Gaofeng，Wang Weisheng，Liu Chun，et al．Wind power prediction based on artificial neural network [J]．Proceedings of the CSEE，2008，28(34)：118-123(in Chinese)． [19] 梅生伟，朱健全．智能电网中的若干数学与控制科学问题及其展望[J]．自动化学报，2013，39(2)：119-131

分享到：

赞收藏

资料库

基于数据驱动的短期风电出力预估–校正预测模型.pdf

相关推荐

人工智能

热门标签

最新资料