自適應風電功率預測系統及預測方法
2023-06-20 17:30:41 2
自適應風電功率預測系統及預測方法
【專利摘要】一種超短期風機輸出功率預測系統，用於對多個風場中的目標風機的輸出功率進行預測，所述預測系統包括：風場信息採集部分，用於採集多個風場的測風塔數據和風機運行數據，並將其相關聯地記錄在資料庫中作為歷史信息；主元分析提取部分，用於從所述風場信息採集部分讀取所述歷史信息，執行主元分析並確定符合預定條件的主元；和神經網絡部分，其利用從所述主元分析提取部分獲取的主元作為輸入節點建立RBF神經網絡，並使用所得的RBF神經網絡預測風機的輸出功率；所述預測系統的特徵在於還包括更新部分，所述更新部分利用卡爾曼濾波算法對神經網絡的輸出層權值進行在線更新。
【專利說明】自適應風電功率預測系統及預測方法
【技術領域】
[0001]本發明提供一種自適應風電功率預測系統以及預測方法，具體來說，涉及適用於對風機的輸出功率進行超短期預測，並且能夠在線調整預測模型的自適應風電功率預測系統及預測方法。
【背景技術】
[0002]風電功率預測有助於優化電網調度，降低風力發電系統的運行成本，並增強風力發電系統的安全性、可靠性和可控性。
[0003]中國政府於2012年I月I日發布了《風電場功率預測預報管理暫行方法》，規定風功率預測的超短期預報的誤差不能超過15%。超短期的定義為4個小時以內。目前看在不導入NWP (數值天氣預報)的情況下，超短期風功率預測的精度都很難達到要求。雖然大氣運動具有持續性，但其變化還是具有相當的不確定性。僅根據單個風場的測風塔數據很難對未來的風速、風向做出準確預報。
[0004]數值天氣預報的導入雖然會在一定程度上能夠提高精度，但也增大了風電預測系統的成本，而且NWP的解析度也還有待提高。超短期預報要求每15分鐘預報未來4小時(以15分鐘為間隔)的數據，當前的數字天氣預報的更新頻率還比較低，無法達到這個程度。
[0005]風電功率預測方法根據所採用的數學模型不同可分為持續預測法、自回歸滑動平均(ARMA)模型法、卡爾曼濾波法和智能方法等。持續預測方法是最簡單的預測模型，但該模型的預測誤差較大且預測結果不穩定。改進的方法有ARMA模型和向量自回歸模型、卡爾曼濾波算法或時間序列法和卡爾曼濾波算法相結合。另外還有一些智能方法，如人工神經網絡方法等。
[0006]卡爾曼濾波算法廣泛應用於線性隨機系統的信號處理，其利用狀態方程的遞推性，按線性無偏最小均方差估計準則，對濾波器的目標狀態變量做最佳估計。利用卡爾曼預測迭代方程可以實現信號的預測。
[0007]現有技術中已經出現了利用卡爾曼預測遞推方程來預測風機功率的技術方案(見文獻I)。具體來說，首先基於風電功率的樣本時間序列建立風機輸出功率的ARMA預測模型。在建立ARMA預測模型之後可以對未來的風機輸出功率直接進行預測，一般而言，基於ARMA模型的預測結果相對實測數值的偏差較大。
[0008]由於已經通過時間序列分析建立了風電功率時間序列的ARMA模型，因而可以將ARMA模型轉換到狀態空間，建立卡爾曼濾波的狀態方程和量測方程。在參照工程習慣設定初始值之後，利用遞推方程進行迭代預測，可以獲得不斷更新的狀態信息，獲得比較準確的預測結果。
[0009]此外，人工神經網絡也大量應用於風機輸出功率預測中。文獻2描述了一種風電功率預測方法，其中以數值天氣預報(NWP)提供的氣象參數(包括風速、風向正弦、風向餘弦、空氣密度等)作為輸入向量，以實際輸出功率作為目標向量建立3層BP神經網絡，以上述氣象參數的歷史數據作為訓練集對該BP神經網絡進行訓練。考慮到數值天氣預報數據中存在著系統誤差，文獻2的技術方案另外利用卡爾曼濾波算法對用於訓練的訓練集進行卡爾曼濾波，並且在將BP神經網絡應用於預測時，對實時輸入的數值天氣預報數據執行卡爾曼濾波。實驗結果表明卡爾曼濾波能夠有效消除風速數據中的系統誤差。
[0010]文獻3描述了一種不使用NWP的基於神經網絡的風電功率預測方案，其中基於風場本地的測風塔數據作為輸入向量，建立並訓練BP神經網絡，並系統運行3個月的預測結果進行分析，對預測模型進行修正以改進其預測精度。
[0011]上述應用於風電功率預測的現有技術中存在如下問題:在風電功率預測模型建立之後，總是維持預測模型不變而僅對狀態變量(輸入參數)進行更新，或者需要在離線狀態下重構預測模型並重新進行訓練，而不能在在線運行狀態下對預測模型本身(預測方程係數或神經網絡自身的權值)進行修正。這樣無法建立自適應的能夠在線對預測模型自身進行持續更新的預測系統，對預測數值、實測數值等的利用效率較低。
[0012]文獻列表
[0013]文獻12種風電功率預測模型的比較(時慶華等人，2011年6月發表於《能源技術經濟》23卷第6期)
[0014]文獻2卡爾曼濾波修正的風電場短期功率預測模型(趙攀等人，2011年5月發表於西安交通大學學報第45卷第5期)
[0015]文獻3風電場輸出功率超短期預測結果分析與改進(陳穎等人，2011年8月發表於《電力系統自動化》第35卷第15期)
【發明內容】
[0016]本發明考慮到上述現有技術中存在的缺陷，提出了一種自適應的風電功率預測系統以及預測方法，能夠在在線運行狀態下對風電功率預測模型進行優化調整。
[0017]具體來說，本發明提供了一種超短期風機輸出功率預測系統，用於對多個風場中的目標風機的輸出功率進行預測，所述預測系統包括:風場信息採集部分，用於採集所述多個風場的測風塔數據和風機運行數據，並將其相關聯地記錄在資料庫中作為歷史信息；主元分析提取部分，用於從所述風場信息採集部分讀取所述歷史信息，並基於從所述歷史信息中提取的數據執行主元分析，以確定符合預定條件的主元；和神經網絡部分，其利用從所述主元分析提取部分獲取的主元作為輸入節點建立徑向基函數神經網絡(RBF)，並使用所得的神經網絡預測風機的輸出功率；所述預測系統的特徵在於還包括更新部分，所述更新部分利用卡爾曼濾波算法對神經網絡的結構參數進行在線更新。
[0018]根據本發明的優選實施例，在所述更新部分中通過所述卡爾曼濾波算法進行更新的狀態變量為所述神經網絡中從隱含層節點到輸出層節點的權值。
[0019]根據本發明的優選實施例，所述主元分析提取部分中提取主元的預定條件設置為提取累計方差貢獻率大於預定閾值的變量作為主元。在一個實施例中，該閾值不小於85%。
[0020]根據本發明的優選實施例，其中所述風場信息採集部分採集同一地理區域內的多個風場的測風塔數據，計算所述多個風場的測風塔數據與所述目標風機的輸出功率之間的相關係數，並且提取所述多個風場中與所述目標風機的輸出功率之間的相關係數大於預定閾值的測風塔數據，來作為上述主元分析的輸入變量。
[0021]本發明還提供一種超短期風機輸出功率預測方法，包括如下步驟:採集多個風場的測風塔數據和風機運行數據，並將其相關聯地記錄在資料庫中作為歷史信息；基於所述歷史信息中包括的測風塔數據和風機運行數據執行主元分析，提取符合預定條件的主元；以所提取的主元作為輸入節點建立RBF神經網絡，並使用所得的RBF神經網絡預測風機的輸出功率；和利用卡爾曼濾波算法對神經網絡進行在線更新。
【專利附圖】
【附圖說明】
[0022]下文將結合附圖對本發明的風電功率預測系統的構造和優選實施例進行說明。
[0023]圖1為本發明的風電功率預測系統的總體構造的示意圖；
[0024]圖2為本發明的風電功率預測系統在離線建模階段的構造示意圖；
[0025]圖3為本發明的風電功率預測系統中使用的RBF神經網絡的結構示圖；
[0026]圖4為本發明的風電功率預測系統在線運行時的構造示意圖；
[0027]圖5為本發明的風電功率預測系統在線運行的流程圖；
[0028]圖6為本發明的風電功率預測系統中的更新部分執行在線卡爾曼更新的流程圖。
[0029]圖7為本發明的風電功率預 測系統的一個預測周期的示例。
【具體實施方式】
[0030]1、風場信息的採集
[0031]本發明在不導入NWP，不增加系統成本的條件下，綜合利用同一區域其他風場的測風塔數據，實現風電功率高精度的超短期預測。
[0032]對風電功率預測模型進行離線建模的過程是在離線的狀態下，收集歷史數據進行整理建模的過程，對每一個風機而言建模過程都是相同的。風場的總預測輸出功率為各風機預測輸出功率之和。在採集風場信息時需要考慮以下方面。
[0033]I)收集到的數據首先經過預處理，包括排除異常值、濾波等。
[0034]2)利用到的風機運行數據包括葉輪半徑、葉尖速比、漿距角、風機輸出功率等。
[0035]3)利用到的風場本地的測風塔數據包括風向、風速、氣溫、氣壓。
[0036]4)風場地形信息可另外作為參考信息。
[0037]5)該區域其他測風塔數據包括風向、風速等。
[0038]6)在確定其他測風塔輸入時，對各個測風塔與目標風機輸出功率間的相關性做出判斷，選擇相關較強的測風塔的數據作為輸入參數。
[0039]兩個變量之間的相關係數可以通過如下公式進行計算。
【權利要求】
1.一種超短期風機輸出功率預測系統，用於對多個風場中的目標風機的輸出功率進行預測，所述預測系統包括: 風場信息採集部分，用於採集所述多個風場的測風塔數據和風機運行數據，並將其相關聯地記錄在資料庫中作為歷史信息； 主元分析提取部分，用於從所述風場信息採集部分讀取所述歷史信息，並基於從所述歷史信息中提取的數據執行主元分析，以確定符合預定條件的主元；和 神經網絡部分，其利用從所述主元分析提取部分獲取的主元作為輸入節點建立徑向基函數神經網絡(RBF)，並使用所得的神經網絡預測風機的輸出功率； 所述預測系統的特徵在於還包括更新部分，所述更新部分利用卡爾曼濾波算法對神經網絡的結構參數進行在線更新。
2.如權利要求1所述的預測系統，其中所述更新部分將所述神經網絡中從隱含層節點到輸出層節點的權值作為要通過所述卡爾曼濾波算法進行在線更新的狀態變量。
3.如權利要求2所述的預測系統，其中所述主元分析提取部分在執行主元分析之前，還計算所述多個風場的測風塔數據與所述目標風機的輸出功率之間的相關係數，並且提取所述多個風場中與所述目標風機的輸出功率之間的相關係數大於預定閾值的測風塔數據。
4.如權利要求3所述的預測系統，其中所述多個風場的測風塔數據包括風速和風向中的至少一項。
5.如權利要求1至3中任一項所述的預測系統，其中所述神經網絡部分在執行預測之前在離線狀態下通過所述提取的歷史信息對徑向基函數神經網絡進行訓練。
6.如權利要求1所述的預測系統，其中所述主元分析提取部分中按照累計貢獻率超過85%的準則確定主元。
7.一種超短期風機輸出功率預測方法，包括如下步驟: 採集多個風場的測風塔數據和風機運行數據，並將其相關聯地記錄在資料庫中作為歷史?目息; 基於從所述歷史信息中提取的數據執行主元分析，以確定符合預定條件的主元； 以所確定的主元作為輸入節點建立徑向基函數神經網絡(RBF)，並使用所獲得的徑向基函數神經網絡預測風機的輸出功率；和 利用卡爾曼濾波算法對神經網絡進行在線更新。
8.如權利要求7所述的預測方法，其中以所述神經網絡中從隱含層節點到輸出層節點的權值作為通過所述卡爾曼濾波算法進行在線更新的狀態變量。
9.如權利要求7或8所述的預測方法，在執行主元分析之前，還計算所述多個風場的測風塔數據與所述目標風機的輸出功率之間的相關係數，並且提取所述多個風場中與所述目標風機的輸出功率 之間的相關係數大於預定閾值的測風塔數據。
10.如權利要求9所述的預測方法，其中所述多個風場的測風塔數據包括風速和風向中的至少一項。
11.如權利要求7或8所述的預測方法，其中在應用所述徑向基函數神經網絡執行預測之前在離線狀態下通過所述提取的歷史信息對所述徑向基函數神經網絡進行訓練。
【文檔編號】G06Q50/06GK104036328SQ201310067802
【公開日】2014年9月10日 申請日期:2013年3月4日 優先權日:2013年3月4日
【發明者】李新春, 喬靖玉 申請人:橫河電機株式會社