一种风机发电功率的预测方法技术

本申请公开了一种风机发电功率的预测方法，考虑了预测日与历史日影响风场发电功率的数值天气的灰色关联度，以此获得与预测日关联度较大的历史日，同时得到关联度较大的功率、影响功率的数值天气因子作为预测模型的有效训练数据。利用BP神经网络预测模型以及马尔科夫链修正模型给出两个预测值，在此基础上结合历史预测有效值通过递归最小二乘法自适应校正预测值，实现提高预测精度的目的。

【技术实现步骤摘要】

本申请涉及一种风力发电机组（简称风机）的发电功率的预测方法，特别是涉及 一种风机发电功率的短期（72小时以内）预测方法。
技术介绍
风力发电（简称风电）作为一种清洁能源，近年在我国得到了飞速发展，有效地优 化了能源结构，促进了低碳转型。但与此同时部分地区弃风限电现象严重，其中一大原因就 在于风能资源的间歇性和随机性特点导致风电不稳定，这给风电并网及调度带来了很大困 难，不利于电网的稳定运行。风电穿透功率极限（wind power penetration limit)限制着 风电的大规模并网，而风机发电功率的有效预测被认为是解决此问题的有力手段。因此需 要不断提升风机发电功率预测的技术水平，保证安全调度。 目前对风机发电功率的预测方法包括以下几类： 第一类是基于物理学的预测方法，该类方法是基于数值天气预报（NWP，numerical weather prediction)的气象预测值（包括风向、风速、大气压、空气密度等）和风机周围的 物理信息（包括地形、等高线、地表特征情况等）计算风机的轮毂高度的风速、风向信息的 最优估计值，进而通过计算给出风机发电功率的预测值。 第二类是基于统计学的预测方法，该类方法是根据历史统计数据找出天气状况与 风电功率之间的关系，然后根据实测天气数据和数值天气预报数据对风机发电功率进行预 测。该类方法中最具典型性的是时间序列法。但该类方法需要一定量的历史数据，对初始 数据的质量要求比较高。 第三类是基于人工智能的预测方法，该类方法是通过大量历史统计数据作为训练 样本，通过自学习得到天气状况与风机发电功率之间的关系，再根据数值天气预报数据对 风机发电功率进行预测，预测过程中仍通过自学习不断完善天气状况与风机发电功率之间 的关系。该类方法能够更加准确地拟合天气状况与风机发电功率之间的非线性关系，提高 预测精度，其中最具典型性的是人工神经网络。但该类方法在训练阶段需要大量原始数据， 训练速度较慢，存在过学习、维数灾难、局部极值和泛化能力较差等问题。 以上三类预测方法也可以组合使用。
技术实现思路
本申请所要解决的技术问题是提供，较现有的预测 方法更为精准。 为解决上述技术问题，本申请风机发电功率的预测方法包括如下步骤： 第1步，建立一个BP神经网络模型；输入层的各个神经元为影响风机发电功率的 天气因素以及风机发电功率的历史值；输出层的各个神经元为风机发电功率的预测值；隐 含层的神经元数量由经验公式和优选法得到； 第2步，计算预测日的数值天气预报数据与各个历史日的天气数据之间的关联 度，将关联度大于阈值的那些历史日作为与预测日相似的历史日；将与预测日相似的历史 日的各小时天气数据、各小时风机发电功率的实际值为输入，同日的各小时风机发电功率 的实际值为理论输出，对该BP神经网络模型进行训练，得到该BP神经网络模型的各个神经 元的权重与阈值； 第3步，计算过去日的天气数据与各个历史日的天气数据之间的关联度，将关联 度大于阈值的那些历史日作为与过去日相似的历史日；以过去日的各小时天气数据、与过 去日相似的历史日的各小时风机发电功率的实际值为输入，应用该BP神经网络模型得到 过去日的各小时风机发电功率的预测值；计算过去日的各小时风机发电功率的预测值与实 际值的相对残差； 第4步，为该BP神经网络模型的输出结果再建立马尔科夫模型进行修正； 第5步，计算未来日的数值天气预报数据与各个历史日的天气数据之间的关联 度，将关联度大于阈值的那些历史日作为与未来日相似的历史日；以未来日的各小时数值 天气预报数据、与未来日相似的历史日的各小时风机发电功率为输入，应用该BP神经网络 模型得到未来日的各小时风机发电功率的第一预测值； 再以该马尔科夫模型得到未来日的各小时风机发电功率的第二预测值； 将第一预测值、第二预测值加入历史预测样本集合中，并在历史预测样本集合中 寻找与过去日的实际值相接近的同日第一预测值、第二预测值； 第6步，利用递归最小二乘法对未来日的各小时风机发电功率的第一预测值、第 二预测值进行校正，得到最终预测值。 本申请风机发电功率的预测方法考虑了预测日与历史日影响风场发电功率的数 值天气的灰色关联度，以此获得与预测日关联度较大的历史日，同时得到关联度较大的功 率、影响功率的数值天气因子作为预测模型的有效训练数据。利用BP神经网络预测模型以 及马尔科夫链修正模型给出两个预测值，在此基础上结合历史预测有效值通过递归最小二 乘法自适应校正预测值，实现提高预测精度的目的。【附图说明】 图1是本申请的风机发电功率的预测方法的总流程图； 图2~图7分别是本申请的风机发电功率的预测方法的每一步的具体流程图； 图8是仅采用BP神经网络模型的第一预测值、采用本申请所述方法的最终预测值 与实际值的对比示意图。【具体实施方式】 请参阅图1，本申请的风机发电功率的预测方法包括如下步骤： 第1步S1，建立一个BP神经网络模型；输入层的各个神经元为影响风机发电功率 的天气因素以及风机发电功率的历史值；输出层的各个神经元为风机发电功率的预测值； 隐含层的神经元数量由经验公式和优选法得到； 第2步S2,计算预测日的数值天气预报数据与各个历史日的天气数据之间的关联 度，将关联度大于阈值的那些历史日作为与预测日相似的历史日；将与预测日相似的历史 日的各小时天气数据、各小时风机发电功率的实际值为输入，同日的各小时风机发电功率 的实际值为理论输出，对该BP神经网络模型进行训练，得到该BP神经网络模型的各个神经 元的权重与阈值； 第3步S3,计算过去日的天气数据与各个历史日的天气数据之间的关联度，将关 联度大于阈值的那些历史日作为与过去日相似的历史日；以过去日的各小时天气数据、与 过去日相似的历史日的各小时风机发电功率的实际值为输入，应用该BP神经网络模型得 到过去日的各小时风机发电功率的预测值；计算过去日的各小时风机发电功率的预测值与 实际值的相对残差； 第4步S4,为该BP神经网络模型的输出结果再建立马尔科夫模型进行修正； 第5步S5,以预测日的各小时数值天气预报数据、与预测日相似的历史日的各小 时风机发电功率为输入，应用该BP神经网络模型得到预测日的各小时风机发电功率的第 一预测值； 再以该马尔科夫模型得到预测日的各小时风机发电功率的第二预测值； 将第一预测值、第二预测值加入历史预测样本集合中，并在历史预测样本集合中 寻找与过去日的实际值相接近的同日第一预测值、第二预测值； 第6步S6,利用递归最小二乘法对预测日的各小时风机发电功率的第一预测值、 第二预测值进行校正，得到最终预测值。 请参阅图2,所述方法第1步具体又包括如下步骤： 第1. 1步S1. 1，确定影响风机发电功率的天气因素为：风速、温度、湿度、风向平均 值的余弦值、风向平均值的正弦值。 第当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种风机发电功率的预测方法，其特征是，包括如下步骤：第1步，建立一个BP神经网络模型；输入层的各个神经元为影响风机发电功率的天气因素以及风机发电功率的历史值；输出层的各个神经元为风机发电功率的预测值；隐含层的神经元数量由经验公式和优选法得到；第2步，计算预测日的数值天气预报数据与各个历史日的天气数据之间的关联度，将关联度大于阈值的那些历史日作为与预测日相似的历史日；将与预测日相似的历史日的各小时天气数据、各小时风机发电功率的实际值为输入，同日的各小时风机发电功率的实际值为理论输出，对该BP神经网络模型进行训练，得到该BP神经网络模型的各个神经元的权重与阈值；第3步，计算过去日的天气数据与各个历史日的天气数据之间的关联度，将关联度大于阈值的那些历史日作为与过去日相似的历史日；以过去日的各小时天气数据、与过去日相似的历史日的各小时风机发电功率的实际值为输入，应用该BP神经网络模型得到过去日的各小时风机发电功率的预测值；计算过去日的各小时风机发电功率的预测值与实际值的相对残差；第4步，为该BP神经网络模型的输出结果再建立马尔科夫模型进行修正；第5步，计算未来日的数值天气预报数据与各个历史日的天气数据之间的关联度，将关联度大于阈值的那些历史日作为与未来日相似的历史日；以未来日的各小时数值天气预报数据、与未来日相似的历史日的各小时风机发电功率为输入，应用该BP神经网络模型得到未来日的各小时风机发电功率的第一预测值；再以该马尔科夫模型得到未来日的各小时风机发电功率的第二预测值；将第一预测值、第二预测值加入历史预测样本集合中，并在历史预测样本集合中寻找与过去日的实际值相接近的同日第一预测值、第二预测值；第6步，利用递归最小二乘法对未来日的各小时风机发电功率的第一预测值、第二预测值进行校正，得到最终预测值。...

【技术特征摘要】

【专利技术属性】
技术研发人员：高廷玉，杨晓飞，
申请(专利权)人：中国科学院上海高等研究院，
类型：发明
国别省市：上海;31