一种风电机组输出功率预测方法技术

本发明专利技术涉及一种风电机组输出功率预测方法，包括以下步骤：S1：获取气象数据和风机历史出力数据，构建气象矩阵和风机出力矩阵；S2：用模糊C均值聚类计算各属性的模糊隶属度；S3：利用模糊粗糙集方法对气象矩阵进行属性约简；S4：利用近邻聚合方法对约简后的气象矩阵剔除多余样本；S5：创建一个三层的BP神经网络，用S4剔除多余样本后的气象矩阵的数据对神经网络训练，得到风机出力的预测模型；S6：利用测试数据对所述的风电预测模型的有效性进行验证；本发明专利技术剔除了气象物理数值的样本个数，提高了风电机组输出功率预测的精度，同时也提高了风电机组输出功率预测模型计算速度，可以为电力系统的供电管理以及经济调度提供必要的理论基础。

【技术实现步骤摘要】
一种风电机组输出功率预测方法
本专利技术涉及可再生能源出力预测领域，更具体地，涉及一种风电机组输出功率预测方法。
技术介绍
随着世界经济的快速发展，相应的能源需求也随之大幅增长，传统的化石能源面临着枯竭的威胁；同时，由于传统化石能源的大规模消耗，环境污染问题也日益严重，对生态系统、社会经济以及人类健康均构成了严重的威胁；作为绿色可再生能源，风力发电在世界各国得到了广泛应用和发展；但风能在快速发展的过程中也面临着突出问题，由于风力本身的不稳定性，风力发电具有波动性和间歇性，将对电网的调度造成巨大的困难；目前解决该问题的重要方向就是对未来一段时间的风电输出进行预测，主要包括短期预测、中期预测和长期预测；其中，短期预测的结果能够帮助电网进行合理的经济调度、机组组合以及选择合适的时机对风机进行维护等；中期的预测可以帮助风电场做季节调度发电、安排大型的检修活动等；长期的风电预测可以评估某地区可能的年平均发电量，主要应用于风电场的选址。目前，风电预测方法根据使用数据的来源不同，主要分为统计学方法和物理方法；其中，统计学方法是根据风电场历史测量数据及周边的风电场的测量数据建立统计学习模型，最常用的统计学习模型包含时间系列分析模型、人工神经网络模型、支持向量机模型等机器学习算法；另外，近年来发展迅速的诸多数据挖掘算法也被越来越广泛的应用于风电机组输出功率预测当中来；多年来的研究表明，仅使用出力值的历史数据的统计学方法的预测精度会随着预测时长的增加会有所降低，因此，我们需要有效的结合物理数值对风电进行预测；所用物理数值一般是天气预报的预测数据，其类型包含温度、湿度、风速、气压和风向等；这些类型的物理数值数据具有较高的复杂度，数据集包含的数据量极大，这样就导致风速预测模型的计算量过大，从而使风电预测时间以及准确率不能够满足电力系统调度的要求；综上所述，统计数据的庞大和风电预测的准确性严重的制约着风电的开发和有效利用。现有的方法中，往往直接使用所有考虑到的物理数值气象数据作为模型的输入，并未考虑到风电预测输入数据集的“多属性”和“多样本”特性对模型的影响，简单来说就是预测风机出力的数据集较为复杂，不能直接通过该数据直接预测风机的出力值。其原因有二，一是多属性数据中的冗余属性可能会对风机出力预测造成干扰，导致预测的结果不准确；二是多样本数据会使风机预测出力方法的计算时间较长；最终导致风机出力预测方法不能满足电力系统调度对预测的“准确性”和“快速性”的要求。
技术实现思路
本专利技术为克服上述现有技术所述的风电输出功率预测不够准确的缺陷，提供一种风电机组输出功率预测方法。所述方法包括以下步骤：S1：获取气象数据和风机历史出力数据，构建气象矩阵和风机出力矩阵；S2：用模糊C均值聚类计算各属性的模糊隶属度；S3：利用模糊粗糙集方法对气象矩阵进行属性约简；S4：利用近邻聚合方法对约简后的气象矩阵剔除多余样本；S5：创建一个三层的BP神经网络，用S4剔除多余样本后的气象矩阵的数据对神经网络训练，得到风机出力的预测模型；S6：利用测试数据对所述的风电预测模型的有效性进行验证。本专利技术通过对数据集的“多样本”特征的处理，以减少模型的计算量，通过削减数据集的“多属性”中的冗余属性，提高风机出力模型的预测精度；其基本原理是同时考虑模型输入数据“多样本”、“多属性”的双重特征，从气象管理部门和风电场的能量管理系统分别获取风机的历史出力值和物理数值，首先使用模糊C均值聚类计算模糊粗糙集的隶属度，其次使用模糊粗糙集方法处理输入数据的“多属性”特征，同时利用近邻聚合方法削减输入数据的“多样本”特征，建立基于神经网络的风机出力预测模型，实现快速准确的风电机组输出功率预测；为电力系统的供电管理以及经济调度提供必要的理论基础。优选地，步骤S1中构建的气象矩阵中矩阵元素包含温度、湿度、风速、风向、降水、气压、辐射强度和日照八类，分别标记1、2、……，8；气象矩阵为：式中，i表示属性，i≤8；j表示样本个数，j≤N，N取365；xWj1、xWj2、…、xWji、…、xWj8分别表示j样本中温度、湿度、风速、风向、降水、气压、辐射强度和日照的数值，数据集的数量大于2。优选地，步骤S1中风机出力矩阵为：P＝[p1p2p3LpjLpN]T式中，p1(j)、p2(j)、…、pi(j)、…、p7(j)分别表示利用j样本进行预测时风电机组输出功率的数值，T表示矩阵的转置。优选地，步骤S2包括以下步骤：S2.1：确定每个环境属性模糊C均值聚类的聚类中心初始化值；S2.2：根据S2.1所述公式计算结果所对应第o个样本的属性值作为第一个聚类中心的初始化值C，然后将此属性值去除，跳回S2.1直至找到c个聚类中心的初始化值为止；S2.3：根据S2.2所得的结果集合构建聚类中心矩阵C＝[C1C2C3C4],其中Ci＝[Ci1Ci2KCic]，i表示第i类气象物理属性；S2.4：用迭代计算的方式不断优化模糊C均值聚类的目标函数，以此求得各个环境属性值的最优隶属度；S2.5：对每个气象矩阵中的各物理属性值进行S2.4的迭代计算，得到模糊隶属度。优选地，步骤S2.1中每个环境属性模糊C均值聚类的聚类中心初始化值的计算公式为：式中，为邻域半径，c为类别数目；N为在邻域半径范围内的样本数，j∈N,o∈N，λ为(0,1)的随机数，M为领域半径内的样本数，ai(x)为第i类属性值的第x个样本数值。优选地，步骤S2.4包括以下步骤：S2.4.1：初始化迭代次数t，隶属度矩阵U，聚类中心值C，类别数目c以及权值ω；S2.4.2：在第t次的迭代计算中更新隶属度矩阵μij、聚类中心值矩阵vij；S2.4.3：若或者达到迭代次数，则迭代结束，输出环境属性值的最优隶属度；否则返回S2.4.2进行下一次迭代，其中为第t次迭代的隶属度。优选地，步骤S2.4.2中隶属度矩阵μij、聚类中心值矩阵vij的计算公式分别为：其中，，Clj为第l类气象因素的第j类属性的聚类中心，l为气象因素的类别。优选地，步骤S3中约简后的气象矩阵的约简形式X′W为：式中，c表示属性约简后的属性数量，c<8，N＝365。优选地，步骤S4中多余样本的剔除过程为：选取X′W第一个样本为核心，对365个样本按欧式距离从小到大筛选出m个样本；其中x′W1i为第1个样本中第i个气象因素的值；对近邻集合中各记录对应的时刻按逆序重新排列，依然使用之前的表示符号，得出对应的矩阵形式X″W。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术所提出的风电机组输出功率预测方法，使用基于模糊粗糙集和近邻集合的BP神经网络，减小风电预测输入数据集具有的“多属性”和“多样本”特征对模型的影响；本专利技术剔除了气象物理数值的样本个数，提高了风电机组输出功率预测的精度，同时也提高了风电机组输出功率预测模型计算速度，可以为电力系统的供电管理以及经济调度提供必要的理论基础。附图说明图1为本专利技术一种风电机组输出功率预测方法的流程图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本专利技术的技术本文档来自技高网...

【技术保护点】
1.一种风电机组输出功率预测方法，其特征在于，所述方法包括以下步骤：S1：获取气象数据和风机历史出力数据，构建气象矩阵和风机出力矩阵；S2：用模糊C均值聚类计算各属性的模糊隶属度；S3：利用模糊粗糙集方法对气象矩阵进行属性约简；S4：利用近邻聚合方法对约简后的气象矩阵剔除多余样本；S5：创建一个三层的BP神经网络，用S4剔除多余样本后的气象矩阵的数据对神经网络训练，得到风机出力的预测模型；S6：利用测试数据对所述的风电预测模型的有效性进行验证。

【技术特征摘要】
1.一种风电机组输出功率预测方法，其特征在于，所述方法包括以下步骤：S1：获取气象数据和风机历史出力数据，构建气象矩阵和风机出力矩阵；S2：用模糊C均值聚类计算各属性的模糊隶属度；S3：利用模糊粗糙集方法对气象矩阵进行属性约简；S4：利用近邻聚合方法对约简后的气象矩阵剔除多余样本；S5：创建一个三层的BP神经网络，用S4剔除多余样本后的气象矩阵的数据对神经网络训练，得到风机出力的预测模型；S6：利用测试数据对所述的风电预测模型的有效性进行验证。2.根据权利要求1所述的风电机组输出功率预测方法，其特征在于，步骤S1中构建的气象矩阵中矩阵元素包含温度、湿度、风速、风向、降水、气压、辐射强度和日照八类，分别标记1、2、……，8；气象矩阵为：式中，i表示属性，i≤8；j表示样本个数，j≤N，N取365；xWj1、xWj2、…、xWji、…、xWj8分别表示j样本中温度、湿度、风速、风向、降水、气压、辐射强度和日照的数值，数据集的数量大于2。3.根据权利要求1所述的风电机组输出功率预测方法，其特征在于，步骤S1中风机出力矩阵为：P＝[p1p2p3LpjLpN]T式中，p1(j)、p2(j)、…、pi(j)、…、p7(j)分别表示利用j样本进行预测时风电机组输出功率的数值，T表示矩阵的转置。4.根据权利要求1所述的风电机组输出功率预测方法，其特征在于，步骤S2包括以下步骤：S2.1：确定每个环境属性模糊C均值聚类的聚类中心初始化值；S2.2：根据S2.1所述公式计算结果所对应第o个样本的属性值作为第一个聚类中心的初始化值C，然后将此属性值去除，跳回S2.1直至找到c个聚类中心的初始化值为止；S2.3：根据S2.2所得的结果集合构建聚类中心矩阵C＝[C1C2C3C4],其中Ci＝[Ci1Ci2KCic]，i表示第i类气象物理...

【专利技术属性】
技术研发人员：任德江，吴杰康，毛骁，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44