一种风电功率爬坡事件概率场景预测方法技术

本发明专利技术涉及一种风电功率爬坡事件概率场景预测方法，通过构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数实现了分布特征一致性和时序特征一致性。基于多目标适应度函数的遗传算法对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特征评价该预测方法。选取国外某风场实际数据进行算例计算和统计分析，结果表明多目标函数较单目标函数的统计结果更为精确，而且该概率场景预测方法可以较准确地估计出爬坡事件的特征量，证明了该方法的正确性，可为概率场景生成方法和爬坡事件预测模型提供指导。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及，通过构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数实现了分布特征一致性和时序特征一致性。基于多目标适应度函数的遗传算法对概率生成模型参数进行迭代寻优，得到大量预测场景，并通过场景捕捉带内挖掘出的爬坡事件概率特征评价该预测方法。选取国外某风场实际数据进行算例计算和统计分析，结果表明多目标函数较单目标函数的统计结果更为精确，而且该概率场景预测方法可以较准确地估计出爬坡事件的特征量，证明了该方法的正确性，可为概率场景生成方法和爬坡事件预测模型提供指导。【专利说明】
本专利技术涉及一种风电功率的预测方法，尤其是涉及。
技术介绍
风力发电的不确定性导致其并网过程中对电网的安全稳定构成威胁，甚至产生严重损失。风电功率在短时间内出现较大幅度的上升或下降极易形成所谓的风电功率“爬坡事件”，风电功率爬坡事件在风电管理调度方面尤为重要，大幅度的风电出力变化需要通过调节电网中传统发电机组出力来弥补，如使用电网辅助服务或者限制和削减风电出力的爬坡率，而这些措施对电网运行造成较大程度的损失。爬坡事件预测研究是解决这一问题的有效措施，有助于电网调度部门提前制定风电并网方案和辅助决策。事实上国外学者早已将风电功率爬坡事件作为热点问题来研究，尤其是以斯坦福大学Sevlian博士和新南威尔士大学Cutler博士为代表,将该问题推向新的研究高度。Sevlian定义了一种与任一爬坡事件定义相关联的记分函数族,通过动态规划递归算法遍历所有发生的爬坡事件，从而建立新的概率统计模型描述爬坡事件各相关特征，为爬坡事件的预测研究提供理论依据和挖掘算法；Culter首次从工程应用角度预测爬坡事件，评估了 WPPT(Wind Power Prediction Tool)和MesoLAPS(Mesoscale Limited Area PredictionSystem)系统预测爬坡事件的能力，认为该事件属于风电交易和电网运营管理中的突发事件。与之相反，国内对风电功率爬坡事件的研究处于刚刚起步的阶段。东南大学的王颖等人按照国家风电并网标准提出一种新的爬坡事件数学表达式，结合风储联合优化控制和风电功率预测数据抑制爬坡事件的发生，但关于真正预测爬坡事件的研究较少涉及；山东大学的戚永志等人提出采用预防控制、爬坡控制和恢复控制的爬坡事件有限度控制基本框架，但侧重于爬坡控制方法研究，对预测控制的初步探索使得该文未能确定预防控制的最佳降出力额度和方法。
技术实现思路
本专利技术主要是解决现有技术所存在的技术问题；提供了一种能够有效生成爬坡事件预测场景，挖掘场景内的爬坡事件，能较准确地估计爬坡事件的特征量，具有实用性和鲁棒性的。本专利技术的上述技术问题主要是通过下述技术方案得以解决的:—种风电功率爬坡事件概率场景预测方法，其特征在于:包括以下步骤，步骤1，采用人工神经网络生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立人工神经网络概率生成模型；步骤2，基于步骤I所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过多目标适应度函数(包括累积密度函数适应度值和高阶矩自相关函数适应度值)计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数；步骤3，基于步骤I所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的预测估计值。本专利技术使用基于多目标适应度函数的改进遗传算法对模型参数进行寻优，构建计及累积密度函数和高阶矩自相关函数的多目标适应度函数，采用累积密度函数表征预测值与实际值的分布特征一致性，高阶矩自相关函数表征预测值与实际值的时序特征一致性，从而生成大量的概率场景，采用预测场景内挖掘出的爬坡事件概率特征评价预测模型。在上述风电功率爬坡事件场景预测方法，所述的步骤I包括以下子步骤，设当前时刻为t，输入变量X包含有n+1个输入量，其中η个当前时刻(t时刻)和历史风电功率数据(t-Ι时刻，…，t-n+2时刻和t-η+Ι时刻)，I个下一时刻(t+Ι时刻)可能的风电功率值；输出变量O为下一时刻第m个风电功率值出现的概率Rf, ;步骤1.1，网络初始化。根据系统输入输出序列(XI O)=(及?+1,X;_?+2^+ u? I P、',?)确定网络输入层节点数n+1个，隐含层节点数I个，输出层节点数I个，初始化输入层、隐含层和输出层神经元之间的连接权值参数Oij和，初始化隐含层阈值参数α和输出层阈值参数β，给定学习速率和神经元激励函数；步骤1.2，隐含层输出计算。根据输入变量X，输入层和隐含层间连接权值Coij以及隐含层阈值参数α，计算隐含层输出H ；【权利要求】1.，其特征在于:包括以下步骤， 步骤1，采用人工神经网络生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立人工神经网络概率生成模型； 步骤2，基于步骤I所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过多目标适应度函数计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数； 步骤3，基于步骤I所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的预测估计值。2.根据权利要求1所述风电功率爬坡事件场景预测方法，其特征在于:所述的步骤I基于以下定义:当前时刻为t，输入变量X包含有n+1个输入量，其中η个当前时刻和历史风电功率数据，一个下一时刻的风电功率值；输出变量O为下一时刻第m个风电功率值出现的概率AuJ包括以下子步骤: 步骤1.1，网络初始化:即根据系统输入输出序列(XI O) = (Z,—?+1, Z,_?+2,…，I P、m )确定网络输入层节点数η+1个，隐含层节点数I个，输出层节点数I个，初始化输入层、隐含层和输出层神经元之间的连接权值参数Oij和，初始化隐含层阈值参数α和输出层阈值参数β，给定学习速率和神经元激励函数； 步骤1.2，隐含层输出计算:根据输入变量X，输入层和隐含层间连接权值以及隐含层阈值参数α，计算隐含层输出H，基于以下公式: 3.根据权利要求2所述风电功率爬坡事件概率场景预测方法，其特征在于:所述步骤2包括以下子步骤， 步骤2.1，种群初始化，在人工神经网络概率生成模型的基础上根据输入输出参数个数确定遗传算法个体的长度，每个个体均为一个实数串，即采用实数编码方法，个体由输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值参数4部分组成；一个个体包含了人工神经网络全部权值和阈值参数，且对应于一个确定的ANN概率生成模型； 步骤2.2本文档来自技高网...

【技术保护点】
一种风电功率爬坡事件概率场景预测方法，其特征在于：包括以下步骤，步骤1，采用人工神经网络生成风电功率的概率生成模型，即将若干个当前时刻和历史时刻的风电功率数据和一个下一时刻的风电功率值作为模型输入变量，将下一时刻某个风电功率值出现的概率作为模型输出变量，建立人工神经网络概率生成模型；步骤2，基于步骤1所建立的概率生成模型，采用改进的遗传算法求解模型参数，首先在该模型的基础上根据输入输出参数个数确定遗传算法个体的长度，个体通过多目标适应度函数计算个体适应度值，进而通过选择、交叉和变异操作找到最优适应度值对应的个体，最终确定模型的最优参数；步骤3，基于步骤1所建立的概率生成模型和步骤2求解出的模型参数，采样得到足够多的预测场景和场景捕捉带，使用爬坡事件挖掘算法得到特征量的所有场景预测值并进行统计分析，即得到爬坡事件特征量的预测估计值。

【技术特征摘要】

【专利技术属性】
技术研发人员：崔明建，柯德平，甘迪，孙元章，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42