考虑大气扰动效应的风电场功率预测方法技术

一种考虑大气扰动效应的风电场功率预测方法，所述方法将大气非线性Lorenz系统视为扰动模型，并定义大气非线性扰动变量来消除原始风速数据中蕴含的非线性因素，优化功率预测模型的输入，以此实现更高精度的风电功率预测。本发明专利技术在常规功率预测方法的基础上，利用功率预测扰动公式对风速预测结果进行非线性干扰修正，消除原始风速中存在的某些非线性扰动因素对预测结果的影响，达到精确预测风电功率的目的。实验结果证明，本方法可大大提高风能的预测精度，对风电产业的发展具有极大的促进作用。

【技术实现步骤摘要】
【专利摘要】一种，所述方法将大气非线性Lorenz系统视为扰动模型，并定义大气非线性扰动变量来消除原始风速数据中蕴含的非线性因素，优化功率预测模型的输入，以此实现更高精度的风电功率预测。本专利技术在常规功率预测方法的基础上，利用功率预测扰动公式对风速预测结果进行非线性干扰修正，消除原始风速中存在的某些非线性扰动因素对预测结果的影响，达到精确预测风电功率的目的。实验结果证明，本方法可大大提高风能的预测精度，对风电产业的发展具有极大的促进作用。【专利说明】
本专利技术涉及一种能够准确预测风电场风速的方法，属于发电
。
技术介绍
开发和利用新能源是解决目前全球能源紧张，生态环境恶化等问题的重要途径。 风能是一种清洁的可再生能源并且资源丰富、分布广泛。风力发电可W实现风能资源的大 规模有效利用。据全球风能协会统计数据，截止到2013年底，全球累计风电装机容量已达 至IJ318, 117MW，相比10年前的统计数据增长了 5倍多。在风电场运行过程中，风是影响功率 变化的极为关键的气象因素之一，风能特有的随机波动性和间歇性使得其产生的风功率也 具有相似的不稳定性。随着风电穿透功率的不断增大，风电并网会对电力系统的稳定性和 安全性带来风险，进而影响到人们正常的生产和生活。因此，研究和开发高精度的风速及功 率预测技术就成为开发风能资源的当务之急。 现有的风电预测模型按照建模方法的不同可分为物理模型、统计模型、人工智能 和混合模型。物理模型是利用一些物理变量和地理因素提高数值天气预报的分辨率，适用 于长期风速预测。统计模型是基于大量历史数据建立模型输入与输出间的关系，一般包括 持续法模型、时间序列模型、卡尔曼滤波模型等。人工智能是目前被广泛应用的风能预测技 术，通常包括小波神经网络（WNN)、误差反向传播神经网络（BP)、径向基神经网络（RBF)、支 持向量机（SVM)、模糊逻辑（FL)等方法。由于单一的预测模型都存在不同程度的局限性，近 年来多种预测方法的组合模型越来越多地被提出和应用。 现有的风电预测技术绝大部分是依靠改进各种数值算法来提高预测精度，目前还 没有任何一种预测方法考虑到大气系统的非线性特征对功率预测结果的影响，因此不可能 获得较高的预测精度。
技术实现思路
本专利技术的目的在于针对现有技术之弊端，提供一种考虑大气扰动效应的风电场功 率预测方法，W提高风能的预测精度。 本专利技术所述问题是W下述技术方案实现的： 一种，所述方法将大气非线性Lorenz系统 视为扰动模型，并定义大气非线性扰动变量来消除原始风速数据中蕴含的非线性因素，优 化功率预测模型的输入，W此实现更高精度的风电功率预测，所述方法包括W下步骤： a. W设定的频率采集风电场的风速及功率数据，将采集的数据均分为训练集和测试 集，利用训练集的数据分别对小波神经网络（WNN)、误差反向传播网络（BP)和支持向量机 (SVM) H种预测模型进行训练，并对测试集数据进行预测和验证； b. 给定初值条件和参数取值，数值求解Lorenz方程； C.将大气非线性系统相空间中每一点的模长作为Lorenz系统中H个扰动变量的综合 扰动变量以大气非线性扰动变量L由下式给出： 五二I柄II二片巧2巧 巧(而尤3馬）表示大气非线性扰动系统第f时刻的运动状态； d. 分别利用小波神经网络（WNN)、误差反向传播网络（BP)和支持向量机（SVM)对风速 进行预测，H种预测模型的初始预测结果分别记为巧，巧，巧； e. 定义功率预测扰动公式： / 二v+AxL 其中，V为初步风速预测结果，/为风速预测结果的修正值，表为扰动系数。 根据功率预测扰动公式对步骤d中的风速预测结果巧，1^2,巧分别进行非线性干 扰修正，修正后的预测结果分别记为乂，又，/，； f. 将步骤d和e中风速预测数据1?,，乂作为TON模型的输入，作为BP模型的输 入，作为SVM模型的输入，分别得到H组对应的功率预测结果。 g.指定误差指标并对各个预测结果进行误差分析。 上述，数值求解Lorenz方程时给定初 值条件为脚L〇)，参数取值为巧4化易二8/3, r二45。 上述，指定误差指标并对各个预测结果 进行误差分析，所述误差指标包括平均绝对误差（MAE)、均方误差（MSE)和绝对百分比误差 (MAPE)，计算公式为分别： 【权利要求】1. 一种，其特征是，所述方法将大气非线性 Lorenz系统视为扰动模型，并定义大气非线性扰动变量来消除原始风速数据中蕴含的非线 性因素，优化功率预测模型的输入，以此实现更高精度的风电功率预测，所述方法包括以下 步骤： a. 以设定的频率采集风电场的风速及功率数据，将采集的数据均分为训练集和测试 集，利用训练集的数据分别对小波神经网络（WNN)、误差反向传播网络（BP)和支持向量机 (SVM)三种预测模型进行训练，并对测试集数据进行预测和验证； b. 给定初值条件和参数取值，数值求解Lorenz方程； c. 将大气非线性系统相空间中每一点的模长作为Lorenz系统中三个扰动变量的综合 扰动变量L，大气非线性扰动变量L由下式给出：及示大气非线性扰动系统第f时刻的运动状态； d. 分别利用小波神经网络（WNN)、误差反向传播网络（BP)和支持向量机（SVM)对风速 进行预测，三种预测模型的预测结果分别记为VD1，VD2和VD3 ; e. 定义功率预测扰动公式： f二v±k乂L 其中，V为初步风速预测结果，/为风速预测结果的修正值，Jfc为扰动系数， 根据功率预测扰动公式对步骤d中的风速预测结果分别进行非线性干扰修 正，修正后的预测结果分别记为TiITi5Ti.； f?将上述风速预测数据V1,乂作为WNN模型的输入，V2,乂作为BP模型的输入，V,,/, 作为SVM模型的输入，分别得到三组对应的功率预测结果；g.指定误差指标并对各个预测结果进行误差分析。2. 根据权利要求1所述的一种， 其特征是，数值求解Lorenz方程时的给定初值条件为，参数取值为 cr=10,6 = 8/.3，r = 45。3. 根据权利要求2所述的一种，其特征是， 指定误差指标并对各个预测结果进行误差分析，所述误差指标包括平均绝对误差（MAE)、均 方误差（MSE)和绝对百分比误差（MAPE)，计算公式为分别：其中，和/￠^分别表示#时刻风速或功率的观测值和预测值，M表示预测样本 数； 将预测周期内风速样本数据记为yp),分别将预测值Vpv2aV3和样本值yp)带入 上述三个误差指标计算得WNN、BP和SVM模型的误差结果；同理，分别将预测值/15 /；, /5 和样本值带入公式得LSWNN、LSBP和LSSVM模型的误差结果； 由步骤f?中功率预测过程可得三组不同的功率预测结果，分别记为，预测周 期内功率样本数据记为户⑴，将预测值和样本值对应带入上述三个误差公 式可得功率预测的误差结果。【文档编号】G06Q10/04GK104504466SQ201410781091【公开日】2015年4月8日 申请日期:2014年12月17日 优先权日:2014年12月17日 【专利技术者】张亚刚, 杨京云, 王康本文档来自技高网...

【技术保护点】
一种考虑大气扰动效应的风电场功率预测方法，其特征是，所述方法将大气非线性Lorenz系统视为扰动模型，并定义大气非线性扰动变量来消除原始风速数据中蕴含的非线性因素，优化功率预测模型的输入，以此实现更高精度的风电功率预测，所述方法包括以下步骤：a.以设定的频率采集风电场的风速及功率数据，将采集的数据均分为训练集和测试集，利用训练集的数据分别对小波神经网络（WNN）、误差反向传播网络（BP）和支持向量机（SVM）三种预测模型进行训练，并对测试集数据进行预测和验证；b.给定初值条件和参数取值，数值求解Lorenz方程；c.将大气非线性系统相空间中每一点的模长作为Lorenz系统中三个扰动变量的综合扰动变量L，大气非线性扰动变量L由下式给出：表示大气非线性扰动系统第时刻的运动状态；d.分别利用小波神经网络（WNN）、误差反向传播网络（BP）和支持向量机（SVM）对风速进行预测，三种预测模型的预测结果分别记为VD1，VD2和VD3；e.定义功率预测扰动公式：其中，为初步风速预测结果，为风速预测结果的修正值，为扰动系数，根据功率预测扰动公式对步骤d中的风速预测结果分别进行非线性干扰修正，修正后的预测结果分别记为；f.将上述风速预测数据作为WNN模型的输入，作为BP模型的输入，作为SVM模型的输入，分别得到三组对应的功率预测结果；g.指定误差指标并对各个预测结果进行误差分析。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张亚刚，杨京云，王康成，王增平，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13