一种短期风力发电功率预测方法技术

本发明专利技术公开了一种短期风力发电功率预测方法，其属于风力发电技术领域。它解决了现有技术中传统风力发电存在的风力发电系统控制难度大且风电功率预测误差较大的缺陷。其主体结构包括选取短期时间内影响风电功率的6组主要环境因素数据，对各项数据进行归一化处理，对处理后的数据采用奇异谱分析，通过对时间序列的轨迹矩阵进行分解和重构，从中提取出长期趋势信号、周期信号和噪声信号，将原始序列转化为平滑序列，通过消除噪声进行精准预测，识别和提取数据的主成分，设计一个循环神经网络预测模型，作为风电功率预测模型，在此基础上采用粒子群优化算法，进行轨迹预测，提升预测精度，减少预测时间。本发明专利技术主要用于风力发电。本发明专利技术主要用于风力发电。本发明专利技术主要用于风力发电。

【技术实现步骤摘要】
一种短期风力发电功率预测方法


[0001]本专利技术属于风力发电
，具体地说，尤其涉及一种短期风力发电功率预测方法。

技术介绍

[0002]在电力市场化的大背景下，风电在快速发展的同时也面临诸多问题。由于风能本身具有的波动性、间歇性和反调峰等特点，给风力发电系统的控制增加了难度，同时在风电接入电网时对电网的安全平稳运行带来了潜在的风险。风电功率预测的准确性会直接关系电力系统的安全运行，也将影响到所有市场参与者的经济利益；同时对于风电企业参与电力市场竞价、制定发电计划和补偿功率差价具有非常重要的作用。目前，解决该问题的主要方法是对风力发电输出功率进行预测，提升功率预测的准确度，可以在保证电网安全、平稳运行的同时，降低风力发电的成本，减少风电并网时对电网稳定性的冲击，以此达到提升风力发电使用价值的目的。
[0003]风电输出功率受周围环境变化等多种因素综合影响，早期传统的风电功率预测是利用NWP风速数据带入风速
‑
功率公式得到风电机组的预测功率。但是风电场地形复杂且气候多变，传统的风电功率预测误差较大，具有显著的不确定性，在预测中无法保证预测模型对不同数据的适应性，所以可以选择一些人工智能算法进行风电功率预测。
[0004]奇异谱分析(Singular Spectrum Analysis，SSA)是一种处理非线性时间序列数据的方法，可以对时间序列进行分析和预测，它基于构造在时间序列上的特定矩阵的奇异值分解(singular value decomposition，SVD)，可以从一个时间序列中分解出趋势、振荡分量和噪声，具有非常广泛的适用性，对于时间序列，既不需要假设参数模型，也不需要假设平稳性条件，适合对风电场的数据进行预处理，将高维因素用低维空间特征指标表示，可以有效地降低模型的复杂性。粒子群优化算法(Partical Swarm Optimization，PSO)源于对鸟群觅食行为的研究，粒子群中的每一个粒子都代表一个问题的可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性，适用于对风电功率预测模型的优化。长短时记忆网络(Long Short
‑
Term Memory，LSTM)具有通过提取历史时序数据特征来挖掘未来数据变化趋势的能力，适用于提升风电功率预测的精度。上述算法的应用十分广泛，但将上述算法结合进行风电功率预测的研究较少。

技术实现思路

[0005]本专利技术要解决的技术问题是克服现有技术的不足，提供了一种短期风力发电功率预测方法，其基于奇异谱分析(SSA)、粒子群优化算法(PSO)、长短时记忆网络(LSTM)的功率非线性组合预测模型，利用SSA分离出正常序列和噪声序列，将原始序列转化为平滑序列。
[0006]为了实现上述目的，本专利技术是采用以下技术方案实现的：
[0007]一种短期风力发电功率预测方法，包括选取短期时间内影响风电功率的6组主要环境因素数据，即风速、风向、海拔高度、空气温度、相对湿度和大气压力，对各项数据进行
归一化处理，对处理后的数据采用奇异谱分析(SSA)，通过对时间序列的轨迹矩阵进行分解和重构，从中提取出长期趋势信号、周期信号和噪声信号，将原始序列转化为平滑序列，通过消除噪声进行精准预测，识别和提取数据的主成分，设计一个循环神经网络预测模型，作为风电功率预测模型，在此基础上采用粒子群优化算法(PSO)，代替传统基于时间的反向传播算法对循环神经网络内部权值更新，进行轨迹预测，提升预测精度，减少预测时间。
[0008]优选地，所述奇异谱分析(SSA)的具体操作步骤为：
[0009]步骤一：原始数据归一化预处理，对各项原始数据进行归一化处理，归一化的计算公式为：
[0010][0011]其中，Y
max
为数据最大值，Y
min
为数据最小值，Y
i
为实际值，Y
i
'为归一化值；
[0012]步骤二：分别将长度为N的6组主要环境因素数据的一维时间序列F
N
＝(f1,f2,...,f
N
)转化为d
×
K维的轨迹矩阵F，如下所示：
[0013][0014]嵌入维度应该符合：d＝N/P，其中d＝N
‑
K+1，P＝24ε(ε≥1)，K为窗口长度，ε为每小时采样数，N为样本数量，P为中间变量；
[0015]步骤三：对FF
T
进行奇异值分解，得到d个降序排列的非负特征值λ1≥λ2≥
…
≥λ
d
≥0，U1,U2,
…
,U
d
为对应的正交特征向量，p为非零特征值的个数，则有：
[0016][0017][0018]式中，是F的奇异值，V
i
为主成分，E
i
为基本矩阵；
[0019]步骤四：将集合F
i
＝(1,2,
…
,p)分割成q个不同的组I1,I2,
…
,I
q
，其中I
i
＝{i1,i2,
…
,i
n
}，将q个不相交的矩阵相加得到F，则有：
[0020]F≈F
I1
+F
I2
+
…
+F
Iq
[0021]F
Ii
＝F
I1
+F
I2
+
…
+F
In
[0022][0023]其中，α为每组贡献率；
[0024]步骤五：重构：根据奇异值的贡献率，利用对角平均将矩阵还原为时间序列，设Y为d
×
K的矩阵，d
*
＝min(d,K)，X
*
＝max(d,K)，K＝N
‑
d+1，令Y
ij
为矩阵Y的第i行第j列元素，如果d<l，则Y
ij*
＝Y
ij
，反之则Y
ij*
＝Y
ji
，即重构后的序列矩阵为：
[0025][0026]步骤六：将6组环境因素分别按照步骤一至步骤五的方法进行重构，分别得到重构后的序列矩阵，即风速序列Y
K1
、风向序列Y
K2
、海拔高度序列Y
K3
、空气温度序列Y
K4
、相对湿度序列Y
K5
、大气压力序列Y
K6
，将这6个序列矩阵按时间方向拼接，得到融合向量矩阵Y，将Y的前90％作为训练集，后10％作为测试集。
[0027]优选地，所述粒子群优化算法(PSO)的具体操作步骤为：
[0028]步骤七：假设粒子初始位置z
i0
，每个粒子初始速度v
i0
，粒子群规模M；
...

【技术保护点】

【技术特征摘要】
1.一种短期风力发电功率预测方法，其特征在于：包括选取短期时间内影响风电功率的6组主要环境因素数据，即风速、风向、海拔高度、空气温度、相对湿度和大气压力，对各项数据进行归一化处理，对处理后的数据采用奇异谱分析(SSA)，通过对时间序列的轨迹矩阵进行分解和重构，从中提取出长期趋势信号、周期信号和噪声信号，将原始序列转化为平滑序列，通过消除噪声进行精准预测，识别和提取数据的主成分，设计一个循环神经网络预测模型，作为风电功率预测模型，在此基础上采用粒子群优化算法(PSO)，代替传统基于时间的反向传播算法对循环神经网络内部权值更新，进行轨迹预测，提升预测精度，减少预测时间。2.根据权利要求1所述的一种短期风力发电功率预测方法，其特征在于：所述奇异谱分析(SSA)的具体操作步骤为：步骤一：原始数据归一化预处理，对各项原始数据进行归一化处理，归一化的计算公式为：其中，Y
max
为数据最大值，Y
min
为数据最小值，Y
i
为实际值，Y
i
'为归一化值；步骤二：分别将长度为N的6组主要环境因素数据的一维时间序列F
N
＝(f1,f2,...,f
N
)转化为d
×
K维的轨迹矩阵F，如下所示：嵌入维度应该符合：d＝N/P，其中d＝N
‑
K+1，P＝24ε(ε≥1)，K为窗口长度，ε为每小时采样数，N为样本数量，P为中间变量；步骤三：对FF
T
进行奇异值分解，得到d个降序排列的非负特征值λ1≥λ2≥
…
≥λ
d
≥0，U1,U2,
…
,U
d
为对应的正交特征向量，p为非零特征值的个数，则有：为对应的正交特征向量，p为非零特征值的个数，则有：式中，是F的奇异值，V
i
为主成分，E
i
为基本矩阵；步骤四：将集合F
i
＝(1,2,
…
,p)分割成q个不同的组I1,I2,
…
,I
q
，其中I
i
＝{i1,i2,
…
,i
n
}，将q个不相交的矩阵相加得到F，则有：}，将q个不相交的矩阵相加得到F，则有：}，将q个不相交的矩阵相加得到F，则有：其中，α为每组贡献率；步骤五：重构：根据奇异值的贡献率，利用对角平均将矩阵还原为时间序列，设Y为d
×
K的矩阵，d
*
＝min(d,K)，X
*
＝max(d,K)，K＝N
‑
d+1，令Y
ij
为矩阵Y的第i行第j列元素，如果d<
l，则Y
ij*
＝Y
ij
，反之则Y
ij*
＝Y
ji
，即重构后的序列矩阵为：步骤六：将6组环境因素分别按照步骤一至步骤五的方法进行重构，分别得到重构后的序列矩阵，即风速序列风向序列海拔高度序列空气温度序列相对湿度序列大气压力序列将这6个序列矩阵按时间方向拼接，得到融合向量矩阵Y，将Y的前90％作为训练集，后10％作为测试集。3.根据权利要求2所述的一种短期风力发电功率预测方法，其特征在于：所述粒子群优化算法(PSO)的具体操作步骤为：步骤七：假设粒子初始位置z
i0
，每个粒子初始速度v
i0
，粒子群规模M；步骤八：个体极值及全局最优解，测量每个粒子的适应值z
i0
，表示为D
i(0)
(设此为解最小化的目标函数)，p
i0
＝z
i0
，根据D...

【专利技术属性】
技术研发人员：郭永馨，宗剑，闫永辉，姜豪，李富雄，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：