【技术实现步骤摘要】
考虑风电爬坡的风速及功率混合预测方法及装置
[0001]本专利技术涉及风力发电功率预测
，具体为一种考虑风电爬坡的风速及功率混合预测方法及装置
。
技术介绍
[0002]大量化石能源的不断消耗导致温室气体的大量排放，环境恶化和气候污染问题已经引起了全球广泛的关注
。
许多地区开始通过一系列手段用来促进可再生能源产业的发展，以减少化石能源的使用
。
可再生能源由于具有绿色清洁
、
可高效利用等特点受到了国内外专家的广泛研究，在目前可利用的可再生能源中，风力发电在世界各国能源研究中占据了重要地位
。
目前随着风电装机容量的不断扩大，风力发电的应用形式已从早期的离网发电模式逐渐演变为并网形式
。
[0003]与常规的电能一样，风能因其具有取之不尽用之不竭的特点，没有变成绝对重要和单独的资源，风能的利用很简单，在风速达到最低限度时，依靠风力涡轮机将风能转化为机械能，进而带动发电机发电，非常容易受到天气环境的影响
。
随着风力...
【技术保护点】
【技术特征摘要】
1.
考虑风电爬坡的风速及功率混合预测方法，其特征在于，包括以下步骤：获取风电爬坡事件频发地区的风力发电场的风速历史数据；通过基于高斯混合模型结合非线性波动因子的概率生成模型，生成风力爬坡事件下的风速数据集，对风力爬坡事件进行模拟，并通过
Simulink
进行仿真得到风力爬坡事件下的风力发电功率；构建
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型，
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型包括改进的萤火虫算法和自适应调整学习率的
BP
神经网络时间序列预测模型；获取风速数据，通过概率生成模型对风电爬坡事件风速数据进行模拟，通过
Simulink
仿真得到对应的风电功率数据，并将其分为训练数据集与测试数据集，然后将训练数据集输入
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型中进行训练，获得训练后的风电爬坡事件的风速及风电功率混合预测模型，其中训练过程包括使用改进后的萤火虫算法对自适应调整学习率的
BP
神经网络时间序列预测模型的参数进行寻优，寻优后再使用自适应调整学习率的
BP
神经网络进行风速和风电功率时间序列预测的过程；在改进的萤火虫算法的寻优过程中，以自适应调整学习率的
BP
神经网络在训练数据集的均方根误差为适应度函数，得到训练完成后参数最优的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型；将测试数据集输入训练完成后的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型，对训练后的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型进行性能测试，最终测试确定
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型构建完成；通过将风力电场系统实时监测的风速及风力发电功率数据输入到构建好的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型，最终输出得到未来时刻下风速及风力发电功率的时间序列预测值
。2.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，所述通过基于高斯混合模型结合非线性波动因子的概率生成模型，生成风力爬坡事件下的风速数据集，对风力爬坡事件进行模拟，并通过
Simulink
进行仿真得到风力爬坡事件下的风力发电功率包括：由个高斯分布组成的高斯混合模型，每个高斯分布由均值和方差来描述，生成过程为从个高斯分布中选择一个分布，根据一定的概率分布，选择一个高斯分布的权重；在所选的高斯分布中，生成一个样本值，从高斯分布中抽取一个样本，概率生成模型的概率密度函数用以下公式表示：其中，表示均值为和方差的高斯分布在处的概率密度函数，表示选择第个高斯分布的权重，均值和方差通过应用地点的改变，根据当地风速情况进行拟合，爬坡事件下的高斯分布与正常情况下不同，通过爬坡事件数据拟合后的高斯混合模型完成对当地风电爬坡事件的模拟；同时引入一个非线性波动因子用于模拟实际风电爬坡事件下风速的波动：
式中，是随时间变化的非线性波动因子，在给定高斯混合模型参数和分量选择的情况下，通过相结合生成的概率，将此概率结合非线性波动因子与风速数据生成风电爬坡事件下的风速数据集，得到风电爬坡事件模拟后的风速数据集，通过
Simulink
对其对应的风力发电功率进行计算，得到对应的风电爬坡事件下风力发电功率数据集并将其分为训练数据集与测试数据集
。3.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，改进的萤火虫算法的改进过程包括：针对基本的萤火虫算法在种群初始化阶段时，使用随机数在搜索空间上生成每个萤火虫的初始位置，将混沌初始化的思想引入到萤火虫算法的种群初始化阶段；采用
Tent
混沌映射来进行萤火虫算法的种群初始化，
Tent
混沌初始化萤火虫个体位置的具体流程如下：假设共有个萤火虫个体，首先随机生成一个维度为的
[0,1]
范围内的萤火虫个体：其中，表示第个萤火虫第维度的位置；为
[0,1]
范围内的随机数；和分别表示第个萤火虫在第维上的上界和下界；然后使用
Tent
混沌映射初始化剩余的个萤火虫个体每一维度的位置，
Tent
映射的函数定义如下所示：函数定义如下所示：为一个随机初始值，该值由函数生成，值由用户自己定义，取值为
0.5
；改进的萤火虫算法的自适应游走策略，该自适应游走策略用以下方程来描述：改进的萤火虫算法的自适应游走策略，该自适应游走策略用以下方程来描述：表示第个萤火虫个体当前的目标函数适应度值；表示第个萤火虫个体当前的目标函数适应度值；表示第个萤火虫的位置；表示第个萤火虫的位置；代表更新之后的萤火虫位置；是一个随机数，取值由函数生成；，，分别代表选择的除第个萤火虫之外的第1，2，3个萤火虫；为吸收系数，取值为1；表示的是萤火虫和萤火虫之间的距离；表示的是萤火虫和萤火虫之间的距离；表示的是萤火虫和萤火虫之间的距离；为随机性参数，取值为
0.5
；为萤火虫随机迈出的一步，它的取值为：为萤火虫随机迈出的一步，它的取值为：表示绝对值函数，和分别表示萤火虫在维度上的上界和下界，为
[0,1]
内的随机数
。4.
如权利要求3所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，改进的
萤火虫算法的改进过程还包括：改进的萤火虫算法的个体移动阶段，萤火虫随机选择种群当中其他萤火虫个体，并根据其吸引力强度来确定自己的移动方向，向着吸引力更强的个体进行移动，其中吸引力函数的实际形式是任何单调递减函数，广义形式如下式：的实际形式是任何单调递减函数，广义形式如下式：表示的是处的吸引力强度；表示是两个萤火虫个体之间的笛卡尔距离，其中：：表示萤火虫空间坐标的第个分量；而一只萤火虫被另一只更吸引人的萤火虫吸引的运动取决于：
。5.
如权利要求3所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，改进的萤火虫算法的改进过程还包括：在改进的萤火虫算法搜索阶段，加入萤火虫位置贪婪选择策略，在每次迭代萤火虫飞往新位置之后，将新位置和原位置的适应度值进行比较，如果新位置的适应度值优于原位置，则萤火虫下一次迭代的位置将由新位置来更新，否则，萤火虫的位置不发生变化，具体过程如下式所示：过程如下式所示：为迭代开始时第个萤火虫的位置；为第个萤火虫的新位置；为第个萤火虫的旧位置；为萤火虫个体在新位置的适应度值；为萤火虫个体在旧位置的适应度值
。6.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，所述自适应调整学习率的
BP
神经网络时间序列预测模型在
BP
神经网络中加入的自适应调节学习率，采用如下公式表示：率，采用如下公式表示：和分别表示前代两次训练迭代时的误差；和分别表示前后两次迭代训练时自适应调整的学习率
。7.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，使用改进的萤火虫算法对自适应调整学习率的
BP
神经网络时间序列预测模型的参数进行寻优，具体参数为
BP
神经网络中的输入层到隐含层
、
以及隐含层到输出层的权值和阈值
。8.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型通过适应度函数判断模型的参数达到最优的方式是：通过最小化训练集的均方根误差判断模型参数达到最优
。9.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，将测试数据集输入训练完成后的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型，对训练后的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型进行性能测试，最终测试确定
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型构建完成包括：比对训练后的
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型和参考预测模型在测试集下的评价指标，若比对结果符合设定要求，确定训练后的模型为风电爬坡事件的
风速及风电功率混合预测模型，其中所述评价指标包括平均偏差误差
、
平均绝对误差以及均方根误差，所述参考预测模型为单一
IBP
时间序列预测模型或
FA
‑
IBP
时间序列预测模型
。10.
如权利要求9所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，所述均方根误差
、
平均绝对误差及平均偏差误差作为评价指标通过
IFA
‑
IBP
风电爬坡事件的风速及风电功率混合预测模型对训练集与测试集的预测结果得出
。11.
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法，其特征在于，在适应度函数达到最优情况下输入层到隐含层
、
以及隐含层到输出层的权值和阈值赋值给自适应调整学习率的
BP
神经网络，自适应调整学习率的
BP
神经网络利用获取到的最优权值和阈值进行风速及风力发电功率的预测；
BP
神经网络时间序列模型采用输入层
、
隐含层和输出层，
BP
神经网络时间序列预测模型结构参数设置如下所示：采用三层
BP
神经网络来建立风电功率的时间序列预测模型，其中输入层的节点数为训练集数据的总量，输出层的节点数为测试集数据的总量；隐含层的节点数采用试凑法，来确定风速及风力发电功率的预测的最佳隐含层节点数，隐含层节点数的初始值先通过以下公式进行计算隐含层节点数的初始值先通过以下公式进行计算表示隐含层节点数，取值为5；表示输入层节点数；表示输出层节点数；代表0到
10
之间的一个常数
。12.
考虑风电爬坡的风速及功率混合预测装置，其特征在于，包括：采集模块，用于获取风电爬坡事件频发地区的风力发电场的风速历史数据；生成模块，用于通过基于高斯混合模型结合非线性波动因子的概率生成模型，生成风力爬坡事件下的风速数据集，对风力爬坡事件进行模拟，并通过
Simulink
进行仿真得到风力爬坡事件下的风力发电功率；构建模块，用于构建
IFA
‑
IBP
...
【专利技术属性】
技术研发人员：孟庆霖，王剑晓，宋洁，崔明建，李玮，张郁颀，陈鹏，夏勇，王鑫，刘东，魏佳琪，赵金，药炜，许良，王瑞，郭子强，刘保安，关少卿，刘晓晶，
申请(专利权)人：天津市城西广源电力工程有限公司天津天源电力工程有限公司天津市宁河区宁东盛源电力工程有限公司国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。