專利名稱：一種超短期風電功率滑動預測方法
技術領域：
本發明涉及一種超短期風電功率預測方法，尤其是涉及一種超短期風電功率滑動預測方法。
背景技術：
風能作為可再生能源中成本較低、技術較成熟、可靠性較高的新能源，近年來發展很快并開始在能源供應中發揮重要作用。隨著風電場規模的增大，風速的波動性和非平穩性成為制約風電大規模、高效并網的嚴峻問題。風電功率預測技術是解決風電波動、風電并網和電網調度的關鍵技術之一，這也對風電功率的預測精確提出了更高的要求。為得到較高的預測精度，國內外很多研究集中在構造合適的預測模型。根據輸入量的不同，現有預測模型可以分為物理模型、統計模型和物理統計混合模型。物理模型使用如氣象學(數值天氣預報等)、地志學(山岳形態等)和風電機組的技術特征(輪轂高度、功率曲線和推力系數)等信息作為模型輸入量，目的是得到本地風速的最佳估計值，進而利用模式輸出統計方法(MOS)減小預測殘差；統計模型使用解釋變量和在線測量方法，通常使用如遞歸最小二乘法和人工神經網絡法等遞歸技術；混合模型作為最優模型，先得到風電機組區域內的氣流等物理量，再使用先進的統計模型補充物理模型得到的信息，因而能夠得到更為精確的預測值。由于物理方法中風電場周圍的物理信息等對預測結果的精確度有很大影響，而統計方法能夠根據風電場自身的特點和位置，隨時修改預測模型參數，可以得到比較高的準確度。國內對風電功率測報與預測提出了最新的技術要求，2009年國家電網公司發布企業標準(Q/GDW392-2009)《風電場接入電網技術規定實施細則(試行)》中明確規定，風電功率預測系統應能通過專網向調度機構上報相關數據，應至少具備日前預報功能和超短期預報功能，每日12時之前向調度機構申報次日日前風電功率預測曲線，根據超短期預測結果，滾動調整2小時以后的風電功率預測曲線。國外主要集中在預測模型的研究，比國內起步早，技術也相對成熟。為得到提前0.5 36個小時的預測值，丹麥科技大學(DTU)提出一種記及遺忘因子的自適應遞歸最小二乘估計法的風電功率預測模型；馬德里卡洛斯第三大學提出Sipreolico模型，該模型由九個自適應非參數統計模型組成，使用遞歸最小二乘算法或者卡爾曼濾波算法循環計算；TrueWind公司提出一種EWIND模型,該模型使用一次性參數設計方法研究順風向NWP模型輸出量的局部效應。現有的風電功率預測建模方法中，很少有考慮原始風電功率序列的非平穩特性的方法，神經網絡是一種應用廣泛的風電功率預測建模方法，但由于其自適應訓練的收斂性受步長、隱含層神經元個數、隱含層輸出函數和輸出層輸出函數等因素影響，訓練時間較長，往往不能完全映射風電功率的非平穩特性。因此本發明采用一種具有很強的非平穩信號跟蹤、預測能力的信號處理新方法——原子稀疏分解法，作為神經網絡的前置分解手段。現實中的風電功率具有很強的非平穩性，可看作具有多個不同參數的原子分量和殘差分量的疊加，其非平穩性導致原子參數不斷變化。對原子分量進行自預測，殘差分量進行神經網絡預測，疊加后得到最終預測結果。現有的原子稀疏分解理論提出了對風電功率信號進行稀疏分解的概念，采用原子分解算法對風電功率進行滑動分解，并用殘差信號取代原始信號作為神經網絡的輸入量預測下個時刻的殘差信號。由于殘差信號的能量(相對于原始信號)很小，這樣能極大地避免具有主導能量的信號成分(原子的線性組合)的非平穩性對神經網絡預測產生影響。因此，較之常規的神經網絡預測方法，所提預測方法具有更好地處理非平穩特性的能力。原子稀疏分解的基本思路是:采取的是一種貪婪的自適應分解策略，其原子庫是高度冗余(過完備)的，以保證任意信號都可以從中自適應地選擇一組最佳匹配原子及其稀疏來表該信號。(I)字典集的構造原子通常由一般性的核函數表示，在信號處理領域，多種核函數可用來表示原子，例如正弦函數、Chirp函數。本發明采用的核函數為高斯函數，如下式所示:
權利要求
1.一種超短期風電功率滑動預測方法，其特征在于:包括以下步驟， 步驟1，采用對風電功率原始信號進行數據預處理，即先在整個數據范圍內確定最大值和最小值再進行統一的歸一化變換處理，將模型輸入輸出變換為零到一的區間值；具體歸一化公式如下:
2.根據權利要求1所述超短期風電功率滑動預測方法，其特征在于:所述的步驟2包括以下子步驟，定義當前時刻為t，下一時刻為t+1 ； 步驟2.1，原子稀疏分解并進行自預測: 步驟2.11，對風電功率數據進行η個原子分解，自定義原子分解的時間段為t-m至t，其中，t、m為正整數:
3.根據權利要求1所述超短期風電功率滑動預測方法，其特征在于:所述步驟3包括以下子步驟， 步驟3.1，基于步驟2所得最終風電功率預測值，采用國際上普遍的歸一化絕對平均誤差eNMAE和歸一化均方根誤差eNKMSE為依據，定義如下:
全文摘要
本發明涉及一種超短期風電功率滑動預測方法，采用一種具有很強的非平穩信號跟蹤、預測能力的原子稀疏分解法，作為神經網絡的前置分解方法。將風電功率時間序列分解為原子分量和殘差分量，對原子分量進行自預測，殘差分量進行神經網絡預測，再通過追加最新的風電功率實時數據來更新原子分解的結果，進而滑動預測下一個時刻的風電功率。以實際風場數據進行驗證，證明了該模型可以有效地處理風電功率非平穩性，產生更為稀疏的分解效果，能顯著地降低絕對平均誤差、均方根誤差計算值的統計區間。因此，本發明具有如下優點能夠有效地處理風電功率非平穩性，產生更為稀疏的分解效果，能顯著地降低絕對平均誤差、均方根誤差計算值的統計區間。
文檔編號H02J3/00GK103117546SQ20131006461
公開日2013年5月22日 申請日期2013年2月28日 優先權日2013年2月28日
發明者崔明建, 孫元章, 溫彤 申請人:武漢大學