基于風速、風向信息的風電功率預測方法
【技術領域】
[0001] 本發明涉及風電場發電功率預測技術，特別是一種基于風速、風向信息的風電功 率預測方法。
【背景技術】
[0002] 風能是一種典型的無污染可再生能源，由于其資源豐富，具備大規模開發的條件， 因此受到廣泛地關注，成為未來能源的主要形式，風能的開發和利用已成為我國最為重要 的可再生能源發展方向。隨著風電累計裝機容量的逐漸提高，其發電出力的隨機性和波動 性對并網后電網平衡的影響越來越明顯。為了保證電網的穩定運行和供電系統的可靠性， 必須對供電系統進行有效的計劃和調度，因此需要對風力發電功率進行準確預測，這直接 關系到電網的供需平衡，也直接影響著并網系統的運營成本。2011年，國家能源局發布了 《風電廠功率預測預報管理暫行辦法》，強制風電場安裝風力發電功率預測系統，而2012年1 月1日以來，未按要求報送風力發電功率預報結果的風電場也不允許并網運行。
[0003] 在制定發電計劃和安排調度時，需保證發電系統具有較強的復合跟蹤能力，能夠 適應分鐘級或小時級的負荷波動，從而要求系統有足夠的旋轉備用容量，因此需要對風力 發電機和風電場的發電功率進行超短期(<4h)和短期(<72h)的預測，而準確的風電功率預 測可以在保證供電系統的平穩與安全的前提下降低風電成本，可以達到提高風電價值的目 的。由此可見風力發電功率預測的重要性。

【發明內容】

[0004] 本發明的目的是為了提供一種可靠性高的基于風速、風向信息的風電功率預測方 法，利用風速、風向信息實現超短期或短期風電功率預測。
[0005] 本發明的技術方案是：
[0006] -種基于風速、風向信息的風電功率預測方法，包括以下步驟：
[0007] 步驟一、對風電場的歷史風力數據及相對應的實際風功率出力數據進行搜集整 理，其中歷史風力數據包括測風塔獲得的不同高度的風速、風向信息，實際風功率出力數據 為風電場實時傳輸的實際有功功率；
[0008] 步驟二、對所述風電場的歷史風力數據以及相對應的實際風功率出力數據進行歸 一化預處理后作為訓練樣本，然后按照時間順序對不同時間點的風速、風向和相對應的實 際有功功率的歸一化數據序列進行相似性分析和聚類分析，將特征屬性相類似的數據對象 劃分到同一類，采用K均值聚類算法在確定最終分類數K后，分別計算出每一類數據的聚類 中心；
[0009] 步驟三、提取訓練日之前的歷史實際有功功率，采用自回歸模型結構預測出訓練 日當天的有功功率平均值，將其與每一類中的風速、風向數據結合共同作為輸入，訓練日當 天的實測有功功率數據作為輸出進行建模，通過對每一類數據樣本的訓練，建立不同類的 風電功率預測模型，即建立K個風電功率預測模型；
[0010] 步驟四、提取預測日當天的風速、風向及預測的有功功率平均值的歸一化數據，組 成預測日當天的歸一化日向量，分別計算該歸一化日向量與K類中每一類聚類中心的相似 性參數，判斷與預測日的歸一化日向量相似度最高的一類，利用該類風電功率預測模型獲 得預測日當天的風電預測功率。
[0011] 上述的基于風速、風向信息的風電功率預測方法，步驟二中進行相似性分析的方 法是采用皮爾遜積矩相關系數來定量描述相似性的大小，所述皮爾遜積矩相關系數的計算 公式如下：
[0012]
[0013] 其中，E代表數學期望;X和Y分別代表不同日的風速和風向數據構成的歸一化日向 量;R代表相關系數，取值范圍為-1~1; IRI <〇. 4為低度線性相關;0.4 < | R | <0.7為顯著線 性相關;0.7^ |R|<1為高度線性相關。
[0014] 上述的基于風速、風向信息的風電功率預測方法，所述K均值聚類算法的具體步驟 為：
[0015] a、將所有數據分為K個初始類，選取K個樣本點為初始聚類中心，記為Z1(1)， Z2 ⑴，…，zk(l)，其中，初始值1 = 1;
[0016] b、按照最近鄰規則將所有樣本分配到各聚類中心所代表的K類ω」(Κ)中，各類所 包含的樣本數為％(1)，其中，準則函數為歐氏距離，定義式為：
[0017]
[0018] 式中，d-一代表不同日歸一化日向量X、Y間的歐氏距離;m-一向量X和Y的維數;X 和y-一向量X、Y的子向量；
[0019] c、計算各類均值向量，并將該向量作為新的聚類中心：
式中，j = l，2,…，k;i = l，2, ···，％(：〇;
[0020] d、若Zj(1+1)矣Zj(1)，表示聚類結果并不是最佳的，貝lj返回b，繼續迭代計算；
[0021] 若Zj(l+l) = Zj(l)，迭代過程結束，此時的聚類結果就是最優聚類結果。
[0022]上述的基于風速、風向信息的風電功率預測方法，K = 5。
[0023] 上述的基于風速、風向信息的風電功率預測方法，步驟三中的自回歸模型結構的 具體表達式為：
[0024]
[0025]其中，pt代表訓練日的有功功率平均值;pt-Ut-2分別代表訓練日前兩日的有功功 率平均值；約、朽為自回歸模型參數，!>t}為白噪聲模型，通過采用樣本自相關函數定階以 及最小二乘法進行參數估計，得到例=0.5088，釣= -0· 1396。
[0026] 上述的基于風速、風向信息的風電功率預測方法，步驟三中的風電功率預測模型 選用廣義回歸神經網絡模型。
[0027] 上述的基于風速、風向信息的風電功率預測方法，步驟四中預測日當天的歸一化 日向量與K類中每一類聚類中心的相似性量度采用歐氏距離量度。
[0028] 本發明的有益效果是：
[0029] 由于訓練樣本的選擇直接影響到預測模型的精度，所以在建模之前采用聚類分析 的方法，以訓練日不同高度的風速、風向信息作為聚類指標，采用歐氏距離作為相似性的度 量準則，先對樣本數據進行聚類分析，再根據與訓練日當天最相近的樣本類，結合歷史有功 功率作為建模用的訓練樣本，由仿真結果表明，采用聚類分析的方法進行數據預處理后，極 大的改善了預測模型的預測精度，可靠性高，能夠在保證供電系統穩定運行的前提下，節約 運行成本，有利于提高風電場運行的經濟效益。
【附圖說明】
[0030] 圖1是本發明的風電功率預測方法的原理框圖。
【具體實施方式】
[0031] 如圖1所示，該風電功率預測方法，包括以下步驟：
[0032] 1、對風電場的歷史風力數據及相對應的實際風功率出力數據進行搜集整理，其中 風力數據包括測風塔獲得的不同高度的風速、風向信息，實際風功率出力數據為風電場實 時傳輸的實際有功功率。本實施例中，搜集整理2014年4月到5月測風塔獲得的10米高度風 速、10米高度風向、30米高度風速、30米高度風向、50米高度風速和50米高度風向，以及該段 時間內風電場的實際有功功率，數據的分辨率為15min，每一日為96個時間點。
[0033] 2、對2014年4月到5月測風塔獲得的10米高度風速、10米高度風向、30米高度風速、 30米高度風向、50米高度風速和50米高度風向，以及該段時間內風電場的實際有功功率進 行歸一化的預處理作為訓練樣本，然后按照時間順序對不同時間點的風速、風向和相對應 的實際有功功率的歸一化數據序列進行相似性分析，其中，選擇皮爾遜積矩相關系數來定 量描述相似性的大小，計算公式如下：
[0034]
[0035] 式中，E-一數學期望;X，Y-一表示不同日的風速和風向數據構成的歸一化日向 量，本實施例中，所述日向量由96個時間點的10米高度風速、10米高度風向、30米高度風速、 30米高度風向、50米高度風速和50米高度風向數據構成;相關系數的值為-1~1，其性質如 下：當R>0時，表示兩變量正相關，當R<0時，表示兩變量為負相關；當|R|=1時，表示兩變 量為完全線性相關，即為函數關系；當R=〇時，表示兩變量間無線性相關關系；當〇< IRI <1 時，表示兩變量存在一定程度的線性相關，且IRI越接近1，兩變量間線性關系越密切；IRI越 接近0，表示兩變量的線性相關越弱;一般可按三級劃分，IRI <0.4為低度線性相關;0.4 < R | <0.7為顯著線性相關;0.7 < | R | < 1為高度線性相關。
[0036] 得到不同風速、風向時間序列的相關系數之后，對歷史時間數據進行聚類分析，將 特征屬性相類似的數據對象劃分到同一類。本實施例中，選擇動態聚類算法中最經典的K均 值聚類算法，確定最終分類數K，并分別計算出每一類數據的聚類中心。本實施例中，K = 5， 分別計算出5類數據的聚類中心。具體步驟為：
[0037] e、將所有數據分為K個初始類，選取K個樣本點為初始聚類中心，記為Z1(1)， Z2 ⑴，…，zk(l)，其中，初始值1 = 1;
[0038] f、按照最近鄰規則將所有樣本分配到各聚類中心所代表的K類ω」(Κ)中，各類所 包含的樣本數為％(1)，其中，準則函數為歐氏距離，