第卷第期年月日,.42No..2018:/DOI10.基于功率波動過程的風電功率短期預測及偏差修正,,,,,丁明張超王勃畢銳繆樂穎車建峰((),;1.廣東省新能源借助與節能重點實驗室西安工業學院河北省石家莊市(),)2.新能源與儲能運行控制國家重點實驗室中國電力科學研究院有限公司上海市:、。摘要風資源因具有較強的波動性隨機性與間斷性等特征而造成風電功率預測精度不高為減,,小風電功率波動對電網的沖擊提升電力系統對風電的接受與消納能力提出了改進的風電功率短。短期風電功率預測,期預測方式與基于波動的偏差修正方式首先將風電功率按不同波動過程進行降維界定提取不;()同波動的特點曲線對功率值進行修正采用引力搜索算法優化的反向傳播神經網路GSA-BP作;,為基本預測方式進行預測剖析不同波動過程下的預測偏差表現構建預測偏差與綜合氣象指標的。,映射關系針對不同波動過程構建相應的風電功率偏差修正模型提出了線性模型和GSA-BP非,線性模型相結合的方法對預測偏差進行修正最后以功率預測值疊加預測偏差修正值作為最終預。
,測結果該風電功率預測偏差修正方式除了涉及風速風向等常規誘因并且考慮到了風電功率的波動性。:;;;;關鍵詞風電功率預測波動特點神經網路引力搜索偏差修正,。0序言性依據序貫抽樣模擬生成風電出力時間序列文[],獻以高斯核函數的小波分解提取波動成份采用7、為解決具有波動性隨機性與間歇性的大規模非參數核密度恐怕方式構建波動份量的機率密度模,風電并網與消納對風電場出力的精準預測是非常,型但是建立了一個基于擬合優度的帶寬優化模型[]1-2必要的。,。作為約束條件提升了功率波動建模的適用性文國內外學者對風電功率的預測早已提出多種方[]獻通過構建云模型數據庫找到與待預測時間段8短期風電功率預測,法主要分為統計方式和考慮氣象預報因子的智能,[]相像的歷史數據作為訓練樣本進行預測有效減少3-4算法。基于波動過程的風電功率預測方式是這了隨機風波動等復雜天氣誘因對預測結果的影響。,兩種方式的有機結合既考慮到每位功率點與相關[]文獻采用一種基于信息熵和互信息的熵相關系9,預報因子之間的聯系又對不同波動過程的預測結,數指標克服了因為風電功率的隨機波動性導致的,。
果進行統計剖析找出其中的內在規律,數據之間相關性較弱的問題找出了足夠多的有效,因為風是大氣化學過程符合相應的化學規律,()樣本并設計了一種反向傳播BP神經網路改進模,、和特點風電功率特點是風電場的風資源稟賦地形,、。型填補了訓練數據冗余度大收斂速率慢等缺陷、。地貌風機特點和布局等誘因的綜合彰顯基于風,相對于預測算法的研究人們對預測偏差機理資源波動過程的風電功率預測方式正是通過描畫風。和修正的研究略顯不足目前風電功率的預測偏差資源波動過程與風電功率波動過程間的匹配關系的、來始于氣象預報數據偏差間接預測方式的內在誤。[],一種預測方式文獻整理了多個風電場數據然5、、差風電功率曲線的擬合偏差地形地貌等多種局地,后基于風電出力的波動特點和機率分布特點借助,誘因影響對基于波動理論的偏差剖析和修正策略。[]法生成風電功率時間序列文獻基于風p。[],更為鮮見文獻10引入參數方式和非參數方式,電波動過程特點借助統計方式剖析波動間的關聯,擬合風電預測偏差機率分布通過比較不同擬合方,法的擬合精度提出了基于Coula理論的超短期風p收稿日期:2018-03-22;修回日期:2018-09-18。
電預測偏差的高維模型和不同時間段預測偏差的概上網日期:2018-00-00。。[]“率分布文獻11強調風電預測偏差與風電功率爬國家電網公司科技項目基于廣域時空大數據剖析的風電功”;,率預測方式研究與應用可再生能源與工業節能山東省工坡風波之間有顯著關聯提出一種爬坡風波辨識方程實驗室開放捐助項目(/)。452,。法剖析比較不同坡道斜坡風波對預測偏差的影響://,()·()·201842高比列可再生能源電力系統五文獻[]提出了一種預測偏差修正模型對傳統波動過程辨識12BP1.2,神經網路風電功率預測模型進行改進并以偏差預可借助降維方式將功率波動序列界定為上述4,。測值疊加功率預測值作為最終預測結果可以較好種不同類別的波動過程本文采用的降維算法為自[]地提高預測精度。組織映射15(,)神經網self-SOMgp,,,本文提出了改進傳統的風電功率預測方式和基絡SOM由輸入層和映射層組成一般情況下映射,,于功率波動過程的偏差修正方式重點討論了以上層以二維陣列表示每位輸入節點聯接到映射層的:、,,問題風電功率波動過程的定義及描述波動界定與對應權重隨機分配通過競爭性學習SOM可以將、、,降維算法風電功率異常數據處理BP神經網路的類似的個體歸類到一組SOM算法中數據點距離的、。
:參數優化預測偏差剖析與修正論文給出方式的物理表達式為k、,思路原理和算法實現過程并用實際算例驗證了方2(()())()rxtwt3=-iij∑j法的合理智。i1=:;式中為輸入向量中的第個值為輸入節點xiiwi1風電功率波動過程的描畫及剖析j,i和映射節點之間的聯接殘差該殘差可以通過j()風電功率波動過程的描畫式進行修正1.14因為風電功率序列中會包含由大量的高頻隨機()()()(()())Δw=wt+1-wt=txt-wtiiiiijjjηj,()擾動所形成的隨機出力這部份高頻份量具有不可4,,式中:()為訓練率。預測性因而須要對原始功率序列進行混頻將該高ηt,在估算過程中通過反復進行距離估算和殘差修頻部份濾除把能反映風電功率趨勢變化的低頻分。,。量分離下來進行波動過程界定和預測本文采用小正直到達到分類精度要求[]13,波基為“”的尺度函數對原始數據進行尺度在降維界定中SOM的輸入是由各波動過程的db94。,()。混頻混頻前后風電功率序列對諸如附表圖三個特點參數構成的特點向量如式所示AA15,,[]()所示從圖中可以發覺混頻后原序列中的高頻隨機V=TDT5SvL。
:,份量被濾除式中TS為上升時間指從峰值10%上升到90%所,,;在獲得混頻后的功率曲線基礎上將風電功率用的時間它反映了功率的上升速率Dv為波峰值。;,曲線界定為多個波動過程本文根據風電功率的持Pmax與極小值Pmin之差TL為波動的持續時間即、:起止點和間的時間寬度。續時間極值尺度參數定義風電功率波動過程每一PP1n,個波動過程都是由與其相對應的局部極小值下降到將風電功率序列歸一化低出力波動的風電功,。,極大值再衰減到該波動的另一個局部極小值根率持續在很低水平或根本無出力可通過設置閥值、。、、據波動過程的時間尺度極值參數可將風電功率曲ε來進行辨識大中小波動可通過輸入特點向量、、,、、、線界定為大波動中波動小波動和低出力波動四辨識大中小波動的持續時間TL極值差Dv及[]14,:,類對一個波動過程的物理描述如下上升時間依次遞減可根據不同風場實際情況TS,{},。給定一個典型的界定和降維結果如圖所示PP∈P1ì1nmin??,(,)?PP∈0T1n{}WP=íjk(,]P∈TP1