CN102521671A - 一种风电功率超短期预测方法 - Google Patents

Abstract

本发明公开了风电功率预测技术领域，尤其涉及一种风电功率超短期预测方法。本发明首先采集风电场的风速、风向和风电功率数据，形成样本集；然后对样本集进行数据预处理；之后利用深度自动编码器网络对预处理后的样本集进行降维；最后用降维后的样本集对相关向量机回归模型进行训练，然后利用训练后的相关向量机回归模型对超短期的风电功率进行预测。本发明降低了预测模型的训练时间，满足系统状态估计中对于精度和实时性的要求，使预测模型更加准确。

Description

一种风电功率超短期预测方法

技术领域

本发明属于风电功率预测技术领域，尤其涉及一种风电功率超短期预测方法。

背景技术

随着能源和环境问题的日益突出，风能作为可再生能源发电技术中发展最快的一种能源，越来越受到人们的重视，由于风电场的输出功率具有间歇性和波动性的特点，所以风电接入电网后会对整个电网的电能质量和电力系统运行的稳定性产生重要的影响，为减少这种不利影响，对风电功率的预测准确性就显得尤为重要。由中华人民共和国国家能源局发布的《中华人民共和国电力行业标准》中的《风电功率预测功能规范》指出了超短期风电功率预测是指预测风电场未来0-4小时的有功功率。由于电网调度、资源配置所需的时间主要集中在0～3小时时间段，因此，对风电功率的超短期预测显得尤为重要，尤其是风电功率超短期预测能有效的减轻风电并网对整个电网的影响，对于电网安全经济调度、电力市场及风电场运行都有重要意义。

目前风电功率的预测方法根据直接预测的物理量不同可以分为两类：一类是直接预测风电场的输出功率，另一类是先进行风速预测，然后根据风电机组或风电输出功率与风速的关系得到风电输出功率。其中，直接预测法常包括物理模型法和统计法两种。物理模型通过对风电场所在地进行物理建模，利用风速、风向、气温和气压等数值天气预报进行预测，该方法的预测结果和建立的模型好坏有很大的关系，如果模型太粗糙，预测精度就会较差。统计方法的实质是利用有效的历史数据(如数值天气预报数据、历史统计风电功率数据)进行预测。常见的相关方法有持续预测法、空间平滑法、时间序列法、卡尔曼滤波法、灰色预测法、人工神经网络法、小波分析法、支持向量机回归法、最小二乘法、模糊逻辑法等。其中持续预测法最简单，该方法把最近一点的功率观测值作为下一点的预测值。人工神经网络和支持向量机的相关研究是现在主要应用的方法，但人工神经网络复杂度较高，支持向量机的参数选择对模型预测精度有较大影响。

发明内容

针对上述背景技术中提到的现有风电功率预测方法复杂和预测精度不高等不足，本发明提出了一种风电功率超短期预测方法。

本发明的技术方案是，一种风电功率超短期预测方法，其特征是该方法包括以下步骤：

步骤1：采集风电场的风速、风向和风电功率数据，形成样本集；

步骤2：对样本集进行数据预处理；

步骤3：利用深度自动编码器网络对预处理后的样本集进行降维；

步骤4：用降维后的样本集对相关向量机回归模型进行训练，然后利用训练后的相关向量机回归模型对超短期的风电功率进行预测。

所述步骤2具体包括下列步骤：

步骤2.1：对采集的样本集应用有限脊波变换，得到脊波系数矩阵，对脊波系数矩阵的每列分别进行一维离散多尺度小波变换，得到有限脊波变换系数矩阵；

步骤2.2：对有限脊波变换系数矩阵的每一列进行小波自适应阈值去噪处理，低频子带系数不处理，对各高频子带系数进行软阈值处理；

步骤2.3：对处理后的有限脊波变换系数矩阵应用有限脊波反变换重构信号；

步骤2.4：对重构信号进行自适应维纳Wiener滤波，得到去噪后的样本集。

所述步骤3具体包括下列步骤：

步骤3.1：采用连续限制波耳兹曼机模型对对去噪处理后的样本集进行预训练，得到一组独立的连续限制波耳兹曼机模型和一组权值；

步骤3.2：将每个连续限制波耳兹曼机模型的输出神经元和下一个连续限制波耳兹曼机模型的输入神经元合并为一层，展开形成深度自动编码器网络；

步骤3.3：对权值进行微调，采用基于交叉熵函数的BP算法进行网络训练，调整权值以使交叉熵函数达到最小，完成降维过程。

所述步骤4具体包括下列步骤：

步骤4.1：将降维后的样本集根据相关向量机训输入的格式要求对样本集进行格式化处理；

步骤4.2：选择高斯核函数作为相关向量机模型的核函数，对核函数的参数初始化；

步骤4.3：用格式化处理后的样本集对相关向量机模型进行训练；

步骤4.4：在步骤4.3的基础上，利用训练好的相关向量机模型预测超短期的风电功率。

所述有限脊波变换的计算公式为：

${\mathrm{FRAT}}_f[k,l]=\frac{1}{\sqrt{p}}\underset{(a,b)\∈L_{k,l}}{\mathrm{\Σ}}f(a,b)$

式中：

FRAT_f[k，l]是有限脊波变换系数矩阵；

p是系数矩阵的维数；

f(a，b)是离散数据信号；

a为横坐标；

b为纵坐标；

L_k，l表示网格Z_p ²上组成的以k为斜率、l为截距的直线的点的集合。所述软阈值的计算公式为：

$T=\frac{{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_j^2},(j=\mathrm{0,1},\·\·\·,n)$

其中：

T为软阈值；

为估计噪声的方差；

为估计子带信号方差。

本发明对风电功率进行预测的方法是先用脊波变换对得到的样本集进行去噪处理，然后用深度自动编码器网络对样本集数据进行降维，最后用相关向量机回归模型进行预测。本发明适合于风电场超短期功率的预测，实现了结构风险最小化的原则，深度自动编码器网络的引进，使样本集能够在低维度的样本数据上进行模型训练，大大降低了预测模型的训练时间开销，进而很好满足系统状态估计中对于精度和实时性的要求，使预测模型更加准确。

附图说明

图1为超短期风电功率预测方法流程图；

图2为基于脊波变换的方法对得到的样本集去噪的流程图；

图3为用相关向量机回归模型预测的流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

一种好的预测模型必须同时考虑预测所能达到的精度和时空复杂度问题，考虑到上述原因，本方法中采用了深度自动编码器网络和相关向量回归模型相结合的思想进行预测。直接采集的数据粗糙不齐而且有噪点，所以采用脊波变换对样本集数据进行处理。但在高维样本集下的训练时空复杂度太大，而深度自动编码器网络(Deep Autoencoder Network，DAN)方法采用连续值限制型波耳兹曼模型(Continouse Restricted Boltzmann Machine，CRBM)的网络结构，通过训练具有多个中间层的双向深层神经网络将高维数据转换成低维嵌套并继而重构高维数据。特别地，DAN提供了高维数据空间和低维嵌套结构的双向映射，有效解决了大多数非线性降维方法所不具备的逆向映射问题。高维数据转换成低维嵌套并继而重构高维数据方法，能够在尽量保持观测空间的全局与局部性质的前提下降低空间维数，能够解决在高维样本集下训练时空复杂度大的问题。相关向量机(Relevance Vector Machine，RVM)很好地解决了预测精度的问题。本发明的解决思路是：首先，采用脊波变换对样本集数据进行处理，然后用DAN方法进行维数约减，使之从高维空间数据映射为低维空间数据，最后用RVM进行样本训练和预测。

图1是本发明提供的一种超短期功率预测方法流程图。图1中，本发明提供的方法包括如下的步骤：

步骤1：采集某风电场8月的风速、风向和风电功率数据，形成样本集；

这些数据每隔15分钟采集一次，形成N×T二维数组。

步骤2：对样本集进行数据预处理，采用基于脊波变换的方法对得到的样本集去噪；图2是基于脊波变换的方法对得到的样本集去噪的流程图。步骤2又包含下列步骤：

步骤2.1：对采集的样本集应用有限脊波变换，每个方向上将产生一个FRAT序列，因此有限脊波变换的结果是产生一个p×(p+1)的脊波系数矩阵，对脊波系数矩阵的每列分别进行一维离散多尺度小波变换，得到有限脊波变换系数矩阵FRAT_f[k，l]，(k，l)∈P_i，j，整个过程称为有限脊波变换。

设p是一个素数，定义集合Z_p＝{0，1，2，…，p-1}，那么定义离散数据信号f(x)在有限网格Z_p ²上的有限脊波变换的系数矩阵为：

${\mathrm{FRAT}}_f[k,l]=\frac{1}{\sqrt{p}}\underset{(a,b)\∈L_{k,l}}{\mathrm{\Σ}}f(a,b)---\left(1\right)$

式中：

FRAT_f[k，l]是有限脊波变换系数矩阵；

p是系数矩阵的维数；

f(a，b)是离散数据信号；

a为横坐标；

b为纵坐标。

L_k，l表示网格Z_p ²上组成的以k为斜率、l为截距的直线(当k＝p时，代表斜率无限大或垂直的直线)的点的集合，即：

L_k，l＝{(i，j)|j＝ki+l(mod)p，i∈Z_p}，k∈Z_p    (2)

其中：

Z_p为网格边长。

L_p，l＝{(l，j)|j∈Z_P}    (3)

上式定义了有限网格Z_p ²上p×(p+1)个方向上的直线，其中每条直线上均包含p个点，对于任意给定方向，存在p条互相平行的直线，它们完全覆盖了网格Z_p ²。其重构公式为：

$F(a,b)=\frac{1}{\sqrt{p}}\underset{(k,l)\∈p_{a,b}}{\mathrm{\Σ}}{\mathrm{FRAT}}_f[k,l]---\left(4\right)$

式中：

P_a，b为经过点(a，b)∈Z_p ²的直线的斜率和截距构成的数组集合，可表示为：

$P_{a,b}=\left\{(k,l)\right|l=b-\mathrm{ka}\left(\mathrm{mod}\right)p,k\∈Z_p^2\}\∪\{(p,a)\};$

步骤2.2：对有限脊波变换系数矩阵的每一列，进行小波自适应阈值去噪处理，低频子带不处理，对各高频子带系数进行软阈值处理。阈值公式为：

$T=\frac{{\mathrm{\σ}}_n^2}{{\mathrm{\σ}}_b^2},(b=\mathrm{0,1},\·\·\·,n)---\left(5\right)$

其中：

T为阈值；

为估计噪声的方差；

为估计子带信号方差；

步骤2.3：处理后的脊波系数矩阵应用有限脊波反变换重构信号；

步骤2.4：对重构信号进行自适应维纳Wiener滤波，以减少“卷绕”效应，得到去噪后的样本集。

步骤3：利用深度自动编码器网络对得到的样本集进行降维。步骤3又包含下列步骤：

步骤3.1：对于脊波变换处理后的样本集N×M数组记做X＝{x₁，x₂，...，x_i∈R^M}，其中，i≤M，向量x_i的维数为N；

步骤3.2：采用CRBM对数据进行预训练，可以得到一组独立的CRBM模型和一组权值；

其中CRBM的预训练过程为：

CRBM由一个可视层和一个隐层及他们层间的连接组成。可视单元和隐单元间由权值矩阵w连接，隐层中的每个单元的输入都来自于可视层中所有单元的状态，按照各个可视单元对每个隐层单元的贡献大小，对它们之间的连接赋以相应的权值，即每个隐单元的状态值是与其连接的所有可视单元的权值和。下面用s表示可视单元和隐单元的状态，s_j表示输入来自于可视单元状态集{s_i}的隐单元j的输出，w_ij表示可视单元i和隐单元j之间的权值，且它们之间的双向权值相等，即w_ij＝w_ji，则通过如下公式进行权值更新计算。

$s_j={\mathrm{\φ}}_j(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}{s}_i+\mathrm{\σ}{N}_j\left(\mathrm{0,1}\right))---\left(6\right)$

式中函数φ_j的表达式如下：

${\mathrm{\φ}}_j\left(x_j\right)={\mathrm{\θ}}_L+({\mathrm{\θ}}_H-{\mathrm{\θ}}_L)\frac{1}{1+\exp (-a_j{x}_j)}---\left(7\right)$

其中，N_j(0，1)表示零均值、单位方差的高斯随机变量。常数σ和N_j(0，1)共同产生了一个噪声输入分量n_j＝σN_j(0，1)，其概率分布为：

$p\left(n_j\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp \left(\frac{-n_j^2}{2{\mathrm{\σ}}^2}\right)---\left(8\right)$

由(2)式可知道，φ_j(x)是渐近线在θ_L和θ_H处的sigmoid函数。参数a_j控制sigmoid曲线的斜率，式噪声控制变量，当a_j由小变大时，可以完成从无噪声的确定性状态到二进制随机状态的平滑过渡。

CRBM采用最小化对比散度训练准则替代了仅靠Gibbs抽样的波尔兹曼机的松弛搜索，大大减少了计算量。最小化训练准则用来更新CRBM的权值{w_ij}以及“噪声控制”参数{a_i}：

$\mathrm{\&Delta;}{w}_{\mathrm{ij}}={\mathrm{\&eta;}}_w(<s_i{s}_j>-<{\hat{s}}_i{\hat{s}}_j>)---\left(9\right)$

$\mathrm{\&Delta;}{\hat{a}}_j=\frac{{\mathrm{\&eta;}}_a}{a_j^2}(<s_j^2>-<{\hat{s}}_j^2>)---\left(10\right)$

其中：

表示单元j的一步重构状态；

<·>表示训练数据的均值；

η_w是权值w的学习率。

式(4)和式(5)表明用CRBM进行预训练时只进行简单的加法和乘法，计算量不大，可以很容易的完成权值的更新过程。

步骤3.3：每个CRBM模型的输出神经元和下一个CRBM的输入神经元合并为一层，展开形成自编码神经网络；

步骤3.4：对权值进行微调。采用基于交叉熵(Cross Entropy)函数的BP算法进行网络训练，调整权值以使交叉熵函数达到最小；

步骤3.5：降维后的数据集组成的二维数组作为进行下一步数据处理的输入数据。

步骤4：用降维后的样本集对相关向量机回归模型进行训练，然后利用训练好的相关向量机回归模型对超短期的风电功率进行预测。步骤4包含下列步骤：

步骤4.1：将降维后的样本集的前30天的数据作为训练样本，并根据相关向量机训练样本的格式要求对输入数据进行格式化处理；

步骤4.2：选择高斯核函数作为相关向量机的核函数，对参数初始化；

步骤4.3：将预测时刻的前24小时的数据作为训练样本的输入数据，预测时刻的后两小时的风电功率作为输出数据，对相关向量机回归模型进行训练；

步骤4.4：在步骤4.3的基础上，利用训练好的相关向量机模型对未来2小时的风电功率进行预测。

根据步骤3的降维结果，x_i为第i个时刻降维后的数据。

RVM的模型输出定义为

$y(x,w)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{i}K(x,x_i)+w_0=\mathrm{\&Phi;w}---\left(11\right)$

式中：

x_i为观测向量；

w_i为模型的权值；

K(x，x_i)为核函数；

Φ为N×(N+1)阶矩阵。

训练样本集的似然函数可以表示为

$P\left(t\right|w,{\mathrm{\&sigma;}}^2)={\left(2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2\right)}^{-N/2}\exp (-\frac{1}{2{\mathrm{\&sigma;}}^2}{\left|\right|t-\mathrm{\&Phi;w}\left|\right|}^2)---\left(12\right)$

式中：

N为向量x_i的维数；

w为权值；

t为目标向量，t＝[t₁，t₂，…，t_N]^T；

σ²为高斯噪声的方差。

计算权值的后验概率分布为：

$p\left(w\right|t,\mathrm{\&alpha;},{\mathrm{\&sigma;}}^2)=\frac{p\left(t\right|w,{\mathrm{\&sigma;}}^2)p\left(w\right|\mathrm{\&alpha;})}{p\left(t\right|\mathrm{\&alpha;},{\mathrm{\&sigma;}}^2)}=N(\mathrm{\&mu;},\mathrm{\&Sigma;})---\left(13\right)$

式中：

α为决定权值矩阵w的先验分布的超参数，α＝[α₀，α₁，…，α_N]^T，每个超参数α_i对应一个权值w_i；

μ为权值后验统计量均值，μ＝σ²∑Φ^Tt；

∑为求和符号，∑＝(σ²Φ^TΦ+A)^-1，其中A＝diag(α₀，α₁，…，α_N)。

通过最大化超参数似然分布找到其最可能的值α_MP和

采用反复迭代估计法，对p(t|α，σ²)＝∫p(t|w，σ²)p(w|α)dw关于α求导，令其为零并对公式重排，得：

${\mathrm{\&alpha;}}_i^{\mathrm{new}}={\mathrm{\&gamma;}}_i/{\mathrm{\&mu;}}_i^2---\left(14\right)$

式中：

μ_i为权值w_i后验统计量均值，μ_i＝1-α_i∑_ii；

∑_ii为当前的α和σ²后验权值协方差矩阵的第i个对角元素。

同样对噪声方差σ²求导，得到更新法则：

(σ²)^new＝||t-∑μ||²/(N-∑_iγ_i)    (15)

学习算法反复计算(4)(5)式，同时更新μ和∑，知道满足某个合适的收敛条件。

建模过程可以概括为以下几步：

1.初始化α_i和σ²；

2.计算权值后验统计量均值μ和后验方差∑；

3.计算所有γ_i并重新估计α_i和σ²；

4.若收敛，到步骤5，不收敛则返回步骤2；

5.删除α_i→∞的权值和基函数，获得训练模型。

风电功率预测的过程中要用到大量的历史数据，这些数据在采集、传输、转换各个环节都有可能发生故障或受到干扰，导致数据异常，而且风速及功率这些数据变化幅度大，没有规律性，因此发明中用脊波变换进行数据的去噪处理。处理后的数据形成新的样本集，然后利用深度自动编码器网络进行降维，最后用相关向量机回归模型进行功率预测。本发明在确保预测精度的前提下，能够在低维度的样本数据上进行模型训练，降低了预测的训练时间开销。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种风电功率超短期预测方法，其特征是该方法包括以下步骤：

步骤1：采集风电场的风速、风向和风电功率数据，形成样本集；

步骤2：对样本集进行数据预处理；

步骤3：利用深度自动编码器网络对预处理后的样本集进行降维；

步骤4：用降维后的样本集对相关向量机回归模型进行训练，然后利用训练后的相关向量机回归模型对超短期的风电功率进行预测。

2.根据权利要求1所述的一种风电功率超短期预测方法，其特征是所述步骤2具体包括下列步骤：

步骤2.1：对采集的样本集应用有限脊波变换，得到脊波系数矩阵，对脊波系数矩阵的每列分别进行一维离散多尺度小波变换，得到有限脊波变换系数矩阵；

步骤2.2：对有限脊波变换系数矩阵的每一列进行小波自适应阈值去噪处理，低频子带系数不处理，对各高频子带系数进行软阈值处理；

步骤2.3：对处理后的有限脊波变换系数矩阵应用有限脊波反变换重构信号；

步骤2.4：对重构信号进行自适应维纳Wiener滤波，得到去噪后的样本集。

3.根据权利要求1所述的一种风电功率超短期预测方法，其特征是所述步骤3具体包括下列步骤：

步骤3.1：采用连续限制波耳兹曼机模型对去噪处理后的样本集进行预训练，得到一组独立的连续限制波耳兹曼机模型和一组权值；

步骤3.2：将每个连续限制波耳兹曼机模型的输出神经元和下一个连续限制波耳兹曼机模型的输入神经元合并为一层，展开形成深度自动编码器网络；

步骤3.3：对权值进行微调，采用基于交叉熵函数的BP算法进行网络训练，调整权值以使交叉熵函数达到最小，完成降维过程。

4.根据权利要求1所述的一种风电功率超短期预测方法，其特征是所述步骤4具体包括下列步骤：

步骤4.1：将降维后的样本集根据相关向量机输入的格式要求对样本集进行格式化处理；

步骤4.2：选择高斯核函数作为相关向量机模型的核函数，对核函数的参数初始化；

步骤4.3：用格式化处理后的样本集对相关向量机模型进行训练；

步骤4.4：在步骤4.3的基础上，利用训练好的相关向量机模型进行超短期的风电功率预测。

5.根据权利要求2所述的一种风电功率超短期预测方法，其特征是所述有限脊波变换的计算公式为：

${\mathrm{FRAT}}_f[k,l]=\frac{1}{\sqrt{p}}\underset{(a,b)\&Element;L_{k,l}}{\mathrm{\&Sigma;}}f(a,b)$

式中：

FRAT_f[k，l]是有限脊波变换系数矩阵；

p是系数矩阵的维数；

f(a，b)是离散数据信号；

a为横坐标；

b为纵坐标；

L_k，l表示网格Z_p ²上组成的以k为斜率、l为截距的直线的点的集合。

6.根据权利要求2所述的一种风电功率超短期预测方法，其特征是所述软阈值的计算公式为：

$T=\frac{{\mathrm{\&sigma;}}_n^2}{{\mathrm{\&sigma;}}_j^2},(j=\mathrm{0,1},\&CenterDot;\&CenterDot;\&CenterDot;,n)$

其中：

T为软阈值；

为估计噪声的方差；

为估计子带信号方差。

Images