CN111950763B - 一种分布式风力发电站输出功率的预测方法 - Google Patents

Abstract

本发明提出了一种分布式风力发电站输出功率的预测方法。本发明将分布式风力发电站的发电功率解析为三部分：局域风力发电阵列的等效发电功率模型，以及两类不同的描述等效风力发电阵列发电功率随机性的动态模型。本发明选择了卷积神经网络来对从局域风场分布到风力发电阵列等效发电功率的映射进行建模，并使用粗糙路径理论驱动的随机微分方程以及点过程驱动的随机微分方程对这一预测模型难以描述的随机风力发电出力波动进行建模，三者结合后得到一种精确的分布式风力发电站输出功率模型。

Description

一种分布式风力发电站输出功率的预测方法

技术领域

本发明涉及发电站技术领域，具体是一种分布式风力发电站输出功率的预测方法。

背景技术

在当下的电网系统中，不论是针对大电网还是微电网，分布式可在生能源输出功率的预测一直是一个热门的话题。对于风力资源较为丰富的地区，风力发电站功率输出的精准预测和建模对于提升可再生能源的利用水平，减少环境污染和碳排放具有重要意义。对于地势平坦且风力资源分布较为均匀的地区，风力发电站通常会集中部署大量的风力发电机阵列进行发电。这种情况下的风力发电站输出功率预测往往会比较容易。但是对于地势起伏较大，且风力资源区域分布差异较大的地区，风力发电站的建设往往会采用分布式部署的模式，这不仅给风力发电站的输出功率预测带来了一定的挑战，同时也使得风力发电站输出功率中包含的随机性大大增强。本发明针对这种情况针对性地提出了一种新型的分布式风力发电站发电功率的预测方法，以满足推广可再生能源部署和利用的需求。

假设本发明考虑的分布式风力发电站的风力发电机被部署在几个不同的子区域中，并且每个子区域内的风力和风向的分布的差异在某一给定的阈值之下。按照上述假设，对于部署在同一个子区域内的风力发电机，其输出功率的变化将主要由该子区域的平均风力和风向分布决定。换言之，在每一时刻，应当存在一个从给定子区域内历史风力和风向分布到该区域内风力发电机阵列平均输出功率的映射。在正常情况下，风力发电机的发电功率基本只受到风力和风向的影响，本发明可以合理假设上述映射关系并不随时间变化。因此，采用神经网络技术对这一映射关系进行学习是完全可行的。值得注意的是，本发明并没有对各个子区域内部的风力发电机的朝向做出任何假设。首先，每个子区域内部风力发电机朝向对该区域风力发电功率输出的影响可以直接通过神经网络技术基于历史发电数据进行学习。其次，风力发电机发电功率的随机波动来源于该子区域内极小范围的风力和风向的随机变化，因此在对风力发电机发电功率的随机波动进行建模时，其朝向并不需要考虑在内。根据上述分析，本专利提出一种新型的结合神经网络预测模型和随机过程模型的分布式风力发电站输出功率模型。

目前人工智能发展迅速，已经有文献使用神经网络对光伏发电功率进行建模。在已有文献中，多层感知器被用来拟合各类天气信息和光伏总体发电趋势。然而，目前鲜有见到将卷积神经网络用来对分布式风力发电站输出功率进行建模。

针对风力发电站建模方法，传统文献使用线性常微分方程。但线性常微分方程有一定的缺陷，即它无法描述分布式风力发电站输出功率在很短时间内的随机波动，另外这么做也有较大的建模误差。因此，近年来有文献采用随机系统来表达分布式风力发电站发电功率变化，包括使用被布朗运动驱动的随机微分方程。但是单独使用随机微分方程也有一定的短板，即它无法模拟分布式风力发电站在中长期的功率变化，因此随机微分方程更适合被用来对分布式风力发电站发电功率在短期内的随机波动进行建模。

随机微分方程的种类有很多。其中典型的一种为维纳过程驱动的随机微分方程。除此之外，有一种比维纳过程驱动的随机微分方程功能更加强大的叫做粗糙路径理论驱动的随机微分方程，它也被称为粗糙微分方程，由英国数学家Terry Lyons在1994年提出。目前粗糙微分方程在实际生活中的应用比较局限，主要包括金融领域和随机分析。粗糙路径理论由于其可以模拟一系列波动异常剧烈的随机变量而比维纳过程理论更加复杂。另外，还有一种非常合适用来模拟动态跳跃的随机过程，叫做点过程驱动的随机微分方程。这类跳跃过程很适合用来表达子区域内部小范围的风力和风向分布突变给分布式风力发电站输出端功率带来的跳跃式波动。目前而言，鲜有见到将粗糙微分方程和点过程运用到分布式风力发电站输出功率预测的文献和资料。

发明内容

本发明的目的在于提供一种分布式风力发电站输出功率的预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种分布式风力发电站输出功率的预测方法，包含以下步骤：

A、初步建模，分布式风力发电站发电功率是各个子区域风力发电机阵列发电功率的总和，设分布式风力发电站子区域数量为N，在给定时刻t，记该分布式风力发电站总的发电功率为P_L(t)，并记子区域i，i＝1，2，...，N的风力发电机阵列发电功率为P_L，i(t)，提出以下分布式风力发电站发电功率模型

P_L，i(t)＝P_Lp，i(t)+P_Le，i(t)+P_N，i(t)#(2)，

其中P_Lp，i(t)为子区域i的风力发电机阵列的期望发电功率，P_Le，i(t)是用粗糙微分方程模拟的子区域i的风力发电机阵列的小幅度随机波动部分，P_N，i(t)是用点过程模拟的子区域i的风力发电机阵列的大幅度随机波动部分，

B、针对P_Lp，i(t)进行建模：采用滑动平均的方法对数据进行平滑化处理，以减少其中包含的随机波动，对子区域i，平滑化后的风力发电机阵列发电功率记为使用当地的天气数据来对分布式风力发电站发电功率进行预测，使用平滑化的分布式风力发电站发电功率/>作为风力发电机阵列期望发电功率数据P_Lp，i(t)的预测目标值用于生成预测模型，使用卷积神经网络来拟合子区域i的历史的风场分布和P_Lp，i(t)之间的关系，通过计算/>和不同时段的风场分布数据之间的皮尔逊积矩相关系数来衡量历史风场分布数据和/>之间的相关性，此处定义R为皮尔逊积矩相关系数，使用X表示/>使用Y表示某一种天气信息，包括温度，湿度，大气压强，风速，云量，降水概率，假设有N组X和Y的数据，它们的相关系数R的定义如式(2)所示，式中的/>和/>分别表示N组X和Y的均值

C、针对P_Le，i(t)进行建模：对子区域i，本发明使用粗糙路径理论驱动的随机微分方程来描述其风力发电机阵列发电功率小幅度随机波动，即

dP_Le，i(t)＝μ_iP_Le，i(t)dt+σ_idR(t)#(4)，

其中的R(t)为粗糙路径，μ_i和σ_i为系统参数，根据实际随机波动分布式风力发电站发电功率功率数据测量得到一系列可能的系统参数数组，即{μ_ik，σ_ik}，其中k＝1，2，...，N，即N组可能的参数数值，通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_i和σ_i，可以得到(4)的解，即P_Le，i(t)的值，

D、针对P_N，i(t)进行建模：对子区域i，使用点过程驱动的随机微分方程来模拟其风力发电机阵列发电功率大幅度随机波动，即

dP_N，i(t)＝μ_jP_Le，i(t)dt+σ_jdN_i(t)#(5)，

其中N_i(t)为点过程，μ_j和σ_j为系统参数，根据实际跳跃性分布式风力发电站发电功率数据测量得到一系列可能的系统参数数组，即{μ_jk，σ_jk}，其中k＝1，2，...，N，即N组可能的参数数值。通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_j和σ_j，可以得到(5)的解，即P_N，i(t)的值。

作为本发明的进一步技术方案：所述步骤B中，根据对应的时刻t，分别计算时刻t之前的历史风场分布数据和/>的相关系数R，根据其相关系数绝对值大小和实际的相关性分析选择合适时间范围截取历史风场分布数据序列作为输入卷积神经网络的风场分布特征，/>为该神经网络输出的目标值构建对风力发电机阵列发电功率的预测模型，通过使用梯度下降法对该神经网络进行训练，最终得到P_LP，i(t)模型。

与现有技术相比，本发明的有益效果是：1，本发明使用卷积神经网络来建立预测模型，运用具有优秀非线性拟合能力的神经网络使得针对分布式风力发电站发电功率总体趋势预测结果更为可靠。2，本发明使用粗糙路径理论驱动的随机微分方程考虑预测中的部分误差，充分考虑了实际分布式风力发电站发电功率变化的剧烈随机性和模糊性，使建模精确度大幅提高。3，本发明使用点过程驱动的随机微分方程考虑预测中的部分误差，巧妙准确地模拟了内部小范围的风力和风向分布突变给分布式风力发电站输出端功率带来的跳跃式波动，使建模精度进一步提高。4，本发明结合了神经网络，粗糙路径理论驱动的随机微分方程，和点过程驱动的随机微分方程，三个工具来综合建模分布式风力发电站发电功率，方法具有一定前瞻性和创新型，总体建模结果相对传统手段而言更加精确。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种分布式风力发电站输出功率的预测方法，包含以下步骤：

步骤1，初步建模。

本文研究的分布式风力发电站发电功率是各个子区域风力发电机阵列发电功率的总和，设分布式风力发电站子区域数量为N，在给定时刻t，记该分布式风力发电站总的发电功率为P_L(t)。并记子区域i，i＝1，2，...，N的风力发电机阵列发电功率为P_L，i(t)。我们提出以下分布式风力发电站发电功率模型

P_L，i(t)＝P_Lp，i(t)+P_Le，i(t)+P_N，i(t)#(2)

其中P_Lp，i(t)为子区域i的风力发电机阵列的期望发电功率，P_Le，i(t)是用粗糙微分方程模拟的子区域i的风力发电机阵列的小幅度随机波动部分，P_N，i(t)是用点过程模拟的子区域i的风力发电机阵列的大幅度随机波动部分。

为了获得P_L(t)，我们只要分别获得P_Lp，i(t)，P_Le，i(t)和P_N，i(t)的模型。

步骤2，针对P_Lp，i(t)进行建模。

受到风场分布的影响，实际的风力发电机阵列的发电功率变化包含大量的随机噪声，这些噪声的存在会对我们对其期望发电功率的变化规律的建模产生负面的影响，因此需要设法减弱原始的风力发电机阵列发电功率数据中的噪声，保留下反映其大体变化趋势的主体部分。

本发明中，我们采用滑动平均(moving average)的方法对数据进行平滑化处理，以减少其中包含的随机波动。对子区域i，平滑化后的风力发电机阵列发电功率记为我们使用当地的天气数据来对分布式风力发电站发电功率进行预测，为了提高预测结果的可靠性，我们使用平滑化的分布式风力发电站发电功率/>作为风力发电机阵列期望发电功率数据P_Lp，i(t)的预测目标值用于生成预测模型。

本发明使用卷积神经网络来拟合子区域i的历史的风场分布和P_Lp，i(t)之间的关系。为了找出和风力发电机阵列发电功率变化和有较强关联性的风场分布数据序列，参考文献[1]在关于光伏电站发电功率预测的研究中的做法，我们通过计算和不同时段的风场分布数据之间的皮尔逊积矩相关系数(Pearson product-moment correlationcoefficient)来衡量历史风场分布数据和/>之间的相关性。

此处定义R为皮尔逊积矩相关系数。为了书写简便，我们使用X表示使用Y表示某一种天气信息，包括温度，湿度，大气压强，风速，云量，降水概率。假设有N组X和Y的数据，它们的相关系数R的定义如式(2)所示，式中的/>和/>分别表示N组X和Y的均值。

根拆对应的时刻t，分别计算时刻t之前的历史风场分布数据和/>的相关系数R，根据其相关系数绝对值大小和实际的相关性分析选择合适时间范围截取历史风场分布数据序列作为输入卷积神经网络的风场分布特征，/>为该神经网络输出的目标值构建对风力发电机阵列发电功率的预测模型。我们通过使用梯度下降法对该神经网络进行训练，最终得到了具有良好预测效果的模型。至此，我们得到了P_LP，i(t)的模型。

步骤3，针对P_Le，i(t)进行建模。

对子区域i，本发明使用粗糙路径理论(rough path theory)驱动的随机微分方程(stochastic differential equation)来描述其风力发电机阵列发电功率小幅度随机波动，即

dP_Le，i(t)＝μ_iP_Le，i(t)dt+σ_idR(t)#(4)

式(4)也称为粗糙微分方程(rough differential equation)，其中的R(t)为粗糙路径。μ_i和σ_i为系统参数。根据[2]中的方法，根据实际随机波动分布式风力发电站发电功率功率数据测量得到一系列可能的系统参数数组，即{μ_ik，σ_ik}，其中k＝1，2，...，N，即N组可能的参数数值。通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_i和σ_i。根据[2]，可以得到(4)的解，即P_Le，i(t)的值。

至此，我们得到了风力发电机阵列发电功率由粗糙微分方程模拟的P_Le，i(t)的模型。

步骤4，针对P_N，i(t)进行建模。

对子区域i，本发明使用点过程(Point Process)驱动的随机微分方程来模拟其风力发电机阵列发电功率大幅度随机波动，即

dP_N，i(t)＝μ_jP_Le，i(t)dt+σ_jdN_i(t)#(5)

式(5)中的N_i(t)为点过程，也称为跳跃过程(Jump diffusion)。μ_j和σ_j为系统参数，根据(3)中的方法，根据实际跳跃性分布式风力发电站发电功率数据测量得到一系列可能的系统参数数组，即{μ_jk，σ_jk}，其中k＝1，2，...，N，即N组可能的参数数值。通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_j和σ_j。根据[3]，可以得到(5)的解，即P_N，i(t)的值。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

参考文献[1]

[1]Zhu，H.，Li，X.，Sun，Q.，et al.：A power prediction method forphotovoltaic power plant based on wavelet decomposition and artificial neuralnetworks.Energies，vol.9，no.1，pp.11，2015。

参考文献[2]

[2]Hu，Y.，Multiple integrals and expansion of solutions ofdifferential equations driven by rough paths and by fractional Brownianmotions，Stochastics An International Journal of Probability&StochasticProcesses，2013，vol.85，no.5，pp.859-916。

Claims (2)

1.一种分布式风力发电站输出功率的预测方法，其特征在于，包含以下步骤：

A、初步建模，分布式风力发电站发电功率是各个子区域风力发电机阵列发电功率的总和，设分布式风力发电站子区域数量为N在给定时刻t，记该分布式风力发电站总的发电功率为P_L(t)，并记子区域i，i＝1，2，...，N的风力发电机阵列发电功率为P_L，i(t)，提出以下分布式风力发电站发电功率模型

P_L，i(t)＝P_Lp，i(t)+P_Le，i(t)+P_N，i(t)# (2)，

其中P_Lp，i(t)为子区域i的风力发电机阵列的期望发电功率，P_Le，i(t)是用粗糙微分方程模拟的子区域i的风力发电机阵列的小幅度随机波动部分，P_N，i(t)是用点过程模拟的子区域i的风力发电机阵列的大幅度随机波动部分，

B、针对P_Lp，i(t)进行建模：采用滑动平均的方法对数据进行平滑化处理，以减少其中包含的随机波动，对子区域i，平滑化后的风力发电机阵列发电功率记为使用当地的天气数据来对分布式风力发电站发电功率进行预测，使用平滑化的分布式风力发电站发电功率/>作为风力发电机阵列期望发电功率数据P_Lp，i(t)的预测目标值用于生成预测模型，使用卷积神经网络来拟合子区域i的历史的风场分布和P_Lp，i(t)之间的关系，通过计算和不同时段的风场分布数据之间的皮尔逊积矩相关系数来衡量历史风场分布数据和/>之间的相关性，此处定义R为皮尔逊积矩相关系数，使用X表示/>使用Y表示某一种天气信息，包括温度，湿度，大气压强，风速，云量，降水概率，假设有N细X和Y的数据，它们的相关系数R的定义如式(2)所示，式中的/>和/>分别表示N组X和Y的均值

C、针对P_Le，i(t)进行建模：对子区域i，使用粗糙路径理论驱动的随机微分方程来描述其风力发电机阵列发电功率小幅度随机波动，即

dP_Le，i(t)＝μ_iP_Le，i(t)dt+σ_idR(t)# (4)，其中的R(t)为粗糙路径，μ_i和σ_i为系统参数，根据实际随机波动分布式风力发电站发电功率功率数据测量得到一系列可能的系统参数数组，即{μ_ik，σ_ik}，其中k＝1，2，...，N，即N组可能的参数数值，通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_i和σ_i，可以得到(4)的解，即P_Le，i(t)的值，

D、针对P_N，i(t)进行建模：对子区域i，使用点过程驱动的随机微分方程来模拟其风力发电机阵列发电功率大幅度随机波动，即

dP_N，i(t)＝μ_jP_Le，i(t)dt+σ_jdN_i(t)# (5)，

其中N_i(t)为点过程，μ_j和σ_j为系统参数，根据实际跳跃性分布式风力发电站发电功率数据测量得到一系列可能的系统参数数组，即{μ_jk，σ_jk}，其中k＝1，2，...，N，即N组可能的参数数值；通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_j和σ_j，可以得到(5)的解，即P_N，i(t)的值。

2.根据权利要求1所述的一种分布式风力发申站输出功率的预测方法，其特征在于，所述步骤B中，根据对应的时刻t，分别计算时刻t之前的历史风场分布数据和/>的相关系数R，根据其相关系数绝对值大小和实际的相关性分析选择合适时间范围截取历史风场分布数据序列作为输入卷积神经网络的风场分布特征，/>为该神经网络输出的目标值构建对风力发电机阵列发电功率的预测模型，通过使用梯度下降法对该神经网络进行训练，最终得到P_LP，i(t)模型。