一種風電功率爬坡事件概率場景預測方法
【專利摘要】本發(fā)明涉及一種風電功率爬坡事件概率場景預測方法，通過構(gòu)建計及累積密度函數(shù)和高階矩自相關函數(shù)的多目標適應度函數(shù)實現(xiàn)了分布特征一致性和時序特征一致性?；诙嗄繕诉m應度函數(shù)的遺傳算法對概率生成模型參數(shù)進行迭代尋優(yōu)，得到大量預測場景，并通過場景捕捉帶內(nèi)挖掘出的爬坡事件概率特征評價該預測方法。選取國外某風場實際數(shù)據(jù)進行算例計算和統(tǒng)計分析，結(jié)果表明多目標函數(shù)較單目標函數(shù)的統(tǒng)計結(jié)果更為精確，而且該概率場景預測方法可以較準確地估計出爬坡事件的特征量，證明了該方法的正確性，可為概率場景生成方法和爬坡事件預測模型提供指導。
【專利說明】一種風電功率爬坡事件概率場景預測方法
【技術(shù)領域】
[0001]本發(fā)明涉及一種風電功率的預測方法，尤其是涉及一種風電功率爬坡事件概率場景預測方法。
【背景技術(shù)】
[0002]風力發(fā)電的不確定性導致其并網(wǎng)過程中對電網(wǎng)的安全穩(wěn)定構(gòu)成威脅，甚至產(chǎn)生嚴重損失。風電功率在短時間內(nèi)出現(xiàn)較大幅度的上升或下降極易形成所謂的風電功率“爬坡事件”，風電功率爬坡事件在風電管理調(diào)度方面尤為重要，大幅度的風電出力變化需要通過調(diào)節(jié)電網(wǎng)中傳統(tǒng)發(fā)電機組出力來彌補，如使用電網(wǎng)輔助服務或者限制和削減風電出力的爬坡率，而這些措施對電網(wǎng)運行造成較大程度的損失。爬坡事件預測研究是解決這一問題的有效措施，有助于電網(wǎng)調(diào)度部門提前制定風電并網(wǎng)方案和輔助決策。
[0003]事實上國外學者早已將風電功率爬坡事件作為熱點問題來研究，尤其是以斯坦福大學Sevlian博士和新南威爾士大學Cutler博士為代表,將該問題推向新的研究高度。Sevlian定義了一種與任一爬坡事件定義相關聯(lián)的記分函數(shù)族,通過動態(tài)規(guī)劃遞歸算法遍歷所有發(fā)生的爬坡事件，從而建立新的概率統(tǒng)計模型描述爬坡事件各相關特征，為爬坡事件的預測研究提供理論依據(jù)和挖掘算法；Culter首次從工程應用角度預測爬坡事件，評估了 WPPT(Wind Power Prediction Tool)和MesoLAPS(Mesoscale Limited Area PredictionSystem)系統(tǒng)預測爬坡事件的能力，認為該事件屬于風電交易和電網(wǎng)運營管理中的突發(fā)事件。
[0004]與之相反，國內(nèi)對風電功率爬坡事件的研究處于剛剛起步的階段。東南大學的王穎等人按照國家風電并網(wǎng)標準提出一種新的爬坡事件數(shù)學表達式，結(jié)合風儲聯(lián)合優(yōu)化控制和風電功率預測數(shù)據(jù)抑制爬坡事件的發(fā)生，但關于真正預測爬坡事件的研究較少涉及；山東大學的戚永志等人提出采用預防控制、爬坡控制和恢復控制的爬坡事件有限度控制基本框架，但側(cè)重于爬坡控制方法研究，對預測控制的初步探索使得該文未能確定預防控制的最佳降出力額度和方法。

【發(fā)明內(nèi)容】

[0005]本發(fā)明主要是解決現(xiàn)有技術(shù)所存在的技術(shù)問題；提供了一種能夠有效生成爬坡事件預測場景，挖掘場景內(nèi)的爬坡事件，能較準確地估計爬坡事件的特征量，具有實用性和魯棒性的一種風電功率爬坡事件概率場景預測方法。
[0006]本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的:
[0007]—種風電功率爬坡事件概率場景預測方法，其特征在于:包括以下步驟，
[0008]步驟1，采用人工神經(jīng)網(wǎng)絡生成風電功率的概率生成模型，即將若干個當前時刻和歷史時刻的風電功率數(shù)據(jù)和一個下一時刻的風電功率值作為模型輸入變量，將下一時刻某個風電功率值出現(xiàn)的概率作為模型輸出變量，建立人工神經(jīng)網(wǎng)絡概率生成模型；
[0009]步驟2，基于步驟I所建立的概率生成模型，采用改進的遺傳算法求解模型參數(shù)，首先在該模型的基礎上根據(jù)輸入輸出參數(shù)個數(shù)確定遺傳算法個體的長度，個體通過多目標適應度函數(shù)(包括累積密度函數(shù)適應度值和高階矩自相關函數(shù)適應度值)計算個體適應度值，進而通過選擇、交叉和變異操作找到最優(yōu)適應度值對應的個體，最終確定模型的最優(yōu)參數(shù)；
[0010]步驟3，基于步驟I所建立的概率生成模型和步驟2求解出的模型參數(shù)，采樣得到足夠多的預測場景和場景捕捉帶，使用爬坡事件挖掘算法得到特征量的所有場景預測值并進行統(tǒng)計分析，即得到爬坡事件特征量的預測估計值。
[0011]本發(fā)明使用基于多目標適應度函數(shù)的改進遺傳算法對模型參數(shù)進行尋優(yōu)，構(gòu)建計及累積密度函數(shù)和高階矩自相關函數(shù)的多目標適應度函數(shù)，采用累積密度函數(shù)表征預測值與實際值的分布特征一致性，高階矩自相關函數(shù)表征預測值與實際值的時序特征一致性，從而生成大量的概率場景，采用預測場景內(nèi)挖掘出的爬坡事件概率特征評價預測模型。
[0012]在上述風電功率爬坡事件場景預測方法，所述的步驟I包括以下子步驟，設當前時刻為t，輸入變量X包含有n+1個輸入量，其中η個當前時刻(t時刻)和歷史風電功率數(shù)據(jù)(t-Ι時刻，…，t-n+2時刻和t-η+Ι時刻)，I個下一時刻(t+Ι時刻)可能的風電功率
值；輸出變量O為下一時刻第m個風電功率值出現(xiàn)的概率Rf, ;
[0013]步驟1.1，網(wǎng)絡初始化。根據(jù)系統(tǒng)輸入輸出序列
(XI O)=(及?+1,X;_?+2^+ u? I P、',?)確定網(wǎng)絡輸入層節(jié)點數(shù)n+1個，隱含層節(jié)
點數(shù)I個，輸出層節(jié)點數(shù)I個，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值參數(shù)Oij和，初始化隱含層閾值參數(shù)α和輸出層閾值參數(shù)β，給定學習速率和神經(jīng)元激勵函數(shù)；
[0014]步驟1.2，隱含層輸出計算。根據(jù)輸入變量X，輸入層和隱含層間連接權(quán)值Coij以及隱含層閾值參數(shù)α，計算隱含層輸出H ；
【權(quán)利要求】
1.一種風電功率爬坡事件概率場景預測方法，其特征在于:包括以下步驟， 步驟1，采用人工神經(jīng)網(wǎng)絡生成風電功率的概率生成模型，即將若干個當前時刻和歷史時刻的風電功率數(shù)據(jù)和一個下一時刻的風電功率值作為模型輸入變量，將下一時刻某個風電功率值出現(xiàn)的概率作為模型輸出變量，建立人工神經(jīng)網(wǎng)絡概率生成模型； 步驟2，基于步驟I所建立的概率生成模型，采用改進的遺傳算法求解模型參數(shù)，首先在該模型的基礎上根據(jù)輸入輸出參數(shù)個數(shù)確定遺傳算法個體的長度，個體通過多目標適應度函數(shù)計算個體適應度值，進而通過選擇、交叉和變異操作找到最優(yōu)適應度值對應的個體，最終確定模型的最優(yōu)參數(shù)； 步驟3，基于步驟I所建立的概率生成模型和步驟2求解出的模型參數(shù)，采樣得到足夠多的預測場景和場景捕捉帶，使用爬坡事件挖掘算法得到特征量的所有場景預測值并進行統(tǒng)計分析，即得到爬坡事件特征量的預測估計值。
2.根據(jù)權(quán)利要求1所述風電功率爬坡事件場景預測方法，其特征在于:所述的步驟I基于以下定義:當前時刻為t，輸入變量X包含有n+1個輸入量，其中η個當前時刻和歷史風電功率數(shù)據(jù)，一個下一時刻的風電功率值；輸出變量O為下一時刻第m個風電功率值出現(xiàn)的概率AuJ包括以下子步驟: 步驟1.1，網(wǎng)絡初始化:即根據(jù)系統(tǒng)輸入輸出序列(XI O) = (Z,—?+1, Z,_?+2,…，I P、m )確定網(wǎng)絡輸入層節(jié)點數(shù)η+1個，隱含層節(jié)點數(shù)I個，輸出層節(jié)點數(shù)I個，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值參數(shù)Oij和，初始化隱含層閾值參數(shù)α和輸出層閾值參數(shù)β，給定學習速率和神經(jīng)元激勵函數(shù)； 步驟1.2，隱含層輸出計算:根據(jù)輸入變量X，輸入層和隱含層間連接權(quán)值以及隱含層閾值參數(shù)α，計算隱含層輸出H，基于以下公式:
3.根據(jù)權(quán)利要求2所述風電功率爬坡事件概率場景預測方法，其特征在于:所述步驟2包括以下子步驟， 步驟2.1，種群初始化，在人工神經(jīng)網(wǎng)絡概率生成模型的基礎上根據(jù)輸入輸出參數(shù)個數(shù)確定遺傳算法個體的長度，每個個體均為一個實數(shù)串，即采用實數(shù)編碼方法，個體由輸入層與隱含層的連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值參數(shù)4部分組成；一個個體包含了人工神經(jīng)網(wǎng)絡全部權(quán)值和閾值參數(shù)，且對應于一個確定的ANN概率生成模型； 步驟2.2，構(gòu)建一組多目標適應度值，并使用遺傳算法反復迭代計算直到迭代得到滿足閾值要求的最小適應度值后得到最優(yōu)解，具體包括以下子步驟: 步驟2.2.1，構(gòu)建累積密度函數(shù)適應度值F1，建立預測輸出⑶F曲線和期望輸出⑶F曲線之間的誤差絕對值作為個體⑶F適應度值，由步驟I得到的第m個風電功率采樣值對應的概率值Pm，逆向使用拉丁超立方分層采樣法可以得到隨機變量的整體累積分布:即:
4.根據(jù)權(quán)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，采樣得到一組足夠長度的隨機數(shù)列，作為一個場景，重復該場景生成過程足夠多，定義為一萬次，形成概率場景捕捉帶； 步驟3.2，根據(jù)步驟3.1形成的概率場景捕捉帶，利用爬坡事件挖掘算法，求取爬坡時間特征 量的預測估計值。
【文檔編號】G06Q50/06GK103955779SQ201410221495
【公開日】2014年7月30日 申請日期:2014年5月23日 優(yōu)先權(quán)日:2014年5月23日
【發(fā)明者】崔明建, 柯德平, 甘迪, 孫元章 申請人:武漢大學