基于小樣本集的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法

魏國(guó)清, 黃良毅, 楊蘋，鄒澍

(1. 海南電網(wǎng)公司系統(tǒng)運(yùn)行部,海口市 510080；2.風(fēng)電控制與并網(wǎng)技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室(華南理工大學(xué)),廣州市 510641)

基于小樣本集的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法

魏國(guó)清1, 黃良毅1, 楊蘋2，鄒澍2

(1. 海南電網(wǎng)公司系統(tǒng)運(yùn)行部,海口市 510080；2.風(fēng)電控制與并網(wǎng)技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室(華南理工大學(xué)),廣州市 510641)

風(fēng)電功率預(yù)測(cè)多采用統(tǒng)計(jì)預(yù)測(cè)模型，為了達(dá)到可接受的預(yù)測(cè)精度，需要大量的歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，不適用于缺少歷史數(shù)據(jù)的新建風(fēng)電場(chǎng)，為此提出基于小樣本集的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法?；陲L(fēng)電場(chǎng)少量的歷史數(shù)據(jù)，運(yùn)用支持向量機(jī)方法建立了網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)通用模型，并用此通用模型對(duì)風(fēng)電場(chǎng)功率進(jìn)行初步預(yù)測(cè)；在通用模型預(yù)測(cè)的基礎(chǔ)上，利用區(qū)域內(nèi)風(fēng)電場(chǎng)的特征參數(shù)對(duì)這一網(wǎng)側(cè)通用模型進(jìn)行辨識(shí)和修正，從而得到區(qū)域電網(wǎng)網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)結(jié)果。實(shí)際算例驗(yàn)證了基于小樣本集的預(yù)測(cè)方法的可行性，實(shí)際預(yù)測(cè)精度較好，說明該方法適于歷史數(shù)據(jù)樣本較小的風(fēng)電場(chǎng)的功率預(yù)測(cè)，能夠減少功率預(yù)測(cè)中統(tǒng)計(jì)預(yù)測(cè)方法對(duì)數(shù)據(jù)的依賴。

風(fēng)電功率預(yù)測(cè)；網(wǎng)側(cè)；小樣本集；支持向量機(jī)；通用模型

0 引 言

隨著生態(tài)環(huán)境的日益惡化，風(fēng)電等綠色能源受到了越來越多的關(guān)注。近年來，我國(guó)風(fēng)電裝機(jī)容量增長(zhǎng)迅速[1]，與此同時(shí)風(fēng)電功率的隨機(jī)性、波動(dòng)性帶來的并網(wǎng)問題愈發(fā)凸顯[2]，需要對(duì)區(qū)域電網(wǎng)內(nèi)的風(fēng)電場(chǎng)進(jìn)行高精度的風(fēng)電功率預(yù)測(cè)，以便將風(fēng)電納入電網(wǎng)調(diào)度計(jì)劃中，提高電網(wǎng)對(duì)風(fēng)電的消納能力。

網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)是針對(duì)區(qū)域電網(wǎng)內(nèi)的所有風(fēng)電場(chǎng)進(jìn)行風(fēng)電功率預(yù)測(cè)，目前較常見的做法是：若區(qū)域電網(wǎng)內(nèi)的風(fēng)電場(chǎng)彼此地理位置靠近，則對(duì)整個(gè)區(qū)域進(jìn)行預(yù)測(cè)；若區(qū)域電網(wǎng)內(nèi)的風(fēng)電場(chǎng)地理位置相距較遠(yuǎn)，則分別進(jìn)行預(yù)測(cè)，再求和。無論是整體預(yù)測(cè)，還是分別預(yù)測(cè)再求和，都需要建立網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)模型。按照預(yù)測(cè)方法分類，網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)模型主要有統(tǒng)計(jì)模型和物理模型[3]。統(tǒng)計(jì)模型采用一定的統(tǒng)計(jì)方法，通過大量風(fēng)電場(chǎng)歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，建立輸入數(shù)據(jù)與風(fēng)電功率的映射關(guān)系，從而對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)。統(tǒng)計(jì)模型主要方法為：時(shí)間序列、人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯等方法[4-12]。統(tǒng)計(jì)方法的模型不是直接建立風(fēng)速與功率的物理關(guān)系，而是試圖找出數(shù)據(jù)之間的映射關(guān)系，需要對(duì)大量的歷史數(shù)據(jù)進(jìn)行識(shí)別、擬合、訓(xùn)練，才能達(dá)到一定的精度。物理模型則主要依賴于風(fēng)電場(chǎng)的地形、地貌與高精度的數(shù)值天氣預(yù)報(bào)[13-14]，具體建立物理模型時(shí)，需要從數(shù)值天氣預(yù)報(bào)中的風(fēng)速、風(fēng)向等數(shù)據(jù)出發(fā)，考慮風(fēng)電場(chǎng)及其周圍的地理信息(包括地形，地表粗糙度等)轉(zhuǎn)化到風(fēng)機(jī)輪轂高度的風(fēng)速、風(fēng)向，再由風(fēng)機(jī)功率曲線得到預(yù)測(cè)功率值。物理模型不需要風(fēng)電場(chǎng)歷史數(shù)據(jù)，但模型輸入數(shù)據(jù)多，模型建立的過程十分復(fù)雜。

從目前我國(guó)風(fēng)電發(fā)展水平來看，建立網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)的物理模型代價(jià)太大，應(yīng)根據(jù)區(qū)域電網(wǎng)內(nèi)風(fēng)電場(chǎng)的實(shí)際情況，建立實(shí)用化的統(tǒng)計(jì)預(yù)測(cè)模型。針對(duì)區(qū)域電網(wǎng)內(nèi)的風(fēng)電場(chǎng)缺少大量歷史數(shù)據(jù)的情況，本文提出基于小樣本集的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法，期望通過少量的風(fēng)電場(chǎng)歷史數(shù)據(jù)，對(duì)區(qū)域電網(wǎng)內(nèi)的風(fēng)電場(chǎng)進(jìn)行高精度的風(fēng)電功率預(yù)測(cè)，為提升電網(wǎng)消納風(fēng)電的能力提供支持。

1 網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)通用模型

常見的風(fēng)電功率預(yù)測(cè)統(tǒng)計(jì)模型是采用歷史數(shù)據(jù)進(jìn)行訓(xùn)練直接得到的，這需要足夠的歷史數(shù)據(jù)支撐。為應(yīng)對(duì)歷史數(shù)據(jù)不足的情況，本文先用典型風(fēng)電場(chǎng)的歷史數(shù)據(jù)采用支持向量機(jī)回歸法建立網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)通用模型，是后續(xù)小數(shù)據(jù)集修正的基礎(chǔ)。

1.1 輸入矢量

模型用高精度數(shù)值天氣預(yù)報(bào)作為輸入(輸入特征矢量、風(fēng)速、風(fēng)向正弦、風(fēng)向余弦、相對(duì)濕度、溫度)，風(fēng)電場(chǎng)輸出功率作為輸出。具體輸入的特征矢量有：氣壓為85，925，100 kPa這3層的風(fēng)速、風(fēng)向余弦、風(fēng)向正弦、相對(duì)濕度、溫度。

樣本選擇的原則為：(1)樣本平均分布在各個(gè)月份；(2)樣本輸出也就是風(fēng)電場(chǎng)輸出功率平均分布在各個(gè)功率段；(3)考慮到實(shí)際風(fēng)電場(chǎng)可能限電，樣本中去除了限電時(shí)段對(duì)應(yīng)的樣本。

1.2 支持向量機(jī)

相對(duì)于神經(jīng)網(wǎng)絡(luò)等常用統(tǒng)計(jì)方法，支持向量機(jī)的優(yōu)勢(shì)在于：能夠有效地避免局部極小值問題，同時(shí)模型參數(shù)的確定只依賴少量的支持向量，能較好地利用有限樣本進(jìn)行建模。

建立基于支持向量機(jī)回歸的風(fēng)電功率預(yù)測(cè)模型，首先要構(gòu)造支持向量機(jī)。針對(duì)風(fēng)電場(chǎng)功率預(yù)測(cè)問題，需要建立支持向量回歸機(jī)算法。為了便于說明，設(shè)風(fēng)電場(chǎng)功率預(yù)測(cè)的訓(xùn)練集為T={(x1,y1),…, (xl,yl)} ,其中(xi,yi)構(gòu)成一個(gè)訓(xùn)練樣本，xi為十五維的向量，yi為一維向量。

為了推斷出訓(xùn)練集中映射關(guān)系y=f(x)，構(gòu)造損失函數(shù)c(x,y,f(x))[15]，在特征空間中，引入損失函數(shù)的支持向量機(jī)表示如下優(yōu)化問題：

(1)

(2)

直接對(duì)式(1)求解比較困難，根據(jù)最優(yōu)化原問題與對(duì)偶問題等價(jià)理論，可將上式轉(zhuǎn)換為其對(duì)偶問題進(jìn)行求解：

(3)

(4)

(5)

(6)

其中

(7)

(8)

2 網(wǎng)側(cè)風(fēng)電功率短期預(yù)測(cè)模型

為了得到網(wǎng)側(cè)風(fēng)電場(chǎng)短期預(yù)測(cè)模型，需要在通用模型的基礎(chǔ)上，應(yīng)用區(qū)域內(nèi)風(fēng)電場(chǎng)的特征參數(shù)對(duì)其進(jìn)行修正。對(duì)通用模型的修正過程為：獲取風(fēng)電場(chǎng)實(shí)時(shí)測(cè)風(fēng)塔風(fēng)速、風(fēng)向、溫度、濕度等數(shù)據(jù)，建立修正后功率與通用模型預(yù)測(cè)結(jié)果之間的對(duì)應(yīng)關(guān)系。實(shí)際風(fēng)電場(chǎng)出力常常和風(fēng)電場(chǎng)的地形、地表粗糙度、風(fēng)機(jī)的排列導(dǎo)致的尾流相關(guān)。

2.1 向量相似度評(píng)估

評(píng)估2個(gè)向量之間的相似性有很多方法，比如：向量歐氏距離、曼哈頓距離、向量余弦相似度等。本文采用向量相似性評(píng)估方法來建立實(shí)測(cè)數(shù)據(jù)與通用模型數(shù)據(jù)的聯(lián)系，實(shí)現(xiàn)對(duì)通用模型預(yù)測(cè)功率的修正。為便于說明，令歸一化后的2個(gè)向量為w1=[w11,…,w1n]、w2=[w21,…,w2n]，其直接的相似度用向量之間的夾角余弦表示：

(7)

2.2 修正模型建立

用向量余弦相似度將小數(shù)據(jù)集中的測(cè)風(fēng)塔數(shù)據(jù)和通用模型中的輸入矢量聯(lián)系起來，得到衡量2個(gè)向量之間的相似度矢量λ=[λ1,…,λn]。設(shè)小數(shù)據(jù)集為[w,p],其中w為十五維向量，p為一維向量，修正模型建立步驟為：

(1)用通用模型對(duì)小數(shù)據(jù)集的輸入做預(yù)測(cè)，得到通用模型預(yù)測(cè)輸出功率，記為Pc；

(2)用支持向量機(jī)算法，建立輸入矢量為[Pc,λ]，輸出矢量為p的修正模型。修正模型考慮了實(shí)測(cè)網(wǎng)側(cè)風(fēng)電場(chǎng)輸出功率數(shù)據(jù)的可能受影響的因素，包括風(fēng)機(jī)尾流效應(yīng)，風(fēng)電場(chǎng)地形影響，風(fēng)電場(chǎng)地表粗糙度等，將通用模型的輸出與實(shí)測(cè)數(shù)據(jù)相結(jié)合起來，得到依靠少量風(fēng)電場(chǎng)數(shù)據(jù)修正的修正模型。

(3)在建模的時(shí)候考慮了尾流、風(fēng)場(chǎng)地理信息等因素的基礎(chǔ)上，通過網(wǎng)側(cè)風(fēng)電場(chǎng)少量的測(cè)風(fēng)塔數(shù)據(jù)對(duì)通用模型進(jìn)行修正，得到網(wǎng)側(cè)風(fēng)電功率短期預(yù)測(cè)模型。

3 網(wǎng)側(cè)風(fēng)電功率超短期預(yù)測(cè)模型

短期風(fēng)電功率預(yù)測(cè)中不需要考慮風(fēng)的快速變化，但在超短期預(yù)測(cè)中必須考慮，而數(shù)值天氣預(yù)報(bào)中不包含風(fēng)的快速變化規(guī)律，故需在超短期預(yù)測(cè)模型中重建風(fēng)的快速變化時(shí)間序列。具體風(fēng)場(chǎng)的風(fēng)速快速變化特性各自不同，本文引入陣風(fēng)模型對(duì)其進(jìn)行描述。

陣風(fēng)模型一般用于表示突然變化的風(fēng)速，可在基本風(fēng)上疊加一個(gè)陣風(fēng)分量實(shí)現(xiàn)，即

(8)

(9)

式中：VWG為陣風(fēng)風(fēng)速，m/s；TG為周期，s；T1G為陣風(fēng)起動(dòng)時(shí)間，s；G為陣風(fēng)風(fēng)速最大值。

陣風(fēng)模型參數(shù)可由測(cè)風(fēng)塔數(shù)據(jù)擬合得到，在風(fēng)電功率短期預(yù)測(cè)模型基礎(chǔ)上引入陣風(fēng)模型，即可得到風(fēng)電功率超短期預(yù)測(cè)模型。

4 算例分析

為了驗(yàn)證本文提出的基于小樣本集網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法，本文選取某省級(jí)電網(wǎng)下的區(qū)域風(fēng)電場(chǎng)進(jìn)行預(yù)測(cè)，分別建立網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)的通用模型、短期預(yù)測(cè)模型和超短期預(yù)測(cè)模型，在網(wǎng)側(cè)對(duì)其出力進(jìn)行預(yù)測(cè)。

采用海南省5個(gè)風(fēng)電場(chǎng)1—7月歷史數(shù)據(jù)建立通用模型，用風(fēng)電場(chǎng)現(xiàn)場(chǎng)測(cè)風(fēng)數(shù)據(jù)建立修正模型對(duì)其進(jìn)行修正。其中某個(gè)風(fēng)電場(chǎng)的單臺(tái)風(fēng)機(jī)容量為1 500 kW，其風(fēng)速曲線如圖1所示。

圖1 24 h風(fēng)速曲線

從圖1可以看出：1天中風(fēng)場(chǎng)風(fēng)速變化較大，平均風(fēng)速為10.56 m/s，風(fēng)速最小為7.35 m/s，風(fēng)速最大為15.74 m/s，對(duì)于風(fēng)速變化較大的風(fēng)電場(chǎng)，應(yīng)用測(cè)風(fēng)塔數(shù)據(jù)對(duì)通用模型進(jìn)行修正非常重要。通用模型泛化能力強(qiáng)，但同時(shí)對(duì)突變樣本適應(yīng)不夠好，需要通過測(cè)風(fēng)塔數(shù)據(jù)去修正。將本文方法應(yīng)用到這5個(gè)風(fēng)電場(chǎng)網(wǎng)側(cè)功率預(yù)測(cè)，短期預(yù)測(cè)結(jié)果如圖2、3所示。

圖2 短期預(yù)測(cè)曲線

圖3 短期預(yù)測(cè)誤差

從圖3可以看到，短期預(yù)測(cè)模型精度較高，能夠達(dá)到87%或者以上，說明了本文模型的正確性。從圖2可以看到，預(yù)測(cè)曲線能夠基本跟隨功率趨勢(shì)，說明了通用模型的合理性；在功率預(yù)測(cè)峰谷值有一些不能完全跟隨，說明對(duì)模型的修正的精度還可以進(jìn)一步提高。

超短期預(yù)測(cè)結(jié)果如圖4所示。從圖4可知，06：00之后功率預(yù)測(cè)精度較高，誤差比較小，說明陣風(fēng)模型對(duì)于超短期預(yù)測(cè)精度的提高；之前預(yù)測(cè)誤差較大是由于風(fēng)速隨機(jī)性，導(dǎo)致陣風(fēng)模型的失效，這是以后陣風(fēng)模型需要優(yōu)化的方向。

圖4 超短期預(yù)測(cè)曲線與結(jié)果

5 結(jié) 論

針對(duì)缺少歷史數(shù)據(jù)的區(qū)域電網(wǎng)的風(fēng)電功率預(yù)測(cè)，本文提出了基于小樣本集的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法。該方法首先建立基于支持向量機(jī)的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)通用模型，然后利用風(fēng)電場(chǎng)實(shí)時(shí)測(cè)風(fēng)數(shù)據(jù)對(duì)通用模型進(jìn)行修正，得到網(wǎng)側(cè)風(fēng)電功率短期預(yù)測(cè)模型，再針對(duì)超短期預(yù)測(cè)中的快速風(fēng)速不變化部分，設(shè)計(jì)了陣風(fēng)模型。實(shí)際算例表明：該方法能有效提高區(qū)域電網(wǎng)的風(fēng)電場(chǎng)功率預(yù)測(cè)精度。

[1]王穎, 魏云軍. 風(fēng)電場(chǎng)風(fēng)速及風(fēng)功率預(yù)測(cè)方法研究綜述[J]. 陜西電力, 2011, 39(11): 18-21.

[2]婁素華, 李志恒, 高蘇杰, 等. 風(fēng)電場(chǎng)模型及其對(duì)電力系統(tǒng)的影響[J]. 電網(wǎng)技術(shù), 2007, 31(2): 330-334.

[3]王健, 嚴(yán)干貴, 宋薇, 等. 風(fēng)電功率預(yù)測(cè)技術(shù)綜述[J]. 東北電力大學(xué)學(xué)報(bào), 2011, 31(3): 20-24.

[4]Billinton R, Chen H, Ghajar R. A sequential simulation technique for adequacy evaluation of generating systems including wind energy[J]. IEEE Transactions on Energy Conversion, 1996, 11(4): 728-734.

[5]Li S. Wind power prediction using recurrent multilayer perceptron neural networks[C]//Power Engineering Society General Meeting. Toronto, Canada: IEEE, 2003,4: 13-17.

[6]Lei C, Ran L. Short-term wind speed forecasting model for wind farm based on wavelet decomposition[C]// Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies. Nanjing, China：IEEE, 2008: 2525-2529.

[7]Bakshi B R, Stephanopoulos G. Wave-net: A multiresolution, hierarchical neural network with localized learning[J]. American Institute of Chemical Engineers Journal, 1993， 39(1)：57-81.

[8]薛翔,趙冬梅,王金奕,等. 基于ARIMA與雙層BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的風(fēng)電功率預(yù)測(cè)方法[J]. 電力科學(xué)與工程,2012,28(12):50-55.

[9]章偉,鄧院昌. 基于灰色-馬爾可夫鏈的短期風(fēng)速及風(fēng)電功率預(yù)測(cè)[J]. 中國(guó)電力,2013, 46(2): 98-102.

[10]馬彥宏,汪寧渤,馬明,等. 基于神經(jīng)網(wǎng)絡(luò)的酒泉風(fēng)電基地超短期風(fēng)電功率預(yù)測(cè)方法[J]. 電力建設(shè),2013,34(9):1-5.

[11]師洪濤,楊靜玲,丁茂生,等. 基于小波—BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法[J]. 電力系統(tǒng)自動(dòng)化,2011, 35(16): 44-48.

[12]周松林,茆美琴,蘇建徽. 基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J]. 電網(wǎng)技術(shù),2011, 35(9): 128-132.

[13]Landberg L. Short-term prediction of the power production from wind farms[J]. Journal of Wind Engineering and Industrial Aerodynamics, 1999, 80(1): 207-220.

[14]Landberg L, Watson S J. Short-term prediction of local wind conditions[J]. Boundary-Layer Meteorology, 1994, 70(1-2): 171-195.

[15]丁志勇. 風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法研究[D]. 廣州：華南理工大學(xué), 2012.

(編輯：蔣毅恒)

WindPowerForecastingforPowerGridBasedonSmallSampleSet

WEI Guoqing1, HUANG Liangyi1, YANG Ping2, ZOU Shu2

(1. Dispatch and Control Center of Hainan Power Grid Corporation, Haikou 510080, China;2. National-Local Joint Engineering Laboratory for Wind Power Control and Integration Technology,South China University of Technology, Guangzhou 510641, China)

At present, the widely used statistical prediction model for wind power needs a lot of the historical data for training to achieve acceptable accuracy, so it is not suitable for the new wind farms which are lack of historical data. This paper presented a wind power prediction method for power grid based on small sample set. Firstly, based on few historical data of wind farm, the general wind power prediction model was built with using support vector machine (SVM) method, and was used for the preliminary forecasting of wind power. Then, on the basis of the general model prediction, the characteristic parameters of regional wind farm were used to adjust and modify the general model for power grid, so as to obtain the prediction results of wind power for regional power grid. Finally, the practical examples verified the feasibility of prediction method based on small sample set. The results show that the prediction method based on small sample set with good accuracy is suitable for the power prediction of wind farm with few historical data, and can reduce the dependence of statistical prediction method on data during power forecasting.

wind power forecasting; power grid; small sample set; support vector machine; general model

國(guó)家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(863計(jì)劃)(2012AA050201)；廣東省戰(zhàn)略性新興產(chǎn)業(yè)核心技術(shù)攻關(guān)項(xiàng)目(2012A032300013)。

TM 614

： A

： 1000-7229(2014)09-0018-04

10.3969/j.issn.1000-7229.2014.09.004

2014-04-16

：2014-06-26

魏國(guó)清(1965)，男，高級(jí)工程師，研究生，主要從事電力系統(tǒng)自動(dòng)化方面的工作；

黃良毅(1971)，男，碩士，高級(jí)工程師，主要從事調(diào)度自動(dòng)化方面的工作；

楊蘋(1967)，女，博士，博導(dǎo)，主要從事可再生能源發(fā)電控制與并網(wǎng)技術(shù)方面的研究工作；

鄒澍(1989)，男，碩士研究生，主要從事風(fēng)電并網(wǎng)技術(shù)方面的研究工作，E-mail：shu.zou@qq.com。