1. 网站地图
  2. 设为首页
  3. 关于我们


基于风功率区间预测的智能功率分配策略研究

发布时间:2022-11-21 14:39
目 录
摘 要 I
Abstract II
第 1 章 绪 论 1
1.1课题研究的背景和意义 1
1.2国内外研究现状 2
1.2.1风功率点预测研究现状 2
1.2.2风功率区间预测研究现状 4
1.2.3功率分配优化策略研究现状 5
1.3课题主要研究内容 7
第 2 章 数据预处理和时序特征选择 9
2.1数据预处理 9
2.1.1基于风电功率曲线的风机状态判断 9
2.1.2基于3g法则的异常数据筛除 10
2.1.3基于插值法的数据缺失值填充 1 1
2.2数据归一化与时序特征选择 1 2
2.2.1数据归一化 1 2
2.2.2基于皮尔逊相关系数的时序特征选择 1 2
2.2.3基于随机森林的时序特征选择 1 3
2.2.4基于LASSO回归算法的时序特征选择 13
2.2.5 综合时序特征选择 1 4
2.3基于数据分解的数据重构 1 5
2.4本章小结 1 9
第3 章 基于核密度估计的风功率区间预测 20
3.1风功率区间预测模型算法整体结构 20
3.2回声状态网络 2 1
3.2.1回声状态网络结构 2 1
3.2.2回声状态网络主要参数 23
3.2.3回声状态网络训练过程 23
3.3非参数核密度估计 24
3.3.1概率密度估计 24
3 . 3 . 2非参数核密度估计 24
IV
3.4实验结果及分析 25
3.4.1实验环境和数据准备 26
3.4.2风功率区间预测评价指标 26
3.4.3时序特征选择结果 27
3.4.4基于数据分解的数据重构结果 28
3.4.5不同模型预测结果比较分析 29
3.5本章小结 32
第 4 章 基于风功率区间预测的功率分配优化策略研究 33
4.1风电机组组合 33
4.2功率分配优化策略 34
4.2.1风电机组发电能力评价 34
4.2.2优化策略 35
4.3功率分配优化策略结果 36
4.4本章小结 37
第 5 章 风功率预测与功率分配控制系统 38
5.1系统需求分析 38
5.2系统设计思路 38
5.3系统的界面设计和功能实现 39
5.3.1授权用户访问模块 39
5.3.2数据管理模块 40
5.3.3功率曲线模块 41
5.3.4风功率预测模块 41
5.3.5功率分配模块 42
5.3.6用户管理模块 43
5.4本章小结 44
结 论 45
参考文献 47
攻读硕士学位期间发表的论文及其它成果 51
东北电力大学学位论文原创性声明和使用权限 52
《中国优秀博硕士学位论文全文数据库》和《中国学位论文全文数据库》投稿声明 53
致 谢 54
 
第 1 章 绪 论
1.1课题研究的背景和意义
风能是空气流动产生的动能,其具有可再生、无污染的特点,又因地球上所有地区都 会产生风,地域上其具有分布范围广且储存量大的特点。并且随着我国碳达峰与碳中和战 略目标的提出,风能这种无碳排放的清洁能源越来越受到研究人员的重视。我国自1992年 风力发电仅有O.lTWh,发展到2015年中国风力发电水平已经赶超美国位居世界第一。图 1-1 所示的是2020年世界风电风电量最多的国家情况。据中国电力网12月发布的 2021 年 全球风电报告显示[1]: 2020年中国风能发电量达到466.5TWh,年增长14.8%,占世界总量 的 29.3%。2021 年全年,我国风力发电量为5667亿千瓦时,同比增长29.8%,对全国电力 供应的贡献不断提升。预计2022年风电新增装机将达到 5000万千瓦。在“双碳”目标的 引领下,我国风电的发展迎来了新2020年风电场发电最多的国家
 
 
 
 
 
图 1-2 2012-2021 年中国风力发电装机容量变化
由图 1-2 可以看出近十年我国风力发电呈稳定增长状态。风电设备总装机容量提升的 同时,“弃风限电”等问题愈演愈烈,为风电实施大规模并网及安全稳定地运行、调度都带 来了相应的挑战。风力发电厂输出的有功功率与风能直接相关,而风能易受复杂多变的气 象、风速大小和空气的密度等的影响,其特点是极端不稳定性、随机性和波动性。为监测 控制风电并网时,风力发电场输出的有功功率与风电功率并网的穿透功率极限之间的平衡 稳定,准确的风电预测不仅可以提高风能的利用率,还可以对电网的运行效率和运行成本 产生积极影响。
风功率区间预测的意义在于:(1)相较与存在较大误差的风功率点预测结果,波动的 风功率区间预测将提供更多的信息。这将为管理人员提供更精准用于规划、调度和风险评 估的信息[2];在风电场出力稳定并网运行时,有益于降低电力系统的备用容量,从而高效 能地降低电力系统的运行成本。为进一步提高电力系统中风电装机比例奠定了基础。(2) 有益于安排风电机组的调护和维修。风电场依托风功率的预测区间,选取风机低速运行状 态对故障机组设备进行调护,提升风电场的总发电量和容量系数。(3)在符合国家下达的 风电场完成并网指令的前提下,提升风电在整个电力市场中的优势。与可控型的传统发电 方式相比,风力发电所表现出的随机性和不稳定性极大的削弱了其在电力市场中的竞争力, 若发电质量不符合国标则会受到一定程度的经济惩罚。高精度的风功率预测可为风电场的 生产运行提供一定的参考信息,进而提高风电场与其他发电厂同台竞价的优势。
大规模的风功率输出波动会影响电网的调节能力,电网接收风力发电的能力有限[3], 因此,风电场面临“弃风”并且机组多在功率限制模式下运行。 每台机组运行的环境条件 不同,其发电能力和运行状态也有明显差异。 根据风电机组的发电能力和调度部分下达的 发电计划,将风电场总的发电计划合理配置给每台风电机组,有益于降低风电场的运行维 护成本,提高风电场的输出功率利用率,提高大型并网可靠性及风电市场的经济利益和电 力市场能源竞争力。
综上所述,高精度的风功率预测为风电场机组的检修和运维提供了重要的理论依据以 及对提高风电并网效率具有重要的研究意义[4]。基于风功率的预测结果评判风机的发电性 能,高效合理地将调度中心下达给风电场的发电计划分配到指定的风电机组完成相应的有 功功率调控,不仅能落实电网发电调度要求,也能提高风力发电对经济增长的贡献。
1.2国内外研究现状
1.2.1风功率点预测研究现状
随着煤炭、石油、天然气等不可再生资源的使用对环境造成了严重的影响,可再生能 源的开发与利用已迫在眉睫。其中,风能被视为一种生产成本最低的可持续能源,在现代 能源系统中被普遍使用[5]。由于风能的内在周期性和波动性,利用风力发电可能导致电力
- 2 - 平衡以及电力系统规划和调度的复杂性等诸多问题。进行可靠的风功率预测并量化预测的 不确定性对于风能资源的稳定调度具有重要意义[6]。
风功率预测是一个回归过程。其有两类基本模型。(1)统计模型,通过建立风场实测 数据和风场输出风功率之间的线性或非线性关系来估计未来某一时段的风功率[7]。(2)物 理模型,其通过考虑地形、压力和稳定等自然因素来估计未来某一时段的风功率,通常与 统计方法相结合[8]。数值天气预报系统(NWP)中包含很多可被用于物理模型的风功率预测 的信息。
原始数据通常含有随机噪声和由于故障或不合格的操作而导致的异常数据,有效的检 测和筛除异常数据可以提高预测模型的精度。由于 NWP 系统和 SCADA 系统中包含很多 数据信息,模型输入参数过多增加建模过程中的计算量和模型复杂度。因此,对预测模型 的输入参数进行特征选择也是提高预测模型精度的重要手段。Ouyang等[9]采用史格兰杰因 果检验法筛选NWP系统数据中的冗杂变量,并采用6-0方法检测异常数据;最终,形成 包含气象变量和历史风功率的预测模型输入数据集。赵萌萌等[10]提出一种利用模糊熵评判 CEEMD 分解得到的子序列进行输入数据重构,再用随机森林针对不同属性的序列建模的 综合预测模型。王新友等[11]提出一种EWT-ESN组合预测方法。EWT综合经验模态分解和 小波变化的优点,将原始风功率分解为特征差异分明的分量。基于ESN对分解得到的分量 一次建模,分量预测结果叠加得到整个功率预测结果。Li等[12]使用小波分解和重构由原始 风功率数据得到详细和近似的序列,应用 IASO 算法,根据每个序列的特征选择出核函数 参数和预测模型的最优惩罚因子,为每个子序列建立合适的 SVM 模型,接着对序列预测 值求和,最终获得风功率预测值。Naik等[13]提出了将VMD的多核正则化与伪逆神经网络 (MKRPINN)二者相结合的风功率点预测方法。采用VMD对原始非线性非平稳时间序列数 据进行分解,避免了不同模式之间的相互影响。牛安敏等[14]提出一种基于VMD-Leaky-ESN 的短期风功率多步预测模型,采用样本熵完成 VMD 分解历史风功率序列得到不同子序列 的数据重构,采用Leaky-ESN网络提高ESN网络的学习能力。Wang等[15]提出一种基于小 波分解、ESN和集成技术的混合预测模型。小波分解将原始风功率序列数据分解为具有更 多信息的字信号,ESN对每个子信号进行建模,最终采用集成技术对单个子信号预测结果 的误差和数据噪声进行量化,从而降低了风功率预测的不确定性。金鑫城等[16]采用风电场 历史数据拟合方法实现数据降噪处理,风速的概率分布通过分析构建双因素 Weibull 模型 获得,拟合风速-风功率输出特性曲线清除失真数据,最后通过统计学放法预测下一时刻风 功率。丫&“等[17 ]提出一种结合数据驱动模型的误差修正模型提高风功率预测模型的精确性。 Yuan 等[18]提出一种基于 LSSVM-GSA 综合模型用于短期风功率预测。其使用不用核函数 建立LSSVM模型并选择最优的一个,GSA用于优化LSSVM的超参数。现有的国内外学 者所提出的特征选择、数据分解和误差修正等方法对于提升风功率点预测模型精度具有实 际效果和指导意义。可作为理论支持用于本课题风功率预测建模研究。
- 3 -
表 1-1 风功率点预测模型总结
研究人 数据类型 预测模型
风功率、风向、压 基于SVR的组合预
特征选择 Ouyang 等[9] 力、温度、湿度
EWT-ESN组合预测
数据分解 王新友等[11] 历史风功率 模型
VMD-MKRPINN 组
Naik 等[13] 历史风功率 合模型
功率曲线建模-误差
误差修正 Yan 等[17] 风功率、风速 修正
风速、风向、风功 GSA 优化 LSSVM
Yuan 等[18] 模型
 
1.2.2风功率区间预测研究现状
有关风功率确定性点预测的研究已非常成熟,但仍不能满足实际电力系统运行需求, 学者们将包含更多不确定性信息的风功率概率区间预测方法引入到风功率预测研究中。风 功率区间预测结果有效的量化了由于不确定性、随机性等因素引起的波动。使风功率实际 运行结果落在一定置信水平所确定的上、下界区间内,将为现场操作人员提供更多的决策 信息。因此,风功率区间预测具备更多的用于风电场实际运行的指导意义。
风功率的区间预测将弥补其点预测的局限性,受到越来越多学者的关注,其中主要有 假设先验误差统计分布方法、分位数法、概率密度估计方法以及智能预测方法。(1)假设 先验误差统计分布方法是基于点预测结果误差序列分布特征所建立的。如杨宏等[19]通过风 功率预测误差模型,应用Beta函数统计风功率预测误差的分布。吴晓刚等[2°]通过分析风功 率预测误差的影响因素,建立基于多元线性回归方法风功率预测误差的修正模型提高风功 率预测模型精度,最终风电场有功出力的上下限利用广利误差分布模型估计得出。杨茂等 [21 ]依据ARIMA算法风功率点预测误差分布情况,采用集对分析原理和K-means聚类算法, 计算最优聚类结果,确定点预测结果所属聚类,最红依据聚类集对的不确定的测度,确定 风功率的预测区间上、下限。如刘兴杰等[22]分析风功率预测误差的概率分布,预测功率区 间分段方法优化贝塔分布,实现给定置信度下的风功率波动区间预测。(2)分位数法是一 种非参数形式的区间预测方法。李智等[23]利用分位点回归原理,自适应的支持向量机确定 回归函数,建立风功率分位点回归的区间预测模型。 Hu 等[24]提出一种新的联合分位数模 型用于风功率区间预测。该模型基于向量值 PKHS 中使用 Mercer 核用于风功率的非参数 概率估计,通过构建复合内核提高了预测模型的灵活性。(3)概率密度方法则是通过分析 风功率的概率密度分布函数,获取风功率区间预测的信息,其包含经验分布函数估计和非
- 4 -
参数核密度估计。如兰飞等[25]根据多个已知的影响因素利用 Copula 函数建立预测风功率 的概率分布函数。计算在一定置信度水平下的预测风功率的区间上、下界。杨楠等[26]提出 了基于模糊序优化的风电功率概率密度函数的非参数核密度估计模型。采用模糊序的方法 优化高斯核函数的非参数核密度估计方法中的带宽。(4)智能预测方法本质上是一种上下 界估计模型,它是基于神经网络或机器学习所建立起来的。如杨锡运等[27]建立了一种基于 KELM 算法的区间预测模型,并通过粒子群算法优化其输出权值,增加模型的计算速度。 Lv 等[28]使用稀疏机器学习算法对下一小时的风功率建立建模预测;使用双变量核密度估 计的非参数技术即:获取预测误差和预测值的联合密度,通过制定条件密度获得预测的置 信区间。Naik等[29]引入多目标混沌水循环算法(MOCWAA)和多目标水循环算法(MOWCA), 建立了一种基于神经网络开发的上下限估计(LUBE)方法来构建风功率预测区间。Shen等 [30]引入ABC-NN预测模型和广义形态滤波器,提出一种新的评价标准CCWC,以缩短预 测区间宽度为目标,建立了 LUBE模型。Li等[31]提出了一种有效的梯度下降(GD)训练方法 来训练LUBE模型。
表 1-2 风功率区间预测模型总结
研究人 预测模型 模型优化
假设先验误差统计 吴晓刚等[17] 预测误差贝塔分布 多元线性回归方法
分布方法 建立误差修正模型
刘兴杰等[22] 预测误差贝塔分布 预测功率区间分段
分位数法 Hu 等[21] 联合分位数模型 构建复合内核
支持向量机获取分
李智等[23] 分位数模型 布函数
概率估计方法 兰飞等[22] Couple 函数 优化边缘分布函数
杨楠等[23] 非参数核密度估计 模糊序优化带宽
智能预测方法 杨锡运等[27] 基于KELM模型 粒子群优化
引入新的评价指标
Shen 等[30] ABC-NN 模型 CCWC
 
1.2.3功率分配优化策略研究现状
由于风能具有波动性与随机性,导致风力发电机组与传统的火电发电机组相比缺乏稳 定性与确定性,风力发电机组的这种特点不利于整个系统的有功平衡。当风电场产生的电 力超过负荷的一定百分比时,整个电力系统调度计划会将该风电场产生的电力纳入其中。 关于优化风电场的经济调度和功率分配问题,国内外学者均开展了具体的研究。徐箭等[32] 在风速和风功率预测的基础上,将机组启停操作最少为目标,机组出力、功率平衡和启停
- 5 -
操作作为约束,依据混合整数线性规划方法优化风电场功率分配模型。张祥龙等[33] 在风功 率预测信息的基础上,确定风电场功率分配的初步限值。以减小电量损失为目标,根据风 电场各个机组的装机容量差异和机组之间的相关系数修正风电场的功率分配限值。江岳文 等[34]以风电机组出力常规调度费用和风功率预测偏差费用之和最小为目标,结合超短期风 功率预测误差建立了一套实时电力市场功率调度方法。肖运启等[35]综合分析风电场机组启 停、功率调度需求和机组健康状态,建立了一套多目标复合功率分配优化算法。Peng等[36] 依据风功率预测结果,假定预测功率即为风电机组并网发电的能力。将风电场发电成本最 低为目标,建立了一种基于分布式鲁棒优化功率分配模型 Liang 等[37] 将混沌地图和随机 黑洞模型结合起来,提出一种基于蝙蝠算法解决电力系统经济调度分配问题的混合元启发 式优化模型。Ke等[38]将高斯混合模型用于风功率的概率函数估计,并根据风功率的概率密 度函数开发了一种概率潮流的计算方法,用于计算优化风功率并网潮流。 Hagh 等[39]采用 Weibull分布函数分析风功率分布特征,依据市场交易算法解决风电场在电力系统中的经济 调度问题。赵哲等[40]建立了“集群-风电场-机组”三层功率分配优化策略。这种优化策略 运用模糊聚类分析风电机组的特征,以 EMD-SVM 风速预测模型为基础。刘军等[41]将机组 限功率运行状态作为研究对象,将其分为三个运行区:变速限功率运行区、变变桨限功率 运行区和速变桨联合限功率运行区。采用模糊评价算法计算机组功率调节能力和机组健康 水平的优化权重,最终根据所判断的风机发电能力作为完成功率分配操作的理论依据。表 1-3 归纳了功率分配优化策略的决策因素和优化目标。根据电力系统下达的调度指令,风 电场应安装有功功率预测控制系统,具备可参与电力系统调频、调峰和备用的能力。高精 度的风电场功率预测将为常规风力发电机组的发电计划提供更为准确的调度信息。
表 1-3 功率分配优化策略研究总结
研究人 决策因素 优化目标
徐箭等[32] 机组的开停机状态 风场运行成本最低
张祥龙等[33] 风场装机容量差异 减少风电电量损失
(1)机组出力调整费用
江岳文等[34] 常规机组出力调度费用 (2)风功率预测偏差费用
(1)机组总体健康度
肖启运等[35] 机组健康状态 (2)机组启停次数
(3)风功率预测偏差
(1)风场总输出功率等于
刘军等[41] 机组健康状态 调度要求发电功率
(2)风电场总健康衰退度
- 6 -
1.3课题主要研究内容
风能作为目前发展最快、较为经济的可再生能源在全世界范围引起高度关注,我国风 电机组装机容量也在逐年递增。风力发电鉴于其反向负荷特性、随机性和波动性,面临着 繁杂的挑战。因此,精确的风功率预测为解决这些难题提供了有效的信息。本课题以风电 场风功率为主要研究对象,采集实际运行中的风电场生产数据,通过数据分析建立包含更 多信息的风功率区间预测模型,依据区间预测结果设计风电场最优功率分配策略,开发了 一套基于风功率区间预测的功率分配控制系统。图 1-3 给出了课题的研究结构,详细工作 内容如下:
(1) 数据预处理和时序特征选择:采集风机的实际生产运行数据,根据风速和风电 数据绘制实际生产过程中的功率曲线,通过功率曲线的分布特征分析风机的运行状态和异 常数据产生的原因。以非限功率运行状态的风机为研究对象,根据接入风速、风功率等条 件初步筛选出异常数据,然后通过3。规则筛选出原始数据中的异常数据并剔除。根据风 机生产数据的时间序列,采用插值法的方法进行补缺。通过综合重要性排序结果,选择预 测模型输入的时序特征,采用变分模态分解算法对原始风电数据进行分解,通过数据重构 确定最终的预测模型输入。
(2) 建立风功率区间预测模型:基于回声状态网络的高精度风功率点预测误差,通过 分析预测误差的分布特征,并选择以高斯函数为核函数的核密度估计方法构建95%置信度 下的风功率概率区间预测模型。本研究引入六个性能评价指标:MAPE、RMES、MAE、 PICP、PINAW和CWC,综合测试区间预测模型的精度,并将所提出的风功率区间预测模 型与其他三组常用预测模型的预测结果进行对比分析。所建立的风功率区间预测模型的覆 盖率可达 97%及以上。
(3) 功率分配优化策略研究:基于风功率区间预测结果,设计了一套风电机组发电能 力评价指标。结合风电场接收的调度系统下达的发电量指令,考虑单台风机可输出功率的 限值,以风场发电总量等于调度中心下达指令发电量和风机总发电能力最优为目标函数建 立功率分配策略的优化模型,通过差分进化算法获得功率分配的最优分配权重比例。实现 风电场风机利用率最佳,经济效益最大的效果。
(4) 基于风功率区间预测的功率分配优化策略控制系统的开发:结合风功率区间预测 和功率分配优化策略的研究内容,应用C#软件和Python编程开发了一套可应用于风电场 实际生产过程中智能建模风功率预测与功率分配控制的系统。该系统可实现风场数据可视 化、绘制实时动态的功率曲线、超短期风功率预测、功率分配策略优化等功能。该系统的 开发利用可为风电场的生产操作提供理论支持,提高了风电场发电、并网的效率。
采集风机实际生产数据
I
3o法则筛除异常值
►时序特征选择<
数据处理
输入数据
II
风功率 区间预测
预测模型 对比分析
风速-风功率曲线
插值法填充缺失值
输入层
储藏层
输出层
 
V
风功率预测
与功率分配
控制系统
IV
授权用户访问模块
数据管理模块
功率曲线模块
风功率预测模块
功率分配模块
用户管理模块
非参数核密度估计
q (”丿)=
功率分配
优化策略
E exp 14
(1)风场总发电满足调度指令:E卩呵=Ptotal
i=1
n P i
| (2)风机的总发电能力较强:E = E-fE, i =1 Pmax
「I " I n P:ef
目标函数 :min
a - E Pe - Pto,
I !■=
\ 约束条件:Pmin V Pg < P” ax
tal
+ b -E -PfE,
1Pmax
图 1-3 课题的研究结构
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
第2 章 数据预处理和时序特征选择
风能的随机性和波动性是造成风力发电预测困难的主要原因。数据的选取和数据预处 理是提高风功率预测建模精度的重要前提。分析风功率数据分布特点,通过数据预处理方 法有效的提高预测模型运行的数据质量,提高风功率区间预测模型的预测精度,降低模型 训练中由于异常数据所产生的误差,为风功率区间预测建模和功率分配策略研究提供数据 支持。本章节的主要内容分为以下几部分: 2.1节主要介绍了数据预处理方法,其中包括基 于风机功率曲线的风机状态判断、基于 3。法则的异常数据筛除、基于插值法的数据缺失 值填充;在此基础上, 2.2节介绍了实验数据归一化和时序特征选择的方法;2.3节介绍了 基于数据分解进行数据重构的方法;2.4节给出了本章内容小结。
2.1数据预处理
通过风机机理和分析可知,风速和风功率之间强相关。筛选具备时序特征的风功率和 风速序列作为风功率预测模型的输入。风电场的SCADA系统中读取的生产数据不单有正 常营运数据,还掺杂着由于风能的间歇性和随机性所产生的异常数据。因此从SCADA系 统提取的实际生产数据可能存在冗杂的异常值以及数据残损不整齐的问题,需要对原始数 据进行数据预处理。
2.1.1基于风电功率曲线的风机状态判断
功率曲线量化了风机轮毂高处度风速与相应风功率之间的关系,是评价风电机组发电 效能和波动性的主要技术指标 [42]。准确的风机功率曲线是风电场用于设计、运行以及调度 的重要工具。在风电场设计选址时,功率曲线可用于计算风能进行评估最优年发电量;在 风电场运行管理时,功率曲线可用于状态监测及风电机组的故障排除;在风电场并网调度 时,功率曲线可为风功率预测及其不确定性分析提供重要信息,支持电网的日前调度以及 实现机组优化。
风电功率曲线可分为出厂功率曲线和实际功率曲线。出厂功率曲线提供了在标准条件 下风力发电机的发电性能[43]。然而,在实际生产过程中,由于环境温度、大气压力、叶片 污染以及风力发电机的各类特性的复杂影响,同一风力发电机在不同环境将形成不同的实 际运行功率曲线。因此,分析当前时刻的实际生产功率曲线对分析风电机组运行状态尤其 重要,并为风功率预测建模提供可靠的数据支持。
由于风电机组运行条件复杂,从实际运行生产的风电场中提取的数据包含大量的异常 数据点。造成数据异常的因素有很多,如风电机组的故障维护和停机、并网调度的限电运 行、离线运行、传感器故障、通信设备故障、电磁干扰、极端天气条件下机组运行以及风
- 9 -
 
机叶片脏污或损坏等。不同的影响因素产生的异常数据具有不同的分布特征。采集实际风 电场生产数据并绘制功率曲线图,分析并总结了风机存在的三类异常数据分布特征。
 
图 2-1 风机异常数据分布特征
如图 2-1 所示,标红区域(1)出现功率曲线中部累积异常数据,此时功率曲线中表现出 一个或多个水平强度带。当风速已明显超过额定风速时,输出的风功率长期被限制低于额 定功率水平的状态。这种异常数据出现的主要原因是由于电力系统调峰、调频等操作,将 风机输出功率限制低于正常输出功率,此时风机被判定为限功率输出状态;标红区间(2)出 现分散异常数据,在正常值附近随机波动且波动程度不确定。此类异常数据由极端天气条 件、传感器故障、信号传输噪声等因素引起的;标红区域(3)出现功率曲线底部累积异常数 据,当风速大于风机的切入风速时输出风功率接近于零。此类异常数据的成因有如机组故 障、通讯设备故障、停机维修等。
为了提高本研究所建立风功率预区间测模型的精确性和普适性,首选正常运行状态下 的风机作为研究对象(即所选风机不存在限功率运行状态)。有效的筛除图 2-1 标红区域(1) 中出现的异常数据对预测建模精度的影响。
2.1.2基于3。法则的异常数据筛除
首先依据风速>0且风功率W0的条件筛除掉2.1.1节所选择的正常运行状态下风机存 在的异常数据值,即筛除图 2-1 标红区域(3)中出现的异常数据。本节将采用 3。法则方法 筛除图 2-1 标红区域(2)中出现的异常数据。
3。法则是基于统计分析的一种数据预处理方法。假设随机误差只存在于一组数据中, 计算这组数据的标准差,并设置一个概率区间以筛选偏离该间隔的情况。
假设样本数据集为X = {xz |xz g R}i=i n,其中〃为样本数据的个数。样本数据集的均值
- 10 -
元和均方差S为公式(2-1)和公式(2-1)所示:
 
 
 
式(2-3)用来判断一个样本是否为偏差。若满足丿>3,则表明此样本属于偏差。
(2-3)
将具有时间序列特征的风速和风功率分别作为样本,利用3。法则对其偏差逐个筛除。
2.1.3基于插值法的数据缺失值填充
为不破坏风功率的连续时间序列特性,保证风功率预测模型输入信号的完整性,需要 对已筛除异常值的数据进行补全缺失值。如果某风电机组数据缺失严重,则需要利用该机 组与其周围其他机组的历史数据关系进行填充,最后得到完整历史数据。其他情况可利用
相邻两点的均值进行缺失值的插值处理,计算公式如式(2-4)所示:
 
式中,Xi(t)为当前时刻数据值;Xt-1(t)为前一时刻数据值;Xi + 1(t)为下一时刻数据值。
另外,当历史数据出现连续两个或多个数据缺失时,依据其缺失值点前后记录值为标 准进行插值填充;如果机组存在严重的数据缺失,则根据该机组与相邻机组之间的数据关 系填补空白,获得实验所需的时序特征完整历史数据。
30001
 
 
 
图 2-2 数据预处理后的功率曲线数据分布
- 11
综合2.1.1节风机功率曲线判断风机运行状态、222节3 o法则筛除异常值和2.1.3节 插值法填充缺失值进行数据预处理,获得更可靠的预测数据集。原数据经筛除和填充处理 后的功率曲线分布情况如图2-2所示。
2.2数据归一化与时序特征选择
2.2.1数据归一化
考虑到风电场风功率数据在实际生产过程中数据量级存在较大的差异,可能会出现较 小数量级的数据被较大数量级的数据覆盖的问题。为避免较大波动对风功率预测模型训练
过程产生不良影响,进而影响数据分析结果及风功率模型预测精度,根据线性函数归一化
(Min-Max Normalization)方法将风机生产数据映射到[0,1]区间里。历史风功率时序数据
 
式中,"为输入数据矩阵,Wn为归一化处理后的数据矩阵,Wmin为输入数据矩阵中的 最小项,Wmax为输入数据矩阵中的最大项。
2.2.2基于皮尔逊相关系数的时序特征选择
相关系数是用来权衡两个数据关系的重要指标。皮尔逊相关系数是深入筛选两个变量 之间关键特征信息最常用的线性指标。通过计算当前时刻瞬时风功率(设为变量«)和前7 时刻瞬时风功率(设为变量b)两个变量之间的协方差和标准差之间的关系求得相关性系 数的计算式如公式(2-6)所示:
m _
cov ( a, b )_ E( a 妣-b
式中,pab为变量a和变量b在取值范围为[-1,1]的皮尔逊相关性系数;cov(a,b)为两 个变量a和b之间的协方差;ba和刃分别两个变量a和b的标准差;m为样本数量, 7=1,2,...,m。
表2-1 pab取值范围与其对应的相关性
Pab取值范围 变量a和b相关性
Pa^ = 0 不相关
0 <Pab| V 0.3 弱相关
0.3 <Pab| V 0.6 强相关
- 12 -
 
IqJ=i 完全相关
2.2.3基于随机森林的时序特征选择
随机森林算法的流程如图 2-3 所示,是一种基于决策树的集成算法。首先,通过 Bootstrap重采样方法从原始风功率训练样本集中提取n个样本作为训练集。然后,为每个 样本生成独立的决策树,并使用训练得到的随机森林对测试样本进行预测。最后,投票决 定预测结果。随机森林具有快速的学习速度,易于实现,计算开销小,能够用于分析包含 较多噪声数据的复杂特征变量。
 
 
 
首先计算每个输入变量对随机森林的每棵树的贡献。每个决策树的分裂节点的 Gini 指
数计算如下公式(2-7)所示:
n
Gm =〉: Pmn(1 — Pmn)=
1
式中,n表示n种备选输入变量,pmn为备选输入变量的样本权重。则特征壬n(t)在节 点m的重要性,可以通过分列前后的特征GIm的差值来表示,如公式(2-8)所示:
隘⑷=Glm - Glr - Gh (2-8)
式中,GI和GIr分别表示为分列前后的两个新节点的Gini指数。
2.2. 4基于LASSO回归算法的时序特征选择
最小绝对选择和收缩算子(LASSO)算法是一种压缩估计,更精确地模型则通过构造
- 13 -
一个惩罚函数获得。通过压缩回归系数,即强制系数绝对值的总和小于一个固定值,并将 一些回归系数设置为零,可以准确地选择与高维数据集中输出数据强度相关的变量,进而 实现选择变量的目的。因此,与传统的变量选择方法不同,LASSO回归算法即保留了子集 收缩的优点,又能有效地避免因过长的自变量引起的共轭性问题,是对复杂共线性的有偏 估计。
一般情况下,LASSO回归算法惩罚项使用L1范数正则化,选择使用L1范数正则化 的优点是因为:当惩罚因子入充分大时,可以把某些待估计系数精确的收缩到零,进而也 可以避免模型出现过拟合的现象。其代价函数的定义式如式(2-9)所示:
[
m n
X(h^(x(i)) - y(i))2+AXl0^l
j=1
式中,m为样本个数皿为参数个数;久为惩罚因子,取值越大,惩罚力度越强;^l^ilOj] 为 L1 范数正则化。
2.2.5 综合时序特征选择
综上2.2.2节、2.2.3 节和 2.2.4节所描述的常用于特征选择的三种算法的选择方式之间 存在较大的差异,因此选择用于预测模型的时序特征输入数据结果也有区别。此外,由于 这三类算法的局限性,使用单一特征选择方法获得的预测模型的准确性将受到限制。为了 提高预测模型精度的准确性,分析了特征变量选择中皮尔逊相关系数、随机森林和 LASSO 回归算法的性能差异和局限。提出了一种基于重要性排序的综合风功率时序特征选择方法。
综合时序特征选择方法实现的具体步骤如下所示:
步骤1 :绘制风速-功率曲线分析异常值存在原因,选取正常运行的风机作为研究对象, 找出异常值并筛除,再对缺失值进行填充,然后进行归一化,以获得完整有效的实验数据 集;
步骤 2:依据风电机组机理分析和功率曲线的结果,将历史时刻风速和历史时刻风功 率作为预测模型主要的输入特征,设定备选风速和风功率时间序列长度,目标特征设定为 下一时刻风功率值;
步骤3:通过步骤2得到13个备选输入特征,分别为:x1(t)y x2(t)y x3(t)y x4(t)y
X5(f). X6(f). X7(t). X8(f). X9(t). Xio(t). *t)、V30S(t). Vimin(f) o 其中,Xn(t)为前 n 时刻瞬时风功率时序特征值;V(t)为当前时刻瞬时风速;V30s(t)为30秒平均风速;Vimin(t) 为 1 分钟平均风速。分别利用皮尔逊相关系数、随机森林以及 LASSO 回归算法这三种特 征选择方法,根据式(2-6)至(2-9)计算出xn(t)前n时刻瞬时风功率时序特征的重要性结果; 步骤 4:将这三种特征选择算法学习得到的风功率时间序列重要性分析结果记录下来, 并将重要性结果按降序排列,绘制图表;
步骤 5:根据基于重要性排序的特征选择结果确定最终预测模型输入的风功率时序特
- 14 -
征。
结合表 2-2 时序特征选择结果和图 2-4 结果柱状图,可以看出三种特征选择方法对前 10 个历史时刻风功率时序特征选择与当前时刻风功率的关系有所差别,得到的相关性结果 也完全不相同。综合三种特征选择得到的重要性排序结果,最终确定前5个历史时刻的风 功率(衍(t)、x2(t)、x3(t)、x4(t)、x5(t))和 3类风速(当前时刻瞬时风速V(t)> 30秒平均风 速巾os(t)、1分钟平均风速vimin(t))共8个变量作为风功率区间预测模型的输入变量。
表 2-2 时序特征选择结果
前n时刻 皮尔逊 随机 LASSO 前n时刻 皮尔逊 随机 LASSO
风功率 系数 森林 风功率 系数 森林
Xl(t) 0.955 0.9021 0.5260 ”6(t) 0.905 0.0034 0.0047
0.934 0.0141 0.1598 *7(t) 0.896 0.0038 0.0250
0.924 0.0086 0.1051 ”8(t) 0.888 0.0036 0.0004
0.924 0.0050 0.0414 ”9(t) 0.880 0.0035 0.0044
0.913 0.0051 0.0370 Xio(t) 0.872 0.0031 0.0008
 
 
 
 
图 2-4 时序特征选择结果
2.3基于数据分解的数据重构
时序特征确定的风功率信号利用变分模态分解方法(Variational Mode Decomposition, VMD)进行分解,得到风功率数据中包含的趋势信息和尺度不同的波动,进而充分的挖掘 风功率时序信号中的潜在信息,提高风功率区间预测结构的精确性。
与EMD算法只执行简单循环滤波过程的原理相比,VMD是一种自适应、准正交和完 全非递归的模态变分和信号处理方法,VMD算法在原理上与EMD完全不同[44]。其自适应
- 15 -
性是根据实际情况确定给定序列的模态分解次数,并在搜索和求解过程中自适应匹配各模 态的最优中心频率和限制带宽。VMD可以将多分量信号一次分解为多个单分量调幅调频 信号,避免了迭代过程中遇到的端点效应和虚假分量问题。VMD算法寻最优解的过程中, 本征模态函数各分量的中心频率和带宽交替迭代更新。通过基于频带自适应分解信号,最 终获得K个IMFs分量[45]。VMD的流程图如图2-5所示:
 
 
图 2-5 VMD 的流程图
(1)通过希伯尔特变换得到每个模态uk(t)相关的解析信号和单边频谱计算过程如公 式(2-10)所示:
r / 1
* 皿(0 (2-10)
L ^tJ
式中,8(t)表示狄拉克分布;*表示卷积。
(2)估计中心频率小讥被乘到每个模式的分析信号上,模态分量的频谱将变为相 应的基带的计算过程如公式(2-11)所示:
{^(t)+^]*u^(t)}^-J'"kt (2-11)
(3)利用高斯平滑估计每个模态函数的带宽,分解信号x(t)即为模态函数uk(t)求和
- 16 -
 
 
 
(6)当整个分解循环结束后,可得到K个IMFs分量。表2-3是VMD分解过程。
表 2-3 VMD 分解的过程
VMD分解算法
输入:综合特征选择后的风功率时间序列%n(t)
输出:时间序列的 IMFs 分量
1:初始化何}、{瓦}和沪;设置迭代次数n为1
2:迭代次数 n=n+1
3:对于1: k和所有的w > 0,依据公式(2-14)、公式(2-15)和公式(2-16)更新璇+1(3)、3厂1和 刑+1@)
4:对于所有的3>0,依据公式(2-15)进行二次提升 2
5:重复步骤2至步骤4,直到满足迭代约束:嵯 想<£
6:循环结束,获得 K 个 IMFs 分量
 
图2-6 VMD分解风功率数据为K个IMFs的确定
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.63
0.00
0.8
0.0
1
0
0 200 400 600
采样时间
图 2-7 VMD 分解风功率序列的结果
当采用VMD分解算法时,分解阶数K设置也会影响分解效果,进而影响预测模型的
- 18 -
精度。如果K值太小,分解子序列会导致信息丢失或模态混叠。如果K值过高,会导致 过度分解,增加计算量,甚至恶化分解效果。根据经验,本研究依据不同的K值设计多组 独立重复实验,最终依据实验结果设定 VMD 分解阶数 K=14,K 值选择过程如图 2-6 所 示。
在图2-6中可以很清晰地看出当分解阶数设定为K=4、K=6、K=10、K=16时的三类评 价指标结果均大于K=14。风功率时序信号VMD分解分解结果如图2-7所示。通过VMD 分解后,扩大了综合时序特征选择确定的输入变量维度,完成了预测模型输入变量的数据 重构。
2.4本章小结
通过风机的机理分析确定风速对于风功率的影响最大。因此,本章首先利用从 SCADA 系统中采集的风电场实际生产数据绘制风机实际运行状态的功率曲线,并通过功率曲线分 析具有不同分布特征的异常数据的产生原因及影响因素。最终通过功率曲线选择非限功率 运行状态下的正常运行状态风机作为实验研究对象。其次,对所选风机数据进行异常值筛 除及缺失值填充的预处理。本章介绍了基于3。法则筛除异常值和插值法填充缺失值的方 法。为消除风速和风功率数据量纲差异给预测性能造成的消极影响,。经过筛除异常值和填 充缺失值处理的实验数据,采用 Min-Max 归一化方法对风功率和风速数据进行归一化处 理。综合利用皮尔逊相关系数、随机森林和 LASSO 算法对风功率时序特征进行选择。最 后,利用 VMD 分解进行数据重构的处理,经过分解的风功率信号扩展了风功率预测模型 输入的数据维度。
- 19 -
第 3 章 基于核密度估计的风功率区间预测
相比较于风功率点预测形式,点预测的结果只提供了单一的风电机组输出功率值,并 不包含其他信息。但由于风电的随机性、波动性、间歇性等特性以及当前日益复杂的电力 系统运行需求、风电机组并网数量的与日俱增、风电机组的故障监测和维修等实际问题, 单一的输出风功率预测值并不能满足实际生产需求。本章研究的风功率区间预测的预测形 式,不只是输出一个风功率预测结果,而是给出未来风功率可能存在的概率区间,这将给 现场调度人员提供更有益的信息,有益于进行更高效的风电机组并网的功率分配,增加了 系统调度的弹性,有效的提高了系统操作的容错性。本章节的主要内容分为以下几部分: 3.1 节展示了风功率区间预测模型的整体结构;3.2节介绍了用于风功率预测建模的回声状 态网络结构;3.3 节介绍了基于非参数核密度估计的预测区间构造方法;3.4节介绍了本研 究所建立的区间预测模型和其他三组常用预测模型实验的结果和对比分析;3.5 节为本章 内容的小结。
3.1风功率区间预测模型算法整体结构
本研究所提出的风功率区间预测模型的整体结构如图 3-1 所示:
步骤 1:获取实际风场生产数据
实验研究所使用的数据均来自中国东北地区某风电场实际生产数据。通过SCADA系 统读取风电场实际生产数据,并按实验所需要去整理数据格式;
步骤 2:筛除异常值和补齐缺失值
利用采集到的风速和风功率数据绘制风机实际运行状态的功率曲线,通过功率曲线选 择正常运行状态(非限功率运行状态)下的风机作为研究对象;利用3。法则和插值法对实 验数据进行异常值筛除和缺失值填充的预处理(详见 2.1);
步骤 3:风功率时序特征选择
Min-Max归一化方法消除风速数据和风功率数据量纲差异,并综合利用皮尔逊相关系
数、随机森林、LASSO算法对风功率时序特征进行选择(详见2.2)。
步骤 4:数据分解
利用 VMD 分解算法对已确定时序特征的输入数据进行分解,增加数据维度,完成模 型输入的数据重构(详见2.3)。
步骤5:基于ESN-KDE建立超短期风功率区间预测模型
首先通过 ESN 网络得到风功率的点预测结果,对点预测结果出现的误差进行统计分 析,获得风功率预测误差的分布情况。采用概率密度预测方法求取预测风功率的置信区间。 本研究采用高斯核函数的非参数核密度估计方法得到风功率的预测区间结果。
- 20 -
数据分析和数据预处理
采集风场数据 )
y
筛除异常数据和填充缺失数据
功率曲线 拉伊达准则 插值法
时序特征选择
随机森林算法 皮尔逊相关性系数 LASS O算法
 
数据分解
 
VMD分解算法
基于ESN-KDE的风功率区间预测
 
图 3-1 风功率区间预测流程图
 
3.2回声状态网络
3.2.1回声状态网络结构
多层感知器(Multilayer Perceptron,MLP)是一种前馈人工神经网络模型,多个输入 数据集被映射到单个数据集中。MLP网络在基于单层神经网络的结构中,在输入层和输出 层之间引入一个或多个隐藏层。回声状态网络(Echo State Networks, ESN)是时间序列预 测等领域得到了广泛的应用一种新的递归神经网络。不同于传统的MLP网络结构,ESN 的隐藏层全连接部分被转变为随机稀疏连接的储备池。储备池使用大规模随机稀疏网络[46] 实现信息处理媒介的功能,输入信号被从低维度状态空间映射到高维度状态空间。在高纬
- 21 -
 
度状态空间中,线性回归训练一部分网络的连接权重,而另一部分随机连接的权重在网络 训练的过程中保持不变。 ESN 中储备池的特点将有效地减少了计算训练时间,在一定程 度上避免了梯度下降优化算法的局部最小化。
 
图3-2 ESN网络结构图
ESN的网络结构如图3-2所示。假定回声状态网络的输入层维度为K,储备池包含N 个隐含层神经元,输出层包含L个神经元。其中,必“(KXN)是输入层和储备层之间的连 接权重矩阵;"(NXN)是储备层内部的连接权重矩阵;%ack(NxZ)是输出层和隐含层之 间的反向连接权重矩阵;WMKXN)、"(NXN)和%ack(NxZ)这三个连接权重矩阵在训 练开始就被设置完毕且在代的过程中不再更改。%讥(厶x (K + N + £))是对于从上一次迭 代到当前迭代的输出层、储备池以及输入层的连接权重矩阵;在迭代过程即为对Wout进行 更改以完成网络训练。
隐含层和输出层在网络迭代过程中不断更近的过程如公式(3-1)和公式(3-2)所示:
h(i +1) = f(W”.u(i +1) + W-h(i) + Wb - j(i)) (3-1)
J (i +1) = g (Wout •[" (i +1) ;h (i +1)]- J (i)) (3 -2)
式中,i = 1,-m是设定的网络迭代次数,u(i)是第i时刻的输入历史时刻风速和风功 率数据,Zi(i)是第i时刻储备池的输出,y(i)是第i时刻输出层的输出;f =(办,…,丘)是神经 元在储备池中的激活函数,通常设置为sigmoid、tanh等的非线性函数;9 = @1,…,%)是
- 22 - 神经元在输出层中的激活函数,通常是线性函数。
3.2.2回声状态网络主要参数
储备池是具有随机生成、稀疏连接特征的递归结构,是决定 ESN 性能的核心结构[47]。
储备池中起主导作用的四个参数分为是:储备池模型N、储备池谱半径SR、储备池稀疏程 度SD和输入单元尺度IS。
(1)储备池规模No N表示储备池中所包含的神经元的个数。N的取值越大,则代表 其对应的储备池规模越大,进而网络的预测精度越高。当N取值过大,将导致过拟合现象, 并会降低网络的计算效率。
(2)储备池谱半径SRo SR表示储备池内部连接权重矩阵W(N X N)的最大特征值得 绝对值,是决定储备池记忆能力的主要影响因子,网络稳定的必要条件需保证 SR<1。
(3)储备池稀疏程度SDo SD表示储备池内部神经元的连接情况,是储备池中相互连 接的神经元总数占神经元总数的百分比。当 SD 取值越大时,储备池中所呈现出的非线性 逼近能力越强,一般取 1%-5%。
(4)输入单元尺度ISo IS表示将输入层连接到储备池之前的尺度因子,是实现输入 信号的一定标度,并将输入信号乘积尺度因子转化为相应的神经元激活函数范围。若储备 池中处理的信号非线性越强,则对应的IS值就越大。
3.2.3 回声状态网络训练过程
ESN训练过程是基于指定的训练样本确定系数输出连接权矩阵Wout的过程。训练过程 可分为两个阶段:采样阶段和权值计算阶段[48]。
采样阶段:网络的初始状态任意选定,一般设初始状态为零,即双0) = 0。训练样本 (u(t),t= 1,2,…,P)经过输入层连接权矩阵必”进入到储备池;按照前述公式(3-1)和公式 (3-2)依次完成系统状态和输出y(t )的计算和收集。
为了计算输出层连接权矩阵,需从某 m 时刻开始收集内部状态变量,并以向量 (x1(i),x2(i), — ,xN(i))(i = m,m = 1,…,P)为构成行矩阵B(P - m + 1,N),此时相应的样 本数据y(t )也被收集,并构成一个列向量T(P-m + 1,1)。
权值计算阶段:根据采样阶段收集到的状态矩阵和样本数量计算输出连接权矩阵W°ut 的过程。
因为状态变量x(t)和预测输出y(t )之间是线性关系,所以将利用预测输出y(t )逼近期望
输出y(t)作为目标: L
y(t) y(t) =^wfut xt(t) (3-3)
1=1
计算权值矩阵需满足系统最小均方误差的要求,求解目标如公式(3-4)所示:
 
- 23 -
 
P ( L
p-^+iZ(y(t)-Z
t=m \ i=1
其中,M 为输入x1(t),%2(t), — ,xw(t),t = m,m + 1,…,P构成的(P - m + 1) x N的矩阵;
T为输出y(t)构成的(P - m + 1) x 1的列矩阵。
3.3非参数核密度估计
3.3.1概率密度估计
概率密度(Probability Density, PD)是观察值与其概率之间的一种关系。概率密度的总 体形状被称为概率分布(Probability Distribution),常见的概率分布有均匀分布、正态分布、 指数分布等。对随机变量特定结果的概率计算是通过概率密度函数(Probability Dense Function, PDF)来完成的。但是,通常情况下我们不知道一个随机变量的PDF,因此我们 需要不断去逼近这个PDF,而逼近的这个过程就是概率密度估计(Probability Dense Estimation, PDE)。
在逼近求取估计对象的PDF时需要取得估计对象的累积分布函数(Cumulative Distribution Function, CDF)。通过对概率密度函数做积分得到累计分布函数。累计分布函数 给出了任意变量的分布情况,其函数公式如公式(3-6)所示:
M) = P(X < %) (3-6)
所有不大于 X 的值出现的总和即为累积分布函数的值。
对概率密度函数做积分得到累积分布函数的计算公式如公式(3-7)所示:
5c(x) = f 氏(匕)必 (3-7)
—8
式中,£(t)是累积分布函数对应的概率密度函数。
估计对象X落在某置信水平为(1-0) x 100%的置信区间()的概率可通过累计估计 函数和概率密度函数获得,其计算公式如公式(3-8)所示:
b
P(x e (a,b))=心(b)-弘(b) = f 氏(t)dt (3-8)
a
3.3.2 非参数核密度估计
数据的密度函数或分布函数作为分析数据样本特征的主要手段被普遍使用。然而,与 数据样本相对应的总体密度函数和分布函数是通常是未知的,需要对其进行估计,以获得 总体信息。在现有的经验提供充分的信息表明数据总体的密度函数形式为已知时,可以使 用最大似然估计等参数方法。如果密度函数的形式假设是错误的,则使用参数推断方法会
- 24 -
 
得出错误的结论。在这种情况下,非常有必要开发一种不依赖于密度函数形式的方法。非 参数密度估计方法就是这样一种不依赖于密度函数形式假设的密度函数估计方法。
由于非参数方法不需要采用密度函数的形式,因此它们适用于多种类型的数据,如非 正态数据、重尾数据等。 密度函数的非参数方法包括核密度估计、近邻估计、序列估计、 罚似然估计方法和局部似然估计方法。密度估计方法是目前应用最广泛、最理论化的方法。
核密度估计方法(kernel density estimation,KDE)作为一种非参数估计法,可以直接 提供概率密度函数并输出预测区间的上下限。与参数估计法相比,它不对数据分布进行任 何假设,而是根据预测的预测数据构造具有较高可靠性的区间。计算公式如公式(3-9)所示: 術/吩学]¥[ (3-9)
式中:q(p,l)为基于非参数核密度估计的风功率概率密度函数;k(p,l)为核函数;pt为 风功率的第i个样本值;/为带宽,当带宽过大可能因为损失过多细节而造成粗糙度估计, 当带宽过小又可能因为出现太多的细节使得不够平滑,进而不能足够泛化到其他新的样本。 本研究通过他人经验先设置了一个带宽 l 的初值,后续根据区间预测结果不断调整获取最 佳带宽。
为保证被估计概率密度函数的连续性,核函数k(p)需为对称平滑非负函数,其需要满 足以下特性:
J K (p)dp = 1
pK (p)dp = 0 (3-10)
J p2 K (p)dp = c
式中,c为常数。
在满足公式(3-7)的前提下,核函数的选择是多样的。常用的核函数包括三角形核函数、 四次核函数、三权核函数、高斯核函数和余弦核函数等。本研究选择高斯核函数作为风功 率概率密度估计的核函数是因为其具有可映射到无线维度、决策边界多样性等优点。高斯 函数的计算公式如公式(3-11)所示:
 
由公式(3-9)和公式(3-11)可得,风功率概率密度函数的非参数核密度估计可以改写为:
&(p,o=击 Sexp [-2 [专]丨 (3-12)
3.4实验结果及分析
- 25 -
 
3.4.1实验环境和数据准备
研究所用的风机数据均来自中国东北某风电场的实际生产数据,收集的风速和风功率 数据涵盖2019年1月至2019年12月期间,分辨率为2分钟。为了验证所提出预测模型 的推广可行性,在风场中随机选取单台风机的生产数据作为实验数据。每个数据集的样本 个数为20000多,其中前70%数据样本作为模型的训练集,其余30%数据样本作为模型的 测试集。
所有实验都是在一台配备了 i5-6300hq(2.30ghz)四核处理器、16GB内存和windows10
64 操作系统的个人电脑上完成的。
3.4.2 风功率区间预测评价指标
若仅使用单一的误差评价指标不足以全面证明所建立模型的预测效果,因此选用平均 百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)多个指标,综合评价 所建立模型的预测效果。
 
 
 
(3-14)
7 t=1
^test
(3-15)
式中,Ntest表示用于测试的样本数量,Pi表示第i个风功率的实际值,%表示第i个风 功率的预测值。
本研究采用预测区间覆盖率和宽度的评价指标对预测区间的性能进行定量的评价,另 采用综合性能评价指标来平衡区间覆盖率和宽度,实现当满足一定区间概率的同时,区间 宽度尽可能小。
(1)预测区间覆盖率(PI Coverage Probability ,PICP)
区间覆盖率(置信度)是预测区间的关键特征。PICP表示概率目标值被上下界覆盖的 概率,即风功率预测结果落入指定预测区间的概率。PICP越大意味着有更多的目标落入构 造的预测区间中,反之亦然,PICP的定义如公式(3-16)所示:
(3-16)
式中,Mest表示测试集样本数,G表示布尔变量。如果目标值©介于预测区间下限b和 预测区间上限S之间,则G=1,否则G=0。Ci的定义如公式(3-17)所示:
- 26 -
 
1, tt € 血 S]
° ={0, t & [Lt, Ut]
2)预测区间归一化平均宽度 (PI Normalized Average Width ,PINAW)
NtestRj ,"
1=1
式中,R表示目标值t°的变化范围(最大值和最小值之差)。使用R的目的是以百分
比的形式归一化预测区间的平均宽度,是的 PINAW 的结果更加客观准确。
(3)预测区间综合评价指标(Coverage Width-Based Criterion ,CWC)
CWC = PINAW(1 + y(PICP)e-"(PicP-Q)
式中,T]和“是两个控制参数,“和置信水平100(1 — 0)%相同,7]是放大PICP和“之间 差异的超参数,这里乃设置为50。y(PICP)是一个阶跃函数,其值取决于PICP的满意程度。
 
如果PICP不小于指定W(PICP) = 0。否则,y(PICP) = 1。
3.4.3时序特征选择结果
基于皮尔逊相关系数、随机森林和 LASSO 回归算法综合结果确定了风功率区间预测 建模的输入数据时间序列维度。为了验证风功率历史数据的时序特征选择对风功率预测建 模的影响,根据不同输入数据时序特征维度设计了五组不同时间序列长度的对比实验依次 通过回声状态网络进行预测建模。通过比较三个预测模型预测结果的 MAPE、RMSE、MAE 三个评价指标大小对比预测效果。五组对比实验的模型输入分别如表 3-1 所示,回声状态 网络模型参数相同。实验预测结果通过各项评价指标大小比较进行判断验证,实验结果如 表 3-2 所示。
表 3-1 特征选择对比实验的模型输入
实验组别
 
 
 
 
 
- 27 -
表3-2采用ESN预测建模实验结果
实验组别 MAPE(%) MAE(kW) RMSE(kW)
I 11.615 114.037 162.579
II 11.505 113.116 161.658
I 11.188 110.903 157.569
IV 11.482 113.012 160.861
V 11.413 112.012 1258.465
 
五组实验预测结果对比可得:实验III的结果相对较好,即选择前五个历史时刻风功率 和三类风速作为预测模型输入是更为有效的。输入数据时序特征的确定为下一步预测实验 建模,提高预测精度提供了基本的数据支持。
3.4.4基于数据分解的数据重构结果
为进一步验证 VMD 分解算法对于提升风功率预测模型精度的效果,本研究将分解的 风功率数据集按着均分风速的方式分为低、中、高三类。在不同风速类型中验证VMD数 据分解重构对提高预测建模精度的高效能。
根据实验所用风机的风速范围在数值上均分为低中高三类风速:当风速数值介于区间 (0,8](单位:m/s)为低风速;当风速数值介于区间[9,16](单位:m/s)为中风速;当风速数 值介于区间(17,25](单位:m/s)为高风速。分别用ARIMA、ELM、DBN和ESN进行预测 测试。比较预测效果通过对比各个预测结果的各项评价指标的大小。各个预测模型分解前 后所得评价指标结果如表 3-3 和表 3-4 所示。
表 3-3 按低、中、高风速分类的分解前预测结果
风速范围 评价指标 ARIMA ELM DBN ESN
(0,8)m/s MAE(kW) 140.412 122.860 112.940 116.168
RMSE(kW) 204.053 187.019 154.684 164.323
MAPE(%) 26.663 21.995 20.545 22.123
[9,16]m/s MAE(kW) 129.171 120.654 120.050 116.333
RMSE(kW) 183.989 172.066 172.466 163.810
MAPE(%) 13.389 12.295 12.039 11.810
(17,25]m/s MAE(kW) 68.491 55.836 46.744 50.135
RMSE(kW) 122.996 84.102 67.069 65.959
MAP E(%) 4.079 2.707 2.270 2.437
 
- 28 -
表 3-4 按低、中、高风速分类的分解后预测结果
风速范围 评价指标 ARIMA ELM DBN ESN
(0,8)m/s MAE(kW) 123.558 101.056 108.915 71.226
RMSE(kW) 187.955 147.184 146.561 93.293
MAPE(%) 23.652 19.234 19.016 14.338
[9,16]m/s MAE(kW) 31.743 66.140 27.265 17.947
RMSE(kW) 66.623 95.104 43.014 30.294
MAPE(%) 3.484 6.890 2.938 1.981
(17,25]m/s MAE(kW) 47.398 48.774 25.771 12.381
RMSE(kW) 97.884 65.537 40.831 34.736
MAPE(%) 3.059 2.367 1.245 0.602
 
实验结果显示,低中高三类风速通过VMD分解算法处理过的数据所取得的预测效果 均明显优于未分解数据。低风速下风功率预测ARIMA、ELM、DBN和ESN模型的MAPE 指标分别改进了 11.29%、12.55%、7.44%和 28.74%; MAE 指标分别改进了 12.00%、17.74%、 3.56%和 38.69%; RMSE 指标分别改进了 7.89%、21.29%、5.25%和 43.22%。中风速下风 功率预测ARIMA、ELM、DBN和ESN模型的MAPE指标分别改进了 73.97%、68.36%、 75.59%和 83.23%; MAE 指标分别改进了 75.43%、45.18%、77.25%和 84.57%; RMSE 指 标分别改进了 63.78%、 44.73%、 74.91%和81.51%;高风速下风功率预测 ARIMA、ELM、 DBN 和 ESN 模型的 MAPE 指标分别改进了 25.01%、12.56%、45.15%和 67.29%; MAE 指 标分别改进了 30.81%、12.64%、44.86%和 75.31%; RMSE 指标分别改进了 20.42%、22.07%、 43.67%和47.33 o原始数据通过VMD分解将数据中的噪声信号去除,使得所构建的预测模 型更接近实际生产情况。三类风速下的风功率预测对比实验证明了 VMD 分解算法对于提 升预测精度的可能性和高效能。
另外,分析低中高三类风速下的风功率预测结果可知:当风速处于低风速状态时,风 速处于风机运行切入风速左右。因此,低风速下的风的运行状态不稳定,输出的风功率也 非常不稳定,进而风功率的预测结果也不佳。当风速处于中风速和高风速状态时,尤其是 中风速段,风速和风功率的关系呈现正相关,风功率的预测效果最好;而高风速段受到当 风速大于风机运行切出风速时风机停止运行的影响。
3.4.5不同模型预测结果比较分析
选择风场中的四台风机分别建立风功率区间预测模型,在 95%置信区间下的 VMD- ESN-KDE 超短期风功率区间预测结果如图 3-3 和图 3-4 所示。评价指标 MAPE、PICP、 PINAW和CWC用来评估预测区间的精确性。对比其他三类区间预测模型的预测结果,验
- 29 -
 
证本研究所提出模型的精确性。对比实验区间预测结果如表3-5所示:
表 3-5 不同模型风功率区间预测结果
评价指标 风机#1 风机#2 风机#3 风机#4
VMD-ESN-KDE MAPE(%) 2.24 2.41 2.31 2.16
PICP 0.974 0.970 0.973 0.975
PINAW 0.065 0.0681 0.0631 0.062
CWC 50.165 60.676 52.455 48.328
VMD-ARIMA-KDE MAPE(%) 5.12 5.61 4.87 4.81
PICP 0.9231 0.9211 0.92 0.9301
PINAW 0.0944 0.0939 0.0940 0.0955
CWC 416.452 481.148 470.463 282.064
VMD-ELM-KDE MAPE(%) 3.45 3.87 3.67 3.77
PICP 0.9381 0.931 0.9372 0.932
PINAW 0.0843 0.0827 0.0856 0.082
CWC 217.174 313.451 234.343 300.146
VMD-DBN-KDE MAPE(%) 2.629 2.952 2.43 3.232
PICP 0.9556 0.9500 0.965 0.9472
PINAW 0.0843 0.0827 0.0856 0.082
CWC 110.164 142.131 70.634 161.616
 
依据表 3-5 的实验结果所绘制的柱状图 3-4 分别展示了区间预测模型对比实验评价指 标:MAPE、PICP、PINAW和CWC的结果。结合表3-5和图3-4的对比实验结果清晰可 见,在置信度为 95%的情况下,以高斯分布作为核函数的非参数估计方法建立的 VMD- ESN-KDE 区间预测模型得到的四台风机的区间覆盖率均达到在 97%及以上;结合区间宽 度评价指标结果,实现了在区间宽度相对窄的情况下,更多的数据落入所预测的区间中; 四台风机综合区间性能评价指标均为最小。通过四类区间预测模型预测结果比较可以得出: 所提出的VMD-ESN-KED风功率区间预测模型表现出较好的区间覆盖率和宽度平衡指标。
在图3-4中展示了四台风机分别通过VMD-ESN-KDE模型得到的风功率区间预测结 果。为了更好的显示预测结果,四台风机均随机选取了测试集中 720个数据的预测结果用 于绘制预测区间结果图。在(a)-(d)四组图中:灰色阴影区域代表风功率预测区间,蓝色折 线代表风功率测试集真实值,红色折线代表点预测风功率值;区间阴影折线图的上部分是 预测模型的残差,残差的波动和幅度反映了区间预测的质量。
- 30 -
 
 
凤机#1 风机#2 凤机#3 风机#4
风机#1
风机#2
风机#3
凤机#4
VHD-ESN-KDE VMD-ARIMA-KDE ■: VMJ-ELM-KDE VHD-DBN-KDE
Hdvs
 
 
 
 
 
 
 
 
 
 
a)四台风机不同模型MAPE结果对比 b)四台风机不同模型PICP结果对比
 
 
风机#2
凤机#3
风机#4
风机#1
风机#3
风机#4
风机#〔
风机#2
 
 
 
 
 
 
 
 
 
 
c)四台风机不同模型PINAW结果对比 d)四台风机不同模型CWC结果对比
图 3-3 不同模型四台风机对比预测结果
 
 
(API)*吕区
(AVI)*揖区
50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 800
风机#1
风机#2
 
 
 
 
 
 
 
 
 
a) 风机#1 区间预测结果
b) 风机#2 区间预测结果
 
 
 
(M3)>椁区
风机#4
(API)*吕区
 
 
 
 
 
 
 
 
 
c) 风机#3 区间预测结果 d) 风机#4区间预测结果
图3-4基于VME-ESN-KDE风功率区间预测结果
3.5本章小结
结合第二章介绍的研究内容,本章节提出了一种基于核密度估计的超短期风功率区间 预测模型。通过对数据预处理后的数据进一步进行时序特征选择和数据分解的输入变量进 行了超短期风功率区间预测建模并实验。基于实际风场生产数据所得实验结果得到如下结 论:
(1) 从实际生产风电场的SCADA系统中获取的数据存在缺失和异常数据等情况,通 过对原始数据进行异常数据筛选和缺失数据填充等预处理,可以提高预测模型的可信度和 准确性;
(2) 采用皮尔逊相关性系数、随机森林和 LASSO 算法进行综合特征选择。根据基于 重要性排序的特征选择结果,更有效的挖掘数据特征,确定最终预测模型输入的历史风功 率时序特征,有效增加预测模型的预测精度;
(3) 采用VMD分解算法对模型输入数据进行分解重构处理。并通过验证低中高三类 风速下的风功率建模预测效果,证实了 VMD分解算法对数据的分解处理,有效的提高了 预测模型精度;
(4) 结合ESN网络的风功率预测结果,通过非参数核密度估计建立预测风功率的概 率区间。与另外不同的三种算法的比较,证明了本研究所提出的VMD-ESN-KDE算法在超 短期风功率区间预测上的精确性。
综上3.4.3、 3.4.4和3.4.5的实验结果及分析可得出结论:本研究所建立的风功率区间 预测模可优化风功率点预测结果的局限性,进而为实现风电场功率分配策略提供数据支持。
- 32 -
第 4 章 基于风功率区间预测的功率分配优化策略研究
为使得风电能被电网尽可能多的吸收和利用,更多的风电场被纳入电网的调度系统。 应尽可能地实现降低系统受到的风电输出功率波动的影响,实现可靠的控制风电场输出的 有功功率。在电网安全平稳运行的前提下,最大限度的增加风电并网容量,减少浪费风力 资源,提高风力发电同传统能源发电的电力市场竞争力,发挥风电机组的供电效益最大化 已成为近几年研究人员的重点关注。本章节的主要内容分为以下几部分:4.1 节介绍了风电 机组组合;4.2 节介绍了基于风功率区间预测结果进行功率分配建模的目标函数和约束条 件;4.3 节展示了风电场功率分配优化策略的结果; 4.4 节给出了本章内容的小结。
4.1风电机组组合
由于风能自身存在的波动性,给风力发电带来了随机性较强、平稳性较弱等影响。这 将加大了控制风电发电的难度,进而影响了电网处理风电的消纳能力。风电容量的逐年增 加,为确保风电并网时能安全稳定的运行,我国风电场绝大部分处于限电运行的模式。由 此,风电场普遍存在规模较大的弃风现象,这将带来非必要的资源浪费、增加了风电场维 护成本。
随着风电装机容量的逐年增加,若风电场不参与电力系统调度的工作,仅靠电网侧进 行常规操作风电机组的启停和输出将难以完成并网调节工作。依据国标 GB/T 19963.1-2021 (风电场接入电力系统技术规定)要求:(1)风电场应配备具有有功功率调节能力的有功 功率控制系统。风电场可以接受并自动执行电力系统调度机构发出的有功功率和有功功率 急剧变化的控制命令。风电场有功功率及有功功率变化应满足电力系统调度控制的要求。 (2)风电场应能够自动计算风电场理论可发功率及备用容量,并具有降低总有功功率、增 加总有功率了、改变有功功率变化等自动发电控制功能。
电力市场中的机组组合(又称启停计划)是指在给定调度周期(通常为一天或一周) 内,以最低的成本(消耗)安排发电计划,以达到与给定负荷的平衡,满足一定的约束和 备用要求。如图 4-1 所示为风电机组组合的关系。风电机组组合包含:负荷预测、安全分 析、检修计划、有功经济分配、风电调度、最优潮流和区域交换计划。风电机组安全稳定 运行的同时,为了实现固定周期内的整体经济效益,需要进行合理的功率分配、机组的开 停机计划。
风电场功率分配通常使用平均分配和等比例分配方法。平均分配就是将风电场获取的 分配调度信息平均分配给风场中的各个机组。这种方法计算简单且易于操作,但忽略了各 个机组的实际运行差异,易造成运行状态不佳的机组超负荷出力而提高了机组损毁率。等 比例分配是依据风机的容量进行一定比例的分配,如根据风机的额定容量比例完成调度功
- 33 -
率分配计划。这种方法忽视了机组容量之间的差异,小容量机组易出现超额运行情况,造 成机组受损。
 
图 4-1 风电机组组合的关系
 
4.2功率分配优化策略
4.2.1风电机组发电能力评价
根据风电机组风功率预测数据和调度指令,以风机发电运行能力最佳为目标进行机组 的功率指令的分配。对发电运行能力好的机组分配较大的功率,对发电运行能力较差的机 组分配较小的功率,风机最终输出总功率符合电网调度中心给出的功率指令。
根据风功率区间预测结果,需满足风电机组的预测功率和实际功率较多的落入预测区 间中。在区间宽度较窄的条件下,有更多的数据落如预测区间内,即预测区间拥有较高的 覆盖率。通过获得的风功率预测区间,判定风机的稳定运行状态。当下一时刻输出风功率 较多的落入区间内,判定此时风机为稳定运行状态,反之,判定此时风机为不稳定运行状 态。优选稳定运行的机组作为风机发电能力评判对象,并参与功率分配。
当预测功率和实际功率偏差较小时,判定此时风机发电能力为良好;当预测功率和实 际功率偏差较大时,判定此时风机发电能力为较差。已知风功率预测偏差呈现正态分布, 研究采用正态分布函数拟合偏差信号。通过公式(4-1)能得到预测偏差的上Q分位点。
Za = 7 + GZ; (4-1)
式中,z是风功率点预测结果偏差的均值;"为风功率点预测结果偏差的标准差;za为 标准正态分布的上a分位点,其值需通过查找标准正态分布表获得;Za为偏差分布的上a分 位点。若已确定a的值,即可通过公式(4-1)获得与之对应的Za值。a值的大小表示偏差大于 某点的概率,a的值越小则代表被选择的偏差值越大。风机发电运行能力和偏差值的判别 标准如表 4-1 所示。
- 34 -
 
表 4-1 风机发电运行能力判别标准
风机发电能力 偏差范围
良好 Zo.875 < Z S ^0.125
一般 ^0.125 < Z S Z0.005或Z0.995 < Z S Z0.875
较弱 Z S Z0.995或Z > Z0.005
 
4.2.2优化策略
受风能波动的影响,大部分参与并网的风力发电机组处于功率限制状态。同时,由于 风速和风向的综合影响,各台风发电机组的最大出力不同,各机组的发电能力也不同。接 收到调度中心下达的有功并网指令后,风电场依据每台机组的发电能力进行合理地功率分 配,基于风功率区间预测的功率分配流程如图4-2所示。
 
在接收到电网调度部门下达的有功并网指令前,对风场中的各机组进行区间预测,并 对风电机组的发电能力进行评价。结合调度指令要求和每台风机的发电能力完成风场风机 输出功率的分配。发电能力良好的风机将承担更多的发电任务,同时降低发电能力较差的 风机的功率给定,建立两个优化目标。
(1)风电场的机组总发电满足电网调度中心的发电指令,如公式(4-2)所示:
n
》P:ef = Ptotal (4-2)
i=1
式中,九为风电场机组的总台数;P幕f为第i台机组被分配的功率;Ptotal为调度周期内 风场接收到的出力指令。
(2)风机的总发电能力最强,调度周期内风机发电能力如公式(4-3)所示:
- 35 -
 
n —
E辽沖
max
式中,E为风电场的总体发电能力;础宓为第i台机组最大可输出功率;Ei为第i台机组 的发电能力。为满足调度中心并网出力要求以及风机损伤最小化,调度指令将被分配给发 电能力较好的风电机组。当风机的发电能力状态为良好、一般和较弱时,机组的发电能力 分别取3、2和1。
在合理的控制精度范围中,设定风机最低输出功率为风机在一个调度周期内的目标函
数如公式(4-4)所示。
min {a - E ^re/—^totaZ
i=1
式中,a和b是两个优化目标的权重系数。约束条件如公式(4-5)所示。
Pmin S P陽 S (4-5)
式中,P:in为单台风机的输出最低功率,其值通常是风机出厂额定功率的20%。通过 求得约束条件下的目标函数解,可以得到风场中每台风机分配到的输出功率指令。
4.3功率分配优化策略结果
根据本研究所获得的95%置信度下的ESN-KDE区间风功率区间预测模型的预测结果, 预测值和真实值均落入预测区间内,判定此时风机运行状态为稳定运行状态。选择稳定运 行状态的风机作为研究对象,再通过风功率的预测偏差评价风机的发电能力。
基于第 3 章风功率回声状态网络点预测内容,额定功率为 2.5MW 的风电机组风功率 预测模型所得功率偏差的Zo.005、Zo.125、Zo.875和Z°.995分别是 86.04kW、39.07 kW、-11.03 kW、-58.76 kW,偏差分布如图4-3所示。
 
图 4-3 待评价机组预测功率偏差
综合每台风机的发电能、最大发电功率和电网下发的发电调度指令,采用差分进化算
- 36 -
法(Differential Evolution, DE)求解所建立的目标函数及约束条件,最终获得风场中每台机 组被分配的发电功率任务。本章节将在4个调度周期内,选取5台额定功率为2.5MW的 风电机组开展实验。假设在4个调度周期中,风电场分别得到9MW、8MW、8MW、9MW 的调度指令。5台机组的发电能力分别是3、3、3、2、1,且发电能力保持不变。如表4-2 所示为各个机组在 4 个周期中分别可输出最大功率及其对应的风速。
表 4-2 风电机组单台可输出最大功率及其对应风速
周期 WT1 风功率|风速 (MW)| (m/s) WT2
风功率|风速
(MW)| (m/s) WT3
风功率|风速
(MW)| (m/s) WT4
风功率|风速
(MW)| (m/s) WT5
风功率|风速
(MW)| (m/s)
I 2.2|22.86 2.1|21.45 2.2|22.75 2.2|22.82 2.1|20.67
II 2.1|21.46 2.2|22.25 2.2|22.06 2.1|20.72 2.2|21.24
III 2.2|21.25 2.2|20.65 2.1|20.12 2.2|22.68 2.1|20.09
V 2.2|22.82 2.2|22.46 2.2|21.25 2.2|21.12 2.1|20.54
为得到功率分配优化算法中a、b两个优化目标的权重比例系数,采用DE算法求解目 标函数。通过多次重复独立实验获得的权重系数 a:b 为 3:1 时优化结果最佳。四个周期中 五台机组功率分配结果如表 4-3 所示。
基于风功率预测结构,综合考虑风电场中各个机组可发电最大功率和其发电能力,发 电能力较高的机组承担较大的发电任务,合理的分配发电任务,进而可有效减低机组在限 功率运行中的损伤。
表 4-3 四个周期机组功率分配结果
周期 WT1 WT2 WT3 WT4 WT5
Ptotal(MW) PlefNW) P^f (MW) PRMW) P雋(MW) P鲁(MW)
I|9 2.21 2.18 2.11 1.6 0.5
I|8 2.09 2.09 1.81 1.2 0.5
I|8 1.80 2.09 2.1 0.5 0.5
V|9 1.97 2.17 2.19 1.1 0.5
 
4.4本章小结
本章在第三章风功率区间预测的基础上,依据预测偏差判断风电机组的发电能力,建 立以风场发电总量等于调度中心下达指令发电量和风机总发电能力最优的双目标优化模 型,并通过差分进化算法求解最优权重比例系数。通过实验验证了所提出功率分配优化策 略的可行性和高效能,可用于风场提高风电机组并网效率,完成调度中心下达的出力指令。
- 37 -
第5 章 风功率预测与功率分配控制系统
结合前文所提出的风功率区间预测模型和功率分配优化策略,综合使用Python、C#语 言开发了一套清晰完整的风功率区间预测模型和功率分配策略控制系统。本章节主要的内 容包含如下几个部分:5.1 节介绍了电力市场对于系统需求的分析; 5.2节介绍了基于风功 率区间预测模型的功率分配策略控制系统的整体设计思路; 5.3 节介绍了风功率区间预测 模型的功率分配策略系统的界面设计和功能实现; 5.4节给出了本章内容的小结。
5.1系统需求分析
未来能源系统中,风能将作为主要生产力在能源市场中具备很强的竞争力。利用风能 的发电技术逐日成熟,其商业价值也在不断增加。然而,风能作为风力发电的驱动力是不 可操控的;风速随机性强、波动性大等特点为风力发电投产并网带来了极大的挑战。根据 国家标准的要求:风电场应具有风电场功率预测功能;风电场风电功率预测系统每日两次 向电力系统调度机构报告风电中期和短期预测结果,每 15 分钟向电力系统调度机构报告 超短期预测结果。
为减少风电机组动态的频繁投切对电网稳定运行的干扰,风电场具备一套高精度预测 功率的系统对于稳定高效的运行是非常必要的。依据风功率预测的结果,选择输出功率稳 定的机组完成发电需求的功率分配并网操作。针对风功率预测和功率分配问题,本研究开 发了一套基于风功率区间预测的功率分配系统软件。由于电力系统复杂且运行标准特殊, 开发的预测软件需结合风电场实际生产情况满足如下几个要求:
(1) 软件的设计需符合我国能源行业标准,可以流畅地连接读取风电场现场数据。与 此同时,软件要需具备良好的可操作性,方便现场工作人员操作和后续的系统升级维护。
(2) 软件登录需要确认登录账号和登录密码,账号密码正确方可登录;另外,软件还 需对登录用户的权利进行划分,限定操作员的使用权限。
(3) 软件需满足风电场实时风功率预测、功率分配的功能需求。
5.2系统设计思路
以C#语言和visual studio 2013平台为开发环境,编译并发布本研究所设计的系统界 面。所开发的系统界面通过组合多种形式和不同功能的组件来实现。如图 5-1 所示的基于 风功率区间预测智能风功率分配控制系统结构图,为匹配风电场的生产需求,读取风电场 的数据监测和管理系统,以图表等形式将生产数据进行可视化展示,连接机器学习等算法, 实现风功率的短期预测及功率分配策略优化的设计目标。
- 38 -
基于风功率区间预测的智能功率分配策略系统
 
 
 
 
图 5-1 基于风功率区间预测智能风功率分配控制系统结构图
基于风功率区间预测的智能功率分配控制系统各模块功能描述:
(1)授权用户访问模块:该模块用于验证用户访问系统的权限,要求用户在访问系统 前使用 ID 帐号和正确密码登录。系统将自动确定用户是否为管理员,并根据用户级别给 予不同的系统访问权限;
(2)数据管理模块:该模块读取风电场SCADA系统的生产运行数据,选择样本个数 和采样时间,选择不同的参数将数据以图像形式可视化;
(3) 功率曲线模块:该模块通过获取风功率和风速数据绘制运行中的动态实时运行功 率曲线;
(4) 风功率预测模块:该模块实现了 Python 程序与系统的连接. 可根据用户需要建 立风功率区间预测模型。 用户可以通过图像和评价指标结果来评价预测结果。另外,用户 可依据不同的需求,自由的调节模型参数而获得不同精度的预测结果;
(5) 功率分配模块:此模块将结合风功率区间预测结果和风电并网调度指标监测风电 场的风机状态供用户判断调控风电机组;
(6) 用户管理模块:该模块允许使用者添加或修改登录用户访问权限; 为了提高系统数据计算、结果查询等功能,系统增加了一个工具栏,配有放大镜、计
算器、截图等功能齐全的小工具。
5.3系统的界面设计和功能实现
5.3.1授权用户访问模块
进入操作系统软件首先进入到如图5-2 所示的授权用户登录界面。使用者需在账号与 密码的对话框内分别依次输入正确信息,点击“登录”按键即可登陆成功。若使用者在首 次登录前勾选“记住密码”,系统将默认使用者的登录信息,再次使用前无需重复输入账号
- 39 -
 
和密码即可自动登入。同理,使用者勾选“开机启动”时即可点开软件就登录进入系统, 此功能需结合“记住密码”同步使用。
 
 
 
图 5-2 授权用户登录界面
5.3.2数据管理模块
町基于风功率区间预测的功率分配累统
 
图 5-3 数据管理界面
- 40 -
确认登录账号和密码,用户即获得对系统中数据管理模块操作界面的访问权限。如图
5-3所示,该模块实现了与数据库的互选和连接,利用C#语言编写了风力发电机远程监测 软件具有良好的人机对话功能。
在图5-3中,界面的左侧表格展示了从风场SCADA系统中读取的数据,包括风机的 编号、有功功率、瞬时风速、风向角、桨距角等数据;用户可以通过界面右侧的日历直观 地查看当月某一天的风机生产数据,还可以自主调设采样的时间和个数;通过选择有功功 率、瞬时风速、桨距角和风向角的参数,在界面底部给出相应的参数分布特性曲线。
5.3.3功率曲线模块
单击主菜单栏中的"功率曲线"按键,系统将转入绘制功率曲线模块的界面。
 
图 5-4 功率曲线界面
 
如图 5-4 所示,该界面将实现根据风功率、风速数据绘制功率曲线的功能。界面左侧 是以表格形式展示的风机编号、风功率和风速数据,点击界面右下角“绘制”按键即可在 右侧框图中得到“S”型功率曲线。并且可以通过点击“刷新”按键实时更新风机实际运行 中的功率曲线,点击“保存”按键即可保存所绘制的功率曲线图。
5.3.4风功率预测模块
单击主菜单栏中的"风功率预测"按键,系统将转入风功率区间预测的界面。 该模块用于选择预测模型中使用的算法并设置模型中的参数,实现风功率周期的预测
- 41 -
 
功能。如图 5-5 所示,界面左侧数据表展示了用于风功率预测建模的输入数据,根据不同 的需求选择预测模型输入的采样时间和采样个数。单击界面中的红色“运行”按键,即可 获得风功率预测结果。界面中的折线图用于直观的判断风功率预测结果,展示出风功率的 真实值和预测值以及预测区间的上限和下限。为了更精准的评判预测模型预测精度,在界 面的底部提供了 MAPE、PICP 和 PINAW 模型评价指标的计算结果。 此外,使用者还可 以使用不同的算法,根据操作指令建立相应的区间预测模型。单击红色“刷新”按键可清 空所有选项重新开始新一轮的预测建模。最后可根据使用者的需求,单击红色“保存”按 键保存最佳风功率区间预测结果。
基于风功率区间预测的功率分配累统
 
图 5-5 风功率预测界面
5.3.5功率分配模块
单击选择左上角主菜单中的“功率分配”选项即可跳转进入如图 5-6 所示的功率分配 模块。
该模块旨在通过风功率预测偏差评估风机的发电能力,根据接收的电网下达的调度指 令实现风场发电机组功率分配的需求。点击界面下端“开始分配”按键,即获得界面左侧 展示的待测机组预测功率偏差结果折线和界面右侧展示的基于风机发电能力的功率分配 结果图。与此同时,用户可以根据不同需求选择不同按键,开始新一轮调度分配时,点击
“刷新”按键清除上一轮的实验数据及结果,避免影响新一轮功率分配实验结果的混淆。 用户还可以自行选择展示、保存以及打印风场功率分配结果。
- 42 -
 
 
■3基于风功率区间预测的功率分配票统
|戟据管理 功率曲线 风功半倾测 功华令* 同户管理 工具
 
 
 
 
图 5-6 功率分配界面
5.3.6用户管理模块
 
如图 5-7 为基于风功率预测的功率分配控制系统的用户管理模块界面。该界面的左侧 展示了用户信息管理列表,此列表包含了使用者的档案号、登录账号、账号密码、管理等 级和账户状态的用户信息。其中管理等级分为:管理人员、操作人员和运行人员。管理员
- 43 -
身份的使用者可操作界面右侧的“添加”按键、“删除”按键和“修改”按键执行添加、删 除以及修改登录访问用户信息的操作。同时,管理人员还可以增加或修改用户密码及用户 等级。
5.4本章小结
本章节首先结合发展现状对风电场的软件需求展开了合理的分析;随后,依据第三节 风功率区间预测和第四节功率分配所提出的内容,利用C#和Python开发了一套基于风功 率区间预测的功率分配策略优化系统。介绍了系统的总体设计框架和设计思路并逐一介绍 了系统包含的各个模块的内容及作用。本系统可以满足风电场实际现场操作需求,具有较 好的安全性和可调性。系统功能可依据风电场后续实际生产需求给予扩充并逐步完善。
- 44 -
结 论
风能作为可持续绿色清洁能源,大力发展风电将助力达成“双碳”目标。我国乃至全 球各国的风电并网装机容量均呈逐年增长趋势。然而,受地形地貌、气候变化等因素的多 重作用,风能呈现出极强的波动性、随机性等特点,这将为大力开发利用风力发电带来挑 战。高精度的风功率预测可为风电安全稳定运行提供技术保障。当风电功率占区域电网功 率的百分比较高时,将增加并网有功调节的难度,电网整体的故障率也会随之增加。调度 中心分配给风电场的调度指令,如何高效的分配给各个风电机组完成发并网计划变得尤其 重要。因此,本课题以风电场发出功率为研究对象,建立了风功率区间预测模型,根据区 间预测结果设计风电场功率分配优化策略,开发了一套基于风功率区间预测的功率分配策 略系统,为满足风电场实际生产需求提供了技术支持。具体研究内容如下:
(1) 风电机组机理分析,获取实验数据。从风电场SCADA系统中提取的风电机组的 运行数据中不仅有正常运行数据,还掺杂着由于风能的间歇性和随机性所产生的异常数据。 这将造成所提取的数据集存在大量冗杂、无效的奇异值点以及数据缺失不完整的问题。针 对此类问题,研究首先根据风电机组实际风速和风功率数据绘制实时运行功率曲线,分析 异常值产生的原因,并选取正常运行状态(非限功率运行)的风电机组作为研究对象。原始 数据中其他类型的异常值采用3。法则方法识别并筛除。针对原始数据值缺失的情况采用 插值法完成填充;
(2) 确定预测模型的输入。完成对原始风功率数据的数据预处理后,采用Max-Min归 一化方法消除风速和风功率数据之间量纲差异给预测模型精度带来的影响。综合皮尔逊相 关性系数、随机森林和 LASSO 算法所得的历史风功率序列重要性排序结果获取模型输入 数据的时序特征;通过VMD算法分解风功率的时间序列,扩大了输入维度,数据重构确 定预测模型的最终输入;
(3) 建立风功率区间预测模型。由于风功率点预测受风能波动性的影响,其预测结果 存在一定的局限性,而区间预测中包含更多的误差信息,与风能的波动性更相适应,对风 电场的稳定运行更具有指导性。综合三类风速和风功率时间序列作为模型输入,建立了基 于非参数核密度估计方法的风功率区间预测模型。
(4) 设计优化功率分配策略。基于风功率区间预测结果,依据预测偏差判断机组的发 电能力,建立以风场发电总量等于调度中心下达指令发电量和风机总发电能力最优的双目 标优化模型。差分进化算法求解最优权重比例系数,获得功率分配策略优化结果。
(5) 所研究模型的实际应用。为了将研究提出的风功率区间预测模型和功率分配优化 策略用于风电场实际生产中,利用C#语言设计了一套基于风功率区间预测的功率分配策 略系统。该系统包含:数据管理、风功率预测及结果分析、功率分配等功能。
- 45 -
针对风电场风功率区间预测和功率分配优化策略展开了理论研究和实验分析,然而还 存在不足之处。为解决风电安全高效并网、减少“弃风限电”等现实问题还需要更深入且 全面的展开讨论研究:
(1) 进行风功率预测建模研究时并未加入数值天气预报,同时也没有对风电场所处的 地理环境进行分析。在下一阶段研究中加入数值天气预报信息,分析其对建模精度的影响; 增加对风电场地形、地貌等参数的研究,提高风功率预测的精度;
(2) 课题中的功率分配只涉及到风电机组的发电能力,而并未考虑风机机组其他健康 状态,以及启停次数。在下一阶段研究中可以加入更多风机运行状态进行风电场有功功率 分配。
(3) 开发的风功率区间预测和功率分配策略系统虽然能满足风电场基本生产需求,但 程序部分仍需进一步完善,并逐步增加新的功能,从而使系统更适配现实风场需求,可为 生产运行提供更多信息。
- 46 -
参考文献
[1]庞名立.2021年全球风电场报告[R].中国电力网,2021.
[2]Yuan X H, Chen C, Jiang M, et al. Prediction interval of wind power using parameter optimized Beta distribution based LSTM model[J]. Applied Soft Computing Journal, 2019, 82: 1-10, 105550.
[3]Cai Y L, Breon F M. Wind power potential and intermittency issues in the context of climate change[J]. Energy Conversion and Management, 2021, 240: 1-19, 114276.
[4]王一妹,刘辉,宋鹏,等.基于高斯混合模型聚类的风电场短期功率预测方法J].电力 系统自动化, 2021, 45(7): 37-43.
[5]孙荣富,张涛,徐海翔.风电功率预测关键技术及应用综述[J].高电压技术,2021, 47(4): 1129-1143.
[6]林卫星,文劲宇,艾小猛.风电功率波动特性的概率分布J].研究中国电机工程学报, 2021, 32(1): 38-46.
[7]Peng X S, Wang H Y, Lang J X, et al. EALSTM-QR:Interval wind-power prediction model based on numerical weather prediction and deep learning[J]. Energy, 2021, 220: 1-13, 119692.
[8]张文秀,武新芳,陆豪乾.风电功率预测技术综述与改进建议[J].电力与能源,2012, 35(4): 436-441.
[9]Ouyang T H, Zha X M, Qin L. A combined multivariate model for wind power prediction[J]. Energy Conversion and Management, 2017, 144: 361-373.
[10]赵萌萌,刘达,沈美娜,等.基于CEEMD和随机森林风力发电功率预测J].新能源 New Energy, 2019, 47(10): 36-43.
[11]王新友,李青,郑少鹏.基于EWT-ESN的短期风电功率预测研究J].太阳能学报,2018, 39(3), 633-642.
[12]Li L L, Chang Y B, Tseng M L, et al. Wind power prediction using a novel model on wavelet decomposition-support vector machines-improved search algorithm[J]. Journal of Cleaner Production, 2020, 270: 1-12, 121817.
[13]Naik J, Dash P K, Dhar S. A multi-objective wind speed and wind power prediction interval forecasting using variational modes decomposition based Multi-kernel robust ridge regression[J]. Renewable Energy, 2019, 136: 701-731.
[14]牛安敏,张宏立,王聪.基于VMD-Leaky-ESN的电力系统短期负荷多步预测方法[J]. 新疆大学学报(自然科学版), 2020, 37(4): 562-569.
[15]Wang H Z, Lei Z X, Liu Y, et al. Echo state network based ensemble approach for wind power
- 47 -
forecasting[J]. Energy Conversion and Management, 2019, 201: 1-15, 112188.
[16]金鑫城, 杨秀媛. 基于失真数据降噪的数据预处理方法及其在风电功率预测中的应用 [J]. 发电技术, 2018, 39(3): 1-5.
[17]Yan J, Ouyang T H. Advanced wind power prediction based on data-driven error correction[J]. Energy Conversion and Management, 2019, 180: 302-311.
[18]Yuan X H, Chen C, Yuan Y B, et al. Short-term wind power prediction based on LSSVM— GSA model[J]. Energy Conversion and Management, 2015, 101: 393-401.
[19]杨宏, 苑津莎, 张铁峰. 一种基于 Beta 分布的风电功率预测误差最小概率区间的模型 和算法[J].中国电机工程学报,2015, 35(9): 2136-2142.
[20]吴晓刚,鲁宗相,乔颖.基于功率预测误差修正的日前风电出力分布估计[J].云南电力 技术, 2019, 47(3): 13-18.
[21]杨茂,都键,李大勇,等.基于集对分析聚类法的超短期风电功率区间预测[J].可再生 能源, 2017, 35(9): 1324-1330.
[22]刘兴杰,谢春雨.基于贝塔分布的风电功率波动区间估计[J].电力自动化设备,2014, 34(12): 26-30.
[23]李智,韩学山,杨明,等.基于分位回归的风电功率波动区间分析[J].电力系统自动化, 2011, 35(3): 83-87.
[24]Hu J M, Tang J W, Lin Y Y. A novel wind power probabilistic forecasting approach based on joint quantile regression and multi-objective optimization[J]. Renewable Energy, 2020, 149: 141-164.
[25]兰飞,桑川川,梁浚杰,等.基于条件Copula函数的风电功率区间预测[J].中国电机工 程学报, 2016, 36(增刊): 79-86.
[26]杨楠,崔家展,周峥,等.基于模糊序优化的风功率概率模型非参数核密度估计方法[J]. 电网技术, 2016, 40(2): 336-340.
[27]杨锡运, 关文渊, 刘玉奇, 等. 基于粒子群优化的极限学习机模型的风电功率区间预测 方法[J].中国电机工程学报,2015, 35(增刊):114-153.
[28]Lv J Q, Zheng X D, Pawlak M, et al. Very short-term probabilistic wind power prediction using sparse machine learning and nonparametric density estimation algorithms[J]. Renewable Energy, 2021, 177: 181-192.
[29]Naik J, Dash P K, Dhar S. A multi-objective wind speed and wind power prediction interval forecasting using variational modes decomposition based Multi-kernel robust ridge regression[J]. Renewable Energy, 2019, 136: 701-731.
[30]Shen Y X, Lu X. Short-term wind power intervals prediction based on generalized morphological filter and artificial bee colony neural network[C]. 2016 35th Chinese Control Conference (CCC), 2016, 8501-8506.
- 48 -
[31]Li C S, Tang G, Xue X M, et al. The short-term interval prediction of wind power using the deep learning model with gradient descend optimization[J]. Renewable Energy, 2020, 155: 197-211.
[32]徐箭,孙辉,孙元章,等.基于混合整数线性规划的风电场有功优化调度J].电力系统 自动化, 2016, 40(22): 27-33+42.
[33]张祥龙,刘燕华,张东英.基于相关性分析的风电场功率限值分配算法[J].现代电力,
2018,35(1):1-5.
[34]江岳文,温步瀛.结合风电功率超短期预测偏差值的实时市场调度[J].电力自动化设 备, 2015, 35(3): 12-17.
[35]肖运启,孙芳.一种提高风电机组调度可靠性的风电场功率控制策略J].太阳能学报, 2015, 36(12): 2889-2894.
[36]Peng X, Panida J. A distributionally robust optimization model for unit commitment considering uncertain wind power generation[C]. IEEE Transactions on Power Systems, 2017, 32(1): 39-49.
[37]Liang H J, Liu Y G, Shen Y J, et al. A hybrid bat algorithm for economic dispatch with random wind power[C]. IEEE Transactions on Power Systems, 2018, 33(5): 5052-5061.
[38]Ke D P, Sun Y Z. A novel probabilistic optimal power flow model with uncertain wind power generation described by customized gaussian mixture Model[C]. IEEE Transaction on Sustainable Energy, 2016, 7(1): 200-212.
[39]Hagh M T, Ghorbani N, Kalajahi S M S. Solution to economic emission dispatch problem including wind farms using Exchange Market Algorithm Method[J]. Applied Soft Computing Journal, 2020, 88: 1-10, 106044.
[40]赵哲,刘颖明.考虑机组疲劳载荷的风电集群有功功率分配方法[J].太阳能学报,2021, 42(5): 431-436.
[41]刘军,张彬彬,赵婷.基于模糊评价的风电场有功功率分配算法J].电工技术学报,
2019,34(4): 787-794.
[42]Lydia M. Advanced algorithms for wind turbine power curve modeling[J]. IEEE Transaction on Sustainable Energy, 2013, 4(3): 827-835.
[43]Han S, Qiao Y H, Yan P, et al. Wind turbine power curve modeling based on interval extreme probability density for the integration of renewable energies and electric vehicles[J]. Renewable Energy, 2020, 157: 190-203.
[44]Zhang Y G, Chen B, Pan G F, et al. A novel hybrid model based on VMD-WT and PCA-BP- RBF neural network for short-term wind speed forecasting[J]. Energy Conversion and Management, 2019, 195: 180-197.
[45]Zhang Y G, Pan G F, Chen B, et al. Short-term wind speed prediction model based on GA
- 49 -
ANN improved by VMD[J]. Renewable Energy, 2020, 156: 1373-1388.
[46]薄迎春,张欣,刘宝.延迟深度回声状态网络及其在时间序列预测中的应用[J].自动化 学报, 2020, 46(8): 1644-1653.
[47]Chen Y H, He Z S, Shang Z H, et al. A novel combined model based on echo state network for multi-step ahead wind speed forecasting: A case study of NREL[J]. Energy Conversion and Management, 2019, 179: 13-29.
[48]Chitsazan M A, Sami Fadali M, Trzynadlowski M. Wind speed and wind direction forecasting using echo state network with nonlinear functions[J]. Renewable Energy, 2019, 131: 879-889.
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5276.html

上一篇:基于合作博弈和需求响应的微电网 电源容量优化配置

下一篇:基于分布式压缩感知的电能质量扰动识别及治理 方法研究

相关标签: