楊蘋，葉超

(1. 華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640；2. 廣東省綠色能源技術(shù)重點實驗室，廣東 廣州 511458； 3. 風(fēng)電控制與并網(wǎng)技術(shù)國家地方聯(lián)合工程實驗室，廣東 廣州 511458)

?

一種基于時變概率權(quán)的短期風(fēng)功率組合預(yù)測模型

楊蘋1,2,3，葉超1,2

(1. 華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640；2. 廣東省綠色能源技術(shù)重點實驗室，廣東 廣州 511458； 3. 風(fēng)電控制與并網(wǎng)技術(shù)國家地方聯(lián)合工程實驗室，廣東 廣州 511458)

高精度的短期風(fēng)功率預(yù)測有利于實現(xiàn)接入大量風(fēng)機的電力系統(tǒng)優(yōu)化調(diào)度。針對自回歸滑動平均(auto-regressive and moving average，ARMA)、反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(least squares support vector machine，LS-SVM)等單一模型預(yù)測不穩(wěn)定的問題，以及協(xié)方差、概率權(quán)組合模型權(quán)重固定的不足，結(jié)合風(fēng)功率的日變化特性，提出一種基于時變概率權(quán)的組合預(yù)測模型。實際算例表明：組合模型能有效提高風(fēng)功率預(yù)測的精度，而時變概率權(quán)組合模型能夠動態(tài)調(diào)整各單一模型的權(quán)重，進(jìn)一步提高預(yù)測精度。

短期風(fēng)功率預(yù)測；單一模型；組合模型；時變概率權(quán)

2014年全球風(fēng)電新增裝機容量51 477 MW，年增長率高達(dá)44%[1]。風(fēng)力發(fā)電帶來了巨大的經(jīng)濟(jì)效益，但由于其輸出的波動性，風(fēng)電并網(wǎng)會對電網(wǎng)造成沖擊[2-4]。為了更好地實現(xiàn)電力系統(tǒng)的優(yōu)化調(diào)度，提高風(fēng)能利用率，研究精度更高的風(fēng)功率預(yù)測模型具有十分重要的現(xiàn)實意義。

根據(jù)所采用數(shù)學(xué)模型的不同，風(fēng)功率預(yù)測模型可分為持續(xù)預(yù)測模型、物理模型和統(tǒng)計模型[5-6]。持續(xù)預(yù)測法把最近一點的實測值作為下一時刻的預(yù)測值，并認(rèn)為風(fēng)速預(yù)測值等于最近幾個風(fēng)速值的滑動平均值[7]。物理模型通常結(jié)合數(shù)值天氣預(yù)報(numeral weather prediction，NWP)進(jìn)行預(yù)測，其最大的優(yōu)勢在于不需要大量的風(fēng)電場歷史出力數(shù)據(jù)，因此特別適合新建風(fēng)電場的功率預(yù)測[8]。統(tǒng)計模型則根據(jù)風(fēng)電場歷史出力數(shù)據(jù)分析天氣狀況與風(fēng)電功率的關(guān)系，然后利用實測的NWP數(shù)據(jù)對風(fēng)電場輸出功率進(jìn)行預(yù)測，常用的預(yù)測方法有人工神經(jīng)網(wǎng)絡(luò)方法、蟻群優(yōu)化和支持向量機等[9-10]。文獻(xiàn)[8]提出基于NWP的物理預(yù)測模型，但其未考慮風(fēng)電場的尾流效應(yīng)，預(yù)測誤差仍較大。文獻(xiàn)[9]建立了基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測模型，但其采用的梯度下降法尋優(yōu)易陷入到局部最優(yōu)解。

物理模型和統(tǒng)計模型有著各自的優(yōu)缺點，若采用組合模型，將二者的優(yōu)點結(jié)合起來，可大大提高風(fēng)功率預(yù)測的準(zhǔn)確度[11-12]?？紤]到實際風(fēng)功率分布大多為非正態(tài)分布，本文采用概率權(quán)確定各子模型的權(quán)重，并針對其權(quán)重固定的不足，提出一種基于時變概率權(quán)的組合預(yù)測模型。實際算例計算結(jié)果表明：組合模型的整體預(yù)測精度高于單一模型，協(xié)方差、概率權(quán)組合模型均可較好地預(yù)測風(fēng)功率變化趨勢，而本文提出的時變概率權(quán)組合模型可在風(fēng)速改變時通過調(diào)整各單一模型的權(quán)重，進(jìn)一步地提高預(yù)測精度。

1 單一預(yù)測模型

1.1 自回歸滑動平均預(yù)測模型

建立自回歸滑動平均(auto-regressive and moving average，ARMA)模型時，需要首先對原始數(shù)據(jù)序列平穩(wěn)化處理，將非平穩(wěn)的數(shù)據(jù)序列轉(zhuǎn)換為平均值為0的平穩(wěn)數(shù)據(jù)序列。

對于長度為N的風(fēng)速序列{xt}，其平均值[7]

(1)

對序列{xt}作平穩(wěn)化處理，可得新的序列{yt}：

(2)

根據(jù){yt}可建立ARMA模型(p，q)：

(3)

式中：φi為自回歸參數(shù)；at為服從正態(tài)分布的白噪聲序列；θj為滑動平均參數(shù)。

利用AIC(Akaike Information Criterion)準(zhǔn)則確定ARMA模型的p、q值，利用最小二乘法估計模型參數(shù)φi、θj。

圖1為根據(jù)某風(fēng)電場實際的風(fēng)速-功率點，利用比恩法擬合得到的風(fēng)電場風(fēng)速-功率曲線，風(fēng)電場輸出功率

(4)

式中v為當(dāng)前時刻的風(fēng)速。

圖1 擬合風(fēng)電場風(fēng)速-功率曲線

根據(jù)ARMA模型預(yù)測得到的風(fēng)速值，將其帶入式(4)，即可得到當(dāng)前時刻的預(yù)測風(fēng)功率值。

1.2 反向傳播神經(jīng)網(wǎng)絡(luò)模型

反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性映射，可以學(xué)習(xí)未知信息，并具備一定的容錯性，因此構(gòu)造出來的系統(tǒng)具有較好的魯棒性，特別適合處理復(fù)雜的問題。圖2為BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。

圖2 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法尋找最優(yōu)解，但往往會陷入到局部最小值中。為了能夠?qū)崿F(xiàn)全局尋優(yōu)，可采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初值進(jìn)行優(yōu)化[13]。遺傳算法主要包括以下步驟：

a)初始種群。個體為可能解，包括神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，利用實數(shù)對個體進(jìn)行編碼，確定輸入層、隱含層、輸出層的權(quán)值和閾值。

b)適應(yīng)度函數(shù)。利用BP神經(jīng)網(wǎng)絡(luò)對原始數(shù)據(jù)進(jìn)行訓(xùn)練可得到預(yù)測輸出，預(yù)測輸出與實際輸出差異越小，個體適應(yīng)度越高。個體適應(yīng)度

(5)

式中：m為BP輸出層節(jié)點數(shù)；Yj、Oj為第j個節(jié)點的實際輸出和預(yù)測輸出。

c)選擇、交叉、變異。選擇可以保留適應(yīng)度高的個體，以提高預(yù)測結(jié)果的準(zhǔn)確性；交叉操作可將個體重組，以得到新的個體；變異操作常對個體的某一位進(jìn)行變異，以增加個體的多樣性。

1.3 最小二乘支持向量機模型

最小二乘支持向量機(least squares support vector machine，LS-SVM)具有較強的泛化能力，遵守風(fēng)險最小化的原則，對于非線性問題，首先將其轉(zhuǎn)化為高維度空間的線性化問題，用核函數(shù)替代高維度空間的內(nèi)積運算，有效地解決了維數(shù)災(zāi)難和局部極值的問題，并且計算速度比一般的SVM更高[14]。

假設(shè)存在樣本集合z={(x1,y1),…,(xt,yt)}，根據(jù)風(fēng)險最小化原理，樣本z的最小二乘向量機問題可轉(zhuǎn)化為約束最優(yōu)化問題：

(6)

(7)

式(6)可用拉格朗日法求解：

式中：L為目標(biāo)函數(shù)；αi為回歸系數(shù)。

求解式(8)的偏導(dǎo)數(shù)，可將其轉(zhuǎn)化為對如下方程組的求解：

(10)

2 基于概率權(quán)確定模型權(quán)重方法

單一預(yù)測模型容易實現(xiàn)，同時也容易出現(xiàn)預(yù)測結(jié)果不穩(wěn)定的問題。組合模型通過加權(quán)將單一模型結(jié)合起來，減少了單一模型的偶然誤差，從而提高預(yù)測精度，為此提出了一種基于概率權(quán)確定模型權(quán)重的方法。

2.1 概率權(quán)原理

目前，求解組合模型中單一模型權(quán)重的方法多假設(shè)風(fēng)功率呈正態(tài)分布或近似正態(tài)分布。但實際風(fēng)功率的分布具有不規(guī)則性，難以滿足此要求。為此，采用概率權(quán)的方法確定各子模型的權(quán)重。

(11)

2.2 概率權(quán)確定各子模型權(quán)重

假設(shè)有n個風(fēng)功率預(yù)測單一模型，t時刻模型l的預(yù)測風(fēng)功率值為xlt，則利用概率權(quán)確定各子模型權(quán)重的步驟如下：

(12)

b)確定預(yù)測時段內(nèi)風(fēng)功率值xlt的上限Ml和下限ml，ml=min{xlt}，Ml=max{xlt}。

c)利用切比雪夫不等式確定pl=P{ml≤Xl≤Ml}的最小值plmin。

d)求取各單一模型的權(quán)重

(13)

e)樣本點數(shù)S值優(yōu)化。設(shè)xlj為j時刻子模型l的風(fēng)功率預(yù)測值，sj為j時刻的風(fēng)功率真實值，以各個子模型的預(yù)測方差最小為目標(biāo)函數(shù)，即：

(14)

當(dāng)u取最小值時，此時的S即為最優(yōu)選用的樣本個數(shù)。

f)根據(jù)步驟e)中求取的最優(yōu)S值，將其代入步驟a)—d)，即可得到各個子模型的權(quán)重。

3 基于時變概率權(quán)的子模型權(quán)重優(yōu)化

利用概率權(quán)確定各子模型的權(quán)重方法需要利用歷史風(fēng)功率數(shù)據(jù)分析計算，隨著預(yù)測時間的推移，使用固定的子模型權(quán)重難以有效地反映風(fēng)電場的狀態(tài)變化特性。為了進(jìn)一步提高預(yù)測模型的精度，本文提出一種基于時變概率權(quán)確定子模型權(quán)重的方法，其實現(xiàn)步驟如下：

a)動態(tài)更新存儲的歷史風(fēng)功率數(shù)據(jù)，歷史風(fēng)功率數(shù)據(jù)的最大存儲量為96×3，每隔1 h更新一次，每次更新1×4個數(shù)據(jù)；

b)利用2.2節(jié)中的方法求取各子模型的權(quán)重；

c)每隔1 h，根據(jù)新的歷史風(fēng)功率數(shù)據(jù)樣本重新計算各單一模型的權(quán)重。

基于時變概率權(quán)確定子模型權(quán)重方法的流程如圖3所示。

圖3 基于時變概率權(quán)確定子模型權(quán)重方法的流程

4 實例分析

以我國某地含24臺雙饋異步風(fēng)力發(fā)電機(額定有功功率1.5 MW)的風(fēng)電場為例，預(yù)測未來24 h的風(fēng)功率值，每隔15 min預(yù)測一次，共計96個點。利用相對偏差(relative deviation，RD，其值記為dr)和歸一化均方根誤差(mean absolute percent error，MAPE，其值記為EMAP)評估各模型的預(yù)測誤差。

(15)

(16)

式中：pai為風(fēng)電場實際功率；ppi為模型預(yù)測功率；pN為風(fēng)電場額定功率；M為預(yù)測點數(shù)，取96。

4.1 單一預(yù)測模型

單一預(yù)測模型包括ARMA、BP和LS-SVM模型3種。圖4為3種單一預(yù)測模型的風(fēng)功率預(yù)測值，圖5為3種單一預(yù)測模型預(yù)測值的相對偏差。

圖4 單一預(yù)測模型的預(yù)測結(jié)果

圖5 單一預(yù)測模型預(yù)測值與實際值的相對偏差

從圖4和圖5可以看出，風(fēng)電場風(fēng)速波動較小時，單一預(yù)測模型可較好地預(yù)測風(fēng)電場的輸出功率；風(fēng)速階躍時，預(yù)測誤差較大，利用式(16)計算得到各模型的MAPE見表1。

表1 單一預(yù)測模型的預(yù)測誤差

模型EMAP/%ARMA18.2BP16.6LS-SVM17.1

可見，單一預(yù)測模型只能在某一時間段內(nèi)保持較高的預(yù)測精度，整體預(yù)測誤差仍較大，因此有必要對其進(jìn)行改進(jìn)。

4.2 組合預(yù)測模型

考慮到組合模型可減少單一預(yù)測模型帶來的偶然誤差，本文分別建立了協(xié)方差、概率權(quán)、時變概率權(quán)3種組合模型并進(jìn)行風(fēng)功率的預(yù)測。圖6為3種組合模型的風(fēng)功率預(yù)測結(jié)果，圖7為組合模型的相對偏差。

圖6 組合預(yù)測模型的預(yù)測結(jié)果

圖7 組合預(yù)測模型預(yù)測值與實際值的相對偏差

根據(jù)式(16)計算得到的3種組合模型的MAPE見表2。

表2 組合預(yù)測模型的預(yù)測誤差

模型EMAP/%協(xié)方差16.2概率權(quán)15.7時變概率權(quán)12.3

對比圖4和圖6可知，組合預(yù)測模型減少了單一預(yù)測模型的偶然誤差，因而整體預(yù)測精度更高，能更好地反映風(fēng)功率的變化趨勢。

相比協(xié)方差組合預(yù)測模型，本文提出的改進(jìn)概率權(quán)模型不需要歷史樣本風(fēng)功率數(shù)據(jù)嚴(yán)格滿足正態(tài)分布，可避免因樣本數(shù)據(jù)不規(guī)范對子模型權(quán)重計算的影響，適用性更強。此外，本文提出的預(yù)測模型可在風(fēng)速階躍初期，通過動態(tài)更新歷史存儲數(shù)據(jù)，及時調(diào)整各子模型的權(quán)重系數(shù)，因此預(yù)測精度最高。

5 結(jié)論

基于對已有單一預(yù)測模型及協(xié)方差、概率權(quán)組合預(yù)測模型不足的分析，提出了基于一種時變概率權(quán)的短期風(fēng)功率組合預(yù)測模型。通過實例分析得到以下結(jié)論：

a)單一預(yù)測模型可以預(yù)測風(fēng)功率的變化趨勢，但其整體的預(yù)測誤差較大；

b)組合預(yù)測模型能夠減少單一預(yù)測模型帶來的偶然誤差，提高了整體的預(yù)測精度；

c)時變概率權(quán)組合預(yù)測模型可在風(fēng)速大擾動時動態(tài)調(diào)整各單一子模型的權(quán)重，因而預(yù)測精度最高。

[1] 全球風(fēng)能理事會(GWEC). 2014年全球風(fēng)電裝機容量統(tǒng)計[J]. 風(fēng)能，2015(2)：50-53.

Global Wind Energy Council(GWEC). 2014 Global Wind Power Installed Capacity Statistics [J]. Wind Energy，2015 (2)：50-53.

[2] 遲永寧，劉燕華，王偉勝，等. 風(fēng)電接入對電力系統(tǒng)的影響[J]. 電網(wǎng)技術(shù)，2007，31(3)：77-81.

CHI Yongning，LIU Yanhua，WANG Weisheng，et al. Study on Impact of Wind Power Integration on Power System[J]. Power System Technology，2007，31(3)：77-81.

[3] 湯蕾，沈沉，張雪敏. 大規(guī)模風(fēng)電集中接入對電力系統(tǒng)暫態(tài)功角穩(wěn)定性的影響(二)：影響因素分析[J]. 中國電機工程學(xué)報，2015，35(16)：4043-4051.

TANG Lei，SHEN Chen，ZHANG Xuemin. Impact of Large-scale Wind Power Centralized Integration on Transient Angle Stability of Power Systems-Part II：Factors Affecting Transient Angle Stability[J]. Proceedings of the CSEE，2015，35(16)：4043-4051.

[4] CHOMPOO-INWAI C，LEE W，F(xiàn)UANGFOO P，et al. System Impact Study for the Interconnection of Wind Generation and Utility System[J]. IEEE Transactions on Industry Applications，2005，41(1)：163-168.

[5] 薛禹勝，郁琛，趙俊華，等. 關(guān)于短期及超短期風(fēng)電功率預(yù)測的評述[J]. 電力系統(tǒng)自動化，2015(6)：141-151.

XUE Yusheng，YU Chen，ZHAO Junhua，et al. A Review on Short-term and Ultra-short-term Wind Power Prediction[J]. Automation of Electric Power Systems，2015(6)：141-151.

[6] 谷興凱，范高鋒，王曉蓉，等. 風(fēng)電功率預(yù)測技術(shù)綜述[J]. 電網(wǎng)技術(shù)，2007(S2)：335-338.

GU Xingkai，F(xiàn)AN Gaofeng，WANG Xiaorong，et al. Summarization of Wind Power Prediction Technology[J]. Power System Technology，2007(S2)：335-338.

[7] WANG C，YAN W. Short-term Wind Speed Prediction of Wind Farms Based on Improved Particle Swarm Optimization Algorithm and Neural Network[C]// 2010 International Conference on Mechanic Automation and Control Engineering(MACE). Wuhan：IEEE，2010.

[8] 王麗婕，冬雷，高爽. 基于多位置NWP與主成分分析的風(fēng)電功率短期預(yù)測[J]. 電工技術(shù)學(xué)報，2015，30(5)：79-84.

WANG Lijie，DONG Lei，GAO Shuang. Wind Power Short-term Prediction Based on Principal Component Analysis of NWP of Multiple Locations[J]. Transactions of China Electrotechnical Society，2015，30(5)：79-84.

[9] BARBOUNIS T G，THEOCHARIS J B. Locally Recurrent Neural Networks for Wind Speed Prediction Using Spatial Correlation[J]. Information Sciences，2007，177(24)：5775-5797.

[10] SHI J，YANG Y，WANG P，et al. Genetic Algorithm-piecewise Support Vector Machine Model for Short Term Wind Power Prediction[C]//2010 8th World Congress on Intelligent Control and Automation(WCICA).Jinan：IEEE，2010.

[11] 葉林，劉鵬. 基于經(jīng)驗?zāi)B(tài)分解和支持向量機的短期風(fēng)電功率組合預(yù)測模型[J]. 中國電機工程學(xué)報，2011，31(31)：102-108.

YE Lin，LIU Peng. Combined Model Based on EMD-SVM for Short-term Wind Power Prediction[J]. Proceedings of the CSEE，2011，31(31)：102-108.

[12] 張學(xué)清，梁軍，張熙，等. 基于樣本熵和極端學(xué)習(xí)機的超短期風(fēng)電功率組合預(yù)測模型[J]. 中國電機工程學(xué)報，2013，33(25)：33-40.

ZHANG Xueqing，LIANG Jun，ZHANG Xi，et al. Combined Model for Ultra Short-term Wind Power Prediction Based on Sample Entropy and Extreme Learning Machine [J]. Proceedings of the CSEE，2013，33(25)：33-40.

[13] 史潔. 風(fēng)電場功率超短期預(yù)測算法優(yōu)化研究[D]. 保定：華北電力大學(xué)，2012.

[14] 劉純，范高鋒，王偉勝，等. 風(fēng)電場輸出功率的組合預(yù)測模型[J]. 電網(wǎng)技術(shù)，2009(13)：74-79.

LIU Chun，F(xiàn)AN Gaofeng，WANG Weisheng，et al. A Combination Forecasting Model for Wind Farm Output Power[J]. Power System Technology，2009(13)：74-79.

(編輯 彭艷)

A Combination Forecasting Model for Short-term Wind Power Combination Based on Time Varying Probability Weight

YANG Ping1,2,3, YE Chao1,2

(1.School of Electric Power, South China University of Technology, Guangzhou, Guangdong 510640, China; 2. Guangdong Key Laboratory of Clean Energy Technology, Guangzhou, Guangdong 511458, China; 3. National-local Joint Engineering Laboratory for Wind Power Control and Integration Technology, Guangzhou, Guangdong 511458, China)

High-precision short-term wind power forecasting is useful to realize optimizing dispatching of the power system with a large number of wind turbines. In allusion to the problem of unstable forecasting of some single models such as auto-regressive and moving average (ARMA), back propagation (BP) neutral network, least squares support vector machine (LS-SVM) and so on, as well as shortages of fixed weight of covariance and the probability weight combined model, this paper presents a kind of combined forecasting model based on time varying probability by combining with daily variation characteristic of wind power. Practical examples indicate that the combined model can effectively improve precision of forecasting while the time varying probability weight combined model can dynamically adjust weight of each single model and further improve forecasting precision.

short-term wind power forecasting; single model; combined model; time varying probability weight

2016-07-11

國家科技支撐計劃項目(2015BAA06B02)；廣東省科技計劃項目(2012B040303005)；南沙區(qū)科技計劃項目資助(2013P005)

10.3969/j.issn.1007-290X.2016.10.001

TM73

A

1007-290X(2016)10-0001-06

楊蘋(1967)，女，廣西欽州人。教授，博士生導(dǎo)師，工學(xué)博士，研究方向為可再生能源的優(yōu)化運行控制與并網(wǎng)技術(shù)、智能微電網(wǎng)關(guān)鍵技術(shù)。

葉超(1991)，男，河南南陽人。在讀碩士研究生，研究方向為新能源發(fā)電并網(wǎng)控制、智能微電網(wǎng)關(guān)鍵技術(shù)。