[發明專利]一種計及風資源利用率預測評估的方法

有效

• 申請號: 201910686098.3
• 申請日: 2019-07-29
• 公開（公告）號: CN110414734B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 姚芳;董超群;劉明宇;王曉鵬
• 申請（專利權）人: 河北工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/00
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 胡安朋

1.一種計及風資源利用率預測評估的方法，其特征在于：將數據樣本等間隔劃分風速段，采用非參數核密度估計法，分別確定各風速段的預測誤差ξ的概率分布F(ξ)，再根據預測誤差概率分布F(ξ)求得給定置信度下的風資源利用率C_pa的置信區間，進而預測評估風資源利用率的波動程度，具體步驟如下：

第一步，辨識風電機組功率五參數模型中的最優解五個參數：

根據實際風速v，引入灰狼優化算法辨識風電機組功率五參數模型的參數，具體操作過程如下：

(1.1)步，風電機組功率五參數模型：

設計風電機組功率五參數模型如下公式(1)所示，

公式(1)中，為通過五參數模型計算出的功率預測值，v為由觀測得到的實際風速，X＝[a,b,c,d,g]為風電機組功率五參數模型的特定參數向量，a為預期的最大響應，b為斜率因子，c為過渡位置參數，d為最小響應，g為不對稱參數；

(1.2)步，在給定范圍內產生灰狼優化算法的隨機灰狼種群：

初始化狼群Y，狼群中的灰狼數量為M，設置灰狼優化算法中的最大迭代次數為N，設定上述(1.1)步中的風電機組功率五參數的上下界，在給定上下界范圍內，即在種群中灰狼數量為M的訓練集以及參數的上下界范圍內產生隨機灰狼種群，該隨機灰狼種群的特定參數向量的矩陣Y表示如公式(2)所示，

Y＝[X₁,X₂,L,X_i,L,X_M]^T (2)，

公式(2)中，X_i為第i個個體特定參數位置向量，X_i＝[a,b,c,d,g]都是由上述(1.1)步中的a,b,c,d,g五個參數組成，其中，1≤i≤M，M為狼群中的灰狼數量；

(1.3)步，計算每個個體特定參數位置向量的適應度值：

使用如下公式(3)所示均方根誤差作為適應度函數，由此計算每個個體的特定參數位置向量適應度值F(X_i)，

公式(3)中，v_k為給定風速，其中1≤k≤n，n為給定風速樣本個數，P_m(X_i,v_k)為上述(1.2)中的第i個個體特定參數位置向量的確定的五參數模型功率，P_a(v_k)為風速v_k對應的風電機組實際功率；

(1.4)步，選擇適應度值最好的3個個體特定參數位置向量：

適應度值F(X_i)的函數值越小，個體越符合要求，根據此原則選擇確定上述(1.3)步計算適應度值F(X_i)最好的3個特定參數個體位置向量，分別記為X_α、X_β、X_δ；

(1.5)步，更新適應度值最好的個體特定參數位置向量：

上述(1.4)步中的最好的3個個體特定參數位置向量中的X_α由如下公式(4-1)～(4-3)得到：

D＝|C×X_P(t)-X(t)| (4-1)，

X(t+1)＝X_P(t)-A×D (4-2)，

公式(4-1)中，D為個體特定參數位置向量與最優解的距離，t為當前迭代次數，C是與隨機數r₁有關的參數，C＝2×r₁，r₁是[0,1]的隨機數，X_p為最優解的個體特定參數位置向量，X(t)表示當前個體特定參數位置向量，

公式(4-2)中，A是與隨機數r₂有關的參數，A＝2h×r₂-h，收斂因子h隨迭代次數從2線性遞減到0，r₂是[0,1]的隨機數，

公式(4-3)中，N為最大迭代次數，

上述(1.4)步中的X_α帶領X_β和X_δ指導整個種群逼近最優解的數學描述如下，

D_α＝|C₁×X_α(t)-X(t)| (5-1)，

D_β＝|C₂×X_β(t)-X(t)| (5-2)，D_δ＝|C₃×X_δ(t)-X(t)| (5-3)，

公式(5-1)～(5-3)中，C₁、C₂和C₃為隨機向量，D_α、D_β、D_δ分別定義了X_α、X_β、X_δ的前進步長和方向；

更新候選個體特定參數位置向量X_ω的位置由以下公式確定，

X₁＝X_α-A₁×D_α (6-1)，

X₂＝X_β-A₂×D_β (6-2)，

X₃＝X_δ-A₃×D_δ (6-3)，

X(t+1)＝(X₁+X₂+X₃)/3 (6-4)，

公式(6-1)～(6-4)中，A₁、A₂、A₃為隨機向量，X(t+1)為更新候選個體特定參數位置向量X_ω的位置；

(1.6)步，更新參數h、A、C：

隨迭代進行不斷更新參數a、A、C；

(1.7)步，如果當前迭代次數t小于最大迭代次數N，轉到上述(1.3)步：

(1.8)步，若當前迭代次數t達到最大迭代次數N，輸出當前適應度值F(X_i)最好的特定參數個體位置向量X_α的最終位置向量，其中的五個參數即為最優解；

至此，辨識了風電機組功率五參數模型中的最優解五個參數，即a為預期的最大響應，b為斜率因子，c為過渡位置參數，d為最小響應，g為不對稱參數五個參數；

第二步，確定風資源利用率的預測誤差ξ：

(2.1)步，采用風能利用系數C_p表征風資源利用率，C_p定義方法如下公式(7)所示，

公式(7)中，C_p為風資源利用率，ρ為空氣密度，單位kg/m³，P為風電機組實際有功功率，單位W；S為葉輪掃風面積，單位m²；v為由觀測得到的實際風速，單位m/s，

(2.2)步，采用預測誤差統計分析方法，確定風資源利用率的預測誤差ξ：

風資源利用率的預測誤差ξ的確定方法如下公式(8)所示，

公式(8)中，C_pa為風資源利用率實際值，將觀測得到的實際風速v及其對應的風電機組實際有功功率P代入公式(7)，再根據此時的空氣密度與葉輪掃風面積即可確定風資源利用率實際值，C_pm為風資源利用率預測值，根據實際風速由上述公式(1)求得風電機組功率預測值，將該風電機組功率預測值代入上述公式(7)來確定；C_pmax為理論上的風資源利用率最大值，根據貝茲理論，取0.593，

至此確定風資源利用率的預測誤差ξ；

第三步，確定各風速段的風資源利用率C_p的預測誤差ξ_i及其概率分布F(ξ_i)：

所述各風速段為D_i，其中i＝1,2,···,λ，λ為風速段的所分段數，

采用非參數核密度估計法建立各風速段的風資源利用率C_p的預測誤差ξ_i的概率分布F(ξ_i)，

(3.1)等間隔劃分風速段：

將數據樣本等間隔劃分成多個風速段，分別進行概率分布統計，設定每一風速段的段長為Δv，整體風速波動范圍為[v_l,v_h]，則所分某風速段D_i由如下公式(9)所示：

D_i＝[v_l+(i-1)Δv,v_l+iΔv] (9)，

公式(9)中，i＝1,2,···,λ，λ為風速段的所分段數，

λ＝[(v_h-v_l)/Δv]+1

(3.2)求取各風速段的風資源利用率C_p的預測誤差ξ_i的概率密度函數f(ξ_i)，并繪出風資源利用率預測誤差概率密度曲線：

采用非參數核密度估計法求取各風速段的風資源利用率C_p的預測誤差ξ_i的概率密度函數f(ξ_i)，并繪出風資源利用率預測誤差概率密度曲線，操作如下：

取標準高斯核函數K(x)作為非參數核密度估計函數，表達式為公式(10)，

對于某一風速段D_i的風資源利用率C_p的預測誤差ξ_i，其概率密度函數f(ξ_i)如下公式(11)所示，

公式(11)中，T_i為樣本總數；L為窗寬；K(x)為標準高斯核函數；ξ_m為誤差樣本，

并依次繪出風資源利用率預測誤差概率密度曲線，橫坐標為風資源利用率C_p的預測誤差ξ_i，縱坐標為概率密度函數f(ξ_i)；

(3.3)確定各風速段的風資源利用率C_p的預測誤差ξ_i的概率分布F(ξ_i)：

采用交叉驗證法，選擇各風速段的最佳窗寬L值，求得各風速段的風資源利用率C_p的預測誤差ξ_i的概率分布F(ξ_i)；

第四步，確定風電機組在給定置信度下的風資源利用率波動區間：

根據上述第三步所得各風速段的風資源利用率C_p的預測誤差ξ_i的概率分布F(ξ_i)，確定風電機組在給定置信度下的風資源利用率波動區間的過程如下，

利用上述第三步所得各風速段的風資源利用率C_p的預測誤差ξ_i的概率分布F(ξ_i)，做出給定置信度1-α下計及風資源利用率實際值C_pa的置信區間為公式(12)所示，

C_pa∈[C_pl,C_pu]_1-α (12)，

公式(12)中，C_pl為風資源利用率置信下限；C_pu為風資源利用率置信上限；1-α為給定置信度，有1-α＝P{C_plC_paC_pu}，0α1，其中，風資源利用率置信下限C_pl和風資源利用率置信上限C_pu的計算式分別為公式(13)和公式(14)，

C_pl＝C_pm+G(α/2)×C_pmax (13)，

C_pu＝C_pm+G(1-α/2)×C_pmax (14)，

公式(13)和公式(14)中，G(η)為各風速段的風資源利用率C_p的預測誤差ξ_i的概率分布F(ξ_i)的反函數，其中η如下公式(15)所示，

P{ξ≤G(η)}＝η (15)，

由此，確定風電機組在給定置信度下的風資源利用率波動區間為[C_pl,C_pu]；

第五步，預測評估風資源利用率的波動程度：

(5.1)步，對于某一風資源利用率的預測值C_pm，找到其對應的實際風速，判斷其所在風速段；

(5.2)步，求得預測誤差ξ的α/2和1-α/2對應點：

根據上述第三步中已經求得的各風速段的風資源利用率預測誤差概率密度f(ξ_i)，查找該風資源利用率預測值所處風速段的風資源利用率C_p預測誤差ξ_i的概率密度曲線，求得預測誤差ξ的α/2和1-α/2對應點；

(5.3)步，根據上述第四步中給出的風資源利用率置信區間的置信下限C_pl和風資源利用率置信上限C_pu的計算式公式(13)和公式(14)，求出上述(5.2)步中所述風資源利用率C_p預測值所處風速段的區間估計的邊界值，進而給出給定置信度1-α下該風資源利用率C_p預測值的置信區間；

(5.4)步，同理求得各風速段的所有風資源利用率C_p預測值的置信區間，分別連接各個風資源利用率C_p預測值置信區間上下限，形成全風速段的風資源利用率C_p估計曲線；

至此，根據全風速段的風資源利用率C_p估計曲線預測評估風資源利用率的波動程度。

2.根據權利要求1所述一種計及風資源利用率預測評估的方法，其特征在于：該方法操作流程是：構建風電機組功率五參數模型→灰狼優化算法進行功率模型參數識別→等間隔劃分風速段，采用非參數核密度估計法建立各風速段的風資源利用率預測誤差概率分布→進行計及風資源利用率區間估計，求得風電機組在給定置信度下的風資源利用率的置信區間→預測評估風資源利用率的波動程度。