[發明專利]一種結合氣象因素的超短期風電場功率預測方法

有效

• 申請號: 202110081818.0
• 申請日: 2021-01-21
• 公開（公告）號: CN112733462B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 單錦寧;王洪哲;王榮茂;王琛淇;陳剛;王鑫;馬欣慰;趙琰;寧兆秋;馬艷娟
• 申請（專利權）人: 國網遼寧省電力有限公司阜新供電公司;國家電網有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N7/08;G06F111/06;G06F113/06
• 代理公司: 錦州遼西專利事務所(普通合伙) 21225
• 代理人: 李輝

1.一種結合氣象因素的超短期風電場功率預測方法，其特征在于：包括如下步驟：

步驟一、對風電功率歷史數據、NWP氣象數據進行預處理，補齊缺失數據和修改異常數據；

步驟二、生成風電功率預測模型，包括以下步驟：

(1)利用pearson系數分析NWP數據和歷史功率數據之間的相關性，對NWP數據和歷史功率數據歸一化處理，提取相關性強的氣象數據作為模型的輸入，用于訓練預測模型；利用pearson系數對NWP系統提供的氣象數據和風電場SCADA數據采集系統提供的歷史功率數據做相關性分析，提取出的氣象因素包括風速、溫度、大氣密度、濕度分別構成與歷史功率數據具有相同時間步長的向量X和Y,然后利用pearson系數公式：

對二者進行相關性分析，其中相關系數在(0.8-1.0)和(0.6-0.8)的氣象因素為相關性強的氣象因素，然后對提取出的氣象因素與風電功率歷史數據進行歸一化處理，其歸一化表達式為：

式中x_max和x_min分別為該變量的極大值和極小值；

經過預測模型得到的風電功率預測數據，再進行反歸一化處理使其具有物理意義，反歸一化的表達式為：

x＝0.5[x'(x_max-x_min)+(x_max-x_min)]??????????(3)

分析氣象因素與風電功率的相關性能夠更好的利用NWP數值天氣預報的氣象數據；

(2)基于門控循環單元神經網絡對輸入的氣象數據處理得到初始預測功率；采用門控循環單元神經網絡作為風電功率預測的預測模型，隱藏層信息傳遞是通過一個更新門u(t)和一個重置門r(t)來實現的，在t時刻GRU接收當前狀態x(t)、上一時刻的隱藏狀態h(t-1)，在信息傳遞過程中，更新門同時進行遺忘和記憶2個步驟，運算決定選擇多少信息輸入網絡，遺忘多少過去的信息；重置門決定忘記過去的信息量；GRU網絡隱藏層的輸出h(t)最終由更新門和重置門的動態控制形成，GRU各個變量間的計算公式如下：

u(t)＝ψ(W_uh(t-1)+U_ux(t))?????????????????????(4)

r(t)＝ψ(W_rh(t-1)+U_rx(t))?????????????????????(5)

式中：W_u、W_r、W_c為連接隱藏層輸出信號的參數矩陣；U_u、U_r、U_c為連接輸入信號的參數矩陣；ψ(·)為激活函數，為sigmoid激活函數；為任何非線性函數是雙曲正切函數tanh；為混合了結合了x(t)和r(t)中間記憶狀態；⊙為邏輯運算符，表示矩陣中對應的元素相乘；

隱含層t時刻的h(t)將會作為t時刻的信息乘上相應的權值并傳入GRU的輸出層

y'_i＝σ(ω_ih(t))+b_i??????????????????????(8)

對y_i進行反歸一化處理

y_i＝0.5[y′_i(y'_max-y'_min)+(y'_max+y'_min)]??????????(9)

(3)基于混沌理論的螢火蟲群體優化算法，對由門控循環單元神經網絡得到的預測值和歷史值構成的誤差修正函數進行尋優，得到最優解對應的神經網絡參數，生成預測模型；利用已有的歷史功率數據與預測值y_i構建誤差目標函數

所述步驟(3)中，利用基于混沌理論的螢火蟲優化算法結合門控循環單元神經網絡(CDPFA-GRU)構成組合算法，通過構建好的目標誤差函數來尋找到門控循環單元神經網絡訓練模型所應的各層權值和閾值等相關參數，其算法的主要步驟為：

步驟1初始化每個螢火蟲的最大吸引度β₀，吸收系數γ，隨機步長大小α，迭代次數MaxT，目標函數自變量個數8；

步驟2首先隨機產生W_u、W_r、W_c、U_u、U_r、U_c、ω_i、b_i各個參數，其矩陣維數要根據具體的預測數據維度和門控循環單元隱含層公式來設計，采用Tent映射產生混沌序列其表達式為：

對螢火蟲的位置進行初始化，螢火蟲初始位置即為門控循環單元神經網絡的初始權值，對螢火蟲個體搜索空間定義上下限U_d,D_d，并把混沌變量映射到搜索空間中

步驟3根據(13)確定螢火蟲之間的距離

β(γ)＝β₀*exp(-γR_j)????????????????????????(14)

X_i(t+1)＝X_i(t)+β₀*exp(-γR_j)*(X_j(t)-X_i(t))+α*(r₁-0.5)*X_M?????(15)X_B(t+1)＝X_B(t)+α(r₂-0.5)*X_M???????????????(16)

式(14)更新螢火蟲吸引度，式(15)更新螢火蟲的位置，式(16)確定最優個體的螢火蟲隨機飛行；

步驟4利用(17)和(18)來更新螢火蟲的最優個體

NG＝G*(1+Cauchy(σ)*range)??????????????????(17)

步驟5若迭代次數等于N_p，則開始生成新的螢火蟲個體；

1)采用式(19)產生ps個新個體；

2)采用隨機方式替換掉原種群中的ps個個體；

3)對于每個螢火蟲個體，計算其新位置對應的目標值f(y_i)；

4)記錄全局最優值；

步驟6若算法停止準則滿足，則停止；否則轉入步驟3；

步驟7輸出全局最優值G，算法結束；

步驟三、利用訓練好的模型和未來NWP氣象數據進行未來的風電功率預測。