基于動態(tài)權(quán)重的風電功率組合預測方法研究

龐欣，董志國，魏萬俊

（國家能源集團甘肅公司，甘肅 蘭州 730000）

大規(guī)模發(fā)展風電能源，能夠大大緩解環(huán)境污染以及能源短缺的問題。風電能源存在固有的波動性和間接性的特性，大規(guī)模開發(fā)風電會直接影響電力系統(tǒng)的經(jīng)濟安全。為了降低風電功率預測風險，還能夠保證風電功率樣本數(shù)據(jù)預測的精準度，有必要提出基于動態(tài)權(quán)重的風電功率組合預測方法。確定風電功率組合的權(quán)重系數(shù)是預測方法的關(guān)鍵。

1 風電功率組合預測方法

1.1 清洗風電預測數(shù)據(jù)

關(guān)于風電功率組合預測主要是針對風電場歷史數(shù)據(jù)進行處理，因此風電功率原始數(shù)據(jù)的精準度直接影響著組合預測的最終結(jié)果。受自然因素和機組運行狀態(tài)的影響，會導致風電功率的監(jiān)測數(shù)據(jù)存在部分異常。因此，清洗處理風電功率的異常數(shù)據(jù)，能夠有效處理風電功率監(jiān)測數(shù)據(jù)，大大提高組合預測結(jié)果的正確性。通過計算風電數(shù)據(jù)的功率密度實現(xiàn)異常數(shù)據(jù)的處理，并比較正常風電功率密度，以及風電處理數(shù)據(jù)的功率密度的差異，來判斷該數(shù)據(jù)是否為風電功率異常數(shù)據(jù)。

1.2 確定風電功率參數(shù)

小波分解是將風電機組運行過程中的風電功率時域信號轉(zhuǎn)換為頻域信號；并將提取的正常風電功率數(shù)據(jù)通過平移、伸縮等計算方式劃分風電功率密度。小波包分解是對風電功率組合的一種特殊小波分解方式，可以根據(jù)機組內(nèi)風電功率原始數(shù)據(jù)進行自動調(diào)節(jié)，并自適應風電功率密度分解。

對于在特定的機組內(nèi)，風電功率組合預測中原始風速，以及風電功率信號都具有很大的波動性。通過小波包分解的方法，能夠?qū)︼L電功率原始數(shù)據(jù)的高頻分量和低頻分量進行同時分解。這不僅能夠精細劃分風電功率組合中的各部分，還能夠減少計算量，提高計算效率。在風電功率組合預測的過程中，能夠根據(jù)風電功率原始數(shù)據(jù)自身特性進行分解，不需要設定另外分解參數(shù)值。經(jīng)過小波包分解，得到風電功率的組合預測結(jié)果，進而重構(gòu)頻率信號，得到具體的表達式為：

式中，h為小波包分解過程中低通分解濾波器；g為小波包分解過程中高通分解濾波器；k為常數(shù)；n為分解次數(shù)；i為分量信號。風電功率中原始數(shù)據(jù)信號，經(jīng)過小波包的分解與重構(gòu)，能夠分解為相同的風電功率分量數(shù)據(jù)，進而確定基于動態(tài)權(quán)重的風電功率組合預測的計算參數(shù)值。

1.3 應用動態(tài)權(quán)重組合預測算法

基于動態(tài)權(quán)重的風電功率組合預測，關(guān)于預測結(jié)果的誤差評價指標主要包括平均絕對誤差、均方根誤差以及相關(guān)系數(shù)。而單一定權(quán)重的風電功率組合預測，對部分風電功率數(shù)據(jù)的精準度差，不能及時對組合預測的結(jié)果作出調(diào)整，具有一定局限性。因此，基于動態(tài)權(quán)重的風電功率預測，為避免組合預測的風電功率密度數(shù)據(jù)丟失，通過平均絕對誤差，以及均方根誤差建立基于動態(tài)權(quán)重的組合預測結(jié)果誤差評價體系。

平均絕對誤差表達公式為：

均方根誤差表達公式為：

式中，tx為t時刻的預測值；ty為t時刻的實測值；為xt的平均值；為yt的平均值。

計算風電功率的單一預測算法的平均絕對值、均方根誤差，以及風電功率實測值的相關(guān)系數(shù)。協(xié)調(diào)各動態(tài)權(quán)重下風電功率的參數(shù)誤差值，根據(jù)風電功率的實測值，完成預測篩選。基于動態(tài)權(quán)重的風電功率組合預測方法，不僅使訓練誤差達到最小，還能夠獲取更精準的風電功率組合預測值，減少誤差。

2 實驗分析

2.1 實驗準備

基于動態(tài)權(quán)重的風電功率組合預測實驗，其實驗工具為計算機；而操作系統(tǒng)為Windows XP、Windows 2003，或是Windows 7。本次實驗的硬件配置要求內(nèi)存為2G以上，其硬件可用空間需達10GB以上；關(guān)于瀏覽器的使用需要是IE7.0及其以上版本，或是Google Chrome。因此，基于動態(tài)權(quán)重的風電功率組合預測的方法，是以數(shù)據(jù)庫為核心，C/S數(shù)據(jù)采集與B/S數(shù)據(jù)顯示相結(jié)合應用的計算結(jié)構(gòu)。

根據(jù)既定的風電功率預測參考點位置，獲取提前72h，并在15min范圍內(nèi)的風電功率的NWP數(shù)據(jù)信息。動態(tài)權(quán)重下風電功率的組合預測，通過輸入NWP數(shù)據(jù)，定時分析其樣本數(shù)據(jù)，進而得出組合預測的結(jié)果。

2.2 實驗過程及結(jié)果

先選取既定機電組運行狀態(tài)下風電功率的樣本參數(shù)值N，并根據(jù)既定時間內(nèi)各單一預測數(shù)據(jù)形成的組合預測值，以及風電功率實際參數(shù)值。

圖1 N值大小與組合預測誤差關(guān)系曲線

根據(jù)上圖可以看出，隨著N值的增加，風電功率組合預測誤差呈現(xiàn)先減后增的趨勢?；趧討B(tài)權(quán)重的風電功率組合預測，選取的風電功率參數(shù)值，直接影響著組合預測的最終結(jié)果；而為了選擇合適的參數(shù)值，便需要將基于動態(tài)權(quán)重的組合預測與傳統(tǒng)、單一的預測方法相比較，進而得到風電功率組合預測的結(jié)果對比。

由表1可知，基于動態(tài)權(quán)重組合預測方法，對風電功率原始數(shù)據(jù)的分解、重構(gòu)，能夠有效降低原始風速對風電功率數(shù)據(jù)波動的影響。

表1 不同預測方法誤差對比

3 結(jié)語

風電功率組合預測的輸入數(shù)據(jù)動態(tài)變量較多，直接導致風電功率組合預測算法的計算量增大，甚至造成風電功率組合預測變量之間存在冗余問題?；趧討B(tài)權(quán)重的風電功率組合預測方法，在減少預測變量輸出的前提下，不僅提高了風電功率組合計算效率，還能夠保證風電功率原始數(shù)據(jù)的預測精準度。