抽象性
高精度风能预测可减少风能输出的易变性和互连性,这有助于电源系统的稳定运行并增强系统大规模风能消耗的有效能力风力农场风轮机分布在不同空间位置,其输出特征也受到风向、休眠效果和操作条件的影响。在此基础上,提出了两步超短期预测模型第一,模糊C值聚类理论用于根据风轮机外特性分组单元第二,为分类集群分别建立RBF神经网络预测模型,为每个单元执行超短期功率预测最后,以上结果与RBF单预测模型比较,该模型由非分类g风轮机建立进行了中国北部风田案例研究结果显示,拟议方法可有效提高风力预测精度并证明方法有效性
开工导 言
解决当前能源开发挑战,如资源、环境污染和气候变化,未来电源系统以低碳、绿色和清洁开发为开发方向,增加风能所装可再生能源容量因风能随机易变,连网风力生成导致电网电压和频率波动,直接影响到电网电量和电源系统运行的稳定性,并给电网调度带来许多不确定性[一号..精确风能预测是减少上述因素的有效方法之一
目前短期风能预测方法主要划分为两类:完全基于历史数据统计模型和物理数值天气预测模型优于短期预测 6-72小时前前模型相对简洁,计算速度快,预测精度随预测时间的增加而急剧下降基于数值天气预测模型可获取风能预测值后1至3天预测精度相对稳定,但计算量巨大,往往需要超级计算机连续运行数小时2..统计模型与NWP数据补充外源输入,考虑空间关系是提高未来风能预测精度的主要研究方法之一考虑到空间相关性研究,大多数文献基于风速和空间相关性分析,以建立风速预测模型[2-5..中4基于历史年份风速统计数据,为研究数据时间进化和空间广度,使用数据相联聚法计算集群概率和集群概率节点时速模型方法为风场输出预测分析提供指导假设有低维结构管理一组气象站历史数据之间的交互作用,我们使用Wavelet变换法分解风速数据成更多静止组件基于压缩感测和结构稀疏恢复算法,为预测风速搭建子序列时空模型另一项研究是关于区域风力农场空间分布问题,分析风力农场输出空间-时相关关系并基于测量历史数据建立风能预测模型中6依据多风场地理空间分布资料和历史时序统计,风场电源概率预测带参数和非参数回归通过使用不同地点风电输出相关性实现EFO分解提取区域风力农场特征时,选择每个风力农场代表单元预测风力农场输出最后,统计升级法用于预测区域风力农场总功耗目前,基于空间相关性的大多数研究主要考虑风速变化问题,原因有:不同风田的地理位置、风田地形数据、风向方向、粗糙度、温度、大气压力等文献直接分析空间相关性对风力农场输出特征的影响鲜见
超短期预测(典型分数对时)基于时间序列模型,依赖历史风速或电量测量并视预测变量本身为解释变量可捕捉风速或风能隐式随机特征7..参考号8混合模型开发多点预测和单点预测超短期风能预测参考号九九创型混合风电时序预测模型 提高超短期风电预测精度还有一些文献研究风速或风向对输出电源的影响10,11..同样的NWP数据,事实上不同地理位置风轮机输出电量与上述因素相关联,但也与地理位置和自身结构特征相关联本文考虑了风场单元空间分布信息第一,根据风轮输出作为样本的历史数据,模糊平均聚类法用于对风田单元分类第二,RBF神经网络预测模型是为分类单元搭建的,预测结果加在一起获取全风能预测电量
二叉模糊聚类和RBF网络预测模型
2.1.流图双步预测模型
拟方法认为不同空间位置风轮机对风力农场输出功用有不同贡献模糊聚类基于测量风轮机历史功率数据实现,并使用RBF非线性装配的长处实现单元分类风场33台风轮机历史数据样本接受训练测试特定流程图用图标注一号.
2.2.模糊C-Means集群
模糊聚类被视为常用数据分析方法之一模糊C值聚类分类风轮机历史功耗数据以发现不同涡轮机输出特征取下风场n台风单元样本集 J-th样本集成igenver所有样本都分类为c类12,13..样本集X可表示如下: 去哪儿 系i-th乘员分类集并表示i-th向量或集群原型向量 .
每一样本与所有集群之间的关系均由成员矩阵表示 表示ith集群中心jth样本成员级集群过程将每个样本的距离加权平方和都算为目标函数,定义如下: m模糊系数取2 风能历史数据与i-th分类集群原型之间的距离 正方形差错和元件集原型
具体步骤FCM算法14详解如下:
步骤1更新成员矩阵
,矩阵表示属于相应集群原型的每个集群样本数据成员值
,
,
if
....
,
步骤2更新集群原型矩阵 :
步骤3迭代重复
算法停止,成员级矩阵U和集群原型矩阵X输出否则,转向第一步
评估风轮机聚类结果并判定最优聚类数,两个评价索引分治系数
并分类entropy
,介绍[15..
用于评价不同单元集群间分离程度越大值越好
用于评价风轮机模糊聚类的程度越小值越好
2.3RBF神经网络预测模型
RBF神经网络高效多层前神经网络使用多维空间插值技术,它可以近似非线性函数与其他前线神经网络相比,神经网络有良好的最优近似性能和全球最优特征RBF神经网络由三层输入层、隐藏层和输出层组成,图中显示一号. jth输入样本 .n表示单元总数 连接输出层和隐藏层之间的权重h表示隐层神经元数16,17..图中也显示这一点2.
确定RBF网络结构需要三大参数:基函数中心值、差差和隐藏层对输出层连接权参数解析如下:
步骤1中心函数通过k值聚类法获取网络初始化 k培训样本随机选择为初始集群中心 欧几里得距离 和初始集群中心 计算并按近邻规则执行聚类第二,集群中心重新调整计算样本聚类集平均值获取新聚类中心新建集群中心不再修改,计算停止反转前步继续判定基函数中心
步骤2RBF网络函数高斯基础函数,其差解解可解决如下 去哪儿 最大距离选择基函数中心
步骤3隐层至输出层连接权可用最小平方法直接计算公式描述如下
去哪儿
.n表示样本总数
RBF网络隐层映射输入层非线性,而隐层输出层为线性映射参数中心
和权数
由输入和输出错误调整后网络内部层系数通过重复迭代计算相应调整当网络输出误差达到预置精度要求时,网络终止计算并输出预测值
3级案例研究
选择了北部风场测量的33台风轮机12个月历史功率数据,单单元容量为1.5兆瓦图显示电流曲线3.可以看到33风轮机生成电量横向与时间序列相关并有某种关联性与纵向空间分布相关
使用12个月的历史电量数据输入模糊聚类、聚类和组合风轮机图4描述成员矩阵曲线划分成二组和图5描述成员矩阵曲线划分为3组
选择不同集群数 ,成员矩阵值以图显示3并4.两位索引值用公式计算6)和表显示一号.
显示成员矩阵和表一号集群数为2时集群评价索引 大和 微小化风轮机最好划分为2组第一组包括14单元,第二组包括19单元
2017年3月风场10分钟历史数据733采样点被采纳设置RBF神经网络建模和预测目标函数误差设置为0.001,c为3,MN为20,DF为1RBF神经网络预测分别面向集群组和全风田单元预测曲线在下图中单独显示图6即RBF预测曲线7即RBF第二集群预测曲线图8描述RBF预测曲线 风力农场所有风轮机
风电生成预测常用评价索引为root平均平方误差和绝对误差具体定义如下[18号-20码.. 去哪儿 , 并 实值和预测值
RBF神经网络预测模型是为不同单元搭建的,预测误差分析见表2.两组风轮机预测值由等重加法获取组合风场模型输出从表2,基于组合模型加二组的错误比单模型低
对比RBF神经网络预测模型,ARIMA预测模型误差曲线图解九九.
(a)
(b)
(c)
上文比较分析显示,ARIMA模型预测误差超出本文中超短时预测模型风能预测精度可以通过两步超短时预测法有效提高
4级结论
研究中风田电源取自风能风场电流受风速、风向、尾流效果等影响单元输出对彼此有一定影响风轮机输出并计及这些因素间不确定关系,混淆聚类和RBF神经网络合并建立双步预测模型风力机在不同空间位置对风场功用的不同贡献和风力时序相关关系也得到考虑。与ARIMA预测模型和单RBF模型相比,案例验证本论文提议的双步预测法可有效提高超短期功率预测精度并获取某些工程实用值
数据可用性
支持本研究发现的数据可应请求从相关作者处获取。
利益冲突
作者声明他们没有利益冲突
感知感知
河南高教关键研究项目(70556)为这项工作提供部分财政支持