[发明专利]风电功率超短期预测方法

说明书

技术领域

本发明涉及一种风电功率超短期预测方法。

背景技术

随着新能源技术的不断开发，风电技术得以飞速发展，由于风电转化过程中，由于风力的大小无法控制，其转化电量的功率也不稳定，很难量化。风电功率的超短期预测，是指从预报时刻至未来4小时内对风电场并网功率预测，每15分钟一个预报点，每15分钟滚动预报一次，预测的均方根误差≤10％，可以对电网实时调度提供必要的科学依据，因此风电功率的超短期预测一直是风电技术领域最为重视的技术问题。

目前，国内外已经研制出并投运很多风电功率预测系统。但多数预测系统仍是采用数值天气预报NWP(NumericalWeatherPredictions)的数据作为模型输入数据。由于模型的建立、算法、天气以及风电场的运行状态等因素对风电功率预测的结果都有很大的影响，所以不可避免的存在预测误差。很多国内外研究者将多种预测方法组合起来，取长避短，充分利用各自的优点来提高风电功率预测的精度，并取得了不错的效果。随着人工智能的发展，利用智能算法和其它预测方法进行组合来提高预测精度也成为可能。

灰色理论只需要少量的数据就能完成一定精度内的预测，但用于原始数据波动较大的系统，其预测精度会降低。BP神经网络通过学习样本的学习来逼近非线性系统的动态模型，有效解决系统建模的难题，具有自适应功能、泛化功能、非线性映射功能和高度并行处理的能力。然而，BP神经网络需要大量的样本数据，学习速度慢，且容易陷入局部极值。

发明内容

本发明提供一种风电功率超短期预测方法，有效解决了现有技术中存在的风电功率超短期预测精度不足、计算速度慢等技术问题。

为解决上述问题，本发明提供如下技术方案：

本发明涉及一种风电功率超短期预测方法，包括如下步骤：

建立一灰色模型；所述灰色模型包括一个输入通道及一个输出通道，所述输入通道用于输入至少一时间段的历史风电功率，所述输出通道用于输出对应任一时间段的历史风电功率拟合值或对应未来连续四个时间段的风电功率初步预测值；

连续输入至少一时间段的历史风电功率至所述灰色模型，获取所述历史风电功率拟合值或者对应未来至少一时间段的所述风电功率初步预测值；

建立一BP神经网络；所述BP神经网络包括三个BP输入通道及一个BP输出通道，三个BP输入通道分别用于输入任一时间段的平均风速、平均风向以及所述灰色模型的历史风电功率拟合值或所述风电功率初步预测值，所述BP输出通道用于输出风电功率最终预测值；所述BP神经网络用于映射所述风电功率最终预测值与所述输入任一时间段的平均风速、平均风向以及所述历史风电功率拟合值或所述风电功率初步预测值之间的非线性关系；

获取用于训练所述BP神经网络的至少一训练样本；每一训练样本包括从数值天气预报中获取的任一时间段的平均风速、平均风向以及所述历史风电功率拟合值三个输入值，包括该时间段的历史风电功率这一输出值；

根据所述训练样本，用BP算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的连接权值；

在所述BP神经网络的输入通道输入未来连续四个时间段的平均风速和平均风向、未来连续四个时间段的风电功率初步预测值；以及

所述BP神经网络根据所述连接权值计算并输出未来连续四个时间段的风电功率最终预测值至所述BP输出通道。

其中，根据所述训练样本，用BP算法训练所述BP神经网络，优化所述BP神经网络，获取所述BP神经网络的连接权值，包括如下步骤：

用BP算法初始化所述BP神经网络，定义迭代次数及目标值；

输入一训练样本至所述BP神经网络；

计算该训练样本在所述BP神经网络中输出的误差性能指标；

判断所述误差性能指标是否达到设定的目标值以及是否达到设定的迭代次数，若所述适应值未达到目标值且未达到设定的迭代次数，将所述误差性能指标反向传播，调整所述BP神经网络内部各节点的权值，重新输入该训练样本，重复上述步骤；若所述误差性能指标达到设定的目标值或达到设定的迭代次数，重新输入另一训练样本至所述BP神经网络，重复上述步骤，直至所有训练样本的误差性能指标达到设定的目标值或达到设定的迭代次数，停止输入训练样本；

计算对应所述BP神经网络的输出端与输入端之间的连接权值。

其中，输入一训练样本至所述BP神经网络，包括如下步骤：

输入一训练样本中的三个输入值至所述BP神经网络的三个输入端；

将输入数据在所述BP网络内正向传播；