风电功率波动特性研究

周鑫,黄创霞, 谭艳祥



风电功率波动特性研究

周鑫,黄创霞, 谭艳祥

(长沙理工大学数学与计算科学学院, 湖南长沙, 410076)

采用概率分布拟合和基于遗传算法的BP神经网络的预测建模对风电功率波动特性进行定量分析。首先, 针对风电功率实测数据建立了概率分布拟合模型并分析了拟合结果; 其次, 建立了基于不同时间间隔历史实测数据的BP神经网络预测模型, 数据检验表明该模型对于峰值有很理想的预测精度且整体精度较高。

概率分布拟合; 遗传算法; BP神经网络

在全球资源日益紧缺的今天, 风能作为可再生的清洁能源发展迅猛, 因此大规模的风电并网成为一种必然的发展趋势。由于风电功率的随机性与波动性, 伴随着装机容量的不断增加, 风电功率的随机波动可能会造成浪费或影响电网的稳定, 甚至可能会危及整个电网。同时峰值的调节能力也是影响风电并网的主要因素, 因此对风电功率波动特性的研究十分必要。它不仅能有效改善预测精度, 也能有效解决大规模风电并网的不利影响。基于我国某风电场的20台1.5 MW的风电机组30 d的实测数据, 本文对风电功率的波动特性进行了定量分析。主要对下列2个问题进行研究: 一是针对风电功率实测数据建立概率分布拟合模型, 分析与讨论拟合结果; 二是建立基于不同时间间隔的历史实测数据预测模型, 通过已有数据进行检验, 并比较其预测误差。

1 概率分布拟合模型

1.1 模型的建立

首先绘制全部20台机组预处理数据的PDF图像, 然后对20幅图像进行分析与讨论, 最后通过MATLAB仿真软件[1], 自主编写出GUI概率分布拟合可视化界面, 即概率分布拟合模型。

1.2 风电功率在不同时间间隔波动数据概率密度的选择

首先采用自编GUI概率分布拟合可视化界面以及MATLAB概率分布拟合dfittool工具箱对不同时间间隔波动数据的概率密度进行比较与选择, 然后分别计算出每种概率分布所对应的数字特征及参数估计, 最后建立拟合指标函数, 对不同的拟合分布进行比较, 定量确定出最优的拟合分布。

根据数据预处理得到的阈值, 分别对第3, 11, 14, 15, 19这5个机组进行的3种概率分布拟合进行比较, 最后得到综合拟合误差指标,= 3, 11, 14, 15, 19号机组, 其中为调节系数, 本文默认各组机组影响相同, 取= 0.2。根据最后的比较结果, 本文得出location–scale概率分布函数最适合描述风电功率的波动特性[2]。

1.3 极大似然估计和假设检验

首先定义似然函数(,,)为。其中是location–scale的概率密度函数, (为位置参数,为尺度参数,为形状参数)。在,,的所有取值中, 使似然函数(,,)最大化(一阶导数)的值被称为极大似然估计。

根据1.2所得最优拟合分布函数location–scale概率分布[3], 以每日为时间窗宽, 采用极大似然估计法对30 d各时段风电功率波动的其中3个参数(,,)进行估计, 并利用MATLAB仿真软件对其求解。然后用已知的参数估计结果对30组数据进行非参数假设检验, 即Kolmogorov–Smirnov检验[4]。设0()表示理论分布的分布函数,F()表示30 d随机样本的累计频率函数,为0()与F()差距的最大值, 定义为。

当实际观测＞(,)时, 显著水平为(样本容量为时,的拒绝临界值为0.05), 则不服从location–scale分布0, 反之亦然。结合极大似然估计与KS检验的结果可以发现, 总体和个体的波动性存在一定的差异, 且不同时间的风力大小会呈现一定的日周期性(图1, 图2)。

图1 第11号机组不同天的风电功率图像

图2 第11号机组不同天的风电功率的概率拟合图

2 基于遗传算法的BP神经网络预测模型

BP神经网络预测模型的基本原理就是基于神经网络算法和遗传算法, 运用GA优化网络拓扑结构的优点, 根据某些性能评价准则搜索结构空间中满足问题要求的最佳神经网络结构模型。

2.1 模型的建立

首先假设交叉概率与变异概率分别为0.3与0.1, 然后对预测模型的解空间作合理假设, 最后根据实测数据的规模大小进行60次的进化[5]。具体实现步骤如下:

(1) 编码参数。对BP神经网络进行二进制编码。

(2) 种群的初始化。根据在编码过程中随机产生的一个种群, 对其进行假设(设种群规模为12)。

(3) 适应度函数。首先通过个体的二进制编码串解码得到BP神经网络的阈值和权值, 然后运用训练样本训练神经网络, 最后把期望输出与预测输出的绝对值之和定义为个体的适应度。

(4) 选择操作。根据得到的个体适应度值, 采用轮盘赌法进行选择操作。

(5) 交叉操作。根据选择操作选择出来的优良个体组合, 采用实数交叉法对其进行重新组合, 产生品种更好的个体组合。

(6) 变异操作。采用边界变异法, 其变异的公式如下:

其中a表示第个个体的第个基因。

2.2 模型检验

首先分别对15, 5 min间隔的风电功率进行仿真, 即网络训练, 经过多次训练后对15, 5 min分别进行总功率4 h预测[6]并与该风电场的实测数据进行比较, 其结果见表1。由表1可以明显看出15 min间隔数据的预测结果误差明显大于5 min数据的预测结果。最后运用滚动预测的方法, 预测后7 d的数据, 其结果见图3。

图3 滚动预测后7 d的数据结果

表1 15, 5 min间隔4 h预测结果

根据表1数据与图3可以得出BP神经网络预测模型对峰值数据的预测非常理想且精度很高。同时对发电功率的波动性预测非常准确, 时间延迟现象也得到了进一步改善, 网络的泛化能力也很稳定[7]。

3 结论

分别采用概率分布拟合和基于遗传算法的BP神经网络预测, 通过MATLAB软件编程, 利用风电功率的实测数据, 对风电功率波动性进行研究。研究结果发现: (1)location–scale概率分布是最适合描述风电功率的波动特性; (2)总体和个体的波动性是存在一定的差异; (3) 不同时间的风力大小会呈现一定的日周期性。风机输出功率的波动随着风电规模的增加反而成衰减的特点, 风电场的波动情况趋近于正态分布; (4) 基于遗传算法的BP神经网络预测模型对于峰值有很理想的预测精度且整体的预测精度很高。

参考文献：

[1] 谢中华. MATLAB统计分析与用40个案例分析[M]. 北京: 北京航空航天大学出版社, 2010.

[2] 周小陈, 刘真畅, 张宇飞. 风电功率预测问题[EB/OL]. http://wenku.baidu.com/view/809abe4ecf84b9d528ea7a82.html. 2012–2–19.

[3] 方江晓. 短期风速和风电功率预测模型的研究[D]. 北京: 北京交通大学, 2011.

[4] 李剑楠. 大规模风电多尺度出力波动性的统计建模研究[J]. 电力系统保护与控制, 2012, 40(19): 8–12.

[5] 丁明, 吴义纯, 张立军. 风电场风速概率分布参数计算方法的研究[J]. 中国电机工程学报, 2005, 25(10): 108–110.

[6] Papaefthymiou G. MCMC for wind power simulation [J]. IEEE Trans on Energy Conversion, 2008, 23(1): 235–240.

[7] 李军徽. 抑制风电对电网影响的储能系统优化配置及控制研究[D]. 北京: 华北电力大学, 2012: 1–48.

(责任编校:刘刚毅)

The research of wind power fluctuation characteristic

Zhou Xin, Huang Chuangxia, Tan Yanxiang

(School of Mathematics and Computing Science, Changsha University of Science and Technology, Changsha 410076, China )

The fluctuation of wind power is analyzed by probability distribution fitting and forecasting model of BP neural networkbased to quantitative. Firstly, the distribution fitting probability model is established according to the measured data of wind power; secondly, BP neural network prediction model for different time intervals of history data is established; the existing data test show that the model for the peak has a very good prediction and the overall prediction accuracy is higher. The obtained results have certain guiding significance to create balance mechanism of wind power effectively.

probability distribution fitting; genetic algorithm; BP neural network

10.3969/j.issn.1672–6146.2015.02.013

O 211.67

1672–6146(2015)02–0039–04

黄创霞, cxiahuang@126.com; 周鑫, 15616100414@163.com。

2014–12–19

国家自科基金(11101053; 71471020), 国家级大学生创新训练项目(201410536012), 长沙理工大学教改项目(JG 1242)。