一种风电功率预测组合方法和系统技术方案

本发明专利技术提供一种风电功率组合预测方法和系统，通过时间序列法和BP人工神经网络法分别建立差分自回归移动平均预测模型（ARIMA）和反向传播神经网络预测模型（BP-ANN），然后利用得到的预测结果再建立新的BP-ANN预测模型，最终得到了风电功率的预测值。本发明专利技术充分考虑了两种单一模型的优缺点，并用新的组合方式进行组合，不但实现了不同单一模型的优势互补，也进一步提高了预测精度。

【技术实现步骤摘要】
【专利摘要】本专利技术提供一种风电功率组合预测方法和系统，通过时间序列法和BP人工神经网络法分别建立差分自回归移动平均预测模型（ARIMA）和反向传播神经网络预测模型（BP-ANN），然后利用得到的预测结果再建立新的BP-ANN预测模型，最终得到了风电功率的预测值。本专利技术充分考虑了两种单一模型的优缺点，并用新的组合方式进行组合，不但实现了不同单一模型的优势互补，也进一步提高了预测精度。【专利说明】一种风电功率预测组合方法和系统
本专利技术涉及电力
，特别涉及一种风电功率组合预测方法和系统。
技术介绍
风电具有间歇性、随机性和波动性。风电场出力不稳，给电网调度、调峰、安全等带来一系列问题，准确地风电功率预测是解决以上问题的有效方法。建立风电功率预测系统对于风电场的日常运营有着重要的意义。根据德国、丹麦等欧洲风电发达国家的经验，如果风机检修全部在小风期或者无风期完成，风电场每年的发电量将提高2%。此外，风电功率预测系统使风电场可以向电网公司提供准确的天前发电功率曲线，这使得电网调度可以有效利用风电资源，提高风电发电上网小时数额。最重要的是风电场发电功率随风速的无序变化是电网无法大规模接纳风电的关键因素，因此建立风电功率预测方法和系统是解决这一问题的有效手段。
技术实现思路
本专利技术的目的在于提供一种风电功率组合预测方法和系统，以解决风电场出力不稳，给电网调度、调峰、安全等带来一系列的问题。为解决上述技术问题，本专利技术提供一种风电功率组合预测方法，包括:获取风速通过差分自回归移动平均模型预测生成第一风电功率；获取风速通过反向传播神经网络模型预测生成第二风电功率；根据所述第一风电功率和第二风电功率进行反向传播神经网络模型预测生成最终风电功率。优选的，在所述的风电功率组合预测方法中，所述差分自回归移动平均模型预测通过时间序列法生成第一风电功率。优选的，在所述的风电功率组合预测方法中，所述时间序列法具体包括:(I)确定样本序列；(2)计算样本序列的自相关和偏相关函数值；(3)由自相关和偏相关函数的图形分别判断样本序列是否平稳，若是则转向(5)，若否则直接转向(4);(4)进行平稳性处理，对非平稳的序列进行差分处理，处理后的数据转向(2)，重新判断平稳性；(5)利用AIC和BIC定阶准则确定模型阶数；(6)利用风速数据求得各个模型参数估计值；(7)判断拟合模型的残差序列是否是一个白噪声序列，若是，则所检验的模型合适转入(8)，若否则转入(5)；(8)用上述所建立预测模型对样本数据进行滞后48小时的静态预测。优选的，在所述的风电功率组合预测方法中，所述反向传播神经网络模型预测通过BP人工神经网络法生成第二风电功率。优选的，在所述的风电功率组合预测方法中，所述BP人工神经网络法具体包括:(I)确定样本数据；(2)对数据进行归一化处理；( 3 )给定输入向量和目标向量；(4)求隐含层、输出层各节点的输出；(5)求目标值与实际值之间的偏差；(6)计算反向误差；(7)从最后一层向前计算各权值和阈值对总误差的影响，即对权值和阈值进行调整；然后转向(5)，反复计算，直到达到设定的预测误差范围内；(8)用上述所建模型进行预测，得到48个功率预测值。优选的，在所述的风电功率组合预测方法中，所述根据所述第一风电功率和第二风电功率进行所述反向传播神经网络模型预测生成最终风电功率包括:(I)选取合适的样本，设定所述样本的输入数据、目标输出数据、测试数据；(2)建立新的所述反向传播神经网络模型预测模型；(3)利用建立的所述反向传播神经网络模型进行风电功率预测，生成最终风电功率预测值。相应的，本专利技术还提供一种风电功率组合预测系统，包括:第一风电功率生成模块，用于获取风速通过差分自回归移动平均模型预测生成第一风电功率；第二风电功率生成模块，用于获取风速通过通过反向传播神经网络模型预测生成第二风电功率；最终风电功率生成模块，用于根据所述第一风电功率和第二风电功率进行通过反向传播神经网络模型预测生成最终风电功率。本专利技术提供的风电功率组合预测方法和系统，具有以下有益效果:本专利技术通过时间序列法和BP人工神经网络法分别建立差分自回归移动平均预测模型(ARIMA)和反向传播神经网络预测模型(BP-ANN)，然后利用得到的预测结果再建立新的BP-ANN预测模型，最终得到了风电功率的预测值。本专利技术充分考虑了两种单一模型的优缺点，并用新的组合方式进行组合，不但实现了不同单一模型的优势互补，也进一步提高了预测精度。【专利附图】【附图说明】图1是本专利技术优选实施例的风电功率组合预测方法示意图；【具体实施方式】以下结合附图和具体实施例对本专利技术提出的风电功率组合预测方法和系统作进一步详细说明。根据下面说明和权利要求书，本专利技术的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本专利技术实施例的目的。请参考图1，其是本专利技术优选实施例的风电功率组合预测方法示意图。如图1所示，本专利技术提供一种风电功率组合预测方法，包括:步骤一:获取风速通过差分自回归移动平均模型预测生成第一风电功率；在该步骤中，通过时间序列法建立差分自回归移动平均预测模型(ARIMA)，生成第一风电功率。具体来说，所述时间序列法包括以下步骤:(I)确定样本序列；(2)计算样本序列的自相关和偏相关函数值；(3)由自相关和偏相关函数的图形分别判断样本序列是否平稳，若是则转向(5)，若否则直接转向(4);(4)进行平稳性处理，对非平稳的序列进行差分处理，处理后的数据转向(2)，重新判断平稳性；(5)利用AIC和BIC定阶准则确定模型阶数；(6)利用风速数据求得各个模型参数估计值；(7)判断拟合模型的残差序列是否是一个白噪声序列，若是，则所检验的模型合适转入(8)，若否则转入(5)；(8)用上述所建立预测模型对样本数据进行滞后48小时的静态预测。步骤二:获取风速通过反向传播神经网络模型预测生成第二风电功率；在该步骤中，通过BP人工神经网络法建立反向传播神经网络预测模型(BP-ANN)生成第二风电功率具体来说，所述BP人工神经网络法包括以下步骤:(I)确定样本数据；(2)对数据进行归一化处理；( 3 )给定输入向量和目标向量；(4)求隐含层、输出层各节点的输出；(5)求目标值与实际值之间的偏差；(6)计算反向误差；(7)从最后一层向前计算各权值和阈值对总误差的影响，即对权值和阈值进行调整；然后转向(5)，反复计算，直到达到设定的预测误差范围内；(8)用上述所建模型进行预测，得到48个功率预测值。步骤三:根据所述第一风电功率和第二风电功率进行反向传播神经网络模型(BP-ANN)预测生成最终风电功率。具体来说，该步骤包括以下步骤:(I)选取合适的样本，设定所述样本的输入数据、目标输出数据、测试数据；(2 )建立新的BP-ANN预测模型；(3)利用建立的BP-ANN模型进行风电功率预测，生成最终风电功率预测值。相应的，本专利技术还提供一种风电功率组合预测系统，包括:第一风电功率生成模块，用于获取风速通过差分自回归移动平均模型预测生成第一风电功率；第二风电功率生成模块，用于获取风速通过反向传播神经网络模型(BP-ANN)预测生成第二风电功率；最终风电功率生成模块，用本文档来自技高网...

【技术保护点】
一种风电功率组合预测方法，其特征在于，包括：获取风速通过差分自回归移动平均模型预测生成第一风电功率；获取风速通过反向传播神经网络模型预测生成第二风电功率；根据所述第一风电功率和第二风电功率进行反向传播神经网络模型预测生成最终风电功率。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈勤勤，丁国栋，陈国初，金建，公维祥，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31