一種基于t-s模糊模型的風電功率超短期預測方法
【專利摘要】本發(fā)明公開了一種基于T?S模糊模型的風電功率超短期預測方法，首先，通過相關(guān)性分析得到影響風電功率預測的主要因素，然后，對歷史時刻的風速和功率進行預處理和歸一化，建立訓練樣本集和預測樣本集。最后，分別采用模糊C均值聚類算法和帶遺忘因子的遞推最小二乘法對模型進行結(jié)構(gòu)劃分和參數(shù)辨識，從而得到以風速和功率為輸入的風電功率超短期預測的T?S模糊模型。本發(fā)明過程簡單，計算量小，結(jié)果準確。
【專利說明】
-種基于T-S模糊模型的風電功率超短期預測方法
技術(shù)領域
[0001] 本發(fā)明設及風電功率超短期預測技術(shù)，特別是基于T-S模糊模型的風電功率超短 期預測方法。
【背景技術(shù)】
[0002] 由于全球變暖問題日益嚴重，政府的財政支持及電力電子設計和制造行業(yè)的發(fā) 展，風力發(fā)電成為過去二十年發(fā)展最快的能源轉(zhuǎn)換系統(tǒng)。全球風力發(fā)電的裝機容量已經(jīng)從 2000年的60GW增加到2015年的460GW。隨著風電的快速發(fā)展，大規(guī)模風電場的并網(wǎng)運行對電 力系統(tǒng)的影響也越來越顯著。風電的隨機性，波動性，不可預知性的特點使得并網(wǎng)對電力系 統(tǒng)的安全穩(wěn)定運行W及保證電能質(zhì)量帶來嚴峻的挑戰(zhàn)。而風電功率預測有助于系統(tǒng)的運行 和調(diào)度，有助于電力系統(tǒng)調(diào)度部口及時調(diào)整調(diào)度計劃，優(yōu)化系統(tǒng)備用容量，對風電場制定出 合理的控制策略，使風電成為可調(diào)度的電源。另一方面，準確的風電功率預測可W減輕風電 對電網(wǎng)的不利影響，降低風電場的運行成本，有利于衡量風電場容量的可信度。另一方面， 風電功率預測還可W提高風電場的利用效率。所W開發(fā)建設風電功率預測系統(tǒng)，對風電出 力進行準確預測，顯得尤為重要。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是針對受風速、風向、環(huán)境溫度和壓強的影響，而導致的風電功率的 不確定性和非線性，設計了一種基于T-S模糊模型的風電功率超短期預測方法，實現(xiàn)了風電 功率產(chǎn)生的線性化并成功地減小了預測誤差，提高了風電功率預測的準確度。
[0004] 為了實現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是:一種基于T-S模糊模型的風電功 率超短期預測方法，包括W下步驟：
[0005] 1)選用前n個時刻的風速和功率作為輸入，選取測量時間間隔為t分鐘的M組數(shù)據(jù) 作為訓練數(shù)據(jù)，進行歸一化處理，對所述M組訓練數(shù)據(jù)進行聚類，分為C類，得到C個聚類中屯、 Vi,隸屬度矩陣U=山ik]，將隸屬度Wik作為每個子模型輸出對應的權(quán)重；
[0006] 2)規(guī)定每個子模型的規(guī)則結(jié)構(gòu)yi為：
[0007] yi = aiixii+ai巧i2+. . .+ainXin+biiUii+bi2Ui2+. . .+biniiin;
[000引其中，Xin，Uin，分別為為第i個子模型的風速輸入序列和功率輸入序列中第n個數(shù) 據(jù)，ain，bin分別為第i個子模型的風速輸入序列和功率輸入序列第n個數(shù)據(jù)對應的系數(shù)；
[0009] 3)利用帶遺忘因子的最小二乘遞推算法求出子模型，利用所述子模型得到輸出序 列y=Wiy 1+W2y2+.....Wnyn;其中yi，y2--y。為每個子模型的輸出，wi，W2--w。為每個子模 型對應的權(quán)重，即隸屬度；
[0010] 4)選擇間隔t分鐘的P組風速和功率，進行歸一化處理后，作為驗證模型的輸入序 列，來預測L天W后的風電功率，用L天W后的間隔t分鐘的P組實測風電功率數(shù)據(jù)驗證所述 輸出序列y的準確度，按聚類中屯、和隸屬度的公式更新聚類中屯、Vi和隸屬度矩陣U，得到每 個子模型輸出對應的隸屬度，代入y = wiyi+w巧2+.....Wnyn，即得到最終的輸出序列；Wl， W2. . .Wn取為對應的隸屬度化k.
[0011] 步驟一，通過相關(guān)性分析得到影響風電功率預測的主要因素，將該影響因素作為 模型的輸入，基于簡單有效的原則，選擇合適輸入序列。
[0012] 步驟二，對輸入進行數(shù)據(jù)處理歸一化，再對作為輸入的樣本數(shù)據(jù)進行FCM(模糊C均 值)聚類，得到前件參數(shù)隸屬度矩陣。將隸屬度作為每個子模型輸出的權(quán)重。
[0013] 步驟=，用帶遺忘因子的遞推最小二乘法對聚類產(chǎn)生的不同的線性系統(tǒng)進行后件 參數(shù)辨識。
[0014] 即可得到，基于T-S模糊模型的分段線性的風電功率超短期預測的數(shù)學模型。
[0015] 最后，計算模型預測均方根誤差，絕對值誤差，及相對誤差概率，通過與傳統(tǒng)預測 方法比較運些誤差指標的大小，來評估模型預測的準確度。
[0016] 與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果為:本發(fā)明將正常的模糊規(guī)則及其推 理轉(zhuǎn)化成一種具體的數(shù)學表達形式，對于已經(jīng)建立的模型，只需要前幾個時刻的風速和功 率即可預測下一時刻的功率，過程簡單，計算量小，結(jié)果準確。
【附圖說明】
[0017] 圖1為本發(fā)明建模流程簡圖；
[0018] 圖2為本發(fā)明預測結(jié)果與原始數(shù)據(jù)、SVM、EMD-SVM的預測結(jié)果圖；
[0019] 圖3為本發(fā)明預測結(jié)果誤差圖；
[0020] 圖4為本發(fā)明與SVM、EMD-SVM預測結(jié)果相對誤差概率分布圖；
[0021] 圖5為本發(fā)明的建模詳細流程圖。
【具體實施方式】
[0022] 本發(fā)明針對受風速、風向、環(huán)境溫度和壓強的影響，而導致的風電功率的不確定性 和非線性，設計了基于T-S模糊模型的風電功率預測方法。首先，通過相關(guān)性分析得到風速 和功率是影響風電功率預測的主要因素。然后，對歷史時刻的風速和功率進行聚類，得到前 件參數(shù)隸屬度矩陣。最后，用帶遺忘因子的遞推最小二乘法對聚類產(chǎn)生的不同的線性系統(tǒng) 進行后件參數(shù)辨識，即可得到，W風速和功率為輸入的基于T-S模糊模型的分段線性的風電 功率預測的數(shù)學模型。
[0023] 具體過程如下：
[0024] 通過相關(guān)性分析得到對功率預測影響最大的因素，歷史時刻的風速和功率。分別 選取前幾個時刻的風速和功率作為輸入序列X和U，對數(shù)據(jù)進行預處理和歸一化，選用n組數(shù) 據(jù)作為訓練樣本，用模糊C均值聚類，對訓練數(shù)據(jù)進行聚類分析，得到聚類中屯、和隸屬度矩 陣，聚類步驟如下：
[0025] 步驟一，給定模糊劃分矩陣初始值Uo和一個較小的目標函數(shù)精度。〇(如令E = 10 ^);選擇聚類數(shù)目C和模糊指數(shù)m;初始化迭代次數(shù)1 = 0;
[00%]步驟二，按照(4)更新聚類中屯、Vi;
[0027]步驟S，按照式(2)更新平方內(nèi)積距離范數(shù)化k2;
[002引步驟四，按照式(3)更新模糊劃分矩陣iiik;
[0029] 步驟五，若M滬1-護M <e則終止迭代，否則令1 = 1+1轉(zhuǎn)到步驟二；
[0031] (]>
[0030] 相應公式如下：
[0032] 向
[0033]
[0034] (4)
[003引式中，Z=(Z1，Z2, . . . ,ZN)表示被聚類的有限數(shù)據(jù)集;U=[jiik]是Z的模糊劃分隸屬 度矩陣;V= (VI，V2，'''，Vc)T為聚類中屯、向量;Jiik是數(shù)據(jù)點Zk相對于聚類中屯、Vi的隸屬度，取 值范圍是聚類個數(shù);n是樣本個數(shù);m是模糊指數(shù)。Dik2是平方內(nèi)積距離范數(shù)，A決 定聚類的形狀，通常取單位矩陣I。
[0036] 因為單輸入單輸出的離散T-S模糊模型可W用如下式表示
[0037]
[003引式中，是第i條規(guī)則；C是總的模糊規(guī)則數(shù);XGRT是系統(tǒng)的輸入變量;yi是第i條規(guī)則 的輸出。
[0039] 所W，設每個系統(tǒng)子模型為yi = ailXil+ai2Xi2+. . .+ainXin+bilUil+bi2Ui2+. . .+binllin, 式中，X1,X2, . . .，Xn為前n個時刻的歷史風速，山,U2, . . .，Un為前n個時刻的歷史功率，令m化） =[X化)u化)]，則帶遺忘因子的最小二乘法遞推算法辨識步驟如下：
[0040] 步驟一，整理實際數(shù)據(jù)，確定輸入輸出數(shù)據(jù)序列；
[0041] 步驟二，設置初值0(0)和P(O);
[0042] 步驟S，利用下式，計算0(0)，P化），w化）；
[0043] 步驟四，令k = k+l，返回步驟S，繼續(xù)循環(huán)。
[0044] 相應公式如下：
[0045] (5)
[0046] 式中，A為遺忘因子，一般選取〇.95<A<1，0化)待辨識參數(shù)矩陣，P化)為協(xié)方差矩 陣，W化)為增益矩陣，m化)為輸入和狀態(tài)矩陣。綜合上述步驟，在模型輸入時間序列和輸出 時間序列已知的情況下，可W辨識出相應的參數(shù)，即參數(shù)矩陣[Al Bi]，其中Ai=[曰1] ,Bi = [bi]即為X化)u化)對應的系數(shù)。
[0047] 最后W隸屬度作為權(quán)重得到最后結(jié)果y=wiyi+w巧2+.....Wny。，其中yi，y2--yn為 每個子模型的輸出，W1，W2. .. .Wn為每個子模型對應的權(quán)重。
[0048] 用均方根誤差和絕對值誤差作為衡量模型準確度的指標，同時還給出了相對誤差 概率分布，其中均方根誤差用來評價誤差的分散程度，反映預測的精密度，平均絕對誤差用 來評價誤差的平均幅值，公式如下：
[0049] 心、 巧)
[(K)加 ] 巧）
[0051] (8)
[0052] W某風電場2015年8月氣象源C數(shù)據(jù)和實發(fā)數(shù)據(jù)為例，介紹模型建立的具體步驟。
[0053] 步驟一，確定輸入輸出序列，考慮到模型的準確性和計算量，決定選用前四個時刻 的風速和功率作為模型的輸入，即m化）=(Xkl，Xk2，祉3，Xk4，Ukl，Uk2，Uk3，Uk4 )，選取測量時間 間隔為15分鐘的1000組數(shù)據(jù)作為訓練數(shù)據(jù)，先進行歸一化處理，初始化隸屬度矩陣U，令e為 1(T5,選擇聚類數(shù)目為2,對運1000組數(shù)據(jù)進行聚類，得到兩個聚類中屯、Vi和V2,隸屬度矩陣 U。步驟二，規(guī)定每個子模型的規(guī)則結(jié)構(gòu)為
[0化4] y i = aiiXii+ai2Xi2+ai3Xi3+ai4Xi4+biiUii+bi2Ui2+bi3Ui3+bi4Ui4 (9)
[0055]令目 i(〇) = [0. 1,0.1，0. 1,0.1，0. 1,0.1，0. 1,0.1 ]T,
[0化6] 令Pi(0)為單位矩陣，且Pi(0) G rSxs，選取A為0.95，
[0057]利用帶遺忘因子的最小二乘遞推算法求出兩個子模型，參數(shù)矩陣為 [005引 01=[0.6395-0.2808-1.0404 0.6902-0.6810 1.5082-1.8896 2.0486]^
[0059] 目2=[0.0100-0.0283 0.0244-0.0197-0.6099 2.1706-3.3575 2.7936]t
[0060] 因此，求得兩個子系統(tǒng)的線性模型分別為
[0061] yi =目迎1 化），y2=目 21112 化） （10)
[00創(chuàng)最終結(jié)果為y=wiyi+W2y2,其中W1，W2為每個子模型輸出對應的權(quán)重，在運里選擇每 個樣本對每個子系統(tǒng)的隸屬度為權(quán)重。
[0063] 步驟S，用10天W后的間隔15分鐘的70組數(shù)據(jù)驗證模型的準確度。確定輸入序列， 和要預測的數(shù)據(jù)對應的原始數(shù)據(jù)，進行歸一化處理后，按聚類中屯、Vl和V2更新隸屬度矩陣， 得到每個子系統(tǒng)輸出對應的權(quán)重，帶入y=wiyi+W2y2即可得到相應的輸出序列。
[0064] 用均方根誤差和平均相對誤差作為衡量模型預測效果的的指標，并給出了相對誤 差概率分布圖，且將其與SVM及EMD-SVM預測模型結(jié)果進行比較，仿真圖及誤差指標如下表 Io
[00化]表一 [0066]
[0067]由仿真圖形及表格可W看出，T-S模糊模型與EMD-SVM方法和單一的SVM方法相比， 誤差范圍減小，且T-S模糊模型的預測大大減小了較大誤差出現(xiàn)的概率，預測精度有了明顯 的提高。即基于T-S模糊模型的風電功率預測方法在一定程度上提高了風電場風電功率預 測的準確性，所W該方法具有較高的實用價值。
【主權(quán)項】
1. 一種基于τ-s模糊模型的風電功率超短期預測方法，其特征在于，包括以下步驟： 1) 選用前η個時刻的風速和功率作為輸入，選取測量時間間隔為t分鐘的Μ組數(shù)據(jù)作為 訓練數(shù)據(jù)，進行歸一化處理，對所述Μ組訓練數(shù)據(jù)進行聚類，分為c類，得到c個聚類中心 Vl， 隸屬度矩陣U= [yik]，將隸屬度yik作為每個子模型輸出對應的權(quán)重； 2) 規(guī)定每個子模型的規(guī)則結(jié)構(gòu)71為： yi 一 ElilXil+￡li2Xi2+· · ·+ElinXin+bilUil+bi2Ui2+· · ·+binUin ; 其中，Xin，Uin，分別為為第i個子模型的風速輸入序列和功率輸入序列中第n個數(shù)據(jù)， ain，bin分別為第i個子模型的風速輸入序列和功率輸入序列第η個數(shù)據(jù)對應的系數(shù)； 3) 利用帶遺忘因子的最小二乘遞推算法求出子模型，利用所述子模型得到輸出序列y =wiyi+W2Y2+.....Wnyn;其中yi，y2. . · .yn為每個子模型的輸出，W1，W2. · · .wn為每個子模型對 應的權(quán)重，即隸屬度； 4) 選擇間隔t分鐘的P組風速和功率，進行歸一化處理后，作為驗證模型的輸入序列，來 預測L天以后的風電功率，用L天以后的間隔t分鐘的P組實測風電功率數(shù)據(jù)驗證所述輸出序 列y的準確度，按聚類中心和隸屬度的公式更新聚類中心^和隸屬度矩陣U，得到每個子模 型輸出對應的隸屬度，代入y=wiyi+w2y2+.....wnyn，即得到最終的輸出序列;wi，w2...w n取 為對應的隸屬度yik。2. 根據(jù)權(quán)利要求1所述的基于Τ-S模糊模型的風電功率超短期預測方法，其特征在于， 步驟1)的具體實現(xiàn)過程包括以下步驟： 1) 給定模糊劃分矩陣初始值Uo和ε，ε>0;選擇聚類數(shù)目c和模糊指數(shù)m;初始化迭代次數(shù)1 =〇； 2) 按照下式更新聚類中心v1: fc-l其中，ylk是數(shù)據(jù)點Zk相對于聚類中心^的隸屬度;n是數(shù)據(jù)點的個數(shù)； 3) 利用下式更新平方內(nèi)距離范數(shù)Dlk2:其中，（Zk-V1)T為(Zk-Vl)的轉(zhuǎn)置，D lk為第i個聚類中心和第k個數(shù)據(jù)點的歐幾里得距離； 4) 利用下式更新模糊劃分矩陣ylk，其中，Z的模糊劃分隸屬度矩陣U=[ylk]:其中，Djk為第j個聚類中心和第k個數(shù)據(jù)點的歐幾里得距離； 5) 若| Ijw-JN |<ε則終止迭代，否則令1 = 1+1，并轉(zhuǎn)到步驟2)。
【文檔編號】G06Q10/04GK105956720SQ201610396708
【公開日】2016年9月21日
【申請日】2016年6月7日
【發(fā)明人】劉芳, 李然然, 李勇, 吳敏, 陳鑫, 劉玲
【申請人】中南大學