Ultra-Short-Term风力发电的预测基于模糊聚类和RBF神经网络

文摘

高精度的风能预测可以降低风力发电的波动性和间歇性输出,这有利于电力系统的稳定运行,提高系统的有效的大规模风力发电能力消费。风电场的风力涡轮机位于不同的空间位置,及其输出特性也受风向的影响,之后的效果,和操作条件。在此基础上,提出了两步ultra-short-term预测模型。首先,模糊c均值聚类(FCM)理论用于集群的单位根据风力发电机的特点。其次,建立了RBF神经网络预测模型的分类群,分别和ultra-short-term功率预测每单位执行。最后,上述结果与未分类建立的RBF单一预测模型g风力涡轮机。风电场的案例研究在中国北方。结果表明,该方法可以有效地提高风力发电的预测精度,证明了该方法的有效性。

1。介绍

为了解决当前的能源发展的挑战,如资源、环境污染、气候变化,未来电力系统采用低碳,绿色,和清洁发展为发展方向,这将增加可再生能源的装机容量由风能。由于风能的随机性和波动性,发电风力发电导致电网电压和频率的波动,直接影响电网的电能质量的稳定性和电力系统的操作,也给电网调度带来许多不确定因素(1]。准确的风能预测是一种有效的方法来减少上述因素。

目前,短期风电预测方法主要分为两类:统计模型纯粹基于历史数据和物理数值天气预报(NWP)模型。他们更适合短期预测未来6 - 72小时。虽然前模型相对简洁,计算速度快,预测精度与预测时间的增加急剧下降。基于数值天气预报模型可以获得风电预测的值1到3天。预测精度相对稳定,但计算量很大,常常需要超级计算机,不断操作数小时(2]。统计模型与数值天气预报数据作为额外的外源输入,考虑空间关系的主要研究方法是一种提高风力发电在未来预测精度。考虑空间相关性的研究,大部分的文学是基于风速和空间相关性的分析建立风速预测模型(2- - - - - -5]。在[4),基于历史上风速的统计数据,为了研究的时间演化和空间范围的统计数据,使用data-coupled聚类方法(SODCC算法)来计算集群大小概率和节点集群大小概率,建立了风速的时空模型。该方法为风电场输出的预测分析提供指导。假设存在低维结构管理一组之间的交互历史气象监测站的数据,我们利用小波变换(WT)风速数据的分解成更固定组件。基于压缩感知(CS)和structured-sparse恢复算法,每个子序列的时空模型建立预测风速。另一项研究是关于空间分布的区域风力发电场,风电场输出的时空相关性的分析,建立风力发电预测模型基于历史数据来衡量。在[6),基于地理空间分布信息的多个风电场的历史时间序列数据,风电场的功率预测概率参数和非参数回归使用的相关性进行风力发电输出在不同的位置。使用EFO分解提取区域风电场的特点,代表单位选择每个风电场预测风电场的输出。最后,统计升级方法用来预测区域风电场的总功率值。目前,大多数的研究基于空间相关性主要是考虑风速的变化,引起的,例如,不同的风力发电场的地理位置,地形数据的风力发电场,风向,粗糙度,温度、大气压力等。文献直接分析空间相关性的影响风电场的输出特性与不同的风力涡轮机很少看到。

Ultra-short-term(通常是几分钟至几小时)是基于时间序列的预测模型,依靠历史风速或功率测量和预测变量作为解释变量。他们可以捕捉隐藏随机风速或风力发电的特点7]。文献[8)应用开发多点的混合模型预测和单点预测ultra-short-term风力发电的预测。文献[9风能)提出了一个新颖的混合时间序列预测模型来提高ultra-short-term风电预测的准确性。也有一些文献研究风速或风向对输出功率的影响(10,11]。同样的数值天气预报数据,事实上,风力发电机的输出功率在不同的地理位置是与上述因素有关,而且地理位置和其自身的结构特点。摘要空间分布信息单元的风电场。首先,根据风力发电机输出的历史数据为样本,使用模糊均值聚类方法对风电场的单位进行分类。其次,建立了RBF神经网络预测模型的分类单位,和预测结果加起来获得总风电功率预测。

2。模糊聚类和RBF网络预测模型

2.1。两步预测模型的流程图

该方法考虑了风力发电机在不同的空间位置对风电场的输出功率有不同的贡献。模糊聚类的执行是基于测量风力涡轮机的历史功率数据,和实现的分类单元使用RBF的非线性拟合的优势;历史数据的样本33风电场风力涡轮机是训练和测试。具体流程图如图1。

2.2。模糊c均值聚类(FCM)

模糊聚类是数据分析的常用方法之一。采用模糊c均值聚类分类风力涡轮机的历史电力数据发现不同的发电机的输出特性。取一个样本集n单位台风的风力发电场,j样本有一组特征向量,m是描述时间序列的输出特征j。所有样本分为c类别模糊聚类算法(12,13]。样例集合X可以表示如下: 在哪里 是分类的设置的第i个机组人员和代表的第i个向量或集群原型向量, 。

每个样本和所有集群之间的关系是由会员矩阵表示。代表了j样本的隶属程度第i个集群中心。在聚类过程中,每个样本的距离加权平方求和所有集群中心作为目标函数,定义如下: m是模糊系数,本文取2;风力发电之间的距离历史数据和集群原型在第i个分类。 误差平方和的总和每个分类器的示例数据和集群的原型。

FCM算法的具体步骤14)如下:

步骤1。更新会员矩阵 ,和矩阵表示每个集群的成员值样本数据属于相应的集群原型:
, , 如果 ,使 ,

步骤2。更新集群原型矩阵 :

步骤3。不停的重复,如果 、算法停止和隶属度矩阵U和集群原型矩阵X的输出。否则,转到第一步。
为了评估风力涡轮机的聚类结果,并确定最优数量的集群,两个评价指标,分配系数和分类熵 ,介绍了(15]。 是用来评估集群之间的分离程度不同的单位。值越大越好。用于评价模糊聚类在风力涡轮机的程度。值越小,越好。

2.3。RBF神经网络预测模型

RBF神经网络是一种高效的多层前馈神经网络。使用多维空间插值技术,它可以逼近任意非线性函数。与其他前馈神经网络相比,神经网络具有良好的最佳逼近性能和全局最优的特点。RBF神经网络由输入层的三层,隐藏层和输出层,如图1。 是第j输入样本, ,n是单位的总数。是输出层之间的连接权重和隐藏层;h是隐层神经元的数量(16,17]。这也显示在图2。

RBF网络结构的确定需要三个关键参数:基函数的中心,方差和连接体重从隐层到输出层。解决如下的参数:

步骤1。基函数的中心是k - means聚类方法获得的。首先,初始化网络k训练样本是随机选择初始聚类中心 之间的欧氏距离和初始聚类中心计算,聚类是根据最近邻规则执行。其次,集群中心调整和计算。聚类中的样本集的平均值从而获得一个新的聚类中心。如果新的聚类中心不再变化,计算停止;否则,它返回到上一步继续确定基函数的中心。

步骤2。RBF网络的函数是高斯基函数,及其方差的解决方案可以解决如下。 在哪里 是最大距离选择基函数中心。

步骤3。该隐层到输出层的连接权值可以直接使用最小二乘法计算。公式描述如下。 在哪里 ,n是样品的总数。
输入层到隐层的映射RBF网络的非线性,和隐层到输出层是一个线性映射。参数中心和权重调整后的输入和输出错误,然后相应地调整网络的内部层系数,通过反复迭代计算。当网络的输出网络错误达到预设精度要求,网络终止计算和输出预测的价值。

3所示。案例研究

33个风力涡轮机的12个月的历史力量数据测量风电场北部被选中,和单一机组容量为1.5兆瓦。功率曲线如图3。可以看出,33个风力涡轮机的发电水平相关的时间序列和与空间分布有一定的相关性在纵向方向。

电力在12个月的历史数据作为输入模糊聚类,聚类和风力涡轮机进行分组。图4描述了会员单位矩阵曲线分为两个集群,和图5描述了会员单位矩阵曲线分为3组。

选择不同的集群的数量 ,和会员矩阵值如图3和4。两个索引值计算公式(6),如表所示1。

根据会员矩阵和表1当集群的数量是2,集群评价指标又大又很小。因此,最好是把风力涡轮机分成2组。第一组包括14个单位,第二组包括19个单位。

风电场的10分钟的历史数据2017年3月,733个采样点,采用RBF神经网络建模和预测。目标函数误差设置为0.001,sc是3,20 MN在哪里,DF是1。RBF神经网络的预测进行集群组和整个风电场的单位,分别。预测曲线分别显示在接下来的数据。图6第一集群,是RBF预测曲线和图吗7是第二个集群RBF预测曲线。图8描述了RBF预测曲线风电场的风力涡轮机。

一般在风力发电的预测,评价指标是根均方误差(RMSE)和绝对误差(美)。具体定义如下(18- - - - - -20.]。 在哪里 ,和分别是实际值和预测值。

建立了RBF神经网络预测模型对不同单位,和预测误差分析表所示2。预测值的两组添加风力涡轮机的平等权重获得合并后的风电场模型的输出。从表2基于组合模型,误差在两组低于单一模型。

相比,RBF神经网络预测模型、ARIMA预测模型误差曲线如图9。

根据上面的比较和分析,基于ARIMA模型的预测误差超过超短时间预测模型。风电预测的准确性可以有效地提高了两步ultra-short-time预测方法。

4所示。结论

在这项研究中,发电机的风电场的力量是来自风能。风电场输出功率的影响,例如,风速,风向,尾部流动单元的影响,等等。每个单元的输出有一定的相互影响。根据风力发电机的输出和考虑这些因素之间的不确定关系,模糊聚类和RBF神经网络相结合建立两步预测模型。风力发电机在不同空间位置的不同贡献的风力发电厂,和风力发电时间序列的相关性也考虑。相比ARIMA预测模型和单RBF模型,两步的案例验证本文提出的预测方法可以有效地改善ultra-short-term功率预测的精度,在工程应用中取得了一定的实用价值。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是在经济上支持河南高等教育机构的主要研究项目(70556)。

引用

1. j .梁,梁z . c .王董x, x苗族,“短期风能结合预测误差预测校正的基础上,“能量转换和管理卷,119年,第226 - 215页,2016年。视图:出版商的网站|谷歌学术搜索
2. z n . Chen钱、孟x和k .孟”多步骤之前风速预测模型基于空间相关性和支持向量机,”中国电工技术学会的事务,28卷,不。5、15至21,2013页。视图:谷歌学术搜索
3. Chidean, a . j . Caamano j . Ramiro-Bargueno c . Casanova-Mateo和s . Salcedo-Sanz”风力资源的时空分析data-coupled集群的伊比利亚半岛,“可再生能源和可持续能源的评论卷,81年,第2694 - 2684页,2018年。视图:出版商的网站|谷歌学术搜索
4. a . Tascikaraoglu b . m . Sanandaji k . Poolla和p . Varaiya”利用稀疏的互联时空风速预测使用小波变换时,“应用能源卷,165年,第747 - 735页,2016年。视图:出版商的网站|谷歌学术搜索
5. z, y, z, x,和j .张“Ultra-Short-Term风速预测使用最近的历史与空间相关性的观察和PLSR,”电力系统技术第41卷。。6,1815 - 1822年,2017页。视图:谷歌学术搜索
6. j . Tastu p . mike vanderboegh P.-J。太阳能吸热,h·马德森,“概率预测风力发电占地理上分散的信息,“IEEE智能电网,5卷,不。1,第489 - 480页,2014。视图:出版商的网站|谷歌学术搜索
7. l .你们赵y, z, x的歌,y . Lang和j·苏,“一种新型双向机制基于时间序列模型对风力发电预测,“应用能源卷,177年,第803 - 793页,2016年。视图:出版商的网站|谷歌学术搜索
8. e·穆罕默德,s . Wang和j . Yu”Ultra-short-term风能使用混合模型预测,”IOP会议系列:地球和环境科学,63卷,2017年。视图:出版商的网站|谷歌学术搜索
9. l . p . Lu, b .太阳,c .张赵y,和t·朱”ultra-short-term风能的新混合预测方法预测基于GSA EEMD-PE和LSSVM优化,“能量,11卷,不。4 p。697年,2018年。视图:谷歌学术搜索
10. l .你们和y赵”,回顾风能预测基于空间相关性的方法,”电力系统自动化,38卷,不。14日,第135 - 126页,2014年。视图:谷歌学术搜索
11. g . w . Chang h . j . Lu l . y .许和y y陈,“混合模型预测风速和风力发电,”学报2016 IEEE电力和能源协会大会(PESGM 16),页1 - 5,IEEE 2016。视图:出版商的网站|谷歌学术搜索
12. g . w . Chang h . j . Lu y . r . Chang和y·d·李,“一种改进的神经网络方法对短期风速和功率预测,“《可再生能源卷,105年,第311 - 301页,2017年。视图:出版商的网站|谷歌学术搜索
13. ,c·w·l . Zhang, w . Lu x Liu和w·Pedrycz”基于集群之间的双重表达模糊c均值聚类原型和重建数据,”国际期刊的近似推理卷,90年,第410 - 389页,2017年。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. x香港,问:胡董x, y曾庆红,和吴z,“加载数据识别和校正方法和改进的模糊c均值聚类算法,”电力系统自动化第41卷。。9日,第95 - 90页,2017年。视图:谷歌学术搜索
15. x彭,负荷预测方法研究基于模糊聚类和RBF神经网络、广西大学,2012。
16. z Cai, l·邓d·李x姚明,d·考克斯和h . Wang”FCM聚类:云网络模型在澳门的城市智能交通”集群计算,3卷,1 - 10,2017页。视图:谷歌学术搜索
17. x呗,l . Qingyong et al .,“基于RBF神经网络的空间负荷预测方法和细胞负载特征分析,“电力系统技术,42卷,不。1,第307 - 301页,2018。视图:谷歌学术搜索
18. g . Sideratos和n . d . Hatziargyriou”概率风能使用径向基函数神经网络预测,“IEEE电力系统,27卷,不。4、1788 - 1796年,2012页。视图:出版商的网站|谷歌学术搜索
19. 江y、x陈、k . Yu和y辽、“短期风电预测使用基于增强提高算法的混合方法,”《现代电力系统和清洁能源,5卷,不。1,1 - 8,2017页。视图:出版商的网站|谷歌学术搜索
20. j . Zhang m .崔b m。霍奇,a . Florita和j·弗里德曼坡道从改善短期风电预测预报性能多时空尺度上,“能源卷,122年,第541 - 528页,2017年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018黄回族等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。