短期风电供需平衡性智能预警与仿真

赵 艳，吕干云，赵 力

(1. 南京工程学院电力工程学院，江苏 南京 211167； 2. 东南大学信息科学与工程学院，江苏 南京 210018)

1 引言

风能作为一种储备量巨大的清洁能源，不仅能够满足我国庞大的能源需求，还能够减少对环境的污染，促进社会进步。随着风力发电技术的不断革新，风力发电在2021年成为我国火电、水力发电之后的第三大能源。但是由于风的高随机性与间歇性特性，因此风电在电网并入过程中会影响电网的供需平衡。而风电的功率预测恰好能够降低风电并网带来的供需平衡问题，当传统的供电平衡预警方法无法支持正常的预警任务时，提出简单高效的供需平衡性预警方法成为保障风力发电机组安全运行的关键技术。

文献[3]方法通过聚类算法将风电功率以波动为单位进行聚类划分，提取功率的波动曲线；使用引力搜索算法对反向神经网络进行优化处理，并基于功率的波动误差，获取功率的映射关系，建立预测模型完成风电功率短期预测，从而实现风电的供需平衡预警。该方法由于未能对风电数据进行具体分析，导致该方法不能有效地预测出风电实际功率。文献[4]方法依据非线性方法降维处理气象指标；使用聚类算法对风电数据进行组合并划分类别；通过天气类型，利用支持向量机建立功率预测模型，并通过该模型实现风电功率预测，完成风电供需平衡预警。该方法在建立预测模型时存在较大误差，因此该方法的预测误差大。文献[5]方法依据似然估计法获取自回归模型估计参数；基于风电的波动性厚尾效应对自回归模型进行厚尾展开，转换模型参数完成模型优化；最后通过优化的转换自回归模型完成风电功率预测，实现风电供需平衡性预警。该方法在模型转换过程中存在偏差，导致该方法的预警性能差。

为解决上述短期风电供需平衡性预警过程中存在的问题，提出基于大数据的短期风电供需平衡性预警方法。

2 相关数据分析

在对风电进行短期功率预测前，需要在大数据理论下对风电数据进行分析。

2.1 相似度分析

基于上述分析结果，使用随机森林方法对风电数据进行相似度计算，首先建立一个决策分类器(，)，且=1，2，…，。依据风电数据构建随机森林。设定随机森林的决策树数量为，随机变量标记，风电数据为。随机森林的构建过程如下：

1)基于随机抽样法随机抽取风电数据，取出即放回，如此重复直至抽取出个数据，建立个分类回归树。

2)设定抽取的数据参数为，将每一棵回归树节点数据特征设定成形式，当≤时，计算回归树中各个数据特征的信息分量，依据计算结果选取最强节点。

3)不添加阈值限制，令各个树可以自由生长。

4)随机选取个数据集建立随机森林，并通过该森林对风电数据进行分类处理，生成种结果，并从中选取最优分类结果。

基于上述构建的随机森林，建立随机森林模型，对风电大数据的相似性进行具体分析。在随机森林模型里，若风电数据中两个数据位于同一节点，那么二者之间的相似度为1，若二者不处于同一节点，则相似度为0。分析构建的模型，获取风电数据的相似度矩阵Pr。

首先对风电数据进行初始化，通过分析结果获取矩阵Pr，对数据进行辨别，分析数据是否处于同一树叶节点。根据上述过程，依次对决策树进行计算，通过对结果的累加，完成森林树的总数量计算。

依据计算出的森林树总数量，对相似度矩阵Pr中的元素进行筛选，获取新的相似度矩阵Pr。

过程中，由于Pr是一个对称正维矩阵，因此需要将风电数据样本在矩阵行列的相似度设定成Pr(，)，数据集的随机模型设定成={1，2，…，}形式，数据的节点位置标记，的节点位置标记，对数据与的相似度进行计算，结果如下式所示

(1)

式中，相似因子标记，样本数据在行列的相似度标记Pr(，)形式，随机森林中的树木数量标记为，常数为。

具体流程如下：

1)对风电数据进行训练，获取数据样本数据集，并基于随机森林方法建立随机森林模型。

2)将分析的数据样本与待测样本进行组合，并作为输入变量输入进模型中进行分析，获取二者的相似度。

3)建立矩阵，对计算结果进行累积处理，获取相似度平均值。

最后通过计算的数据相似度，对结果大于等于1的数据进行剔除处理。

2.2 数据预处理

由于风电发电机组数据为多源得到输入变量，频率之间存在差距，因此需要对风电机组的采样频率进行统一处理。多源变量的量纲会影响数据的差异，因此要使用-归一方法对风电的功率以及风速进行归一化处理，过程如下式所示

(2)

式中，实际测量值标记形式，测量最小值标记形式、最大值标记形式，归一化值用′表示。

3 风电供需平衡性预警

通过风电数据的归一化处理结果，将极限学习机与自适应灰度模型进行结合，建立风电功率的混合预测模型，通过对风电功率的预测，完成短期风电的供需平衡性预警。

3.1 极限学习机参数优化

基于风电的归一化大数据环境，使用遗传搜索算法对学习机的核参数以及惩罚因子进行优化处理。

首先设定极限学习机的变量核参数为，惩罚因子标记形式，为规避学习机的局限性，将变量核参数以及惩罚因子映射至遗传种群中，作为种群的染色体，设定均方根误差为适应度函数，结果如下式所示

(3)

式中，功率预测模型的预测输出用()表示，期望功率输出用()表示，均方误差标记形式，适应度函数标记，数据数量为，迭代次数标记。

基于-算法对种群进行选择、交叉以及变异等处理，搜索学习机核参数的最佳染色体，过程如下

1)初始化种群。

通过线性插值法对风电数据进行计算，随机生成初始化种群，过程如下式所示

=[，，…，]

(4)

式中，种群中第个染色体标记，种群规模标记。

2)解码染色体

对获取的染色体进行解码处理，获取学习机核参数以及惩罚因子，并将其代入模型中进行训练。

3)计算种群适应度

将上述两个参数的训练结果放入测试模型里，依据式(3)对种群以及个体的适应度进行计算。

4)获取新种群

在计算出的适应度中，选取最佳的个体数据，作为遗传数据，通过轮盘算法计算数据的遗传概率，经过交叉处理后形成新的种群。

5)种群进化

设定一个固定阈值，若计算出的遗传概率小于该阈值，则跳至流程(3)继续进行计算，若大于该阈值，进化终止，生成新种群。

6)获取最优参数

对更新的种群进行解码处理，获取最佳的核参数以及惩罚因子。

3.2 自适应灰度模型

基于自适应的灰度模型，可计算出风电功率与其它影响因素之间的关联系数。首先通过均值化方法对风电数据进行量纲处理，过程如下式所示

(5)

式中，数据的参考序列标记()形式，待测序列标记()形式，风电数据集中第个数据标记，常数标记成形式，迭代次数为。

基于上述结果，完成风电数据关联系数的计算，结果如下式所示

()=

(6)

式中，数据在时间上的关联系数标记()，参考序列历史数据标记()形式，比较序列标记()形式，分辨系数用标记。

由于参考序列与比较序列在不同的时间点存在不同的关联系数，因此要将各个时间的关联系数进行整合，建立整体的关联系数。过程如下式所示

(7)

式中，最终的风电数据整体关联系数标记形式。

最后通过计算出的关联系数，对风电数据进行排序处理，数值越大关联程度越高，预测价值越大。

3.3 建立混合型风电功率预测模型

基于上述优化的学习机参数以及数据的关联系数，建立风电功率的混合预测模型，具体步骤如下：

1)计算关联系数

使用灰色关联法对不同季节的风电功率与风向、气象等历史数据进行计算，获取风电数据的关联系数，找出影响风电功率输出的最大因素。

2)寻找最大输入因素

利用自适应灰色模型完成最大影响因素的预测，并将预测结果作为最大输入因素。

3)选取最佳决策参数

通过-算法训练历史风电数据，优化学习机核参数以及惩罚因子，选定最佳决策元素。

5)性能分析

选择平均绝对误差指标对预测结果进行评价处理，分析预测性能。

风电功率预测模型具体结构如图1所示。

图1 风电功率预测模型具体结构图

最后依据该功率预测模型实现对风电短期功率的预测，从而完成风电并网的供需平衡性预警。

4 实验

4.1 实验结果及分析

分别采用基于大数据的短期风电供需平衡性预警方法(本文所提方法)、基于功率波动过程的风电功率短期预测及误差修正(文献[3]方法)、基于时序数据动态天气划分的短期风电功率预测方法(文献[4]方法)进行测试；

风电功率短期预测方法作为风电供需平衡性预警过程中关键的一部分，风电功率在预测过程中，预测效果的优劣、误差的大小都会对预警性能带来影响，基于上述三种方法进行风电供需平衡性预警，对预警过程中风电功率预测效果、预测误差以及预警性能进行测试。

1)风电功率预测效果测试

风电功率的短期预测效果的优劣能够直接对风电供需平衡性预警性能产生影响，采用本文所提方法、文献[3]方法以及文献[4]方法进行风电供需平衡性预警时，对三种方法的风电功率预测效果进行检测，检测结果如图2所示。

图2 不同方法的风电功率预测效果测试结果

分析图2可知，本文所提方法预测出的风电功率与实际风电功率相接近，而文献[3]方法与文献[4]方预测出的风电功率与实际风电功率之间存在较大差距。在测试初期，文献[3]方法与文献[4]测试出的风电功率与实际风电功率之间差距较低，但是随着预测时间的增加，二者与实际风电功率之间差距拉大，且文献[3]方法测试结果优于文献[4]方法测试结果。由于本文所提方法在进行风电供需平衡性预警前，对风电大数据进行了具体分析，因此本文所提方法在进行风电供需平衡预警时，风电短期功率预测效果与实际功率值相接近。

2)误差测试

适应度函数的大小能够直观地体现出风电功率预测误差的高低，适应度值越大预测时的误差越小，反之则越大。基于上述风电功率短期预测效果测试结果，对本文所提方法、文献[3]方法以及文献[4]方法的适应度函数进行测试，测试结果如图3所示。

图3 不同方法的预测误差测试结果

分析图3可知，检测次数的增加会降低风电数据的适应度函数值。在测试次数为100时，本文所提方法的适应度值测试结果与文献[3]方法以及文献[4]方法的适应度值测试结果相接近，无明显差距，但是随着测试次数的增加，三种方法的测试结果逐渐出现差距，本文所提方法测试出的风电数据适应度值明显高于其它两种方法，文献[3]方法测试结果略低于本文所提方法，文献[4]方法检测结果不理想。由此可知，本文所提方法在进行风电功率预测时的预测误差小于其它两种方法。

3)预警性能

依据上述两部分的实验结果，采用本文所提方法、文献[3]方法以及文献[4]方法进行风电供需平衡性预警时，对三种方法的预警性能进行测试，测试结果如表1所示。

表1 不同方法的预警性能测试结果

分析表1可知，本文所提方法的功率预测准确性、误报率以及预警及时程度均高于其它两种方法，而文献[3]所提方法虽然也能成功预警，但是该方法的准确率以及误报率均不及本文所提方法，文献[4]方法的预警性能最差。

综上所述，本文所提方法在进行风电供需平衡性预警时，能够预测出风电短期功率，预测误差小、预警性能好。

5 结束语

近年来，随着风力发电技术的快速发展，风力风电能源的发展愈加受到重视。针对传统风电供需平衡性预警方法中存在的问题，提出基于大数据的短期风电供需平衡性预警方法。全面分析风电数据，并归一化处理风电数据；结合极限学习机与自适应灰度模型，建立风电功率的混合预测模型，通过对风电功率的预测，完成短期风电的供需平衡性预警。该方法由于在优化学习机参数时存在些许问题，今后会针对该项问题继续优化该方法。