基于os_elm和bootstrap方法的超短期风电功率预测

《基于os_elm和bootstrap方法的超短期风电功率预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第３８卷第６期Ｖｏｌ．３８Ｎｏ．６２０１４年３月２５日Ｍａｒ．２５，２０１４ＤＯＩ：１０．７５００／ＡＥＰＳ２０１３０８３００１０基于ＯＳ－ＥＬＭ和Ｂｏｏｔｓｔｒａｐ方法的超短期风电功率预测王焱１，汪震１，黄民翔１，蔡祯祺２，杨濛濛１（１．浙江大学电气工程学院，浙江省杭州市３１００２７；２．国网上海市电力公司，上海市２００１２２）摘要：提出了一种基于在线序贯极限学习机（ＯＳ－ＥＬＭ）的超短期风电功率预测方法。利用ＯＳ－ＥＬＭ学习速度快、泛化能力强的优点，将批处理和逐次迭代相结合，不断更新训练数据和网络结构，实现了对数值天气预报风速的快速实时修正

2、和风电机组输出功率的快速预测。随后，采用计算机自助（Ｂｏｏｔｓｔｒａｐ）法构造伪样本，给出了预测功率的置信区间评估。实例和研究结果表明，该预测方法与反向传播（ＢＰ）网络、支持向量机（ＳＶＭ）方法相比，在计算时间上更能满足在线应用需求，而且预测精度相当，有较好的应用前景。关键词：风电预测；风速修正；误差区间估计；极限学习机；Ｂｏｏｔｓｔｒａｐ方法０引言非线性辨识能力，但也存在泛化能力不强、学习速度慢、易陷入局部最优等缺陷。文献［１０］提出一种新随着风电装机容量的迅猛增长，由于风电的高型单隐层前馈神经网络算法，称为极限学习机度波动性和随机性，大规模

3、风电并网已成为制约中（ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ，ＥＬＭ），其具有学习速国风电发展的最大瓶颈。对风电场输出功率进行度快、泛化性能优良等特点，已被应用于研究许多工“小时”“分钟”级超短期预测可以为实时调整电网调程问题求解中。在电力工程领域，ＥＬＭ及其扩展算度计划、安排备用容量提供依据，有利于提高系统的［１１］法在实时电价预测、电力系统暂态稳定在线评［１］安全稳定和经济运行。新出台的《风电功率预测［１２］估等方面都取得了不错的效果。在ＥＬＭ基础［２］系统功能规范》对预测时间提出了明确要求：超短上，文献［１３］提出了一种在线序贯ＥＬ

4、Ｍ（ｏｎｌｉｎｅ期预测应能预测未来０～４ｈ的风电输出功率，时间ｓｅｑｕｅｎｔｉａｌ－ＥＬＭ，ＯＳ－ＥＬＭ）算法，其特点是历史数分辨率不小于１５ｍｉｎ，并且每１５ｍｉｎ自动执行一据分批进行训练并且支持可变化的样本数，每一轮次。因此，大规模风电的逐步接入必然对风电预测训练过程中训练算法仅输入当前批次数据并更新网算法的鲁棒性和速度提出了更高要求。络权值，无需重复扫描历史数据，泛化能力更强。考目前，风电功率超短期／短期预测的方法大致分虑到实际风电预测系统中不可避免会出现数据错误［３］为物理分析法、统计分析法以及两者结合方法。或缺失的情况，因此ＯＳ－ＥＬ

5、Ｍ算法鲁棒性能更能满物理分析法是一种基于风变化物理过程、综合考虑足实际应用的需要。风电场地理信息及风电机组特性等信息进行分析、另一方面，随着含有风电场的电力系统运行风建模和预测的方法，该方法无需历史数据，但对模型［４］险评估与风险决策问题的研究日益增多，对预测误精度要求较高。统计分析法是一种基于历史数据差的评估和分析相比于单点预测能提供更为充分的信息关联分析的趋势分析方法，该方法对历史数据［１４－１５］决策信息。对风电预测误差进行评估可以帮助要求较高。其中常用的历史数据包括数值天气预报调度部门更好地掌握风电的不确定性，从而在不同（ＮＷＰ）数据、

6、实测风电输出等，常见的关联分析方［１６－１７］风险水平下制定灵活的调度策略。法包括时间序列法、卡尔曼滤波法、神经网络法、小本文提出一种基于ＯＳ－ＥＬＭ算法的双神经元波分析法、支持向量机（ＳＶＭ）以及结合几种方法的［５－９］网络风电预测方法，第１个神经元网络用于对ＮＷＰ组合预测方法等。风速进行修正，第２个神经元网络用于风电功率预传统的人工神经元网络（ＡＮＮ）学习算法，如反测，在训练过程中将批处理和逐次迭代相结合。为向传播（ＢＰ）网络和ＳＶＭ方法等，虽然具有较强的了评估预测误差，本文结合ＯＳ－ＥＬＭ和计算机自助（Ｂｏｏｔｓｔｒａｐ）法构造伪样本计算

7、置信区间。通过对收稿日期：２０１３－０８－３０；修回日期：２０１３－１２－１２。国家高技术研究发展计划（８６３计划）资助项目江苏启东某大型风电场的输出功率的超短期预测仿（２０１１ＡＡ０５０２０４）；国家自然科学基金资助项目（５１２７７１６０）。真验证了预测方法的有效性。—１４—·绿色电力自动化·王焱，等基于ＯＳ－ＥＬＭ和Ｂｏｏｔｓｔｒａｐ方法的超短期风电功率预测１ＯＳ－ＥＬＭ算法个时刻点都存在不同程度的误差且有一定规律，类似正态分布（如图１所示）。ＥＬＭ属于单隐层前馈神经网络（ＳＬＦＮ），对于Ｎ个不同的训练样本｛ｘｊ，ｙｊ｝，有矩阵形式：Ｈβ＝

8、Ｒ（１）式中：Ｈ为神经网络的隐含层输出矩阵；β为输出权值矩阵；Ｒ为网络的输出矩阵（详见附录Ａ）。ＥＬＭ是针对ＳＬＦＮ的新算法，该算法随机产生输入层和隐