基于基于OS-ELM的风速修正及短期风电功率预测的风速修正及短期风电功率预测
随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在
线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将
风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降
低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率
的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提
高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。
0 引言引言
随着全球化石能源储量的日渐匮乏以及环境问题的日益突出,新能源的开发与利用受到人们的广泛关注。在众多新能源
中,风能作为环保清洁的可再生能源具有储量大、分布广等优势,日益受到各个国家的重视
[1]
。然而,与常规能源不同,风电
具有间歇性和波动性特点,给电力系统的安全、稳定运行以及保证电能质量带来了巨大的压力
[2]
。对风电功率进行准确的预
测,将有助于削弱风电接入对电网造成的不利影响,保证了电力系统的安全、稳定
[3-4]
。
在短期风电功率预测方面,国内外学者做了大量的研究,常用的统计学习方法包括卡尔曼滤波法、模糊预测法以及支持向
量机等。总结目前国内外的研究现状可知,前人的研究主要集中在如下4点:(1)数据预处理。为了提高风能到电能转换的模型
精度,提出了很多数据预处理的方法,如小波分析法
[5]
、经验模态分解法
[6-7]
、混沌时间序列法
[8]
以及数据挖掘中的聚类分
析
[9]
等。(2)利用寻优算法对模型参数进行优化,如粒子群算法、遗传算法
[10-11]
等。(3)研究风速风向对功率影响较多,很少考
虑其他气象要素对风电机组出力的影响。(4)研究风速到风电功率的转化模型较多,而研究风速及风电功率的统计修正较少。
风电功率预测模型随着风电场季节及训练样本的变化不断调整,需要模型能根据新样本实时更新。但是传统神经网络模型
由于训练样本不变,随着训练时间的延长,该模型会导致预测结果越来越不准确,因此为了提高整个训练网络的外延能力,需
要不断地更新样本数据。但是样本数量的增加也造成了训练所需要的资源显著增加。
针对上述问题,本文提出了在线序列极限学习机(OS-ELM)算法,解决了模型更新问题,同时基于极限学习机算法建立了
1 OS-ELM算法原理算法原理
式(2)中,H被称为隐含层输出矩阵,β表示输出权值矩阵,T表示网络的输出矩阵。
求解以下方程组的最小二乘解可得β
为了更好地适应短期风电功率预测模型的在线更新,引入OS-ELM。OS-ELM算法主要包括两个步骤
[12-13]
:
(1)初始化阶段:给定网络初始的隐含层节点数,输入初始训练样本数据,初始化网络并设置网络参数,求得初始隐含层输
出矩阵H
0
和输出权值向量β
0
。