打开文本图片集

摘要：前世界各国面对化石能源日渐枯竭的情况，都将研究重心转移到风能等可再生能源的开发和利用上。虽然风力发电具有能够改善生态环境等优点，但风电的不确定性对于电力系统的安全稳定运行而言也是一个巨大的难题。而提前得到准确的风电功率预测结果，就能在了解发电规律的情况下进行电网调度，不仅能够提高电力系统的安全稳定性，还能降低运行成本。国内外已有的研究大多为传统的确定性风电功率预测方法，得到的是未来某一时刻下可能出现的确切风电功率值，常见的方法有自回归滑动平均模型、人工神经网络法、支持向量机法等。虽有较好的预测效果，但确定性预测方法始终无法全面地描述风电规律，无法对风电功率不确定性做出定量描述，即无法估计风电功率可能出现的波动范围。因此，为了满足电网的运行和调度要求，有必要对能够得到风电功率波动范围的概率预测进行预测研究。

关键词：风电功率预测;风电功率概率预测;梯度提升算法

1风储联合系统结构及原理

风储联合系统其组成部分可以概括为2种单元：风电单元和储能单元。风电出力通过风电单元转化为所需电能，电能输出中波动的功率由储能单元稳定。储能单元主要是通过转变以前发电用电一同进行的方式，让系统分开充放电，以实现稳定功率起伏的目标。本文采用铅酸电池作为储能系统的储能元件。Pw为风电出力，Pbatch为储能系统的充电功率，Pbatdis为储能系统的放电功率。当风电出力不足时，需要电池储能系统供电。当风电出力过剩时，可以利用储能系统将过剩电量储存下来。当Pbatdis>0时表示储能电池处于放电状态，当Pbatch>0时表示储能电池处于充电状态。

2确定性预测和概率预测的定义

短期风电功率预测需要采用数值天气预报（numericalweatherprediction，NWP）信息以提高预测精度。因此，通常采用先建立风电功率模型再进行预测的方式，即先利用NWP中的历史气象数据和风电功率数据训练风电功率模型，再将NWP中气象因素的预测值输入模型预测风电功率。从机器学习的角度考虑，确定性短期风电功率预测根据NWP中的气象数据对风电功率的期望值进行预测，预测结果是风电功率的一个可能值。预测模型的训练过程是典型的有监督机器学习，如式所示

式中：F（⋅）为风电功率确定性预测模型;w为预测模型的参数;x为NWP中包含的影响风电功率的气象因素;y为实际风电功率;ŷ为预测功率;L（⋅）为损失函数，可衡量风电功率预测值和实际值之间的偏差。短期风电功率直接概率预测根据NWP中的气象数据建立不确定性的风电功率模型，预测结果是未来风电功率的条件概率密度函数，如式所示。

式中：P（⋅）为风电功率预测概率分布，即条件概率密度函数;θ分布参数;S（⋅）为损失函数，可衡量实际风电功率属于预测概率分布P的可能性。

3算例分析

为验证所提方法的有效性，本文选取了位于内蒙古地区的四个风电场为实验对象，风电场详情如表1所示。本文以1号风电场为目标风电场，表2为1号风电场与其它邻近风电场输出功率的Pearson相关系数。风电场功率和天气数据分辨率为1h，时间段为2018/12/16/0：00—2019/1/29/23：00，共计45d。结合该地区的风力发电机高度，选取了70m水平高度的风速、风向和温度数据。

实验算例中共有风电场样本数据1080组，在后续所有实验中，均选取前15d的360组样本作为训练集，后30d的720组样本作为测试集。为减小不同特征由于量纲不同带来的影响，不同特征采取了不同的处理方法，对于风向数据，首先采用正弦和余弦函数处理，再将正余弦处理后的风向数据与风速和温度特征根据式（11）作归一化处理。

3.1数据预处理

由于SCADA数据取自实际风电场，这些数据容易受到噪声，异常值和丢失数据的影响，进而影响到模型的准确度。通信失败是丢失数据的主要原因，数据的异常值被简单地删除并视为缺失值。缺失值：风力发电的缺失值由缺失数据的前三个和下一个时间步的平均值填充;数据转换：由于通过捕获风电机组发电记录的数据种类繁多，存在不同种类数据描述风电机组同一个属性特征的情况，首先要将关于风电机组同一属性特征的不同种类数据进行合并，在降低数据维度的同时可以得到更为全面的数据信息。故首先通过数据聚合技术对捕获的数据样本进行数据聚合。然后对聚合后的数据进行归一化处理，以消除参数间不同数量级对机器学习模型的差异性影响。

3.2纵横交叉算法有效性验证

为验证纵横交叉算法优化SA-GRU中GRU输出层的权值和偏重的可行性。本节对训练后的单步和多步滚动预测模型采用CSO算法进行优化，并与未优化的模型进行对比分析。经过CSO优化输出层的权值和偏置参数后，预测模型的ERMSE、EMAE评价指标均得到了不同程度的提升。特别是在三步预测时，相对于不使用CSO优化的预测模型，ERMSE和EMAE指标分别下降了12.10%、17.26%。在单步预测时提升率较低，表明单步预测时，常规的梯度下降训练已经取得了不错的效果。实验结果表明，在模型训练后再次输出层的权值和偏置参数能够有效提升预测模型的预测性能。

结束语

本文改进了GBM算法中的损失函数，并利用FIM对损失函数在参数空间的梯度进行修正，提出了适用于短期风电功率概率和区间预测的改进梯度提升算法。利用实际的风电功率数据对算法进行验证，实验结果表明：1）采用FIM修正损失函数在参数空间的梯度后，提升了传统梯度提升算法训练风电功率概率分布预测模型的收敛速度;2）所提算法能够考虑风电功率的异方差特性，预测未来风电功率的概率分布和区间;3）基于所提算法在风电功率概率区间预测结果的可靠性和敏锐性方面取得了较好的预测效果。

参考文献

[1]刘明宇，姚芳，李志刚，张彧硕，刘宁，黄凯.风电机组功率模型参数辨识及风资源利用率评估[J].太阳能学报，2020，41（12）：305-315.

[2]顾军民，陈思函，马永光.基于RBF神经网络的风电机组变桨系统故障预警[J].电力科学与工程，2020，36（12）：37-43.