[发明专利]一种结合粒子群神经网络的风电场输出功率短时预测算法

说明书

本发明公开了一种结合粒子群神经网络的风电场输出功率短时预测算法，包括以下步骤：步骤一：进行风电功率预测特征分析，分析的数据包括风电功率的不确定性、条件性与地域性；步骤二：对风力发电影响因素分析，其具体分析过程如下：在整个风力发电系统中，风机将空气的动能转化为其轴系上的机械能，并传送到风力发电机转子轴上，最后转化为电能，这是实现能量转换的第一个环节步；步骤骤三：结合粒子群神经网络的风电场输出功率短时动态预测模型，即获取到BP‑PSO混合神经网络模型，其通过给定一组输入值和输出值作为训练数据。本发明能够采用粒子群优化的BP神经网络算法，通过误差判别函数，动态调整模型参数，实现对风电功率的动态预测。

技术领域

本发明涉及风力发电领域，具体涉及一种结合粒子群神经网络的风电场输出功率短时预测算法。

背景技术

在建设新型电力系统的政策影响下，风力能源被大规模地开发利用，风电设备装机的总容量显著提升，但也给风电并网带来了的难题。风电场的输出功率与风能直接相关，由于风力具有随机性、波动性以及不确定性等特点，因此风力发电具有较强的随机性和波动性。虽然风电作为非水清洁能源具有显著的优势，可以有效缓解传统化石能源的枯竭及环境污染，减少碳排放，但是因其反调峰性、波动性以及间歇性等特征，大大增加了风电并网的难度。随着全社会对电能质量的重视程度持续提升，电力系统的稳定运行被提高到了新的高度，因此，风力发电功率预测是保障高比例新能源电力系统安全稳定运行的必要前提。从风电场自身角度而言，准确的功率预测结果可以提供风电场的运维水平，降低弃风率；从电力系统角度来看，可靠的功率预测结果能有有效降低风力发电功率的不确定性及其所带来的不利影响，有助于调度部门制定和及时调整调度计划，减少系统旋转备用容量，降低运营成本。源端逐年攀升的风电并网比例使得当前电网的不确定性增强，为保证电能质量和电力系统的安全经济运行，对风力发电功率的预测精度提出了更高的要求，亟需探索风力发电功率预测方法，实现对风电发电功率的高精度预测，目前风电功率预测方法大多基于历史数据的Markov模型、持续性模型、回归预测法、人工神经网络(artificialneural networks，ANN)法以及灰色预测法等，但受限于风电场物理模型和气象预报信息的精度，预测效果并不是很理想。迄今为止，在对风电场输出功率预测模型进行动态调整方面的研究很少，所用模型以数值天气预报为基础建立相应的模型，如基于BP人工神经网络的风电功率预测系统、基于粒子群优化的短期风功率预测方法、基于混沌DNA遗传算法与PSO组合优化的短期风电功率预测模型等。

这些风电场输出功率的预测模型都有一个共同的缺陷，当模型一旦确定下来，在之后的预测过程中，不论出现什么情况都将继续沿用该模型。没有考虑到由于训练数据与实时测量数据间的关联性变弱，现有的训练模型已经不适应现阶段的预测工作而导致预测误差增大。因此，本发明提出一种结合粒子群神经网络的风电场输出功率短时预测算法，采用粒子群优化的BP神经网络算法，通过误差判别函数，动态调整模型参数，实现对风电功率的动态预测。

发明内容

本发明提供了一种结合粒子群神经网络的风电场输出功率短时预测算法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

步骤一：进行风电功率预测特征分析，分析的数据包括风电功率的不确定性、条件性与地域性；

步骤二：对风力发电影响因素分析，其具体分析过程如下：在整个风力发电系统中，风机将空气的动能转化为其轴系上的机械能，并传送到风力发电机转子轴上，最后转化为电能，这是实现能量转换的第一个环节；

风能功率可由式(1)表示，本质上是一种动能：

(1)

其中，为时间，为空气密度，为进入风机桨叶扫掠面之前的风速，扫风面积，为空气质量，为空气流动能。

风机桨叶在转动过程中，会存在能量的损失，即并不是所有风能都能够被风电机捕获，结合(1)式，可推出风电机捕获的风能：

(2)

(3)