基于小波变换和支持向量机的风电功率爬坡事件识别与预测

刘红柳，杨 茂

(东北电力大学 电气工程学院，吉林 吉林 132012)

基于小波变换和支持向量机的风电功率爬坡事件识别与预测

刘红柳，杨 茂

(东北电力大学 电气工程学院，吉林 吉林 132012)

随着风电场规模的增大，风电功率爬坡事件给电网带来的影响越来越显著，提高爬坡事件识别与预测精度对电网安全经济运行具有重要意义。阐述了爬坡事件的定义，提出了基于小波变换(WT)的风电功率爬坡事件识别方法，建立了风电功率爬坡事件的WT-SVM预测模型。以某风电场的实测风电功率数据为例，进行不同时段的识别与预测。结果表明，基于WT的方法可以快速准确地识别风电功率爬坡事件及其特征值，WT-SVM爬坡事件预测模型可以提高风电功率爬坡事件预测准确度。

风电功率；爬坡事件；小波变换；支持向量机；识别预测

风能具有强波动特性和随机性[1]，随着风电接入电网的容量日益增大，风电功率爬坡事件对电力系统的影响也越来越大。爬坡事件具有小概率高风险特性，短时间内的大幅度功率变化给电网的稳定运行带来很大挑战[2-5]。

目前，国内外关于爬坡事件的研究还比较少，文献[6]总结了多种爬坡事件的定义，概括了爬坡事件的基本特征，如爬坡方向，爬坡幅值，爬坡起始时间，爬坡持续时间和爬坡率等。文献[7]根据爬坡事件的两种定义，提出了两种爬坡事件的检测流程，并有效检测了历史风电功率时间序列中的爬坡事件。文献[8]采用KMEANS方法对爬坡事件进行分类，文献[9]提出了基于小波特征提取和筛选的爬坡事件分类方法。

针对风电场风电功率爬坡事件及其自身特性的识别与预测，本文阐述了风电功率爬坡事件的定义，提出了基于小波变换(WT)的超短期风电功率爬坡事件识别方法，建立了WT-SVM爬坡事件预测模型，并采用三种风电功率爬坡事件预测方法，分析了WT-SVM爬坡事件预测模型的预测性能，最后利用实际算例分析验证了基于WT的爬坡事件识别方法与WT-SVM预测模型的有效性。

1 风电功率爬坡事件

爬坡事件是指，风电场在短期(几小时)内风电输出功率发生大的变化[10-13]。通常使用以下参数描述一个爬坡事件，见图1。

图1 爬坡事件特征图

(1)方向：用于区分上爬坡(功率增大)和下爬坡(功率减小)；

(2)幅值(ΔP)：发生爬坡事件期间输出功率的变化，通常以额定功率的百分比定义；

(3)起始时间(t0)：爬坡事件的起始时刻；

(4)持续时间(Δt)：输出功率发生大的改变持续的时间；

(5)爬坡率(ΔP/Δt)：代表了爬坡强度。

通常爬坡事件具有高幅值短持续时间的特点，爬坡幅值越大，持续时间越短，爬坡事件越严重[14-15]。文献[16]介绍了多种爬坡事件的定义，本文以其中一种为例分析，定义如下：风电功率时间序列P(t)在时间段Δt起止点的功率变化幅度超过了阈值Pthr，即有不等式成立，则认为该时段发生风电功率爬坡事件。其中：幅值ΔPt=P(t+Δt)-P(t)；Δt为与爬坡事件持续时间相关的一个时段参数，一般设定为15 min或30 min；Pthr为功率阈值，发生上爬坡事件时通常取Pthr=20%的风电机组额定装机容量，发生下爬坡事件时通常取Pthr=15%的风电机组额定装机容量。

(1)

2 超短期风电功率爬坡事件的识别

2.1 传统识别方法

爬坡事件的传统识别方法基于指标函数It，其定义如下：

(2)

当Δt时间内的功率变化量ΔPt大于阈值Pthr，则判定为发生爬坡事件，t为Δt时间内的任何一个时刻。当It=1时，发生上升爬坡；当It=-1时，发生下降爬坡。

2.2 基于小波变换的超短期风电功率爬坡事件识别方法

1974年法国学者J.Morlet提出小波变换的概念，它克服了傅里叶变换不能刻画时域信息的局限性而且更适用于分析处理非平稳信号。小波变换是由母小波ψ(t)通过伸缩因子λ和平移因子τ产生的一簇函数：

(3)

(4)

其中：τ∈Z,λ∈Z+，Wτ，λ为风电功率时间序列在t=τ时刻的梯度信息，梯度信息与爬坡事件的严重程度相关。时间窗Δt=λ·n(n为风电功率时间序列的采样时间间隔)。

基于小波变换(WT)，本文定义了一个检测爬坡事件的爬坡函数：

(5)

通过爬坡函数{Rt}识别出爬坡事件之后，可以得到爬坡事件的四大特征值：幅值(ΔP=y(t+Δt)-y(t))，方向(Rt>0为上爬坡事件，Rt<0为下爬坡事件)，起始时间t和持续时间Δt。

3 基于WT-SVM的风电功率爬坡事件识别预测模型

基于WT-SVM的风电功率爬坡事件识别预测模型是指：利用小波变换识别爬坡事件，将得到风电功率爬坡数据作为支持向量机(SVM)的训练集，通过训练得到SVM预测模型。图2为基于WT-SVM的风电功率爬坡事件识别预测模型的流程，其预测步骤描述如下：

图2 基于WT爬坡识别方法和SVM模型流程

(1)对历史风电功率数据进行预处理，进行基于WT的爬坡事件识别，得到风电功率爬坡数据，其中选取爬坡事件方向，幅值和持续时间三项基本信息作为训练集；

(2)将训练集输入SVM模型进行训练，得到SVM预测模型；

(3)确定核函数、惩罚因子等参数；

(4)将预测集输入SVM预测模型进行预测，并输出结果。

4 仿真分析

4.1 基于WT的超短期风电功率爬坡事件识别

本文采用的数据为吉林省××风电场的实测有功序列，其总装机容量为265.5 MW，数据采样时间段为2012年8月1日至2012年8月10日，采样间隔为15 min，共有960个点。以其前100个点为例，进行超短期风电功率爬坡事件识别。

图3为采用四种识别方式的识别效果图，表1为四种识别方法的结果统计表。采用四种识别方式为基于WT的爬坡事件识别方法和阈值分别选取为额定容量的30%、20%和15%的传统识别方法。

图3 爬坡事件识别结果

由图3知，基于WT的爬坡事件识别结果为两条连续的爬坡函数，该爬坡函数包含了爬坡方向，幅值，起始时间和持续时间等信息。而传统识别方法，仅能给出是否发生爬坡事件(1或0)的信息，且根据阈值选取的不同，爬坡事件识别结果有很大不同。说明基于WT的爬坡事件识别方法具有很大优势，而传统识别方法对阈值的选取高度敏感。

由表1知，基于WT的爬坡事件识别方法的爬坡事件识别准确率高达93.75%，远远高出三种阈值条件下的传统识别方法的识别率。非爬坡事件的正确识别率为98.33%，也是四种方法中最高的。因此基于WT的爬坡事件识别方法可以更准确有效地识别爬坡事件，并给出爬坡事件的特征值信息，优于传统的识别方法。

表1 爬坡事件识别结果表

4.2 基于WT-SVM的风电功率爬坡事件的预测

仍以吉林省××风电场为例，选取后70个点作为数据样本。利用基于SVM的超短期风电功率爬坡事件预测模型，预测后70个点的风电功率数据。图4为三种模型的爬坡事件预测结果，表2为预测结果的统计情况。

由图4知，与ANN模型和持续法相比，WT-SVM模型能更准确的预测到爬坡事件；对是否发生爬坡事件的预测及其方向的预测，WT-SVM模型具有更高的准确度。由表2知，WT-SVM时间序列爬坡事件预测模型的上爬坡事件正确预测率为93.18%，下爬坡事件正确预测率为90.00%，爬坡事件正确预测率为91.67%。均远高于另外两种对比方法。验证了本文预测方法的有效性。

图4 爬坡事件预测结果

8月份SVMANN持续法预测/上爬坡事件数目41/4432/4426/44预测/下爬坡事件数目36/4029/4019/40上爬坡事件正确预测率%93．18%72．72%59．09%下爬坡事件正确预测率%90．00%72．5%47．5%爬坡事件正确预测率%91．67%72．62%53．57%

4.3 基于SVM的爬坡事件预测模型预测误差评价

4.2中已经从爬坡事件的方向和数目两个方面分析了WT-SVM爬坡事件预测模型的有效性。本节将从幅值预测误差和持续时间预测误差两个方面对其性能进行分析，所采用的三种误差指标为：绝对误差AE、平均绝对误差MAE和误差标准差Std，其定义如下：

(6)

(7)

(8)

表3为爬坡事件预测结果表，图5为表3统计结果的双y轴柱状图，其左右两个y轴分别代表幅值预测误差和持续时间预测误差，四个图分别表示指标：MAE、Std、绝对误差MAX和绝对误差MIN的结果。表3和图5表明，WT-SVM爬坡事件预测模型模型的幅值预测误差和持续时间预测误差的四项误差指标均为最小，即WT-SVM爬坡事件预测模型的效果最好。

表3 爬坡事件预测结果

图5 爬坡事件预测结果误差分析

5 结 论

针对风电功率爬坡事件识别与预测精度低的问题，本文提出了基于WT的爬坡事件识别方法和WT-SVM的爬坡事件时间序列预测模型，并以某风电场的风电功率数据进行了验证，得到以下主要结论：

(1)与传统爬坡事件识别方法相比，基于WT的爬坡事件识别方法不需要人为设定阈值，避免了人为主观性，识别精度高(其精度高可达93.75%)，而且能识别出爬坡事件自身的特征信息(爬坡方向，幅值，持续时间等)；

(2)与ANN模型和持续法相比，WT-SVM爬坡事件预测模型的上爬坡事件正确预测率为93.18%，下爬坡事件正确预测率为90.00%，爬坡事件正确预测率为91.67%，即WT-SVM爬坡事件预测模型的正确率高；

(3)与ANN模型和持续法相比，WT-SVM爬坡事件预测模型的幅值预测误差和持续时间预测误差较小，即WT-SVM爬坡事件预测模型的效果最好。

[1] 欧阳庭辉，查晓明，秦亮，等.风电功率爬坡事件预测时间窗选取建模[J].中国电机工程学报，2015，35(13)：3204-3210.

[2] 杨茂，熊昊，严干贵，等.基于数据挖掘和模糊聚类的风电功率实时预测研究[J].电力系统保护与控制，2013，41(1)：1-6.

[3] 杨茂，贾云彭，钱为，等.基于动态权重的风电功率组合预测方法研究[J].东北电力大学学报，2013，33(1)：131-136.

[4] Fan，F.，Bell，K. & Infield.Probabilistic real-time thermal rating forecasting for overhead lines by conditionally heteroscedastic auto-regressive models[C].IEEE Transactions on Power Delivery，10.1109/TPWRD.2016.2577140.

[5] 杨茂，孙涌，孙兆键，等.风电场大规模数据管理系统设计与研发[J].东北电力大学学报，2014，34(2)：27-31.

[6] 崔明建，孙元章，柯德平.基于原子稀疏分解和 BP神经网络的风电功率爬坡事件预测[J].电力系统自动化，2014，38(12)：6-11.

[7] Zack John W.，Young Steve，Cote Mattew，et al.Development and Testing of an Innovative Short-Term Large Wind Ramp Forecasting System[C]//Proceedings of the European Wind Energy Conference & Exhibition，Warsaw，Poland：2010.

[8] Jorgensen,J.Aeso.Wind Power Forcasting Pilot Project[R].Calgary Canada，2007.

[9] Kamath C.Understanding Wind Ramp Events through Analysis of Historical Data[C].Proceedings of the IEEE PES Transmission and Distribution Conference and Expo，New Orleans，2010.

[10] Mi Yeong Hwang，Cheng Hao Jin，Yang Koo Lee.Prediction of Wind Power Generation and Power Ramp Rate with Time Series Analysis[C]// Awareness Science and Technology(iCAST)，2011：512-515.

[11] Kamath C.,Chandrika.Associating weather conditions with ramp events in wind power generation[C]//Power Systems Conference and Exposition(PSCE)，IEEE/PES，2011：1-8.

[12] 欧阳庭辉，查晓明，秦亮，等.风电功率爬坡事件预测时间窗口的选取[J].电网技术，2015，39(2)：414-419.

[13] 李春，卫志农，孙国强，等.基于DFIG频率模型的风电功率爬坡事件预测方法[J].电网技术，2016，40(3)：840-846.

[14] 任双雪.风电功率陡坡特性与预测问题研究[D].哈尔滨：哈尔滨工业大学，2014.

[15] 崔明建，孙元章，柯德平，等.考虑电网侧频率偏差的风电功率爬坡事件预测方法[J].电力系统自动化，2014，38(5)：8-13.

[16] C.Ferreira，J.Gama，L.Matias，A.Botterud，J.Wang.A survey on wind power ramp forecasting[S].Argonne National Laboratory(ANL)，2011.

[17] H.Zareipour，H.Dongliang，W.Rosehart.Wind power ramp events classification and forecasting：A data mining approach[C].2011 IEEE Power and Energy Soc.General Meeting，Jul.，2011：1-3.

An Approach for Wind Power Climbing Event Identification and Prediction Based on Wavelet and SVM

LIU Hong-liu，YANG Mao

(Electronic Engineering College,Northeast Dianli University，Jilin Jilin 132012)

With the increasing scale of the wind farm，wind power climbing events to the effects of the power grid is more and more significant.This paper expounds the definition of climbing event，a recognition method based on wavelet transform(WT) was proposed for wind power climbing event，a WT-SVM prediction model was established for wind power climbing event.The examples use wind power data of a wind farm，and the identification and prediction of the wind power are carried out at different times.The results show that，the method based on WT can quickly and accurately identify wind power climbing event and its characteristic value，the WT-SVM prediction model can improve the wind power climbing event prediction accuracy.

Wind power；Climbing events；Wavelet transform；SVM；Identification and prediction

2016-04-12

国家重点基础研究发展计划项目(973计划) (2013CB228201)；国家自然科学基金(51307017)；吉林省科技发展计划项目(20140520129JH)；吉林省产业技术研究与开发专项项目(2014Y124)

刘红柳(1989-)，女，河北省石家庄人，东北电力大学电气工程学院硕士研究生，主要研究方向：风力发电技术.

1005-2992(2016)06-0030-06

TM614

A