基于动态权重的风电功率组合预测方法研究

2022-02-13庞欣董志国魏万俊

中国设备工程 2022年3期

庞欣，董志国，魏万俊

（国家能源集团甘肃公司，甘肃兰州 730000）

大规模发展风电能源，能够大大缓解环境污染以及能源短缺的问题。风电能源存在固有的波动性和间接性的特性，大规模开发风电会直接影响电力系统的经济安全。为了降低风电功率预测风险，还能够保证风电功率样本数据预测的精准度，有必要提出基于动态权重的风电功率组合预测方法。确定风电功率组合的权重系数是预测方法的关键。

1 风电功率组合预测方法

1.1 清洗风电预测数据

关于风电功率组合预测主要是针对风电场历史数据进行处理，因此风电功率原始数据的精准度直接影响着组合预测的最终结果。受自然因素和机组运行状态的影响，会导致风电功率的监测数据存在部分异常。因此，清洗处理风电功率的异常数据，能够有效处理风电功率监测数据，大大提高组合预测结果的正确性。通过计算风电数据的功率密度实现异常数据的处理，并比较正常风电功率密度，以及风电处理数据的功率密度的差异，来判断该数据是否为风电功率异常数据。

1.2 确定风电功率参数

小波分解是将风电机组运行过程中的风电功率时域信号转换为频域信号；并将提取的正常风电功率数据通过平移、伸缩等计算方式划分风电功率密度。小波包分解是对风电功率组合的一种特殊小波分解方式，可以根据机组内风电功率原始数据进行自动调节，并自适应风电功率密度分解。

对于在特定的机组内，风电功率组合预测中原始风速，以及风电功率信号都具有很大的波动性。通过小波包分解的方法，能够对风电功率原始数据的高频分量和低频分量进行同时分解。这不仅能够精细划分风电功率组合中的各部分，还能够减少计算量，提高计算效率。在风电功率组合预测的过程中，能够根据风电功率原始数据自身特性进行分解，不需要设定另外分解参数值。经过小波包分解，得到风电功率的组合预测结果，进而重构频率信号，得到具体的表达式为：

式中，h为小波包分解过程中低通分解滤波器；g为小波包分解过程中高通分解滤波器；k为常数；n为分解次数；i为分量信号。风电功率中原始数据信号，经过小波包的分解与重构，能够分解为相同的风电功率分量数据，进而确定基于动态权重的风电功率组合预测的计算参数值。

1.3 应用动态权重组合预测算法

基于动态权重的风电功率组合预测，关于预测结果的误差评价指标主要包括平均绝对误差、均方根误差以及相关系数。而单一定权重的风电功率组合预测，对部分风电功率数据的精准度差，不能及时对组合预测的结果作出调整，具有一定局限性。因此，基于动态权重的风电功率预测，为避免组合预测的风电功率密度数据丢失，通过平均绝对误差，以及均方根误差建立基于动态权重的组合预测结果误差评价体系。

平均绝对误差表达公式为：

均方根误差表达公式为：

式中，tx为t时刻的预测值；ty为t时刻的实测值；为xt的平均值；为yt的平均值。

计算风电功率的单一预测算法的平均绝对值、均方根误差，以及风电功率实测值的相关系数。协调各动态权重下风电功率的参数误差值，根据风电功率的实测值，完成预测筛选。基于动态权重的风电功率组合预测方法，不仅使训练误差达到最小，还能够获取更精准的风电功率组合预测值，减少误差。

2 实验分析

2.1 实验准备

基于动态权重的风电功率组合预测实验，其实验工具为计算机；而操作系统为Windows XP、Windows 2003，或是Windows 7。本次实验的硬件配置要求内存为2G以上，其硬件可用空间需达10GB以上；关于浏览器的使用需要是IE7.0及其以上版本，或是Google Chrome。因此，基于动态权重的风电功率组合预测的方法，是以数据库为核心，C/S数据采集与B/S数据显示相结合应用的计算结构。

根据既定的风电功率预测参考点位置，获取提前72h，并在15min范围内的风电功率的NWP数据信息。动态权重下风电功率的组合预测，通过输入NWP数据，定时分析其样本数据，进而得出组合预测的结果。