一种径流式小水电集群发电功率短期预测方法及预测系统

摘要

一种径流式小水电集群发电功率短期预测方法及预测系统，属于水力发电功率预测技术领域。该方法将接入同一变电站的若干个小水电视为一个集群，分别对集群内所有单个小水电功率数据和集群整体功率数据进行预测，然后将两方面预测结果相融合获得最终的集群发电预测数值。本发明还提供一种径流式小水电集群发电功率短期预测系统。本发明将分散的多个径流式小水电归为一个集群，充分考虑径流式小水电的累积效应和滞后效应，计算未来时刻功率预测数值时将单点功率变化率与平均功率变化率相结合，集群功率预测结果融合了整体功率预测结果和所有单个小水电功率预测结果，针对径流式小水电功率输出规律性差而无法准确预测技术问题，本发明预测准确性较好。

主权项

1.一种径流式小水电集群发电功率短期预测方法，其特征在于，该方法，（I）将两个长度为n的数据序列X＝{X₁,...,X_k,...,X_n}和Y＝{Y₁,...,Y_k,...,Y_n}的归一化形系数S定义为：$S=\frac{1}{n}\underset{k=1}{\overset{n}{\Sigma }}{w}_k|\overline{X_k}-\overline{Y_k}|,$   公式(1)；其中，$\overline{X_k}=(X_{\max }-X_k)/(X_{\max }-X_{\min }),$$\overline{Y_k}=(Y_{\max }-Y_k)/(Y_{\max }-Y_{\min }),$w_k＝T^(n-k)(0＜T＜1)，分别是X和Y归一化后的序列，若X_max＝X_min或者Y_max＝Y_min，则为全0序列；w_k为日期权重，其中的T^(n-k)随着k值增加而逐渐变小，反映了功率预测中“近大远小”的原则；S能够很好地反映了X和Y的形状差异，如X和Y形状完全一致，即使在垂直方向上有位移偏差，S始终为0；如X和Y形状存在差异，则S不为0且差异越大S越大；（II）基于相似日区间的功率短期预测方法该方法既适用于单个小水电功率预测又适用于集群整体功率预测，只需替换相应的预测数据，因此在方法描述过程中不对数据进行区分；设P＝{P_k}(k＝1,...,Pn)为预测日前n天的功率序列，其中Pn＝n*DC，DC为每天采集的功率数值个数，Q＝{Q_j}(j＝1,...,PN)为历史功率数据，其中PN＝N*DC，N为历史样本天数；功率预测方法就是在序列Q中检索出与序列P形状最相近的若干相似日区间，将各相似日区间之后时间点功率变化趋势进行累加，并扩展到序列P之后以获得预测日的功率序列；方法具体如下：（1）相似日区间选取功率数据采集的频率非常密集，如果直接在这一层面寻找相似日区间，则检索过程将非常耗时；本发明提出一种基于日电量数据和功率数据两层搜索的相似日区间选取算法；首先，通过功率计算每天的日电量，在日电量数据层面上，寻找相似度较高的若干个候选相似日区间；然后在功率数据层面上再次对这个候选相似日区间进行过滤，最终得到最佳相似日区间；（1.1）基于日电量数据的相似日区间选取方法设为预测日前n天的日电量序列，其中P_i^E的计算公式为${P_i}^E=\frac{24}{\mathrm{DC}}\underset{k=(i-1)*\mathrm{DC}+1}{\overset{i*\mathrm{DC}}{\Sigma }}{P}_k,Q^E=\left\{Q_j^E\right\}(j=1,...,N)$为日电量历史序列，其中的计算公式为基于日电量数据的相似日区间选取算法是在序列Q^E中找出长度为n且与序列P^E形状最为相似的m个子序列，方法步骤为：（a）设最相似序列集合C_worst为C中与P^E相似度最差的序列，初始化C_worst=NULL，S_worst为相应的归一化形系数，初始化为，S_worst＝-1，h=1；（b）采用公式(1)计算序列P^E和的归一化形系数（c）如果|C|＜m，将添加到C中并转到步骤(e)；（d）将与序列C_worst进行比较，如果小于其归一化形系数S_worst，用替换C_worst；（e）对C中所有的序列按归一化形系数从小到大排序，并更新C_worst和S_worst；（f）h=h+1，如果h<N-n，转向步骤(b)，否则退出；（1.2）基于功率数据的相似日区间选取方法根据集合C中的m个日电量序列中对应的日期序列，获得m个长度为DC*n的功率序列，然后筛选出其中与功率序列P最相似的M个功率序列（M<m），仍然采用归一化形系数作为两个序列形状相似程度的评价函数，本方法步骤如下：（a）根据序列Q^E，根据集合C中的所有日电量序列对应的日期序列，得到m个长度为DC*n的功率序列(l＝1,...,m)，其中是序列Q^E中的子序列；（b）采用公式(1)计算P和的归一化形系数S_l；（c）将C^power中的序列按照S_l从小到大排序，并选取前M个作为最终的相似日区间序列集合C^final；（2）基于相似日区间的功率预测计算方法（2.1）相似日区间的权重计算集合C^fin中各相似日区间的功率序列与序列P的归一化形系数为S_i(i＝1,2,...,M)，其权重为：$W_i=1/S_i/\bar{S},(i=\mathrm{1,2},...,M)\text{,}$其中，$\bar{S}=\underset{i=1}{\overset{M}{\Sigma }}1/S_i;$（2.2）设集合C^final中的元素为功率序列$C_i^{\mathrm{final}}=\left\{Q_{\mathrm{ik}}\right\},(i=1,...,M,k=1,...,\mathrm{Pn}),$将序列在时间轴上之后时刻的功率序列定义为(i＝1,...,M,t＝1,...,TC)，即与在时间上是连续的，其中TC是预测的数据个数；计算预测日各时间点的功率数值R_j(j＝1,2,..,TC)，公式如下：R_j＝αE_j1+βE_j2，   公式(2)；$E_{j1}=P_{\mathrm{Pn}}(1+\underset{s=1}{\overset{M}{\Sigma }}(W_s(Q_{\mathrm{sj}}^{*}-Q_{\mathrm{sPn}})/Q_{\mathrm{sPn}}))$$E_{j2}=(\mathrm{Pn}+1)\bar{P}(1+\underset{s=1}{\overset{M}{\Sigma }}(W_s(\overline{Q_{\mathrm{sj}}^{*}}-\overline{Q_s})/\overline{Q_s}))-\mathrm{Pn}\bar{P}$$\bar{P}=\frac{1}{\mathrm{Pn}}\underset{u=1}{\overset{\mathrm{Pn}}{\Sigma }}{P}_u$$\overline{Q_s}=\frac{1}{\mathrm{Pn}}\underset{u=1}{\overset{\mathrm{Pn}}{\Sigma }}{Q}_{\mathrm{su}}$$\overline{Q_{\mathrm{sj}}^{*}}=\frac{1}{\mathrm{Pn}+1}(\underset{u=1}{\overset{\mathrm{Pn}}{\Sigma }}{Q}_{\mathrm{su}}+Q_{\mathrm{sj}}^{*})$其中，E_j1表示在j时间点各相似日区间功率变化率加权结果对预测值的贡献，E_j2表示在j时间点各相似日区间平均功率变化率加权结果对预测值的贡献，α和β是调节因子，可通过训练过程确定数值大小；对于一个有M_D个小水电站的集群D＝{D_i}(i＝1,2,...,M_D)，本方法步骤为：步骤1：对所有小水电应用上述（II）中的基于相似日区间的功率预测方法，分别获得其功率预测数据T_ij(i＝1,2,...,M_D，j＝1,2,...,TC)；步骤2：对小水电集群整体数据应用上述（II）中的基于相似日区间的预测模型，获得集群整体功率预测数据T_j(j＝1,2,...,TC)；步骤3：将基于两种数据的预测结果融合，获得集群最终的功率预测数值公式如下：公式(3)；其中，是权重因子，可通过训练过程确定数值大小。