劉紅柳，楊 茂

(東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012)

基于小波變換和支持向量機的風(fēng)電功率爬坡事件識別與預(yù)測

劉紅柳，楊 茂

(東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012)

隨著風(fēng)電場規(guī)模的增大，風(fēng)電功率爬坡事件給電網(wǎng)帶來的影響越來越顯著，提高爬坡事件識別與預(yù)測精度對電網(wǎng)安全經(jīng)濟運行具有重要意義。闡述了爬坡事件的定義，提出了基于小波變換(WT)的風(fēng)電功率爬坡事件識別方法，建立了風(fēng)電功率爬坡事件的WT-SVM預(yù)測模型。以某風(fēng)電場的實測風(fēng)電功率數(shù)據(jù)為例，進行不同時段的識別與預(yù)測。結(jié)果表明，基于WT的方法可以快速準確地識別風(fēng)電功率爬坡事件及其特征值，WT-SVM爬坡事件預(yù)測模型可以提高風(fēng)電功率爬坡事件預(yù)測準確度。

風(fēng)電功率；爬坡事件；小波變換；支持向量機；識別預(yù)測

風(fēng)能具有強波動特性和隨機性[1]，隨著風(fēng)電接入電網(wǎng)的容量日益增大，風(fēng)電功率爬坡事件對電力系統(tǒng)的影響也越來越大。爬坡事件具有小概率高風(fēng)險特性，短時間內(nèi)的大幅度功率變化給電網(wǎng)的穩(wěn)定運行帶來很大挑戰(zhàn)[2-5]。

目前，國內(nèi)外關(guān)于爬坡事件的研究還比較少，文獻[6]總結(jié)了多種爬坡事件的定義，概括了爬坡事件的基本特征，如爬坡方向，爬坡幅值，爬坡起始時間，爬坡持續(xù)時間和爬坡率等。文獻[7]根據(jù)爬坡事件的兩種定義，提出了兩種爬坡事件的檢測流程，并有效檢測了歷史風(fēng)電功率時間序列中的爬坡事件。文獻[8]采用KMEANS方法對爬坡事件進行分類，文獻[9]提出了基于小波特征提取和篩選的爬坡事件分類方法。

針對風(fēng)電場風(fēng)電功率爬坡事件及其自身特性的識別與預(yù)測，本文闡述了風(fēng)電功率爬坡事件的定義，提出了基于小波變換(WT)的超短期風(fēng)電功率爬坡事件識別方法，建立了WT-SVM爬坡事件預(yù)測模型，并采用三種風(fēng)電功率爬坡事件預(yù)測方法，分析了WT-SVM爬坡事件預(yù)測模型的預(yù)測性能，最后利用實際算例分析驗證了基于WT的爬坡事件識別方法與WT-SVM預(yù)測模型的有效性。

1 風(fēng)電功率爬坡事件

爬坡事件是指，風(fēng)電場在短期(幾小時)內(nèi)風(fēng)電輸出功率發(fā)生大的變化[10-13]。通常使用以下參數(shù)描述一個爬坡事件，見圖1。

圖1 爬坡事件特征圖

(1)方向：用于區(qū)分上爬坡(功率增大)和下爬坡(功率減小)；

(2)幅值(ΔP)：發(fā)生爬坡事件期間輸出功率的變化，通常以額定功率的百分比定義；

(3)起始時間(t0)：爬坡事件的起始時刻；

(4)持續(xù)時間(Δt)：輸出功率發(fā)生大的改變持續(xù)的時間；

(5)爬坡率(ΔP/Δt)：代表了爬坡強度。

通常爬坡事件具有高幅值短持續(xù)時間的特點，爬坡幅值越大，持續(xù)時間越短，爬坡事件越嚴重[14-15]。文獻[16]介紹了多種爬坡事件的定義，本文以其中一種為例分析，定義如下：風(fēng)電功率時間序列P(t)在時間段Δt起止點的功率變化幅度超過了閾值Pthr，即有不等式成立，則認為該時段發(fā)生風(fēng)電功率爬坡事件。其中：幅值ΔPt=P(t+Δt)-P(t)；Δt為與爬坡事件持續(xù)時間相關(guān)的一個時段參數(shù)，一般設(shè)定為15 min或30 min；Pthr為功率閾值，發(fā)生上爬坡事件時通常取Pthr=20%的風(fēng)電機組額定裝機容量，發(fā)生下爬坡事件時通常取Pthr=15%的風(fēng)電機組額定裝機容量。

(1)

2 超短期風(fēng)電功率爬坡事件的識別

2.1 傳統(tǒng)識別方法

爬坡事件的傳統(tǒng)識別方法基于指標函數(shù)It，其定義如下：

(2)

當(dāng)Δt時間內(nèi)的功率變化量ΔPt大于閾值Pthr，則判定為發(fā)生爬坡事件，t為Δt時間內(nèi)的任何一個時刻。當(dāng)It=1時，發(fā)生上升爬坡；當(dāng)It=-1時，發(fā)生下降爬坡。

2.2 基于小波變換的超短期風(fēng)電功率爬坡事件識別方法

1974年法國學(xué)者J.Morlet提出小波變換的概念，它克服了傅里葉變換不能刻畫時域信息的局限性而且更適用于分析處理非平穩(wěn)信號。小波變換是由母小波ψ(t)通過伸縮因子λ和平移因子τ產(chǎn)生的一簇函數(shù)：

(3)

(4)

其中：τ∈Z,λ∈Z+，Wτ，λ為風(fēng)電功率時間序列在t=τ時刻的梯度信息，梯度信息與爬坡事件的嚴重程度相關(guān)。時間窗Δt=λ·n(n為風(fēng)電功率時間序列的采樣時間間隔)。

基于小波變換(WT)，本文定義了一個檢測爬坡事件的爬坡函數(shù)：

(5)

通過爬坡函數(shù){Rt}識別出爬坡事件之后，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為上爬坡事件，Rt<0為下爬坡事件)，起始時間t和持續(xù)時間Δt。

3 基于WT-SVM的風(fēng)電功率爬坡事件識別預(yù)測模型

基于WT-SVM的風(fēng)電功率爬坡事件識別預(yù)測模型是指：利用小波變換識別爬坡事件，將得到風(fēng)電功率爬坡數(shù)據(jù)作為支持向量機(SVM)的訓(xùn)練集，通過訓(xùn)練得到SVM預(yù)測模型。圖2為基于WT-SVM的風(fēng)電功率爬坡事件識別預(yù)測模型的流程，其預(yù)測步驟描述如下：

圖2 基于WT爬坡識別方法和SVM模型流程

(1)對歷史風(fēng)電功率數(shù)據(jù)進行預(yù)處理，進行基于WT的爬坡事件識別，得到風(fēng)電功率爬坡數(shù)據(jù)，其中選取爬坡事件方向，幅值和持續(xù)時間三項基本信息作為訓(xùn)練集；

(2)將訓(xùn)練集輸入SVM模型進行訓(xùn)練，得到SVM預(yù)測模型；

(3)確定核函數(shù)、懲罰因子等參數(shù)；

(4)將預(yù)測集輸入SVM預(yù)測模型進行預(yù)測，并輸出結(jié)果。

4 仿真分析

4.1 基于WT的超短期風(fēng)電功率爬坡事件識別

本文采用的數(shù)據(jù)為吉林省××風(fēng)電場的實測有功序列，其總裝機容量為265.5 MW，數(shù)據(jù)采樣時間段為2012年8月1日至2012年8月10日，采樣間隔為15 min，共有960個點。以其前100個點為例，進行超短期風(fēng)電功率爬坡事件識別。

圖3為采用四種識別方式的識別效果圖，表1為四種識別方法的結(jié)果統(tǒng)計表。采用四種識別方式為基于WT的爬坡事件識別方法和閾值分別選取為額定容量的30%、20%和15%的傳統(tǒng)識別方法。

圖3 爬坡事件識別結(jié)果

由圖3知，基于WT的爬坡事件識別結(jié)果為兩條連續(xù)的爬坡函數(shù)，該爬坡函數(shù)包含了爬坡方向，幅值，起始時間和持續(xù)時間等信息。而傳統(tǒng)識別方法，僅能給出是否發(fā)生爬坡事件(1或0)的信息，且根據(jù)閾值選取的不同，爬坡事件識別結(jié)果有很大不同。說明基于WT的爬坡事件識別方法具有很大優(yōu)勢，而傳統(tǒng)識別方法對閾值的選取高度敏感。

由表1知，基于WT的爬坡事件識別方法的爬坡事件識別準確率高達93.75%，遠遠高出三種閾值條件下的傳統(tǒng)識別方法的識別率。非爬坡事件的正確識別率為98.33%，也是四種方法中最高的。因此基于WT的爬坡事件識別方法可以更準確有效地識別爬坡事件，并給出爬坡事件的特征值信息，優(yōu)于傳統(tǒng)的識別方法。

表1 爬坡事件識別結(jié)果表

4.2 基于WT-SVM的風(fēng)電功率爬坡事件的預(yù)測

仍以吉林省××風(fēng)電場為例，選取后70個點作為數(shù)據(jù)樣本。利用基于SVM的超短期風(fēng)電功率爬坡事件預(yù)測模型，預(yù)測后70個點的風(fēng)電功率數(shù)據(jù)。圖4為三種模型的爬坡事件預(yù)測結(jié)果，表2為預(yù)測結(jié)果的統(tǒng)計情況。

由圖4知，與ANN模型和持續(xù)法相比，WT-SVM模型能更準確的預(yù)測到爬坡事件；對是否發(fā)生爬坡事件的預(yù)測及其方向的預(yù)測，WT-SVM模型具有更高的準確度。由表2知，WT-SVM時間序列爬坡事件預(yù)測模型的上爬坡事件正確預(yù)測率為93.18%，下爬坡事件正確預(yù)測率為90.00%，爬坡事件正確預(yù)測率為91.67%。均遠高于另外兩種對比方法。驗證了本文預(yù)測方法的有效性。

圖4 爬坡事件預(yù)測結(jié)果

8月份SVMANN持續(xù)法預(yù)測/上爬坡事件數(shù)目41/4432/4426/44預(yù)測/下爬坡事件數(shù)目36/4029/4019/40上爬坡事件正確預(yù)測率%93．18%72．72%59．09%下爬坡事件正確預(yù)測率%90．00%72．5%47．5%爬坡事件正確預(yù)測率%91．67%72．62%53．57%

4.3 基于SVM的爬坡事件預(yù)測模型預(yù)測誤差評價

4.2中已經(jīng)從爬坡事件的方向和數(shù)目兩個方面分析了WT-SVM爬坡事件預(yù)測模型的有效性。本節(jié)將從幅值預(yù)測誤差和持續(xù)時間預(yù)測誤差兩個方面對其性能進行分析，所采用的三種誤差指標為：絕對誤差A(yù)E、平均絕對誤差MAE和誤差標準差Std，其定義如下：

(6)

(7)

(8)

表3為爬坡事件預(yù)測結(jié)果表，圖5為表3統(tǒng)計結(jié)果的雙y軸柱狀圖，其左右兩個y軸分別代表幅值預(yù)測誤差和持續(xù)時間預(yù)測誤差，四個圖分別表示指標：MAE、Std、絕對誤差MAX和絕對誤差MIN的結(jié)果。表3和圖5表明，WT-SVM爬坡事件預(yù)測模型模型的幅值預(yù)測誤差和持續(xù)時間預(yù)測誤差的四項誤差指標均為最小，即WT-SVM爬坡事件預(yù)測模型的效果最好。

表3 爬坡事件預(yù)測結(jié)果

圖5 爬坡事件預(yù)測結(jié)果誤差分析

5 結(jié) 論

針對風(fēng)電功率爬坡事件識別與預(yù)測精度低的問題，本文提出了基于WT的爬坡事件識別方法和WT-SVM的爬坡事件時間序列預(yù)測模型，并以某風(fēng)電場的風(fēng)電功率數(shù)據(jù)進行了驗證，得到以下主要結(jié)論：

(1)與傳統(tǒng)爬坡事件識別方法相比，基于WT的爬坡事件識別方法不需要人為設(shè)定閾值，避免了人為主觀性，識別精度高(其精度高可達93.75%)，而且能識別出爬坡事件自身的特征信息(爬坡方向，幅值，持續(xù)時間等)；

(2)與ANN模型和持續(xù)法相比，WT-SVM爬坡事件預(yù)測模型的上爬坡事件正確預(yù)測率為93.18%，下爬坡事件正確預(yù)測率為90.00%，爬坡事件正確預(yù)測率為91.67%，即WT-SVM爬坡事件預(yù)測模型的正確率高；

(3)與ANN模型和持續(xù)法相比，WT-SVM爬坡事件預(yù)測模型的幅值預(yù)測誤差和持續(xù)時間預(yù)測誤差較小，即WT-SVM爬坡事件預(yù)測模型的效果最好。

[1] 歐陽庭輝，查曉明，秦亮，等.風(fēng)電功率爬坡事件預(yù)測時間窗選取建模[J].中國電機工程學(xué)報，2015，35(13)：3204-3210.

[2] 楊茂，熊昊，嚴干貴，等.基于數(shù)據(jù)挖掘和模糊聚類的風(fēng)電功率實時預(yù)測研究[J].電力系統(tǒng)保護與控制，2013，41(1)：1-6.

[3] 楊茂，賈云彭，錢為，等.基于動態(tài)權(quán)重的風(fēng)電功率組合預(yù)測方法研究[J].東北電力大學(xué)學(xué)報，2013，33(1)：131-136.

[4] Fan，F(xiàn).，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] 楊茂，孫涌，孫兆鍵，等.風(fēng)電場大規(guī)模數(shù)據(jù)管理系統(tǒng)設(shè)計與研發(fā)[J].東北電力大學(xué)學(xué)報，2014，34(2)：27-31.

[6] 崔明建，孫元章，柯德平.基于原子稀疏分解和 BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率爬坡事件預(yù)測[J].電力系統(tǒng)自動化，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] 歐陽庭輝，查曉明，秦亮，等.風(fēng)電功率爬坡事件預(yù)測時間窗口的選取[J].電網(wǎng)技術(shù)，2015，39(2)：414-419.

[13] 李春，衛(wèi)志農(nóng)，孫國強，等.基于DFIG頻率模型的風(fēng)電功率爬坡事件預(yù)測方法[J].電網(wǎng)技術(shù)，2016，40(3)：840-846.

[14] 任雙雪.風(fēng)電功率陡坡特性與預(yù)測問題研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[15] 崔明建，孫元章，柯德平，等.考慮電網(wǎng)側(cè)頻率偏差的風(fēng)電功率爬坡事件預(yù)測方法[J].電力系統(tǒng)自動化，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

國家重點基礎(chǔ)研究發(fā)展計劃項目(973計劃) (2013CB228201)；國家自然科學(xué)基金(51307017)；吉林省科技發(fā)展計劃項目(20140520129JH)；吉林省產(chǎn)業(yè)技術(shù)研究與開發(fā)專項項目(2014Y124)

劉紅柳(1989-)，女，河北省石家莊人，東北電力大學(xué)電氣工程學(xué)院碩士研究生，主要研究方向：風(fēng)力發(fā)電技術(shù).

1005-2992(2016)06-0030-06

TM614

A