基于计算智能的风电场风速不确定性建模研究

【摘要】：在全球为应对化石能源供应困局、气候变暖与维持经济建设与人类发展的可持续性所做的努力中,发展风力发电占有重要的地位。但风速的不确定性问题会根本性地造成风电的随机性和波动性,继而造成风电场的规划与运营并网难题,影响风力发电的可持续发展。目前,包括风速概率分布拟合模型和风速预测模型在内的用于应对风速不确定性问题的模型对于风电发展的重要作用已经被广泛认可,而相关建模研究也被广泛重视。基于计算智能的迅猛发展,计算智能方法相对传统方法在解决复杂建模问题上的优势日益显现,如何更好地利用先进的计算智能方法提高风速概率分布拟合和风速预测模型的能力极具研究前景和迫切性。虽然使用计算智能的相关算法对在两种建模进行研究的探索早已展开,但仍然存在许多问题,比如:在建模中没有考虑到不同的计算智能算法本身机理存在差异,没有根据实际情况进行择优选择;对计算智能算法的应用较为单一,停留在对传统基础模型的替代上,而对于在一些新的建模思想比如合作策略、辅助预测策略上应用计算智能的思考和研究较为少见,未能充分发挥计算智能的潜力;除此以外,随着风电开发的推进,风电场的规划与运营也对风速不确定性建模提出了一些新的需求,比如对双峰态风速数据进行拟合以及对风速区间进行预测等,而目前计算智能在这些新需求相关的建模中应用得不够。基于现有研究中存在的问题,本文以计算智能的两类关键技术,人工神经网络和人工智能优化算法作为建模基础,结合多种分布函数、信号处理技术等,探索了应用计算智能提高风速概率分布拟合模型、风速预测模型性能的更加有效的方式,并对新的建模需求也进行了关注,弥补了现有研究的缺陷。本文包括七个部分:第一章介绍了本文的研究背景与研究目的、研究意义、国内外研究现状、研究思路和主要研究内容以及主要创新与不足;第二章论述了本研究的主要理论基础,对一些关键概念进行了界定,以进一步澄清本文的研究目标和研究内容。接着对计算智能两类重要方法的原理进行了介绍为后续章节相关模型的提出提供方法层面的理论支撑。第三章、第四章关注风速概率分布的建模问题,分别研究了 Weibull分布参数智能逼近模型和混合分布的智能构造,用于单峰风速数据及双峰风速数据的概率分布拟合,提高了风速概率分布拟合的精度,有助于风电场的有效规划;第五章、第六章关注风速预测的建模问题,分别提出了基于智能多维合作策略的风速点预测模型和基于智能尺度放缩法以及双输出深度学习算法(门控循环单元)的风速区间预测模型,提高了风速点预测值的趋势一致性、预测精度和稳定性,获得了更好的风速预测区间综合质量,有助于风电场的高效运营。第七章是对全文的总结以及对未来研究的展望。本文的主要研究成果包括:(1)提出了基于不同优化逻辑的Weibull分布的智能逼近方法用以更好地对单峰风速数据进行概率分布拟合建模。首先构造了基于最小误差的Weibull参数智能逼近的损失函数,接着通过嵌入模拟退火算法、遗传算法和蚱蜢算法,引入了三种基于不同全局寻优逻辑的Weibull智能参数逼近算法逻辑,最终提出了三种Weibull智能参数逼近算法。相较现有类似研究,本文引入多种智能优化逻辑可以更加充分地利用计算智能算法的优势,提高基于Weibull参数智能逼近的风速概率分布拟合建模对单峰风速数据的拟合能力。实证分析结果表明,三种Weibull参数智能逼近方法均能使得所求Weibull分布获得比传统方法所求得Weibull拥有更好的拟合效果,尤其是GOA-[c,k](Weibull)算法可以使Weibull分布获得获最优的对单峰数据的拟合能力。(2)研究了混合分布的智能构造用以更好地对双峰风速数据进行概率分布拟合建模。为构建混合分布,使用了四种分布函数作为分量分布,包括三种传统的分布函数,即Weibull分布、Gamma分布以及Lognormal分布,和较新引入风速概率分布拟合中的Burr分布。通过分布自身的混合及两两之间的混合,提出了十种具体的混合分布:包括双Weibull分布、双Gamma分布、、双Lognormal分布、双Burr分布,以及 Weibull、Gamma 混合分布,Weibull、Lognormal 混合分布,Weibull、Burr混合分布,Gamma、Lognormal 混合分布,Gamma、Burr 混合分布,Lognormal、Burr混合分布。相较现有研究,本文将更多的分布函数纳入作为分量分布,不仅包括传统风速分布函数,也包括了近年新提出的风速分布函数类型;在构造混合分布函数时,不仅采用了同种分布函数的混合,也采用了异种分布的函数的混合。更为重要的是,本文探索了使用人工智能算法对混合分布的参数进行估计。实证分析结果表明,智能构造的混合分布能获得比基准Weibull分布、和基于传统参数估计方法构造的混合分布更好的对双峰风速的拟合能力;其中的智能构造的双Weibull分布、Weibull-Gamma分布、Weibull-Burr分布被证明具有对双峰风速数据最优的拟合能力。(3)提出基于智能多维合作策略的风速点预测模型用以提供准确的风速点预测信息。单一模型在风速预测上常具有局限性,因此目前研究中多采用合作策略提高风速预测的效果。但传统使用的合作策略也存在各自的缺点。本文使用一种更加有效的智能多维合作策略用于风速预测模型的构建,是将计算智能算法用于构建预测合作策略上的探索。具体来说,该模型先使用信号处理技术将原始风速序列进行转换获得若干子序列,在所有子序列上都同时运用三次指数平滑以及反向传播前馈神经网络作为预测器进行预测,然后通过人工智能算法优化各预测器对该子序列的预测最佳贡献权重。在将各子序列预测进行集成时,不仅将各预测器的结果进行集成,也将各自的权重进行集成,最终在不同预测器的多维合作中获得最终的预测结果。实证研究结果表明,所构建的模型相较各种单一预测模型以及基于不同传统合作策略的混合预测模型均具有更好预测能力。(4)提出基于智能改进尺度放缩法以及双输出门控循环单元风速区间预测模型用以提供准确、可靠的风速区间预测值。具体来说,首先,发展了一种不依赖严格假设,应用条件宽松,且计算负担相对较小的区间构造途径,改善了该途径在传统框架中参数不易设定、缺乏对数据的自适应性的缺陷。同时,将深度学习结构门控循环单元用于风速区间的最终预测中,能够有效地利用风速时序中的长时依赖关系,发挥其在序列建模中拥有的良好容错和泛化能力,提高风速区间预测的效果。实证研究结果表明所提出的智能改进尺度放缩法相对于传统使用固定参数尺度放缩法以及基于单参数优化的尺度放缩法的优越性。它可以为风速区间预测中风速区间构造这一难题提供一个有效的候选方案,与传统使用的误差分布法和配对Bootstrap法相比,极具竞争力。而引入门控循环单元进行最终预测,可以克服浅层神经网络在风速时序中的长时依赖关系学习上的局限性,提高预测区间的整体质量。本研究通过对计算智能技术的合理创新使用,改进了传统风速不确定性建模的缺陷,改进了现有基于计算智能建模研究的不足,建立了若干更加有效、稳定、鲁棒性好的风速概率分布拟合和风速预测模型,可以为不断发展的风电科学规划运营提供一些行之有效的管理工具,也一定程度上丰富和发展了概率分布拟合、预测、计算智能中的一些理论方法,具有一定的现实和理论意义。本文的主要创新点包括以下三个方面:(1)本文对风电场风速不确定性建模问题进行了重新审视,基于计算智能的相关理论及各项具体技术,对现有风速概率分布拟合以及风速预测的建模理念进行了创新性的思考,提出了基于Weibull参数智能逼近的单峰风速概率分布拟合模型、基于混合分布智能构造的双峰风速概率分布拟合模型、基于智能多维合作策略的风速点预测模型和基于智能尺度放缩法和深度学习的风速区间预测模型,扩充了现有的模型储备,为风电场的规划管理提供了决策支持。(2)本文也在一定程度上丰富和发展了计算智能的相关理论,扩展了其应用范围。通过对现有人工智能算法的原始算法逻辑和原理机制进行创新性地改造,设计出适用的最优解迭代规则,用于改造原始的单目标人工优化算法,提高最优解的搜索效率,保证了人工优化算法在用于带约束条件的多目标优化问题时功能的实现,弥补其在解决此类特殊优化问题时的局限性。(3)本文创新性地发展出一系列用于风速概率分布建模和风速建模的具体技术方法、策略。包括:基于各种寻优逻辑的分布参数智能逼近方法、智能改进的尺度放缩法等。本文的不足之处包括:(1)本文在构建各类模型时,需要使用一系列具体算法技术,比如概率分布函数、预测器、信号处理技术、人工智能优化算法等。事实上,目前存在大量的相关算法技术可供选择,而基于篇幅限制,本文没有考虑将所有技术都纳入建模中来,仅选择部分具有代表性,在一定范围内和在目前阶段被认为更有效的算法技术将其引入建模,但这种选择的合理性存在一定的时效性。(2)本文在对所构建的模型进行评估时,侧重于关注模型在拟合或预测上的精度、稳定性、可靠性,而对模型的复杂度计算的关注不足。(3)所构建的模型中仍然有一些参数需要依据经验或通过试错法进行设置,仍需人工干预。