基于模糊場景聚類的新能源風(fēng)電消納誤差修正系統(tǒng)

聶涌泉，胡亞平，何宇斌，顧慧杰，林子杰

（1.中國南方電網(wǎng)電力調(diào)度控制中心，廣東廣州 510000；2.南京南瑞繼保工程技術(shù)有限公司，江蘇 南京 210000）

風(fēng)力資源迅速發(fā)展，風(fēng)力發(fā)電利用率得到了極大提升，風(fēng)力發(fā)電短期隨機性和波動性也越來越明顯。在風(fēng)力發(fā)電所占比重較大的情況下，單純地使用風(fēng)電預(yù)測技術(shù)不能解決目前存在的不確定性問題，但是以風(fēng)電消納為主要目標(biāo)的存儲系統(tǒng)缺少電網(wǎng)運行控制步驟，使計劃與經(jīng)營過程中出現(xiàn)問題概率增加，從而成為影響風(fēng)力發(fā)電的一個主要因素。

通過對風(fēng)電機組功率分配和電網(wǎng)規(guī)劃，對風(fēng)電機組發(fā)電量及配網(wǎng)后電網(wǎng)進(jìn)行擴容，并設(shè)置風(fēng)電消納渠道，減少電力消耗。在不影響電網(wǎng)安全穩(wěn)定情況下，消納風(fēng)電并減少火力發(fā)電，國內(nèi)外學(xué)者對此進(jìn)行了大量的研究。文獻(xiàn)[1]提出了基于EMD的預(yù)測方法，使用經(jīng)驗?zāi)B(tài)分解EMD 方法預(yù)處理數(shù)據(jù)后，提取關(guān)鍵數(shù)據(jù)信息，將該信息輸入誤差修正模型中，完成風(fēng)險消納誤差修正；文獻(xiàn)[2]提出了分位數(shù)回歸預(yù)測方法，構(gòu)建徑向基神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型，分析風(fēng)險功率間的非線性映射關(guān)系，獲取分位數(shù)形式的預(yù)測結(jié)果。以該結(jié)果為依據(jù)構(gòu)建誤差修正模型，實現(xiàn)風(fēng)電消納誤差修正。但是在實際操作過程中，無法精準(zhǔn)預(yù)測風(fēng)電負(fù)荷，導(dǎo)致風(fēng)電消納規(guī)劃缺少精準(zhǔn)數(shù)據(jù)集的支持，并且受限于預(yù)測技術(shù)和操作上的不確定性，使得數(shù)據(jù)時空分布信息抽取效率較低。針對這一問題，提出了基于模糊場景聚類的新能源風(fēng)電消納誤差修正系統(tǒng)。

1 系統(tǒng)運行場景分析

根據(jù)實際負(fù)載情況，結(jié)合風(fēng)力發(fā)電的實時數(shù)據(jù)，搭建一個具有年規(guī)劃水平的系統(tǒng)運行場景。在該場景中，利用聚類算法將運行場景分割成多個子域，并提取出包含運行場景各個子空間的中心，這種規(guī)劃方法既考慮了隨機分布，又兼顧了不確定性。然而該方法無法將具體場景集合中的分布特征考慮進(jìn)去[3-5]。以一個三維場景集為例，它是由風(fēng)力發(fā)電和負(fù)載按時間順序構(gòu)成的。

風(fēng)電機組出力容易受到能量密度影響，因此，需要充分考慮風(fēng)力、電力、負(fù)載季節(jié)變化，按時間序列進(jìn)行負(fù)荷預(yù)測后發(fā)現(xiàn)，這種情況在空間上的分布是不均衡的。充分考慮以上情形，通過對每個場景賦予模糊量化隸屬度，組成模糊場景集，在該場景下設(shè)計的系統(tǒng)能夠彌補聚類場景覆蓋面不全的問題，使誤差修正結(jié)果更具有全面性[6-7]。

2 誤差修正系統(tǒng)硬件結(jié)構(gòu)設(shè)計

新能源風(fēng)電消納誤差修正系統(tǒng)主要分為兩部分，第一部分是電路模擬部分，第二部分是實際數(shù)字電路部分，由此構(gòu)建的誤差修正系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

圖1 誤差修正硬件系統(tǒng)框圖

系統(tǒng)給電后，首先初始化芯片，設(shè)置工作模式和操作頻率，以此確定電壓偏置數(shù)值。經(jīng)過風(fēng)力發(fā)電系統(tǒng)中電壓信號濾波處理，可將其輸出到芯片上的各個信道上[8-9]。在此階段利用模糊情景聚類算法對新能源風(fēng)電消納誤差結(jié)果進(jìn)行了修正，并利用通信線路對其進(jìn)行實時反饋[10]。

2.1 S5PV210微處理器

S5PV210 微處理器是一個高性能的應(yīng)用程序處理器，其核心是ARM CortexTM-A8。該處理器使用了ARM V7 的指令，具有1 GHz 的高頻率和32/64 比特總線架構(gòu)，同時還具備低功耗、高性能的接口[11]。其中校核接口是根據(jù)電網(wǎng)的歷史運行數(shù)據(jù)來檢驗基準(zhǔn)調(diào)度方案對新能源風(fēng)電消納能力誤差的估算；增加接口主要將測試技術(shù)加入到基準(zhǔn)調(diào)度方案中，獲得新的調(diào)度方案；測算接口用來計算新能源風(fēng)電場消耗基準(zhǔn)調(diào)度方案與新調(diào)度方案風(fēng)電的消納量[12]；估計接口負(fù)責(zé)對新能源風(fēng)電消納誤差進(jìn)行估計，并將其與新的調(diào)度方案消納量相減，得出風(fēng)電消納實際數(shù)值。

2.2 誤差修正控制器

誤差修正控制器是根據(jù)在模糊場景中所確定的初始位置來決定錯誤校正的參數(shù)，這樣就可以通過誤差修正控制器來減少或者避免發(fā)生錯誤的現(xiàn)象。通過使用誤差修正控制器，不需要附加其他元件，就可以由驅(qū)動控制器修正變量[13]。

為了精準(zhǔn)修正誤差，控制器在正常使用過程中從接收的原始信號中提取實際風(fēng)電消納量，可表示為：

式中，r、u分別表示余弦、正弦修正變量；σ表示修正次數(shù)；t表示消納時間；Q′表示新能源初始風(fēng)電消納量[14]。根據(jù)上述關(guān)系式確定的修正變量，使用誤差修正控制器有效提高修正精準(zhǔn)度。

3 誤差修正關(guān)鍵技術(shù)研究

3.1 模糊場景選取

在多目標(biāo)求解原則支持下，模糊場景選取步驟如下所示：

在f={f1,f2,…,fn} 場景集中，設(shè)置場景維度為c，第c個維度模糊場景集為D(c)，從集合中隨機模糊場景的并集，可表示為：

由于模糊場景邊緣的稀疏性，需要統(tǒng)計誤差序列組成模糊場景聚類集合。

3.2 誤差序列統(tǒng)計

根據(jù)風(fēng)電場歷史運行數(shù)據(jù)，使用校驗基準(zhǔn)調(diào)度方式對新能源風(fēng)電消納能力估算誤差。在校驗時間[t0,t1]區(qū)間內(nèi)，計算基準(zhǔn)調(diào)度方案對新能源風(fēng)電消納的結(jié)果，公式為：

式中，xL表示系統(tǒng)風(fēng)電節(jié)點負(fù)荷預(yù)測數(shù)據(jù)組成的向量；xW表示系統(tǒng)風(fēng)電預(yù)測數(shù)據(jù)組成的向量；yW表示新能源風(fēng)電場基礎(chǔ)數(shù)據(jù)；y表示風(fēng)電場拓?fù)鋽?shù)據(jù)[15]。

計算基準(zhǔn)調(diào)度方案仿真結(jié)果，估計誤差可表示為：

式中，G0表示新能源風(fēng)電真實消納值。不斷更新不同時間下的風(fēng)電消納結(jié)果，將其與新調(diào)度方案新能源風(fēng)電消納量相減，獲取新能源風(fēng)電消納誤差序列。

3.3 誤差修正

將新能源風(fēng)電消納誤差序列作為系統(tǒng)輸入量，相應(yīng)歷史誤差序列作為系統(tǒng)輸出量來構(gòu)建基于模糊場景聚類的誤差序列進(jìn)行修正[16]。提取新能源風(fēng)電消納功率數(shù)據(jù)，對該數(shù)據(jù)進(jìn)行預(yù)處理，剔除冗余數(shù)據(jù)，得到歸一化處理結(jié)果。挖掘不同時間下的風(fēng)電消納特性，使用模糊C 均值法構(gòu)建最小加權(quán)平方和目標(biāo)函數(shù)，公式為：

式中，B、V分別表示模糊劃分和聚類中心矩陣；α表示樣本數(shù)；β表示聚類數(shù)；?ab表示樣本a屬于第b個聚類中心隸屬度；dab表示類中心與樣本間的距離。針對初始值敏感、聚類數(shù)難以確定的問題，確定類內(nèi)距離與類間距離最小比值，進(jìn)而確定最佳聚類數(shù)，如下：

式中，zb、za分別表示第b、a類聚類中心；oa表示第a個數(shù)據(jù)樣本。

最后結(jié)合歷史異常數(shù)據(jù)，假設(shè)待測風(fēng)電消納數(shù)據(jù)集中Ld的各個點風(fēng)電負(fù)荷數(shù)據(jù)均為待修正數(shù)據(jù)，則待測風(fēng)電消納數(shù)據(jù)集的第i點的待修正數(shù)據(jù)的修正值可表示為：

式中，Ls(i)表示特征風(fēng)電消納數(shù)據(jù)集；hj表示待測風(fēng)電消納數(shù)據(jù)集的第j個修正點；hmj表示待測風(fēng)電消納數(shù)據(jù)集的第mj個修正點；n、m分別表示風(fēng)電消納數(shù)據(jù)集修正點數(shù)和待修正點數(shù)。通過式（7）計算結(jié)果，可獲取新能源風(fēng)電消納誤差修正結(jié)果。

4 實驗分析

采用我國某省的實際風(fēng)電場歷史數(shù)據(jù)，對設(shè)計的基于模糊場景聚類的新能源風(fēng)電消納誤差修正系統(tǒng)進(jìn)行實驗驗證。實驗樣本是該風(fēng)電場2019 年2 月到2020 年3 月的功率數(shù)據(jù)，數(shù)據(jù)采樣間隔為10 min。

4.1 實驗指標(biāo)

以風(fēng)電消納的功率均方根誤差為實驗指標(biāo)，可表示為：

式中，Pg、分別表示理想修正功率和實際修正功率；N表示修正數(shù)量；g表示修正次數(shù)。依據(jù)某個風(fēng)電場功率實時訓(xùn)練數(shù)據(jù)樣本，根據(jù)未來一天的負(fù)荷點進(jìn)行實時修正。

4.2 實驗數(shù)據(jù)分析

在10 min 內(nèi)提取新能源風(fēng)電消納數(shù)據(jù)分量，設(shè)置風(fēng)電負(fù)荷削減步長為0.05 MW?？紤]風(fēng)電機組強迫停運、風(fēng)電負(fù)荷修正誤差，可得到風(fēng)電功率序列和棄風(fēng)功率序列，如表1 所示。

表1 理想風(fēng)電功率序列和棄風(fēng)功率序列變化范圍分析

在表1 數(shù)據(jù)中，棄風(fēng)時段主要發(fā)生在6-14 h 之間，主要原因是這段時間內(nèi)風(fēng)電消納低于理想風(fēng)電功率，限制了風(fēng)電功率的外送。而在0-6 h內(nèi)，由于風(fēng)電負(fù)荷高峰且風(fēng)電消納值大于理想值，故未出現(xiàn)棄風(fēng)。

4.3 實驗結(jié)果與分析

分別使用基于EMD 預(yù)測方法、分位數(shù)回歸預(yù)測方法和基于模糊場景聚類誤差修正系統(tǒng)，對比分析風(fēng)電功率序列和棄風(fēng)功率序列統(tǒng)計結(jié)果，如圖2所示。

圖2 三種方法風(fēng)電功率序列和棄風(fēng)功率序列統(tǒng)計結(jié)果對比分析

由圖2（a）可知，使用基于EMD 預(yù)測方法在5 h時與理想數(shù)據(jù)存在最大統(tǒng)計誤差，誤差數(shù)值為13 MW；使用分位數(shù)回歸預(yù)測方法在1 h 時與理想數(shù)據(jù)存在最大統(tǒng)計誤差，誤差數(shù)值為6 MW；使用基于模糊場景聚類誤差修正系統(tǒng)在8 h 時與理想數(shù)據(jù)存在最大統(tǒng)計誤差，誤差數(shù)值為1 MW。

由圖2（b）可知，使用基于EMD 預(yù)測方法、分位數(shù)回歸預(yù)測方法與理想棄風(fēng)功率序列數(shù)值不一致，棄風(fēng)情況出現(xiàn)較早；而使用基于模糊場景聚類誤差修正系統(tǒng)與理想棄風(fēng)功率序列數(shù)值一致。

通過上述分析結(jié)果可知，使用基于模糊場景聚類誤差修正系統(tǒng)的功率序列數(shù)據(jù)與理想數(shù)據(jù)基本一致，說明使用該系統(tǒng)誤差修正結(jié)果較好。

5 結(jié)束語

設(shè)計的基于模糊場景聚類的新能源風(fēng)電消納誤差修正系統(tǒng)，增強了新能源風(fēng)電消納誤差修正的實用性。同時，該系統(tǒng)還充分考慮了風(fēng)電場特性損耗的各種數(shù)據(jù)，使其更準(zhǔn)確、更有效。此外，誤差數(shù)據(jù)的修正僅是一個初步的修正，還需借助其他技術(shù)及實地考察，以更好地了解風(fēng)電場特性，獲取更全面、可靠的誤差資料，并找出誤差成因，更加完善地設(shè)計適合實際應(yīng)用的新能源風(fēng)電消納誤差修正系統(tǒng)。