CN103473438B - 风功率预测模型优选及修正方法 - Google Patents
风功率预测模型优选及修正方法 Download PDFInfo
- Publication number
- CN103473438B CN103473438B CN201310354431.3A CN201310354431A CN103473438B CN 103473438 B CN103473438 B CN 103473438B CN 201310354431 A CN201310354431 A CN 201310354431A CN 103473438 B CN103473438 B CN 103473438B
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction model
- prediction
- numbers
- ordered series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000002715 modification method Methods 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风功率预测模型优选及修正方法,通过选取实际风功率值和预测模型,对风功率和预测风功率的关联度进行分析,并对选定的模型进行修正。以关联度大小评价预测模型对实际风功率曲线的拟合程度,进而评价预测模型的优劣,为不同地区风电场根据该地区风电输出功率变化特点,选择预测模型提供了检验依据;并对优选出的预测模型进行误差统计分析,并对对优选出的原始功率预测模型进行线性回归拟合,得到修正后的预测模型。达到了减少风功率预测模型预测误差的目的。
Description
技术领域
本发明涉及风力发电领域,具体地,涉及一种风功率预测模型优选及修正方法。
背景技术
目前,随着全球能源形势日益严峻,传统的化石能源面临枯竭危机,清洁的可再生能源尤其是风能越来越受到人们重视,成为替代化石能源主要能源。风速及风功率预测这一基础性研究课题对于风电场规划、风功率的控制、风电并网后电网的安全经济运行有着重要的意义。风速及风功率的准确预测依赖于科学的预测理论方法和合理的预测模型。为此,国内外专家学者进行了广泛的理论探索并提出了各种预测方法,按不同的建模机理,风速及风功率预测模型主要可分为物理模型、统计模型、空间相关性模型、人工智能模型等。
风功率预测是一种对未来风电出力大小的估算,它与客观实际还是存在着一定的差距,即存在预测误差。产生误差原因很多:首先,进行预测的数学模型大多只包括所研究现象的某些主要因素,很多次要的因素都被忽略,对于错综复杂的风功率变化来说,模型只是一种经过简化的风电出力状况的反映,与实际风电出力值之间存在差距,用它来进行预测就不可避免地会与实际风功率值之间存在误差;其次,由于计算或判断上的错误,如平滑常数的选择不妥,也会产生不同程度的误差。各种不同原因引起的误差往往混合在一起表现出来。因此,当预测误差很大时,预测结果将严重失实。
由于风电功率波动受地形地貌天气及风电场运行状态影响,预测模型、算法难以准确反映风电场的输出功率波动特性,不可避免地存在预测误差。
发明内容
本发明的目的在于,针对上述问题,提出一种风功率预测模型优选及修正方法,以减少风功率预测模型预测误差的优点。
为实现上述目的,本发明采用的技术方案是:
一种风功率预测模型优选及修正方法,包括以下步骤:
步骤1:在风电场的历史风功率数列内选取某一具体时段实际风功率数列,并根据风功率预测模型得出预测值数列为,所述风功率预测模型为m个不同的风功率预测模型,并根据每个风功率预测模型得出不同的预测值数列;其中,则实际风功率数列和预测值数列为表示为:
其中,n为时段内预测点数,实际风功率数列根据预测日的日期进行平滑修正,去掉数据的阶跃,使数据平缓变化;
步骤2:对上述的实际风功率数列和预测值数列为分别计算各曲线在第k点的关联系数:具体公式如下:
上式中:
称为第点与的绝对误差,
称为两级最小差,其中是第一级最小差,这表示在曲线上,找各点与的最小差,是第二级最小差,表示在各条曲线中找出的最小差基础上,再按 找所有曲线中的最小差;是两级最大差,称为分辨系数,是0与1之间的数,综合上述计算的各点的关联系数,可得出整个风功率预测值曲线与实际风功率值曲线的关联程度为:
;
步骤3:根据上述实际风功率和预测值数列的关联度,选取关联度最大的风功率预测模型,并采用下列公式对风功率预测模型进行修正:
式中:a和b为系数,可通过最小二乘法确定,为预测功率,为实际功率。
根据本发明的优选实施例,所述。
根据本发明的优选实施例,在上述步骤2中,首先对各个数列内的数值做无量纲化、归一化处理。
本发明的技术方案具有以下有益效果:
本发明的技术方案以关联度大小评价预测模型对实际风功率曲线的拟合程度,进而评价预测模型的优劣,为不同地区风电场根据该地区风电输出功率变化特点,选择预测模型提供了检验依据;并对优选出的预测模型进行误差统计分析,并对对优选出的原始功率预测模型进行线性回归拟合,得到修正后的预测模型。达到了减少风功率预测模型预测误差的目的。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的风功率预测模型优选及修正方法的流程图;
图2为本发明实施例所述的风电功率预测误差的存在形式的示意图;
图3为本发明实施例所述的预测模型预测结果与实测结果对比图。
其中图3中,*表示实际功率的数值点;。表示预测功率的数值点。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,一种风功率预测模型优选及修正方法,包括以下步骤:
步骤101:在风电场的历史风功率数列内选取某一具体时段实际风功率数列,并根据风功率预测模型得出预测值数列为,所述风功率预测模型为m个不同的风功率预测模型,并根据每个风功率预测模型得出不同的预测值数列;其中,则实际风功率数列和预测值数列为表示为:
其中,n为时段内预测点数,实际风功率数列根据预测日的日期进行平滑修正,去掉数据的阶跃,使数据平缓变化;
步骤102:对上述的实际风功率数列和预测值数列为分别计算各曲线在第k点的关联系数:具体公式如下:
上式中:
称为第点与的绝对误差,
称为两级最小差,其中是第一级最小差,这表示在曲线上,找各点与的最小差,是第二级最小差,表示在各条曲线中找出的最小差基础上,再按 找所有曲线中的最小差;是两级最大差,称为分辨系数,是0与1之间的数,为优选参数。
综合上述计算的各点的关联系数,可得出整个风功率预测值曲线与实际风功率值曲线的关联程度为:
;
步骤103:根据上述实际风功率和预测值数列的关联度,选取关联度最大的风功率预测模型,并采用下列公式对风功率预测模型进行修正:
式中:a和b为系数,可通过最小二乘法确定,为预测功率,为实际功率。
关联度:是根据曲线间相似程度来判断关联程度,实质上是几种曲线间几何形状的分析比较,即认为几何形状越接近,则发展变化态势越接近,关联程度越大。用此方法可以来比较几种预测模型对应的几条预测曲线与一条实际曲线的拟合程度,关联度越大,则说明对应的预测模型越优,拟合误差也就越小。
上述步骤101中,预测结果的准确程度取决于所选的预测方法和建立的数学模型的正确程度,更取决于选用的信息和数据的准确程度,因此在选取历史风功率数据时,应根据预测日的日期将历史风功率数据平滑修正,去掉数据的阶跃,使数据平缓变化,从而提高预测精度。
在步骤102中,:为了使各个数列间的数值具有可比性,对于单位不同,或初值不同的预测值数列作关联度分析时,首先要做无量纲化、归一化预处理,并且要求所有数列有公共交点,用每一个数列的第一个数除其它数,使得各数列之间具有可比性。
比较各预测模型的关联程度即可决定选用哪种风功率预测模型更合适:关联度越大,则相应模型的风功率预测拟合程度越好、精度越高,误差也越小。
在上述步骤103中,关联程度越大,发展变化态势越接近,原始风功率预测模型能够很好地预测风电场输出功率的变化趋势,然而只能保证风电功率横向预测误差较小,风电功率纵向预测误差可能仍然很大如图2所示,原始风功率预测模型的预测结果可能整体小于或大于风功率实测结果。为了对比原始预测模型的预测结果和实测结果,可以建立如附图3所示的坐标进行误差分析。
经过关联度预测误差分析及优选后,优选出的模型在变化趋势上能够很好跟踪实际功率的变化,因此可以假定预测模型的预测值与实际值之间满足以下线性关系:
式中:a和b为系数,可通过最小二乘法确定,为预测功率,为实际功率。
上式准确性将随着的历史数据和经验的累积而不断改进,运用上式可消除模型的***误差。
利用最小二乘法对优选出的原始功率预测模型进行线性回归拟合,得到修正后的预测模型。
其中,风功率预测模型为现有的,主要有时间序列模型(持续预测方法、卡尔曼滤波方法等)和基于数值天气预报的预测模型(物理模型、统计模型)。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种风功率预测模型优选及修正方法,其特征在于,包括以下步骤:
步骤1:在风电场的历史风功率数列内选取某一具体时段实际风功率数列x0,并根据风功率预测模型得出预测值数列为xi,所述风功率预测模型为m个不同的风功率预测模型,并根据每个风功率预测模型得出不同的预测值数列xi;其中i=1,2,…,m,则实际风功率数列x0和预测值数列为xi表示为:
x0={x0(1),x0(2),…,x0(k),…,x0(n)}
xi={xi(1),xi(2),…,xi(k)…,xi(n)}
i=1,2,…,m
其中,n为时段内预测点数,实际风功率数列x0根据预测日的日期进行平滑修正,去掉数据的阶跃,使数据平缓变化;
步骤2:对上述的实际风功率数列x0和预测值数列为xi分别计算各曲线在第k点的关联系数:具体公式如下:
上式中:
x0(k)-xi(k)=Δi(k)称为第k点x0与xi的绝对误差,
称为两级最小差,其中是第一级最小差,这表示在xi曲线上,找各点与x0的最小差,是第二级最小差,表示在各条曲线中找出的最小差基础上,再按i=1,i=2,…,i=m找所有曲线xi中的最小差;是两级最大差,ρ称为分辨系数,是0与1之间的数,综合上述计算的各点的关联系数,可得出整个风功率预测值曲线xi与实际风功率值曲线x0的关联程度为ri:
比较各预测模型的关联程度ri,选用合适风功率预测模型:关联度越大,则相应模型的风功率预测拟合程度越好、精度越高,误差也越小;
步骤3:根据上述实际风功率和预测值数列的关联度ri,选取关联度最大的风功率预测模型,并采用下列公式对风功率预测模型进行修正:
Preal=f(Ppre,a,b)=aPpre+b
式中:a和b为系数,通过最小二乘法确定,Ppre为预测功率,Preal为实际功率;
以关联度大小评价预测模型对实际风功率曲线的拟合程度,进而评价预测模型的优劣;并对优选出的预测模型进行误差统计分析,对优选出的原始功率预测模型进行线性回归拟合,得到修正后的预测模型。
2.根据权利要求1所述的风功率预测模型优选及修正方法,其特征在于,所述ρ=0.5。
3.根据权利要求1或2所述的风功率预测模型优选及修正方法,其特征在于,在上述步骤2中,首先对各个数列内的数值做无量纲化和归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310354431.3A CN103473438B (zh) | 2013-08-15 | 2013-08-15 | 风功率预测模型优选及修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310354431.3A CN103473438B (zh) | 2013-08-15 | 2013-08-15 | 风功率预测模型优选及修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473438A CN103473438A (zh) | 2013-12-25 |
CN103473438B true CN103473438B (zh) | 2018-07-31 |
Family
ID=49798285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310354431.3A Expired - Fee Related CN103473438B (zh) | 2013-08-15 | 2013-08-15 | 风功率预测模型优选及修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473438B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361398A (zh) * | 2014-08-04 | 2015-02-18 | 浙江工业大学 | 公共自行车租赁点自然需求预测方法 |
CN105591380B (zh) * | 2014-11-18 | 2017-12-12 | 国家电网公司 | 一种光热电站平滑出力方法 |
CN105680459B (zh) * | 2014-11-18 | 2018-03-23 | 国家电网公司 | 一种风电***与储能***联合发电平滑出力方法 |
CN105680486B (zh) * | 2014-11-18 | 2018-09-18 | 国家电网公司 | 一种风光储联合发电***的平滑出力方法 |
CN104850914B (zh) * | 2015-05-29 | 2018-07-17 | 东南大学 | 一种基于特征建模的新能源发电量预测方法 |
CN105512766A (zh) * | 2015-12-11 | 2016-04-20 | 中能电力科技开发有限公司 | 一种风电场功率预测方法 |
CN108022179B (zh) * | 2017-11-20 | 2024-03-26 | 国网福建省电力有限公司 | 一种基于卡方检验的疑似窃电主题因素确定方法 |
CN108646688B (zh) * | 2018-05-31 | 2019-05-07 | 成都天衡智造科技有限公司 | 一种基于回归学习的工艺参数优化分析方法 |
CN109193791B (zh) * | 2018-11-10 | 2021-05-25 | 东北电力大学 | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 |
CN109816165B (zh) * | 2019-01-16 | 2020-09-25 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及*** |
CN110457821B (zh) * | 2019-08-12 | 2021-07-02 | 华北电力大学 | 风功率曲线多目标综合评价方法、装置及服务器 |
CN112021626B (zh) * | 2020-07-10 | 2021-08-17 | 张家口卷烟厂有限责任公司 | 烟用制丝环节智能化控制***及方法 |
CN115603319A (zh) * | 2022-11-08 | 2023-01-13 | 国网湖南省电力有限公司(Cn) | 电力***风光出力预测方法及预测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744058A1 (en) * | 2004-05-07 | 2007-01-17 | Mitsubishi Denki Kabushiki Kaisha | Wind power generation evaluation system and prediction control service system for wind power generator |
CN102545211A (zh) * | 2011-12-21 | 2012-07-04 | 西安交通大学 | 一种通用的用于风电功率预测的数据预处理装置及方法 |
CN102570449A (zh) * | 2011-12-21 | 2012-07-11 | 西安交通大学 | 一种基于时空分布特性的区域风电功率预测方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN102738792A (zh) * | 2012-06-13 | 2012-10-17 | 华北电力大学(保定) | 一种风电功率预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2558969A4 (en) * | 2010-04-13 | 2013-10-09 | Univ California | METHOD FOR USING GENERALIZED ORDER DIFFERENCES AND FOR INTEGRATING INPUT VARIABLES IN TREND FORECASTS |
JP5910025B2 (ja) * | 2011-11-22 | 2016-04-27 | 富士電機株式会社 | 風力発電量予測システム、そのプログラム |
-
2013
- 2013-08-15 CN CN201310354431.3A patent/CN103473438B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1744058A1 (en) * | 2004-05-07 | 2007-01-17 | Mitsubishi Denki Kabushiki Kaisha | Wind power generation evaluation system and prediction control service system for wind power generator |
CN102545211A (zh) * | 2011-12-21 | 2012-07-04 | 西安交通大学 | 一种通用的用于风电功率预测的数据预处理装置及方法 |
CN102570449A (zh) * | 2011-12-21 | 2012-07-11 | 西安交通大学 | 一种基于时空分布特性的区域风电功率预测方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
CN102738792A (zh) * | 2012-06-13 | 2012-10-17 | 华北电力大学(保定) | 一种风电功率预测方法 |
Non-Patent Citations (4)
Title |
---|
区域风电功率一体化预测方法研究;陈倩;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20120415(第4期);正文第13-18页第3.1-3.2小节,第27-29页第4.3小节 * |
基于对数灰关联度的IOWGA算子最优组合预测模型;周礼刚 等;《运筹与管理》;20101225;第19卷(第6期);第33-38页 * |
电力***负荷特性分析与负荷预测研究;良艳;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110315(第3期);第C042-256页 * |
风电场输出功率预测中两种神经网络算法的研究;刘永前 等;《现代电力》;20110410;第28卷(第2期);第49-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103473438A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473438B (zh) | 风功率预测模型优选及修正方法 | |
Lin et al. | Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets | |
Cali et al. | Short-term wind power forecasting using long-short term memory based recurrent neural network model and variable selection | |
Ma et al. | Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
Zhang et al. | Development and evaluation of cooling load prediction models for a factory workshop | |
CN102509173B (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及*** | |
CN109800898A (zh) | 一种智能短期负荷预测方法及*** | |
CN108664682A (zh) | 一种变压器顶层油温的预测方法及其*** | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN103902837A (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
CN104036356A (zh) | 一种利用分形算法对电网未来运行状态进行预测的方法 | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
CN104598998A (zh) | 基于经济增长指标的能源需求量预测方法 | |
Ding et al. | Ultra-short-term building cooling load prediction model based on feature set construction and ensemble machine learning | |
CN103996087A (zh) | 一种新能源发电功率预测方法及*** | |
Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection | |
Shabani et al. | Predicting building energy consumption using engineering and data driven approaches: A review | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、*** | |
CN110909916A (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
CN116485004A (zh) | 一种基于功率热图和卷积神经网络的风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180731 Termination date: 20200815 |
|
CF01 | Termination of patent right due to non-payment of annual fee |