CN103699944A - 一种多预测模式的风电光伏发电功率预测*** - Google Patents
一种多预测模式的风电光伏发电功率预测*** Download PDFInfo
- Publication number
- CN103699944A CN103699944A CN201310752280.7A CN201310752280A CN103699944A CN 103699944 A CN103699944 A CN 103699944A CN 201310752280 A CN201310752280 A CN 201310752280A CN 103699944 A CN103699944 A CN 103699944A
- Authority
- CN
- China
- Prior art keywords
- prediction
- power
- data
- wind
- module
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
发明公开了一种多预测模式的风电光伏发电功率预测***，其特征在于：包括以下功能模块，数值天气预测数据采集模块：输入数值天气预报数据作为预测算法的基础数据；预测模式选择模块：用于选择合适的预测算法对风电场或光伏电场进行功率预测；预测算法模块：用于对风电场或光伏电场进行功率预测，包括物理模型、自适应逻辑网络算法模型、BP神经网络模型；预测结果存储模块：对预测算法模块预测的结果数据进行存储。本发明使用数值天气预报数据作为预测算法的输入数据，通过模式选择模块选择最合适的预测方法，获得功率预测结果。
Description
技术领域
本发明涉及风电场功率预测、光伏发电场功率预测、微电网功率预测，本发明特别涉及一种多预测模式的风电光伏一体化发电功率预测***，属于风电光伏发电技术领域。
背景技术
风电光伏一体化发电功率预测***通过分析风速、风向、温度、湿度等因素对风电场输出功率的影响，以及太阳辐射、温度、云量、风速等因素对光伏电站输出功率的影响，结合数值天气预报数据进行分析计算；根据实际运行情况及地形特点，对每个风电场建立风电功率预测模型，对每个光伏电站建立光伏功率预测模型。最终形成风电光伏一体化发电功率预测***。
在风电或者光伏电场投运的前期往往是缺少历史气象数据的，而历史的功率数据基本上要在投运后数周后才能开始积累并作为有效的数据。因此在投运后的一段时间内，功率预测是无法通过人工智能算法来实现的。
然而在实际运行中发现各类人工智能算法都有一定的局限性，例如，自适应逻辑网络ALN对历史数据的完整性要求较高，而我国很少有风电场或光伏电站在投运前具有完备的历史数据；而BP神经网络的缺点在于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP神经网络算法需要的训练时间可能非常长。通过实验分析可以发现ALN算法更适合风电功率预测，而通过BP神经网络算法预测的光伏功率预测准确率更高。
发明内容
本发明所要解决的技术问题的目的在于为风电、光伏、微电网等新能源领域提供较高效较高精度的功率预测数据。
为解决上述技术问题，本发明提供一种多预测模式的风电光伏发电功率预测***，其特征在于：包括以下功能模块：
数值天气预测（NWP）数据采集模块：输入数值天气预报数据作为预测算法的基础数据；
预测模式选择模块：用于选择合适的预测算法对风电场或光伏电场进行功率预测；
预测算法模块：用于对风电场或光伏电场进行功率预测，包括物理模型、自适应逻辑网络算法模型、BP神经网络模型；
预测结果存储模块：对预测算法模块预测的结果数据进行存储。
所述预测模式选择模块首先检查人工智能算法模型是否存在，如果不存在则使用物理模型预测功率；如果存在人工智能算法模型文件，则获取数值天气预报数据，如果获取数值天气预报数据失败则仍然采用物理模型预测功率，如果数值天气预报数据可用，则通过匹配的人工智能算法模型预测功率数据。
所述预测模式选择模块中，选择某种人工智能算法模型，通过比较各种人工智能算法模型与实际功率的均方误差来决定的，具体过程为：导入一个月内的预测结果数据和相对应实时输入的功率数据，计算各人工智能算法模型的均方误差，比较各均方误差，最小均方误差的相对应的人工智能算法模型为匹配的人工智能算法模型，均方误差Erms的计算方法为：
其中Erms为均方误差；PMi为i时刻的实际功率；
PPi为i时刻的预测功率；Cap为风电场的开机总容量；n为样本个数。
本发明所达到的有益效果
本发明公开了一种多预测模式的风电光伏一体化功率预测***，包括自适应逻辑网络算法（ALN）、BP神经网络等多种人工智能算法和普通映射关系的物理模型算法。多预测模式的预测***可以保证***在缺乏历史数据以及数据缺失的情况下的功率预测。
本发明结合了自适应逻辑网络算法（ALN）、BP神经网络等多种人工智能算法的优点以及普通的物理模型算法的优点。在预测***投运的初期、或者NWP数据中断的情况下通过物理模型算法，不需要历史数据的支持。在预测***投运稳定后，可采用人工智能算法，人工智能算法预测准确度高，建模过程相对简单，模型计算速度快。
附图说明
图1是本***的预测流程图；
图2是预测模式选择模块流程图；
图3是多种模式人工智能算法建模过程示意图。
具体实施方式
本发明的预测***包括以下功能模块：
数值天气预测（NWP）数据采集模块：输入数值天气预报数据作为预测算法的基础数据；
预测模式选择模块：用于选择合适的预测算法对风电场或光伏电场进行功率预测；
预测算法模块：用于对风电场或光伏电场进行功率预测，包括物理模型、自适应逻辑网络算法模型、BP神经网络模型；
预测结果存储模块：对预测算法模块预测的结果数据进行存储。
所述预测模式选择模块首先检查人工智能算法模型文件是否存在，如果不存在则使用物理模型预测功率；如果存在人工智能算法模型文件，则获取数值天气预报数据，如果获取数值天气预报数据失败则仍然采用物理模型预测功率，如果数值天气预报数据可用，则通过匹配的人工智能算法模型预测功率数据。
如图1所示数值天气预测（NWP）数据是整个预测***的输入数据。NWP数据包括未来4小时、24小时、48小时、72小时的气象数据，如不同层面的风速、风向、气压、湿度、降雨量、云量、辐照强度等。
预测模式选择模块更具输入数据的完成性以及模型建立的情况，自适应的选取物理模型算法、自适应逻辑网络算法、BP神经网络算法等。通过这些预测算法获得风电场、光伏电场或微电网的功率预测结果。
预测算法模块中，采用的物理模型是通过风机厂家提供的风机曲线、NWP预测的风速和风机数量计算后得到风功率，同时通过光伏太阳板曲线、预测的辐照量、光伏板数量计算出光伏发电总功率（计算公式由风机厂家和光伏板厂家提供，每个厂家提供的计算公式可能不同）。如果无法接收预测的气象数据则综合上一个时刻的功率数据和前三天该时刻的历史功率数据，通过求前三天平均值的方法计算出预测功率数据。
如图2所示，预测模式选择模块用于预测***选择合适的预测算法对风电场或光伏电场进行功率预测。预测模式选择模块首先检查人工智能模型是否存在，如果不存在则使用物理模型预测功率。如果存在模型文件，则获取数值天气预报数据。如果获取数值天气预报数据失败则仍然采用物理模型预测功率。如果数值天气预报数据可用，则通过匹配的人工智能算法模型预测功率数据。
选择哪一种人工智能算法，是通过比较各种人工智能算法与实际功率的均方误差来决定的。人工智能算法的选择不是每一次预测都会进行选择判断的，一般是10天匹配一次最佳算法，其它时刻采用之前匹配的人工智能算法进行计算。
如图3所示，本发明的预测***还具有人工智能算法模型建模模块，建模需要所在地区地理信息数据、历史气象数据、历史功率数据等。地理信息数据包括经度、纬度、海拔、位势高度、发电场范围等。历史气象数据包括三个月至两年内，不同位势高度每5分钟的平均温度、气压、湿度、雨量、辐照度、风速、风向等。历史功率包括三个月至两年内所需要预测区域内风电场和光伏电场5分钟内平均功率。
ALN建模是基于一个连续函数可以由一组直线段以任意精度逼近，通过构造线性函数以及线性单元间逻辑关系，来拟合任意的连续函数。
BP神经网络建模首先对数据进行归一化处理，使用七维输入向量，包括：风速、风向、气压、雨量、湿度、云量、辐照强度，输出层为预测的功率。通过寻找误差最小的中间层神经元个数，确定中间层神经元个数，生成最终的预测模型。
本发明按照优选实施例进行了说明，应当理解上述实施例不以任何形式限定本发明，凡采用等同替换或等效变换的形式所获得的技术方案，均落在本发明的保护范围之内。
Claims (4)
1.一种多预测模式的风电光伏发电功率预测***，其特征在于：包括以下功能模块：
数值天气预测数据采集模块：输入数值天气预报数据作为预测算法的基础数据；
预测模式选择模块：用于选择合适的预测算法对风电场或光伏电场进行功率预测；
预测算法模块：用于对风电场或光伏电场进行功率预测，包括物理模型、自适应逻辑网络算法模型、BP神经网络模型；
预测结果存储模块：对预测算法模块预测的结果数据进行存储。
2.根据权利要求1所述的多预测模式的风电光伏发电功率预测***，其特征在于：所述预测模式选择模块首先检查人工智能算法模型是否存在，如果不存在则使用物理模型预测功率；如果存在人工智能算法模型文件，则获取数值天气预报数据，如果获取数值天气预报数据失败则仍然采用物理模型预测功率，如果数值天气预报数据可用，则通过匹配的人工智能算法模型预测功率数据。
3.根据权利要求1所述的多预测模式的风电光伏发电功率预测***，其特征在于：所述预测模式选择模块中，选择某种人工智能算法模型，通过比较各种人工智能算法模型与实际功率的均方误差来决定的，具体过程为：导入一个月内的预测结果数据和相对应实时输入的功率数据，计算各人工智能算法模型的均方误差，比较各均方误差，最小均方误差的相对应的人工智能算法模型为匹配的人工智能算法模型，均方误差Erms的计算方法为：
其中Erms为均方误差；PMi为i时刻的实际功率；
PPi为i时刻的预测功率；Cap为风电场的开机总容量；n为样本个数。
4.根据权利要求1所述的多预测模式的风电光伏发电功率预测***，其特征在于：预测算法模块中，所述物理模型通过风机厂家提供的风机曲线、NWP预测的风速和风机数量通过风机曲线映射关系计算后得到风功率，同时通过光伏太阳板曲线、预测的辐照量、光伏板数量计算出光伏发电总功率，如果无法接收预测的气象数据则综合上一个时刻的功率数据和前三天该时刻的历史功率数据，通过求平均值的方法计算出预测功率数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310752280.7A CN103699944A (zh) | 2013-12-31 | 2013-12-31 | 一种多预测模式的风电光伏发电功率预测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310752280.7A CN103699944A (zh) | 2013-12-31 | 2013-12-31 | 一种多预测模式的风电光伏发电功率预测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103699944A true CN103699944A (zh) | 2014-04-02 |
Family
ID=50361466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310752280.7A Pending CN103699944A (zh) | 2013-12-31 | 2013-12-31 | 一种多预测模式的风电光伏发电功率预测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103699944A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104050517A (zh) * | 2014-06-27 | 2014-09-17 | 哈尔滨工业大学 | 基于grnn神经网络的光伏发电预测方法 |
| CN104156777A (zh) * | 2014-05-08 | 2014-11-19 | 南方电网科学研究院有限责任公司 | 一种基于城市天气预报的低成本光伏发电功率预测方法 |
| CN104376389A (zh) * | 2014-12-10 | 2015-02-25 | 国电南京自动化股份有限公司 | 基于负载均衡的主从式微电网功率负荷预测***及其方法 |
| CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测***及方法 |
| CN105184399A (zh) * | 2015-08-27 | 2015-12-23 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
| CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏***全生命周期的输出功率分类预测*** |
| CN105354620A (zh) * | 2014-08-19 | 2016-02-24 | 中国科学院上海高等研究院 | 一种风机发电功率的预测方法 |
| CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
| CN107133702A (zh) * | 2017-05-18 | 2017-09-05 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
| CN108256693A (zh) * | 2018-02-11 | 2018-07-06 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及*** |
| CN108616139A (zh) * | 2016-12-12 | 2018-10-02 | 中国电力科学研究院 | 一种风电功率集群预测方法和装置 |
| CN110490403A (zh) * | 2019-05-31 | 2019-11-22 | 国网青海省电力公司 | 一种基于改进神经网络构建光伏电站的光资源评估方法 |
| CN110598956A (zh) * | 2019-09-29 | 2019-12-20 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
| CN110598898A (zh) * | 2019-07-30 | 2019-12-20 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、***以及存储介质 |
| CN110659776A (zh) * | 2019-09-25 | 2020-01-07 | 南京国电南自维美德自动化有限公司 | 具有自适应时间尺度的新能源发电功率预测方法及*** |
| CN111915053A (zh) * | 2020-06-03 | 2020-11-10 | 北京奥德威特电力科技股份有限公司 | 一种基于云边协同计算的新能源电站功率预测*** |
| CN112836883A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种自适应的两级电网缺陷物资预测方法 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
| CN113837466A (zh) * | 2021-09-23 | 2021-12-24 | 北京东润环能科技股份有限公司 | 一种基于多气象源的本地化智能发电功率预测*** |
| CN114118641A (zh) * | 2022-01-29 | 2022-03-01 | 华控清交信息科技(北京)有限公司 | 风电场功率预测方法、gbdt模型纵向训练方法及装置 |
-
2013
- 2013-12-31 CN CN201310752280.7A patent/CN103699944A/zh active Pending
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156777A (zh) * | 2014-05-08 | 2014-11-19 | 南方电网科学研究院有限责任公司 | 一种基于城市天气预报的低成本光伏发电功率预测方法 |
| CN104156777B (zh) * | 2014-05-08 | 2017-02-15 | 南方电网科学研究院有限责任公司 | 一种基于城市天气预报的低成本光伏发电功率预测方法 |
| CN104050517A (zh) * | 2014-06-27 | 2014-09-17 | 哈尔滨工业大学 | 基于grnn神经网络的光伏发电预测方法 |
| CN105354620A (zh) * | 2014-08-19 | 2016-02-24 | 中国科学院上海高等研究院 | 一种风机发电功率的预测方法 |
| CN104376389B (zh) * | 2014-12-10 | 2017-09-15 | 国电南京自动化股份有限公司 | 基于负载均衡的主从式微电网功率负荷预测***及其方法 |
| CN104376389A (zh) * | 2014-12-10 | 2015-02-25 | 国电南京自动化股份有限公司 | 基于负载均衡的主从式微电网功率负荷预测***及其方法 |
| CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测***及方法 |
| CN105184399A (zh) * | 2015-08-27 | 2015-12-23 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
| CN105184399B (zh) * | 2015-08-27 | 2018-12-04 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
| CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏***全生命周期的输出功率分类预测*** |
| WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏***全生命周期的输出功率分类预测*** |
| CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏***全生命周期的输出功率分类预测*** |
| CN108616139A (zh) * | 2016-12-12 | 2018-10-02 | 中国电力科学研究院 | 一种风电功率集群预测方法和装置 |
| CN108616139B (zh) * | 2016-12-12 | 2023-05-23 | 中国电力科学研究院 | 一种风电功率集群预测方法和装置 |
| CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
| CN106875033B (zh) * | 2016-12-26 | 2020-06-02 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
| CN107133702A (zh) * | 2017-05-18 | 2017-09-05 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
| CN107133702B (zh) * | 2017-05-18 | 2020-11-13 | 北京唐浩电力工程技术研究有限公司 | 一种风电场全场功率预测方法 |
| CN108256693A (zh) * | 2018-02-11 | 2018-07-06 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及*** |
| CN108256693B (zh) * | 2018-02-11 | 2024-02-13 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及*** |
| CN110490403A (zh) * | 2019-05-31 | 2019-11-22 | 国网青海省电力公司 | 一种基于改进神经网络构建光伏电站的光资源评估方法 |
| CN110598898B (zh) * | 2019-07-30 | 2022-07-05 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、***以及存储介质 |
| CN110598898A (zh) * | 2019-07-30 | 2019-12-20 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、***以及存储介质 |
| CN110659776A (zh) * | 2019-09-25 | 2020-01-07 | 南京国电南自维美德自动化有限公司 | 具有自适应时间尺度的新能源发电功率预测方法及*** |
| CN110598956B (zh) * | 2019-09-29 | 2022-02-18 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
| CN110598956A (zh) * | 2019-09-29 | 2019-12-20 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
| CN111915053A (zh) * | 2020-06-03 | 2020-11-10 | 北京奥德威特电力科技股份有限公司 | 一种基于云边协同计算的新能源电站功率预测*** |
| CN111915053B (zh) * | 2020-06-03 | 2023-11-07 | 北京奥德威特电力科技股份有限公司 | 一种基于云边协同计算的新能源电站功率预测*** |
| CN112836883A (zh) * | 2021-02-08 | 2021-05-25 | 贵州电网有限责任公司 | 一种自适应的两级电网缺陷物资预测方法 |
| CN112861438A (zh) * | 2021-02-22 | 2021-05-28 | 中国石油化工股份有限公司石油工程技术研究院 | 一种理论模型与数据融合的钻井机械钻速预测方法 |
| CN113837466A (zh) * | 2021-09-23 | 2021-12-24 | 北京东润环能科技股份有限公司 | 一种基于多气象源的本地化智能发电功率预测*** |
| CN114118641A (zh) * | 2022-01-29 | 2022-03-01 | 华控清交信息科技(北京)有限公司 | 风电场功率预测方法、gbdt模型纵向训练方法及装置 |
| CN114118641B (zh) * | 2022-01-29 | 2022-04-19 | 华控清交信息科技(北京)有限公司 | 风电场功率预测方法、gbdt模型纵向训练方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103699944A (zh) | 一种多预测模式的风电光伏发电功率预测*** | |
| Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
| Zhang et al. | A review of urban energy systems at building cluster level incorporating renewable-energy-source (RES) envelope solutions | |
| Yu et al. | An LSTM short-term solar irradiance forecasting under complicated weather conditions | |
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Abou Houran et al. | COA-CNN-LSTM: Coati optimization algorithm-based hybrid deep learning model for PV/wind power forecasting in smart grid applications | |
| Sawle et al. | PV-wind hybrid system: A review with case study | |
| Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN103733210B (zh) | 用于对技术***进行计算机辅助的建模的方法 | |
| Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
| CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测***及其方法 | |
| Okundamiya | Modelling and optimization of a hybrid energy system for GSM base transceiver station sites in emerging cities | |
| Okinda et al. | Modeling, simulation and optimal sizing of a hybrid wind, solar PV power system in Northern Kenya | |
| Shah et al. | A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach | |
| Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
| CN116306006A (zh) | 风光水联合发电的优化调度方法、装置和计算机设备 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| Javaid et al. | Sustainable urban energy solutions: Forecasting energy production for hybrid solar-wind systems | |
| Deng et al. | A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas | |
| CN105844350A (zh) | 一种基于协方差优选组合模型的短期风功率预测*** | |
| Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
| Elena et al. | Multi-agent system for smart grids with produced energy from photovoltaic energy sources |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140402 |