CN106485603A - 一种应用于风力发电的短期风速预测方法 - Google Patents

一种应用于风力发电的短期风速预测方法 Download PDF

Info

Publication number
CN106485603A
CN106485603A CN201610921191.4A CN201610921191A CN106485603A CN 106485603 A CN106485603 A CN 106485603A CN 201610921191 A CN201610921191 A CN 201610921191A CN 106485603 A CN106485603 A CN 106485603A
Authority
CN
China
Prior art keywords
wind
wind speed
sample data
data
short
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
Application number
CN201610921191.4A
Other languages
English (en)
Inventor
陈洪涛
吴刚
单小东
孟祥辰
陈艳
孙振胜
张海明
李伟
李军
韩显华
李冬梅
黄树春
赵强
李凡
李一凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SONGYUAN POWER SUPPLY COMPANY STATE GRID JILIN ELECTRIC POWER Co Ltd
State Grid Corp of China SGCC
State Grid Heilongjiang Electric Power Co Ltd
Original Assignee
SONGYUAN POWER SUPPLY COMPANY STATE GRID JILIN ELECTRIC POWER Co Ltd
State Grid Corp of China SGCC
State Grid Heilongjiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SONGYUAN POWER SUPPLY COMPANY STATE GRID JILIN ELECTRIC POWER Co Ltd, State Grid Corp of China SGCC, State Grid Heilongjiang Electric Power Co Ltd filed Critical SONGYUAN POWER SUPPLY COMPANY STATE GRID JILIN ELECTRIC POWER Co Ltd
Priority to CN201610921191.4A priority Critical patent/CN106485603A/zh
Publication of CN106485603A publication Critical patent/CN106485603A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

一种应用于风力发电的短期风速预测方法，涉及一种短期风速预测方法。本发明是为了解决目前风电力***的短期风速预测方法的预测精度仍有待于提高的问题。本发明首先采集风向、风速、温度、湿度、压力、风速标准差和风向标准差样本数据，然后对样本数据进行预处理并归一化后构造特征向量并确定预测样本训练集和测试集；最后构造预测函数f(x)并进行短期风速预测。本发明适用于风电场的风速预测。

Description

一种应用于风力发电的短期风速预测方法
技术领域
本发明涉及一种短期风速预测方法。
背景技术
当前，随着全球能源危机的出现，世界各国都开始关注可再生能源的应用。能源的发展应是一种可持续发展的战略，因此在开发并利用常规能源的同时，应更加注重开发并利用对生态有利的可再生能源，如风能、太阳能、潮汐能、水能。风力发电是利用风能的主要形式，由于它的特点是：清洁无污染，施工周期较短，投资灵活，占地面积极少，因此，风力发电具有较好的经济效益和社会效益，已受到世界各国政府的高度重视。
我国幅员辽阔，海岸线较长，风能资源非常丰富。据统计当前我国的资源总量约为40亿千瓦，初步估算风能资源约15亿千瓦左右。但是目前，各风电场调度中心的预测发电量都是凭经验猜测得到，这样的准确率非常低，而电力调度中心根据风力发电机的配置和工作情况进行备用电源的调配，也仅靠风电场的历史数据估算得出。所以，如何可靠准确地根据风力发电输出电量的情况对电网的运行进行合理调配是一个急需解决的问题。如果能够准确预测风电场的风速特别是短期风速，就能够准确的预测风电功率的大小，这将有利于电力调度部门及时调整调度计划，同时可以有效的减轻风电对整个电网的影响。所以，短期风速的准确预测对于电力负荷管理和***运行的作用十分重要。
目前风电力***也有一些基于支持向量机的风速预测方法，但是这些预测方法基本都是针对于风速和时间进行预测的，很少有考虑到其他因素的影响，并且这些预测方法的仅仅是简单的基于核函数上的预测，所以预测精度仍有待于提高。
发明内容
本发明是为了解决目前风电力***的短期风速预测方法的预测精度仍有待于提高的问题。
一种应用于风力发电的短期风速预测方法，包括以下步骤：
步骤1、在风电场的关键位置点设立多个观测点(测风塔)，采集样本数据，包括风向、风速、温度、湿度、压力、风速标准差和风向标准差，每类样本数据记为一个类别的样本数据；所述的风速数据是风电场40m高处的实测风速原始数据；
步骤2、对样本数据进行预处理并归一化；
步骤3、构造特征向量并确定预测样本训练集和测试集；
步骤4、确定核函数及模型参数，构造、求解最优化问题，并构造预测函数f(x)；
步骤5、根据预测样本的测试集检验预测函数f(x)，如果预测函数f(x)能够满足预测要求，将其作为最终的预测函数进行短期风速预测；否则，返回步骤4重新构造预测函数。
优选地，所述的采集样本数据的频率为每1小时采集一次样本数据。
优选地，步骤2所述的对样本数据进行预处理包括以下步骤：
步骤2.1、检测多个观测点采集的样本数据，如果某个观测点的某个采样时刻的样本数据中某个数据发生缺失，利用该观测点该采样时刻对应的前后采样时刻的样本数据，采用线性插值法对所述的缺失数据进行描述；
步骤2.2、针对个多个观测点的某个采样时刻的一类样本数据进行拟合，得到某个采样时刻的一类样本数据的拟合值；
步骤2.3、针对某个采样时刻的每一类样本数据的拟合值进行归一化，计算公式如下：
Y＝(X-Xmin)/(Xmax-Xmin)
其中，X表示某个采样时刻的某类样本数据的拟合值，Xmin为与X同类别样本数据对应采样时刻的样本数据中的最小值，Xmax与X同类别样本数据对应采样时刻的样本数据中的最大值，Y为与X同类别样本数据对应采样时刻的归一化值。
优选地，步骤3所述的构造特征向量并确定预测样本训练集和测试集的过程包括以下步骤：
利用预处理并归一化后的风向、风速、温度、湿度、压力、风速标准差和风向标准差构造特征向量G＝[风向，风速，温度，湿度，压力，风速标准差，风向标准差]T；针对不同采样时刻的特征向量，将前65％的特征向量数据作为预测样本的训练集，将后35％的特征向量数据作为预测样本的测试集。
首先采用grid-search法对常用的核函数进行对比试验，用k-折交叉验证法来检验核函数的各个参数；grid-search原理是把规划问题在一定范围内划分网线，每一个交点就是一个对应的规划方案，在设定的区间内以固定步长逐点计算对应方案的性能指标，不需受目标函数必须可导的限制，并可避免因目标函数存在多个极值而陷入局部最优；对于回归支持向量机模型中的惩罚系数C、不敏感系数ε以及核宽度系数σ三个参数的选择视为一个规划问题，而每种参数组合为其相应的规划方案；通过预测样本的训练集进行训练，将结果进行比较从中选取较好的核函数K(x,x′)作为实际应用的核函数，其中x为自变量，x′是相应核函数的中心；同时根据预测结果来选择最佳的模型参数(C,ε,σ)；然后构造并求解最优化问题，得到最优解，这样就从训练集中选出了支持向量；根据最优解构造预测函数f(x)。
本发明具有以下效果：
相对于以往的风速预测方法，本发明选取了更多与风速相关的因素进行风速预测，这样能够保证风速的预测与温度、湿度、压力等多个因素相关联进行预测，准确率更高。同时本发明用k-折交叉验证法来检验核函数的各个参数，把规划问题在一定范围内划分网线，每一个交点就是一个对应的规划方案，在设定的区间内以固定步长逐点计算对应方案的性能指标，不需受目标函数必须可导的限制，并可避免因目标函数存在多个极值而陷入局部最优。相比现有的短期风速预测，本发明的准确率能够提高5％以上。
附图说明
图1为本发明的流程图。
具体实施方式
具体实施方式一：
步骤1、在风电场的关键位置点设立多个观测点(测风塔)，采集样本数据，包括风向、风速、温度、湿度、压力、风速标准差和风向标准差，每类样本数据记为一个类别的样本数据；所述的风速数据是风电场40m高处的实测风速原始数据；
步骤2、对样本数据进行预处理并归一化；
步骤3、构造特征向量并确定预测样本训练集和测试集；
步骤4、确定核函数及模型参数，构造、求解最优化问题，并构造预测函数f(x)；
步骤5、根据预测样本的测试集检验预测函数f(x)，如果预测函数f(x)能够满足预测要求，将其作为最终的预测函数进行短期风速预测；否则，返回步骤4重新构造预测函数。
具体实施方式二：
本实施方式所述的采集样本数据的频率为每1小时采集一次样本数据。
其他步骤和参数与具体实施方式一相同。
具体实施方式三：
本实施方式步骤2所述的对样本数据进行预处理包括以下步骤：
步骤2.1、检测多个观测点采集的样本数据，如果某个观测点的某个采样时刻的样本数据中某个数据发生缺失，利用该观测点该采样时刻对应的前后采样时刻的样本数据，采用线性插值法对所述的缺失数据进行描述；
步骤2.2、针对个多个观测点的某个采样时刻的一类样本数据进行拟合，得到某个采样时刻的一类样本数据的拟合值；
步骤2.3、针对某个采样时刻的每一类样本数据的拟合值进行归一化，计算公式如下：
Y＝(X-Xmin)/(Xmax-Xmin)
其中，X表示某个采样时刻的某类样本数据的拟合值，Xmin为与X同类别样本数据对应采样时刻的样本数据中的最小值，Xmax与X同类别样本数据对应采样时刻的样本数据中的最大值，Y为与X同类别样本数据对应采样时刻的归一化值。
其他步骤和参数与具体实施方式一或二相同。
具体实施方式四：
本实施方式步骤3所述的构造特征向量并确定预测样本训练集和测试集的过程包括以下步骤：
利用预处理并归一化后的风向、风速、温度、湿度、压力、风速标准差和风向标准差构造特征向量G＝[风向，风速，温度，湿度，压力，风速标准差，风向标准差]T；针对不同采样时刻的特征向量，将前65％的特征向量数据作为预测样本的训练集，将后35％的特征向量数据作为预测样本的测试集。
其他步骤和参数与具体实施方式一至三之一相同。
具体实施方式五：
本实施方式步骤4所述的构造预测函数f(x)的过程包括以下步骤：
首先采用grid-search法对常用的核函数进行对比试验，用k-折交叉验证法来检验核函数的各个参数；grid-search原理是把规划问题在一定范围内划分网线，每一个交点就是一个对应的规划方案，在设定的区间内以固定步长逐点计算对应方案的性能指标，不需受目标函数必须可导的限制，并可避免因目标函数存在多个极值而陷入局部最优；对于回归支持向量机模型中的惩罚系数C、不敏感系数ε以及核宽度系数σ三个参数的选择视为一个规划问题，而每种参数组合为其相应的规划方案；通过预测样本的训练集进行训练，将结果进行比较从中选取较好的核函数K(x,x′)作为实际应用的核函数，其中x为自变量，x′是相应核函数的中心；同时根据预测结果来选择最佳的模型参数(C,ε,σ)；然后构造并求解最优化问题，得到最优解，这样就从训练集中选出了支持向量；根据最优解构造预测函数f(x)。
其他步骤和参数与具体实施方式一至四之一相同。

Claims (5)

1.一种应用于风力发电的短期风速预测方法，其特征在于，包括以下步骤：
步骤1、在风电场设立多个观测点，采集样本数据，包括风向、风速、温度、湿度、压力、风速标准差和风向标准差，每类样本数据记为一个类别的样本数据；所述的风速数据是风电场40m高处的实测风速原始数据；
步骤2、对样本数据进行预处理并归一化；
步骤3、构造特征向量并确定预测样本训练集和测试集；
步骤4、确定核函数及模型参数，构造、求解最优化问题，并构造预测函数f(x)；
步骤5、根据预测样本的测试集检验预测函数f(x)，如果预测函数f(x)能够满足预测要求，将其作为最终的预测函数进行短期风速预测；否则，返回步骤4重新构造预测函数。
2.根据权利要求1所述的一种应用于风力发电的短期风速预测方法，其特征在于，所述的采集样本数据的频率为每1小时采集一次样本数据。
3.根据权利要求1或2所述的一种应用于风力发电的短期风速预测方法，其特征在于，步骤2所述的对样本数据进行预处理包括以下步骤：
步骤2.1、检测多个观测点采集的样本数据，如果某个观测点的某个采样时刻的样本数据中某个数据发生缺失，利用该观测点该采样时刻对应的前后采样时刻的样本数据，采用线性插值法对所述的缺失数据进行描述；
步骤2.2、针对个多个观测点的某个采样时刻的一类样本数据进行拟合，得到某个采样时刻的一类样本数据的拟合值；
步骤2.3、针对某个采样时刻的每一类样本数据的拟合值进行归一化，计算公式如下：
Y＝(X-Xmin)/(Xmax-Xmin)
其中，X表示某个采样时刻的某类样本数据的拟合值，Xmin为与X同类别样本数据对应采样时刻的样本数据中的最小值，Xmax与X同类别样本数据对应采样时刻的样本数据中的最大值，Y为与X同类别样本数据对应采样时刻的归一化值。
4.根据权利要求3所述的一种应用于风力发电的短期风速预测方法，其特征在于，步骤3所述的构造特征向量并确定预测样本训练集和测试集的过程包括以下步骤：
利用预处理并归一化后的风向、风速、温度、湿度、压力、风速标准差和风向标准差构造特征向量G＝[风向，风速，温度，湿度，压力，风速标准差，风向标准差]T；针对不同采样时刻的特征向量，将前65％的特征向量数据作为预测样本的训练集，将后35％的特征向量数据作为预测样本的测试集。
5.根据权利要求4所述的一种应用于风力发电的短期风速预测方法，其特征在于，步骤4所述的构造预测函数f(x)的过程包括以下步骤：
首先采用grid-search法对核函数进行对比试验，用k-折交叉验证法来检验核函数的各个参数；对于回归支持向量机模型中的惩罚系数C、不敏感系数ε以及核宽度系数σ三个参数的选择视为一个规划问题，而每种参数组合为其相应的规划方案；通过预测样本的训练集进行训练，将结果进行比较从中选取核函数K(x,x′)作为实际应用的核函数，其中x为自变量，x′是相应核函数的中心；同时根据预测结果来选择最佳的模型参数(C,ε,σ)；然后构造并求解最优化问题，得到最优解，这样就从训练集中选出了支持向量；根据最优解构造预测函数f(x)。
CN201610921191.4A 2016-10-21 2016-10-21 一种应用于风力发电的短期风速预测方法 Pending CN106485603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610921191.4A CN106485603A (zh) 2016-10-21 2016-10-21 一种应用于风力发电的短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610921191.4A CN106485603A (zh) 2016-10-21 2016-10-21 一种应用于风力发电的短期风速预测方法

Publications (1)

Publication Number Publication Date
CN106485603A true CN106485603A (zh) 2017-03-08

Family

ID=58271072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610921191.4A Pending CN106485603A (zh) 2016-10-21 2016-10-21 一种应用于风力发电的短期风速预测方法

Country Status (1)

Country Link
CN (1) CN106485603A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665379A (zh) * 2017-09-28 2018-02-06 南京工程学院 一种基于气象特征的风电场风速超短期预测方法
CN107844872A (zh) * 2017-12-19 2018-03-27 上海电机学院 一种用于风力发电的短期风速预报方法
CN108062595A (zh) * 2017-11-28 2018-05-22 重庆大学 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法
CN110210660A (zh) * 2019-05-27 2019-09-06 河海大学 一种超短期风速预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665379A (zh) * 2017-09-28 2018-02-06 南京工程学院 一种基于气象特征的风电场风速超短期预测方法
CN108062595A (zh) * 2017-11-28 2018-05-22 重庆大学 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法
CN108062595B (zh) * 2017-11-28 2021-09-28 重庆大学 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法
CN107844872A (zh) * 2017-12-19 2018-03-27 上海电机学院 一种用于风力发电的短期风速预报方法
CN110210660A (zh) * 2019-05-27 2019-09-06 河海大学 一种超短期风速预测方法
CN110210660B (zh) * 2019-05-27 2022-07-22 河海大学 一种超短期风速预测方法

Similar Documents

Publication Publication Date Title
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
CN105356492B (zh) 一种适用于微电网的能量管理仿真***及方法
CN104836259B (zh) 一种多能源船舶微网实时能量优化调度方法
CN104779611B (zh) 基于集中式和分布式双层优化策略的微电网经济调度方法
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN102419394B (zh) 一种预测分辨率可变的风光功率预测方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN105046374A (zh) 一种基于核极限学习机模型的功率区间预测方法
CN102609791A (zh) 基于云平台的规模化集中式远程风电功率预测中心
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN106485603A (zh) 一种应用于风力发电的短期风速预测方法
CN106451541B (zh) 一种孤岛型微电网的能量控制方法及控制***
CN102738792B (zh) 一种风电功率预测方法
CN103219725A (zh) 一种基于实时运行数据的风电场等值建模方法
CN106548253A (zh) 基于非参数核密度估计的风电功率预测的方法
CN106529706A (zh) 一种基于支持向量机回归的风电场风速预测方法
CN103955521A (zh) 一种风电场机群划分方法
CN107528344A (zh) 一种光储一体化发电装置并网运行控制方法及***
CN106611243A (zh) 一种基于garch模型的风速预测残差修正方法
Chang Comparison of three short term wind power forecasting methods
CN104978605A (zh) 基于深度学习网络的大规模风电功率预测***及方法
CN108460228B (zh) 一种基于多目标优化算法进行风电场等值的方法
CN103473607B (zh) 按轨迹特征优化和匹配外推模型的风电超短期预测方法
CN102750542A (zh) 一种插值修匀优化的支持向量回归机风速组合预测方法
CN105528517B (zh) 基于神经网络、小波分解光伏电站功率预测方法、***

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170308