CN106875033A - 一种基于动态自适应的风电集群功率预测方法 - Google Patents
一种基于动态自适应的风电集群功率预测方法 Download PDFInfo
- Publication number
- CN106875033A CN106875033A CN201611215714.XA CN201611215714A CN106875033A CN 106875033 A CN106875033 A CN 106875033A CN 201611215714 A CN201611215714 A CN 201611215714A CN 106875033 A CN106875033 A CN 106875033A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- cluster
- electricity generation
- powered electricity
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 56
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 13
- 241001123248 Arma Species 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000205 computational method Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 3
- 208000006011 Stroke Diseases 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000714 time series forecasting Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
发明提供一种基于动态自适应的风电集群功率预测方法,按以下步骤进行:步骤1:收集历史数据,对风电集群进行划分;步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;步骤3:根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型;步骤4:收集实时数值天气预报NWP数据和实时功率测量数据;步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。本发明针对不同工况的风电集群选取最佳的预测模型,提升预测精度。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种基于动态自适应的风电集群功率预测方法,适用于大规模风电集群的功率预测。
背景技术
近年来,随着全球能源问题日益严峻,发展可再生能源发电,尤其是风力发电愈发重要。然而风能具有固有的波动性、不稳定性和间歇性,使得风电的出力随着风速的变化而波动。如果能正确预测风电未来时刻的出力,将对电网的安全稳定运行都会带来积极的影响。通过预测未来时刻的风电发电量,电网侧可以提前调整调度计划从而避免电能不稳定、缺供等问题。在风电场侧可以提前得到风电场某天的出力值从而科学安排设备检修与故障维护。
国内外的风电功率预测***大多针对单个风电场,采用的方法有物理法、时间序列法、人工智能法等。但是单个风电场的功率预测并不能满足电网调度的需求。对电网调度而言,多个风电场形成的风电集群总体功率的波动意义更为重要。国内外的风电集群功率预测***主要采用叠加法和统计升尺度法。叠加法将单个风电场的功率预测结果累加,形成风电集群的总体功率。统计升尺度法先选择基准风电场,并预测基准风电场的功率,再通过基准风电场的功率预测结果升尺度,得到风电集群的功率。这些方法对集群的功率预测具有一定的效果,但是存在模型训练时间长、精度不高的问题。
发明内容
本发明为了克服现有技术的不足,提升风电集群的功率预测精度,提供一种基于动态自适应的风电集群功率预测方法,针对不同工况的风电集群选取最佳的预测模型,提升预测精度。
本发明采取的技术方案如下:
一种基于动态自适应的风电集群功率预测方法,其特征在于按以下步骤进行:
步骤1:收集风电场历史数据,根据当地的地理位置和电网拓扑结构对风电集群进行划分;
步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;
步骤3:根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型;
步骤4:收集实时数值天气预报NWP数据和实时功率测量数据;
步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。
所述步骤1具体包括以下步骤:
步骤1-1:收集风电场历史天气预报数据,历史天气预报数据含有风速、风向、温度、湿度和气压参数;
步骤1-2:收集风电场地理位置数据,以地理位置临近原则对风电集群进行划分;
步骤1-3:收集各风电场历史功率数据。
所述步骤2具体包括以下步骤:
步骤2-1:建立时间序列预测模型:用自回归滑动平均模型ARMA作为时间序列预测模型,利用历史风电集群的功率数据对ARMA模型进行参数辨识,形成上下游效应预测模型;即
其中xt代表要预测时刻t的功率,xt-j代表t-j时刻的实测功率;εt-k为t-k时刻的预测误差,m、n分别为ARMA模型阶数,θk以及ARMA模型阶数m、n通过长自回归法得到;为自回归模型系数,θk为移动平均模型系数;
步骤2-2:建立数值天气预报预测模型:该预测模型以BP神经网络为基础,以该集群内部所有NWP预报点的风速、风向以及集群预测前12小时功率为输入参数,集群的实际功率为输出参数进行训练;训练过程中,BP神经网络隐含层节点数通过遍历优化得到;
步骤2-3:建立空间资源匹配预测模型:该预测模型的计算方法为公式(2)所示;
其中,为h小时后的风电集群功率预测值;L代表通过计算权重系数,一共找到L个匹配集合与待预测的t+h时刻的权重系数最高;pi为匹配集合中的风电集群功率的测量值;ωi,t+h为权重系数,权重系数值越大,代表该集合所占的权重值越大;公式(2)中L的确定,与权重系数ωi,t+h的计算方法有关;对风电集群的预测而言,权重系数的本质是计算两个集群之间空间资源参数的距离;该距离di,t+h的计算公式(3)所示;
公式(3)中的M代表代表集群中风电场的个数;ηk为某空间资源参数对于整体计量重要程度的权重系数,例如风速为风电功率预测最重要的参数,权重系数可以设置为最高,容量大的风电场对应的权重系数应比容量小的风电场权重系数高;vk,t+h为待预测时刻的某一个空间资源参数,vk,i为历史匹配对象的某一个空间资源参数;式中β为功率距离所占的权重系数,Pi,Pt+h-1代表i时刻和t+h-1时刻的功率测量值;根据公式(3)计算出的距离,画出的历史功率和空间资源距离散点图的一个例子;对于历史功率和空间资源距离散点图而言,需设置一个门槛值δs;小于δs的匹配集合对应的历史功率将用于实时功率的预测,而大于δs的集合则视为与待预测功率无关,因此可以将其排除。门槛值δs的计算如公式(4)所示,其中dmin为最小距离值;dmed为距离散点分布图的中位数;pr为从dmin和dmed区间内截取靠近dmin的数据的百分比;
δs=dmin+pr·(dmed-dmin) (4)
对模型计算公式(2)而言,匹配集合确定之后,需要进一步确定每个集合的权重系数ωi,t+h,其计算如公式(5)所示,其中为距离权重系数,为时间权重系数;
距离权重系数计算如公式(6)所示,其中di,t+h为公式(3)计算得到的距离,μ为距离分布散点图中的中位数,α为待定系数,将在训练中进行优化选择。
时间权重系数反映了时间因素在风电功率预测中的显著作用,越接近当前预测时间点的历史数据其作用越重要,时间权重系数τi为时间距离,τi=t+h-i,λ为时间因子,0<λ<1需在训练过程中进行优化选择。对于不同的预测时间尺度,模型对应着不同的最优参数。
所述步骤4具体包括以下步骤:
步骤4-1:收集SCADA***里面实时功率出力数据;
步骤4-2:收集数值天气预报中心的实时NWP数据。
所述步骤5具体包括以下内容:
根据步骤3选择训练误差最小的预测模型,将步骤4中的数据代入所选择的预测模型中,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。
三种预测模型的预测过程有所不同,下面分三种情况展开论述:
若选择上下游效应预测模型,将步骤4-1中的功率数据代入公式(1)得到12小时的风电集群预测结果。
若选择天气预报预测模型,首先用公式(7)进行NWP数据修正。
yt=x0,t+x1,tvt+x2,tvt 2+x3,tvt 3+qt (7)
其中vt是NWP模型在t时刻的风速输出,yt是t时刻的风速预测误差。xi,t(i=0,1,2,3)是采用卡尔曼滤波器估计的系数。然后将步骤4得到的功率数据和修正后的天气预报数据代入BP神经网络模型得到第1小时预测结果。第2小时的输入参数中需要将第1小时的预测功率代入,依次类推。
若选择空间资源匹配预测模型,将NWP数据和预测前一小时功率数据代入公式(2)-(6)进行预测。值得注意的是,在预测的前4个小时,输入参数中含有预测点前一小时的功率,在预测的后几个小时输入参数中不含前一小时的功率。在预测的前4个小时,输入参数的迭代。
与现有技术相比,本发明达到的有益效果是:
本发明可实现基于动态自适应技术的风电集群功率预测,进一步提高功率预测精度。具体如下:
(1)本发明根据训练阶段的预测误差选择最佳的预测模型类型,避免因为随机选择预测模型而导致的精度不高。
(2)本发明提出了一种有效的空间资源匹配模型,该模型建模简单,计算复杂度低,精度高,实用性强。
(3)本发明提出的空间资源匹配预测模型,在预测的前四个小时输入参数中含有预测点前一时刻的测量功率,在预测的后8个小时输入参数中不含前一时刻的测量功率,提高了前4个小时的预测精度,但又不影响4个小时之后的预测精度。
附图说明
图1是本发明提供的样本距离数据;
图2是BP神经网络输入参数的迭代过程图;
图3是风电集群功率空间资源匹配法输入参数的迭代过程图。
图4是本发明提供的整体预测流程图。
具体实施方式
下面结合附图,对本发明的预测流程做进一步阐述,以下实例用于说明本发明,但不能用来限制本发明的范围。
如图4所示,一种基于动态自适应的风电集群功率预测方法,其特征在于按以下步骤进行:
步骤1:收集各风电场风速、风向、温度、湿度和气压的历史天气预报数据,收集各风电场地理位置数据,以电网拓扑对风电集群进行划分,收集各风电场历史功率数据;
步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;
具体步骤为:
步骤2-1:建立时间序列预测模型:用自回归滑动平均模型ARMA作为时间序列预测模型,利用历史风电集群的功率数据对ARMA模型进行参数辨识,形成上下游效应预测模型;即
其中xt代表要预测时刻t的功率,xt-j代表t-j时刻的实测功率;εt-k为t-k时刻的预测误差,m、n分别为ARMA模型阶数,θk以及ARMA模型阶数m、n通过长自回归法得到;为自回归模型系数,θk为移动平均模型系数;
步骤2-2:建立数值天气预报预测模型:该预测模型以BP神经网络为基础,以该集群内部所有NWP预报点的风速、风向以及集群预测前12小时功率为输入参数,集群的实际功率为输出参数进行训练;训练过程中,BP神经网络隐含层节点数通过遍历优化得到;
步骤2-3:建立空间资源匹配预测模型:该预测模型的计算方法如公式(2)所示;
其中,为h小时后的风电集群功率预测值;L代表通过计算权重系数,一共找到L个匹配集合与待预测的t+h时刻的权重系数最高;pi为匹配集合中的风电集群功率的测量值;ωi,t+h为权重系数,权重系数值越大,代表该集合所占的权重值越大;公式(2)中L的确定,与权重系数ωi,t+h的计算方法有关;对风电集群的预测而言,权重系数的本质是计算两个集群之间空间资源参数的距离;该距离di,t+h的计算如公式(3)所示;
公式(3)中的M代表集群中风电场的个数;ηk为某空间资源参数对于整体计量重要程度的权重系数,例如风速为风电功率预测最重要的参数,其权重系数可以设置为最高,容量大的风电场对应的权重系数应比容量小的风电场权重系数高;vk,t+h为待预测时刻的某一个空间资源参数,vk,i为历史匹配对象的某一个空间资源参数;式中β为功率距离所占的权重系数,Pi,Pt+h-1代表i时刻和t+h-1时刻的功率测量值;根据公式(3)计算出的距离,画出的历史功率和空间资源距离散点图的一个例子,如附图2所示。对该图而言,需设置一个门槛值δs。小于δs的匹配集合对应的历史功率将用于实时功率的预测,而大于δs的集合则视为与待预测功率无关,因此可以将其排除。附图1中虚线即为门槛值,实线的方框即为选中的集合。门槛值δs的计算如公式(4)所示,其中dmin为最小距离值;dmed为距离散点分布图的中位数;pr为从dmin和dmed区间内截取靠近dmin的数据的百分比。
δs=dmin+pr·(dmed-dmin) (4)
对模型计算公式(2)而言,匹配集合确定之后,需要进一步确定每个集合的权重系数ωi,t+h,其计算公式(5)所示,其中为距离权重系数,为时间权重系数;
距离权重系数计算如公式(6)所示,其中di,t+h为公式(3)计算得到的距离,μ为距离分布散点图中的中位数,α为待定系数,将在训练中进行优化选择;
时间权重系数反映了时间因素在风电功率预测中的显著作用,越接近当前预测时间点的历史数据其作用越重要;时间权重系数τi为时间距离,τi=t+h-i,λ为时间因子,0<λ<1,需在训练过程中进行优化选择。对于不同的预测时间尺度,模型对应着不同的最优参数。
步骤3:根据三种模型的训练误差评价结果选择训练误差最小的预测模型;
步骤4:收集SCADA***里面实时功率出力数据和数值天气预报中心的实时NWP数据。
步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果;具体为:根据步骤3选择训练误差最小的预测模型,将步骤4中的数据代入所选择的预测模型中,三种预测模型的预测过程有所不同,下面分三种情况展开论述:
若选择上下游效应预测模型,将步骤4中收集SCADA***里面实时功率出力数据的功率数据代入公式(1)得到12小时的风电集群预测结果;
若选择天气预报预测模型,首先用公式(7)进行NWP数据修正;
yt=x0,t+x1,tvt+x2,tvt 2+x3,tvt 3+qt (7)
其中vt是NWP模型在t时刻的风速输出,yt是t时刻的风速预测误差。xi,t(i=0,1,2,3)是采用卡尔曼滤波器估计的系数。然后将步骤4得到的功率数据和修正后的天气预报数据代入BP神经网络模型得到第1小时预测结果。第2小时的输入参数中需要将第1小时的预测功率代入,依次类推。输入参数的详细迭代过程见附图2。
若选择空间资源匹配预测模型,将NWP数据和预测前一小时功率数据代入公式(2)-(6)进行预测。值得注意的是,在预测的前4个小时,输入参数中含有预测点前一小时的功率,在预测的后几个小时输入参数中不含前一小时的功率。在预测的前4个小时,输入参数的迭代过程如附图3所示。
Claims (8)
1.一种基于动态自适应的风电集群功率预测方法,其特征在于按以下步骤进行:
步骤1:收集风电场历史数据,根据当地的地理位置和电网拓扑结构对风电集群进行划分;
步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;
步骤3:根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型;
步骤4:收集实时数值天气预报NWP数据和实时功率测量数据;
步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。
2.根据权利要求1所述的基于动态自适应的风电集群功率预测方法,其特征在于,所述步骤1具体包括以下步骤:
步骤1-1:收集风电场历史天气预报数据,历史天气预报数据含有风速、风向、温度、湿度和气压参数;
步骤1-2:收集风电场地理位置数据,以地理位置临近原则对风电集群进行划分;
步骤1-3:收集各风电场历史功率数据。
3.根据权利要求1所述的基于动态自适应的风电集群功率预测方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2-1:建立时间序列预测模型:采用自回归滑动平均模型ARMA作为时间序列预测模型,利用历史风电集群的功率数据对ARMA模型进行参数辨识,形成上下游效应预测模型;即
其中xt代表要预测时刻t的功率,xt-j代表t-j时刻的实测功率;εt-k为t-k时刻的预测误差,m、n分别为ARMA模型阶数,θk以及ARMA模型阶数m、n通过长自回归法得到;为自回归模型系数,θk为移动平均模型系数;
步骤2-2:建立数值天气预报预测模型:该预测模型以BP神经网络为基础,以该集群内部所有NWP预报点的风速、风向以及集群预测前12个小时功率为输入参数,集群的实际功率为输出参数进行训练;训练过程中,BP神经网络隐含层节点数通过遍历优化得到;
步骤2-3:建立空间资源匹配预测模型:该预测模型的计算方法为公式(2)所示;
其中,为h小时后的风电集群功率预测值;L代表通过计算权重系数,一共找到L个匹配集合与待预测的t+h时刻的权重系数最高;pi为匹配集合中的风电集群功率的测量值;ωi,t+h为权重系数,权重系数值越大,代表该集合所占的权重值越大;公式(2)中L的确定,与权重系数ωi,t+h的计算方法有关;对风电集群的预测而言,权重系数的本质是计算两个集群之间空间资源参数的距离;该距离di,t+h的计算公式(3)所示;
公式(3)中M代表集群中风电场的个数;ηk为某空间资源参数对于整体计量重要程度的权重系数,例如风速为风电功率预测最重要的参数,权重系数设置为最高,容量大的风电场对应的权重系数应比容量小的风电场权重系数高;vk,t+h为待预测时刻的某一个空间资源参数,vk,i为历史匹配对象的某一个空间资源参数;式中β为功率距离所占的权重系数,Pi,Pt+h-1代表i时刻和t+h-1时刻的功率测量值;根据公式(3)计算出的距离,画出的历史功率和空间资源距离散点图的一个例子;对于历史功率和空间资源距离散点图而言,需设置一个门槛值δs;小于δs的匹配集合对应的历史功率将用于实时功率的预测,而大于δs的集合则视为与待预测功率无关并排除;门槛值δs的计算公式(4)所示,其中dmin为最小距离值;dmed为距离散点分布图的中位数;pr为从dmin和dmed区间内截取靠近dmin的数据的百分比;
δs=dmin+pr·(dmed-dmin) (4)
对模型计算公式(2)而言,匹配集合确定之后,需要进一步确定每个集合的权重系数ωi,t+h,其计算公式(5)所示,其中为距离权重系数,为时间权重系数;
距离权重系数计算如公式(6)所示,其中di,t+h为公式(3)计算得到的距离,μ为距离分布散点图中的中位数,α为待定系数,将在训练中进行优化选择;
时间权重系数反映了时间因素在风电功率预测中的显著作用,越接近当前预测时间点的历史数据其作用越重要;时间权重系数τi为时间距离,τi=t+h-i,λ为时间因子,0<λ<1,需在训练过程中进行优化选择;对于不同的预测时间尺度,模型对应着不同的最优参数。
4.根据权利要求1所述的基于动态自适应的风电集群功率预测方法,其特征在于,所述步骤4具体包括以下步骤:
步骤4-1:收集SCADA***里面实时功率出力数据;
步骤4-2:收集数值天气预报中心的实时NWP数据。
5.根据权利要求1所述的基于动态自适应的风电集群功率预测方法,其特征在于,所述步骤5具体为:根据步骤3选择训练误差最小的预测模型,将步骤4中的数据代入所选择的预测模型中,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。
6.根据权利要求5所述的基于动态自适应的风电集群功率预测方法,其特征在于,若选择上下游效应预测模型,将步骤4-1中的功率数据代入公式(1)得到12小时的风电集群预测结果。
7.根据权利要求5所述的基于动态自适应的风电集群功率预测方法,其特征在于,若选择天气预报预测模型,首先用公式(7)进行NWP数据修正。
yt=x0,t+x1,tvt+x2,tvt 2+x3,tvt 3+qt (7)
其中vt是NWP模型在t时刻的风速输出,yt是t时刻的风速预测误差;xi,t(i=0,1,2,3)是采用卡尔曼滤波器估计的系数,然后将步骤4得到的功率数据和修正后的天气预报数据代入BP神经网络模型得到第1小时预测结果;第2小时的输入参数中需要将第1小时的预测功率代入,依次类推。
8.根据权利要求5所述的基于动态自适应的风电集群功率预测方法,其特征在于,若选择空间资源匹配预测模型,将NWP数据和预测前一小时的功率数据代入公式(2)-(6)进行预测;值得注意的是,在预测的前4个小时,输入参数中含有预测点前一小时的功率,在预测的后几个小时输入参数中不含前一小时的功率,在预测的前4个小时,输入参数的迭代过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611215714.XA CN106875033B (zh) | 2016-12-26 | 2016-12-26 | 一种基于动态自适应的风电集群功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611215714.XA CN106875033B (zh) | 2016-12-26 | 2016-12-26 | 一种基于动态自适应的风电集群功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875033A true CN106875033A (zh) | 2017-06-20 |
CN106875033B CN106875033B (zh) | 2020-06-02 |
Family
ID=59164185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611215714.XA Active CN106875033B (zh) | 2016-12-26 | 2016-12-26 | 一种基于动态自适应的风电集群功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875033B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN108428019A (zh) * | 2018-05-15 | 2018-08-21 | 阳光电源股份有限公司 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
CN109934374A (zh) * | 2017-12-18 | 2019-06-25 | 斗山重工业建设有限公司 | 耗电量预测***及其方法 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及*** |
CN111191815A (zh) * | 2019-11-25 | 2020-05-22 | 清华大学 | 一种用于风电集群的超短期出力预测方法及*** |
CN111222738A (zh) * | 2019-10-18 | 2020-06-02 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
CN111323847A (zh) * | 2018-12-13 | 2020-06-23 | 北京金风慧能技术有限公司 | 用于为模拟集成算法确定权重比的方法和设备 |
CN112633632A (zh) * | 2020-11-26 | 2021-04-09 | 华中科技大学 | 一种基于信号分解技术的集成短期风电集群功率预测方法 |
CN112906928A (zh) * | 2019-12-03 | 2021-06-04 | 国网山西省电力公司电力科学研究院 | 一种风电场集群有功功率预测方法及*** |
CN112990533A (zh) * | 2021-01-19 | 2021-06-18 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
WO2022057427A1 (zh) * | 2020-09-15 | 2022-03-24 | 华为技术有限公司 | 功率预测的方法、装置及设备 |
WO2023093774A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的风电集群功率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测*** |
WO2015159356A1 (ja) * | 2014-04-15 | 2015-10-22 | 株式会社日立製作所 | 電力制御システムおよび電力制御方法 |
CN106251242A (zh) * | 2016-08-08 | 2016-12-21 | 东南大学 | 一种风电出力区间组合预测方法 |
-
2016
- 2016-12-26 CN CN201611215714.XA patent/CN106875033B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测*** |
WO2015159356A1 (ja) * | 2014-04-15 | 2015-10-22 | 株式会社日立製作所 | 電力制御システムおよび電力制御方法 |
CN106251242A (zh) * | 2016-08-08 | 2016-12-21 | 东南大学 | 一种风电出力区间组合预测方法 |
Non-Patent Citations (1)
Title |
---|
彭小圣 等: ""风电集群短期及超短期功率预测精度改进方法综述"", 《中国电机工程学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934374A (zh) * | 2017-12-18 | 2019-06-25 | 斗山重工业建设有限公司 | 耗电量预测***及其方法 |
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*** |
CN108428019B (zh) * | 2018-05-15 | 2021-09-03 | 阳光电源股份有限公司 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
CN108428019A (zh) * | 2018-05-15 | 2018-08-21 | 阳光电源股份有限公司 | 组件电池温度计算模型的建立方法及光伏功率预测方法 |
CN111323847A (zh) * | 2018-12-13 | 2020-06-23 | 北京金风慧能技术有限公司 | 用于为模拟集成算法确定权重比的方法和设备 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及*** |
CN111222738A (zh) * | 2019-10-18 | 2020-06-02 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
CN111222738B (zh) * | 2019-10-18 | 2022-04-15 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
CN111191815A (zh) * | 2019-11-25 | 2020-05-22 | 清华大学 | 一种用于风电集群的超短期出力预测方法及*** |
CN111191815B (zh) * | 2019-11-25 | 2022-08-16 | 清华大学 | 一种用于风电集群的超短期出力预测方法及*** |
CN112906928A (zh) * | 2019-12-03 | 2021-06-04 | 国网山西省电力公司电力科学研究院 | 一种风电场集群有功功率预测方法及*** |
CN112906928B (zh) * | 2019-12-03 | 2022-09-16 | 国网山西省电力公司电力科学研究院 | 一种风电场集群有功功率预测方法及*** |
WO2022057427A1 (zh) * | 2020-09-15 | 2022-03-24 | 华为技术有限公司 | 功率预测的方法、装置及设备 |
CN112633632A (zh) * | 2020-11-26 | 2021-04-09 | 华中科技大学 | 一种基于信号分解技术的集成短期风电集群功率预测方法 |
CN112990533A (zh) * | 2021-01-19 | 2021-06-18 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN112990533B (zh) * | 2021-01-19 | 2024-01-05 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
WO2023093774A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的风电集群功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106875033B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
Liu et al. | Wind power plant prediction by using neural networks | |
CN102880810B (zh) | 基于时间序列和神经网络法的风电功率预测方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN107704953A (zh) | Ewt分位数回归森林的短期风电功率概率密度预测方法 | |
CN111353652B (zh) | 一种风电出力短期区间预测方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
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 | |
CN107516145A (zh) | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN102682207A (zh) | 风电场风速超短期组合预测方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
CN106295857A (zh) | 一种风电功率超短期预测方法 | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
Eseye et al. | A double-stage hierarchical ANFIS model for short-term wind power prediction | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN105741192A (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
CN105844350A (zh) | 一种基于协方差优选组合模型的短期风功率预测*** | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |