CN107507097A - 一种风电功率短期预测方法 - Google Patents
一种风电功率短期预测方法 Download PDFInfo
- Publication number
- CN107507097A CN107507097A CN201710532750.7A CN201710532750A CN107507097A CN 107507097 A CN107507097 A CN 107507097A CN 201710532750 A CN201710532750 A CN 201710532750A CN 107507097 A CN107507097 A CN 107507097A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- model
- forecasting
- wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 108700010295 Drosophila for Proteins 0.000 description 1
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 241000255588 Tephritidae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种风电功率短期预测方法，该方法包括如下步骤：(1)获取训练数据集，包括历史风速时序序列和历史天气数据，采用历史风速时序序列进行模型训练得到风速预测模型，同时利用历史风速时序序列和历史天气数据进行模型训练得到风电功率预测模型；(2)获取预测数据集，预测数据集包括待进行风电功率预测期限前的设定时间段的历史风速时序序列以及预测期限内的天气预报数据；(3)将预测数据集中的历史风速时序序列输入至风速预测模型得到预测期限内的预测风速时序序列；(4)将预测风速时序序列和预测数据集中的天气预报数据输入至风电功率预测模型得到预测期限的风电功率预测值。与现有技术相比，本发明预测结果更加精确可信。
Description
技术领域
本发明涉及一种风电功率预测方法，尤其是涉及一种风电功率短期预测方法。
背景技术
风功率预测是评估风电场运行状态的基础，其随机波动特性对电网安全运行带来挑战。为了提高风电场出力的可预见性，保证电力***安全稳定可靠运行，缓解电力***调峰、调频压力，必须提高微网短期功率预测的精度。近年来国内外关于风电功率预测主要基于风电场的历史数据、数值天气预测(Numerical Weather Prediction，NWP)、地理位置和气象环境因素、风速-风功率转化特性，结合物理、统计及组合等预测模型，实现多时间尺度的风电功率预测。
采用物理模型必须依靠成熟的NWP体系，量化分析处理风电场风速、风向、温度、大气湿度和气压等历史气象数据，将其带入功率转曲线求出实际功率，此法具有NWP更新速度的局限性，一般用于风机检修或调试，通常用于风电功率的中短期预测。统计回归和学习理论均基于历史统计数据、实时监测值和输出功率之间的映射关系，具有泛化能力强，无锡考虑风机周边的具象特性等有点，广泛应用于风电功率的短期预测。但统计回归法过于依赖历史数据，不适用于小数据样本的情况，且面对复杂多变的气象环境，模型的适用范围有待提高。统计学习法基于机器学习的思想，弥补了统计法的不足，提高了模型的灵活性。目前研究的重点是风电功率对风速、风向的波动响应，对于风速的研究为今后发展的重点。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电功率短期预测方法。
本发明的目的可以通过以下技术方案来实现：
一种风电功率短期预测方法，该方法包括如下步骤：
(1)获取训练数据集，所述的训练数据集包括历史风速时序序列和历史天气数据，采用历史风速时序序列进行模型训练得到风速预测模型，同时利用历史风速时序序列和历史天气数据进行模型训练得到风电功率预测模型；
(2)获取预测数据集，所述的预测数据集包括待进行风电功率预测期限前的设定时间段的历史风速时序序列以及预测期限内的天气预报数据；
(3)将预测数据集中的历史风速时序序列输入至风速预测模型得到预测期限内的预测风速时序序列；
(4)将预测风速时序序列和预测数据集中的天气预报数据输入至风电功率预测模型得到预测期限的风电功率预测值。
步骤(1)中建立风速预测模型具体为：
(11)采用基于集合经验模态分解方法将训练数据集中的历史风速时序序列分解为频域稳定的n个风速子序列；
(12)将n个风速子序列进行相空间重构得到n个风速重构子矩阵；
(13)建立n个风速预测模型；
(14)将n个风速重构子矩阵分别作为一个训练样本输入至风速预测模型，每个风速预测模型对应输出一个风速预测子序列；
(15)对相空间重构参数和风速预测模型参数进行寻优求解得到最优相空间重构参数和风速预测模型参数。
所述的风速预测模型为最小二乘支持向量机风速预测模型。
步骤(3)具体为：
(31)采用基于集合经验模态分解方法将预测数据集中的历史风速时序序列分解为频域稳定的n个风速预测子序列；
(32)通过确定的最优相空间重构参数对n个风速预测子序列分别进行相空间重构得到n个风速重构预测子矩阵；
(33)将n个风速重构预测子矩阵作为预测输入并输入至确定好最优风速预测模型参数的最小二乘支持向量机风速预测模型得到n个风速预测子序列；
(34)将n个风速预测子序列进行叠加得到预测风速时序序列。
所述的基于集合经验模态分解方法具体为：
(a)将待分解的历史风速时序序列加入服从正态分布的白噪声序列，构成新的风速目标序列；
(b)对风速目标序列进行经验模态分解，求出n-1个本征模态函数分量Ci(t)和剩余的1个残差分量rn(t)，i＝1,2……n-1；
(c)更新白噪声序列重复执行步骤(a)～(b)直至进行p次经验模态分解分解得到p组本征模态函数分量和残差分量；
(d)对p组本征模态函数分量和残差分量对应求取均值并作为频域稳定的n个风速子序列。
步骤(b)中经验模态分解具体为：
(b1)将风速目标序列记作X(t)，定义本征模态函数分量的充分条件，令分解次数i＝1；
(b2)令迭代次数k＝1；
(b3)采用3次样条差值函数对风速目标序列X(t)进行拟合得到风速目标序列的上包络线lik(t)和下包络线lik(t)；
(b4)求上包络线lik(t)和下包络线lik(t)的中位值为：
mik(t)＝[lik(t)+lik(t)]/2；
(b5)令hik(t)＝X(t)-mik(t)，若h i k(t)满足本征模态函数分量的充分条件，则执行步骤(b6)，否则，另k＝k+1，返回步骤(b3)；
(b6)判断hik(t)是否满足单调性，若是则将hik(t)作为残差分量rn(t)并结束，否则将hik(t)作为本征模态函数分量，即Ci(t)＝hik(t)，执行步骤(b7)；
(b7)令X(t)-Ci(t)作为新的风速目标序列X(t)，同时令i＝i+1，k＝1，返回步骤(b3)。
所述的本征模态函数分量的充分条件包括：本征模态函数分量过零点个数与局部极值点数至多相差1个，定义域范围内的本征模态函数分量均值趋于0。
步骤(15)中相空间重构参数包括嵌入维度m和延迟时间τ。
步骤(15)中风速预测模型参数包括正则化参数γ和核函数参数σ。
所述的对相空间重构参数和风速预测模型参数采用果蝇优化算法进行寻优求解。
与现有技术相比，本发明具有如下优点：
(1)本发明在建立风速预测模型以及进行实际风速预测时采用基于集合经验模态分解方法(EEMD)实现多尺度分解，它能将非线性非平稳的序列信号分解为各种不同尺度的本征模态函数(IMF)和一个剩余分量，可有效解决预测波形的波动大问题，避免了波形分解过程中可能出现的模态混叠现象，提高了模型预测的健壮性，改善了风电功率预测的精度。
(2)本发明风速预测模型采用最小二乘支持向量机模型，预测模型预测精度高；
(3)在进行相空间重构参数和风速预测模型参数求解时采用果蝇优化算法进行寻优求解，有效确定可调参数，提高了收敛速度，扩大了搜索范围，提高了模型的预测准确性，进一步改善了风电功率预测的精度。
附图说明
图1为本发明风电功率短期预测方法的流程框图；
图2为EEMD风速预测模型和EMD风速预测模型的风速预测结果对比图；
图3为EEMD风速预测模型和LS-SVM风速预测模型的风速预测结果对比图；
图4为1.5MW风机的理想输出功率拟合曲线；
图5为风速-风功率拟合曲线散点图；
图6为EEMD风电功率预测模型和EMD风电功率预测模型的风电功率预测结果对比图；
图7为EEMD风电功率预测模型和本发明的LS-SVM风电功率预测模型的风电功率预测结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
一种风电功率短期预测方法，该方法包括如下步骤：
(1)获取训练数据集，训练数据集包括历史风速时序序列和历史天气数据，采用历史风速时序序列进行模型训练得到风速预测模型，同时利用历史风速时序序列和历史天气数据进行模型训练得到风电功率预测模型；
(2)获取预测数据集，预测数据集包括待进行风电功率预测期限前的设定时间段的历史风速时序序列以及预测期限内的天气预报数据；
(3)将预测数据集中的历史风速时序序列输入至风速预测模型得到预测期限内的预测风速时序序列；
(4)将预测风速时序序列和预测数据集中的天气预报数据输入至风电功率预测模型得到预测期限的风电功率预测值。
步骤(1)中建立风速预测模型具体为：
(11)采用基于集合经验模态分解方法将训练数据集中的历史风速时序序列分解为频域稳定的n个风速子序列；
(12)将n个风速子序列进行相空间重构得到n个风速重构子矩阵；
(13)建立n个风速预测模型；
(14)将n个风速重构子矩阵分别作为一个训练样本输入至风速预测模型，每个风速预测模型对应输出一个风速预测子序列；
(15)对相空间重构参数和风速预测模型参数进行寻优求解得到最优相空间重构参数和风速预测模型参数。
风速预测模型为最小二乘支持向量机风速预测模型。
步骤(3)具体为：
(31)采用基于集合经验模态分解方法将预测数据集中的历史风速时序序列分解为频域稳定的n个风速预测子序列；
(32)通过确定的最优相空间重构参数对n个风速预测子序列分别进行相空间重构得到n个风速重构预测子矩阵；
(33)将n个风速重构预测子矩阵作为预测输入并输入至确定好最优风速预测模型参数的最小二乘支持向量机风速预测模型得到n个风速预测子序列；
(34)将n个风速预测子序列进行叠加得到预测风速时序序列。
基于集合经验模态分解方法具体为：
(a)将待分解的历史风速时序序列加入服从正态分布的白噪声序列，构成新的风速目标序列；
(b)对风速目标序列进行经验模态分解，求出n-1个本征模态函数分量Ci(t)和剩余的1个残差分量rn(t)，i＝1,2……n-1；
(c)更新白噪声序列重复执行步骤(a)～(b)直至进行p次经验模态分解分解得到p组本征模态函数分量和残差分量；
(d)对p组本征模态函数分量和残差分量对应求取均值并作为频域稳定的n个风速子序列。
步骤(b)中经验模态分解具体为：
(b1)将风速目标序列记作X(t)，定义本征模态函数分量的充分条件，令分解次数i＝1；
(b2)令迭代次数k＝1；
(b3)采用3次样条差值函数对风速目标序列X(t)进行拟合得到风速目标序列的上包络线lik(t)和下包络线lik(t)；
(b4)求上包络线lik(t)和下包络线lik(t)的中位值为：
mik(t)＝[lik(t)+lik(t)]/2；
(b5)令hik(t)＝X(t)-mik(t)，若h i k(t)满足本征模态函数分量的充分条件，则执行步骤(b6)，否则，另k＝k+1，返回步骤(b3)；
(b6)判断hik(t)是否满足单调性，若是则将hik(t)作为残差分量rn(t)并结束，否则将hik(t)作为本征模态函数分量，即Ci(t)＝hik(t)，执行步骤(b7)；
(b7)令X(t)-Ci(t)作为新的风速目标序列X(t)，同时令i＝i+1，k＝1，返回步骤(b3)。
本征模态函数分量的充分条件包括：本征模态函数分量过零点个数与局部极值点数至多相差1个，定义域范围内的本征模态函数分量均值趋于0。
步骤(15)中相空间重构参数包括嵌入维度m和延迟时间τ。
步骤(15)中风速预测模型参数包括正则化参数γ和核函数参数σ。
对相空间重构参数和风速预测模型参数采用果蝇优化算法进行寻优求解。
综合来说，本发明的风电功率短期预测方法如图1所示，该方法包括两大部分，其中A为预测期限内的风速预测，B为预测期限内的风电功率预测。
具体地，A包括：A1：预测数据集的获取，A2：采用基于集合经验模态分解方法将预测数据集中的历史风速时序序列分解为频域稳定的n个风速预测子序列IMF1、IMF2、……IMFn，A3：对n个风速预测子序列进行相空间重构，A4：将相空间重构后的数据输入值预先训练好的最小二乘支持向量机风速预测模型(LS-SVM模型)，A5：分别进行预测得到n个风速预测子序列，A6：将n个风速预测子序列进行叠加得到预测风速时序序列。另外再进行风速预测模型(LS-SVM模型)训练时其具体方式于实际进行风速预测时类似，不同点在于步骤A1替换为获取训练数据集，并采用训练数据集进行A2～A6步骤，同时获取最优参数。
B包括：B1:获取预测期限内的天气预报数据，B2：将A中得到的预测风速时序序列以及B1获取的天气预报数据输入至预先训练好的风电功率预测模型，B3：根据风电功率预测模型进行预测得到预测期限内的风电功率预测值。
本实施例以微网能量管理实验平台为研究对象，针对风电短期功率进行建模。该平台风力发电***模拟风机容量1.5MW，采样数据分辨率为5min，提供每个预测日288个预测数据点，包括风速、风向、温度、大气压力、相对湿度等特征数据。风力发电短期功率预测主要针对预测时间在72小时(hr)以内的功率预测，本发明关于风功率预测的研究限定在未来24hr，模型的基本建立过程大致分为采集气象历史数据、数据分析和处理、筛选输入因子、建立预测模型几个过程。
1)本发明采用微网实验平台监控与数据采集(Supervisory Control And DataAcquisition，SCADA)***提供的风机在2016年1月27日～3月9日之间运行时的历史数据作为实验数据，进行风电功率预测模型的搭建，它包括了NWP提供的气象数据，其分辨率为5min。
为了实现风力发电风速风功率的准确预测，首先要做好历史气象数据的采集。风速、风向、大气压力等是影响风能的关键因素，所以需要对这些气象要素进行检测和记录。为了获得准确可靠的气象要素，气象传感器性能指标必须满足一定的要求。具体气象要素监测技术指标见表1。
表1气象要素监测技术指标
实际运行过程中，数据采集***不可避免地会发生一些故障，导致一些异常数据的产生，从而严重影响风电预测模型的精度。因此，需要对***采集的数据进行预处理，将缺失数据补充完整，将异常数据进行合理替换，以保证能够符合预测模型的运行要求。
2)本发明采用果蝇优化算法(Fruit fly Optimization Algorithm，FOA)，FOA算法是一种全局搜索学习算法，相比目前几种成熟的优化学习算法，如遗传算法(GeneticAlgorithm，GA)、粒子群算法(Particle swarm optimization，PSO)，其具有可调参数较少、鲁棒性较好、搜索时间短、学习速度快等优点，但该算法发展较晚，目前FOA还有很大的发展空间。FOA算法由果蝇觅食行为得以演变出一种全局寻优的算法。
3)风速、风功率信号具有不平稳、波动性大的特点，在风电功率预测时往往会造成无规律变动，从而导致功率序列响应能力不足的问题。为此，本发明基于信号尺度分解降维的思想，提出了一种基于改进型经验模态分解的方法用来建立预测模型，从而有效地处理了非线性的时序风电信号，提高了功率预测的精度。经验模态分解(EMD)是一种针对信号分析的自适应数据挖掘方法。它通过将非线性序列分解为若干不同尺度的本征模态函数分量(Intrinsic Mode Function，IMF)和一个剩余分量，以获得平稳序列，实现数据维度的降维。其中IMF分量需符合2个条件：信号过零点个数与局部极值点数至多相差1个；整个定义域范围内的序列均值趋于0。
EMD在分解过程中基于信号的自身尺度，保留了原始数据的性质，非常适合用来处理波动性较大的风速波形，理论上可以应用于任何类型的时间序列信号，在分解复杂波动的非线性数据时基于3个条件：①序列的波形至少存在2个极值(最大和最小值)；②数据的局部时域特性是由相邻极值点的时间尺度确定，并且是唯一的；③若信号不存在极值点，但存在拐点，则可求取一阶或高阶微分获得极值，再通过积分获取分解结果。
4)由于EMD分解序列的过程对于原始数据所包含的信息影响很大，所以在有些复杂的特征信号下分解得到的IMF序列会出现模态混叠，即单个IMF样本中包含很大差异性的时间尺度，或不同IMF样本具有相似的特征时间尺度，造成这两个序列的波形混叠，相互之间影响区分，难以辨识。
风电数据的监测和采集往往会发生信号间断、噪声和设备故障引起异常脉冲干扰，在模态分解的过程中会导致错误的IMF分量，极易出现模态混叠现象，从而不能实现较为理想的效果。因此本发明采用集合经验模态分解方法进行风速数据的分解。
风力发电中，风机组受风能影响，并将所获动能转化为电能。风电场的风能受到风速、风向、气温、气压和湿度等多种气象特征因素的影响，，若未经处理直接将这些气象因素作为预测模型的输入，会导致模型复度过高，影响模型的泛化性能，降低模型的鲁棒性。因此，在建立预测模型之前，应该分析特征数据的性质，提取与风电场功率输出相关性显著的输入因子。
(1)风速：地球表面受太阳辐射，造成不均匀受热所形成的气压梯度力，其度量指标即为风速。风速预测对于提高整体风电场稳定运行和改进风电功率预测具有重要意义，对于风电功率而言，风速无疑是影响最大的气象特征因素。风速的波动性和不平稳性研究是风功率预测的关键。风能与气流速度的立方成正比，其关系式为：
W＝ρAv3/2
式中：W为风能；v为风速；ρ为空气密度；A为气体对流的横截面积。
(2)风向：对风电场的环境进行资源状况分析评价时，风况数据不仅包括风速，还需考虑风向的变化。风向一般包括16个方位：N(北)，NNE(北北东)，NE(北东)，ENE(东东北)，E(东)，ESE(东东南)，SE(南东)，SSE(南南东)，S(南)，SSW(南南西)，SW(南西)，WSW(西西南)，W(西)，WNW(西西北)，NW(西北)，NNW(西西北)。为了更直观地刻画这一变化，通常采用风玫瑰图来进行风能资源测量数据的统计。为了记录和量化分析风向的性质，将风向转化为正弦和余弦的表达方式。
综上所述，影响风电场功率的主要气象因素是风速，而风速根据地理位置和时间的不同，其风向有较大的变动。计算风速与大气压力和空气相对湿度的相关系数分别为0.54和0.33左右，这表明在进行风速时间序列的回归分析时，需考虑多个相关气象因素的特征。
EEMD在EMD分解时序信号波形中加入了服从正态分布的白噪声序列，有效地抑制了模式混淆问题。但其中的两个重要参数：白噪声的幅值系数α和总体平均次数m的选取，对于模态分解的整体效果具有重要的物理意义。由可得两参数之间的关系，其中e为加入白噪声时造成的总体分解误差，即为：
考虑两参数之间的平衡关系，显然α值不能过大，因为过大的白噪声幅值系数会导致模态分解后出现较大的误差，严重时会覆盖原始信号的幅频特性，失去分解的目的；若α选取的过小，虽然有助于提高分类的精度，但会导致不足以改变原始信号的局部极值点，从而不能实现通过改变信号局部时间跨度获取原始信号信息的目的。从运算时间成本考虑，m值并非越大越好，会增加计算成本。
由于在e≤0.01时，残留噪声引起的分解误差能够达到较为理想的效果，序列重构处于稳定的状态，故本发明可采用基于改进FOA优化算法对EEMD参数进行确定，其适应度函数可定义为fα,m(e)，即表示函数f由参数α和m表示，评价指标为总体分解误差e。
对两参数进行优化选取时，首先限制定义域，设噪声幅值α∈[0.1,0.3]，总体平均次数m≥100，然后由FOA寻优最终得两参数优化值分别为α＝0.18，m＝200。
规定前2592个数据样本点为训练集，后288个数据样本点为测试集，采用EEMD将SCADA记录的风电样本数据中风速时间序列进行模态分解，采用上面FOA优化得到的参数值：α＝0.18，m＝200。最终得到9个本征模态函数分量IMF1～IMF9和1个剩余分量rn(t)共计10个波形，分解后的IMF分量与原始风速序列相比，其波动变化较为平稳，频谱特征也由IMF分量从高频到低频依次表征出来。
经EEMD分解得到较为平稳的子序列后，其稳定性得到增强。由于风速信号不仅对于原始条件具有敏感性，而且存在非周期的运动，故可采用混沌理论来分析风速序列的内在属性，即延迟坐标状态空间重构法。
时间延迟τ和嵌入维度m的确定对于重构空间后信息的获取十分重要，这2个参数的选取会对预测的精度有着直接影响。若维数过低，则信息会发生重合导致吸引子出现自相交，过高则会增加计算量；若延迟时间τ过短，重构空间中各点坐标之间相关性会过于密集，则相空间向量中的2个坐标分量x(i+jτ)和x(i+(j+1)τ)在数值上非常接近，无法形成较高的辨识度，从而不能提供独立的坐标分量；若延迟时间τ太长时，则混沌吸引子轨迹在两分量所指方向上的投影就失去了相关性，因此需要利用合适的方法来确定一个合适的延迟时间τ，从而在独立和相关两者之间达到一种平衡。
本发明采用改进FOA优化算法确定延迟时间τ和嵌入维度m两参数。首先，因为SCADA采集的风速数据样本时间分辨率为5min，所以最小计算单位的延迟时间τ为5min；其次，为保证两参数最优匹配，这里结合最小二乘支持向量机(Least Square-SupportVector Machine，LS-SVM)搭建预测模型，同时考虑LS-SVM模型的2个参数：正则化参数γ和核函数参数σ，把每个子序列的预测值误差作为最终优化目标函数值。
标准的支持向量机(SVM)是一个线性不等式约束的凸二次规划问题。LS-SVM是SVM的改进，是将线性最小二乘***代替二次规划作为损失函数，用等式约束取代标准支持向量机的不等式约束，有效提高了计算时间，减少了计算量，提高了泛化能力。由于风速预测子序列数量较多，计算量较大，本发明采用LS-SVM建立风速预测模型。
LS-SVM原理为：设训练样本其中xi为第i个样本，yi∈{-1,+1}为支持向量机输出，支持向量机的不等式约束为：
s.t. yi(ωTφ(xi)+b)≥1-ξi,ξi≥0,i＝1,2,...,l，
式中：ω为超平面的发向量，C为惩罚参数，ξ为松弛变量。
将其变为等式约束，即为：
式中：γ为权重常数，与惩罚参数C相似，用于平衡寻找最优超平面，最小化偏差量；ek为误差向量。
采用Lagrange乘数法将原问题转化为对参数α的求极值问题：
对参数w、b、ek、αk求导得：
由上式可列出线性方程组为：
其中，核矩阵为：
最终得到LS-SVM分类表达式为：
因该式为线性方程组，故加快了求解速度，提高了模型的泛化能力。
关于LS-SVM模型中预测精度受到影响的几个参数：模型数据嵌入维度m，时间延迟τ，正则化参数γ和核函数参数σ，采用基于改进型的FOA优化算法确定，本文定义核函数为高斯核函数exp(-||xi-xj||2/(2σ))。模型参数的优化过程如下：
(1)初始化模型参数，其中：维度d设为2，时间延迟τ为1(采样点为5min)，正则化参数γ和核函数参数σ均设为随机化初始值；
(2)建立改进型FOA优化参数模型，定义适应度函数以训练数据样本均方差为准则；
(3)提取优化后的最佳参数，将预测日测试数据带入模型，最终得到预测结果。
本发明在进行风速预测模型建立时需要对相空间重构参数和风速预测模型参数进行优化，具体地采用果蝇优化算法进行寻优求解得到的相空间重构参数包括嵌入维度m和延迟时间τ以及风速预测模型参数包括正则化参数γ和核函数参数σ如表2所示。
表2空间重构参数及风速预测模型参数表
为了验证本发明所用的改进型FOA对于参数优化的优越性，本发明还采用了遗传算法(GA)、粒子群算法(PSO)和未经改进的FOA分别优化上述参数。
采用改进型FOA优化模型参数时，其迭代次数最少，只有4次就能达到收敛；而未经改进的FOA若实现收敛，需迭代8次；GA算法在优化参数时，收敛速度与改进的FOA相同，但适应度值最大；采用PSO优化参数最终能够得到更小的结果，但达到稳态收敛需要迭代14次左右，显然在模型参数的优化方面，改进型的FOA整体效果更为理想。经过改进后FOA种群搜索范围(宽度)更广、搜索路径更短，有利于优化参数的选取，避免陷入局部最优，缩短计算时间。
由改进的FOA算法优化参数后，得到了原始风速时序信号模态分解的相空间重构参数和LS-SVM模型参数，结合这些参数值建立基于LS-SVM的风速预测模型。基于集合经验模态分解后的子序列中的IMF1～IMF3由于频率特性波动较大，其预测波形存在较大的误差，而IMF4～IMF9以及剩余分量rn(t)比较平缓，频率较为稳定，有利于曲线的拟合，预测波形基本实现了真实风速序列的回归将风速预测子序列叠加后即可得最终风速的预测值。本发明分别采用基于EEMD模型、EMD模型和LS-SVM模型对风速进行短期预测，通过对比证明本发明采用方法的有效性。图2为采用EEMD模型和EMD模型进行风速预测得到的风速预测值对比图，图3为采用EEMD模型和LS-SVM模型进行风速预测得到的风速预测值对比图。结合图2和图3可以看出基于EEMD模型的风速预测模型精度更高，有效地实现了风速值的回归。
为了能够更加直观地评估这3种模型的整体预测性能，本发明分别将3种模型的波形误差量化分析，采用了平均绝对误差百分比(Mean Absolute Percentage Error，MAPE)和均方根误差(Root Mean Square Error，RMSE)进行对比，具体的预测误差评价指标见表3。
表3风速预测误差评价指标
这两种误差指标表达式为：
式中：Hh(i)为预测值，Hy(i)为实测值，Z为采样点个数。MAPE可评估模型的预测误差程度，而RMSE可衡量预测结果的整体精度。
从表3风速预测误差指标值和图2和图3风速预测波形对比可见：采用基于EEMD和EMD的方法对风速序列进行模态分解后建立的预测模型其预测精度高于直接采用LS-SVM模型的结果，这说明对于风速这种具有不平稳、波动性大的时间序列，考虑波形的模态分解能够有效改善预测的精度；采用EEMD模型与EMD模型的结果对比可以发现，改进后的模型在一定程度上提高了精度，有效避免了模态混叠这种现象对于波形分解的干扰，验证了本发明所建模型的合理性。
风速特征量是风电功率转换模型的主要变量，提高风速的超短期预测精度能够有效改善短期风功率波动变化响应不足问题。考虑风功率相关气象特征因素，利用NWP提供的天气预报数据结合EEMD短期风速预测结果，考虑风机组可获功率为：
P＝ρACpv3/2
式中：P为风轮输出功率；v为风速；ρ为空气密度；A为风轮扫掠面积，即与风向垂直的平面上，风轮旋转时所生成圆的投影面积；Cp为风能利用系数，取最大利用系数Cp,max＝16/27。
对于单个风机而言，A为常数，通常认为空气密度也保持在恒定值，同时考虑风机的最大输出功率、风机的切入风速vin和切出风速voff，可以得到微网能量管理***模拟1.5MW风机的理想输出功率拟合曲线如图4所示。由于风机运行期间，实际出力不可能严格服从理想功率曲线，风机受外界随机因素的影响，会出现一些浮动，风速-风功率拟合曲线散点图如图5所示。
将风速-风功率拟合曲线线性化，划分为4个阶段：
(1)初始低风速阶段(v<vin)，小于切入风速不足以带动风机输出功率；
(2)中风速上升阶段(vin≤v≤vN)，大于切入风速且小于额定风速vN时，较小的风速变化会产生明显的功率输出；
(3)高风速饱和阶段(vN≤v≤voff)，大于额定风速但小于切出风速时，风机输出功率为恒定值即额定功率PN，风速的变化不会造成功率的变化；
(4)风机停止运行阶段(v>voff)，大于切出风速时，为保护风机此时风机应停止工作，输出功率为0。
可得风速-风功率之间函数关系式为：
最终，风速-风功率转化曲线建立数学模型后，结合风速预测值便可求得风电功率的预测值。
图6为EEMD模型和EMD模型的风电功率预测结果对比图，图7为EEMD模型和本发明的LS-SVM模型的风电功率预测结果对比图。
同理，为了能够更加直观地评估这3种模型对风电功率的整体预测性能，分别将3种模型的波形误差量化分析，采用了平均绝对误差百分比(Mean Absolute PercentageError，MAPE)和均方根误差(Root Mean Square Error，RMSE)进行对比，具体的预测误差评价指标见表4。
表4风电功率预测误差评价指标
由表4、图6和图7可得，采用EEMD建立的短期风功率预测模型精度高于采用EMD和LS-SVM模型，这是由于EEMD模型将风速序列信号分解为较为平稳的波形，有利于波形的回归，并且避免了分解后的子序列之间产生的模态混叠。在风机处于风速波动大的外界环境下，仅针对历史风速数据无法有效改善功率预测的精度，本发明建立的风电预测模型通过间接法改进预测风速的模型，最终提高了风电功率预测的精度。
Claims (10)
1.一种风电功率短期预测方法，其特征在于，该方法包括如下步骤：
(1)获取训练数据集，所述的训练数据集包括历史风速时序序列和历史天气数据，采用历史风速时序序列进行模型训练得到风速预测模型，同时利用历史风速时序序列和历史天气数据进行模型训练得到风电功率预测模型；
(2)获取预测数据集，所述的预测数据集包括待进行风电功率预测期限前的设定时间段的历史风速时序序列以及预测期限内的天气预报数据；
(3)将预测数据集中的历史风速时序序列输入至风速预测模型得到预测期限内的预测风速时序序列；
(4)将预测风速时序序列和预测数据集中的天气预报数据输入至风电功率预测模型得到预测期限的风电功率预测值。
2.根据权利要求1所述的一种风电功率短期预测方法，其特征在于，步骤(1)中建立风速预测模型具体为：
(11)采用基于集合经验模态分解方法将训练数据集中的历史风速时序序列分解为频域稳定的n个风速子序列；
(12)将n个风速子序列进行相空间重构得到n个风速重构子矩阵；
(13)建立n个风速预测模型；
(14)将n个风速重构子矩阵分别作为一个训练样本输入至风速预测模型，每个风速预测模型对应输出一个风速预测子序列；
(15)对相空间重构参数和风速预测模型参数进行寻优求解得到最优相空间重构参数和风速预测模型参数。
3.根据权利要求2所述的一种风电功率短期预测方法，其特征在于，所述的风速预测模型为最小二乘支持向量机风速预测模型。
4.根据权利要求3所述的一种风电功率短期预测方法，其特征在于，步骤(3)具体为：
(31)采用基于集合经验模态分解方法将预测数据集中的历史风速时序序列分解为频域稳定的n个风速预测子序列；
(32)通过确定的最优相空间重构参数对n个风速预测子序列分别进行相空间重构得到n个风速重构预测子矩阵；
(33)将n个风速重构预测子矩阵作为预测输入并输入至确定好最优风速预测模型参数的最小二乘支持向量机风速预测模型得到n个风速预测子序列；
(34)将n个风速预测子序列进行叠加得到预测风速时序序列。
5.根据权利要求4所述的一种风电功率短期预测方法，其特征在于，所述的基于集合经验模态分解方法具体为：
(a)将待分解的历史风速时序序列加入服从正态分布的白噪声序列，构成新的风速目标序列；
(b)对风速目标序列进行经验模态分解，求出n-1个本征模态函数分量Ci(t)和剩余的1个残差分量rn(t)，i＝1,2……n-1；
(c)更新白噪声序列重复执行步骤(a)～(b)直至进行p次经验模态分解分解得到p组本征模态函数分量和残差分量；
(d)对p组本征模态函数分量和残差分量对应求取均值并作为频域稳定的n个风速子序列。
6.根据权利要求5所述的一种风电功率短期预测方法，其特征在于，步骤(b)中经验模态分解具体为：
(b1)将风速目标序列记作X(t)，定义本征模态函数分量的充分条件，令分解次数i＝1；
(b2)令迭代次数k＝1；
(b3)采用3次样条差值函数对风速目标序列X(t)进行拟合得到风速目标序列的上包络线lik(t)和下包络线lik(t)；
(b4)求上包络线lik(t)和下包络线lik(t)的中位值为：
mik(t)＝[lik(t)+lik(t)]/2；
(b5)令hik(t)＝X(t)-mik(t)，若hik(t)满足本征模态函数分量的充分条件，则执行步骤(b6)，否则，另k＝k+1，返回步骤(b3)；
(b6)判断hik(t)是否满足单调性，若是则将hik(t)作为残差分量rn(t)并结束，否则将hik(t)作为本征模态函数分量，即Ci(t)＝hik(t)，执行步骤(b7)；
(b7)令X(t)-Ci(t)作为新的风速目标序列X(t)，同时令i＝i+1，k＝1，返回步骤(b3)。
7.根据权利要求5所述的一种风电功率短期预测方法，其特征在于，所述的本征模态函数分量的充分条件包括：本征模态函数分量过零点个数与局部极值点数至多相差1个，定义域范围内的本征模态函数分量均值趋于0。
8.根据权利要求2所述的一种风电功率短期预测方法，其特征在于，步骤(15)中相空间重构参数包括嵌入维度m和延迟时间τ。
9.根据权利要求2所述的一种风电功率短期预测方法，其特征在于，步骤(15)中风速预测模型参数包括正则化参数γ和核函数参数σ。
10.根据权利要求2所述的一种风电功率短期预测方法，其特征在于，所述的对相空间重构参数和风速预测模型参数采用果蝇优化算法进行寻优求解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710532750.7A CN107507097A (zh) | 2017-07-03 | 2017-07-03 | 一种风电功率短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710532750.7A CN107507097A (zh) | 2017-07-03 | 2017-07-03 | 一种风电功率短期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107507097A true CN107507097A (zh) | 2017-12-22 |
Family
ID=60678906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710532750.7A Pending CN107507097A (zh) | 2017-07-03 | 2017-07-03 | 一种风电功率短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507097A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108427854A (zh) * | 2018-03-29 | 2018-08-21 | 深圳市智物联网络有限公司 | 一种数据分析方法及其相关设备 |
| CN108537372A (zh) * | 2018-03-27 | 2018-09-14 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
| CN109063930A (zh) * | 2018-08-30 | 2018-12-21 | 上海电力学院 | 一种基于聚类分析的动态风电场总功率预测方法 |
| CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
| CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
| CN109886488A (zh) * | 2019-02-21 | 2019-06-14 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
| CN110263971A (zh) * | 2019-05-14 | 2019-09-20 | 西安理工大学 | 基于支持向量机的超短期风电功率组合预测方法 |
| CN110378541A (zh) * | 2019-08-08 | 2019-10-25 | 上海交通大学 | 一种风功率短期多步预测方法及装置 |
| CN110390435A (zh) * | 2019-07-24 | 2019-10-29 | 广东工业大学 | 一种风电功率预测方法、装置、设备及可读存储介质 |
| CN110428100A (zh) * | 2019-07-31 | 2019-11-08 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种风机短期发电功率预测方法 |
| CN110457800A (zh) * | 2019-07-30 | 2019-11-15 | 天津大学 | 考虑机械惯性的水平轴风机风速出力折算方法 |
| CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
| CN111222707A (zh) * | 2020-01-13 | 2020-06-02 | 湖北工业大学 | 一种基于时间序列突变误差校正的风速预测方法 |
| CN111486991A (zh) * | 2020-05-09 | 2020-08-04 | 国家电网有限公司 | 一种10kV高压开关柜过热风险预警装置及其预警方法 |
| CN111666458A (zh) * | 2020-06-22 | 2020-09-15 | 中国船级社质量认证公司 | 风电机组功率曲线的拟合方法 |
| CN111862538A (zh) * | 2020-08-03 | 2020-10-30 | 中铁二院工程集团有限责任公司 | 一种大跨度拱桥施工期大风预警方法及*** |
| CN111915070A (zh) * | 2020-07-17 | 2020-11-10 | 天津大学 | 一种采用大气压的空间相关性k近邻日前风速预测方法 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN112101616A (zh) * | 2020-08-10 | 2020-12-18 | 国网山东省电力公司青岛供电公司 | 基于固有时间尺度分解的风功率短期预测方法及*** |
| CN112348255A (zh) * | 2020-11-06 | 2021-02-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112669168A (zh) * | 2020-12-15 | 2021-04-16 | 国网辽宁省电力有限公司阜新供电公司 | 一种风电功率短期预测方法 |
| CN112712202A (zh) * | 2020-12-29 | 2021-04-27 | 广东电网有限责任公司 | 一种短期风电功率预测方法、装置、电子设备和存储介质 |
| CN113447671A (zh) * | 2021-07-15 | 2021-09-28 | 中煤科工集团重庆研究院有限公司 | 基于高低频超声波的巷道断面风速检测方法 |
| CN113554203A (zh) * | 2020-04-24 | 2021-10-26 | 国能日新科技股份有限公司 | 基于高维网格化和LightGBM的风电预测方法及装置 |
| CN113704558A (zh) * | 2021-08-25 | 2021-11-26 | 成都信息工程大学 | 一种以差分序列为基础的自动气象站自动集群方法及*** |
| CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及*** |
| CN113836801A (zh) * | 2021-09-13 | 2021-12-24 | 湖北工业大学 | 基于ceemd和改进ssa-lssvm的预测方法 |
| CN114462710A (zh) * | 2022-02-11 | 2022-05-10 | 华润电力技术研究院有限公司 | 一种风机发电功率的短期预测方法、装置及介质 |
| CN117039895A (zh) * | 2023-10-09 | 2023-11-10 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013002194A1 (ja) * | 2011-06-29 | 2013-01-03 | 三菱重工業株式会社 | 風力発電装置保守装置および風力発電装置保守方法 |
| CN103425867A (zh) * | 2013-06-24 | 2013-12-04 | 武汉大学 | 一种短期风电功率组合预测方法 |
| CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
-
2017
- 2017-07-03 CN CN201710532750.7A patent/CN107507097A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013002194A1 (ja) * | 2011-06-29 | 2013-01-03 | 三菱重工業株式会社 | 風力発電装置保守装置および風力発電装置保守方法 |
| CN103425867A (zh) * | 2013-06-24 | 2013-12-04 | 武汉大学 | 一种短期风电功率组合预测方法 |
| CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CAI HONG ZHU 等: "Short-term wind speed forecasting by using chaotic theory and SVM", 《MECHANICS AND MATERIALS》 * |
| 张金会: "基于支持向量机的智能数据挖掘算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 朱霄珣 等: "基于PSO参数优化的LS-SVM风速预测方法研究", 《中国电机工程学报》 * |
Cited By (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537372B (zh) * | 2018-03-27 | 2020-06-26 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
| CN108537372A (zh) * | 2018-03-27 | 2018-09-14 | 中南大学 | 一种风向预测方法及风力发电机组的偏航控制方法 |
| CN108427854B (zh) * | 2018-03-29 | 2022-06-07 | 深圳市智物联网络有限公司 | 一种数据分析方法及其相关设备 |
| CN108427854A (zh) * | 2018-03-29 | 2018-08-21 | 深圳市智物联网络有限公司 | 一种数据分析方法及其相关设备 |
| CN109146131A (zh) * | 2018-07-11 | 2019-01-04 | 国网河北省电力有限公司 | 一种日前风力发电预测方法 |
| CN109086916A (zh) * | 2018-07-16 | 2018-12-25 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
| CN109086916B (zh) * | 2018-07-16 | 2021-04-02 | 国家气象中心 | 一种基于多源观测数据的对流天气临近预报方法及装置 |
| CN109063930A (zh) * | 2018-08-30 | 2018-12-21 | 上海电力学院 | 一种基于聚类分析的动态风电场总功率预测方法 |
| CN109886488A (zh) * | 2019-02-21 | 2019-06-14 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
| CN109886488B (zh) * | 2019-02-21 | 2022-10-18 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
| CN110263971A (zh) * | 2019-05-14 | 2019-09-20 | 西安理工大学 | 基于支持向量机的超短期风电功率组合预测方法 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN110390435A (zh) * | 2019-07-24 | 2019-10-29 | 广东工业大学 | 一种风电功率预测方法、装置、设备及可读存储介质 |
| CN110457800B (zh) * | 2019-07-30 | 2023-06-16 | 天津大学 | 考虑机械惯性的水平轴风机风速出力折算方法 |
| CN110457800A (zh) * | 2019-07-30 | 2019-11-15 | 天津大学 | 考虑机械惯性的水平轴风机风速出力折算方法 |
| CN110428100A (zh) * | 2019-07-31 | 2019-11-08 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种风机短期发电功率预测方法 |
| CN110378541A (zh) * | 2019-08-08 | 2019-10-25 | 上海交通大学 | 一种风功率短期多步预测方法及装置 |
| CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
| CN111160621B (zh) * | 2019-12-06 | 2022-06-14 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
| CN111222707A (zh) * | 2020-01-13 | 2020-06-02 | 湖北工业大学 | 一种基于时间序列突变误差校正的风速预测方法 |
| CN111222707B (zh) * | 2020-01-13 | 2022-04-29 | 湖北工业大学 | 一种基于时间序列突变误差校正的风速预测方法 |
| CN113554203B (zh) * | 2020-04-24 | 2023-12-26 | 国能日新科技股份有限公司 | 基于高维网格化和LightGBM的风电预测方法及装置 |
| CN113554203A (zh) * | 2020-04-24 | 2021-10-26 | 国能日新科技股份有限公司 | 基于高维网格化和LightGBM的风电预测方法及装置 |
| CN111486991A (zh) * | 2020-05-09 | 2020-08-04 | 国家电网有限公司 | 一种10kV高压开关柜过热风险预警装置及其预警方法 |
| CN111666458A (zh) * | 2020-06-22 | 2020-09-15 | 中国船级社质量认证公司 | 风电机组功率曲线的拟合方法 |
| CN111915070B (zh) * | 2020-07-17 | 2022-05-31 | 天津大学 | 一种采用大气压的空间相关性k近邻日前风速预测方法 |
| CN111915070A (zh) * | 2020-07-17 | 2020-11-10 | 天津大学 | 一种采用大气压的空间相关性k近邻日前风速预测方法 |
| CN111862538B (zh) * | 2020-08-03 | 2021-11-23 | 中铁二院工程集团有限责任公司 | 一种大跨度拱桥施工期大风预警方法及*** |
| CN111862538A (zh) * | 2020-08-03 | 2020-10-30 | 中铁二院工程集团有限责任公司 | 一种大跨度拱桥施工期大风预警方法及*** |
| CN112101616A (zh) * | 2020-08-10 | 2020-12-18 | 国网山东省电力公司青岛供电公司 | 基于固有时间尺度分解的风功率短期预测方法及*** |
| CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112348255A (zh) * | 2020-11-06 | 2021-02-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112669168B (zh) * | 2020-12-15 | 2023-09-05 | 国网辽宁省电力有限公司阜新供电公司 | 一种风电功率短期预测方法 |
| CN112669168A (zh) * | 2020-12-15 | 2021-04-16 | 国网辽宁省电力有限公司阜新供电公司 | 一种风电功率短期预测方法 |
| CN112712202A (zh) * | 2020-12-29 | 2021-04-27 | 广东电网有限责任公司 | 一种短期风电功率预测方法、装置、电子设备和存储介质 |
| CN113447671A (zh) * | 2021-07-15 | 2021-09-28 | 中煤科工集团重庆研究院有限公司 | 基于高低频超声波的巷道断面风速检测方法 |
| CN113447671B (zh) * | 2021-07-15 | 2022-09-23 | 中煤科工集团重庆研究院有限公司 | 基于高低频超声波的巷道断面风速检测方法 |
| CN113704558B (zh) * | 2021-08-25 | 2022-10-14 | 成都信息工程大学 | 一种以差分序列为基础的自动气象站自动集群方法及*** |
| CN113704558A (zh) * | 2021-08-25 | 2021-11-26 | 成都信息工程大学 | 一种以差分序列为基础的自动气象站自动集群方法及*** |
| CN113836801A (zh) * | 2021-09-13 | 2021-12-24 | 湖北工业大学 | 基于ceemd和改进ssa-lssvm的预测方法 |
| CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及*** |
| CN114462710A (zh) * | 2022-02-11 | 2022-05-10 | 华润电力技术研究院有限公司 | 一种风机发电功率的短期预测方法、装置及介质 |
| CN117039895A (zh) * | 2023-10-09 | 2023-11-10 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及*** |
| CN117039895B (zh) * | 2023-10-09 | 2024-01-26 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507097A (zh) | 一种风电功率短期预测方法 | |
| Lange et al. | Physical approach to short-term wind power prediction | |
| US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
| CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
| CN108388962B (zh) | 一种风电功率预测***及方法 | |
| CN107563565B (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
| CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
| CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
| CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
| Li et al. | A model-based climatology analysis of wind power resources at 100-m height over the Bohai Sea and the Yellow Sea | |
| CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
| Labati et al. | A decision support system for wind power production | |
| Callaway | Sequential reliability forecasting for wind energy: Temperature dependence and probability distributions | |
| CN106250656A (zh) | 一种结合大数据的复杂地形风电场设计平台及方法 | |
| CN103489046A (zh) | 风电场短期功率预测方法 | |
| CN106529724A (zh) | 一种灰色联合权重风电功率预测方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| CN106875037A (zh) | 风力预测方法及装置 | |
| CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN113205210A (zh) | 复杂地形风电场风速与功率预测方法、***、设备及存储介质 | |
| CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
| Dimitrov et al. | From wind to loads: wind turbine site-specific load estimation using databases with high-fidelity load simulations | |
| Yang et al. | Photovoltaic power forecasting with a rough set combination method |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |