CN107665379A - 一种基于气象特征的风电场风速超短期预测方法 - Google Patents
一种基于气象特征的风电场风速超短期预测方法 Download PDFInfo
- Publication number
- CN107665379A CN107665379A CN201710893846.6A CN201710893846A CN107665379A CN 107665379 A CN107665379 A CN 107665379A CN 201710893846 A CN201710893846 A CN 201710893846A CN 107665379 A CN107665379 A CN 107665379A
- Authority
- CN
- China
- Prior art keywords
- mrow
- parameter
- msub
- wind
- msup
- 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 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 14
- 230000013016 learning Effects 0.000 claims description 10
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 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
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001712 DNA sequencing Methods 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气象特征的风电场风速超短期预测方法,利用机器学习技术,对风电场气象监测数据进行学习,选取当前时段风电机组所处位置的气压、相对湿度、水汽压、温度、现时风速等气象特征,运用多变量多项式回归算法建立其与下一时段风电机组所处位置风速值的映射关系,从而达到一种预测效果,即根据风电场实时采集的当前时段气象特征预测出下一时段的风电场风速值。本发明易于现场实现,是接纳大规模风电的新型清洁智能电网实时优化调度的有效保障。
Description
技术领域
本发明涉及一种基于气象特征的风电场风速超短期预测方法,属于新能源发电技术领域。
背景技术
机器学***台支持MXNet……对数据的占有和学***的不断提高,机器学习技术的渗透也将日趋明显。接入电网的传感器每隔一定时间将自动测量***的运行状态,有很大规模的数据值得学习,或将能得到对电网运行有益的高价值参考信息。
近年来新能源发电技术蓬勃发展,电网正逐步发展成为广泛接纳光伏、风电等新能源并充分结合储能***的新型清洁智能电网。充分利用机器学习技术对新能源出力进行准确预测成为了新型清洁智能电网实时优化调度的基础和保障,更是电网各项稳定性指标实时计算的依据。关于风电场的风速预测,目前国内外关于风速预测的研究主要致力于提前24小时的日前风速预测,日前发电预测是为了安排一天的调度任务。然而接纳大规模新能源并配备一定量储能***的新型清洁智能电网应具备实时优化调度功能,以达到在满足负荷需求的前提下最大限度地利用新能源的清洁特点、发挥蓄电池的储调优势,从而实现资源和能量的合理配置,实现电网综合效益最优。这就促进了风电场风速超短期预测技术的发展。目前用于风电场风速预测的机器学习方法主要有支持向量机、BP神经网络等,以基于时间序列、相似数据、小波分解等的预测方法居多。超短期预测的时间间隔一般认为是15min甚至更短,因此将有大量数据被采集,如何有效学习现场的数据至关重要。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于气象特征的风电场风速超短期预测方法,以满足接纳了大规模风电的新型清洁智能电网实时优化调度的需求。
为解决上述技术问题,本发明提供一种基于气象特征的风电场风速超短期预测方法,包括以下步骤:
1)根据风电场气象监测数据,创建若干个训练样本,训练样本表示为(x(i),y(i)),其中,x(i)表示第i时段训练样本中的特征向量,y(i)为第i+1时段的风速数据;
2)对所有训练样本中的特征向量x(i)进行多项式化、归一化处理;
3)将归一化处理后的特征向量作为多变量多项式回归训练的原始样本,将多变量多项式回归模型转化为多变量线性回归模型;
4)利用训练样本,对多变量线性回归模型中的参数向量进行寻优,确定参数向量;
5)采集一个时段的风电场气象特征参量,利用训练样本的均值和标准差进行多项式化、归一化处理后,输入到多变量线性回归模型的预测函数中,结合步骤4)寻优的参数向量,进行下一时段的风速预测;
6)待下一时段的真实风速值采集完成,与上一时段的气象特征参量构成一个训练样本,对此单个样本的特征向量进行多项式化、归一化处理,然后根据此单个样本修正参数向量;
7)将步骤6)多项式化、归一化处理的特征向量,修正后的参数向量带入预测函数中,进行下一次的风速预测;
8)重复步骤6)和步骤7)。
前述的特征向量x(i)包括气压、相对湿度、水汽压、温度、现时风速5个气象特征参量。
前述的步骤1)中,定义15min为一个时段。
前述的步骤2)中,进行多项式化处理是指:对每个训练样本都进行三次多项式化处理,多项式化处理后的每一项都作为一个新的特征参量,将训练样本中的原特征参量,多项式化后产生的新的特征参量,再加上截距特征构成新的特征向量,新的特征向量中特征参量的组成为:第一个为截距特征第2~6个是5个气象特征参量,后面的全是多项式化产生的项。
前述的步骤2)中,归一化处理是指,对新的特征向量中除截距特征外的特征参量进行归一化处理,
首先,求出所有训练样本中每一个特征参量的均值μj和标准差σj,然后根据公式(1),对每个训练样本中的特征向量进行归一化处理:
其中,符号“:=”表示赋值的意思,即以等式右边的值取代等式左边变量的原先值,为第i个训练样本中的第j个特征参量,μj为所有训练样本的第j个特征参量的均值,σj为所有训练样本的第j个特征参量的标准差,n为多项式化处理后的新的特征向量中除外的特征参量个数。
前述的步骤3)中,多变量线性回归模型的预测函数表示为:
其中,hθ(X(i))为预测函数,θ=|θ0 θ1 … θn|,
X(i)为归一化处理后的特征向量,为多变量线性回归模型的输入,θ为参数向量。
前述的步骤4)中,参数向量寻优的方法为:
按照式(3)构造以参数向量θ为变量的成本函数J(θ),依据使建模误差最小化的原则,用梯度下降优化算法求出使得成本函数J(θ)最小的一组参数向量θ,
其中,m为训练样本个数。
前述的步骤6)按如下公式修正参数向量:
其中,α为学习速率,为第i时段采集的气象特征参量经多项式化,归一化处理后的特征向量,这里归一化处理过程中各个特征参量的均值和标准差采用原始训练样本求解,Y(i)为第i+1时段采集的风速数据,为截距特征。
前述的α取值为0.1。
本发明的有益效果为:
本发明能够通过较为简单的预测方法取得较高的预测精度和较强的泛化能力,并能够方便地引入在线学习机制,且易于现场实现,是接纳大规模风电的新型清洁智能电网实时优化调度的有效保障。
附图说明
图1为本发明方法的流程图;
图2为本发明的训练样本的学习曲线图;
图3为本发明实施例中运用多变量多项式回归对143组陌生样本风速值的预测效果图;
图4为本发明实施例中运用支持向量机对143组陌生样本风速值的预测效果图;
图5为本发明实施例中运用BP神经网络对143组陌生样本风速值的预测效果图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明利用机器学习技术,对风电场气象监测数据进行学习。选取当前时段风电机组所处位置的气压、相对湿度、水汽压、温度、现时风速等气象特征,运用多变量多项式回归算法建立其与下一时段风电机组所处位置风速值的映射关系,从而达到一种预测效果,即根据风电场实时采集的当前时段气象特征预测出下一时段的风电场风速值,作为接纳大规模风电的新型清洁智能电网实时优化调度的依据。
本发明的基于气象特征的风电场风速超短期预测方法,如图1所示,包括以下步骤:
步骤1:根据风电场气象监测数据,创建训练样本;
本发明以某风电场2016年6月份某几日的429组气象数据创建训练样本。本发明创建第i个训练样本(x(i),y(i))的关键在于获取第i时段风电场所在位置的气象特征参量和第i+1时段风电场风速数据。气象特征参量包括气压、相对湿度、水汽压、温度、现时风速5个气象特征参量,以此构成第i个训练样本中的特征向量x(i),即特征向量x(i)中包括上述5个气象特征参量。y(i)则为第i+1时段风速值。定义15min作为一个时段,实际也可以更短。
构建训练样本的目的在于建立风电场当前时段气象特征和风电场下一时段风速值之间的映射关系,从而达到一种预测效果,即根据风电场实时采集的当前时段气象特征预测出下一时段的风电场风速值。
本发明的预测学习流程示意图如图1所示。按步骤1构建训练样本并经过步骤2,步骤3处理之后将原始样本送入学习算法进行学习,得出预测函数表达式hθ(x)。后续的预测过程只需将某时段实时采集的风电场气象特征参量送入预测函数,即可得出下一时段风电场的风速值。
步骤2:对训练样本中的特征向量x(i)进行多项式化、归一化处理,重新构造用于训练多变量多项式回归模型的原始样本;
在进行模型训练之前需要对样本数据进行多项式化处理和归一化处理。多项式化处理赋予模型非线性学习能力,归一化处理则可以削弱数据之间的量纲差异和数量级差异对算法运行速度的影响。
本发明对每个训练样本都进行三次多项式化处理,多项式化处理后的每一项都作为一个新的特征参量,将训练样本中的原特征参量,多项式化后产生的新的特征参量,再加上截距特征构成新的特征向量,新的特征向量中特征参量的组成为:第一个为截距特征第2~6个是5个气象特征参量,后面的全是多项式化产生的项。对新的特征向量中除截距特征外的特征参量进行归一化处理。
进行归一化处理,首先求出所有训练样本的新的特征向量中每一个特征参量的均值μj和标准差σj,根据公式(1)对每个训练样本中的特征向量进行归一化处理,
其中,符号“:=”表示赋值的意思,即以等式右边的值取代等式左边变量的原先值,为第i个训练样本中的第j个特征参量,μj为所有训练样本的第j个特征参量的均值,σj为所有训练样本的第j个特征参量的标准差,n为多项式化处理后的新的特征向量中除外的特征参量个数。
特别地,截距特征不参与归一化,恒为1,y(i)不予归一化,省去预测完成后的反归一化步骤。处理后的数据作为后续多变量多项式回归训练的原始样本。
步骤3:将归一化处理后的特征向量作为多变量多项式回归训练的原始样本,将多变量多项式回归模型转化为多变量线性回归模型,
多变量线性回归模型的预测函数可表示为:
其中,hθ(X(i))为预测函数,θ=|θ0 θ1 … θn|,
θ为参数向量,θ确定,则模型唯一确定;X(i)为归一化处理后的特征向量,作为模型的输入;为截距特征,恒取1;n为特征向量中除外的特征参量的数量。
步骤4:训练学习算法,对多变量线性回归模型的参数向量θ进行寻优,得到训练后的多变量多项式回归模型;
按照:
构造以向量θ为变量的成本函数J(θ),依据使建模误差最小化的原则,用梯度下降等优化算法求出使得成本函数J(θ)最小的一组向量θ,θ确定则预测函数hθ(x)唯一确定。m为训练样本个数。
图2所示为训练学习曲线图。可以看出训练90组数据样本就可以将风速误差控制在可观的工程允许范围内,即无需提供大量样本便可训练出可以投入使用的模型。
步骤5:将实时采集的风电场气象特征参量按步骤2、3方法处理后输入训练完成的多变量线性回归模型的预测函数进行风速预测,结合在线学习算法得出下一时段风速预测值,供实时优化调度参考。以相对较小的时间间隔(小于15min)采集风电场所处位置的气象数据,包括该时段的气压、相对湿度、水汽压、温度、现时风速等参量,采集一组气象数据,传输至多变量多项式回归模型,得到下一时段的风速预测值,该预测值用于实时优化调度的参考。待下一时段真实风速值采集完成,与上一时段气象参量构成一个训练样本,模型针对此单个样本进行学习,按公式:
修正参数向量θ,再带入式(2)中进行下一次预测,
其中,α为学习速率,取值为0.1,为第i时段采集的气象特征参量经多项式化,归一化处理后的特征向量,这里归一化处理过程中各个特征参量的均值和标准差采用原始训练样本求解,Y(i)为第i+1时段采集的风速数据。
本发明实例对143组陌生测试样本进行了效果测试。根据公式计算出均方根误差为0.6680m/s,根据公式计算出平均绝对误差为0.5218m/s,根据公式计算出平均相对误差为36.78%。图3为预测效果图。
作为对比,本发明将预测结果与常用算法支持向量机和BP神经网络算法效果进行了对比,其中支持向量机核函数选用RBF核函数。支持向量机预测效果如图4所示,BP神经网络预测效果如图5所示。支持向量机的预测均方根误差为0.6959m/s,平均绝对误差为0.5323m/s,平均相对误差为37.19%。BP神经网络均方根误差为0.7323m/s,平均绝对误差为0.5746m/s,平均相对误差为38.44%。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于气象特征的风电场风速超短期预测方法,其特征在于,包括以下步骤:
1)根据风电场气象监测数据,创建若干个训练样本,训练样本表示为(x(i),y(i)),其中,x(i)表示第i时段训练样本中的特征向量,y(i)为第i+1时段的风速数据;
2)对所有训练样本中的特征向量x(i)进行多项式化、归一化处理;
3)将归一化处理后的特征向量作为多变量多项式回归训练的原始样本,将多变量多项式回归模型转化为多变量线性回归模型;
4)利用训练样本,对多变量线性回归模型中的参数向量进行寻优,确定参数向量;
5)采集一个时段的风电场气象特征参量,利用训练样本的均值和标准差进行多项式化、归一化处理后,输入到多变量线性回归模型的预测函数中,结合步骤4)寻优的参数向量,进行下一时段的风速预测;
6)待下一时段的真实风速值采集完成,与上一时段的气象特征参量构成一个训练样本,对此单个样本的特征向量进行多项式化、归一化处理,然后根据此单个样本修正参数向量;
7)将步骤6)多项式化、归一化处理的特征向量,修正后的参数向量带入预测函数中,进行下一次的风速预测;
8)重复步骤6)和步骤7)。
2.根据权利要求1所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述特征向量x(i)包括气压、相对湿度、水汽压、温度、现时风速5个气象特征参量。
3.根据权利要求1所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述步骤1)中,定义15min为一个时段。
4.根据权利要求1所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述步骤2)中,进行多项式化处理是指:对每个训练样本都进行三次多项式化处理,多项式化处理后的每一项都作为一个新的特征参量,将训练样本中的原特征参量,多项式化后产生的新的特征参量,再加上截距特征构成新的特征向量,新的特征向量中特征参量的组成为:第一个为截距特征第2~6个是5个气象特征参量,后面的全是多项式化产生的项。
5.根据权利要求4所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述步骤2)中,归一化处理是指,对新的特征向量中除截距特征外的特征参量进行归一化处理,
首先,求出所有训练样本中每一个特征参量的均值μj和标准差σj,然后根据公式(1),对每个训练样本中的特征向量进行归一化处理:
<mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>:</mo>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>.</mo>
<mi>n</mi>
<mo>,</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,符号“:=”表示赋值的意思,即以等式右边的值取代等式左边变量的原先值,为第i个训练样本中的第j个特征参量,μj为所有训练样本的第j个特征参量的均值,σj为所有训练样本的第j个特征参量的标准差,n为多项式化处理后的新的特征向量中除外的特征参量个数。
6.根据权利要求5所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述步骤3)中,多变量线性回归模型的预测函数表示为:
<mrow>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&theta;</mi>
<mi>T</mi>
</msup>
<msup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>0</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>n</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,hθ(X(i))为预测函数,θ=|θ0 θ1 … θn|,
X(i)为归一化处理后的特征向量,为多变量线性回归模型的输入,θ为参数向量。
7.根据权利要求6所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述步骤4)中,参数向量寻优的方法为:
按照式(3)构造以参数向量θ为变量的成本函数J(θ),依据使建模误差最小化的原则,用梯度下降优化算法求出使得成本函数J(θ)最小的一组参数向量θ,
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,m为训练样本个数。
8.根据权利要求6所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述步骤6)按如下公式修正参数向量:
<mrow>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>:</mo>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>h</mi>
<mi>&theta;</mi>
</msub>
<mo>(</mo>
<msup>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>z</mi>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>...</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,α为学习速率,为第i时段采集的气象特征参量经多项式化,归一化处理后的特征向量,这里归一化处理过程中各个特征参量的均值和标准差采用原始训练样本求解,Y(i)为第i+1时段采集的风速数据,为截距特征。
9.根据权利要求8所述的一种基于气象特征的风电场风速超短期预测方法,其特征在于,所述α取值为0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710893846.6A CN107665379A (zh) | 2017-09-28 | 2017-09-28 | 一种基于气象特征的风电场风速超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710893846.6A CN107665379A (zh) | 2017-09-28 | 2017-09-28 | 一种基于气象特征的风电场风速超短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107665379A true CN107665379A (zh) | 2018-02-06 |
Family
ID=61097062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710893846.6A Pending CN107665379A (zh) | 2017-09-28 | 2017-09-28 | 一种基于气象特征的风电场风速超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665379A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409596A (zh) * | 2018-10-22 | 2019-03-01 | 东软集团股份有限公司 | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
CN105608271A (zh) * | 2015-12-21 | 2016-05-25 | 武汉大学 | 一种基于分解与优化的短期风速时序预测方法 |
CN106485603A (zh) * | 2016-10-21 | 2017-03-08 | 国家电网公司 | 一种应用于风力发电的短期风速预测方法 |
-
2017
- 2017-09-28 CN CN201710893846.6A patent/CN107665379A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
CN105608271A (zh) * | 2015-12-21 | 2016-05-25 | 武汉大学 | 一种基于分解与优化的短期风速时序预测方法 |
CN106485603A (zh) * | 2016-10-21 | 2017-03-08 | 国家电网公司 | 一种应用于风力发电的短期风速预测方法 |
Non-Patent Citations (6)
Title |
---|
丁明等: "基于时间序列分析的风电场风速预测模型", 《电力自动化设备》 * |
博客园: "线性回归、梯度下降(Linear Regression、Gradient Descent)", 《博客园 HTTPS://WWW.CNBLOGS.COM/HUST-YINGJIE/P/5661627.HTML》 * |
博客园: "线性回归、梯度下降(Linear Regression、Gradient Descent)", 《博客园HTTPS://WWW.CNBLOGS.COM/BYRANS/P/4700202.HTML》 * |
博客园: "线性回归模型与梯度下降法", 《博客园 HTTPS://WWW.CNBLOGS.COM/WALLACUP/P/6017378.HTML》 * |
栗然等: "基于经验模式分解的风电场短期风速预测模型", 《中国电力》 * |
陈欣等: "新投产风电场的短期风速预测模型建立", 《电测与仪表》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409596A (zh) * | 2018-10-22 | 2019-03-01 | 东软集团股份有限公司 | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
CN109409596B (zh) * | 2018-10-22 | 2021-04-13 | 东软集团股份有限公司 | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
Fang et al. | A general multi-source ensemble transfer learning framework integrate of LSTM-DANN and similarity metric for building energy prediction | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN108596757A (zh) | 一种智能组合的个人信用评估方法及*** | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及*** | |
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN107194600A (zh) | 一种电力负荷季节特性分类方法 | |
Liu et al. | Study on environment-concerned short-term load forecasting model for wind power based on feature extraction and tree regression | |
CN106228274A (zh) | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 | |
CN110443725A (zh) | 基于cnn+lstm的风电功率预测模型 | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN102507586B (zh) | 碳排放遥感监测方法 | |
CN109711609A (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN106022521A (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
CN106570522A (zh) | 物体识别模型的建立方法及物体识别方法 | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 | |
CN106529706A (zh) | 一种基于支持向量机回归的风电场风速预测方法 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN109214591B (zh) | 一种木本植物地上生物量预测方法及*** | |
Su | Analysis of optimisation method for online education data mining based on big data assessment technology | |
CN116796194A (zh) | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 | |
CN107665379A (zh) | 一种基于气象特征的风电场风速超短期预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180206 |