CN107895206B - 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 - Google Patents
一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 Download PDFInfo
- Publication number
- CN107895206B CN107895206B CN201711097372.0A CN201711097372A CN107895206B CN 107895206 B CN107895206 B CN 107895206B CN 201711097372 A CN201711097372 A CN 201711097372A CN 107895206 B CN107895206 B CN 107895206B
- Authority
- CN
- China
- Prior art keywords
- average trend
- component
- section
- wind energy
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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
- 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于奇异谱分析和局部敏感哈希的多步风能预测方法,该方法将风电场历史风能数据经过奇异谱分析分解成两个独立分量:反映风能总体变化趋势的低频平均趋势分量和体现风的间歇性和波动性的高频波动分量,在相空间中分别重构这两个分量得到平均趋势段和波动分量段,结合局部敏感哈希找出与待预测平均趋势段的相似平均趋势段进行局部预测,为了避免对各个分量单独预测带来的误差累计和只预测一个分量带来的固定误差,本发明中的预测输入是相似平均趋势段和相对应波动分量段的综合,最终得到风电输出功率的预测结果。本发明预测风电场发电功率物理意义明确,预测时间短,预测结果准确、稳定,其预测结果不依赖于使用者的先验知识。
Description
技术领域
本发明涉及风能发电功率预测的技术领域,尤其是指一种基于奇异谱分析和局部敏感哈希的多步风能预测方法。
背景技术
随着资源的紧缺和人类对环境友好的呼声越来越高,风能的开发利用越来越受重视。但由于其很强的随机性及间歇性,给风能预测带来很大的难题,直接限制了风能在大电网中的应用。进行风能预测具有很大的意义。首先,对于风电场而言,对风能进行评估和预测是评定大型风电项目是否可行的重要工作内容。再者,对于整个电力***而言,一旦较为准确地预测出风电场风能及发电机组的出力,一方面可以更好地进行频率控制,并且根据风电发电量的变化规律提高***的可靠性、安全性及可控性;另一方面可以根据风电场预测的功率曲线对机组的功率进行优化,达到降低电网运行成本、实现经济调度的目的。最后,对于电力市场而言,风电场对风电发电量进行更为精准的预测,有利于风电参与电力市场竞价、电力市场清算和监管行动;电网公司对风电发电量进行预测,有助于电力调度部门及时正确地制定电能交换计划,调整运行方式和计划分配,有效减轻风电对整个电网的影响,保证电网***安全经济运行。
然而,当前的预测机制存在以下不足:
1、现有预测模型的预测精度较大程度上依赖于使用者的先验知识,预测的局限性较大;
2、未充分发掘风能变化的内在规律和数据所体现出的物理意义或特征;
3、预测精度不高,预测时间较长,稳定性有待加强。
发明内容
本发明的目的是针对传统风能预测方法中存在的不足,提出了一种基于奇异谱分析和局部敏感哈希的多步风能预测方法,实现对风能的短期预报。
为实现上述目的,本发明所提供的技术方案为:一种基于奇异谱分析和局部敏感哈希的多步风能预测方法,包括以下步骤:
1)获取风电场历史风能数据;
2)利用奇异谱分析将风电场历史风能数据分解成两个分量:低频的平均趋势分量和高频的波动分量;
3)在相空间中将步骤2)获得的平均趋势分量和波动分量重构成平均趋势段和波动分量段;
4)利用局部敏感算法选取待预测平均趋势段的相似平均趋势段;
5)将获得的相似平均趋势段和对应的波动分量段的综合作为支持向量回归模型的训练输入,预报结果即为风电输出功率。
在步骤2)中,通过奇异谱分析对长度为N的风电场历史风能数据y=[y1 y2 … yN]风电场历史风能数据嵌入、奇异值分解、分组和重构,得到多个特征值、及其相应的贡献率和相应的特征向量代表的信号,根据贡献率的大小将风电场历史风能数据分解成两个独立的分量:反映风能总体变化趋势的低频的平均趋势分量和体现风的间歇性和波动性的高频的波动分量
在步骤4)中,利用局部敏感哈希对平均趋势段建立索引获得多个数据集,随后通过计算待预测平均趋势段与其所在数据集中的数据段的欧氏距离,根据得到的欧氏距离从小到大排序,返回前L条相似平均趋势段。
在步骤5)中,提取出与L条相似平均趋势段相对应的波动分量段并将这两者的综合作为支持向量回归模型训练输入,训练输出为yij+(s-1)τ+p,其中p为提前步数,ij∈[1~N-(s-1)τ-1],j=1,2…L。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明通过奇异谱分析研究风电场历史风能数据有意义的成分,使分解的各个分量物理意义明确。
2、本发明首次实现局部敏感哈希在预测上的应用,达到了预测时间短,预测结果准确、稳定的效果。
3、本发明的预测输入为相似平均趋势段和相对应的波动分量段的综合,使两个成分更加独立,避免分别预测两个分量带来的误差累计和只预测一个分量带来固定误差,使预测更加精准。
4、本发明预测方法是一种数据驱动、自适应的预测方法,因此预报的精度不受使用者的先验知识的影响
附图说明
图1为本发明逻辑流程示意图。
图2为风电场历史风能数据。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所提供的基于奇异谱分析和局部敏感哈希的多步风能预测方法,包括以下步骤:
1)获取来自加拿大亚伯达地区的风电场历史风能数据,其数据长度为N=8495,采样间隔为10分钟,获取的风电场历史风能数据如图2所示。
2)通过奇异谱分析对风电场历史风能数据y=[y1 y2 … y8495]风电场历史风能数据嵌入、奇异值分解、分组和重构,得到多个特征值、及其相应的贡献率和相应的特征向量代表的信号,根据贡献率的大小将风电场历史风能数据分解成两个独立的分量:反映风能总体变化趋势的低频的平均趋势分量和体现风的间歇性和波动性的高频的波动分量
4)根据步骤3)利用局部敏感哈希对平均趋势段建立索引获得多个数据集,随后通过计算待预测平均趋势段与其所在数据集中的数据段的欧氏距离,根据得到的欧氏距离从小到大排序,返回前L=300条相似平均趋势段。
5)根据步骤4)提取出与L=300条相似平均趋势段相对应的波动分量段并将这两者的综合作为支持向量回归模型训练输入,训练输出为yij+(s-1)τ+p,其中p=1,2…20为提前步数,ij∈[1~8488],j=1,2…300,预报结果即为风电输出功率。
综上所述,本发明方法将风电场历史风能数据经过奇异谱分析分解成两个独立分量:反映风能总体变化趋势的低频平均趋势分量和体现风的间歇性和波动性的高频波动分量,在相空间中分别重构这两个分量得到平均趋势段和波动分量段,结合局部敏感哈希找出与待预测平均趋势段的相似平均趋势段进行局部预测,为了避免对各个分量单独预测带来的误差累计和只预测一个分量带来的固定误差,本发明中的预测输入是相似平均趋势段和相对应波动分量段的综合,最终得到风电输出功率的预测结果。这相比现有技术,本发明为风电场风电输出功率预测提供了新的方法,该方法预测风电场发电功率物理意义明确,预测时间短,预测结果准确、稳定,此外,本发明预测方法是数据驱动、自适应的方法,其预测结果不依赖于使用者的先验知识,具有实际推广价值,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.一种基于奇异谱分析和局部敏感哈希的多步风能预测方法,其特征在于,包括以下步骤:
1)获取风电场历史风能数据;
2)利用奇异谱分析将风电场历史风能数据分解成两个分量:低频的平均趋势分量和高频的波动分量;
通过奇异谱分析对长度为N的风电场历史风能数据y=[y1 y2 … yN]嵌入、奇异值分解、分组和重构,得到多个特征值、相应的贡献率和相应的特征向量代表的信号,根据贡献率的大小将风电场历史风能数据分解成两个独立的分量:反映风能总体变化趋势的低频的平均趋势分量和体现风的间歇性和波动性的高频的波动分量
3)在相空间中将步骤2)获得的平均趋势分量和波动分量重构成平均趋势段和波动分量段;
4)利用局部敏感哈希选取待预测平均趋势段的相似平均趋势段;
利用局部敏感哈希对平均趋势段建立索引获得多个数据集,随后通过计算待预测平均趋势段与其所在数据集中的数据段的欧氏距离,根据所得的欧氏距离从小到大排序,返回前L条相似平均趋势段;
5)将获得的相似平均趋势段和对应的波动分量段的综合作为支持向量回归模型的训练输入,预报结果即为风电输出功率;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097372.0A CN107895206B (zh) | 2017-11-09 | 2017-11-09 | 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097372.0A CN107895206B (zh) | 2017-11-09 | 2017-11-09 | 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107895206A CN107895206A (zh) | 2018-04-10 |
CN107895206B true CN107895206B (zh) | 2020-12-22 |
Family
ID=61804733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711097372.0A Active CN107895206B (zh) | 2017-11-09 | 2017-11-09 | 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895206B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268552B (zh) * | 2021-05-28 | 2022-04-05 | 江苏国电南自海吉科技有限公司 | 一种基于局部敏感哈希的发电机设备隐患预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
CN105930941A (zh) * | 2016-05-19 | 2016-09-07 | 华南理工大学 | 一种适用于风电场多变量输入的风能间接预测方法 |
CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
CN106485354A (zh) * | 2016-09-30 | 2017-03-08 | 华南理工大学 | 基于形态学滤波器和相似段搜索算法的风能预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709586B (zh) * | 2015-07-15 | 2021-07-20 | 华北电力大学(保定) | 一种风电场短期风速预测方法和*** |
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 |
-
2017
- 2017-11-09 CN CN201711097372.0A patent/CN107895206B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
CN105930941A (zh) * | 2016-05-19 | 2016-09-07 | 华南理工大学 | 一种适用于风电场多变量输入的风能间接预测方法 |
CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
CN106485354A (zh) * | 2016-09-30 | 2017-03-08 | 华南理工大学 | 基于形态学滤波器和相似段搜索算法的风能预测方法 |
Non-Patent Citations (3)
Title |
---|
一种新型确定性风电功率预测模型及其概率性评估;杨家然;《现代电力》;20161031;第33卷(第5期);第80-86页 * |
基于数学形态学和局部预测的短期风能预测研究;吴家樑;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20151215(第12期);第16-46页 * |
基于混合模型的风电场短期风速风功率预测研究;韦姝;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160815(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107895206A (zh) | 2018-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Wind power prediction based on variational mode decomposition multi-frequency combinations | |
CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
Liu et al. | Super resolution perception for smart meter data | |
CN105354636B (zh) | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 | |
CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及*** | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN103400052A (zh) | 一种风电场短期风速组合预测方法 | |
CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
Lv et al. | Short-term wind speed forecasting based on non-stationary time series analysis and ARCH model | |
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
Zou et al. | A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting | |
CN113256033B (zh) | 基于模态互补的发电站选址定容方法、装置、***及介质 | |
CN110942170A (zh) | 一种基于信息处理的短期风速预测方法及*** | |
Liu et al. | Deep neural network for forecasting of photovoltaic power based on wavelet packet decomposition with similar day analysis | |
Min et al. | Wind speed forecasting based on EEMD and ARIMA | |
CN107895206B (zh) | 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 | |
Xu et al. | Interval prediction method for wind power based on VMD-ELM/ARIMA-ADKDE | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN106650060B (zh) | 一种光伏电池内阻衰减系数预测方法 | |
CN105528517B (zh) | 基于神经网络、小波分解光伏电站功率预测方法、*** | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
CN116384586A (zh) | 一种基于vmd-svr的风速预测方法 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 |
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 |