CN108092319A - 一种短期风电功率预测的不确定性分析方法及装置 - Google Patents
一种短期风电功率预测的不确定性分析方法及装置 Download PDFInfo
- Publication number
- CN108092319A CN108092319A CN201711326009.1A CN201711326009A CN108092319A CN 108092319 A CN108092319 A CN 108092319A CN 201711326009 A CN201711326009 A CN 201711326009A CN 108092319 A CN108092319 A CN 108092319A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- short
- power
- training
- 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 48
- 238000013076 uncertainty analysis Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 170
- 238000012360 testing method Methods 0.000 claims abstract description 129
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000005684 electric field Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims 3
- 238000007781 pre-processing Methods 0.000 claims 3
- 239000012141 concentrate Substances 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种短期风电功率预测的不确定性分析方法及装置,涉及风电场功率预测技术领域。方法包括:将标准化预处理后的数值天气预报数据和风电场单台风电机组功率数据分别作为输入和输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;根据训练后的径向基神经网络模型在测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;根据短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;在预先设置的置信水平下,根据分段云模型计算短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
Description
技术领域
本发明涉及风电场功率预测技术领域,尤其涉及一种短期风电功率预测的不确定性分析方法及装置,特别是一种基于分段云模型的短期风电功率预测的不确定性分析方法及装置。
背景技术
风电,又称风力发电,是当前正在被很多国家重视的环保型能源。当前风电装机容量正在快速增加,这也对电力***的安全、稳定和经济运行带来了不利影响。其中重要原因是风电具有随机波动性及不确定性,而风电功率预测是应对随机波动性及不确定性的有效方法之一。但风电功率预测误差难以避免,且其精度难以达到电力***负荷预测精度水平,因此需要进行风电功率预测的不确定性分析。而风电功率预测的不确定性分析不仅可以为优化能量管理和电力交易决策提供全面的概率信息,而且在电力***优化运行中扮演着更加重要的角色。
目前风电功率预测的不确定性分析方法按照不确定性分析结果的表达方式分类可分为:概率性方法、场景生成法、风险指标法。其中,概率性方法得到的结果形式可以为概率密度或者置信区间两种,前者利用非参估计法对风电功率预测误差的概率分布进行建模,并基于估计点来确定风电功率预测的回归函数;后者可以通过分位数回归法得到风电功率预测的置信区间,进而开展短期风电功率预测及预测不确定性研究,也可以利用次序统计和线性分位数回归来模拟风电预测的不确定性,提供了一个有效的无需假设已知概率分布的功率预测***,样本量和覆盖误差由所需的覆盖率控制。另外,上述的场景生成法是通过确定日前风电功率预测误差分布的不确定性分析方法,该方法在准确描述风电场在不同预测风速下的功率预测误差概率分布的基础上,能够确定各分布的适用范围。上述的风险指标法通过定义一个风电功率预测风险指数,运用参数估计法建立风电功率预测不确定性分析模型,输出值以分位数回归为理论基础。
目前,在风电功率预测的不确定性研究领域已取得些许成果,但上述描述的方法仍存在以下问题:①可靠性和精度亟待进一步提升;②实用性能有待提高,如开发一种方法既适用于基于数值天气预报的预测模型,也适用于基于历史数据的预测模型;③上述现有的方法需要假设预测误差服从高斯分布,但并不符合实际情况。
发明内容
本发明的实施例提供一种短期风电功率预测的不确定性分析方法及装置,以提高短期风电功率预测的不确定性分析方法的可靠性、精度以及实用性,且无需假设预测误差服从高斯分布。
为达到上述目的,本发明采用如下技术方案:
一种短期风电功率预测的不确定性分析方法,包括:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
具体的,将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集,包括:
根据公式:将所述数值天气预报数据进行标准化预处理,生成标准化预处理后的数值天气预报数据w0-1;其中,w为待处理的数值天气预报数据;wmin为各采集的数值天气预报数据中的最小值;wmax为各采集的数值天气预报数据中的最大值;
根据公式:将所述预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的风电场单台风电机组功率数据p0-1;其中,p为待处理的风电场单台风电机组功率数据;pmin为各采集的风电场单台风电机组功率数据的最小值;pmax为各采集的风电场单台风电机组功率数据的最大值;
选取相对应的标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,形成训练数据集和测试数据集;其中,所述标准化预处理后的数值天气预报数据作为训练数据集的训练输入变量和测试数据集的测试输入变量;标准化预处理后的风电场单台风电机组功率数据作为训练数据集的训练输出变量和测试数据集的测试输出变量。
具体的,将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练,包括:
对包含三层的径向基神经网络的隐藏层与输出层之间的连接权值ωi进行初始化;
通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练;
所述通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练,包括:
采用径向基函数对训练输入变量进行非线性映射:
其中,g(Ii)是训练输入变量对应训练输出变量的非线性映射关系的激活函数;Ii为训练数据集中的训练输入变量对应的i维变量;所述i维变量包括风速、风向正弦和风向余弦;ci为高斯函数的距离中心点;σ2为高斯函数的方差;
建立径向基神经网络的隐藏层与输出层的映射关系:
其中,O为训练输出变量,N为训练输出变量总数。
具体的,根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据,包括:
根据训练后的径向基神经网络模型,以所述测试数据集的测试输入变量为输入,对短期风电功率进行预测,生成短期风电功率预测输出变量T;所述测试输入变量与所述训练数据集中的训练输入变量对应的i维变量的构成相同。
具体的,根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型,包括:
根据所述短期风电功率预测输出变量和测试数据集的测试输出变量,确定短期风电功率预测误差error;其中,error=T-N;T为短期风电功率预测输出变量;N为测试数据集的测试输出变量;
根据风电场的切入风速、额定风速和切出风速下的实际功率划分多个短期风电功率段,并确定各短期风电功率段的预测误差;
建立各短期风电功率段的预测误差的分段云模型;
所述分段云模型表示为:
其中,En为一短期风电功率段中的error的熵;
n为一短期风电功率段中的数据样本总数;
Eerror为一短期风电功率段中的error的数学期望;
S2为一短期风电功率段中的error的方差;
He为一短期风电功率段中的error的超熵。
具体的,在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果,包括:
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出变量T对应的上下区间限值,作为短期风电功率预测的不确定性分析结果。
一种短期风电功率预测的不确定性分析装置,包括:
数据采集单元,用于采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
标准化预处理单元,用于将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
径向基神经网络模型训练单元,用于将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
预测单元,用于根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
分段云模型建立单元,用于根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
不确定性分析结果确定单元,用于在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
另外,所述标准化预处理单元,具体用于:
根据公式:将所述数值天气预报数据进行标准化预处理,生成标准化预处理后的数值天气预报数据w0-1;其中,w为待处理的数值天气预报数据;wmin为各采集的数值天气预报数据中的最小值;wmax为各采集的数值天气预报数据中的最大值;
根据公式:将所述预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的风电场单台风电机组功率数据p0-1;其中,p为待处理的风电场单台风电机组功率数据;pmin为各采集的风电场单台风电机组功率数据的最小值;pmax为各采集的风电场单台风电机组功率数据的最大值;
选取相对应的标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,形成训练数据集和测试数据集;其中,所述标准化预处理后的数值天气预报数据作为训练数据集的训练输入变量和测试数据集的测试输入变量;标准化预处理后的风电场单台风电机组功率数据作为训练数据集的训练输出变量和测试数据集的测试输出变量。
另外,所述径向基神经网络模型训练单元,具体用于:
对包含三层的径向基神经网络的隐藏层与输出层之间的连接权值ωi进行初始化;
通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练;
所述通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练,包括:
采用径向基函数对训练输入变量进行非线性映射:
其中,g(Ii)是训练输入变量对应训练输出变量的非线性映射关系的激活函数;Ii为训练数据集中的训练输入变量对应的i维变量;所述i维变量包括风速、风向正弦和风向余弦;ci为高斯函数的距离中心点;σ2为高斯函数的方差;
建立径向基神经网络的隐藏层与输出层的映射关系:
其中,O为训练输出变量,N为训练输出变量总数。
另外,所述预测单元,具体用于:
根据训练后的径向基神经网络模型,以所述测试数据集的测试输入变量为输入,对短期风电功率进行预测,生成短期风电功率预测输出变量T;所述测试输入变量与所述训练数据集中的训练输入变量对应的i维变量的构成相同。
另外,所述分段云模型建立单元,具体用于:
根据所述短期风电功率预测输出变量和测试数据集的测试输出变量,确定短期风电功率预测误差error;其中,error=T-N;T为短期风电功率预测输出变量;N为测试数据集的测试输出变量;
根据风电场的切入风速、额定风速和切出风速下的实际功率划分多个短期风电功率段,并确定各短期风电功率段的预测误差;
建立各短期风电功率段的预测误差的分段云模型;
所述分段云模型表示为:
其中,En为一短期风电功率段中的error的熵;
n为一短期风电功率段中的数据样本总数;
Eerror为一短期风电功率段中的error的数学期望;
S2为一短期风电功率段中的error的方差;
He为一短期风电功率段中的error的超熵。
另外,所述不确定性分析结果确定单元,具体用于:
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出变量T对应的上下区间限值,作为短期风电功率预测的不确定性分析结果。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
一种计算机设备,包括存储器、处理器及存储在存储上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
本发明实施例提供的一种短期风电功率预测的不确定性分析方法及装置,可以将标准化预处理后的数值天气预报数据作为输入,标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;根据训练后的径向基神经网络模型在测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;根据短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;在预先设置的置信水平下,根据分段云模型计算短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。可见,本发明无需假设预测误差服从高斯分布,以各个功率区间段内单点预测误差为模型输入参量,生成能够表达研究对象不确定特性和随机特性的云模型,无需考虑单一因素对误差大小的干扰,可以提供指定置信水平下的单点预测结果的上下波动范围,整个过程简单方便,普适性强,能够为电力***调度决策、备用安排等提供一定指导意见,可以提高短期风电功率预测的不确定性分析方法的可靠性、精度以及实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种短期风电功率预测的不确定性分析方法的流程图一
图2为本发明实施例提供的一种短期风电功率预测的不确定性分析方法的流程图二;
图3为本发明实施例提供的一种短期风电功率预测的不确定性分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种短期风电功率预测的不确定性分析方法,特别是可以是一种基于分段云模型的短期风电功率预测的不确定性分析方法,其包括:
步骤101、采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据。
其中,所述数值天气预报数据包括风速及风向数据。
步骤102、将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集。
步骤103、将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练。
步骤104、根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据。
步骤105、根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型。
步骤106、在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
本发明实施例提供的一种短期风电功率预测的不确定性分析方法,无需假设预测误差服从高斯分布,以各个功率区间段内单点预测误差为模型输入参量,生成能够表达研究对象不确定特性和随机特性的云模型,无需考虑单一因素对误差大小的干扰,可以提供指定置信水平下的单点预测结果的上下波动范围,整个过程简单方便,普适性强,能够为电力***调度决策、备用安排等提供一定指导意见,可以提高短期风电功率预测的不确定性分析方法的可靠性、精度以及实用性。
为了使本领域的技术人员更好的了解本发明,下面列举一个更为详细的实施例,如图2所示,本发明实施例提供一种短期风电功率预测的不确定性分析方法,包括:
步骤201、采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据。
其中,所述数值天气预报数据包括风速及风向数据。数值天气预报数据(Numerical Weather Prediction,简称NWP),是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法而得到的数据。
步骤202、根据公式:将所述数值天气预报数据进行标准化预处理,生成标准化预处理后的数值天气预报数据w0-1。
其中,w为待处理的数值天气预报数据;wmin为各采集的数值天气预报数据中的最小值;wmax为各采集的数值天气预报数据中的最大值。
步骤203、根据公式:将所述预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的风电场单台风电机组功率数据p0-1。
其中,p为待处理的风电场单台风电机组功率数据;pmin为各采集的风电场单台风电机组功率数据的最小值;pmax为各采集的风电场单台风电机组功率数据的最大值。
步骤204、选取相对应的标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,形成训练数据集和测试数据集。
此处训练数据集可以表示为I×O,测试数据集可以表示为M×N。
其中,所述标准化预处理后的数值天气预报数据作为训练数据集的训练输入变量I和测试数据集的测试输入变量M;标准化预处理后的风电场单台风电机组功率数据作为训练数据集的训练输出变量O和测试数据集的测试输出变量N。
步骤205、对包含三层的径向基神经网络的隐藏层与输出层之间的连接权值ωi进行初始化。
步骤206、通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练。
具体的,此处的步骤206,通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练,可通过如下方式实现:
子步骤601、采用径向基函数对训练输入变量进行非线性映射:
其中,g(Ii)是训练输入变量对应训练输出变量的非线性映射关系的激活函数;Ii为训练数据集中的训练输入变量对应的i维变量;所述i维变量包括风速、风向正弦和风向余弦;ci为高斯函数的距离中心点;σ2为高斯函数的方差。
子步骤602、建立径向基神经网络的隐藏层与输出层的映射关系:
其中,O为训练输出变量,N为训练输出变量总数。
步骤207、根据训练后的径向基神经网络模型,以所述测试数据集的测试输入变量为输入,对短期风电功率进行预测,生成短期风电功率预测输出变量T。
其中,需要说明的是,对短期风电功率进行预测的过程可以如上述子步骤601和子步骤602所示。此处的测试输入变量与所述训练数据集中的训练输入变量对应的i维变量的构成相同。
步骤208、根据所述短期风电功率预测输出变量和测试数据集的测试输出变量,确定短期风电功率预测误差error。
其中,error=T-N;T为短期风电功率预测输出变量;N为测试数据集的测试输出变量。
步骤209、根据风电场的切入风速、额定风速和切出风速下的实际功率划分多个短期风电功率段,并确定各短期风电功率段的预测误差。
此处,根据风电场的切入风速vcut-in、额定风速vrated和切出风速vcut-out下的实际功率划分多个短期风电功率段可以是划分为4个区间,如(0-20MW)、(20-40MW)、(40-55MW)和(55-80MW)四个区间。
步骤210、建立各短期风电功率段的预测误差的分段云模型。
其中,所述分段云模型表示为:
其中,En为一短期风电功率段中的error的熵;
n为一短期风电功率段中的数据样本总数;
Eerror为一短期风电功率段中的error的数学期望;
S2为一短期风电功率段中的error的方差;
He为一短期风电功率段中的error的超熵。
步骤211、在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出变量T对应的上下区间限值,作为短期风电功率预测的不确定性分析结果。
此处的预先设置的置信水平可以为90%或95%,但不仅局限于此。
本发明实施例提供的一种短期风电功率预测的不确定性分析方法,无需假设预测误差服从高斯分布,以各个功率区间段内单点预测误差为模型输入参量,生成能够表达研究对象不确定特性和随机特性的云模型,无需考虑单一因素对误差大小的干扰,可以提供指定置信水平下的单点预测结果的上下波动范围,整个过程简单方便,普适性强,能够为电力***调度决策、备用安排等提供一定指导意见,可以提高短期风电功率预测的不确定性分析方法的可靠性、精度以及实用性。
对应于上述图1和图2所示的方法实施例,如图3所示,本发明实施例还提供一种短期风电功率预测的不确定性分析装置,包括:
数据采集单元31,用于采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据。
标准化预处理单元32,用于将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集。
径向基神经网络模型训练单元33,用于将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练.。
预测单元34,用于根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据。
分段云模型建立单元35,用于根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型。
不确定性分析结果确定单元36,用于在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
另外,所述标准化预处理单元32,具体可以用于:
根据公式:将所述数值天气预报数据进行标准化预处理,生成标准化预处理后的数值天气预报数据w0-1;其中,w为待处理的数值天气预报数据;wmin为各采集的数值天气预报数据中的最小值;wmax为各采集的数值天气预报数据中的最大值。
根据公式:将所述预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的风电场单台风电机组功率数据p0-1;其中,p为待处理的风电场单台风电机组功率数据;pmin为各采集的风电场单台风电机组功率数据的最小值;pmax为各采集的风电场单台风电机组功率数据的最大值。
选取相对应的标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,形成训练数据集和测试数据集;其中,所述标准化预处理后的数值天气预报数据作为训练数据集的训练输入变量和测试数据集的测试输入变量;标准化预处理后的风电场单台风电机组功率数据作为训练数据集的训练输出变量和测试数据集的测试输出变量。
另外,所述径向基神经网络模型训练单元33,具体可以用于:
对包含三层的径向基神经网络的隐藏层与输出层之间的连接权值ωi进行初始化。
通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练。
所述通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练,包括:
采用径向基函数对训练输入变量进行非线性映射:
其中,g(Ii)是训练输入变量对应训练输出变量的非线性映射关系的激活函数;Ii为训练数据集中的训练输入变量对应的i维变量;所述i维变量包括风速、风向正弦和风向余弦;ci为高斯函数的距离中心点;σ2为高斯函数的方差。
建立径向基神经网络的隐藏层与输出层的映射关系:
其中,O为训练输出变量,N为训练输出变量总数。
另外,所述预测单元34,具体可以用于:
根据训练后的径向基神经网络模型,以所述测试数据集的测试输入变量为输入,对短期风电功率进行预测,生成短期风电功率预测输出变量T;所述测试输入变量与所述训练数据集中的训练输入变量对应的i维变量的构成相同。
另外,所述分段云模型建立单元35,具体可以用于:
根据所述短期风电功率预测输出变量和测试数据集的测试输出变量,确定短期风电功率预测误差error;其中,error=T-N;T为短期风电功率预测输出变量;N为测试数据集的测试输出变量。
根据风电场的切入风速、额定风速和切出风速下的实际功率划分多个短期风电功率段,并确定各短期风电功率段的预测误差。
建立各短期风电功率段的预测误差的分段云模型。
所述分段云模型表示为:
其中,En为一短期风电功率段中的error的熵;
n为一短期风电功率段中的数据样本总数;
Eerror为一短期风电功率段中的error的数学期望;
S2为一短期风电功率段中的error的方差;
He为一短期风电功率段中的error的超熵。
另外,所述不确定性分析结果确定单元36,具体可以用于:
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出变量T对应的上下区间限值,作为短期风电功率预测的不确定性分析结果。
此外,本发明实施例还可以提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据。
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集。
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练。
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据。
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型。
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
另外,本发明实施例还可以提供一种计算机设备,包括存储器、处理器及存储在存储上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据。
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集。
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练。
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据。
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型。
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
本发明实施例提供的一种短期风电功率预测的不确定性分析装置,无需假设预测误差服从高斯分布,以各个功率区间段内单点预测误差为模型输入参量,生成能够表达研究对象不确定特性和随机特性的云模型,无需考虑单一因素对误差大小的干扰,可以提供指定置信水平下的单点预测结果的上下波动范围,整个过程简单方便,普适性强,能够为电力***调度决策、备用安排等提供一定指导意见,可以提高短期风电功率预测的不确定性分析方法的可靠性、精度以及实用性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种短期风电功率预测的不确定性分析方法,其特征在于,包括:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
2.根据权利要求1所述的短期风电功率预测的不确定性分析方法,其特征在于,将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集,包括:
根据公式:将所述数值天气预报数据进行标准化预处理,生成标准化预处理后的数值天气预报数据w0-1;其中,w为待处理的数值天气预报数据;wmin为各采集的数值天气预报数据中的最小值;wmax为各采集的数值天气预报数据中的最大值;
根据公式:将所述预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的风电场单台风电机组功率数据p0-1;其中,p为待处理的风电场单台风电机组功率数据;pmin为各采集的风电场单台风电机组功率数据的最小值;pmax为各采集的风电场单台风电机组功率数据的最大值;
选取相对应的标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,形成训练数据集和测试数据集;其中,所述标准化预处理后的数值天气预报数据作为训练数据集的训练输入变量和测试数据集的测试输入变量;标准化预处理后的风电场单台风电机组功率数据作为训练数据集的训练输出变量和测试数据集的测试输出变量。
3.根据权利要求2所述的短期风电功率预测的不确定性分析方法,其特征在于,将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练,包括:
对包含三层的径向基神经网络的隐藏层与输出层之间的连接权值ωi进行初始化;
通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练;
所述通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练,包括:
采用径向基函数对训练输入变量进行非线性映射:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,g(Ii)是训练输入变量对应训练输出变量的非线性映射关系的激活函数;Ii为训练数据集中的训练输入变量对应的i维变量;所述i维变量包括风速、风向正弦和风向余弦;ci为高斯函数的距离中心点;σ2为高斯函数的方差;
建立径向基神经网络的隐藏层与输出层的映射关系:
<mrow>
<mi>O</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,O为训练输出变量,N为训练输出变量总数。
4.根据权利要求3所述的短期风电功率预测的不确定性分析方法,其特征在于,根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据,包括:
根据训练后的径向基神经网络模型,以所述测试数据集的测试输入变量为输入,对短期风电功率进行预测,生成短期风电功率预测输出变量T;所述测试输入变量与所述训练数据集中的训练输入变量对应的i维变量的构成相同。
5.根据权利要求4所述的短期风电功率预测的不确定性分析方法,其特征在于,根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型,包括:
根据所述短期风电功率预测输出变量和测试数据集的测试输出变量,确定短期风电功率预测误差error;其中,error=T-N;T为短期风电功率预测输出变量;N为测试数据集的测试输出变量;
根据风电场的切入风速、额定风速和切出风速下的实际功率划分多个短期风电功率段,并确定各短期风电功率段的预测误差;
建立各短期风电功率段的预测误差的分段云模型;
所述分段云模型表示为:
<mrow>
<msub>
<mi>E</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
</msqrt>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mn>1</mn>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mo>-</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>E</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
其中,En为一短期风电功率段中的error的熵;
n为一短期风电功率段中的数据样本总数;
Eerror为一短期风电功率段中的error的数学期望;
S2为一短期风电功率段中的error的方差;
He为一短期风电功率段中的error的超熵。
6.根据权利要求5所述的短期风电功率预测的不确定性分析方法,其特征在于,在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果,包括:
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出变量T对应的上下区间限值,作为短期风电功率预测的不确定性分析结果。
7.一种短期风电功率预测的不确定性分析装置,其特征在于,包括:
数据采集单元,用于采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
标准化预处理单元,用于将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
径向基神经网络模型训练单元,用于将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
预测单元,用于根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
分段云模型建立单元,用于根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
不确定性分析结果确定单元,用于在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
8.根据权利要求7所述的短期风电功率预测的不确定性分析装置,其特征在于,所述标准化预处理单元,具体用于:
根据公式:将所述数值天气预报数据进行标准化预处理,生成标准化预处理后的数值天气预报数据w0-1;其中,w为待处理的数值天气预报数据;wmin为各采集的数值天气预报数据中的最小值;wmax为各采集的数值天气预报数据中的最大值;
根据公式:将所述预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的风电场单台风电机组功率数据p0-1;其中,p为待处理的风电场单台风电机组功率数据;pmin为各采集的风电场单台风电机组功率数据的最小值;pmax为各采集的风电场单台风电机组功率数据的最大值;
选取相对应的标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,形成训练数据集和测试数据集;其中,所述标准化预处理后的数值天气预报数据作为训练数据集的训练输入变量和测试数据集的测试输入变量;标准化预处理后的风电场单台风电机组功率数据作为训练数据集的训练输出变量和测试数据集的测试输出变量。
9.根据权利要求8所述的短期风电功率预测的不确定性分析装置,其特征在于,所述径向基神经网络模型训练单元,具体用于:
对包含三层的径向基神经网络的隐藏层与输出层之间的连接权值ωi进行初始化;
通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练;
所述通过训练数据集中的训练输入变量和训练输出变量对径向基神经网络模型进行训练,包括:
采用径向基函数对训练输入变量进行非线性映射:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,g(Ii)是训练输入变量对应训练输出变量的非线性映射关系的激活函数;Ii为训练数据集中的训练输入变量对应的i维变量;所述i维变量包括风速、风向正弦和风向余弦;ci为高斯函数的距离中心点;σ2为高斯函数的方差;
建立径向基神经网络的隐藏层与输出层的映射关系:
<mrow>
<mi>O</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,O为训练输出变量,N为训练输出变量总数。
10.根据权利要求9所述的短期风电功率预测的不确定性分析装置,其特征在于,所述预测单元,具体用于:
根据训练后的径向基神经网络模型,以所述测试数据集的测试输入变量为输入,对短期风电功率进行预测,生成短期风电功率预测输出变量T;所述测试输入变量与所述训练数据集中的训练输入变量对应的i维变量的构成相同。
11.根据权利要求10所述的短期风电功率预测的不确定性分析装置,其特征在于,所述分段云模型建立单元,具体用于:
根据所述短期风电功率预测输出变量和测试数据集的测试输出变量,确定短期风电功率预测误差error;其中,error=T-N;T为短期风电功率预测输出变量;N为测试数据集的测试输出变量;
根据风电场的切入风速、额定风速和切出风速下的实际功率划分多个短期风电功率段,并确定各短期风电功率段的预测误差;
建立各短期风电功率段的预测误差的分段云模型;
所述分段云模型表示为:
<mrow>
<msub>
<mi>E</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
</msqrt>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mn>1</mn>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mo>-</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>H</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mi>S</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<msubsup>
<mi>E</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
其中,En为一短期风电功率段中的error的熵;
n为一短期风电功率段中的数据样本总数;
Eerror为一短期风电功率段中的error的数学期望;
S2为一短期风电功率段中的error的方差;
He为一短期风电功率段中的error的超熵。
12.根据权利要求11所述的短期风电功率预测的不确定性分析装置,其特征在于,所述不确定性分析结果确定单元,具体用于:
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出变量T对应的上下区间限值,作为短期风电功率预测的不确定性分析结果。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
14.一种计算机设备,包括存储器、处理器及存储在存储上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
采集预先指定的风电场的数值天气预报数据,以及所述预先指定的风电场单台风电机组功率数据;所述数值天气预报数据包括风速及风向数据;
将所述数值天气预报数据和预先指定的风电场单台风电机组功率数据进行标准化预处理,生成标准化预处理后的数值天气预报数据和标准化预处理后的风电场单台风电机组功率数据,并形成训练数据集和测试数据集;
将所述标准化预处理后的数值天气预报数据作为输入,所述标准化预处理后的风电场单台风电机组功率数据作为输出,通过训练数据集中的输入数据和输出数据对径向基神经网络模型进行训练;
根据训练后的径向基神经网络模型在所述测试数据集上对短期风电功率进行预测,生成短期风电功率预测输出数据;
根据所述短期风电功率预测输出数据和测试数据集中的测试输出数据确定短期风电功率预测误差,并建立各短期风电功率段的预测误差的分段云模型;
在预先设置的置信水平下,根据所述分段云模型计算所述短期风电功率预测输出数据的上下区间限值,作为短期风电功率预测的不确定性分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711326009.1A CN108092319A (zh) | 2017-12-13 | 2017-12-13 | 一种短期风电功率预测的不确定性分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711326009.1A CN108092319A (zh) | 2017-12-13 | 2017-12-13 | 一种短期风电功率预测的不确定性分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108092319A true CN108092319A (zh) | 2018-05-29 |
Family
ID=62175266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711326009.1A Pending CN108092319A (zh) | 2017-12-13 | 2017-12-13 | 一种短期风电功率预测的不确定性分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108092319A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109167387A (zh) * | 2018-09-14 | 2019-01-08 | 大唐新疆清洁能源有限公司 | 风场风电功率预测方法 |
CN110365053A (zh) * | 2019-08-09 | 2019-10-22 | 南京信息工程大学 | 基于延迟优化策略的短期风电功率预测方法 |
CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN110880052A (zh) * | 2019-11-22 | 2020-03-13 | 河北轨道运输职业技术学院 | 一种城市轨道交通短期客流动态预测方法 |
CN111523087A (zh) * | 2020-04-10 | 2020-08-11 | 北京航空航天大学 | 一种台风强度长期变化趋势分析方法 |
WO2021007845A1 (zh) * | 2019-07-16 | 2021-01-21 | 东北大学 | 一种氧化铝生产指标的云-边协同预报***及方法 |
CN112653177A (zh) * | 2019-10-11 | 2021-04-13 | 河北轨道运输职业技术学院 | 多能互补发电***输出功率同质化分析方法 |
CN112819189A (zh) * | 2019-11-15 | 2021-05-18 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于历史预测值的风力出力预测方法 |
CN113988398A (zh) * | 2021-10-22 | 2022-01-28 | 华北电力大学 | 一种风电机组功率预测方法、装置、电子设备和存储介质 |
US20220082086A1 (en) * | 2020-09-14 | 2022-03-17 | Nordex Energy Se & Co. Kg | Method of operating a wind turbine |
CN114819364A (zh) * | 2022-05-05 | 2022-07-29 | 国网吉林省电力有限公司 | 分位点回归森林和可变带宽评估的风电功率概率预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
-
2017
- 2017-12-13 CN CN201711326009.1A patent/CN108092319A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
Non-Patent Citations (3)
Title |
---|
栗然: "《基于云模型的短期电价预测的研究》", 《CNKI硕士论文库》 * |
赵宏伟等: "《基于最优输入径向基网络的风电功率预测方法》", 《电力科学与技术学报》 * |
阎洁: "《风电功率预测不确定性及电力***经济调度》", 《CNKI博士论文库》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109167387A (zh) * | 2018-09-14 | 2019-01-08 | 大唐新疆清洁能源有限公司 | 风场风电功率预测方法 |
WO2021007845A1 (zh) * | 2019-07-16 | 2021-01-21 | 东北大学 | 一种氧化铝生产指标的云-边协同预报***及方法 |
CN110365053A (zh) * | 2019-08-09 | 2019-10-22 | 南京信息工程大学 | 基于延迟优化策略的短期风电功率预测方法 |
CN110365053B (zh) * | 2019-08-09 | 2023-04-25 | 南京信息工程大学 | 基于延迟优化策略的短期风电功率预测方法 |
CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN110659672B (zh) * | 2019-09-02 | 2023-09-26 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
CN112653177A (zh) * | 2019-10-11 | 2021-04-13 | 河北轨道运输职业技术学院 | 多能互补发电***输出功率同质化分析方法 |
CN112819189A (zh) * | 2019-11-15 | 2021-05-18 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于历史预测值的风力出力预测方法 |
CN110880052A (zh) * | 2019-11-22 | 2020-03-13 | 河北轨道运输职业技术学院 | 一种城市轨道交通短期客流动态预测方法 |
CN111523087B (zh) * | 2020-04-10 | 2021-04-16 | 北京航空航天大学 | 一种台风强度长期变化趋势分析方法 |
CN111523087A (zh) * | 2020-04-10 | 2020-08-11 | 北京航空航天大学 | 一种台风强度长期变化趋势分析方法 |
US20220082086A1 (en) * | 2020-09-14 | 2022-03-17 | Nordex Energy Se & Co. Kg | Method of operating a wind turbine |
US11692528B2 (en) * | 2020-09-14 | 2023-07-04 | Nordex Energy Se & Co. Kg | Method of operating a wind turbine |
CN113988398A (zh) * | 2021-10-22 | 2022-01-28 | 华北电力大学 | 一种风电机组功率预测方法、装置、电子设备和存储介质 |
CN114819364A (zh) * | 2022-05-05 | 2022-07-29 | 国网吉林省电力有限公司 | 分位点回归森林和可变带宽评估的风电功率概率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108092319A (zh) | 一种短期风电功率预测的不确定性分析方法及装置 | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
EP3396571A1 (en) | Method and device for calculating power generation capacity of wind farm | |
CN110311376A (zh) | 一种电力***动态安全评估综合模型及时空可视化方法 | |
KR102633236B1 (ko) | 시뮬레이션 방법 및 시스템 | |
Karki et al. | A simplified risk-based method for short-term wind power commitment | |
CN105844361B (zh) | 风电机组风功率预测方法、解缆方法和装置 | |
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 | |
CN110705771B (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN107679768A (zh) | 一种基于电网实时数据的态势感知***及其构建方法 | |
CN110210670A (zh) | 一种基于电力***短期负荷的预测方法 | |
CN109726766A (zh) | 一种基于集成决策树的电力***在线动态安全评估方法 | |
CN105279384A (zh) | 一种基于风力机机舱风速的来流风速计算方法及装置 | |
CN110146813A (zh) | 一种分散式风电机组电能质量测试方法 | |
Dhiman et al. | Decision and Control in Hybrid Wind Farms | |
CN110635474A (zh) | 一种基于长短期记忆网络的电网动态轨迹趋势预测方法 | |
Molinar et al. | Ampacity forecasting: an approach using Quantile Regression Forests | |
Li et al. | Impact of wake effect on wind power prediction | |
CN113051845B (zh) | 在役山地风电场实时风资源可视化评估方法、***、设备及存储介质 | |
Goutard | Renewable energy resources in energy management systems | |
CN101794118A (zh) | 基于***解耦和序优化遗传算法的励磁***参数辨识方法 | |
CN115983449A (zh) | 海上基地场群确定方法、装置、存储介质及电子设备 | |
Bouzidi | Wind power variability: Deterministic and probabilistic forecast of wind power production | |
Wei et al. | Ultra-short-term/short-term wind power continuous prediction based on fuzzy clustering analysis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180529 |
|
WD01 | Invention patent application deemed withdrawn after publication |