CN108388962B - 一种风电功率预测***及方法 - Google Patents
一种风电功率预测***及方法 Download PDFInfo
- Publication number
- CN108388962B CN108388962B CN201810118520.0A CN201810118520A CN108388962B CN 108388962 B CN108388962 B CN 108388962B CN 201810118520 A CN201810118520 A CN 201810118520A CN 108388962 B CN108388962 B CN 108388962B
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- data
- wind
- neural network
- 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 35
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000002955 isolation Methods 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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)
- Wind Motors (AREA)
Abstract
本发明提供一种风电功率预测***，包括：(1)数据采集服务器，用于运行数据采集软件，与风电场侧风电综合通信管理终端通信并采集数据；(2)数据库服务器：数据的处理、统计分析和存储；(3)应用工作站；(4)风电功率预测服务器：运行风电功率预测模块，基于采集或提供SCADA***提供的数值天气预报，使用基于加权最小二乘支持向量机和量子粒子群预测的神经网络综合算法，并结合风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期和超短期预测；(5)数据接口服务器：用于获得数值天气预报；(6)反向物理隔离设备，用于保证网络安全。还公开了一种风电功率预测方法，保证现场使用的预测数据能够体现近期的发电功率特征。
Description
技术领域
本发明属于电力***，特别是涉及一种风电功率预测***及方法。
背景技术
准确的风电功率预测可以帮助电网调度部门做好各类电源的调度计划，提高电网运行的稳定性，提高电网消纳风电的能力，进而减少由于限电给风电开发商带来的经济损失，从而增加风电场投资回报率，为风电场的管理工作提供辅助手段。
风电功率预测可以有多种分类方式，按照预测的物理量分为先预测风速然后根据风电机组或风电功率曲线预测输出功率，以及直接预测输出功率；按数字模型分类为持续预测方法，ARAM模型，即差分自回归移动平均模型，多用在随机时间序列法，卡尔曼滤波以及智能方法，如人工神经网络；按照输入数据分为不采用数据天气预报数据的基于时间序列的以及采用数据天气预报的物理、统计和综合方法；按时间尺度分为超短期预测和短期预测。
通过一定技术手段对风电预测***进行考核，特别重要，风电预测考核的核心问题是考核风电场上报的发电计划与生产当天实际风电出力的比对。风电场上报的发电计划是基于风电功率考核***的，这个***预测得到的是一个可能的风电功率曲线，生产当天实际风电出力是由电厂内样板机策的地数据来表示的。目前受地形复杂、近地风速数值预报难度大、数值天气预报精度偏低、预测技术研究起步晚，预测方法对数据质量要求高等因素的制约，目前风电功率预测水平普遍偏低，根据国家能源局关于风电场功率预测预报管理暂行办法的要求，全天预测结果的均方根误差应小于20％。因此需要开发更为精确的风电功率预测***，并置入更精确的风电功率预测方法。
发明内容
本发明所要解决的技术问题是：克服现有技术的不足，提供一种预测结果的精度更高的风电功率预测***及预测方法，降低电网公司对风电场功率预测精度的考核引起的风电投资方损失。
为此，本发明的目的在于提供一种风电功率预测***，包括：
(1)数据采集服务器，包括数据采集器，用于运行数据采集软件，与风电场侧风电综合通信管理终端通信并采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果数据；
(2)数据库服务器：用于数据的处理、统计分析和存储，为保证数据可靠存储，所述数据库服务器配置磁盘阵列；
(3)应用工作站：包括PC工作站设备，完成***的建模、图形生成显示、报表制作打印功能；
(4)风电功率预测服务器：使用实体服务器运行风电功率预测模块，基于采集或提供SCADA***提供的数值天气预报，使用基于加权最小二乘支持向量机和量子粒子群预测的神经网络综合算法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测；
(5)数据接口服务器：使用实体服务器获得数值天气预报；
(6)反向物理隔离设备，包括网络交换机及网络通讯附件，物理隔离装置，机柜与附件，用于保证网络安全，设置在网络边界处，同时向数据采集与监视控制***(SCADA)和能量管理***(EMS)传送风电功率预测的结果。
优选的，还包括测风塔，用于测量实施气象数据，从而进行超短期功率预测。
优选的，所述实体测风塔根据风场的实际物理条件安装，以保障预测的准确性，安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据，测风塔高度不低于风机轮毂高度。
优选的，所述测风塔配套硬件设备包括气象数据传感器、数据采集设备、数据传输设备，包括3台风速传感器、2台风向传感器、1台大气温度传感器、1台大气湿度传感器和1台大气压力传感器及数据采集器和数据传输设备，所述大气温度传感器和大气压力传感器装在8米高度；10米高度装一个风向传感器，其他安装高度安装一个或多个风向传感器；风速传感器在10米和30米分别安装一台。
优选的，还包括曲线展示模块，对所述风电功率预测的结果采用曲线展示模块进行展示，所述曲线包括预测及实际曲线，以列表的形式展示了各个风场当前的预测功率和实际功率，并可以通过日期控件、风速层高的下拉列表等条件进行多种选择，并保存到本地进行后续查询。
本发明的目的还在于提供一种风电功率预测方法，所述方法是基于神经网络预测结合加权最小二乘支持向量机以及量子粒子群算法的综合算法，包括如下步骤：
(1)建立神经网络模型预测气象数据；
(2)根据所得气象预测数据建立预测风电功率数据的双神经网络模型；
(3)确定相关点与风电场的风速时间曲线之间的关系，预测未来数小时内风电功率。
优选的，所述步骤(1)包括：对历史数据进行预处理，包括对缺失数据和“脏”数据的处理，然后将气象条件进行量化，最后将它们归一化处理后，构成某日的特征向量输入到双神经网络预测模型进行训练和预测。
优选的，其中所述步骤(2)包括：
(2-1)编码超参数，包括正则化参数和核参数，每一个粒子替换为潜在解，形成一个超参数组，并选择最优参数；
(2-2)建立适应函数，对泛化性能进行评估，
(2-3)迭代结束后，进行双神经网络模型的训练，训练RNN和普通的神经网络类似，使用反向传播算法，因为每个时刻的参数是共享的，因此参数的梯度不只依赖当前时刻的输出，还依赖于之前的时刻；
(2-4)双神经网络模型的扩展：双向扩展的思想是t时刻的输出不但依赖于之前的元素，而且还依赖之后的元素，输出依赖两个神经网络模型的隐状态，因此对双神经网络模型进行双向扩展。
优选的，所述步骤(2-2)所述适应函数为：fitness＝1/RMSE(γ,σ)，其中RMSE(γ,σ)是预测结果的均方根误差，随着最小二乘支持向量机参数对(γ,σ)变化而变化，当终止迭代判据满足时，最大适应函数就对应着最小二乘支持向量机最优参数。
优选的，所述算法的终止迭代判据包括两种方式：第一是当目标函数值小于或者等于一个给定阈值ε时算法停止；第二种是提前给定一个迭代次数，当达到这个数值时停止迭代。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
附图1为根据本发明实施例的风电功率预测***框图；
附图2为根据本发明实施例的风电功率预测方法流程图；
附图3为根据本发明实施例的风电功率短期及超短期预测流程图。
具体实施方式
附图1为根据本发明实施例的一种风电功率预测***，包括：(1)数据采集服务器，包括数据采集器，用于运行数据采集软件，与风电场侧风电综合通信管理终端通信并采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果数据；(2)数据库服务器：用于数据的处理、统计分析和存储，为保证数据可靠存储，所述数据库服务器配置磁盘阵列；(3)应用工作站：包括PC工作站设备，完成***的建模、图形生成显示、报表制作打印功能；(4)风电功率预测服务器：使用实体服务器运行风电功率预测模块，基于采集或提供SCADA***提供的数值天气预报，使用基于加权最小二乘支持向量机和量子粒子群预测的神经网络综合算法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测；(5)数据接口服务器：使用实体服务器获得数值天气预报；(6)反向物理隔离设备，包括网络交换机及网络通讯附件，物理隔离装置，机柜与附件，用于保证网络安全，设置在网络边界处，同时向数据采集与监视控制***(SCADA)和能量管理***(EMS)传送风电功率预测的结果；(7)实体测风塔，用于测量实施气象数据，从而进行超短期功率预测，实体测风塔根据风场的实际物理条件安装，以保障预测的准确性，安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据，测风塔高度不低于风机轮毂高度。测风塔配套硬件设备包括气象数据传感器、数据采集设备、数据传输设备，包括3台风速传感器、2台风向传感器、1台大气温度传感器、1台大气湿度传感器和1台大气压力传感器及数据采集器和数据传输设备，所述大气温度传感器和大气压力传感器装在8米高度；10米高度装一个风向传感器，其他安装高度安装一个或多个风向传感器；风速传感器在10米和30米分别安装一台；(8)曲线展示模块，对所述风电功率预测的结果采用曲线展示模块进行展示，所述曲线包括预测及实际曲线，以列表的形式展示了各个风场当前的预测功率和实际功率，并可以通过日期控件、风速层高的下拉列表等条件进行多种选择，并保存到本地进行后续查询。
附图2为根据本发明实施例的风电功率预测方法的流程图。正是现有风电功率预测***存在的问题，需要查找风电功率预测***准确率不满足电网考核要求的原因，掌握预测规律，调整上报预测出力，分析被考核的具体数据，对非风场原因的考核提出免考申请，利用现有条件，降低每月的考核费用，从而提出该风电功率的预测方法。
该风电功率预测方法涉及的数学概念和物理原理如下进行详细解释。最小二乘支持向量机模型是统计学的重要成果，最小二乘支持向量机的训练过程遵循结构风险最小化原则，将向量机不等式约束改为等式约束，将经验风险由偏差的一次方改为二次方，将求解二次规划问题转化为求解线性方程组，避免了不敏感损失函数，大大降低了计算复杂度，且运算速度高于一般的支持向量机，从而大大方便了Lagrange乘子α的求解，原问题是QP问题，而在LSSVM中则是一个解线性方程组的问题。最小二乘支持向量机算法描述为：对于给定的训练集，
在特征空间中的线性方程定义为：yi＝wTφ(xi)+bi,i＝1,2,...l；回归问题可以表示为：
s.t.yi＝ωTφ(xi)+b+ξi,i＝1,2,...l，其中ξi∈R为误差，C＞0为惩罚系数，起到调节误差的作用。
在风电功率***预测中，该时变***在工作时与工作点附近的数据有较大的相关性，而与远离工作点区域数据的相关性不是很大。随着***的变化、新数据的采集，使得以前离线数据样本所建立的模型并不能准确描述***的实际状况，为了使模型能够准确反映风电***当前的状态，应不断利用所获得的新数据建立能够反映***当前状况的新模型。
最小二乘支持向量机在改进了标准支持向量机模型的同时，却损失了鲁棒性，为了区别对待不同的风电时变数据，考虑将最小二乘支持向量机进行加权运算，其运算的具体步骤为：(1)给定训练数据集合{xk,yk},k＝1,2...N，找出最优参数，针对最优参数计算ek＝αk/γ；(2)根据误差ek的分布情况计算其鲁棒估计值
(3)由ek和
确定对应的权值vk；(4)解出a*和b*，给出最终非线性预测模型：
量子粒子群算法中，粒子具有量子行为，并且搜索能力远优于传统的粒子群算法。在量子粒子群算法中为了保证算法的收敛性，每个粒子必须收敛于各自的p点，p＝(p1,p2,...pd)，pd是该粒子在第d维的值。
其中：
通过下面的等式寻找粒子的位置：
式中，u为分布在0和1之间的一个随机数。引入一个全局点mbest来计算粒子的下一迭代步的变量，它定义了所有离子的局部最好位置的平均值：
以及mbest＝(mbest1,mbest2,...,mbestD)，
式中β为收缩扩张因子，调节它可以控制收敛速度，β＝0.5+0.5(tmax-t)/tmax，tmax是迭代的最大次数，M是粒子群体的大小，最后粒子的位置可以写成：
参见图3，基于神经网络预测结合上述加权最小二乘支持向量机以及量子粒子群算法包括：(1)建立神经网络模型预测气象数据；(2)根据所得气象预测数据再建预测风电功率数据的双神经网络模型；(3)确定相关点与风电场的风速时间曲线之间的关系，预测未来数小时内风电功率。其中加权最小二乘支持向量机以及量子粒子群算法下双神经网络模型建立包括三个关键因素：(1)如何将超参数替换为粒子的位置，也就是如何编码，(2)如何定义适应函数来评估粒子的优点；(3)如何进行双神经网络模型建立。包括：
(2-1)编码超参数，包括正则化参数和核参数，每一个粒子替换为潜在解，形成一个超参数组，并选择最优参数；
(2-2)建立适应函数，对泛化性能进行评估，本实施例使用的适应函数为：
fitness＝1/RMSE(γ,σ)，其中RMSE(γ,σ)是预测结果的均方根误差，它是随着最小二乘支持向量机参数对(γ,σ)变化而变化。当终止迭代判据满足时，最大适应函数就对应着最小二乘支持向量机最优参数。
算法的终止迭代判据包括两种方式：第一是当目标函数值小于或者等于一个给定阈值ε时算法停止；第二种是提前给定一个迭代次数，当达到这个数值时停止迭代。
(2-3)迭代结束后，进行双神经网络模型的训练，训练RNN和普通的神经网络类似，使用反向传播算法，因为每个时刻的参数是共享的，因此参数的梯度不只依赖当前时刻的输出，还依赖于之前的时刻。比如预测时为了计算风电场t＝4的梯度，我们需要把错误往前传递3个时刻。
(2-4)双神经网络模型的扩展：双向扩展的思想是t时刻的输出不但依赖于之前的元素，而且还依赖之后的元素，输出依赖两个神经网络模型的隐状态，因此对双神经网络模型进行双向扩展。
本实施例提出的背景基于2015年12月20日投运的平鲁卧龙洞风电场，2016年7月份进入考核期，受风电功率预测***技术的成熟性以及风资源等多方面因素的影响，每个月风电场的风电功率预测考核基本都处于被考核状态，2016年7月考核电量28.19MWH，2016年8月考核电量129.16MWH，2016年9月考核电量13.91MWH，2016年10月考核电量6.35MWH，2016年共计考核电量177.61MWH。因此采用该风电场2017年春季的负荷样本和气象数据建立预测模型。风电功率数据来自SCADA***提供的采样频率为12秒每点数据，采用附图2所示的风电功率预测***进行风电场风电功率的点预测。对历史数据进行预处理，包括对缺失数据和“脏”数据的处理，然后将气象条件(如降雨、最高温度、最低温度、温度等)进行量化，最后将它们归一化处理后，构成某日的特征向量输入到双神经网络预测模型进行训练和预测，归一化公式为：
通过常见的预测误差，即均方根误差、平均绝对误差和平均绝对百分比误差对预测结果进行对比分析，对未来0.25小时，1小时和2小时的风电功率进行预测，均方根误差分别为2.410、5.481和7.807，平均绝对误差分别为1.018、3.814和4.936；平均绝对百分比误差分别为15.17、26、35和28.17。
由此证明，该***和方法预测精度大大提高，预测的均方根误差降低，平均绝对误差降低，平均相对误差降低，实际应用到大型风场超短期风电功率预测中，预测结果的对比分析证明该方法有效，***预测精度提高。
虽然本发明已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。
Claims (10)
1.一种风电功率预测***，其特征在于包括：
(1)数据采集服务器，用于运行数据采集软件，与风电场侧风电综合通信管理终端通信并采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果数据；
(2)数据库服务器：用于数据的处理、统计分析和存储，为保证数据可靠存储，所述数据库服务器配置磁盘阵列；
(3)应用工作站：完成***的建模、图形生成显示、报表制作打印功能；
(4)风电功率预测服务器：用于运行风电功率预测模块，基于采集或提供SCADA***提供的数值天气预报，使用基于加权最小二乘支持向量机和量子粒子群预测的神经网络综合算法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测；
(5)数据接口服务器：用于获得数值天气预报；
(6)反向物理隔离设备，用于保证网络安全，设置在网络边界处，同时向数据采集与监视控制***(SCADA)和能量管理***(EMS)传送风电功率预测的结果。
2.根据权利要求1所述的一种风电功率预测***，其特征在于：还包括实体测风塔，用于测量实施气象数据，从而进行超短期功率预测。
3.根据权利要求2所述的一种风电功率预测***，其特征在于：所述实体测风塔根据风场的实际物理条件安装，以保障预测的准确性，安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据，测风塔高度不低于风机轮毂高度。
4.根据权利要求2-3任一所述的一种风电功率预测***，其特征在于：所述测风塔配套硬件设备包括气象数据传感器、数据采集设备、数据传输设备，包括3台风速传感器、2台风向传感器、1台大气温度传感器、1台大气湿度传感器和1台大气压力传感器及数据采集器和数据传输设备，所述大气温度传感器和大气压力传感器装在8米高度；10米高度装一个风向传感器，其他安装高度安装一个或多个风向传感器；风速传感器在10米和30米分别安装一台。
5.根据权利要求1所述的一种风电功率预测***，其特征在于：还包括曲线展示模块，对所述风电功率预测的结果采用曲线展示模块进行展示，所述曲线包括预测及实际曲线，以列表的形式展示了各个风场当前的预测功率和实际功率，并可以通过日期控件、风速层高的下拉列表等条件进行多种选择，并保存到本地进行后续查询。
6.一种风电功率预测方法，其特征在于所述方法是基于神经网络预测结合加权最小二乘支持向量机以及量子粒子群算法的综合算法，用于根据权利要求1-5任一所述的风电功率预测***，包括如下步骤：
(1)建立神经网络模型预测气象数据；
(2)根据所得气象预测数据建立预测风电功率数据的双神经网络模型；
(3)确定相关点与风电场的风速时间曲线之间的关系，预测未来数小时内风电功率。
7.根据权利要求6所述的一种风电功率预测方法，其特征在于所述步骤(1)包括：对历史数据进行预处理，包括对缺失数据和“脏”数据的处理，然后将气象条件进行量化，最后将它们归一化处理后，构成某日的特征向量输入到双神经网络预测模型进行训练和预测。
8.根据权利要求6所述的一种风电功率预测方法，其特征在于其中所述步骤(2)包括：
(2-1)编码超参数，包括正则化参数和核参数，每一个粒子替换为潜在解，形成一个超参数组，并选择最优参数；
(2-2)建立适应函数，对泛化性能进行评估；
(2-3)迭代结束后，进行双神经网络模型的训练，训练RNN和普通的神经网络类似，使用反向传播算法，因为每个时刻的参数是共享的，因此参数的梯度不只依赖当前时刻的输出，还依赖于之前的时刻；
(2-4)双神经网络模型的扩展：双向扩展的思想是t时刻的输出不但依赖于之前的元素，而且还依赖之后的元素，输出依赖两个神经网络模型的隐状态，因此对双神经网络模型进行双向扩展。
9.根据权利要求8所述的一种风电功率预测方法，其特征在于所述步骤(2-2)所述适应函数为：fitness＝1/RMSE(γ,σ)，其中RMSE(γ,σ)是预测结果的均方根误差，随着最小二乘支持向量机参数对(γ,σ)变化而变化，当终止迭代判据满足时，最大适应函数就对应着最小二乘支持向量机最优参数。
10.根据权利要求9所述的一种风电功率预测方法，其特征在于所述算法的终止迭代判据包括两种方式：第一是当目标函数值小于或者等于一个给定阈值ε时算法停止；第二种是提前给定一个迭代次数，当达到这个数值时停止迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810118520.0A CN108388962B (zh) | 2018-02-06 | 2018-02-06 | 一种风电功率预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810118520.0A CN108388962B (zh) | 2018-02-06 | 2018-02-06 | 一种风电功率预测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108388962A CN108388962A (zh) | 2018-08-10 |
| CN108388962B true CN108388962B (zh) | 2021-01-26 |
Family
ID=63075236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810118520.0A Active CN108388962B (zh) | 2018-02-06 | 2018-02-06 | 一种风电功率预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388962B (zh) |
Families Citing this family (10)
| 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 |
| CN109934402A (zh) * | 2019-03-11 | 2019-06-25 | 北京天润新能投资有限公司西北分公司 | 一种风电场集控中心集中风功率预测***及其设计方法 |
| CN110334847A (zh) * | 2019-05-24 | 2019-10-15 | 广东智造能源科技研究有限公司 | 基于改进K-means聚类与支持向量机的风功率预测方法 |
| CN111079980B (zh) * | 2019-11-22 | 2021-06-29 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
| CN111342499B (zh) * | 2020-03-05 | 2023-09-08 | 宁夏嘉泽新能源股份有限公司 | 一种基于风功率预测数据的风电场实时调度方法 |
| CN111489038B (zh) * | 2020-04-14 | 2022-09-30 | 北京天润新能投资有限公司 | 一种提升风电场超短期功率预测准确率的方法 |
| CN112015784B (zh) * | 2020-09-07 | 2024-02-13 | 华北电力大学（保定） | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 |
| CN112685955A (zh) * | 2020-12-30 | 2021-04-20 | 上海亿边科技有限公司 | 一种基于风电预测的能量管理*** |
| CN112784215B (zh) * | 2021-01-21 | 2022-04-15 | 中国三峡新能源(集团)股份有限公司 | 基于实时功率遥测量的风电场理论发电量计算方法 |
| CN113657662B (zh) * | 2021-08-13 | 2022-06-28 | 浙江大学 | 一种基于数据融合的降尺度风电功率预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201813161U (zh) * | 2010-07-16 | 2011-04-27 | 北京中科伏瑞电气技术有限公司 | 一种风电功率预测*** |
-
2018
- 2018-02-06 CN CN201810118520.0A patent/CN108388962B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201813161U (zh) * | 2010-07-16 | 2011-04-27 | 北京中科伏瑞电气技术有限公司 | 一种风电功率预测*** |
Non-Patent Citations (2)
| Title |
|---|
| CGAQPSO优化LSSVM短期风电预测;孙驷洲； 付敬奇； 朱峰；;《电子测量与仪器学报 》;20161130(第11期);全文 * |
| 基于QPSO-LSSVM的风电场超短期功率预测;张涛； 孙晓伟； 史苏怡； 李振兴；;《中国电力》;20160331(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108388962A (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388962B (zh) | 一种风电功率预测***及方法 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN105868853A (zh) | 一种短期风电功率组合概率预测方法 | |
| CN112926770A (zh) | 一种基于数字孪生的统一数据计量采集*** | |
| Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
| CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
| Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理*** | |
| CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的***及方法 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
| Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
| CN111368257A (zh) | 煤改电负荷特性的分析预测方法及装置 | |
| Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
| Cao et al. | Research on Intelligent Selection Methods for Similar Days Based on Meteorological Factors for Prediction of New Energy Station Power Generation | |
| CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |