CN109886488A - 考虑风速时滞性的分散式风电场分层混合短期预测方法 - Google Patents
考虑风速时滞性的分散式风电场分层混合短期预测方法 Download PDFInfo
- Publication number
- CN109886488A CN109886488A CN201910129892.8A CN201910129892A CN109886488A CN 109886488 A CN109886488 A CN 109886488A CN 201910129892 A CN201910129892 A CN 201910129892A CN 109886488 A CN109886488 A CN 109886488A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- wind
- wind power
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000002156 mixing Methods 0.000 claims abstract description 30
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000005611 electricity Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000003247 decreasing effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013517 stratification Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种考虑风速时滞性的分散式风电场分层混合短期预测方法、***及装置,利用历史风速时间序列、历史风电功率时间序列和偏自相关函数,分别得到目标历史风速取值时滞和目标历史风电功率取值时滞,利用数值天气预测模型对历史风速时间序列进行预测,得到目标风速预测期,避开实际数据的偏差,再对目标风速预测期进行校正,得到目标校正风速预测期,提高准确度,对目标校正风速预测期进行分层,将数据分类分析,再利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值,最后利用预设的混合预测模型,得到风电功率预测值,通过多预测模型混合进行预测,得到更精准的预测值。
Description
技术领域
本发明涉及电力***的新能源发电领域,特别涉及一种考虑风速时滞性的分散式风电场分层混合短期预测方法、***及装置。
背景技术
随着科技发展,新能源供电逐渐普及,其中风力发电便是现在大力发展的一种新能源之一,由于风力资源不同于水能,其分布较广,所以为最大化利用风力资源,风力发电经常成分散式布局,由于风力发电自身的不稳定特性加上分散式风电的分散式设置,分散式风电的并网管理是当前的一个重要研究课题。
增加风力发电需要解决市场集成和设计,实时电网运行,互连标准,电能质量,传输容量升级,电力***动态,稳定性和可靠性等方面的问题。风的不可预测性是预测中最大的挑战,也是阻碍风力发电渗透进一步发展的主要障碍。世界各地的研究表明,准确可靠的风电预测***可以提高风电的渗透率,突出了这一研究课题的重要性。
为了准确预测风力发电,学者们已经研究出了一些风力发电预测方法,可以分为物理方法、统计和学***均模型。此外,各种人工智能模型也广泛用于风电预测,比如神经网络,模糊逻辑和自适应小波神经网络等等;概率预测方法是当前比较流行的方法,然而它们的缺点是比较耗时。
然而,传统的独立模型和非分层混合模型应用于预测风力时,由于风力发电***的复杂性,包括随机性和间歇性,它们通常不能做出准确的预测。
为此,需要一种更为准确的风电预测方法。
发明内容
有鉴于此,本发明的目的在于提供一种考虑风速时滞性的分散式风电场分层混合短期预测方法、***及装置,提高预测准确度。其具体方案如下:
一种考虑风速时滞性的分散式风电场分层混合短期预测***,包括:
数据获取接口,用于接收历史风速时间序列和历史风电功率时间序列;
风速时滞生成模块,用于利用所述历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞;
风速预测期模块,用于利用数值天气预测模型对所述历史风速时间序列进行预测,得到满足预设条件的目标风速预测期;其中,风速预测期包括预设时间段内测量并记录得到多个预测风速,所述数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的;
预测期校正模块,用于对所述目标风速预测期进行校正,得到目标校正风速预测期;
风电时滞生成模块,用于利用所述历史风电功率时间序列和所述偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞;
预测期分层模块,用于利用分层规则对所述目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围;
多模型预测模块,用于利用所述目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值;其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;
混合模型预测模块,用于利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值;其中,所述混合预测模型为利用多组历史初始风电功率预测值训练而成的。
可选的,所述风速预测期模块,包括:
风速预测期单元,用于利用所述数值天气预测模型对所述历史风速时间序列进行预测,得到多组风速预测期;
误差计算单元,用于利用每组风速预测期与相应的历史实际风速进行比对,得到预测平均误差;
误差筛选单元,用于选取预测平均误差最小的风速预测期作为目标风速预测期。
可选的,所述误差计算单元,包括:
个体误差计算子单元,用于利用每组风速预测期与相应的历史实际风速进行比对,得到每组风速预测期中记录的每个风速与相应的历史实际风速的个体预测误差;
平均误差计算子单元,用于利用每组风速预测期中的全部个体误差,得到每组风速预测期的预测平均误差。
可选的,所述预测期校正模块,具体用于利用所述目标历史风速取值时滞、所述目标校正风速预测期和预测风速校正模型,得到校正后的所述目标预测风速组;其中,所述预测风速校正模型为预先利用历史风速数据取值范围和预测风速组进行训练而成的。
可选的,所述预测风速校正模型为预先利用历史风速数据取值范围和预测风速组,对基于人工神经网络算法建立的模型进行训练而成的。
可选的,所述预测期分层模块,包括:
出现频次统计单元,用于统计所述目标校正风速预测期中位于各预设的风速段的风速的出现频次;其中,预设的风速段为预先设定的多个等间隔的风速段;
立方根计算单元,用于利用每个风速段的风速的出现频次,得到每个风速段的出现频次立方根;
立方根之和计算单元,用于利用每个风速段的出现频次立方根,得到每个风速段的立方根之和;其中,立方根之和为每个风速段自身的出现频次立方根与小于自身风速的风速段的出现频次立方根之和;
预测期分层单元,用于对所述目标校正风速预测期按照层数从小到大依次进行分层,得到多组不同层数分层结果;
方差减小率计算单元,用于利用每个分层结果,得到相邻的两个分层结果的方差减小率;
分层结果确定单元,用于选择方差减小率最先低于上一分层结果的分层结果为目标分层结果,得到多层风速范围;
其中,分层结果包括与分层数相等的多层风速范围。
可选的,所述多模型预测模块,具体用于利用所述目标历史风电功率取值时滞,将每层风速范围分别代入预设的第一预测模型、第二预测模型和第三预测模型中,得到多组初始风电功率预测值;
其中,所述第一预测模型为利用所述历史风电功率取值时滞和所述历史风速范围,对基于BP算法和LM算法建立的人工神经网络模型训练而成的;
所述第二预测模型利用所述历史风电功率取值时滞和所述历史风速范围,对基于ANFIS算法建立的模型训练而成的;
所述第三预测模型为利用所述历史风电功率取值时滞和所述历史风速范围,对基于LC-SVM算法建立的模型训练而成的。
可选的,所述混合预测模型为利用多组历史初始风电功率预测值,对基于带电***搜索算法建立的模型训练而成的;
所述混合预测模型为:Pfc=α1·Pf,1+α2·Pf,2+…+αn·Pf,n;
式中,Pfc表示风电功率预测值,n表示预测模型的数量,α表示每个预测模型的权重系数。
本发明还公开了一种考虑风速时滞性的分散式风电场分层混合短期预测方法,包括:
预先获取历史风速时间序列和历史风电功率时间序列;
利用所述历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞;
利用数值天气预测模型对所述历史风速时间序列进行预测,得到满足预设条件的目标风速预测期;其中,风速预测期包括预设时间段内测量并记录得到多个预测风速,所述数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的;
对所述目标风速预测期进行校正,得到目标校正风速预测期;
利用所述历史风电功率时间序列和所述偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞;
利用分层规则对所述目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围;
利用所述目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值;其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;
利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值;其中,所述混合预测模型为利用多组历史初始风电功率预测值训练而成的。
本发明还公开了一种考虑风速时滞性的分散式风电场分层混合短期预测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如前述的考虑风速时滞性的分散式风电场分层混合短期预测方法。
本发明中,考虑风速时滞性的分散式风电场分层混合短期预测***,包括数据获取接口,用于接收历史风速时间序列和历史风电功率时间序列;风速时滞生成模块,用于利用历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞;风速预测期模块,用于利用数值天气预测模型对历史风速时间序列进行预测,得到满足预设条件的目标风速预测期;其中,风速预测期包括预设时间段内测量并记录得到多个预测风速,数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的;预测期校正模块,用于对目标风速预测期进行校正,得到目标校正风速预测期;风电时滞生成模块,用于利用历史风电功率时间序列和偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞;预测期分层模块,用于利用分层规则对目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围;多模型预测模块,用于利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值;其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;混合模型预测模块,用于利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值;其中,混合预测模型为利用多组历史初始风电功率预测值训练而成的。
本发明利用历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞,利用数值天气预测模型对历史风速时间序列进行预测,得到满足预设条件的目标风速预测期,避开实际数据的偏差,得到更为规律的预测数据,为进一步提高准确度,对目标风速预测期进行校正,得到目标校正风速预测期,再对目标校正风速预测期进行分层,以将数据分类分析,同时减少预测模型单组的输入量,以提高准确率,利用历史风电功率时间序列和偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞,再利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值,最后利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值,通过采用多种预测模型混合对风电功率进行预测,以得到更为精准的预测值。
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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种考虑风速时滞性的分散式风电场分层混合短期预测***结构示意图;
图2为本发明实施例公开的一种考虑风速时滞性的分散式风电场分层混合短期预测方法流程示意图。
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。
本发明实施例公开了一种考虑风速时滞性的分散式风电场分层混合短期预测***,参见图1所示,该装置包括:
数据获取接口11,用于接收历史风速时间序列和历史风电功率时间序列;
具体的,预测风电功率需要历史数据作为支持,因此,通过数据获取接口11,获取历史风速时间序列和历史风电功率时间序列,以供处理器进行后续的处理。
风速时滞生成模块12,用于利用历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞。
具体的,利用偏自相关函数对历史风速时间序列进行分析,从中选择显著峰值即尖峰作为后续模型的输入,通过偏自相关函数对历史风速时间序列进行计算,得到PACF值,通过判断PACF值在第几个滞后输出后显著下降,从而选定目标历史风速取值时滞,例如,PACF值在第一个滞后输出后显著下降,因此,选择(t-1)小时的历史风速,若PACF值在第三个滞后输出后显著下降,则可以选择(t-1)小时、(t-2)小时和(t-3)小时的历史风速均可作为输入,从而选定出目标历史风速取值时滞。
风速预测期模块13,用于利用数值天气预测模型对历史风速时间序列进行预测,得到满足预设条件的目标风速预测期。
具体的,利用数值天气预测模型可以预测出多组风速预测期,每组风速预测期可以包括一个时段内的多个被测量和记录的风速,例如,数值天气预测模型可以每6小时进行一次预测,得到包括6个小时的一组预测风速,同时,数值天气预测模型可以连续预测3天的风速,例如,以6h为时间间隔,分别以1-6h,7-12h,13-18h,19-24h,25-30h,…,67-72h为预测时间范围,得到三天预测的预测风速。
具体的,由于风速测量期间部分时段风速可能存在突变,例如,昼日变化时,因气温快速变化,导致风速变化剧烈不稳定,此种突变数据存在量少,难以预测,不宜作为预测基础,因此,从数值天气预测模型得到的多组风速预测期后,从中筛选出满足预设条件的目标风速预测期,例如,预设条件可以为满足预测风速曲线的风速预测期、波动在一定范围内的风速预测期或风速预测期中预测风速与历史实际风速误差在一定范围内的风速预测期。
其中,数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的。
预测期校正模块14,用于对目标风速预测期进行校正,得到目标校正风速预测期。
具体的,由于数值天气预测模型存在一定的误差,因此,为提高后续预测的准确度,对目标风速预测期中的预测风速进行进一步的校正,提高预测准确度,例如,利用历史实际风速对目标风速预测期进行校正或利用预设的校正算法进行校正。
风电时滞生成模块15,用于利用历史风电功率时间序列和偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞。
具体的,利用偏自相关函数对历史风电功率时间序列进行分析,得到PACF值,通过判断PACF值在第几个滞后输出后显著下降,从而选定目标历史风电功率取值时滞,例如,PACF值在第一个滞后输出后显著下降,因此,选择(t-1)小时的历史风速,若PACF值在第三个滞后输出后显著下降,则可以选择(t-1)小时、(t-2)小时和(t-3)小时的历史风电功率均可作为输入,从而选定出目标历史风电功率取值时滞。
预测期分层模块16,用于利用分层规则对目标校正风速预测期进行分层,得到多层风速范围。
具体的,为对目标校正风速预测期中的预测风速进行分析和归类,采用分层规则进行分层,按照风速范围将目标校正风速预测期中的预测风速分为多层,每层为一层风速范围,得到多层风速范围,每层风速范围包括目标校正风速预测期中属于该风速范围的所有预测风速,例如,目标校正风速预测期最大风速为15m/s,通过分层规则最终可以将目标校正风速预测期划分为3层,分别为0m/s-6m/s的第一层风速范围,6m/s-10m/s第二层风速范围,10m/s-15m/s第三层风速范围,每层风速范围均包括目标校正风速预测期中属于该风速范围区间的所有预测风速,其中,两层风速范围边界点落在低风速范围内,例如,上述分层中6m/s属于第一层风速范围,而非第二层风速范围。
多模型预测模块17,用于利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值。
混合模型预测模块18,用于利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值。
具体的,为提高预测的准确性,利用多个初始预测模型进行预测,得到多组初始风电功率预测值,再由最后的混合预测模型,综合考虑多个初始预测模型得到的多组初始风电功率预测值,最终得到风电功率预测值,最终得到的风电功率预测值,通过混合预测模型弥补多个初始预测模型的误差,汲取了多个初始预测模型的优点,因此,更为预测结果精准。
其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;混合预测模型为利用多组历史初始风电功率预测值训练而成的;
可见,本发明实施例利用历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞,利用数值天气预测模型对历史风速时间序列进行预测,得到满足预设条件的目标风速预测期,避开实际数据的偏差,得到更为规律的预测数据,为进一步提高准确度,对目标风速预测期进行校正,得到目标校正风速预测期,再对目标校正风速预测期进行分层,以将数据分类分析,同时减少预测模型单组的输入量,以提高准确率,利用历史风电功率时间序列和偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞,再利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值,最后利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值,通过采用多种预测模型混合对风电功率进行预测,以得到更为精准的预测值。
可以理解的是,预测时长可以根据实际应用需求进行设定,进需相应的改变各模型输出的结果数量便可。
本发明实施例公开了一种具体的考虑风速时滞性的分散式风电场分层混合短期预测***,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
具体的,上述风速预测期模块13,可以具体包括风速预测期单元、误差计算单元和误差筛选单元;其中,
风速预测期单元,用于利用数值天气预测模型对历史风速时间序列进行预测,得到多组风速预测期。
误差计算单元,用于利用每组风速预测期与相应的历史实际风速进行比对,得到预测平均误差。
具体的,上述误差计算单元,还可以具体包括个体误差计算子单元和平均误差计算子单元;其中,
个体误差计算子单元,用于利用每组风速预测期与相应的历史实际风速进行比对,得到每组风速预测期中记录的每个风速与相应的历史实际风速的个体预测误差;
平均误差计算子单元,用于利用每组风速预测期中的全部个体误差,得到每组风速预测期的预测平均误差。
具体的,将每组风速预测期分别与相应的历史实际风速进行比对,由于每组风速预测期包括多个不同时间的预测风速,因此,每个预测风速均需与相应的历史实际风速进行比对,得到个体预测误差,例如,一组预测风速可以包括2017年5月7号同一天8点00的预测风速3m/s,8点10的预测风速4m/s和8点20的预测风速3.5m/s,相应的历史实际风速则为2017年5月7号同一天8点00的史实际风速3.1m/s,8点10的历史实际风速3.8m/s和8点20的历史实际风速3.8m/s,则个体误差分别为0.1m/s,0.2m/s和0.3m/s;然后再利用每组风速预测期中的全部个体误差,通过求全部个体误差的平均值,进而得到每组风速预测期的预测平均误差。
误差筛选单元,用于选取预测平均误差最小的风速预测期作为目标风速预测期。
具体的,从众多风速预测期中选择预测平均误差最小的风速预测期作为目标风速预测期,以提高后续预测的准确度。
具体的,上述预测期校正模块14,具体用于利用目标历史风速取值时滞、目标校正风速预测期和预测风速校正模型,得到校正后的目标预测风速组。
其中,预测风速校正模型为预先利用历史风速数据取值范围和预测风速组进行训练而成的,进一步的,预测风速校正模型可以利用历史风速数据取值范围和预测风速组作为人工神经网络训练模型的输入,经过反向传播后,启发式地确定了隐藏节点和迭代次数,完成预测风速校正模型的训练,预测风速校正模型的预测网络。
具体的,上述预测期分层模块16,可以具体包括出现频次统计单元、立方根计算单元、立方根之和计算单元、预测期分层单元、方差减小率计算单元和分层结果确定单元;其中,
出现频次统计单元,用于统计目标校正风速预测期中位于各预设的风速段的风速的出现频次;其中,预设的风速段为预先设定的多个等间隔的风速段。
具体的,目标校正风速预测期中的风速可以如表1风速数据表所示,包括100个风速数据,设定多个风速段后,将目标校正风速预测期中的风速一一对应至各个风速段中,对属于每个风速段的风速进行统计,得到目标校正风速预测期中的风速在每个风速段出现的频次,如表量统计表中各风速段出现频次f所示。
表1风速数据表
表2量统计表
立方根计算单元,用于利用每个风速段的风速的出现频次,得到每个风速段的出现频次立方根,如表2中所示。
立方根之和计算单元,用于利用每个风速段的出现频次立方根,得到每个风速段的立方根之和,其中,立方根之和为每个风速段自身的出现频次立方根与小于自身风速的风速段的出现频次立方根之和,如表量统计表中Cum所示,例如,风速范围3m/s-4m/s的立方根之和为3m/s-4m/s的出现频次立方根1.9129加上风速范围2m/s-3m/s、1m/s-2m/s和0m/s-1m/s各自的出现频次立方根1.8171、0和0,等于3.7300。
预测期分层单元,用于对目标校正风速预测期按照层数从小到大依次进行分层,得到多组不同层数分层结果;
方差减小率计算单元,用于利用每个分层结果,得到相邻的两个分层结果的方差减小率;
分层结果确定单元,用于选择方差减小率最先低于上一分层结果的分层结果为目标分层结果,得到多层风速范围,其中,分层结果包括与分层数相等的多层风速范围。
具体的,将目标校正风速预测期分割为多个风速段后,进行分层操作,分层段数依次设置为L=1,2,3…,然后计算每个分层的加权方差;加权方差的计算方法为将各层的权重系数与方差的乘积进行求和,例如,L=2,且两层中的权重系数分别为L1,L2,方差分别为Var1和Var2,那么两层的分段的加权方差可以计算为(Var1×L1+Var2×L2),然后计算两个相邻段之间的比例方差,随着分层段数的增加,预计比例差异将下降,方差减小率开始减小时的段数L,即为分割块的最佳数量即目标分层结果。
如表3分层表所示,随着分段数达到三即L=3,方差减小率开始减小,则最佳分割块数设置为3。
其中,分层范围选择规则为风速段的总立方根除以当前分层层数,得到单位分层范围,以单位分层范围为基准,取风速段的立方根中最接近单位分层范围的风速段进行分层,例如,表2中的风速段的总立方根为24.7711,若当前分层层数为2,则单位分层范围为24.7711/2=12.38555,最接近12.38555的为风速范围7m/s-8m/s的12.6748,所以如表三所示,以风速范围0m/s-8m/s为第一层,风速范围8m/s-15m/s为第二层,其中8m/s属于0m/s-8m/s的第一层;若当前分层层数为3,则单位分层范围为24.7711/3=8.257,第一段的风速范围在5m/s和6m/s之间,则第一层分段点r1设定为6m/s,第二段的风速范围在9m/s和10m/s之间,则第二层分段点r2设置为10m/s,所以如表三所示,以风速范围0m/s-6m/s为第一层,风速范围6m/s-10m/s为第二层,风速范围10m/s-15m/s为第三层。
表3分层表
具体的,上述多模型预测模块17,具体用于利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的第一预测模型、第二预测模型和第三预测模型中,得到多组初始风电功率预测值;
其中,第一预测模型为利用历史风电功率取值时滞和历史风速范围,对基于BP(Back Propagation,多层前馈反向传播)算法和LM(Levenberg-Marquardt)算法建立的人工神经网络模型训练而成的;
第二预测模型利用历史风电功率取值时滞和历史风速范围,对基于ANFIS算法建立的模型训练而成的;
第三预测模型为利用历史风电功率取值时滞和历史风速范围,对基于LC-SVM算法建立的模型训练而成的。
具体的,利用目标历史风电功率取值时滞,将每层风速范围同时分别输入到改进的人工神经网络、自适应网络的模糊推理***和最小二乘支持向量机模型中,以得到多组初始风电功率预测值,例如,风速范围为三层分别为第一层0m/s-6m/s,第二层6m/s-10m/s和第三层10m/s-15m/s,则将每一层的风速数据按照目标历史风电功率取值时滞,分别代入三种预测模型中,使每种预测模型得到3组初始风电功率预测值,例如,风速范围为三层分别为第一层0m/s-6m/s、第二层6m/s-10m/s和第三层10m/s-15m/s,可以先按照目标历史风电功率取值时滞,如取当前时间的前一个单位时间和前两个单位时间对应的风速,分别将第一层的风速输入至第一预测模型,得到第一预测模型的一组初始风电功率预测值,同理,再将第二层和第三层的风速输入至第一预测模型,得到另外两组的初始风电功率预测值,第二预测模型和第三预测模型同理得到另外六组初始风电功率预测值;其中,单位时间可以为1小时,30分钟等可以跟据实际应用需求进行设定。
具体的,第一预测模型为采用多层前馈反向传播(BP)网络作为训练算法,并用改进的LM(Levenberg-Marquardt)方法训练人工神经网络模型,改进的LM算法在初始阶段用最速下降算法来改进其参数的初始猜测,然后在接近函数的最小值时变为牛顿法。
具体的,第二预测模型为自适应网络的模糊推理***(Adaptive Network-basedFuzzy Inference System,ANFIS)模型,其网络是五层前馈人工神经网络,包括模糊化层,规则层,归一化层,去模糊化层和一个单求和神经元,隶属函数是高斯函数。
具体的,第三预测模型为最小二乘支持向量机(LS-SVM)模型的计算式为:
其中,αi和αi *是拉格朗日乘数,核函数是两个φ(x)函数的内积,用于卷积计算,这里φ(x)使用径向基函数核。
具体的,上述混合模型预测模块18中混合预测模型为利用多组历史初始风电功率预测值,对基于带电***搜索算法建立的模型训练而成的;
混合预测模型为:Pfc=α1·Pf,1+α2·Pf,2+…+αn·Pf,n;
式中,Pfc表示风电功率预测值,n表示预测模型的数量,α表示每个预测模型的权重系数。
其中,每个预测模型包括多组初始风电功率预测值,每组初始风电功率预测值可以包括多个初始风电功率预测值,最终的风电功率预测值可以为一组风电功率预测值。
具体的,混合预测模型的训练过程,包括设定目标函数是最小化绝对预测误差,绝对预测误差ε定义为|Pfc-Pa|,其中Pa是风电功率的实际值。初始权重α1,α2,α3以随机方式给出,初始权重确定了3-D空间中带电粒子的初始位置(x,y,z),并且误差ε与粒子上的电荷成反比。
其中,将粒子上电荷的大小定义为:
式中,fitbest和fitworst分别是所有粒子的最佳和最差适应度,fit(i)表示目标函数的值即绝对预测误差,N是带电粒子的总数。
具体的,每个带电粒子会受到其他带电粒子合成力的作用,导致每个带电粒子移动到新位置,每个带电粒子的新位置(x’,y’,z’)分别对应一个预测模型的新权重,本发明实施例即为对应第一预测模型,第二预测模型和第三预测模型的新权重。所有粒子都会逐渐移动到预测误差最小的位置,最终位置(x*,y*,z*)分别对应一个预测模型的最终权重,本发明实施例中最终位置分别对应第一预测模型,第二预测模型和第三预测模型的最终权重。
其中,构建基于带电***搜索算法的风电混合预测模型的步骤包括S11至S18;其中,
S11:使用适应度函数计算每个带电粒子的电荷量。
S12:确定每个带电粒子的初始位置和速度。
S13:确定带电粒子之间吸引力的概率。
S14:计算作用在每个带电粒子上的合成电力。
S15:确定每个带电粒子的新位置和速度。
S16:创建电荷存储器以存储迄今为止最好的带电粒子。
S17:通过使用存储在电荷存储器中的数据,如果带电粒子违反边界限制,则更正带电粒子的位置。
S18:如果带电粒子停止移动或程序达到最大迭代,则完成算法;否则,返回到S13。
相应的,本发明实施例公开了一种考虑风速时滞性的分散式风电场分层混合短期预测方法,参见图2所示,该方法包括:
S21:预先获取历史风速时间序列和历史风电功率时间序列;
S22:利用历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞;
S23:利用数值天气预测模型对历史风速时间序列进行预测,得到满足预设条件的目标风速预测期;其中,风速预测期包括预设时间段内测量并记录得到多个预测风速,数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的;
S24:对目标风速预测期进行校正,得到目标校正风速预测期;
S25:利用历史风电功率时间序列和偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞;
S26:利用分层规则对目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围;
S27:利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值;其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;
S28:利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值;其中,混合预测模型为利用多组历史初始风电功率预测值训练而成的。
具体的,上述S23利用数值天气预测模型对历史风速时间序列进行预测,得到满足预设条件的目标风速预测期的过程,具体包括S231至S233;其中,
S231:利用数值天气预测模型对历史风速时间序列进行预测,得到多组风速预测期;
S232:利用每组风速预测期与相应的历史实际风速进行比对,得到预测平均误差;
S233:选取预测平均误差最小的风速预测期作为目标风速预测期。
具体的,上述S232利用每组风速预测期与相应的历史实际风速进行比对,得到预测平均误差的过程,可以具体包括S2321和S2322;其中,
S2321:利用每组风速预测期与相应的历史实际风速进行比对,得到每组风速预测期中记录的每个风速与相应的历史实际风速的个体预测误差;
S2322:利用每组风速预测期中的全部个体误差,得到每组风速预测期的预测平均误差。
具体的,上述S24中预测风速校正模型具体为预先利用历史风速数据取值范围和预测风速组,对基于人工神经网络算法建立的模型进行训练而成的。
具体的,上述S26利用分层规则对目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围的过程,具体包括S261至S266;其中,
S261:统计目标校正风速预测期中位于各预设的风速段的风速的出现频次;其中,预设的风速段为预先设定的多个等间隔的风速段;
S262:利用每个风速段的风速的出现频次,得到每个风速段的出现频次立方根;
S263:利用每个风速段的出现频次立方根,得到每个风速段的立方根之和;其中,立方根之和为每个风速段自身的出现频次立方根与小于自身风速的风速段的出现频次立方根之和;
S264:对目标校正风速预测期按照层数从小到大依次进行分层,得到多组不同层数分层结果;
S265:利用每个分层结果,得到相邻的两个分层结果的方差减小率;
S266:选择方差减小率最先低于上一分层结果的分层结果为目标分层结果,得到多层风速范围;
其中,分层结果包括与分层数相等的多层风速范围。
具体的,上述S27利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值的过程,可以具体为利用目标历史风电功率取值时滞,将每层风速范围分别代入预设的第一预测模型、第二预测模型和第三预测模型中,得到多组初始风电功率预测值;
其中,第一预测模型为利用历史风电功率取值时滞和历史风速范围,对基于BP算法和LM算法建立的模型训练而成的;
第二预测模型利用历史风电功率取值时滞和历史风速范围,对基于ANFIS算法建立的模型训练而成的;
第三预测模型为利用历史风电功率取值时滞和历史风速范围,对基于LC-SVM算法建立的模型训练而成的。
具体的,上述S28中混合预测模型为利用多组历史初始风电功率预测值,对基于带电***搜索算法建立的模型训练而成的;
混合预测模型为:Pfc=α1·Pf,1+α2·Pf,2+…+αn·Pf,n;
式中,Pfc表示风电功率预测值,n表示预测模型的数量,α表示每个预测模型的权重系数。
另外,本发明实施例还公开了一种考虑风速时滞性的分散式风电场分层混合短期预测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如前述的考虑风速时滞性的分散式风电场分层混合短期预测方法。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本发明所提供的一种考虑风速时滞性的分散式风电场分层混合短期预测方法、***及装置进行了详细介绍,本文中应用了具体个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 (10)
1.一种考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,包括:
数据获取接口,用于接收历史风速时间序列和历史风电功率时间序列;
风速时滞生成模块,用于利用所述历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞;
风速预测期模块,用于利用数值天气预测模型对所述历史风速时间序列进行预测,得到满足预设条件的目标风速预测期;其中,风速预测期包括预设时间段内测量并记录得到多个预测风速,所述数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的;
预测期校正模块,用于对所述目标风速预测期进行校正,得到目标校正风速预测期;
风电时滞生成模块,用于利用所述历史风电功率时间序列和所述偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞;
预测期分层模块,用于利用分层规则对所述目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围;
多模型预测模块,用于利用所述目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值;其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;
混合模型预测模块,用于利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值;其中,所述混合预测模型为利用多组历史初始风电功率预测值训练而成的。
2.根据权利要求1所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述风速预测期模块,包括:
风速预测期单元,用于利用所述数值天气预测模型对所述历史风速时间序列进行预测,得到多组风速预测期;
误差计算单元,用于利用每组风速预测期与相应的历史实际风速进行比对,得到预测平均误差;
误差筛选单元,用于选取预测平均误差最小的风速预测期作为目标风速预测期。
3.根据权利要求2所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述误差计算单元,包括:
个体误差计算子单元,用于利用每组风速预测期与相应的历史实际风速进行比对,得到每组风速预测期中记录的每个风速与相应的历史实际风速的个体预测误差;
平均误差计算子单元,用于利用每组风速预测期中的全部个体误差,得到每组风速预测期的预测平均误差。
4.根据权利要求3所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述预测期校正模块,具体用于利用所述目标历史风速取值时滞、所述目标校正风速预测期和预测风速校正模型,得到校正后的所述目标预测风速组;其中,所述预测风速校正模型为预先利用历史风速数据取值范围和预测风速组进行训练而成的。
5.根据权利要求4所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述预测风速校正模型为预先利用历史风速数据取值范围和预测风速组,对基于人工神经网络算法建立的模型进行训练而成的。
6.根据权利要求4所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述预测期分层模块,包括:
出现频次统计单元,用于统计所述目标校正风速预测期中位于各预设的风速段的风速的出现频次;其中,预设的风速段为预先设定的多个等间隔的风速段;
立方根计算单元,用于利用每个风速段的风速的出现频次,得到每个风速段的出现频次立方根;
立方根之和计算单元,用于利用每个风速段的出现频次立方根,得到每个风速段的立方根之和;其中,立方根之和为每个风速段自身的出现频次立方根与小于自身风速的风速段的出现频次立方根之和;
预测期分层单元,用于对所述目标校正风速预测期按照层数从小到大依次进行分层,得到多组不同层数分层结果;
方差减小率计算单元,用于利用每个分层结果,得到相邻的两个分层结果的方差减小率;
分层结果确定单元,用于选择方差减小率最先低于上一分层结果的分层结果为目标分层结果,得到多层风速范围;
其中,分层结果包括与分层数相等的多层风速范围。
7.根据权利要求6所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述多模型预测模块,具体用于利用所述目标历史风电功率取值时滞,将每层风速范围分别代入预设的第一预测模型、第二预测模型和第三预测模型中,得到多组初始风电功率预测值;
其中,所述第一预测模型为利用所述历史风电功率取值时滞和所述历史风速范围,对基于BP算法和LM算法建立的人工神经网络模型训练而成的;
所述第二预测模型利用所述历史风电功率取值时滞和所述历史风速范围,对基于ANFIS算法建立的模型训练而成的;
所述第三预测模型为利用所述历史风电功率取值时滞和所述历史风速范围,对基于LC-SVM算法建立的模型训练而成的。
8.根据权利要求1至6任一项所述的考虑风速时滞性的分散式风电场分层混合短期预测***,其特征在于,所述混合预测模型为利用多组历史初始风电功率预测值,对基于带电***搜索算法建立的模型训练而成的;
所述混合预测模型为:Pfc=α1·Pf,1+α2·Pf,2+…+αn·Pf,n;
式中,Pfc表示风电功率预测值,n表示预测模型的数量,α表示每个预测模型的权重系数。
9.一种考虑风速时滞性的分散式风电场分层混合短期预测方法,其特征在于,包括:
预先获取历史风速时间序列和历史风电功率时间序列;
利用所述历史风速时间序列和偏自相关函数,得到满足预设条件的目标历史风速取值时滞;
利用数值天气预测模型对所述历史风速时间序列进行预测,得到满足预设条件的目标风速预测期;其中,风速预测期包括预设时间段内测量并记录得到多个预测风速,所述数值天气预测模型为预先利用历史风速时间序列训练数据训练而成的;
对所述目标风速预测期进行校正,得到目标校正风速预测期;
利用所述历史风电功率时间序列和所述偏自相关函数,得到满足预设条件的目标历史风电功率取值时滞;
利用分层规则对所述目标校正风速预测期进行分层,得到数量为目标分层数的多层风速范围;
利用所述目标历史风电功率取值时滞,将每层风速范围分别代入预设的多个初始预测模型,得到多组初始风电功率预测值;其中,每个初始预测模型均不同,且均为预先利用历史风电功率取值时滞和历史风速范围训练而成的;
利用多组初始风电功率预测值和预设的混合预测模型,得到风电功率预测值;其中,所述混合预测模型为利用多组历史初始风电功率预测值训练而成的。
10.一种考虑风速时滞性的分散式风电场分层混合短期预测装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求9所述的考虑风速时滞性的分散式风电场分层混合短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129892.8A CN109886488B (zh) | 2019-02-21 | 2019-02-21 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129892.8A CN109886488B (zh) | 2019-02-21 | 2019-02-21 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886488A true CN109886488A (zh) | 2019-06-14 |
CN109886488B CN109886488B (zh) | 2022-10-18 |
Family
ID=66928760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129892.8A Active CN109886488B (zh) | 2019-02-21 | 2019-02-21 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886488B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232566A (zh) * | 2020-10-16 | 2021-01-15 | 华中科技大学 | 一种水电站短期耗水率预测方法及*** |
CN112613674A (zh) * | 2020-12-29 | 2021-04-06 | 国能日新科技股份有限公司 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
CN116760006A (zh) * | 2023-04-28 | 2023-09-15 | 觐联(上海)工业技术有限公司 | 一种风电功率预测方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
US20140344209A1 (en) * | 2010-08-23 | 2014-11-20 | Institute Of Nuclear Energy Research, Atomic Energy Council, Executive Yuan | Wind energy forecasting method with extreme wind speed prediction function |
CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN108549962A (zh) * | 2018-06-04 | 2018-09-18 | 中国农业大学 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
-
2019
- 2019-02-21 CN CN201910129892.8A patent/CN109886488B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
US20140344209A1 (en) * | 2010-08-23 | 2014-11-20 | Institute Of Nuclear Energy Research, Atomic Energy Council, Executive Yuan | Wind energy forecasting method with extreme wind speed prediction function |
CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
CN107765347A (zh) * | 2017-06-29 | 2018-03-06 | 河海大学 | 一种高斯过程回归和粒子滤波的短期风速预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN108549962A (zh) * | 2018-06-04 | 2018-09-18 | 中国农业大学 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232566A (zh) * | 2020-10-16 | 2021-01-15 | 华中科技大学 | 一种水电站短期耗水率预测方法及*** |
CN112613674A (zh) * | 2020-12-29 | 2021-04-06 | 国能日新科技股份有限公司 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
CN112613674B (zh) * | 2020-12-29 | 2024-03-08 | 国能日新科技股份有限公司 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
CN116760006A (zh) * | 2023-04-28 | 2023-09-15 | 觐联(上海)工业技术有限公司 | 一种风电功率预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109886488B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN109190802B (zh) | 云储能环境下基于发电预测的多微网博弈优化方法 | |
CN109886488A (zh) | 考虑风速时滞性的分散式风电场分层混合短期预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及*** | |
CN105868853A (zh) | 一种短期风电功率组合概率预测方法 | |
Mandal et al. | A new recursive neural network algorithm to forecast electricity price for PJM day‐ahead market | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及*** | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN109508820A (zh) | 基于差异化建模的校园用电量预测建模方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** |
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 |