CN111222738A - 一种风电集群功率预测及参数优化的方法 - Google Patents
一种风电集群功率预测及参数优化的方法 Download PDFInfo
- Publication number
- CN111222738A CN111222738A CN201910991503.2A CN201910991503A CN111222738A CN 111222738 A CN111222738 A CN 111222738A CN 201910991503 A CN201910991503 A CN 201910991503A CN 111222738 A CN111222738 A CN 111222738A
- Authority
- CN
- China
- Prior art keywords
- data set
- prediction
- parameters
- historical
- predicted
- 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 39
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000000513 principal component analysis Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 241000669244 Unaspis euonymi Species 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 abstract 1
- 238000007418 data mining Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种风电集群功率预测及参数优化的方法,将历史NWP数据和历史功率数据划分两个独立数据集,分为三个阶段来对参数进行优化;对原始风速矢量进行主成分分析,并将主成分分析的结果作为风电集群功率预测模型的输入,将两个独立的数据集分别划为待预测数据集和历史数据集;计算预测点的输入数据矩阵与历史数据集之间的欧式特征距离,并将其与阈值δ进行比较,获得具有最高匹配度的数据集与预测数据集,判断优化是否结束,否则以变尺度网络搜索法设置参数值以继续优化得到具有最小总体预测误差的四个参数;将获得的四个参数初始优化值,控制三个参数值不变,改变剩余一个参数值,直到获得最优四个参数组合。该方法预测精度高,具有推广价值。
Description
技术领域
本发明涉及一种风电集群功率预测及参数优化的方法,属于新能源功率预测领域。
背景技术
风能主要受到自然因素的影响,具有随机性、波动性、间歇性等特点,导致大规模风电并网后可能会出现电压和频率发生偏差、电压波动、甚至脱网等现象,随着风电并网规模迅速增长,风电的不确定性对电力***与电力市场的稳定性、充裕性及经济性的影响也越来越明显,引起了相关研究人员的广泛关注,而风电功率预测是解决这一问题的有力措施和有效手段,因此风电功率预测成为国内外近年来的主要研究专题之一。
目前,风电集群功率预测方法包括累加法和统计升尺度法。但累加法和统计升尺度法缺点明显,累加法对风电功率预测相关的历史数据和数值天气预报数据的完备性有较高的要求,计算比较复杂,时间开销较大,且所需的数据存储资源较多;统计升尺度法的基准风电场数目的选择及基准风电场的优选,对集群总体功率预测精度影响较大,同时包含2个预测阶段,计算比较复杂。因此,为了准确的预测风电功率,需要一种相对简单、具有更高的预测精度的风电集群功率预测参数优化的方法。
发明内容
本发明的目的是提供一种风电集群功率预测及参数优化的方法,以解决上述背景技术中存在的问题。
本发明的目的由以下技术措施实现:
一种风电集群功率预测及参数优化的方法,本方法中所要优化的四个参数为《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”的四个参数,从dmin和dmed区间内截取靠近dmin数据的百分比即比例因子pr、用于计算距离权重系数的待定系数α、用于计算时间权重系数的时间因子λ和功率权重系数β,具体计算方法和含义见该论文内容;
其特征在于按以下步骤进行:
步骤1,将历史NWP数据和历史功率数据分别划分为各50%的两个独立的数据集;将所划分的每个50%的历史NWP数据进行不同高度原始风速矢量主成分分析,并将主成分分析的结果作为风电集群功率预测模型的输入,并将其中的30%划分为一个待预测数据集,剩余的70%划分为一个历史数据集,将所划分的每个50%的历史功率数据的30%划分为一个待预测数据集,剩余的70%划分为一个历史数据集,故每个独立数据集均分为对应的待预测数据集和历史数据集,之后进行三个阶段的参数优化;
步骤2,第一阶段预测:以2个风电集群之间m维参数的距离,即空间资源距离为横坐标,历史功率测量值为纵坐标,绘制散点分布图,分别将每个独立数据集中的待预测数据集和历史数据集的每个数据用于计算待预测点与历史数据集之间的欧式特征距离,并将欧式特征距离与阈值δ进行比较,从而从历史数据集中获得具有最高匹配度的数据集与预测数据集,加权求和得到预测结果;
加权求和得到预测结果的计算方法见《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”2.2.1节中的公式(1);
所述的阈值δ计算方法为δ=dmin+pr(dmed-dmin)
式中:dmin为空间资源距离中的最小距离值,dmed为散点分布图的中位数,pr为从dmin和dmed区间内截取靠近dmin数据的百分比,即四个参数中的比例因子pr;
与阈值δ进行比较,获得所划分的50%的历史NWP数据的30%的待预测数据集的总体预测误差值;判断优化是否结束,如果所得误差值大于10%,则判定优化未完成,则以变尺度网络搜索法设置参数值以继续优化,如果所得误差值小于10%,则判定优化完成,则比较四个参数pr、α、λ和β的所有组合下的预测精度,并且具有最小总体预测误差的四个参数pr、α、λ和β组合是初始优化值;
步骤3,第二阶段预测:对于阶段一预测所获得的四个参数pr、α、λ和β的初始优化值,控制其中三个参数的值不变,改变剩余一个参数的值,根据同一个独立数据集中的待预测数据集和历史数据集计算待预测点与历史数据集之间的欧式特征距离,并将欧式特征距离与阈值δ比较,获得匹配数据集,对这些匹配数据集按步骤2加权求和获得总体预测误差;分析四个参数pr、α、λ和β对预测精度的影响,并分别将四个参数pr、α、λ和β对预测精度的影响规律进行分析,调整阶段一所得到的四个参数pr、α、λ和β的初始优化值,以总体预测误差最小的四个参数pr、α、λ和β组合,作为四个参数pr、α、λ和β的最优组合值;
步骤4,第三阶段预测:根据阶段二预测的结果设置关键参数组合优化值,根据优化值及另一个独立数据集中的待预测数据集和历史数据集计算待预测点与历史数据集之间的欧式特征距离,将欧式特征距离与阈值δ进行比较,从而从历史数据集中获得具有最高匹配度的数据集与预测数据集,加权求和得到预测结果,从而得到每个点的预测结果。
本申请与《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”的区别在于以下三点:本申请提出了详细的历史数据集的划分方法;本申请提出了独有的三阶段预测优化流程;本申请提出了四个关键参数pr、α、λ和β的详细优化过程。
本发明达到的有益效果是:一种风电集群功率预测及参数优化的方法基于大量样本的数据挖掘,提出了一种新的多特征相似性匹配方法,基于大量样本的数据挖掘是提高风电预测精度的有效途径;通过风电场集群验证,结果表明,改进的多特征相似性匹配方法优于传统的预测方法,0-2小时的均方根误差降低了3.65%,0-4小时的均方根误差降低了1.56%。
附图说明
图1为本发明的整体流程结构框图。
具体实施方式
下面结合本发明实施方式中的附图进行具体的描述,本发明的目的是提供一种基于大量样本的数据挖掘,提高风电功率预测精度的一种风电集群功率预测及参数优化的方法。
如图1所示,一种风电集群功率预测及参数优化的方法,本方法中所要优化的四个参数为《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”的四个参数,从dmin和dmed区间内截取靠近dmin数据的百分比即比例因子pr、用于计算距离权重系数的待定系数α、用于计算时间权重系数的时间因子λ和功率权重系数β,具体计算方法和含义见该论文内容;其特征在于按以下步骤进行:
步骤1,将历史NWP数据和历史功率数据分别划分为各50%的两个独立的数据集;将所划分的每个50%的历史NWP数据进行不同高度原始风速矢量主成分分析,并将主成分分析的结果作为风电集群功率预测模型的输入,并将其中的30%划分为一个待预测数据集,剩余的70%划分为一个历史数据集,将所划分的每个50%的历史功率数据的30%划分为一个待预测数据集,剩余的70%划分为一个历史数据集,故每个独立数据集均分为对应的待预测数据集和历史数据集,之后进行三个阶段的参数优化;
步骤2,第一阶段预测:以2个风电集群之间m维参数的距离,即空间资源距离为横坐标,历史功率测量值为纵坐标,绘制散点分布图,分别将每个独立数据集中的待预测数据集和历史数据集的每个数据用于计算待预测点与历史数据集之间的欧式特征距离,并将欧式特征距离与阈值δ进行比较,从而从历史数据集中获得具有最高匹配度的数据集与预测数据集,加权求和得到预测结果;
加权求和得到预测结果的计算方法见《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”2.2.1节中的公式(1);
所述的阈值δ计算方法为
δ=dmim+pr(dmed-dmin)
式中:dmin为空间资源距离中的最小距离值,dmed为散点分布图的中位数,pr为从dmin和dmed区间内截取靠近dmin数据的百分比,即四个参数中的比例因子pr;
与阈值δ进行比较,获得所划分的50%的历史NWP数据的30%的待预测数据集的总体预测误差值;判断优化是否结束,如果所得误差值大于10%,则判定优化未完成,则以变尺度网络搜索法设置参数值以继续优化,如果所得误差值小于10%,则判定优化完成,则比较四个参数pr、α、λ和β的所有组合下的预测精度,并且具有最小总体预测误差的四个参数pr、α、λ和β组合是初始优化值;
步骤3,第二阶段预测:对于阶段一预测所获得的四个参数pr、α、λ和β的初始优化值,控制其中三个参数的值不变,改变剩余一个参数的值,根据同一个独立数据集中的待预测数据集和历史数据集计算待预测点与历史数据集之间的欧式特征距离,并将欧式特征距离与阈值δ比较,获得匹配数据集,对这些匹配数据集按步骤2加权求和获得总体预测误差;分析四个参数pr、α、λ和β对预测精度的影响,并分别将四个参数pr、α、λ和β对预测精度的影响规律进行分析,调整阶段一所得到的四个参数pr、α、λ和β的初始优化值,以总体预测误差最小的四个参数pr、α、λ和β组合,作为四个参数pr、α、λ和β的最优组合值;
步骤4,第三阶段预测:根据阶段二预测的结果设置关键参数组合优化值,根据优化值及另一个独立数据集中的待预测数据集和历史数据集计算待预测点与历史数据集之间的欧式特征距离,将欧式特征距离与阈值δ进行比较,从而从历史数据集中获得具有最高匹配度的数据集与预测数据集,加权求和得到预测结果,从而得到每个点的预测结果。
Claims (1)
1.一种风电集群功率预测及参数优化的方法,本方法中所要优化的四个参数为《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”的四个参数,从dmin和dmed区间内截取靠近dmin数据的百分比即比例因子pr、用于计算距离权重系数的待定系数α、用于计算时间权重系数的时间因子λ和功率权重系数β,具体计算方法和含义见该论文内容;
其特征在于按以下步骤进行:
步骤1,将历史NWP数据和历史功率数据分别划分为各50%的两个独立的数据集;将所划分的每个50%的历史NWP数据进行不同高度原始风速矢量主成分分析,并将主成分分析的结果作为风电集群功率预测模型的输入,并将其中的30%划分为一个待预测数据集,剩余的70%划分为一个历史数据集,将所划分的每个50%的历史功率数据的30%划分为一个待预测数据集,剩余的70%划分为一个历史数据集,故每个独立数据集均分为对应的待预测数据集和历史数据集,之后进行三个阶段的参数优化;
步骤2,第一阶段预测:以2个风电集群之间m维参数的距离,即空间资源距离为横坐标,历史功率测量值为纵坐标,绘制散点分布图,分别将每个独立数据集中的待预测数据集和历史数据集的每个数据用于计算待预测点与历史数据集之间的欧式特征距离,并将欧式特征距离与阈值δ进行比较,从而从历史数据集中获得具有最高匹配度的数据集与预测数据集,加权求和得到预测结果;
加权求和得到预测结果的计算方法见《电力建设》第38卷第7期中论文“基于改进空间资源匹配法的风电集群功率预测技术”2.2.1节中的公式(1);
所述的阈值δ计算方法为
δ=dmin+pr(dmed-dmin)
式中:dmin为空间资源距离中的最小距离值,dmed为散点分布图的中位数,pr为从dmin和dmed区间内截取靠近dmin数据的百分比,即四个参数中的比例因子pr;
与阈值δ进行比较,获得所划分的50%的历史NWP数据的30%的待预测数据集的总体预测误差值;判断优化是否结束,如果所得误差值大于10%,则判定优化未完成,则以变尺度网络搜索法设置参数值以继续优化,如果所得误差值小于10%,则判定优化完成,则比较四个参数pr、α、λ和β的所有组合下的预测精度,并且具有最小总体预测误差的四个参数pr、α、λ和β组合是初始优化值;
步骤3,第二阶段预测:对于阶段一预测所获得的四个参数pr、α、λ和β的初始优化值,控制其中三个参数的值不变,改变剩余一个参数的值,根据同一个独立数据集中的待预测数据集和历史数据集计算待预测点与历史数据集之间的欧式特征距离,并将欧式特征距离与阈值δ比较,获得匹配数据集,对这些匹配数据集按步骤2加权求和获得总体预测误差;分析四个参数pr、α、λ和β对预测精度的影响,并分别将四个参数pr、α、λ和β对预测精度的影响规律进行分析,调整阶段一所得到的四个参数pr、α、λ和β的初始优化值,以总体预测误差最小的四个参数pr、α、λ和β组合,作为四个参数pr、α、λ和β的最优组合值;
步骤4,第三阶段预测:根据阶段二预测的结果设置关键参数组合优化值,根据优化值及另一个独立数据集中的待预测数据集和历史数据集计算待预测点与历史数据集之间的欧式特征距离,将欧式特征距离与阈值δ进行比较,从而从历史数据集中获得具有最高匹配度的数据集与预测数据集,加权求和得到预测结果,从而得到每个点的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991503.2A CN111222738B (zh) | 2019-10-18 | 2019-10-18 | 一种风电集群功率预测及参数优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991503.2A CN111222738B (zh) | 2019-10-18 | 2019-10-18 | 一种风电集群功率预测及参数优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222738A true CN111222738A (zh) | 2020-06-02 |
CN111222738B CN111222738B (zh) | 2022-04-15 |
Family
ID=70830560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910991503.2A Active CN111222738B (zh) | 2019-10-18 | 2019-10-18 | 一种风电集群功率预测及参数优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222738B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937638A (zh) * | 2024-03-12 | 2024-04-26 | 山西城市动力新能源有限公司 | 风电场集群发电控制方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN108133279A (zh) * | 2017-08-29 | 2018-06-08 | 甘肃省电力公司风电技术中心 | 风电功率概率预测方法、存储介质及设备 |
CN108616139A (zh) * | 2016-12-12 | 2018-10-02 | 中国电力科学研究院 | 一种风电功率集群预测方法和装置 |
-
2019
- 2019-10-18 CN CN201910991503.2A patent/CN111222738B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
CN108616139A (zh) * | 2016-12-12 | 2018-10-02 | 中国电力科学研究院 | 一种风电功率集群预测方法和装置 |
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN108133279A (zh) * | 2017-08-29 | 2018-06-08 | 甘肃省电力公司风电技术中心 | 风电功率概率预测方法、存储介质及设备 |
Non-Patent Citations (2)
Title |
---|
彭小圣等: "基于改进空间资源匹配法的风电集群功率预测技术", 《电力建设》 * |
彭小圣等: "风电集群短期及超短期功率预测精度改进方法综述", 《中国电机工程学院》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937638A (zh) * | 2024-03-12 | 2024-04-26 | 山西城市动力新能源有限公司 | 风电场集群发电控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111222738B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN108846530B (zh) | 一种基于“聚类-回归”模型的短期负荷预测方法 | |
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与*** | |
CN112085256B (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电***可靠性评估方法 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN105701562B (zh) | 训练方法、所适用的预测发电功率的方法及各自*** | |
CN114611842B (zh) | 一种整县屋顶分布式光伏功率预测方法 | |
CN112001441A (zh) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 | |
CN111222738B (zh) | 一种风电集群功率预测及参数优化的方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN113659631A (zh) | 考虑时变特性的风光电站群出力描述方法 | |
CN106960260B (zh) | 一种便于电力调度的风电功率预测*** | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测***与方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN109524983B (zh) | 一种基于典型状态的光伏出力建模方法 | |
CN113690930A (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
Sicheng et al. | Abnormal line loss data detection and correction method | |
CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 | |
CN117709550B (zh) | 基于ardl与卷积神经网络模型的能耗预测方法 | |
CN117787078A (zh) | 一种基于esam-mtl模型的多元负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |