CN111709569A - 风电场输出功率预测修正方法及装置 - Google Patents
风电场输出功率预测修正方法及装置 Download PDFInfo
- Publication number
- CN111709569A CN111709569A CN202010527643.7A CN202010527643A CN111709569A CN 111709569 A CN111709569 A CN 111709569A CN 202010527643 A CN202010527643 A CN 202010527643A CN 111709569 A CN111709569 A CN 111709569A
- Authority
- CN
- China
- Prior art keywords
- output power
- power
- wind
- sub
- wind speed
- 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 85
- 238000012937 correction Methods 0.000 claims abstract description 136
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电场输出功率预测修正方法及装置,该方法包括:获取各子机组群的代表机组的NWP风速;根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正;根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值;根据各子机组群的输出功率预测值确定所述风电场的预测输出功率;根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。本发明提供了一种包含输入数据误差修正、功率预测模型修正、输出数据修正的风电场短期功率预测的全周期误差修正方法,提高了风电场短期功率预测的准确性。
Description
技术领域
本发明涉及风力发电技术领域,具体而言,涉及一种风电场输出功率预测修正方法及装置。
背景技术
对给定时间尺度的风电场输出功率进行准确预测是弥补间歇性风力发电缺陷、提高其市场竞争力的有效途径。现有功率预测技术在实际应用中不可避免地存在预测误差,且误差水平随对象风电场、输入数据、预测模型等的不同而发生变化。已有的预测功率修正方法多从预测结果的单一影响因素或引入新的预测算法着手,未能全面考虑功率预测的不同环节以及误差产生原因,对功率预测方法本身的预测精度提升有限。因此现有技术缺少一种针对既有功率预测方法全周期各个环节引入误差的修正方法。
发明内容
本发明为了解决上述背景技术中的技术问题,提出了一种风电场输出功率预测修正方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种风电场输出功率预测修正方法,该方法包括:
获取各子机组群的代表机组的NWP风速,其中,风电场内的所有机组划分为至少两个子机组群;
根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速;
根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值,其中,子机组群的功率预测模型为根据该子机组群的代表机组的历史NWP风速数据以及该子机组群的历史输出功率数据采用第一机器学习算法训练得出的;
根据各子机组群的输出功率预测值确定所述风电场的预测输出功率;
根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。
可选的,所述根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速,包括:
将所述NWP风速输入到风速修正模型中,得到所述NWP风速对应修正后的风速,其中,所述风速修正模型为根据历史NWP风速数据以及历史实测风速数据采用第二机器学习算法训练得出的。
可选的,所述根据各子机组群的输出功率预测值确定所述风电场的预测输出功率,包括:
将所述输出功率预测值输入到对应的各子机组群的功率修正模型中,得到所述输出功率预测值对应的修正后的输出功率,其中,子机组群的功率修正模型为根据通过该子机组群的功率预测模型得到的历史功率预测数据以及该子机组群的实测功率数据采用第三机器学习算法训练得出的;
根据各子机组群对应的所述修正后的输出功率确定所述风电场的预测输出功率。
可选的,所述根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值,包括:
将所述预测输出功率输入到风电场功率修正模型中,得到所述预测输出功率对应的预测输出功率修正值,其中,所述风电场功率修正模型为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据采用第四机器学习算法训练得出的。
可选的,该风电场输出功率预测修正方法,还包括:
根据风电场内各机组的历史全年实测功率的均值和历史全年实测功率的标准偏差采用预设的聚类方法对所述风电场内的各机组进行分群,将所述风电场内的所有机组划分为至少两个子机组群。
为了实现上述目的,根据本发明的另一方面,提供了一种风电场输出功率预测修正装置,该装置包括:
风速获取单元,用于获取各子机组群的代表机组的NWP风速,其中,风电场内的所有机组划分为至少两个子机组群;
风速修正单元,用于根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速;
子机组群功率预测单元,用于根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值,其中,子机组群的功率预测模型为根据该子机组群的代表机组的历史NWP风速数据以及该子机组群的历史输出功率数据采用第一机器学习算法训练得出的;
风电场功率预测单元,用于根据各子机组群的输出功率预测值确定所述风电场的预测输出功率;
输出修正单元,用于根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。
可选的,所述风速修正单元,具体用于将所述NWP风速输入到风速修正模型中,得到所述NWP风速对应修正后的风速,其中,所述风速修正模型为根据历史NWP风速数据以及历史实测风速数据采用第二机器学习算法训练得出的。
可选的,所述风电场功率预测单元包括:
子机组群功率修正模块,用于将所述输出功率预测值输入到对应的各子机组群的功率修正模型中,得到所述输出功率预测值对应的修正后的输出功率,其中,子机组群的功率修正模型为根据通过该子机组群的功率预测模型得到的历史功率预测数据以及该子机组群的实测功率数据采用第三机器学习算法训练得出的;
计算模块,用于根据各子机组群对应的所述修正后的输出功率确定所述风电场的预测输出功率。
可选的,所述输出修正单元,具体用于将所述预测输出功率输入到风电场功率修正模型中,得到所述预测输出功率对应的预测输出功率修正值,其中,所述风电场功率修正模型为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据采用第四机器学习算法训练得出的。
可选的,该风电场输出功率预测修正装置,还包括:
子机组群划分单元,用于根据风电场内各机组的历史全年实测功率的均值和历史全年实测功率的标准偏差采用预设的聚类方法对所述风电场内的各机组进行分群,将所述风电场内的所有机组划分为至少两个子机组群。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器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计算机程序时实现上述风电场输出功率预测修正方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述风电场输出功率预测修正方法中的步骤。
本发明的有益效果为:本发明提出了一种包含输入数据修正、功率预测模型修正、输出数据修正的风电场短期功率预测的全周期误差修正方法。其中,输入数据修正为根据历史NWP风速数据以及历史实测风速数据对NWP风速进行修正;功率预测模型修正为将风电场内的所有机组划分为至少两个子机组群,并分别针对每个子机组群根据历史NWP风速和历史输出功率建立功率预测模型,进而根据每个子机组群的输出功率预测值确定出整个风电场的预测输出功率;输出数据修正为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对预测输出功率进行修正。本发明针对既有功率预测方法全周期各个环节引入的误差提出了一种风电场短期功率预测的全周期误差修正方法,提高了传统的风电场短期功率预测方法的准确性。
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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例风电场输出功率预测修正方法的第一流程图;
图2是本发明实施例风电场输出功率预测修正方法的第二流程图;
图3是传统的功率预测统计方法流程示意图;
图4是本发明风电场输出功率预测修正方法整体流程示意图;
图5是本发明实施例数据清洗前的风速-功率(P-U)散点图;
图6是本发明实施例数据清洗后的风速-功率(P-U)散点图;
图7是本发明实施例修正前后NWP风速的预测误差示意图;
图8是本发明实施例风电场输出功率预测修正方法的应用效果示意图;
图9是本发明实施例风电场输出功率预测修正装置的结构框图;
图10是本发明实施例风电场功率预测单元的结构框图;
图11是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
传统的风电场短期功率预测统计方法,多以(虚拟)测风塔点位的NWP(NumericalWeather Prediction,数值天气预报)数据为输入,利用统计算法建立历史的输入数据与输出功率之间的映射关系,进而根据未来时刻的输入数据获得风电场发电功率的预测值。预测过程的实现相对简单,主体的预测流程如图3所示。根据风电场发电功率的预测过程判断,环节①输入数据和环节②功率预测模型引入的误差叠加,最终导致了环节③输出数据的误差。也即是说,输入数据的准确性和功率预测模型对于风-电转换过程的描述准确性共同决定了输出的预测功率的准确性。
本发明首先从功率预测的主要误差引入环节着手,通过环节①输入数据修正和环节②预测模型修正来降低预测的方法误差;经过输入数据环节以及风-电转换(模型)环节的误差修正后,获得的预测功率仍不可避免地存在误差,因此,本发明进一步在功率预测过程后追加环节③输出数据修正环节,以实现最大限度的预测精度提升。具体的流程可以如图4所示。
图1是本发明实施例风电场输出功率预测修正方法的第一流程图,包含上述流程中的环节①输入数据修正、环节②预测模型修正以及环节③输出数据修正,如图1所示,本实施例的风电场输出功率预测修正方法包括步骤S101至步骤S105。
步骤S101,获取各子机组群的代表机组的NWP风速,其中,风电场内的所有机组划分为至少两个子机组群。
在本发明实施例中,本发明基于聚类算法将风电场内的n台机组划分为m个子机组群(1<m<n),针对每个子机组群分别选取代表机组,该代表机组代表性点位(虚拟测风塔)。
步骤S102,根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速。
本步骤对应环节①输入数据修正。
步骤S103,根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值,其中,子机组群的功率预测模型为根据该子机组群的代表机组的历史NWP风速数据以及该子机组群的历史输出功率数据采用第一机器学习算法训练得出的。
本步骤对应环节②预测模型修正。
在本发明实施例中,本发明分别构建以代表机组的NWP风速为输入的功率预测模型,以对各个子机组群的输出功率进行预测。
在本发明实施例中,第一机器学习算法可以采用神经网络、支持向量机、模糊逻辑以及其它深度学习方法等绝大多数可用于建立风电场短期功率预测模型的算法。
步骤S104,根据各子机组群的输出功率预测值确定所述风电场的预测输出功率。
在本发明实施例中,本步骤通过m个子机组群的输出功率预测值加和,即可获得预测时刻风电场整场的预测输出功率。
步骤S105,根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。
本步骤对应环节③输出数据修正。
在本发明一可选实施例中,对风电场内的所有机组进行划分的方法的大致流程为:根据风电场内各机组的历史全年实测功率的均值和历史全年实测功率的标准偏差采用预设的聚类方法对所述风电场内的各机组进行分群,将所述风电场内的所有机组划分为至少两个子机组群。
在一具体实施例中,可以采用K均值聚类、谱聚类等常用的聚类方法进行风电场内机组分群,最佳分组个数可以根据分组有效性指标(如:轮廓系数)曲线的拐点判定。在一实际的场景中,以K均值聚类为例,将风电场内的112台机组作为研究对象进行分组。选取最能表征预测目标(风电场整场发电功率)的特征量作为分组模型输入,则机组i(i=0,1,2,······,112)由其历史全年实测功率的均值Pi,mean和标准偏差Pi,std两个量表征。因此,风电机组分组模型的输入数据为112×2的二维数组。依据所建立的风电机组分组模型,将风电场内的112台机组划分为四个子机组群。
在本发明一可选实施例中,确定各子机组群中的代表机组的方法的大致流程为:计算子机组群中的各机组的群内平均相关系数(AICC);将子机组群中群内平均相关系数最大的机组确定为该子机组群的代表机组。
在本发明实施例中,各个子机组群内代表机组(虚拟测风塔)的选择可以利用各台机组历史的实测功率时间序列之间的相关性表示,与组内其它机组的功率相关性之和最高者为代表机组。具体的,针对机组的分群结果,定义各台机组的群内平均相关系数(averageintra-cluster correlation coefficient,AICC),如以下公式所示。以各子机组群内具有最高AICC值的机组作为对应组的代表机组,建立以代表机组点位风速为输入的功率预测模型。
在以上公式中:Ci、mi分别为第i子机组群内包含的机组及机组台数,p、q为第i子机组群内的任意两台机组(p、q∈Ci),Xp、Xq分别为机组p、q实测功率的时间序列,Cov(Xp,Xq)为Xp和Xq的协方差,Var(Xp)和Var(Xq)分别为Xp和Xq的方差,AICC(p)为第p台机组的群内平均相关系数。
在本发明一可选实施例中,在训练各子机组群的功率预测模型之前,还需要对风电机组原始运行数据进行修正。风电机组原始运行数据包括实测风速-输出功率散点图,本发明对实测风速-输出功率散点图进行数据清洗,去除离群噪音数据,最终得到较为准确的各子机组群的历史输出功率数据,用于训练各子机组群的功率预测模型。
在本发明一可选实施例中,由于通讯设备异常、限电、记录仪故障、机组异常停机等原因,在实际记录中会包含部分非正常运行数据,因此,针对SCADA***记录的风电机组原始运行数据实行数据清洗,对于提高风电功率预测模型的适应性与准确性是非常必要的。基于风电机组实测风速-输出功率散点图中常见的异常数据类型,采用DBSCAN密度聚类法去除离群噪音点,并剔除来流风速高于切入风速时的0功率堆积点,如有大量因限电产生的恒功率堆积点,则采用核密度估计方法予以识别和剔除,最终获得各单台机组的清洗后运行数据。以单台机组为例,清洗前后的风速-功率运行数据散点分布分别如图5和图6所示。
在本发明一可选实施例中,上述步骤S102的根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速,具体为:
将所述NWP风速输入到风速修正模型中,得到所述NWP风速对应修正后的风速,其中,所述风速修正模型为根据历史NWP风速数据以及历史实测风速数据采用第二机器学习算法训练得出的。
在本发明可选实施例中,第二机器学习算法可以采用神经网络、支持向量机、模糊逻辑以及其它深度学习算法。
因风速与功率的三次方关系,NWP风速成为输入数据中对预测功率影响最大的因素,因此,本发明对NWP风速进行修正。NWP风速的修正过程与功率预测过程的原理相似,也即根据历史时刻的NWP风速以及实测风速之训练出风速修正模型,进而以未来时刻的NWP风速为输入获得修正后风速。在修正过程中,以实测风速作为最高精度(零误差)的NWP风速,也即修正目标。
以最小二乘法为例,对不同代表机组(虚拟测风塔)处的NWP风速进行修正,修正前后的NWP风速的年均方根误差(RMSE)统计如图7所示,修正后四个虚拟塔的NWP风速的年RMSE分别降低了0.45m/s、0.53m/s、0.51m/s、0.53m/s。由此可见,本发明在数据输入环节对NWP风速进行修正的方案能够有效的提升功率预测的准确性。
图2是本发明实施例风电场输出功率预测修正方法的第二流程图,对应上述流程中的环节③输出数据修正,如图2所示,在本发明一实施例中,上述步骤S104的根据各子机组群的输出功率预测值确定所述风电场的预测输出功率具体包括步骤S201和步骤S202。
步骤S201,将所述输出功率预测值输入到对应的各子机组群的功率修正模型中,得到所述输出功率预测值对应的修正后的输出功率,其中,子机组群的功率修正模型为根据通过该子机组群的功率预测模型得到的历史功率预测数据以及该子机组群的实测功率数据采用第三机器学习算法训练得出的。
在本发明可选实施例中,一个子机组群的功率修正模型为采用根据该子机组群的功率预测模型得到的历史功率预测数据以及各历史功率预测数据对应的实测功率数据作为训练数据进行模型训练得到的。
在本发明可选实施例中,上述第三机器学习算法可以采用神经网络、支持向量机、模糊逻辑以及其它深度学习算法。
步骤S202,根据各子机组群对应的所述修正后的输出功率确定所述风电场的预测输出功率。
在对输入数据及功率预测模型环节分别进行优化后,即可获得相对较为准确的预测输出功率P’pred。但本发明为进一步提高预测功率输出功率的精度,对获得的预测输出功率进一步修正。在本实施例中,对各子机组群的功率修正模型输出的功率预测值进行修正,进而对各子机组群的修正后的输出功率求和,从而得到较为精确的风电场的预测输出功率。
在本发明一可选实施例中,上述步骤S105的根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值,具体为:
将所述预测输出功率输入到风电场功率修正模型中,得到所述预测输出功率对应的预测输出功率修正值,其中,所述风电场功率修正模型为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据采用第四机器学习算法训练得出的
在本发明可选实施例中,上述第四机器学习算法可以采用神经网络、支持向量机、模糊逻辑以及其它深度学习算法。
在对输入数据及功率预测模型环节分别进行优化后,即可获得相对较为准确的预测输出功率。但本发明为进一步提高预测输出功率的精度,对获得的预测输出功率进一步修正。在本实施例中,针对整个风电场建立功率修正模型,风电场的功率修正模型以风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据作为训练数据训练得出。风电场的历史预测输出功率数据为采用上述任意一个实施例的方法得出的历史时间点的风电场的预测输出功率数据,风电场的历史实测输出功率数据为采集的历史时间点上实测的风电场的总输出功率数据。
以中国北方某实际风电场为例,采用如图1所示的涵盖模型修正、输入数据修正、输出数据修正的全环节误差修正方法对某一风电功率预测统计模型进行修正。以均方根误差(RMSE)为评价指标,对原模型及不同修正环节的预测功率的各月份误差进行统计,获得如图8所示的不同修正模型预测功率误差的年变化。
如图8所示,随着修正环节的增加,预测功率精度逐渐提升。对12个月份的预测功率月RMSE的平均值进行计算,相较于***的原模型(圆点),单纯采用功率预测模型修正(三角),将此误差值降低了2.1%;增加输入数据修正(方块),误差继续降低了1.6%;增加输出数据修正(菱形),误差继续降低了1.3%。算例表明,经过本发明全周期的误差修正,可以显著提高功率预测的准确性。
从以上实施例可以看出,本发明将风电场短期功率预测过程划分为输入数据环节、预测模型环节、输出数据环节,针对各环节的误差引入原因,分别提出基于输入风速优化、预测模型降尺度、输出功率优化的精度提升方案,提供了一种高准确性的预测风电场输出功率的方法为高精度风电功率预测***的开发提供了良好的技术支持。本发明的风电场输出功率预测修正方法可以极大地提高传统的风电场短期功率预测方法的准确性。并且本发明方法的可移植性强,可应用于绝大多数的风电场及统计的功率预测模型,甚至可推广应用至物理预测模型。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种风电场输出功率预测修正装置,可以用于实现上述实施例所描述的风电场输出功率预测修正方法,如下面的实施例所述。由于风电场输出功率预测修正装置解决问题的原理与风电场输出功率预测修正方法相似,因此风电场输出功率预测修正装置的实施例可以参见风电场输出功率预测修正方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图9是本发明实施例风电场输出功率预测修正装置的结构框图,如图9所示,本发明实施例风电场输出功率预测修正装置包括:
风速获取单元1,用于获取各子机组群的代表机组的NWP风速,其中,风电场内的所有机组划分为至少两个子机组群;
风速修正单元2,用于根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速;
子机组群功率预测单元3,用于根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值,其中,子机组群的功率预测模型为根据该子机组群的代表机组的历史NWP风速数据以及该子机组群的历史输出功率数据采用第一机器学习算法训练得出的;
风电场功率预测单元4,用于根据各子机组群的输出功率预测值确定所述风电场的预测输出功率;
输出修正单元5,用于根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。
在本发明一可选实施例中,所述风速修正单元2,具体用于将所述NWP风速输入到风速修正模型中,得到所述NWP风速对应修正后的风速,其中,所述风速修正模型为根据历史NWP风速数据以及历史实测风速数据采用第二机器学习算法训练得出的。
图10是本发明实施例风电场功率预测单元的结构框图,如图10所示,在本发明可选实施例中,上述风电场功率预测单元4包括:子机组群功率修正模块401和计算模块402。
子机组群功率修正模块401,用于将所述输出功率预测值输入到对应的各子机组群的功率修正模型中,得到所述输出功率预测值对应的修正后的输出功率,其中,子机组群的功率修正模型为根据通过该子机组群的功率预测模型得到的历史功率预测数据以及该子机组群的实测功率数据采用第三机器学习算法训练得出的。
计算模块402,用于根据各子机组群对应的所述修正后的输出功率确定所述风电场的预测输出功率。
在本发明一可选实施例中,所述输出修正单元5,具体用于将所述预测输出功率输入到风电场功率修正模型中,得到所述预测输出功率对应的预测输出功率修正值,其中,所述风电场功率修正模型为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据采用第四机器学习算法训练得出的。
在本发明一可选实施例中,本发明实施例风电场输出功率预测修正装置还包括:
子机组群划分单元,用于根据风电场内各机组的历史全年实测功率的均值和历史全年实测功率的标准偏差采用预设的聚类方法对所述风电场内的各机组进行分群,将所述风电场内的所有机组划分为至少两个子机组群。
在本发明一可选实施例中,本发明的风电场输出功率预测修正装置还包括:
平均相关系数计算单元,用于计算子机组群中的各机组的群内平均相关系数;
代表机组确定单元,用于将子机组群中群内平均相关系数最大的机组确定为该子机组群的代表机组。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图11所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述风电场输出功率预测修正方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种风电场输出功率预测修正方法,其特征在于,包括:
获取各子机组群的代表机组的NWP风速,其中,风电场内的所有机组划分为至少两个子机组群;
根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速;
根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值,其中,子机组群的功率预测模型为根据该子机组群的代表机组的历史NWP风速数据以及该子机组群的历史输出功率数据采用第一机器学习算法训练得出的;
根据各子机组群的输出功率预测值确定所述风电场的预测输出功率;
根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。
2.根据权利要求1所述的风电场输出功率预测修正方法,其特征在于,所述根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速,包括:
将所述NWP风速输入到风速修正模型中,得到所述NWP风速对应修正后的风速,其中,所述风速修正模型为根据历史NWP风速数据以及历史实测风速数据采用第二机器学习算法训练得出的。
3.根据权利要求1所述的风电场输出功率预测修正方法,其特征在于,所述根据各子机组群的输出功率预测值确定所述风电场的预测输出功率,包括:
将所述输出功率预测值输入到对应的各子机组群的功率修正模型中,得到所述输出功率预测值对应的修正后的输出功率,其中,子机组群的功率修正模型为根据通过该子机组群的功率预测模型得到的历史功率预测数据以及该子机组群的实测功率数据采用第三机器学习算法训练得出的;
根据各子机组群对应的所述修正后的输出功率确定所述风电场的预测输出功率。
4.根据权利要求1或3所述的风电场输出功率预测修正方法,其特征在于,所述根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值,包括:
将所述预测输出功率输入到风电场功率修正模型中,得到所述预测输出功率对应的预测输出功率修正值,其中,所述风电场功率修正模型为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据采用第四机器学习算法训练得出的。
5.根据权利要求1所述的风电场输出功率预测修正方法,其特征在于,还包括:
根据风电场内各机组的历史全年实测功率的均值和历史全年实测功率的标准偏差采用预设的聚类方法对所述风电场内的各机组进行分群,将所述风电场内的所有机组划分为至少两个子机组群。
6.一种风电场输出功率预测修正装置,其特征在于,包括:
风速获取单元,用于获取各子机组群的代表机组的NWP风速,其中,风电场内的所有机组划分为至少两个子机组群;
风速修正单元,用于根据历史NWP风速数据以及历史实测风速数据对所述NWP风速进行修正,得到所述NWP风速对应的修正后的风速;
子机组群功率预测单元,用于根据所述修正后的风速以及各子机组群的功率预测模型确定各子机组群的输出功率预测值,其中,子机组群的功率预测模型为根据该子机组群的代表机组的历史NWP风速数据以及该子机组群的历史输出功率数据采用第一机器学习算法训练得出的;
风电场功率预测单元,用于根据各子机组群的输出功率预测值确定所述风电场的预测输出功率;
输出修正单元,用于根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据对所述预测输出功率进行修正,得到所述预测输出功率对应的预测输出功率修正值。
7.根据权利要求6所述的风电场输出功率预测修正装置,其特征在于,
所述风速修正单元,具体用于将所述NWP风速输入到风速修正模型中,得到所述NWP风速对应修正后的风速,其中,所述风速修正模型为根据历史NWP风速数据以及历史实测风速数据采用第二机器学习算法训练得出的。
8.根据权利要求6所述的风电场输出功率预测修正装置,其特征在于,所述风电场功率预测单元包括:
子机组群功率修正模块,用于将所述输出功率预测值输入到对应的各子机组群的功率修正模型中,得到所述输出功率预测值对应的修正后的输出功率,其中,子机组群的功率修正模型为根据通过该子机组群的功率预测模型得到的历史功率预测数据以及该子机组群的实测功率数据采用第三机器学习算法训练得出的;
计算模块,用于根据各子机组群对应的所述修正后的输出功率确定所述风电场的预测输出功率。
9.根据权利要求6或8所述的风电场输出功率预测修正装置,其特征在于,
所述输出修正单元,具体用于将所述预测输出功率输入到风电场功率修正模型中,得到所述预测输出功率对应的预测输出功率修正值,其中,所述风电场功率修正模型为根据风电场的历史预测输出功率数据以及风电场的历史实测输出功率数据采用第四机器学习算法训练得出的。
10.根据权利要求6所述的风电场输出功率预测修正装置,其特征在于,还包括:
子机组群划分单元,用于根据风电场内各机组的历史全年实测功率的均值和历史全年实测功率的标准偏差采用预设的聚类方法对所述风电场内的各机组进行分群,将所述风电场内的所有机组划分为至少两个子机组群。
11.一种计算机设备,包括存储器、处理器及存储在存储器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计算机程序时实现权利要求1至5任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至5任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010527643.7A CN111709569B (zh) | 2020-06-11 | 2020-06-11 | 风电场输出功率预测修正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010527643.7A CN111709569B (zh) | 2020-06-11 | 2020-06-11 | 风电场输出功率预测修正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709569A true CN111709569A (zh) | 2020-09-25 |
CN111709569B CN111709569B (zh) | 2023-09-22 |
Family
ID=72539672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010527643.7A Active CN111709569B (zh) | 2020-06-11 | 2020-06-11 | 风电场输出功率预测修正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709569B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613633A (zh) * | 2020-09-30 | 2021-04-06 | 江苏金风软件技术有限公司 | 风电场的气象要素预测方法和装置 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
CN115217152A (zh) * | 2022-07-29 | 2022-10-21 | 招商局重庆交通科研设计院有限公司 | 一种沉管隧道管节接头张合变形的预测方法及装置 |
CN115730860A (zh) * | 2022-11-29 | 2023-03-03 | 中国华能集团清洁能源技术研究院有限公司 | 基于全物理过程的风电场实时功率估算方法及*** |
CN115965134A (zh) * | 2022-12-14 | 2023-04-14 | 广西电网有限责任公司 | 一种区域电网风力发电功率预测优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496927A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 基于误差统计修正的风电场功率预测方法 |
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN111062509A (zh) * | 2019-11-12 | 2020-04-24 | 国电陕西新能源有限公司 | 一种基于改进神经网络的风功率中短期预测方法及*** |
-
2020
- 2020-06-11 CN CN202010527643.7A patent/CN111709569B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496927A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 基于误差统计修正的风电场功率预测方法 |
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN111062509A (zh) * | 2019-11-12 | 2020-04-24 | 国电陕西新能源有限公司 | 一种基于改进神经网络的风功率中短期预测方法及*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613633A (zh) * | 2020-09-30 | 2021-04-06 | 江苏金风软件技术有限公司 | 风电场的气象要素预测方法和装置 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
CN115217152A (zh) * | 2022-07-29 | 2022-10-21 | 招商局重庆交通科研设计院有限公司 | 一种沉管隧道管节接头张合变形的预测方法及装置 |
CN115730860A (zh) * | 2022-11-29 | 2023-03-03 | 中国华能集团清洁能源技术研究院有限公司 | 基于全物理过程的风电场实时功率估算方法及*** |
CN115965134A (zh) * | 2022-12-14 | 2023-04-14 | 广西电网有限责任公司 | 一种区域电网风力发电功率预测优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111709569B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709569B (zh) | 风电场输出功率预测修正方法及装置 | |
US11408399B2 (en) | Forecasting output power of wind turbine in wind farm | |
CN113937763B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
CN107832881B (zh) | 考虑负荷水平和风速分段的风电功率预测误差评价方法 | |
Junior et al. | Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及*** | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、***及介质 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、***、设备和介质 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN116581755B (zh) | 功率预测方法、装置、设备及存储介质 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN115689067A (zh) | 太阳辐照度预测方法、装置及存储介质 | |
Duan et al. | Study on performance evaluation and prediction of mixed-flow hydraulic turbine units under variable operating conditions | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
CN110942196B (zh) | 预测辐照修正方法及装置 | |
CN117293817B (zh) | 发电参数预测方法及装置 | |
CN117371581A (zh) | 一种新能源发电功率预测方法、装置及存储介质 | |
CN117767285A (zh) | 一种基于时间邻域气象数据的短期光伏发电功率预测方法、装置、存储介质及设备 | |
CN116361705A (zh) | 发电机组的异常数据识别方法及装置、电子设备 |
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 |