CN112288164B - 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 - Google Patents

一种计及空间相关性和修正数值天气预报的风功率组合预测方法 Download PDF

Info

Publication number
CN112288164B
CN112288164B CN202011184024.9A CN202011184024A CN112288164B CN 112288164 B CN112288164 B CN 112288164B CN 202011184024 A CN202011184024 A CN 202011184024A CN 112288164 B CN112288164 B CN 112288164B
Authority
CN
China
Prior art keywords
wind power
wind
prediction
model
combined
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
Application number
CN202011184024.9A
Other languages
English (en)
Other versions
CN112288164A (zh
Inventor
向月
胡帅
刘俊勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202011184024.9A priority Critical patent/CN112288164B/zh
Publication of CN112288164A publication Critical patent/CN112288164A/zh
Application granted granted Critical
Publication of CN112288164B publication Critical patent/CN112288164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

  • 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)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (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)

Abstract

本发明公开了一种计及空间相关性和修正数值天气预报的风功率组合预测方法，针对传统的基于单一核函数的GP的不足，组合多种核函数，求得最佳的核函数方案，以基于组合核函数的GP为基础，建立预测模型。考虑到多维气象因素的数据复杂程度较高，通过自动相关判定算法筛选关键因素，并建立NWP风速偏差修正模型。同时，利用空间相关法，分析目标风电场和相邻风电场的风速时间序列，使用皮尔逊相关系数法求得其相关性最强对应的时间差，建立空间相关性模型。并基于上述模型的组合加权预测模型，并通过拉格朗日法求得了组合模型权值系数。由此通过组合加权预测模型将数值天气预报偏差修正法和空间相关法的有效结合，提高了风功率的预测精度。

Description

一种计及空间相关性和修正数值天气预报的风功率组合预测方法
技术领域
本发明涉及风功率预测技术领域，具体地讲，是涉及一种计及空间相关性和修正数值天气预报的风功率组合预测方法。
背景技术
化石能源的日益枯竭及其带来的环境污染问题日趋严重，发展可再生能源的任务迫在眉睫。风能作为绿色无污染的可再生能源，近年来在电网中的渗透率持续上升。据全球风能理事会提供的数据显示，至2018年，风电的全球装机容量达到591GW，其中中国为184GW，风电装机排名全球第一。然而，风功率出力的随机性和间歇性对其准确预测造成了较大的困难，为电网的安全稳定运行和减少弃风量带来了一定挑战。因此，准确的风功率预测越来越受到重视。
风功率预测方法大致可分为统计学方法、物理学方法和空间相关法。常用的统计学预测方法有时间序列分析法和人工智能法，前者包含了差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)、自回归移动平均模型(Autoregressive and Moving Average,ARMA)、自回归模型(Autoregressive,AR)等，这些方法对于线性数据有更好的预测效果。后者包括了人工神经网络、支持向量机、支持向量回归等，其更好的考虑了非线性因素。上述统计学方法具有建模简单、计算迅速的优点。然而，由于统计学模型对训练集数据量的需求较大，其应用受到限制。如对于新建风电场，其历史数据不足，将增加风功率预测模型训练的难度。通常，统计方法适用于短期预测。
物理方法可以克服历史数据缺失产生的不利影响，常见的方法为基于数值天气预报(Numerical Weather Prediction，NWP)数据并结合“风速-功率曲线”。NWP以气象资料和地表信息作为初始条件，通过求解流体力学和热力学方程获取物理模型的关键信息，在一定程度上可以增大预测时间尺度。然而，热力学是不稳定的，有时会受到气候的影响，将会影响NWP的精度。且更新缓慢的数值天气预报也会对风功率预测造成一定的误差。
空间相关法(Spatial Correlation，SC)指的是使用相邻风电场的信息，对目标风电场进行预测，该方法在目标风电场风资源数据不足的情况下对于提高预测精度具有重要价值。当仅使用单个风电场数据时，可能会存在数据缺乏或信息获取不及时等问题，从而降低预测效率，而使用空间相关法，则可以弥补上述不足。且该方法计入了风电场所处地理位置与地形等因素，在一定程度上可以解决由风速突变引起的预测精度较低的问题。
为改进单一统计学或物理模型在风功率预测方面的局限性，部分研究结合多种方法，例如统计学方法与物理方法，建立组合预测模型，以提高风功率预测的准确性与模型的适用性。但是目前广泛应用到的统计学方法——神经网络存在收敛速度较慢、容易导致过拟合的缺点。高斯过程(Gaussian Processes，GP)是一种有效的非线性、非参数的概率预测方法，与其他统计学模型相比，GP包含的参数更少，可以简化计算过程。另外，GP具有自适应获取超参数的能力，建模过程较为灵活。然而，由于风速变化剧烈，传统的单一核函数的GP对风功率的预测能力有限，而发明人发现将多种核函数组合起来，可以使预测结果更加准确。同时，现有研究均没有同时考虑风功率预测的时序性、空间性与数值天气预报的不准确性等因素。
发明内容
针对上述现有技术中的上述问题，本发明提供一种准确性更高的计及空间相关性和修正数值天气预报的风功率组合预测方法。
为了实现上述目的，本发明采用的技术方案如下：
一种计及空间相关性和修正数值天气预报的风功率组合预测方法，包括以下步骤：
S100、读取风电场a的历史数据和数值天气预报中的多种气象因素的数据，所述气象因素至少包括风速、风向、温度、气压、相对湿度；
S200、通过自动相关判定算法筛选出所述多种气象因素中与风功率的相关性强的气象因素，将其数据作为输入变量，建立基于高斯过程的预测模型，并得到风功率预测值P1；
S300、通过对应的已知风速数据，建立风速修正模型，并将通过该风速修正模型修正后的风速数据作为基于高斯过程的预测模型的输入，再进行风功率预测，得到风功率预测值P2；
S400、对与风电场a相邻的m个风电场bm进行空间相关性分析，分别计算每个风电场bm与风电场a的皮尔逊相关系数以及其对应的延迟时间Δtm，并由此通过风电场bm的历史风速预测该风电场a在时刻t的风速，结合风电场a在时刻t的除风速外的其他气象因素数据，建立多维预测模型，并得到风电场a时刻t的风功率预测值P2+m；
S500、基于P2、P2+m建立组合模型，用皮尔逊相关系数和拉格朗日乘子法求出该组合模型中的各预测模型的权值系数，建立组合加权风功率预测模型；
S600、利用该组合加权风功率预测模型对风电场a的风功率进行预测，输出风电场a的风功率预测值P。
进一步地，所述计及空间相关性和修正数值天气预报的风功率组合预测方法，还包括：
步骤S700、分别计算基于得到P1、P2、P2+m、P的模型的标准均方根误差NRMSE、平均绝对百分比误差MAPE和归一化平均绝对误差NMAE三个误差评价指标，并进行对比分析，将误差精度最小的风功率预测值作为风电场a的最终风功率预测值输出。
具体地，所述步骤S200中基于高斯过程的预测模型建立过程如下：
建立高斯表达式，输出函数g(x)＝待预测函数f(x)+高斯白噪声e(x)，根据高斯分布表示为：g(x)～N(m(x),K(X,X)+σn 2I)，该式中，m(x)为均值函数，σn为高斯白噪声的单位方差，I为n维单位矩阵，K(X,X)为协方差矩阵，包含元素Kij＝k(xi,xj)，i,j＝1,2,…,n；
根据风电场a的历史数据形成高斯回归预测过程的训练集d＝{X,y}，其中，输入集X＝{xi∈RD|i＝1,…,n}由各种气象因素的数据形成D维的输入向量x，输出集y＝{yi|i＝1,2,…,n}由对应的风功率观测值形成，通过该训练集确定出该高斯表达式中的预测参数；
根据训练集的输出y和预测值f*的联合先验分布：
Figure BDA0002750964280000041
确定该基于高斯过程的预测模型的结果均值
Figure BDA0002750964280000042
和方差∑*：
Figure BDA0002750964280000043
Figure BDA0002750964280000044
该式中，x*表示新的输入值，k*为k(X,x*)＝k(x*,X)T＝[k(x1,x*),…,k(xn,x*)]的简化，表示X与xi之间的n×1阶协方差矩阵，k(x*,x*)为新的输入值x*自身的协方差。
具体地，所述协方差矩阵K(X,X)选择以下函数之一作为核函数：
1)平方指数协方差函数：
Figure BDA0002750964280000045
2)有理二次协方差函数：
Figure BDA0002750964280000046
3)Matern协方差函数,v＝3/2：
Figure BDA0002750964280000047
4)Matern协方差函数,v＝5/2：
Figure BDA0002750964280000051
该式中，σf为信号协方差，l为长度尺度参数。
具体地，所述高斯过程中超参数的学习通过极大似然估计算法来完成：
Figure BDA0002750964280000052
该式中，f*为风功率预测中输出功率值，K为高斯过程的核函数；
通过自动相关判定算法确定高斯过程中的每个气象因素参数值匹配的长度尺度参数，由此判断出与风功率的相关性强的气象因素：
Figure BDA0002750964280000053
该式中，D为输入向量x的维数，对应气象因素的种类个数，b为偏差，所有超参数都包含在向量θ＝(θ0,L,b)T中，L表示L＝{l1,……,lD}中的参数，超参数{l1,……,lD}用于实现自动相关判定，随着li长度变短，函数对相应的输入变量xi愈加敏感，输入变量的相关越强。
更具体地，所述步骤S300中，根据数值天气预报中的风速预测数据和风电场a的历史数据中对应的实际风速数据，构建风速修正模型表达式，通过自动相关判定算法筛选出所述数值天气预报的各气象因素中对风速影响最大的气象因素数据，作为该风速修正模型表达式的输入，并将所述风速预测数据也作为输入，以实际风速数据作为输出，建立出风速修正模型。
更具体地，所述步骤S400中，根据风电场a与相邻的风电场bm的历史数据，获取风电场a与相邻的风电场的风速序列，并使用皮尔逊相关系数ηv来定量分析不同风电场风速序列之间的相关性大小：
Figure BDA0002750964280000054
该式中，N为风速相关性分析样本个数，va、vbi分别为风电场a与相邻风电场bm(i＝1,…,m)的风速观测值，由此获得风电场a与相邻的风电场bm之间对应的延迟时间Δtm，从而利用相邻风电场的风速数据对风电场a的风速进行预测。
其中，所述步骤S400中，选取皮尔逊相关系数ηv的极大值点对应的延迟时间作为两个风电场之间的时间差。
更具体地，所述步骤S500中根据不同预测模型对预测值的贡献程度大小进行加权处理，建立组合加权模型的表达式：
Figure BDA0002750964280000061
该式中，n种风功率预测模型的预测功率为Pn，对应的权值系数为βn；
各风功率预测模型中风功率的误差为εn，对应的方差为ζn，该组合加权模型的方差为：
Figure BDA0002750964280000062
该式中，Cov(βiεi,βjεj)为各风功率预测模型误差对应的相互之间的协方差；在进行权值分配时以最小化预测方差和为目标函数，满足下式：
Figure BDA0002750964280000063
通过拉格朗日法求出预测误差方差的最小值，从而求出该组合加权模型中的各个权值系数，确定出该组合加权风功率预测模型。
其中，所述求出各个权值系数的过程中，引入拉格朗日乘子：
Figure BDA0002750964280000064
分别对βi和λ求偏导数，令其偏导数为零，求得权重系数β1、β2、…、βn。
与现有技术相比，本发明具有以下有益效果：
(1)本发明考虑到多维气象因素的数据复杂程度较高，使用了自动相关判定(ARD)算法，从多维数据中选择关键因子，并建立NWP风速修正模型。修正后的风速代替了NWP的风速，有效地提高了风速的精度和预报模型的泛化性能。
(2)本发明利用空间相关法，分析目标风电场和相邻风电场的风速时间序列，引入空间相邻风电场对目标风电场进行预测，反映了风电场地形和地理位置对功率大小产生的影响，同时弥补了目标风电场数据不足的导致预测精确度不够的缺陷。
(3)本发明针对传统的基于单一核函数的GP的不足，组合多种核函数，求得最佳的核函数方案，在基于组合核函数的高斯过程的基础上，建立了一种新颖的组合加权风功率预测模型。并根据风速的季节变化，建立不同季节情况下，采用拉格朗日乘子法确定模型的加权值，减小了组合模型的误差，从而有效地提高了风功率的预测精度。
附图说明
图1为本发明-实施例的流程示意图。
图2为本发明-实施例中NWP风速修正模型的流程示意图。
图3为本发明-实施例中空间平移法的示意图。
图4为本发明-实施例中不同季节的预测功率与误差示意图，其中图4a为春天，图4b为夏天，图4c为秋天，图4d为冬天。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图4所示，该计及空间相关性和修正数值天气预报的风功率组合预测方法，包括以下步骤：
S100、读取风电场a的历史数据和数值天气预报中的多种气象因素的数据，所述气象因素至少包括风速、风向、温度、气压、相对湿度；
S200、通过自动相关判定算法筛选出所述多种气象因素中与风功率的相关性强的气象因素，将其数据作为输入变量，建立基于高斯过程的预测模型，并得到风功率预测值P1；
S300、通过对应的已知风速数据，建立风速修正模型，并将通过该风速修正模型修正后的风速数据作为基于高斯过程的预测模型的输入，再进行风功率预测，得到风功率预测值P2；
S400、对与风电场a相邻的m个风电场bm进行空间相关性分析，分别计算每个风电场bm与风电场a的皮尔逊相关系数以及其对应的延迟时间Δtm，并由此通过风电场bm的历史风速预测该风电场a在时刻t的风速，结合风电场a在时刻t的除风速外的其他气象因素数据，建立多维预测模型，并得到风电场a时刻t的风功率预测值P2+m；
S500、基于P2、P2+m建立组合模型，用皮尔逊相关系数和拉格朗日乘子法求出该组合模型中的各预测模型的权值系数，建立组合加权风功率预测模型；
S600、利用该组合加权风功率预测模型对风电场a的风功率进行预测，输出风电场a的风功率预测值P。
进一步地，所述计及空间相关性和修正数值天气预报的风功率组合预测方法，还包括：
步骤S700、分别计算基于得到P1、P2、P2+m、P的模型的标准均方根误差NRMSE、平均绝对百分比误差MAPE和归一化平均绝对误差NMAE三个误差评价指标，并进行对比分析，将误差精度最小的风功率预测值作为风电场a的最终风功率预测值输出。
具体地，基于高斯过程的预测模型建立过程：
高斯过程是建立在以贝叶斯理论为基础上的一种无参数机器学习算法，能自适应地求取其最优超参数、预测结果及其置信区间，具有训练速度快、适合处理高维数、非线性等复杂数据的优点。
设有输入集X＝{xi∈RD|i＝1,…,n}，输出集y＝{yi|i＝1,2,…,n}，输入集与输出集的组合d＝{X,y}作为高斯回归预测过程的训练集，待预测函数为f(x)，假设f(x)服从高斯分布，其表达式为：
f(x)～N(m(x),k(x,x'))…………(1)
该式中，m(x)表示均值函数，k(x,x')表示协方差函数，分别定义为：
m(x)＝E[f(x)]…………(2)
k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))]]…………(3)
假设d为训练集，且由n个观测值组成，d＝{(xi,yi)|i＝1,…,n}，其中x表示D维的输入向量，y表示输出值，由于有n个输入x，D×n矩阵可用来表示整个输入数据。在高斯过程中，目标输出一般包含高斯白噪声e(x)，假设其符合零均值、单位方差，公式如下：
e(x)～N(0,σn 2)…………(4)
加入高斯白噪声的含噪序列后，表达式为：
g(x)＝f(x)+e(x)…………(5)
故g(x)也服从高斯分布，可表示为：
g(x)～N(m(x),K(X,X)+σn 2I)…………(6)
该式中，I为n维单位矩阵，K(X,X)为协方差矩阵，包含元素Kij＝k(xi,xj)，i,j＝1,2,…,n，也被称作核函数。
本实施例中选取以下四种核函数：
1)平方指数协方差函数：
Figure BDA0002750964280000101
2)有理二次协方差函数：
Figure BDA0002750964280000102
3)Matern协方差函数,v＝3/2：
Figure BDA0002750964280000103
4)Matern协方差函数,v＝5/2：
Figure BDA0002750964280000104
该式中，σf为信号协方差，l为长度尺度参数，合理地选取核函数是保证预测精度的关键。可通过以下方式选择最优核函数方案：
所选的四种核函数的组合形式为：k(x,x′)＝k1(x,x′)+k2(x,x′)；
不同核函数及其组合情况下的预测误差指标如下表1所示：
表1不同核函数及其组合的预测误差指标
核函数及组合形式 RMSE(MW) MAPE MAE(MW)
SE 6.069902 0.395229 5.653775
RQ 6.156618 0.39465 5.647139
Mat(v＝3/2) 6.77634 0.405166 6.091823
Mat(v＝5/2) 6.812558 0.405619 6.11798
SE+RQ 5.730346 0.327676 5.01388
SE+Mat(v＝3/2) 4.24602 0.25317 4.807119
SE+Mat(v＝5/2) 5.586123 0.330217 4.914534
RQ+Mat(v＝3/2) 6.291651 0.337668 5.354872
RQ+Mat(v＝5/2) 6.196443 0.341961 5.305759
Mat(v＝3/2)+Mat(v＝5/2) 5.899431 0.337354 5.108981
从表1中可见，组合核函数的预测误差均小于单一核函数的预测误差，当SE核函数和Mat(v＝3/2)组合时，预测误差最小。在接下来的预测中，基于该组合核函数的高斯过程模型被用于风功率预测。
训练集的输出y和预测值f*的联合先验分布为高斯过程，如下式：
Figure BDA0002750964280000111
该式中，x*表示新的输入值，k*为k(X,x*)＝k(x*,X)T＝[k(x1,x*),…,k(xn,x*)]的简化，表示X与xi之间的n×1阶协方差矩阵，k(x*,x*)为新的输入值x*自身的协方差。根据联合高斯分布原理，给出了基于高斯过程进行预测结果的均值
Figure BDA0002750964280000116
和方差∑*分别为：
Figure BDA0002750964280000112
Figure BDA0002750964280000113
高斯过程超参数的学习通过极大似然估计算法来完成：
Figure BDA0002750964280000114
该式中，f*为风功率预测中输出功率值，K为高斯过程的核函数。最大似然函数可以确定高斯过程中的参数值，通过为每个输入变量合并一个单独的长度比例参数来进行扩展，可以从观察到的数据中推断出不同输入的相对重要性，称为自动相关判定算法：
Figure BDA0002750964280000115
该式中，D为输入向量x的维数，对应气象因素的种类个数，b为偏差，所有超参数都包含在向量θ＝(θ0,L,b)T中，L表示L＝{l1,……,lD}中的参数，超参数{l1,……,lD}用于实现自动相关判定，随着li长度变短，函数对相应的输入变量xi愈加敏感，输入变量的相关越强。
具体地，NWP风速修正模型的建立过程：
根据数值天气预报中的风速预测数据和风电场a的历史数据中对应的实际风速数据，构建风速修正模型表达式，通过自动相关判定算法筛选出所述数值天气预报的各气象因素中对风速影响最大的气象因素数据，作为该风速修正模型表达式的输入，并将所述风速预测数据也作为输入，以实际风速数据作为输出，建立出风速修正模型。修正后的NWP风速将更接近实际风速，提高风速预测的准确性，进而提高风功率预测的准确性。例如将修正后的风速数据作为基于高斯过程的预测模型的输入，得到风功率预测值P2。
具体地，基于空间相关法的多维预测模型的建立过程：
目标风电场与周边地区的风速之间存在一定的空间相关性，选取合适的相邻风电场的历史风速对目标风电场风速进行预测，能够有效提高风功率预测的准确性。且当目标风电场缺失一部分历史数据时，可利用相邻风电场的数据对目标风电场进行预测。同时，考虑到一些风电场位于地形复杂的地区，仅依靠自身的数据很难反映出由于复杂地形造成的风速突变对预测产生的影响，而利用空间相关法进行预测能较好地解决上述问题。所选取的目标风电场和其相邻风电场并不是总处于一条直线上，可采用空间平移法对其进行处理，其示意图如图3所示。
通过目标风电场绘制一条直线，使其位于所选取的周边风电场之间，通过各个相邻风电场绘制该直线的垂线，获得对应的交点。当相邻风电场与其对应交点的距离较短时，交点处的数据可以等同于相邻风电场的数据。
当进行风电场之间的空间相关性分析时，需要大量的相邻风电场与目标风电场的历史数据。不同风电场风速序列之间的时间差需要精准计算。在本研究中，使用皮尔逊相关系数用来定量分析不同风电场风速序列之间的相关性大小，其公式为：
Figure BDA0002750964280000121
该式中，N为风速相关性分析样本个数，va、vbi分别为风电场a与相邻风电场bm(i＝1,…,m)的风速观测值。相关系数越接近1，正相关性越强。在不同的时间差情况下，得到目标风电场与相邻风电场的风速序列与其对应的皮尔逊相关系数，相关系数越大，代表两个风电场的风速序列的相似性越高。因此，选取相关系数的极大值点对应的延迟时间作为两个风电场之间的时间差，从而利用相邻风电场的数据对目标风电场进行预测。例如分别计算风电场a和风电场b1与风电场b2的皮尔逊空间相关系数以及其对应的延迟时间Δt，选取相关系数最大的点作为最佳延迟时间。分别通过风电场b1、b2的历史风速预测风电场a时刻t的风速v3、v4；加入风电场a时刻t的其他因素如风向、温度、气压、湿度等，建立多维预测模型，得到风电场a时刻t的风功率P3、P4。
具体地，组合加权风功率预测模型的建立过程：
根据不同预测模型对预测值的贡献程度大小进行加权处理，假设有n中风功率预测模型，预测的功率分别为P1、P2、…、Pn，对应的权值系数为β1、β2、…、βn，组合加权模型的表达式为：
Figure BDA0002750964280000131
各风功率预测模型中风功率的误差为ε1、ε2、…、εn，对应的方差为ζ1、ζ2、…、ζn，该组合加权模型的方差为：
Figure BDA0002750964280000132
该式中，Cov(βiεi,βjεj)为各风功率预测模型误差对应的相互之间的协方差。
该组合加权模型在进行权值分配时以最小化预测方差和为目标函数，满足下式：
Figure BDA0002750964280000141
通过拉格朗日法求出预测误差方差的最小值，从而求出该组合加权模型中的各个权值系数，确定出该组合加权风功率预测模型。
其中，所述求出各个权值系数的过程中，引入拉格朗日乘子：
Figure BDA0002750964280000142
分别对βi和λ求偏导数，令其偏导数为零，求得权重系数β1、β2、…、βn。
在不同季节下，不同预测方法的预测结果如图4所示，其中图4a展示春天预测功率与误差，图4b展示夏天预测功率与误差，图4c展示秋天预测功率与误差，图4d展示冬天预测功率与误差。风电场b1、b2是与风电场a相邻的风电场。
春夏秋冬不同季节场景下，相比于风速修正前，风速修正后的功率预测值更加接近实际值，提高了预测精度。基于空间相关性模型得到的各个场景下的风功率预测值的准确度优于风速修正前的NWP风功率预测值。从图中可以发现，各个季节的风功率并不是处于较为平稳的状态，均有较大波动，其中春天的风速最大，它的风功率值也最大，导致风功率绝对误差值也最大，其次依次是冬季和秋季，夏季的风速较小，该误差值也相应的小于其他季节。
使用组合加权模型进行风功率预测，其预测值更接近实际值，预测精准度比其他方法更高，各个季节的预测误差有明显的降低，说明所提出的组合加权风功率预测模型是合理的。以上模型的预测误差评价指标如表2所示。
由表2的预测误差评价指标表可以看出，组合加权预测模型求得的预测精度明显高于单一模型，例如，其NRMSE、MAPE、NMAE三个指标在春季分别降低了0.33078–1.5919MW，0.0287–0.12918、0.17644–2.69465MW，夏季降低了0.01102–0.15111MW，0.0494–0.21913、0.01448–0.28154MW，秋季降低了0.31536–0.76779MW、0.03481–0.2738、0.35463–1.14045MW，冬季降低了0.46431–1.53667MW、0.07372–0.16959、1.15365–2.72491MW。
表2不同模型的风功率预测误差评价指标
Figure BDA0002750964280000151
定义组合加权模型预测精度提高的计算公式为
Figure BDA0002750964280000152
该式中，εNWP表示基于NWP误差修正后的预测NRMSE误差值，εmix表示组合加权预测模型的NRMSE误差值，与基于NWP的预测模型相比较，组合加权预测模型的预测精度在各个季节的提高为春季37.49％，夏季10.88％，秋季31.88％，冬季35.67％，平均提高了28.98％。组合加权预测模型的适用性明显优于单一预测模型，在增加预测时间尺度的同时，能够有效提高风功率的预测精度。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (5)

1.一种计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，包括以下步骤：
S100、读取风电场a的历史数据和数值天气预报中的多种气象因素的数据，所述气象因素至少包括风速、风向、温度、气压、相对湿度；
S200、通过自动相关判定算法筛选出所述多种气象因素中与风功率的相关性强的气象因素，将其数据作为输入变量，建立基于高斯过程的预测模型，并得到风功率预测值P1；
S300、通过对应的已知风速数据，建立风速修正模型，并将通过该风速修正模型修正后的风速数据作为基于高斯过程的预测模型的输入，再进行风功率预测，得到风功率预测值P2；其中根据数值天气预报中的风速预测数据和风电场a的历史数据中对应的实际风速数据，构建风速修正模型表达式，通过自动相关判定算法筛选出所述数值天气预报的各气象因素中对风速影响最大的气象因素数据，作为该风速修正模型表达式的输入，并将所述风速预测数据也作为输入，以实际风速数据作为输出，建立出风速修正模型；
S400、对与风电场a相邻的m个风电场bm进行空间相关性分析，分别计算每个风电场bm与风电场a的皮尔逊相关系数以及其对应的延迟时间Δtm，并由此通过风电场bm的历史风速预测该风电场a在时刻t的风速，结合风电场a在时刻t的除风速外的其他气象因素数据，建立多维预测模型，并得到风电场a时刻t的风功率预测值P2+m；其中根据风电场a与相邻的风电场bm的历史数据，获取风电场a与相邻的风电场的风速序列，并使用皮尔逊相关系数ηv来定量分析不同风电场风速序列之间的相关性大小：
该式中，N为风速相关性分析样本个数，va、vbi分别为风电场a与相邻风电场bm的风速观测值，其中i＝1,...,m，由此获得风电场a与相邻的风电场bm之间对应的延迟时间Δtm，从而利用相邻风电场的风速数据对风电场a的风速进行预测；选取皮尔逊相关系数ηv的极大值点对应的延迟时间作为两个风电场之间的时间差；
S500、基于P2、P2+m建立组合模型，用皮尔逊相关系数和拉格朗日乘子法求出该组合模型中的各预测模型的权值系数，建立组合加权风功率预测模型；其中根据不同预测模型对预测值的贡献程度大小进行加权处理，建立组合加权模型的表达式：
该式中，n种风功率预测模型的预测功率为Pn，对应的权值系数为βn；
各风功率预测模型中风功率的误差为εn，对应的方差为ζn，该组合加权模型的方差为：
该式中，Cov(βiεi,βjεj)为各风功率预测模型误差对应的相互之间的协方差；
在进行权值分配时以最小化预测方差和为目标函数，满足下式：
通过拉格朗日法求出预测误差方差的最小值，从而求出该组合加权模型中的各个权值系数，确定出该组合加权风功率预测模型；所述求出各个权值系数的过程中，引入拉格朗日乘子：
分别对βi和λ求偏导数，令其偏导数为零，求得权重系数β1、β2、…、βn；
S600、利用该组合加权风功率预测模型对风电场a的风功率进行预测，输出风电场a的风功率预测值P。
2.根据权利要求1所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，还包括：
步骤S700、分别计算基于得到P1、P2、P2+m、P的模型的标准均方根误差NRMSE、平均绝对百分比误差MAPE和归一化平均绝对误差NMAE三个误差评价指标，并进行对比分析，将误差精度最小的风功率预测值作为风电场a的最终风功率预测值输出。
3.根据权利要求2所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述步骤S200中基于高斯过程的预测模型建立过程如下：
建立高斯表达式，输出函数g(x)＝待预测函数f(x)+高斯白噪声e(x)，根据高斯分布表示为：g(x)～N(m(x),K(X,X)+σn 2I)，该式中，m(x)为均值函数，σn为高斯白噪声的单位方差，I为n维单位矩阵，K(X,X)为协方差矩阵，包含元素Kij＝k(xi,xj)，i,j＝1,2,...,n；
根据风电场a的历史数据形成高斯回归预测过程的训练集d＝{X,y}，其中，输入集X＝{xi∈RD|i＝1,...,n}由各种气象因素的数据形成D维的输入向量x，输出集y＝{yi|i＝1,2,...,n}由对应的风功率观测值形成，通过该训练集确定出该高斯表达式中的预测参数；
根据训练集的输出y和预测值f*的联合先验分布：
确定该基于高斯过程的预测模型的结果均值和方差∑*：
该式中，x*表示新的输入值，k*为k(X,x*)＝k(x*,X)T＝[k(x1,x*),...,k(xn,x*)]的简化，表示X与xi之间的n×1阶协方差矩阵，k(x*,x*)为新的输入值x*自身的协方差。
4.根据权利要求3所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述协方差矩阵K(X,X)选择以下函数之一作为核函数：
1)平方指数协方差函数：
2)有理二次协方差函数：
3)Matern协方差函数,v＝3/2：
4)Matern协方差函数,v＝5/2：
该式中，σf为信号协方差，l为长度尺度参数。
5.根据权利要求4所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述高斯过程中超参数的学习通过极大似然估计算法来完成：
该式中，f*为风功率预测中输出功率值，K为高斯过程的核函数；
通过自动相关判定算法确定高斯过程中的每个气象因素参数值匹配的长度尺度参数，由此判断出与风功率的相关性强的气象因素：
该式中，D为输入向量x的维数，对应气象因素的种类个数，b为偏差，所有超参数都包含在向量θ＝(θ0,L,b)T中，L表示L＝{l1,......,lD}中的参数，超参数{l1,......,lD}用于实现自动相关判定，随着li长度变短，函数对相应的输入变量xi愈加敏感，输入变量的相关越强。
CN202011184024.9A 2020-10-29 2020-10-29 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 Active CN112288164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184024.9A CN112288164B (zh) 2020-10-29 2020-10-29 一种计及空间相关性和修正数值天气预报的风功率组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184024.9A CN112288164B (zh) 2020-10-29 2020-10-29 一种计及空间相关性和修正数值天气预报的风功率组合预测方法

Publications (2)

Publication Number Publication Date
CN112288164A CN112288164A (zh) 2021-01-29
CN112288164B true CN112288164B (zh) 2023-04-07

Family

ID=74353503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184024.9A Active CN112288164B (zh) 2020-10-29 2020-10-29 一种计及空间相关性和修正数值天气预报的风功率组合预测方法

Country Status (1)

Country Link
CN (1) CN112288164B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561199B (zh) * 2020-12-23 2024-06-21 北京百度网讯科技有限公司 天气参数预测模型训练方法、天气参数预测方法及装置
CN113297791B (zh) * 2021-05-18 2024-02-06 四川大川云能科技有限公司 一种基于改进dbn的风功率组合预测方法
CN113609758B (zh) * 2021-07-19 2023-06-02 电子科技大学 一种新建风电场的功率预测方法
CN113516320B (zh) * 2021-09-14 2021-12-10 国能日新科技股份有限公司 基于多目标遗传算法风速订正和预测风速优化方法及装置
CN113847214B (zh) * 2021-09-15 2023-12-29 国电投河南新能源有限公司 一种大型风力发电机组结冰检测方法
CN114971005B (zh) * 2022-05-20 2024-06-07 厦门大学 基于lstm与差分回归模型动态加权的海湾水温组合预测方法
CN116187540B (zh) * 2023-01-03 2023-09-12 国网江西省电力有限公司电力科学研究院 一种基于时空偏差修正的风电场站超短期功率预测方法
CN116992222B (zh) * 2023-09-27 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种风要素修正模型的迁移学习方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070480A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 基于风功率预测的电池储能电站能量管理方法
CN106971032A (zh) * 2017-03-16 2017-07-21 天津大学 基于非参数核密度估计与数值天气预报的风速预测方法
CN108898251A (zh) * 2018-06-29 2018-11-27 上海电力学院 考虑气象相似性和功率波动的海上风电场功率预测方法
CN110737975A (zh) * 2019-10-08 2020-01-31 国家电网有限公司 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070480A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 基于风功率预测的电池储能电站能量管理方法
CN106971032A (zh) * 2017-03-16 2017-07-21 天津大学 基于非参数核密度估计与数值天气预报的风速预测方法
CN108898251A (zh) * 2018-06-29 2018-11-27 上海电力学院 考虑气象相似性和功率波动的海上风电场功率预测方法
CN110737975A (zh) * 2019-10-08 2020-01-31 国家电网有限公司 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Niya Chen等.Short-Term Wind Power Forecasting Using Gaussian Processes.《Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence》.2013,第2790-2796页. *

Also Published As

Publication number Publication date
CN112288164A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN112288164B (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN110084367B (zh) 一种基于lstm深度学习模型的土壤墒情预测方法
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN101480143B (zh) 一种预测灌区作物单产量的方法
CN113705877B (zh) 基于深度学习模型的实时月径流预报方法
CN111783987A (zh) 基于改进bp神经网络的农田参考作物蒸散量预测方法
CN114254561A (zh) 一种内涝预测方法、***及存储介质
CN108062595B (zh) 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN113139329B (zh) 一种基于水文相似性和人工神经网络的新安江模型参数率定方法
CN112182709A (zh) 大型水库叠梁门分层取水设施的下泄水温快速预测方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及***
Li et al. Forecasting of short-term photovoltaic power generation using combined interval type-2 Takagi-Sugeno-Kang fuzzy systems
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
CN113991711B (zh) 一种光伏电站储能***容量配置方法
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
CN116663404A (zh) 一种耦合人工智能和贝叶斯理论的洪水预报方法及***
CN110991723A (zh) 一种人工智能在季节性负荷预测中的应用方法
CN110765420A (zh) 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
CN116205508A (zh) 一种分布式光伏发电异常诊断方法和***
CN114861555A (zh) 一种基于Copula理论的区域综合能源***短期负荷预测方法
CN112784477A (zh) 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法

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