CN112580900B - 一种基于单风机建模的短期功率预测方法及*** - Google Patents

一种基于单风机建模的短期功率预测方法及*** Download PDF

Info

Publication number
CN112580900B
CN112580900B CN202110198565.5A CN202110198565A CN112580900B CN 112580900 B CN112580900 B CN 112580900B CN 202110198565 A CN202110198565 A CN 202110198565A CN 112580900 B CN112580900 B CN 112580900B
Authority
CN
China
Prior art keywords
power
fan
wind
prediction
data
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
CN202110198565.5A
Other languages
English (en)
Other versions
CN112580900A (zh
Inventor
向婕
雍正
吴媛
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.)
Sprixin Technology Co ltd
Original Assignee
Sprixin Technology Co ltd
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 Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN202110198565.5A priority Critical patent/CN112580900B/zh
Publication of CN112580900A publication Critical patent/CN112580900A/zh
Application granted granted Critical
Publication of CN112580900B publication Critical patent/CN112580900B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提出一种基于单风机建模的短期功率预测方法及***，采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；获得场内k类风机组质心处的气象因素；根据气象因素和实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值。本发明考虑了决定风电场风速特性的风机分布和海拔高度因素，采用模糊C均值聚类的方法将风机群进行区域划分，并分区建模，最后将各区域预测功率进行组合预测，得到全场预测功率，经实际测试，该方法稳定、可靠，可以明显提高预报准确度。

Description

一种基于单风机建模的短期功率预测方法及***
技术领域
本发明属于新能源风力发电领域，特别是涉及到一种基于单风机建模的短期功率预测方法及***。
背景技术
大规模风电接入对***调峰的影响尤为突出，***调峰问题己成为影响电网接纳风电能力的主要因素之一，而导致调峰问题的主要原因是风电的的随机波动性和不可控性，无法预知未来风电出力的大小和变化趋势，造成电力***运行人员无法应对剧烈的风电波动而快速准确地做出调度控制和电力交易的决策响应。因此，对风电功率进行准确的预测，能够有效缓解大规模风电并网给电力***运行带来的强不确定性，可以提高风电在电力市场中的竞争力，具有十分重要的意义。
按照预测模型的特点可以将风电功率预测方法划分为物理方法、统计学习方法和组合方法。传统的预测方法因考虑因素单一，精度的提升空间有限，在这种预测过程中仅考虑了有限的信息源，使预测方法相对容易实现，但是这些方法忽略了风电场区域内的地理地形、气象、环境以及风电机组之间的空间相关关系等因素的影响，尤其是大型风电场或复杂地形风电场的覆盖范围大，或地形复杂，地势起伏，造成风电场内各处风速与风向变化大，一般情况下，山顶和山丘上的风要比山背处和背风山谷中的风大得多，因此，在进行风功率建模时应充分考虑地形对风的影响；因此风电功率预测方法有待于进一步完善和扩充，预测精度也有待于进一步提高。
发明内容
本发明提出一种基于单风机建模的短期功率预测方法及***，既减少单风机的不确定性和复杂性，又充分考虑场内的不同风特性，功率预测精度得到明显改进。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于单风机建模的短期功率预测方法，包括：
S1、采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；
S2、根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
S3、基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
S4、根据S2中提供的气象因素和S3中提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
S5、以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值。
进一步的，步骤S1中划分k类风机组的具体方法包括：
S101、获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的数据集；
S102、对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；
S103、计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；
S104、计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收敛，即聚类中心不再变动；
S105、记录聚类中心，并将其特征转换成经纬度坐标；
S106、记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域。
进一步的，步骤S3所述风机数据为经过预处理的风机数据，所述预处理过程包括：
S301、根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；
S302、将连续3个以及3个以上相同的数值进行剔除；
S303、对不合理数据进行剔除。
优选的，步骤S4所述功率预测模型的建立方法包括：
S401、将S2中提供的气象因素作为特征量，以及S3中提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-风速预测模型，得到预测风速；
S402、将S2中提供的气象因素与S401中构建的预测风速一起作为特征量，以及S3中提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-功率预测模型。
进一步的，步骤S5所述最优权重的获取方法包括：
S501、将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
S502、k组功率预测结果，权重系数设置为0~1.2，间隔为0.01；
S503、对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85~1.15；
S504、采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
Figure 100002_DEST_PATH_IMAGE002
其中，n为样本个数，
Figure 100002_DEST_PATH_IMAGE004
为实测功率，
Figure 100002_DEST_PATH_IMAGE006
为组合预测功率；
S505、将误差最小值所对应的权重系数作为模型参数保存。
本发明另一方面还提供了一种基于单风机建模的短期功率预测***，包括：
聚类模块，用于采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；
气象数据模块，用于根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
风机数据模块，基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
预测模块，用于根据气象数据模块提供的气象因素和风机数据模块提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
组合预测模块，以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值。
进一步的，聚类模块包括：
分布特征模块，用于获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的数据集；
初始化模块，用于对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；
质心计算模块，用于计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；
聚类中心模块，用于计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收敛，即聚类中心不再变动；
坐标转换模块，用于记录聚类中心，并将其特征转换成经纬度坐标；
区域划分模块，用于记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域。
进一步的，所述风机数据模块包括预处理单元，所述预处理单元用于风机数据的预处理，根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；将连续3个以及3个以上相同的数值进行剔除；对不合理数据进行剔除。
优选的，所述预测模块包括：
风速预测单元，用于将气象数据模块提供的气象因素作为特征量，以及将风机数据模块提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-风速预测模型，得到预测风速；
功率预测单元，将气象数据模块提供的气象因素与风速预测单元构建的预测风速一起作为特征量，以及将风机数据模块提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-功率预测模型。
进一步的，所述组合预测模块包括最优权重单元，用于：
将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
k组功率预测结果，权重系数设置为0~1.2，间隔为0.01；
对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85~1.15；
采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
Figure 100002_DEST_PATH_IMAGE007
其中，n为样本个数，
Figure 743252DEST_PATH_IMAGE004
为实测功率，
Figure 129234DEST_PATH_IMAGE006
为组合预测功率；
将误差最小值所对应的权重系数作为模型参数保存。
与现有技术相比，本发明具有如下的有益效果：
本发明考虑了决定风电场风速特性的风机分布和海拔高度因素，采用模糊C均值聚类的方法将风机群进行区域划分，并分区建模，最后将各区域预测功率进行组合预测，得到全场预测功率，既能减少单风机的不确定性和复杂性，又能充分考虑场内的不同风机特性，经实践验证，该方法稳定、可靠，功率预测精度得到明显改进。
附图说明
图1是本发明实施例的流程示意图；
图2是本发明实施例中空间双线性插值的示意图；
图3是全场数据建模方法和本发明实施例的的单机分区预测方法的结果对比图。
具体实施方式
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。
为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。
在模糊C均值聚类算法中，聚类的定义或者界限是模糊的，每个数据点对每个簇都存在一个隶属度，并且每个数据点对所有簇的隶属度之和为1。本发明的设计思想为采用模糊 C 均值聚类的方法将风电场的风机群进行场内区域划分，依据高精度数值天气预报数据（NWP）和风机轮毂风速、风机发电功率的历史数据进行场内各区域的风电功率预测，将各区域的预测值进行组合预测得到整场的功率预测。
如图1所示，本发明的具体内容如下：
1、采用模糊C均值聚类的方法将风电场风机群划分为k类风电机组；
（1）获取风电场各风机的经度、纬度和海拔高度信息ht(t=1,2,3,...,n,n为风机个数)，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离lt和纵向距离mt,进行归一化处理成代表风机分布特征的数据集X={x1,x2,...,xt}；
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE011
（2）对 k个聚类质心进行初始化处理，即随机分配确定隶属度矩阵uij；
Figure DEST_PATH_IMAGE013
Cj为每个类的聚类中心，uij为隶属度矩阵，反映了样本Xi属于簇Cj的程度，与样本Xi离Cj质心（聚类中心）的距离成反比，
Figure DEST_PATH_IMAGE015
代表欧式距离。m为模糊参数，通常取值m=2。J为模糊C 均值聚类的判别函数,即目标函数。
（3）使用上述公式计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内（记录其数据样本编号）
（4）计算聚类中心Cj和隶属度uij，更新聚类中心Cj和簇隶属度uij。判断新的聚类中心与原聚类中心是否相等。若相等，则迭代结束；若不相等，回到第（3）步，继续迭代，直到计算结果收敛，即聚类中心不再变动。
（5）记录k个聚类中心，并将其特征转换成经纬度坐标；
（6）记录k个簇所包含的风点机组的编号，每个簇的风机划分成一个区域。
2、根据聚类中心的经纬度坐标，将高精度ＮＷＰ网格数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素10米层、100米层风速、温度、气压、湿度和风向；
空间双线性插值过程如下，如图2所示，假设风机组质心P的坐标为（x, y），已知Q12（x1, y2），Q22（x2, y2），Q11（x1, y1），Q21（x2, y1）为距质心最近的四个网格点，网格点的气象要素值为z=f(x, y)，则：
第一步，求气象要素在R1和R2处的插值z1和z2：
Figure DEST_PATH_IMAGE017
第二步，求气象要素在P处的插值z：
Figure DEST_PATH_IMAGE019
3、风机数据预处理：
（1）根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；
（2）将连续3个以及3个以上相同的数值进行剔除；
（3）对不合理数据进行剔除，（如：风机功率大于风机容量或小于0，对于风速一般大于40米/秒，或小于0米/秒）。
4、将场内每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
5、根据2中提供的特征和4中提供的风速标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立场内各个区域的NWP-风速预测模型，得到预测风速Vj；
6、将2中提供的特征与5中构建的预测风速Vj一起作为特征量，以及4中提供的功率标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立场内各个区域的NWP-功率预测模型，得到各区域的预测功率Pj(j=1，2…，k)；
7、以场内各区域的功率预测值Pj为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值
(1)将各个区域的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果
Figure DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE025
,
其中，Capi为第i台风机的装机容量，
Figure DEST_PATH_IMAGE027
为各区域预测功率折算至全场功率的系数。
(2)k组功率预测结果，权重系数fj设置为0~1.2，间隔为0.01；
(3)对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85~1.15，即
Figure DEST_PATH_IMAGE029
(4)本专利采用偏差（ERR）作为平均组合预测模型的性能的指标，偏差公式如下，根据偏差公式计算不同组合预测的误差；
Figure DEST_PATH_IMAGE030
其中，n为样本个数，
Figure 66228DEST_PATH_IMAGE004
为实测功率，
Figure 930279DEST_PATH_IMAGE006
为组合预测功率。
(5)将误差最小值所对应的权重系数作为模型参数保存。
根据上述方案，针对甘肃某风电场，开机容量为200MW，分别采用全场数据建模方法和本专利提供的单机分区预测方法进行预测，对比结果如图3所示，2020年10月14日至2020年10月24日的预测精度分别为88.1%和89.6%，可见，单机分区预测方法效果显著。
预测精度计算公式如下：
Figure DEST_PATH_IMAGE032
其中，PMi为实际功率，PPi为预测功率，Cap为开机容量，N为样本个数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (6)

1.一种基于单风机建模的短期功率预测方法，其特征在于，包括：
S1、采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；
步骤S1中划分k类风机组的具体方法包括：
S101、获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的数据集；
S102、对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；
S103、计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；
S104、计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收敛，即聚类中心不再变动；
S105、记录聚类中心，并将其特征转换成经纬度坐标；
S106、记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域；
S2、根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
S3、基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
S4、根据S2中提供的气象因素和S3中提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
S5、以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值；
步骤S4所述功率预测模型的建立方法包括：
S401、将S2中提供的气象因素作为特征量，以及S3中提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-风速预测模型，得到预测风速；
S402、将S2中提供的气象因素与S401中构建的预测风速一起作为特征量，以及S3中提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-功率预测模型。
2.根据权利要求1所述的基于单风机建模的短期功率预测方法，其特征在于，步骤S3所述风机数据为经过预处理的风机数据，所述预处理过程包括：
S301、根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；
S302、将连续3个以及3个以上相同的数值进行剔除；
S303、对不合理数据进行剔除。
3.根据权利要求1所述的基于单风机建模的短期功率预测方法，其特征在于，步骤S5所述最优权重的获取方法包括：
S501、将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
S502、k组功率预测结果，权重系数设置为0~1.2，间隔为0.01；
S503、对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85~1.15；
S504、采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
Figure DEST_PATH_IMAGE002
其中，n为样本个数，
Figure DEST_PATH_IMAGE004
为实测功率，
Figure DEST_PATH_IMAGE006
为组合预测功率；
S505、将误差最小值所对应的权重系数作为模型参数保存。
4.一种基于单风机建模的短期功率预测***，其特征在于，包括：
聚类模块，用于采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；其中聚类模块包括：分布特征模块，用于获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的数据集；初始化模块，用于对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；质心计算模块，用于计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；聚类中心模块，用于计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收敛，即聚类中心不再变动；坐标转换模块，用于记录聚类中心，并将其特征转换成经纬度坐标；区域划分模块，用于记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域；
气象数据模块，用于根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
风机数据模块，基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
预测模块，用于根据气象数据模块提供的气象因素和风机数据模块提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
组合预测模块，以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值；
所述预测模块包括：
风速预测单元，用于将气象数据模块提供的气象因素作为特征量，以及将风机数据模块提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-风速预测模型，得到预测风速；
功率预测单元，将气象数据模块提供的气象因素与风速预测单元构建的预测风速一起作为特征量，以及将风机数据模块提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP-功率预测模型。
5.根据权利要求4所述的基于单风机建模的短期功率预测***，其特征在于，所述风机数据模块包括预处理单元，所述预处理单元用于风机数据的预处理，根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；将连续3个以及3个以上相同的数值进行剔除；对不合理数据进行剔除。
6.根据权利要求4所述的基于单风机建模的短期功率预测***，其特征在于，所述组合预测模块包括最优权重单元，用于：
将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
k组功率预测结果，权重系数设置为0~1.2，间隔为0.01；
对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85~1.15；
采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
Figure DEST_PATH_IMAGE007
其中，n为样本个数，
Figure 984478DEST_PATH_IMAGE004
为实测功率，
Figure DEST_PATH_IMAGE008
为组合预测功率；
将误差最小值所对应的权重系数作为模型参数保存。
CN202110198565.5A 2021-02-23 2021-02-23 一种基于单风机建模的短期功率预测方法及*** Active CN112580900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110198565.5A CN112580900B (zh) 2021-02-23 2021-02-23 一种基于单风机建模的短期功率预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110198565.5A CN112580900B (zh) 2021-02-23 2021-02-23 一种基于单风机建模的短期功率预测方法及***

Publications (2)

Publication Number Publication Date
CN112580900A CN112580900A (zh) 2021-03-30
CN112580900B true CN112580900B (zh) 2021-07-02

Family

ID=75113901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110198565.5A Active CN112580900B (zh) 2021-02-23 2021-02-23 一种基于单风机建模的短期功率预测方法及***

Country Status (1)

Country Link
CN (1) CN112580900B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033904B (zh) * 2021-04-02 2022-09-13 合肥工业大学 基于s变换的风电功率预测误差分析与分类方法
CN113205210B (zh) * 2021-04-29 2023-07-21 西安热工研究院有限公司 复杂地形风电场风速与功率预测方法、***、设备及存储介质
CN113642784B (zh) * 2021-07-27 2023-08-18 西安理工大学 一种计及风机状态的风电功率超短期预测的方法
CN113884705A (zh) * 2021-09-28 2022-01-04 上海电气风电集团股份有限公司 簇群风机风速计的监测方法及其***及计算机可读存储介质
CN115829140B (zh) * 2022-12-14 2023-07-25 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102102626B (zh) * 2011-01-30 2012-08-29 华北电力大学 风电场短期功率预测方法
CN103927695B (zh) * 2014-04-22 2017-11-24 国家电网公司 基于自学习复合数据源的风电功率超短期预测方法
CN103996048B (zh) * 2014-04-30 2017-03-08 叶翔 基于粒子群优化对风机运行状态进行模式识别方法和***
CN110738253A (zh) * 2019-10-14 2020-01-31 南京信息工程大学 一种基于FCM和AFSA-Elman的短期风电功率预测方法

Also Published As

Publication number Publication date
CN112580900A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112580900B (zh) 一种基于单风机建模的短期功率预测方法及***
CN110619360A (zh) 一种考虑历史样本相似性的超短期风功率预测方法
CN113937763B (zh) 风电功率预测方法、装置、设备及存储介质
CN102184337B (zh) 一种受气象信息影响的新能源发电能力动态组合分析方法
CN107909211B (zh) 基于模糊c均值聚类算法的风场等值建模及优化控制方法
CN106875033B (zh) 一种基于动态自适应的风电集群功率预测方法
CN111612055B (zh) 天气形势的分型方法、空气污染状况的预测方法及装置
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN106779226A (zh) 一种基于混核机器学习的风机批功率预测方法
CN113205210B (zh) 复杂地形风电场风速与功率预测方法、***、设备及存储介质
CN110263998B (zh) 多源数值天气预报集合双层修正方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN113935247B (zh) 计及风速随机性与相关性的分区虚拟惯量估计方法
CN106875037A (zh) 风力预测方法及装置
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及***
CN114298140A (zh) 一种考虑机组分类的风电短期功率预测校正方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN115618540A (zh) 基于三层次动态变异率的风力发电机组优化布局方法
CN113933542B (zh) 风速仪故障检测方法、装置、设备及存储介质
CN113537648B (zh) 一种基于集合数据的风速预测方法及装置
CN113343562B (zh) 一种基于混合建模策略的风机功率预测方法及***
CN108932554B (zh) 一种风电场流场量测点的配置优化方法及装置
CN113610285A (zh) 一种分散式风电的功率预测方法

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