CN114897204A - 一种海上风电场短期风速预测方法和装置 - Google Patents
一种海上风电场短期风速预测方法和装置 Download PDFInfo
- Publication number
- CN114897204A CN114897204A CN202210146830.XA CN202210146830A CN114897204A CN 114897204 A CN114897204 A CN 114897204A CN 202210146830 A CN202210146830 A CN 202210146830A CN 114897204 A CN114897204 A CN 114897204A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- data
- factors
- short
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 241000287127 Passeridae Species 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 239000011541 reaction mixture Substances 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海上风电场短期风速预测方法，将多个风速影响气象因素输入基于BP神经网络的海上风电场短期风速预测模型，获得对于所述海上风电场的短期风速预测。预测模型的建立方法包括步骤：采集所述海上风电场的历史风速数据，包括与该历史风速数据对应的气象数据；采用灰色关联度理论，提取出关联度高的气象风速影响因素分析，剔除次要因素；将高关联度的气象影响因素作为所述预测模型的输入变量。预测模型的BP神经网络初始权值和阈值经过麻雀算法的优化。
Description
技术领域
本发明属于风力发电技术领域，特别涉及一种海上风电场短期风速预测方法和装置。
背景技术
随着能源互联网建设的加速推进，可再生能源受到了各国的重视。风能作为一种清洁环保的可再生能源，受到了重点关注。由于内陆地区风能资源分布不均，风速差异较大，因此相比于内陆地区，沿海地区具有更大的开发规模。风能资源丰富且噪声污染小的优点，海上风电有望开辟出风力发电的新阶段。但是，风速的间歇性和波动性给海上风电发展带来了严峻的挑战。
发明内容
本发明实施例之一，一种海上风电场短期风速预测方法，将多个风速影响气象因素输入基于BP神经网络的海上风电场短期风速预测模型，获得对于所述海上风电场的短期风速预测。所述预测模型的建立方法包括步骤：
采集所述海上风电场的历史风速数据，包括与该历史风速数据对应的气象数据；
采用灰色关联度理论，提取出关联度高的气象风速影响因素分析，剔除次要因素；
将高关联度的气象影响因素作为所述预测模型的输入变量。
所述预测模型的BP神经网络初始权值和阈值经过麻雀算法的优化。
本发明实施例的有益效果在于，由于影响海上风速的自然气候因素众多，不同的输入变量将对预测误差产生巨大的变化，本发明实施例采用灰色理论中灰色关联度理论对影响因素大小进行排序，剔除影响较小的自然气候因素，使得到的预测模型输入变量更加简洁且预测误差结果将更加可靠。同时，采用麻雀算法对预测进行优化，并结合BP神经网络，克服传统神经网络模型预测的不足，预测模型预测精度显著提高。此预测模型方法亦可用于其他领域预测研究，提供重要的参考价值。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1为根据本发明实施例之一的海上风电场风速预测的流程图。
图2为根据本发明实施例之一的改进算法下海上风速预测值与实际值示意图。
图3为根据本发明实施例之一的两种算法下海上风速预测值对比图。
图4为根据本发明实施例之一的两种算法下海上预测误差分析图。
具体实施方式
风速预测按照时间层面可分为超短期、短期、中期和长期预测，现有的风速预测方法主要包括物理方法和人工智能统计方法。物理方法主要依据庞大复杂的环境变化和气候因素进行结合预测，该方法一般用于长期预测，不适用于短期预测。人工智能统计方法利用智能算法建立过去历史数据和未来数据变化的映射关系，不断训练学习得到预测结果，主要有支持向量机、神经网络、时间序列法等。
物理方法建模复杂、成本昂贵，只适用于相对稳定的状态下预测，精度不够理想。人工智能统计方法因长时间预测导致预测误差较大，单一算法预测易陷入局值，导致结果并不令人满意。而海上风速因受到众多的影响因素，其预测方法愈发需结合不同的算法进行预测。
根据一个或者多个实施例，一种海上风电场短期风速预测方法，包括以下步骤：
采集特定时间范围内的历史数据，对数据进行预处理操作。
采用灰色关联度理论，分析剔除多余次要因素。提取的影响因素包括：温度、湿度和气压。
采用改进的算法，包括采用Logistic混沌映射和Levy飞行策略，优化BP 神经网络初始权值和阈值。
将经过预处理的数据集划分训练集和测试集，预测结果采用(mean squareerror,RMSE)均方差进行精度评估。
在本发明实施例中，由于风速数据受到各种因素的相互作用，模型预测建立在多种影响因素之上，无法建立更加准确的预测模型，导致预测误差较大。各种预测方法往往只适用于一段时间范围内的预测，超出一定时间则无法获得满意的预测结果。对数据用进行预处理，采用灰色理论确定多种因素影响的重要程度，将影响程度高的自然气候因素作为预测模型的输入变量，预测速度将会更加迅速。
由于海上风速相比于内陆风速具有较强的波动性和随机性，为了能够剔除多余影响因素准确预测上海风速，针对BP神经网络风速预测中存在的网络结构不确定性问题，本发明实施例提出改进麻雀算法优化BP神经网络的海上风电场短期风速预测方法。采用Logistic混沌映射提高初始种群的质量，采用Levy飞行更新位置信息。利用改进麻雀算法优化得到BP神经网络的初始权值和阈值，以温度、湿度和气压等影响因素作为输入变量，通过组合模型得到风速预测值。该算法相比于传统BP神经网络具有更高的预测精度，并且扩大了测量范围。此预测方法不仅适用于风速预测，并且在光伏发电功率预测、设备故障诊断等领域也可提高重要的参考价值。
根据一个或者多个实施例，一种海上风电场短期风速预测方法，包括以下步骤，
步骤1，采集海上风场实测风速数据，对数据进行预处理，对实测风速数据进行分析和优化，以获得更加优良的历史数据，令
v(t)＝f(v(t-1),v(t-2),...v(t-n)) (1)
式(1)中，v(t-1),v(t-2),...v(t-n)表示从v(t-n)到v(t-1)时刻的历史数据， v(t)为预测风速数据。其中，将风速的各风速分量表达如下：
v＝vb+vs+va+vv (2)
式(2)中，v表示合成风速，vb、vs、va、vv分别代表基本风速、阵变风速、渐变风速和噪音风速。根据大量风速数据实验推导，可以发现风速概率密度函数服从Weibull分布，表达如下：
式(3)中，v表示风速，k表示形状参数，c表示尺度参数，量纲同风速。因为可以根据风速数据直接计算得到风电功率数据，因此该预测方法同样适用于风电功率预测。这里，进一步的，对收集的历史数据进行归一化处理，公式为：
式(4)中，
为归一化处理后的数据，v(t)为处理前的风速值，vmax和vmin分别表示归一化处理数据的最大值和最小值。
步骤2，采用灰色理论中关联度分析法，剔除多余次要因素，筛选出影响海上风速的三个主要影响因素作为BP神经网络的输入。相比内陆风速，海上风速的因素诸多，例如波浪、台风、闪电、潮湿空气、浮冰、潮汐等等，基于灰色关联度理论，分析以上自然气候因素影响程度，选择关联度高的作为训练集的输入变量。
具体包括，
S21，将诸多自然气候因素定义为比较数列，将风速数据集定义为基准数列，采用如下公式计算出各自然气候因素的关联系数：
式(5)中，λi是第i个自然气候因素的灰色关联系数，α是关联分辨系数，Δvi(t) 是基准数列和比较数列的差值绝对值，Δvmax是Δvi(t)中的最大值，Δvmin是是Δvi(t)中的最小值。
S22，计算灰色关联度：
式(6)中，ρi是第i个自然气候因素的灰色关联度，n是总共数据样本数。
S23，对各个自然气候因素灰色关联系数大小进行排序，定义关联系数大的排在前面，小的排在后面。经过计算，最终选取温度、湿度和气压作为主要影响因素。步骤3，对新兴的麻雀搜索算法进行改进，优化求解BP神经网络输入层的初始权值和阈值。首先，添加Logistic混沌映射提高初始种群多样性，其次介绍算法麻雀更新方式，最后对算法中警惕者更新采用Levy飞行策略跳出局部最优，具体包括：
(31)选用新兴的麻雀算法进行初步优化，采用Logistic混沌映射提高初始种群的质量，公式如下：
式中，α为Logistic参数，Xt+1和Xt为混沌映射实数序列。
(32)麻雀按照习性可分为发现者、加入者和警惕者，发现者任务是寻找捕获食物，为其他麻雀提供食物信息，公式如下：
式中，T为迭代次数，ITERmax是最大迭代次数，为常数；xij表示第i个麻雀在第 j维度的位置信息；α位于0-1之间随机数；Q服从正态分布，同样是随机数； L是一维矩阵，每个元素都为1。R2表示预警值，S表示安全值。
(33)加入者获取捕食者发出的捕食信息后，迅速进行位置调整去获取食物，位置信息公式为：
式中,A为元素随机为1或者-1的1×d型矩阵，A°＝AT(AAT)-1。i>n/2时，第 i只麻雀处于饥饿状态，飞向其他方向寻找食物。
(34)警惕者一般只占到种群数量的10％-20％，其数学表达式为：
式中，β为控制步长，服从均值为0，方差为1的正态分布，k位于-1到1之间，也是随机数；e是最小的常数，fi>fg时，麻雀位于种群边缘部分，易受到攻击。采用Levy飞行策略有利于跳出局部最优，改进公式如下：
其中，Levy(d)＝0.01×a1×δ/(a2)1/β，而δ可由如下公式表示：
式中，a1和
中的随机数，Γ是伽马函数。
步骤4：BP神经网络包括输入层、隐藏层和输出层，采用改进麻雀算法进行优化输入层的初始权值和阈值，输入层的激励函数选择Sigmod函数，三层之间数量关系为：
式中，m,n分别是输入层和输出层神经元个数，x为从0-10的任意整数。
数据从输入层传输到输出层，得到输出数据及误差，然后通过输出层到输入层采用梯度下降法不断调节权值和阈值来使误差不断减小，不断进行迭代到算法收敛终止，整个预测过程步骤如下：
(41)构建历史数据集，数据预处理；
(42)采用灰色关联度剔除多余因素，确定主要输入变量；
(43)设置种群规模、最大迭代次数和各参数数量，同时采用Logistic混沌映射初始化种群；
(44)计算麻雀个体适应度值，确定当前最优个体和最差个体；
(45)从当前最优个体选择部分作为发现者，按照发现者公式更新；
(46)剩下个体按照Levy飞行策略更新加入者位置信息，随机选择较小部分按照侦察者位置信息更新；
(47)是否满足结束条件，若不满足回到步骤(44)；
(48)若满足则将最好麻雀个体赋值给BP神经网络输入层，经过三层反复迭代修正预测误差。
步骤5，采用上述预测模型，选取海上风速300组数据作为训练集,15组作为测试集进行预测。为更好评估预测模型的准确性，采用均方误差(mean square error,RMSE)定量分析预测结果，公式如下：
式中，vMSE为风速预测均方误差，Vi为实际风速，vi为预测风速。
本发明实施例采用智能算法麻雀算法结合BP神经网络算法进行风速预测。对两种算法的缺点进行改进优化，预测结果精度将会大大提高，采用均方误差作为SSA-BP神经网络和BP神经网络的评估标准验证。
如图2所示，采用所提的ISSA-BPNN组合算法预测海上风速值与实际值十分吻合，偏差总体较小。这是因为在神经网络训练开始前就获得更优异的权值和阈值，因此能够获得精度更高的预测值，也证明了本发明的有效性。
如图3所示，BP神经网络预测风速值与实际值变化趋势一致但数值差距较大，其中的主要原因是BP神经网络的易陷入局部极小值导致训练不足，因此预测精度不高。同时，ISSA-BPNN组合算法相比于BP神经网络单一算法更加接近真实值，证明了改进麻雀算法的重要性。
如图4所示，对两种算法预测的精确性进行评估，ISSA-BP神经网络的均方差基本维持在±0.2之间，而单一BP神经网络算法的均方差最高时达到了-0.6，相比于单一BP神经网络预测，所提改进方法的预测误差得到了一定的减小，提高了预测精度。同时，改进算法的仿真运行时间比BP神经网络运行时间更短，再次验证了所提方法的可行性。
本发明实施例采用麻雀算法用于预测研究，将之优异的性能特点结合BP神经网络算法，取长补短，应用于海上风速预测领域，可大大提高预测精度。由于风速与风电功率息息相关，风机出力的不确定性由风速的随机变化确定。对风速进行精确预测，可显著预测风机出力变化趋势，对工程实际应用发展提供重要参考价值。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
本发明涉及的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read- OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种海上风电场短期风速预测方法，其特征在于，将多个风速影响气象因素输入基于BP神经网络的海上风电场短期风速预测模型，获得对于所述海上风电场的短期风速预测。
2.根据权利要求1所述的预测方法，其特征在于，所述预测模型的建立方法包括步骤：
采集所述海上风电场的历史风速数据，包括与该历史风速数据对应的气象数据；
采用灰色关联度理论，提取出关联度高的气象风速影响因素分析，剔除次要因素；
将高关联度的气象影响因素作为所述预测模型的输入变量。
3.根据权利要求1所述的预测方法，其特征在于，所述预测模型的BP神经网络初始权值和阈值经过麻雀算法的优化。
4.根据权利要求3所述的预测方法，其特征在于，所述麻雀算法的优化包括通过Logistic混沌映射增加种群多样性，以及通过Levy飞行策略更新麻雀位置信息。
5.根据权利要求1所述的预测方法，其特征在于，所述预测模型的训练数据集被划分训练集和测试集，预测结果采用均方差进行精度评估。
6.根据权利要求2所述的预测方法，其特征在于，被提取出的影响因素包括温度、湿度和气压。
7.根据权利要求2所述的预测方法，其特征在于，对于历史风速数据进行处理，包括以下步骤，
令v(t)＝f(v(t-1),v(t-2),...v(t-n)) (1)
式(1)中，v(t-1),v(t-2),...v(t-n)表示从v(t-n)到v(t-1)时刻的历史数据，v(t)为预测风速数据，其中，
将风速的各风速分量表达如下，
v＝vb+vs+va+vv (2)
式(2)中，v表示合成风速，vb、vs、va、vv分别代表基本风速、阵变风速、渐变风速和噪音风速，
将风速概率密度函数表达如下，
式(3)中，v表示风速，k表示形状参数，c表示尺度参数，量纲同风速
对历史风速数据进行归一化处理，公式为，
式(4)中，
为归一化处理后的数据，v(t)为处理前的风速值，vmax和vmin分别表示归一化处理数据的最大值和最小值。
8.一种海上风电场短期风速预测装置，其特征在于，所述装置包括存储器；以及
耦合到所述存储器的处理器，该处理器被配置为执行存储在所述存储器中的指令，所述处理器执行以下操作：
将多个风速影响气象因素输入基于BP神经网络经过麻雀算法优化BP神经网络初始权值和阈值的海上风电场短期风速预测模型，获得对于所述海上风电场的短期风速预测。
9.根据权利要求8所述的预测装置，其特征在于，所述风速影响气象因素包括温度、湿度和气压。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146830.XA CN114897204A (zh) | 2022-02-17 | 2022-02-17 | 一种海上风电场短期风速预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210146830.XA CN114897204A (zh) | 2022-02-17 | 2022-02-17 | 一种海上风电场短期风速预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114897204A true CN114897204A (zh) | 2022-08-12 |
Family
ID=82714916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210146830.XA Pending CN114897204A (zh) | 2022-02-17 | 2022-02-17 | 一种海上风电场短期风速预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897204A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720627A (zh) * | 2023-07-28 | 2023-09-08 | 北京工业大学 | 一种监测站点风速和风向协同时序预测方法及*** |
| CN117875848A (zh) * | 2024-03-13 | 2024-04-12 | 中铁四局集团有限公司 | 一种基于物联网的数据仓库管理*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992805A (zh) * | 2017-12-29 | 2019-07-09 | 北京金风科创风电设备有限公司 | 模拟风速的方法和装置 |
| CN110070228A (zh) * | 2019-04-25 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
| CN112001537A (zh) * | 2020-08-17 | 2020-11-27 | 华北水利水电大学 | 一种基于灰色模型和支持向量机的短期风电功率预测方法 |
| CN113326969A (zh) * | 2021-04-29 | 2021-08-31 | 淮阴工学院 | 基于改进鲸鱼算法优化elm的短期风速预测方法及*** |
-
2022
- 2022-02-17 CN CN202210146830.XA patent/CN114897204A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992805A (zh) * | 2017-12-29 | 2019-07-09 | 北京金风科创风电设备有限公司 | 模拟风速的方法和装置 |
| CN110070228A (zh) * | 2019-04-25 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
| CN112001537A (zh) * | 2020-08-17 | 2020-11-27 | 华北水利水电大学 | 一种基于灰色模型和支持向量机的短期风电功率预测方法 |
| CN113326969A (zh) * | 2021-04-29 | 2021-08-31 | 淮阴工学院 | 基于改进鲸鱼算法优化elm的短期风速预测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| XIAOMIN XU ET.CL: "Research on Substation Project Cost Prediction Based on Sparrow Search Algorithm Optimized BP Neural Network", SUSTAINABILITY, vol. 13, 13 December 2021 (2021-12-13), pages 4 * |
| 刘翕铭等: "基于改进麻雀算法的园区综合能源***优化研究", 智慧电力, vol. 49, no. 6, 30 June 2021 (2021-06-30), pages 3 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720627A (zh) * | 2023-07-28 | 2023-09-08 | 北京工业大学 | 一种监测站点风速和风向协同时序预测方法及*** |
| CN116720627B (zh) * | 2023-07-28 | 2024-03-19 | 北京工业大学 | 一种监测站点风速和风向协同时序预测方法及*** |
| CN117875848A (zh) * | 2024-03-13 | 2024-04-12 | 中铁四局集团有限公司 | 一种基于物联网的数据仓库管理*** |
| CN117875848B (zh) * | 2024-03-13 | 2024-06-07 | 中铁四局集团有限公司 | 一种基于物联网的数据仓库管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
| JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
| CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN113326969A (zh) | 基于改进鲸鱼算法优化elm的短期风速预测方法及*** | |
| CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及*** | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN111931983A (zh) | 一种降水量预测方法及*** | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
| 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 | |
| CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
| CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及*** | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
| CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
| CN116526478A (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及*** | |
| CN114819382A (zh) | 一种基于lstm的光伏功率预测方法 | |
| CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
| CN113642784A (zh) | 一种计及风机状态的风电功率超短期预测的方法 |
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 |