CN116703007A - 一种风电集群预测模型的构建方法、功率预测方法及装置 - Google Patents
一种风电集群预测模型的构建方法、功率预测方法及装置 Download PDFInfo
- Publication number
- CN116703007A CN116703007A CN202310955256.7A CN202310955256A CN116703007A CN 116703007 A CN116703007 A CN 116703007A CN 202310955256 A CN202310955256 A CN 202310955256A CN 116703007 A CN116703007 A CN 116703007A
- Authority
- CN
- China
- Prior art keywords
- power
- wind
- sampling period
- wind power
- moment
- 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 81
- 238000010276 construction Methods 0.000 title claims description 11
- 238000005070 sampling Methods 0.000 claims abstract description 255
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风电集群预测模型的构建方法、功率预测方法及装置,包括:基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报确定各风电场在采样周期内各时刻的模拟功率;利用各风电场在采样周期内各时刻的模拟功率构建模型数据集;利用模型数据集构建风电集群预测模型;利用风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。本申请提供的技术方案,提高了风电集群中各风电场的功率预测的准确性和可靠性,且该预测方法适用性广泛,时效性好。
Description
技术领域
本发明属于新能源发电及调度运行技术领域,具体涉及一种风电集群预测模型的构建方法、功率预测方法及装置。
背景技术
风电出力具有随机性和波动性,为保证大规模风电并网后电网的安全稳定运行,电网调度部门需要根据风电功率预测数据制定调度计划,与此同时,随着风电穿透率的持续增加,在电力***可承受的不确定性约束下,对风电功率预测精度提出了持续提升要求。
从实际应用需求来说,电网调度机构需要全网的风电预测功率开展调度计划的制定,故全网或者分区域的风电集群预测功率是其更为关心的数据,现有风电集群功率预测方法主要以单场站预测累加为主。随着深度学习相关技术的逐步成熟,基于深度学习的风电集群预测也有初步的应用,总结起来现有方法存在以下问题:第一,无论是单站累加还是深度学习方法,目前的方法均以风电场对应的单点数值天气预报为输入,由于风资源具有时空连续性,单点数值天气预报未考虑集群所在空间的连续性;第二,单站累加法需要每个风电场分别建立一个预测模型,建模效率低,且在有新场站并网的情况下,由于缺乏历史数据,模型预测效果较差,无法适应风电快速发展的需求。
目前的风电集群预测算法大多以集群总功率为预测对象,集群总功率预测效果尚可,但利用上述方式无法实现各单站的功率预测,也就无法输出单站的功率预测;目前还有简单通过装机容量折减的方式计算各单站的功率,但是利用该方式计算的各单站的功率效果极差,无法满足电网调控中心的实际需求。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种风电集群预测模型的构建方法、功率预测方法及装置。
第一方面,提供一种风电集群预测模型的构建方法,包括:
基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;
基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;
利用所述各风电场在采样周期内各时刻的模拟功率,构建模型数据集;
利用所述模型数据集构建所述风电集群预测模型。
优选的,所述数值天气预报,包括:
气压数据、设定风速点的风速数据和其对应的风向数据、若干参照风速点的风速数据和其各风速参照点对应的风向数据、温度和相对湿度。
优选的,所述基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线,包括:
采集区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报;
对各风电场在采样周期内各时刻的实际功率进行筛选,得到筛选后的各风电场在采样周期内各时刻的实际功率;
将筛选后的各风电场在采样周期内各时刻的实际功率与各网格在采样周期内的数值天气预报中的设定风速点的风速数据进行时间对齐处理,得到对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据;
利用所述对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据,确定各风电场在采样周期内的单点数值天气预报;
基于所述对齐处理后的各风电场在采样周期内各时刻的实际功率和各风电场在采样周期内的单点数值天气预报中的设定风速点的风速数据,利用非参数回归方法拟合生成各风电场的功率曲线,所述功率曲线的横坐标为设定风速点的风速数据,所述功率曲线的纵坐标为风电场的功率。
优选的,所述对各风电场在采样周期内各时刻的实际功率进行筛选,包括:
基于各风电场的装机容量,删除各风电场在采样周期内各时刻的实际功率中的超过区域中各风电场的装机容量的实际功率;
删除各风电场在采样周期内各时刻的实际功率中的在预设时间段内连续不变的实际功率,得到筛选后的各风电场在采样周期内各时刻的实际功率。
优选的,所述利用所述对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据,确定各风电场在采样周期内的单点数值天气预报,包括:
采用遍历的方式,依次计算所述对齐处理后的各风电场在采样周期内各时刻的实际功率与所述对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数;
在对齐处理后的各风电场在采样周期内各时刻的实际功率与所述对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数中,选择最大的相关性系数对应的网格在采样周期内的数值天气预报为各风电场在采样周期内的单点数值天气预报。
优选的,所述基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率,包括:
基于各风电场的功率曲线,确定区域中各网格在采样周期内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
基于所述功率曲线区间,确定所述功率曲线区间中的最大风速和最小风速;
根据所述功率曲线区间中的最大风速和最小风速,计算各风电场在采样周期内各时刻的模拟功率。
优选的,所述各风电场在采样周期内各时刻的模拟功率的计算式,包括:
上式中,i∈[1,n],n为风电场的总数量;t∈[1,T],T为时刻的总数量;Pi,t为第i个风电场在采样周期内第t时刻的模拟功率,Pmax为功率曲线区间中的最大风速对应的功率,Pmin为功率曲线区间中的最小风速对应的功率,Vi,t为采样周期内第t时刻时第i个风电场对应的各网格的设定风速点的风速数据,Vmax为功率曲线区间中的最大风速,Vmin为功率曲线区间中的最小风速。
优选的,所述利用所述各风电场在采样周期内各时刻的模拟功率,构建模型数据集,包括:
利用各风电场的装机容量,对各风电场在采样周期内各时刻的模拟功率进行归一化处理,得到各风电场在采样周期内各时刻的归一化模拟功率;
对各网格在采样周期内各时刻的数值天气预报进行归一化处理,得到各网格在采样周期内各时刻的归一化数值天气预报;
将各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报进行时间对齐处理;
利用进行时间对齐处理后的各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报,构建模型数据集。
优选的,所述利用所述模型数据集构建所述风电集群预测模型,包括:
将所述模型数据集分成训练集和验证集;
利用RMSProp优化算法对深度残差网络模型的预设超参数进行优化,得到若干个所述深度残差网络模型的超参数,利用若干个所述深度残差网络模型的超参数构建超参数集合;
利用训练集对所述超参数集合中各超参数对应的深度残差网络模型进行训练,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型;
利用所述验证集对所述超参数集合中各超参数对应的训练后的深度残差网络模型进行验证,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度;
选择最高预测精度对应的训练后的深度残差网络模型为所述风电集群预测模型。
优选的,所述利用训练集对所述超参数集合中各超参数对应的深度残差网络模型进行训练,包括:
以所述训练集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为所述超参数集合中各超参数对应的深度残差网络模型的输入层训练样本,以所述训练集中进行时间对齐处理后的各风电场在采样周期内的实际功率为所述超参数集合中各超参数对应的深度残差网络模型的输出层训练样本,对所述超参数集合中各超参数对应的深度残差网络模型进行训练,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型。
优选的,所述利用所述验证集对所述超参数集合中各超参数对应的训练后的深度残差网络模型进行验证,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度,包括:
以所述验证集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为所述超参数集合中各超参数对应的训练后的深度残差网络模型的输入,输出各风电场在采样周期内的预测功率;
利用各风电场在采样周期内的预测功率和各风电场在采样周期内的实际功率,确定所述超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度。
第二方面,提供一种风电集群预测模型的构建装置,包括:
拟合单元,用于基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;
第一确定单元,用于基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;
第一构建单元,用于利用所述各风电场在采样周期内各时刻的模拟功率,构建模型数据集;
第二构建单元,用于利用所述模型数据集构建所述风电集群预测模型。
第三方面,提供一种风电集群功率预测方法,包括:
基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率;
基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用上述的风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。
优选的,所述基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率,包括:
基于各风电场的功率曲线,确定区域中各网格在预测时段内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
基于所述功率曲线区间,确定所述功率曲线区间中的最大风速和最小风速;
根据所述功率曲线区间中的最大风速和最小风速,计算各风电场在预测时段内各时刻的模拟功率。
第四方面,提供一种风电集群功率预测装置,包括:
第二确定单元,用于基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率;
预测单元,用于基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用上述的风电集群预测模型的构建装置构建的风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。
第五方面,提供一种计算机设备,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现上述的风电集群功率预测方法或实现上述的风电集群功率预测方法。
第七方面,提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现上述的风电集群功率预测方法或实现上述的风电集群功率预测方法。
本发明具有以下有益效果:
本发明提供了一种风电集群预测模型的构建方法,包括:,基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;利用各风电场在采样周期内各时刻的模拟功率,构建模型数据集;利用模型数据集构建风电集群预测模型。本发明利用模型数据集构建风电集群预测模型,充分挖掘了可用数值天气预报气象信息与功率的深层映射关系,为预测各风电场的功率奠定了基础。
同时本发明还提供一种利用上述构建的风电集群预测模型实现的风电集群功率预测方法,提高了风电集群中各风电场的功率预测的准确性和可靠性,且该预测方法适用性广泛,时效性好。
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,下面描述中的附图仅仅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。
图1是本发明实施例提供的一种风电集群预测模型的构建方法的流程图;
图2是本发明实施例提供的网格型数值天气预报某时刻的单一气象参数示意图;
图3是本发明实施例提供的一种风电集群预测模型的构建装置的结构框图;
图4是本发明实施例提供的一种风电集群功率预测方法的流程图;
图5是本发明实施例提供的风电场的预测性能曲线对比示意图;
图6是本发明实施例提供的一种风电集群功率预测装置的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图,对本发明的技术方案进行清楚、完整地描述,显然,下述实施例是本发明一部分实施例,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它实施例,都属于本发明保护的范围。
实施例一
本发明提供一种风电集群预测模型的构建方法,如图1所示,包括以下步骤:
步骤101:基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;
步骤102:基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;
步骤103:利用各风电场在采样周期内各时刻的模拟功率,构建模型数据集;
步骤104:利用模型数据集构建风电集群预测模型。
进一步的,数值天气预报,可以但不限于包括以下7个气象参数:
气压数据、设定风速点的风速数据和其对应的风向数据、若干参照风速点的风速数据和其各风速参照点对应的风向数据、温度和相对湿度。
具体的,如图2所示,网格化的数值天气预报的空间分辨率可以但不限于为0.1°×0.1°。
一些实施例中,设定风速点可以但不限于为100m,则设定风速点的风速数据和其对应的风向数据为:100m风速数据和100m风向数据。参照风速点可以但不限于为10m,则若干参照风速点的风速数据和其各风速参照点对应的风向数据为:10m风速数据和10m风向数据。
可以理解的是,在数学上网格型数值天气预报一般通过两个数组进行表征和存储,包含:
1)数字型的日期时间数据(region_nwp_time),二维数据,表征网格型数值天气预报的时间范围数据,包含起报时间和预报时间。
2)气象要素数据(region_nwp),四维数组,表征全部网格的经纬度、不同日期时间对应的全部气象要素数据,索引方式示例如下:tegion_nwp(i,j,k,t);其中,i为纬度索引,j为经度索引,k为参数索引,t为日期时间索引。
本领域技术人员可以根据实验数据或实际需求等对“设定风速点”和“参照风速点”进行选择。可以理解的是,“设定风速点”一般根据风电机组的轮毂高度进行选择。一般风电机组的轮毂高度在70-100米,所以设定风速点可以选择100m。根据轮毂高度选择数据,进一步提高了模型数据集的可靠性,从而提高了风电集群预测模型预测的准确性和可靠性。
进一步的,步骤101,包括:
步骤1011:采集区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报;
步骤1012:对各风电场在采样周期内各时刻的实际功率进行筛选,得到筛选后的各风电场在采样周期内各时刻的实际功率;
步骤1013:将筛选后的各风电场在采样周期内各时刻的实际功率与各网格在采样周期内的数值天气预报中的设定风速点的风速数据进行时间对齐处理,得到对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据;
步骤1014:利用对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据,确定各风电场在采样周期内的单点数值天气预报;
步骤1015:基于对齐处理后的各风电场在采样周期内各时刻的实际功率和各风电场在采样周期内的单点数值天气预报中的设定风速点的风速数据,利用非参数回归方法拟合生成各风电场的功率曲线,功率曲线的横坐标为设定风速点的风速数据,功率曲线的纵坐标为风电场的功率。
需要说明的是,通过利用区域中各网格在采样周期内的数值天气预为后续进一步建立气象-功率关联的风电集群模型奠定了数据基础,充分考虑了空间资源关联特性和风电出力时序关联性,进一步提高了预测效果的准确性。通过利用区域中各风电场在采样周期内的实际功率和区域中各网格在采样周期内的数值天气预报,进一步拟合生成各风电场的功率曲线,充分挖掘可用数值天气预报气象信息与功率的深层映射关系,提高了功率预测的时效性和准确性。
一些实施例集中,功率曲线的风速范围一般为0-25m/s,功率曲线的横坐标的坐标间隔可以但不限于为0.5m/s。
可以理解的是,各风电场在采样周期内的实际功率即各风电场的历史实际功率,各网格在采样周期内的数值天气预报即各网格的历史数值天气预报。本发明对采样周期不做限定,可以由本领域技术人员根据专家经验、实验数据或实际需求等设置,例如,采样周期为一年。
进一步的,步骤1012,包括:
基于各风电场的装机容量,删除各风电场在采样周期内各时刻的实际功率中的超过区域中各风电场的装机容量的实际功率;
删除各风电场在采样周期内各时刻的实际功率中的在预设时间段内连续不变的实际功率,得到筛选后的各风电场在采样周期内各时刻的实际功率。
可以理解的是,对各风电场在采样周期内的实际功率进行合理性筛选,可以进一步提高风电场功率预测的可靠性和准确性。
进一步的,步骤1014,包括:
采用遍历的方式,依次计算对齐处理后的各风电场在采样周期内各时刻的实际功率与对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数;
在对齐处理后的各风电场在采样周期内各时刻的实际功率与对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数中,选择最大的相关性系数对应的网格在采样周期内的数值天气预报为各风电场在采样周期内的单点数值天气预报。
需要说明的是,本发明实施例中涉及的“计算对齐处理后的各风电场在采样周期内的实际功率与对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数”的方式,是本领域技术人员所熟知的,因此,其具体实现方式不做过多描述。
进一步的,步骤102,包括:
步骤1021:基于各风电场的功率曲线,确定区域中各网格在采样周期内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
步骤1022:基于功率曲线区间,确定功率曲线区间中的最大风速和最小风速;
步骤1023:根据功率曲线区间中的最大风速和最小风速,计算各风电场在采样周期内各时刻的模拟功率。
需要说明的是,假设风电场的功率曲线的横坐标的坐标间隔为0.5m/s,某网格在采样周期内各时刻的数值天气预报中的设定风速点的风速数据为22.2m/s,则22.2m/s对应的功率曲线区间为:22.0m/s~22.5m/s的风速对应的风电场的功率曲线。功率曲线区间中的最大风速为22.5m/s,功率曲线区间中的最小风速为22.0m/s。
进一步的,各风电场在采样周期内各时刻的模拟功率的计算式,包括:
上式中,i∈[1,n],n为风电场的总数量;t∈[1,T],T为时刻的总数量;Pi,t为第i个风电场在采样周期内第t时刻的模拟功率,Pmax为功率曲线区间中的最大风速对应的功率,Pmin为功率曲线区间中的最小风速对应的功率,Vi,t为采样周期内第t时刻时第i个风电场对应的各网格的设定风速点的风速数据,Vmax为功率曲线区间中的最大风速,Vmin为功率曲线区间中的最小风速。
进一步的,步骤103,包括:
步骤1031:利用各风电场的装机容量,对各风电场在采样周期内各时刻的模拟功率进行归一化处理,得到各风电场在采样周期内各时刻的归一化模拟功率;
步骤1032:对各网格在采样周期内各时刻的数值天气预报进行归一化处理,得到各网格在采样周期内各时刻的归一化数值天气预报;
步骤1033:将各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报进行时间对齐处理;
步骤1034:利用进行时间对齐处理后的各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报,构建模型数据集。
具体的,对数值天气预报中的气象要素进行归一化处理时,对气象要素设定风速点的风向数据和参照风速点的风向数据均按照正弦和余弦处理,即归一化处理后的网格化的气象要素的长度为9。
一些其他可选的实施例中,模型数据集的构建过程包括:在获取各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报后,将各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报进行合并处理,形成中间数据集region_data,中间数据集的四维数据的长度为[X,Y,9+N,Z],其中,X为网格化数值天气预报涵盖纬度的网格个数,Y为网格化数值天气预报涵盖经度的网格个数,N为风电场的总数量,Z为包含的时间长度;
将各风电场在采样周期内的实际功率与中间数据集中的各数据进行时间对齐处理,利用对齐处理后的各风电场在采样周期内的实际功率和对齐处理后的中间数据集中的各数据构建模拟数据集。
需要说明的是,本发明实施例中涉及的“对数据进行归一化处理”和“对数据进行时间对齐处理”的方式,是本领域技术人员所熟知的,因此,其具体实现方式不做过多描述。
进一步的,步骤104,包括:
步骤1041:将模型数据集分成训练集和验证集;
步骤1042:利用RMSProp优化算法对深度残差网络模型的预设超参数进行优化,得到若干个深度残差网络模型的超参数,利用若干个深度残差网络模型的超参数构建超参数集合;
步骤1043:利用训练集对超参数集合中各超参数对应的深度残差网络模型进行训练,得到超参数集合中各超参数对应的训练后的深度残差网络模型;
步骤1044:利用验证集对超参数集合中各超参数对应的训练后的深度残差网络模型进行验证,得到超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度;
步骤1045:选择最高预测精度对应的训练后的深度残差网络模型为风电集群预测模型。
一些实施例中,可以但不限于按照8:2的比例,将模型数据集分成训练集和验证集。
可以理解的是,利用本发明提供的风电集群预测模型的构建方法,对每个风电场进行模型构建,进一步对每个风电场进行功率预测;在得到每个风电场的预测功率后,将所有风电场的预测功率相加,即得到风电集群的总预测功率。
进一步的,步骤1043,包括:
以训练集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为超参数集合中各超参数对应的深度残差网络模型的输入层训练样本,以训练集中进行时间对齐处理后的各风电场在采样周期内的实际功率为超参数集合中各超参数对应的深度残差网络模型的输出层训练样本,对超参数集合中各超参数对应的深度残差网络模型进行训练,得到超参数集合中各超参数对应的训练后的深度残差网络模型。
进一步的,步骤1044,包括:
以验证集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为超参数集合中各超参数对应的训练后的深度残差网络模型的输入,输出各风电场在采样周期内的预测功率;
利用各风电场在采样周期内的预测功率和各风电场在采样周期内的实际功率,确定超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度。
本发明提供的一种风电集群预测模型,通过基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线,基于各风电场的功率曲线利用区域中各网格在采样周期内的数值天气预报确定各风电场在采样周期内各时刻的模拟功率,利用各风电场在采样周期内各时刻的模拟功率构建模型数据集,利用模型数据集构建风电集群预测模型,充分挖掘了可用数值天气预报气象信息与功率的深层映射关系,为预测各风电场的功率奠定了基础,提高风电场功率预测的准确性和可靠性。
实施例二
本发明还提供一种风电集群预测模型的构建装置,如图3所示,包括:
拟合单元,用于基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;
第一确定单元,用于基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;
第一构建单元,用于利用各风电场在采样周期内各时刻的模拟功率,构建模型数据集;
第二构建单元,用于利用模型数据集构建风电集群预测模型。
进一步的,数值天气预报,包括:
气压数据、设定风速点的风速数据和其对应的风向数据、若干参照风速点的风速数据和其各风速参照点对应的风向数据、温度和相对湿度。
进一步的,拟合单元,包括:
采集模块,用于采集区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报;
筛选模块,用于对各风电场在采样周期内各时刻的实际功率进行筛选,得到筛选后的各风电场在采样周期内各时刻的实际功率;
第一处理模块,用于将筛选后的各风电场在采样周期内各时刻的实际功率与各网格在采样周期内的数值天气预报中的设定风速点的风速数据进行时间对齐处理,得到对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据;
第一确定模块,用于利用对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据,确定各风电场在采样周期内的单点数值天气预报;
拟合模块,用于基于对齐处理后的各风电场在采样周期内各时刻的实际功率和各风电场在采样周期内的单点数值天气预报中的设定风速点的风速数据,利用非参数回归方法拟合生成各风电场的功率曲线,功率曲线的横坐标为设定风速点的风速数据,功率曲线的纵坐标为风电场的功率。
进一步的,筛选模块,具体用于:
基于各风电场的装机容量,删除各风电场在采样周期内各时刻的实际功率中的超过区域中各风电场的装机容量的实际功率;
删除各风电场在采样周期内各时刻的实际功率中的在预设时间段内连续不变的实际功率,得到筛选后的各风电场在采样周期内各时刻的实际功率。
进一步的,第一确定模块,具体用于:
采用遍历的方式,依次计算对齐处理后的各风电场在采样周期内各时刻的实际功率与对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数;
在对齐处理后的各风电场在采样周期内各时刻的实际功率与对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数中,选择最大的相关性系数对应的网格在采样周期内的数值天气预报为各风电场在采样周期内的单点数值天气预报。
进一步的,第一确定单元,包括:
第二确定模块,用于基于各风电场的功率曲线,确定区域中各网格在采样周期内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
第三确定模块,用于基于功率曲线区间,确定功率曲线区间中的最大风速和最小风速;
计算模块,用于根据功率曲线区间中的最大风速和最小风速,计算各风电场在采样周期内各时刻的模拟功率。
进一步的,各风电场在采样周期内各时刻的模拟功率的计算式,包括:
上式中,i∈[1,n],n为风电场的总数量;t∈[1,T],T为时刻的总数量;Pi,t为第i个风电场在采样周期内第t时刻的模拟功率,Pmax为功率曲线区间中的最大风速对应的功率,Pmin为功率曲线区间中的最小风速对应的功率,Vi,t为采样周期内第t时刻时第i个风电场对应的各网格的设定风速点的风速数据,Vmax为功率曲线区间中的最大风速,Vmin为功率曲线区间中的最小风速。
进一步的,第一构建单元,包括:
第二处理模块,用于利用各风电场的装机容量,对各风电场在采样周期内各时刻的模拟功率进行归一化处理,得到各风电场在采样周期内各时刻的归一化模拟功率;
第三处理模块,用于对各网格在采样周期内各时刻的数值天气预报进行归一化处理,得到各网格在采样周期内各时刻的归一化数值天气预报;
第四处理模块,用于将各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报进行时间对齐处理;
构建模块,用于利用进行时间对齐处理后的各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报,构建模型数据集。
进一步的,第二构建单元,包括:
划分模块,用于将模型数据集分成训练集和验证集;
第一获取模块,用于利用RMSProp优化算法对深度残差网络模型的预设超参数进行优化,得到若干个深度残差网络模型的超参数,利用若干个深度残差网络模型的超参数构建超参数集合;
第二获取模块,用于利用训练集对超参数集合中各超参数对应的深度残差网络模型进行训练,得到超参数集合中各超参数对应的训练后的深度残差网络模型;
验证模块,用于利用验证集对超参数集合中各超参数对应的训练后的深度残差网络模型进行验证,得到超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度;
第四确定模块,用于选择最高预测精度对应的训练后的深度残差网络模型为风电集群预测模型。
进一步的,第二获取模块,具体用于:
以训练集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为超参数集合中各超参数对应的深度残差网络模型的输入层训练样本,以训练集中进行时间对齐处理后的各风电场在采样周期内的实际功率为超参数集合中各超参数对应的深度残差网络模型的输出层训练样本,对超参数集合中各超参数对应的深度残差网络模型进行训练,得到超参数集合中各超参数对应的训练后的深度残差网络模型。
进一步的,验证模块,具体用于:
以验证集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为超参数集合中各超参数对应的训练后的深度残差网络模型的输入,输出各风电场在采样周期内的预测功率;
利用各风电场在采样周期内的预测功率和各风电场在采样周期内的实际功率,确定超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度。
可以理解的是,上述提供的装置实施例与上述的风电集群预测模型的构建方法的实施例对应,相应的具体内容可以相互参考,在此不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
实施例三
本发明提供一种风电集群功率预测方法,如图4所示,该方法可以但不限于用于终端,包括以下步骤:
步骤201:基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率;
步骤202:基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用上述实施例提供的风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。
进一步的,步骤201,包括:
基于各风电场的功率曲线,确定区域中各网格在预测时段内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
基于功率曲线区间,确定功率曲线区间中的最大风速和最小风速;
根据功率曲线区间中的最大风速和最小风速,计算各风电场在预测时段内各时刻的模拟功率。
本发明提供的风电集群功率预测方法,是基于广域时空要素特性挖掘的风电集群功率预测方法,通过基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线确定区域中各风电场在预测时段的模拟功率,充分挖掘了可用数值天气预报气象信息与功率的深层映射关系,为预测各风电场的功率奠定了基础,提高风电场功率预测的准确性和可靠性;通过基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用上述实施例提供的风电集群预测模型预测得到区域中各风电场在预测时段的预测功率,提高了风电集群中各风电场的功率预测的准确性和可靠性,且该预测方法适用性广泛,时效性好。
为进一步说明上述提供的风电集群功率预测方法的预测效果较好,本发明进行了试验对比,如下所示:
以某个地区的28个风电场为预测对象,其总装机容量为3214.1MW;历史数据的采样周期为2021.7.1-2022.9.30。采集28个风电场在采样周期内的实际功率和该地区中各网格在采样周期内的数值天气预报;基于这些历史数据,利用本发明提供的方法得到模型数据集。以该模型数据集中2021.7.1-2022.7.30内的数据为训练集,以模型数据集中2022.8.1-2022.9.30内的数据为验证集。基于上述的训练集和验证集,利用本发明提供的方法获取风电集群预测模型,然后进一步利用风电集群预测模型对风电场的功率进行预测。
将本发明提供的方法与基于BPNN的单站预测累加方法进行对比,效果如表1、表2和图5所示。
表1 两种方法在集群功率总加方面的预测效果
表2 两种预测方法对各风电场预测的具体性能指标
从单个风电场站来看,本发明方法较基于BPNN的单站预测累加方法,均方根误差降低的场站数量有21个,相关性系数提高的场站数量有21个。
综上,从表1、表2和图5所示的内容可以看出,本发明提供的一种风电集群功率预测方法,预测效果很好,准确性比较高。另外,经试验证明,利用本发明提供的方法可以在每日八点前预测次日0时开始至未来24小时(日前)的风电功率,为调度计划的制定提供重要参考。
实施例四
本发明还提供一种风电集群功率预测装置,如图6所示,该装置包括:
第二确定单元,用于基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率;
预测单元,用于基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用上述实施例提供的风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。
进一步的,第二确定单元,具体用于:
基于各风电场的功率曲线,确定区域中各网格在预测时段内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
基于功率曲线区间,确定功率曲线区间中的最大风速和最小风速;
根据功率曲线区间中的最大风速和最小风速,计算各风电场在预测时段内各时刻的模拟功率。
可以理解的是,上述提供的装置实施例与上述的风电集群功率预测方法的实施例对应,相应的具体内容可以相互参考,在此不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
实施例五
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,存储器用于存储计算机程序,计算机程序包括程序指令,处理器用于执行计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,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,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种风电集群预测模型的构建方法或一种风电集群功率预测方法的步骤。
实施例六
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM 存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种风电集群预测模型的构建方法或一种风电集群功率预测方法的步骤。
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。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (17)
1.一种风电集群预测模型的构建方法,其特征在于,包括:
基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;
基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;
利用所述各风电场在采样周期内各时刻的模拟功率,构建模型数据集;
利用所述模型数据集构建所述风电集群预测模型。
2.根据权利要求1所述的方法,其特征在于,所述数值天气预报,包括:
气压数据、设定风速点的风速数据和其对应的风向数据、若干参照风速点的风速数据和其各风速参照点对应的风向数据、温度和相对湿度。
3.根据权利要求2所述的方法,其特征在于,所述基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线,包括:
采集区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报;
对各风电场在采样周期内各时刻的实际功率进行筛选,得到筛选后的各风电场在采样周期内各时刻的实际功率;
将筛选后的各风电场在采样周期内各时刻的实际功率与各网格在采样周期内的数值天气预报中的设定风速点的风速数据进行时间对齐处理,得到对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据;
利用所述对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据,确定各风电场在采样周期内的单点数值天气预报;
基于所述对齐处理后的各风电场在采样周期内各时刻的实际功率和各风电场在采样周期内的单点数值天气预报中的设定风速点的风速数据,利用非参数回归方法拟合生成各风电场的功率曲线,所述功率曲线的横坐标为设定风速点的风速数据,所述功率曲线的纵坐标为风电场的功率。
4.根据权利要求3所述的方法,其特征在于,所述对各风电场在采样周期内各时刻的实际功率进行筛选,包括:
基于各风电场的装机容量,删除各风电场在采样周期内各时刻的实际功率中的超过区域中各风电场的装机容量的实际功率;
删除各风电场在采样周期内各时刻的实际功率中的在预设时间段内连续不变的实际功率,得到筛选后的各风电场在采样周期内各时刻的实际功率。
5.根据权利要求3所述的方法,其特征在于,所述利用所述对齐处理后的各风电场在采样周期内各时刻的实际功率和对齐处理后的各网格在采样周期内的设定风速点的风速数据,确定各风电场在采样周期内的单点数值天气预报,包括:
采用遍历的方式,依次计算所述对齐处理后的各风电场在采样周期内各时刻的实际功率与所述对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数;
在对齐处理后的各风电场在采样周期内各时刻的实际功率与所述对齐处理后的各网格在采样周期内的设定风速点的风速数据的相关性系数中,选择最大的相关性系数对应的网格在采样周期内的数值天气预报为各风电场在采样周期内的单点数值天气预报。
6.根据权利要求2所述的方法,其特征在于,所述基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率,包括:
基于各风电场的功率曲线,确定区域中各网格在采样周期内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
基于所述功率曲线区间,确定所述功率曲线区间中的最大风速和最小风速;
根据所述功率曲线区间中的最大风速和最小风速,计算各风电场在采样周期内各时刻的模拟功率。
7.根据权利要求6所述的方法,其特征在于,所述各风电场在采样周期内各时刻的模拟功率的计算式,包括:
上式中,i∈[1,n],n为风电场的总数量;t∈[1,T],T为时刻的总数量;Pi,t为第i个风电场在采样周期内第t时刻的模拟功率,Pmax为功率曲线区间中的最大风速对应的功率,Pmin为功率曲线区间中的最小风速对应的功率,Vi,t为采样周期内第t时刻时第i个风电场对应的各网格的设定风速点的风速数据,Vmax为功率曲线区间中的最大风速,Vmin为功率曲线区间中的最小风速。
8.根据权利要求2所述的方法,其特征在于,所述利用所述各风电场在采样周期内各时刻的模拟功率,构建模型数据集,包括:
利用各风电场的装机容量,对各风电场在采样周期内各时刻的模拟功率进行归一化处理,得到各风电场在采样周期内各时刻的归一化模拟功率;
对各网格在采样周期内各时刻的数值天气预报进行归一化处理,得到各网格在采样周期内各时刻的归一化数值天气预报;
将各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报进行时间对齐处理;
利用进行时间对齐处理后的各风电场在采样周期内各时刻的实际功率、各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报,构建模型数据集。
9.根据权利要求2所述的方法,其特征在于,所述利用所述模型数据集构建所述风电集群预测模型,包括:
将所述模型数据集分成训练集和验证集;
利用RMSProp优化算法对深度残差网络模型的预设超参数进行优化,得到若干个所述深度残差网络模型的超参数,利用若干个所述深度残差网络模型的超参数构建超参数集合;
利用训练集对所述超参数集合中各超参数对应的深度残差网络模型进行训练,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型;
利用所述验证集对所述超参数集合中各超参数对应的训练后的深度残差网络模型进行验证,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度;
选择最高预测精度对应的训练后的深度残差网络模型为所述风电集群预测模型。
10.根据权利要求9所述的方法,其特征在于,所述利用训练集对所述超参数集合中各超参数对应的深度残差网络模型进行训练,包括:
以所述训练集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为所述超参数集合中各超参数对应的深度残差网络模型的输入层训练样本,以所述训练集中进行时间对齐处理后的各风电场在采样周期内的实际功率为所述超参数集合中各超参数对应的深度残差网络模型的输出层训练样本,对所述超参数集合中各超参数对应的深度残差网络模型进行训练,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型。
11.根据权利要求9所述的方法,其特征在于,所述利用所述验证集对所述超参数集合中各超参数对应的训练后的深度残差网络模型进行验证,得到所述超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度,包括:
以所述验证集中各风电场在采样周期内各时刻的归一化模拟功率和各网格在采样周期内各时刻的归一化数值天气预报为所述超参数集合中各超参数对应的训练后的深度残差网络模型的输入,输出各风电场在采样周期内的预测功率;
利用各风电场在采样周期内的预测功率和各风电场在采样周期内的实际功率,确定所述超参数集合中各超参数对应的训练后的深度残差网络模型的预测精度。
12.一种风电集群预测模型的构建装置,其特征在于,包括:
拟合单元,用于基于区域中各风电场在采样周期内各时刻的实际功率和区域中各网格在采样周期内的数值天气预报,按照设定风速点进行拟合得到该设定风速点对应的各风电场的功率曲线;
第一确定单元,用于基于各风电场的功率曲线,利用区域中各网格在采样周期内的数值天气预报,确定各风电场在采样周期内各时刻的模拟功率;
第一构建单元,用于利用所述各风电场在采样周期内各时刻的模拟功率,构建模型数据集;
第二构建单元,用于利用所述模型数据集构建所述风电集群预测模型。
13.一种风电集群功率预测方法,其特征在于,包括:
基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率;
基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用权利要求1-11任一项所述的风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。
14.根据权利要求13所述的方法,其特征在于,所述基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率,包括:
基于各风电场的功率曲线,确定区域中各网格在预测时段内各时刻的数值天气预报中的设定风速点的风速数据所对应的功率曲线区间;
基于所述功率曲线区间,确定所述功率曲线区间中的最大风速和最小风速;
根据所述功率曲线区间中的最大风速和最小风速,计算各风电场在预测时段内各时刻的模拟功率。
15.一种风电集群功率预测装置,其特征在于,包括:
第二确定单元,用于基于区域中各网格在预测时段的数值天气预报,利用各风电场的功率曲线,确定区域中各风电场在预测时段的模拟功率;
预测单元,用于基于区域中各网格在预测时段的数值天气预报和区域中各风电场在预测时段的模拟功率,利用权利要求12所述的风电集群预测模型,预测得到区域中各风电场在预测时段的预测功率。
16.一种计算机设备,其特征在于,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至11中任一项所述的风电集群预测模型的构建方法;或实现如权利要求13至14中任一项所述的风电集群功率预测方法。
17.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至11中任一项所述的风电集群预测模型的构建方法;或实现如权利要求13至14中任一项所述的风电集群功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310955256.7A CN116703007B (zh) | 2023-08-01 | 2023-08-01 | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310955256.7A CN116703007B (zh) | 2023-08-01 | 2023-08-01 | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703007A true CN116703007A (zh) | 2023-09-05 |
CN116703007B CN116703007B (zh) | 2023-12-15 |
Family
ID=87843598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310955256.7A Active CN116703007B (zh) | 2023-08-01 | 2023-08-01 | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703007B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
US20140244188A1 (en) * | 2013-02-28 | 2014-08-28 | International Business Machines Corporation | Forecasting output power of wind turbine in wind farm |
CN111815033A (zh) * | 2020-06-19 | 2020-10-23 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
CN114298140A (zh) * | 2021-11-18 | 2022-04-08 | 华能新能源股份有限公司 | 一种考虑机组分类的风电短期功率预测校正方法 |
CN115293424A (zh) * | 2022-08-03 | 2022-11-04 | 国网河北省电力有限公司电力科学研究院 | 一种新能源最大发电能力计算方法、终端及存储介质 |
CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
-
2023
- 2023-08-01 CN CN202310955256.7A patent/CN116703007B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244188A1 (en) * | 2013-02-28 | 2014-08-28 | International Business Machines Corporation | Forecasting output power of wind turbine in wind farm |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN111815033A (zh) * | 2020-06-19 | 2020-10-23 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
CN114298140A (zh) * | 2021-11-18 | 2022-04-08 | 华能新能源股份有限公司 | 一种考虑机组分类的风电短期功率预测校正方法 |
CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
CN115293424A (zh) * | 2022-08-03 | 2022-11-04 | 国网河北省电力有限公司电力科学研究院 | 一种新能源最大发电能力计算方法、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
王铮 等: "基于非参数回归的风电场理论功率计算方法", 电网技术, vol. 39, no. 8, pages 2148 - 2153 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703007B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及*** | |
CN111461444B (zh) | 风电场的机组功率的预测方法、***、介质及电子设备 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN103296701B (zh) | 一种风电场有功功率控制方法 | |
CN109636010A (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及*** | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN103971175A (zh) | 一种多级变电站的短期负荷预测方法 | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及*** | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network | |
CN103996087A (zh) | 一种新能源发电功率预测方法及*** | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN111915079A (zh) | 一种混合knn风电功率预测方法及*** | |
CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN116703007B (zh) | 一种风电集群预测模型的构建方法、功率预测方法及装置 | |
CN115983104A (zh) | 风速预测方法、装置、存储介质和电子设备 | |
Xiaoyun et al. | Short-Term wind power prediction of regions based on deep long short-term memory network and gaussian process regression | |
CN117175535A (zh) | 一种风电群体功率预测方法、***、设备及介质 | |
CN114552570A (zh) | 一种海上风电功率预测管理*** | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
CN111178593A (zh) | 一种光伏***输出功率预测方法及装置 |
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 |