CN103473607A - 一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法 - Google Patents

一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法 Download PDF

Info

Publication number
CN103473607A
CN103473607A CN2013103827933A CN201310382793A CN103473607A CN 103473607 A CN103473607 A CN 103473607A CN 2013103827933 A CN2013103827933 A CN 2013103827933A CN 201310382793 A CN201310382793 A CN 201310382793A CN 103473607 A CN103473607 A CN 103473607A
Authority
CN
China
Prior art keywords
track
wind power
wind
prediction
characteristic
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
Application number
CN2013103827933A
Other languages
English (en)
Other versions
CN103473607B (zh
Inventor
薛禹胜
郁琛
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.)
Nari Technology Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Nanjing NARI Group Corp
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 Nanjing NARI Group Corp filed Critical Nanjing NARI Group Corp
Priority to CN201310382793.3A priority Critical patent/CN103473607B/zh
Publication of CN103473607A publication Critical patent/CN103473607A/zh
Application granted granted Critical
Publication of CN103473607B publication Critical patent/CN103473607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法，属于可再生能源开发与利用领域。本发明包括了两个阶段：（1）离线建立模型、优化参数阶段：将风电功率时间序列或风速以时间为序列的历史数据所构成的轨迹按给定的特征量划分为不同形态，分别为各形态建立预测模型并优化参数；（2）实时预测阶段：根据最近的实测数据轨迹所属形态，调用相应的预测模型。本发明充分计及了风电序列的时变性、反映了不同时段下风电序列的统计特征与变化规律。克服了传统风电预测方法不能全面反映风电序列的动态变化及不同时段下的统计特征的缺点。各预测模型（算法）间也实现了协调优化。因此，不但提高了预测精度，亦能提升预测效率。

Description

一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法
技术领域
本发明属可再生能源开发与利用领域，更准确地说本发明涉及一种风电功率或风速的超短期预测方法。
背景技术
大力发展风电等清洁能源技术在改善能源结构、减少温室气体排放等方面具有非常积极的作用。然而，与常规电源相比，风电场的输出功率具有波动性、间歇性和随机性的特点，大量风电场集中并网会对电网的安全、稳定、经济运行带来影响，并成为限制电网接纳风电的主要障碍之一。
对风电场的输出功率进行预测是提高电网调峰能力，增强电网接纳风电的能力，以及改善电力系统运行安全性与经济性的最有效、最经济的手段之一。2011年，国家提出建立风功率预测系统的要求，但已建成的风电场风功率预测系统精度不高，均方根误差常在20%左右。特别是主要用于解决电网调频问题的超短期预测，需每15min自动滚动执行一次，对预测精度的要求也更高。已有的基于统计方法的超短期风功率预测算法（或预测模型）主要包括持续线性法、移动平均法、自回归滑动平均（ARMA）法、支持向量机法、卡尔曼滤波法，以及人工神经网络（ANN）法等。但它们都无法全面的反映风电场输出功率或风速变化的特征，忽略了风电功率序列或风速序列的统计特性与时变属性在各个变化阶段的规律。而各个模型或算法对于风电功率或风速轨迹处于不同形态时的适用情况相差较大，彼此间缺乏有效的协调优化，甚至有时出现使用过于复杂的模型或算法来预测相对简单的场景，大大降低了预测效率。因此，亟待提出能全面计及风电功率或风速时变特性、协调优化各模型或算法的超短期预测方法。
发明内容
本发明的目的是：克服传统风电预测方法不能全面反映风电序列或风速序列的动态变化及不同时段下的统计特征的缺点，提供一种可以充分计及风电序列的时变性、反映不同时段下风电序列的统计特征与变化规律的超短期风电功率或风速预测方法。
本发明根据风电场的特点及风电功率或风速轨迹的属性择优选取特征量，将轨迹划分为不同的形态，并为各轨迹形态匹配适宜的预测算法或模型。利用历史数据对各预测算法或模型的参数进行整定与优化。实际预测时，根据最近的实测数据轨迹所属形态，选择相应的预测算法或模型，得到超短期预测值。本发明不拘泥于某一特定的预测算法或模型，较好的反映了风电功率或风速轨迹的动态变化，有效的提高了风电功率或风速的超短期预测精度。
具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：
1）构造风电功率或风速轨迹，所述风电功率或风速轨迹由风电功率或风速以时间为序列的历史数据构成，轨迹上相邻两点之间的时间间隔即为该历史数据的采样周期；
2) 选取用以划分轨迹形态的特征量，记为Cs1，Cs2，…，Csp，Cv1，Cv2，…，Cvq，其中下标s表示该特征量为统计特征量，下标v表示该特征量为变化特征量，p、q分别为这两类特征量的个数；
3) 设定各特征量对应的门限值以及各预想轨迹形态所需满足的门限值要求；
4) 将步骤1）中的轨迹按给定的特征量及其门限值要求划分为不同的形态，记为S1，S2，…，Sn，其中n为划分出的形态种类的个数；
5) 针对不同的形态，建立与之相适应的预测模型，记为M1，M2，…，Mn，并对模型参数进行整定、优化；
6）不区分轨迹形态，利用所有的历史数据进行预测方法的建模，得到通用预测模型，记为Mr，作为备用方法待用；
7) 在进行实时风电超短期预测时，选定观察窗口的长度，设观察窗口的长度为L，则该观察窗口包含L+1个采样点；
8) 在观察窗口内，计算离待预测点最近的实测数据轨迹的特征量，然后根据计算得出的特征量值，并结合轨迹形态对特征量门限值的要求，判断该段轨迹是否属于步骤4）中所划分出的形态之一，若属于其中之一，则将该段轨迹标记为相应的形态Sx，                                                
Figure 198895DEST_PATH_IMAGE002
，并执行步骤9，若不属于其中任一形态，则执行步骤10）；
9) 当离待预测点最近的实测数据轨迹属于步骤8）所述的某一形态Sx时，调用其所属形态Sx所对应的预测模型Mx对待预测点进行预测，得到预测值；
10) 把不属于步骤4）中所划分出的的任一形态的离待预测点最近的实测数据轨迹归为“暂无法分类”，并将其记为形态Sr，调用步骤6）中得到的通用预测模型Mr对待预测点进行预测，得到预测值。
上述技术方案的进一步特征在于：所述步骤2）中，所述统计特征量包括均值、最大值、最小值、方差，所述变化特征量包括绝对值变化量、相对值变化量。
上述技术方案的进一步特征在于：所述步骤5）中，建立模型的方法包括持续线性法、移动平均法、自回归滑动平均法、卡尔曼滤波法，人工神经网络法、支持向量机法、灰色预测法。
本发明的有益效果如下：本发明针对风电功率或风速轨迹的不同形态，在离线建模阶段，不拘泥于某一特定的建立预测模型的算法，在实际预测阶段，择优选取与该形态相适应的预测模型对下一待测点进行超短期预测，充分计及了风电序列的时变性、反映了不同时段下风电序列的统计特征与变化规律。克服了传统风电预测方法不能全面反映风电序列的动态变化及不同时段下的统计特征的缺点。各预测模型（算法）间也实现了协调优化。因此，不但提高了预测精度，亦能提升预测效率。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面参照附图并结合实例对本发明作进一步详细描述。
图1中步骤1描述的是构造风电功率或风速轨迹：该轨迹由风电功率或风速的以时间为序列的历史数据构成，轨迹上相邻两点之间的时间间隔即为该历史数据的采样周期。
图1中步骤2结合风电场的特点以及风电功率或风速轨迹的属性，选取了用以划分轨迹形态的特征量，记为Cs1，Cs2，…，Csp，Cv1，Cv2，…，Cvq，其中下标s表示该特征量为包括均值、最大值、最小值、方差等统计指标的统计特征量，下标v表示该特征量为包括绝对值变化量、相对值变化量等反映采样点之间变化幅度的变化特征量，p、q分别为这两类特征量的个数。
图1中步骤3设定了各特征量对应的门限值以及各预想轨迹形态所需满足的门限值要求，以达到区分不同形态的目的。不同的轨迹形态由各特征值的不同门限值要求的组合决定，只有当某段轨迹的所有选定的特征量均满足各自的门限值要求时，该段轨迹才能被归为某一形态类别。特征量需满足其门限值的要求是指根据预想的轨迹形态效果，其值大于门限值、小于门限值或处于两个门限值之间。
图1中步骤4实现了将步骤1中的轨迹按给定的特征量及其门限值要求划分为不同的形态，记为S1，S2，…，Sn，其中n为划分出的形态种类的个数。
图1中步骤5实现了针对轨迹的不同形态，建立与之相适应的预测模型，并分别记为M1，M2，…，Mn。建立模型的方法包括但不限于持续线性法、移动平均法、自回归滑动平均（ARMA）法、卡尔曼滤波法，人工神经网络（ANN）法、支持向量机法、灰色预测法等。具体实施时，可以用多种预测算法对同一形态的轨迹进行建模，采用误差最小者为该形态轨迹所对应的预测模型。并可随着样本的增加对模型的参数进行整定、优化。
图1中步骤6现了不区分轨迹形态，利用所有历史数据建立通用的预测模型Mr，并对通用模型Mr的参数进行整定、优化。该通用模型用来匹配实际预测时单凭给定的特征量暂无法分类的轨迹形态。
图1中步骤7据风电场的特点以及风电功率或风速轨迹的属性，选取了实际进行风电功率或风速超短期预测时的观察窗口的长度L，L的大小可以根据实际要求适时调整。
图1中步骤8实现了在观察窗口内，对离待预测点最近的实测数据轨迹的形态划分：首先在观察窗口内，计算离待预测点最近的实测数据轨迹的特征量的值；然后根据计算得出的特征量值，并结合轨迹形态对特征量门限值的要求，判断该段轨迹是否属于步骤4所划分出的轨迹形态之一，若属于其中之一，则将该段轨迹标记为相应的形态Sx， 
Figure 256981DEST_PATH_IMAGE002
，并执行步骤9，若不属于其中任一形态，则执行步骤10。
图1中步骤9实现了计算得出基于轨迹形态划分的风电功率或风速的超短期预测值：当离待预测点最近的实测数据轨迹属于步骤8所述的某一形态Sx时，调用其所属形态Sx所对应的预测模型Mx对待预测点进行预测，得到预测值。
图1中步骤10把不属于步骤4所划分出的的任一形态的离待预测点最近的实测数据轨迹归为“暂无法分类”，并将其记为形态Sr，调用步骤4得到的通用模型对待预测点进行预测，得到预测值。
总之， 本发明根据风电场的特点及风电功率或风速轨迹的属性择优选取特征量，将轨迹划分为不同的形态，并为各轨迹形态离线建立适宜的预测算模型。利用历史数据对各预测模型的参数进行整定与优化。实际预测时，根据最近的实测数据轨迹所属形态，调用相应的预测算法，得到超短期预测值。本发明较好的反映了风电功率或风速轨迹的动态变化，有效的提高了风电功率或风速的超短期预测精度。
虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (3)

1.一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法，其特征在于，包括如下步骤: 
1）构造风电功率或风速轨迹，所述风电功率或风速轨迹由风电功率或风速以时间为序列的历史数据构成，轨迹上相邻两点之间的时间间隔即为该历史数据的采样周期；
2) 选取用以划分轨迹形态的特征量，记为Cs1，Cs2，…，Csp，Cv1，Cv2，…，Cvq，其中下标s表示该特征量为统计特征量，下标v表示该特征量为变化特征量，p、q分别为这两类特征量的个数；
3) 设定各特征量对应的门限值以及各预想轨迹形态所需满足的门限值要求；
4) 将步骤1）中的轨迹按给定的特征量及其门限值要求划分为不同的形态，记为S1，S2，…，Sn，其中n为划分出的形态种类的个数；
5) 针对不同的形态，建立与之相适应的预测模型，记为M1，M2，…，Mn，并对模型参数进行整定、优化；
6）不区分轨迹形态，利用所有的历史数据进行预测方法的建模，得到通用预测模型，记为Mr，作为备用方法待用；
7) 在进行实时风电超短期预测时，选定观察窗口的长度，设观察窗口的长度为L，则该观察窗口包含L+1个采样点；
8) 在观察窗口内，计算离待预测点最近的实测数据轨迹的特征量，然后根据计算得出的特征量值，并结合轨迹形态对特征量门限值的要求，判断该段轨迹是否属于步骤4）中所划分出的形态之一，若属于其中之一，则将该段轨迹标记为相应的形态Sx，                                               
Figure 2013103827933100001DEST_PATH_IMAGE002
，并执行步骤9，若不属于其中任一形态，则执行步骤10）；
9) 当离待预测点最近的实测数据轨迹属于步骤8）所述的某一形态Sx时，调用其所属形态Sx所对应的预测模型Mx对待预测点进行预测，得到预测值；
10) 把不属于步骤4）中所划分出的的任一形态的离待预测点最近的实测数据轨迹归为“暂无法分类”，并将其记为形态Sr，调用步骤6）中得到的通用预测模型Mr对待预测点进行预测，得到预测值。
2.根据权利要求1所述的按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法，其特征在于，所述步骤2）中，所述统计特征量包括均值、最大值、最小值、方差，所述变化特征量包括绝对值变化量、相对值变化量。
3.根据权利要求1所述的按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法，其特征在于，所述步骤5）中，建立模型的方法包括持续线性法、移动平均法、自回归滑动平均法、卡尔曼滤波法，人工神经网络法、支持向量机法、灰色预测法。
CN201310382793.3A 2013-08-29 2013-08-29 按轨迹特征优化和匹配外推模型的风电超短期预测方法 Active CN103473607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310382793.3A CN103473607B (zh) 2013-08-29 2013-08-29 按轨迹特征优化和匹配外推模型的风电超短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310382793.3A CN103473607B (zh) 2013-08-29 2013-08-29 按轨迹特征优化和匹配外推模型的风电超短期预测方法

Publications (2)

Publication Number Publication Date
CN103473607A true CN103473607A (zh) 2013-12-25
CN103473607B CN103473607B (zh) 2016-12-28

Family

ID=49798450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310382793.3A Active CN103473607B (zh) 2013-08-29 2013-08-29 按轨迹特征优化和匹配外推模型的风电超短期预测方法

Country Status (1)

Country Link
CN (1) CN103473607B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927600A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于复合数据源自回归模型光伏发电功率超短期预测方法
CN104239979A (zh) * 2014-10-09 2014-12-24 国电南瑞科技股份有限公司 一种风电场发电功率超短期预测方法
CN104268659A (zh) * 2014-10-09 2015-01-07 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法
CN107769254A (zh) * 2017-08-01 2018-03-06 中国农业大学 一种风电集群轨迹预测与分层控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082172A1 (en) * 2008-09-25 2010-04-01 Korea Electric Power Corporation Load forecasting analysis system for calculating customer baseline load
CN102999786A (zh) * 2012-10-17 2013-03-27 浙江埃菲生能源科技有限公司 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100082172A1 (en) * 2008-09-25 2010-04-01 Korea Electric Power Corporation Load forecasting analysis system for calculating customer baseline load
CN102999786A (zh) * 2012-10-17 2013-03-27 浙江埃菲生能源科技有限公司 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭虎: "风电分布模式及概率预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 2, 15 February 2012 (2012-02-15) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927600A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于复合数据源自回归模型光伏发电功率超短期预测方法
CN104239979A (zh) * 2014-10-09 2014-12-24 国电南瑞科技股份有限公司 一种风电场发电功率超短期预测方法
CN104268659A (zh) * 2014-10-09 2015-01-07 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法
CN104239979B (zh) * 2014-10-09 2017-11-10 国电南瑞科技股份有限公司 一种风电场发电功率超短期预测方法
CN104268659B (zh) * 2014-10-09 2017-12-29 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法
CN107769254A (zh) * 2017-08-01 2018-03-06 中国农业大学 一种风电集群轨迹预测与分层控制方法

Also Published As

Publication number Publication date
CN103473607B (zh) 2016-12-28

Similar Documents

Publication Publication Date Title
Lei et al. A review on the forecasting of wind speed and generated power
CN107732970B (zh) 一种新能源并网电力系统的静态安全概率评估方法
CN103473393B (zh) 一种考虑随机概率的输电裕度控制模型建模方法
CN110533092B (zh) 一种基于运行工况的风力发电机组scada数据分类方法及应用
Chen et al. Integrated planning of distribution systems with distributed generation and demand side response
CN101873091A (zh) 一种太阳能双峰最大功率点的跟踪方法
Yang et al. Short-term PV generation system direct power prediction model on wavelet neural network and weather type clustering
CN106611243A (zh) 一种基于garch模型的风速预测残差修正方法
CN103473607B (zh) 按轨迹特征优化和匹配外推模型的风电超短期预测方法
CN104036356A (zh) 一种利用分形算法对电网未来运行状态进行预测的方法
CN103761582A (zh) 一种高适应度的互动型微电网配置规划方法
CN104834980A (zh) 一种用于优化绿色数据中心电费的负载调度方法
CN105244890A (zh) 新能源并网的无功优化方法
Ni et al. A review of line loss analysis of the low-voltage distribution system
CN106485603A (zh) 一种应用于风力发电的短期风速预测方法
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN105528517B (zh) 基于神经网络、小波分解光伏电站功率预测方法、系统
Hui et al. Short-term wind speed forecasting simulation research based on ARIMA-LSSVM combination method
CN107453366B (zh) 计及风电决策风险的含upfc多目标最优潮流计算方法
Sun et al. Short term load forecasting based on BP neural network trained by PSO
CN106684854B (zh) 一种基于节点等效的有源配电网电压越限风险分析方法
Sun et al. Investment cost forecasting for low carbon power system planning considering technical progress and scale effect
Wei et al. Ultra-short-term/short-term wind power continuous prediction based on fuzzy clustering analysis
Wu et al. Short-term wind power prediction based on time series analysis model
Al-Fatlawi et al. Techno-economic analysis of wind turbines powering rural of Malaysia

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: NARI TECHNOLOGY DEVELOPMENT CO., LTD.

Effective date: 20141125

Owner name: STATE GRID ELECTRIC POWER RESEARCH INSITITUTE

Free format text: FORMER OWNER: NANJING NARI CO., LTD.

Effective date: 20141125

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20141125

Address after: Nan Shui Road Gulou District of Nanjing city of Jiangsu Province, No. 8 210003

Applicant after: State Grid Electric Power Research Insititute

Applicant after: NARI Technology Development Co., Ltd.

Address before: Nan Shui Road Gulou District of Nanjing city of Jiangsu Province, No. 8 210003

Applicant before: Nanjing Nari Co., Ltd.

C14 Grant of patent or utility model
GR01 Patent grant