CN103530508A - 一种建立风速功率转换概率模型的方法 - Google Patents
一种建立风速功率转换概率模型的方法 Download PDFInfo
- Publication number
- CN103530508A CN103530508A CN201310462639.7A CN201310462639A CN103530508A CN 103530508 A CN103530508 A CN 103530508A CN 201310462639 A CN201310462639 A CN 201310462639A CN 103530508 A CN103530508 A CN 103530508A
- Authority
- CN
- China
- Prior art keywords
- power
- wind speed
- wind
- data
- slicewind
- 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
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明提供了一种建立风速功率转换概率模型的方法,该方法包括以下步骤:建立历史数据集;划分风速段;估计功率概率密度;建立风速-功率转换概率模块。该方法基于功率概率统计等技术建立风速与风电功率之间的映射关系,提高风速功率概率建模的准确度,并提高建模效率,从而提高风电功率预测的精度。
Description
技术领域
本发明涉及一种风力发电功率预测技术领域的方法,具体讲涉及一种基于数理统计方法建立风速功率转换概率模型的方法。
背景技术
随着风力发电的快速发展,风电输出功率具有很强的随机性,目前的预测水平还不能满足电力系统实际运行的需要,准确的风电功率预测有利于电力调度部门安排该区域电力系统的发电计划,保证电能质量,减少系统的备用容量,这对于降低电力系统运行成本有重要的意义。
在目前风电功率预测系统中,有一个重要环节是在已知预测风速数据的前提下,实现从风速到功率的转换,这就需要一个转换模型。传统的方法是根据风速功率数据散点图进行曲线拟合,该方法利用一条拟合曲线进行风速到功率的一一映射,但事实上同样风电输出功率还受到除风速以外的其他随机因素的影响,用一条曲线作为风速功率转换模型在很多预测系统中运行效果并不理想。
因此,需要提供一种精度更高的风速功率转换建模方法。
发明内容
为克服上述现有技术的不足,本发明提供一种精度更高的建立风速功率转换概率模型的方法,该方法基于功率概率统计等技术建立风速与风电功率之间的映射关系,提高风速功率概率建模的准确度,并提高建模效率,从而提高风电功率预测的精度。
一种建立风速功率转换概率模型的方法,其改进之处在于:所述方法包括以下步骤:
I、建立历史数据集;
II、划分风速段;
III、估计功率概率密度;
IV、建立风速-功率转换概率模块。
进一步的,所述步骤I包括以下:
S101、气象信息数据采集模块获取t时刻的风速数据Windt;
S102、SCADA数据采集系统获取t时刻的风电机的功率数据Powert;
S103、将所述功率数据和所述风速数据发送至数据处理模块,所述数据处理模块建立数据向量(t,Windt,Powert);其中,t表示时间点,Windt表示t时刻的风速数据,Powert表示t时刻的功率数据;
S104、将所述数据向量发送至数据库存储。
进一步的,所述步骤II中,概率建模模块接收数据库中的数据向量,如下式(1)划分风速0到风机满发时对应的风速maxWind的风速段SliceWind:
其中,maxWind表示风机满发时对应的风速;i用于划分风速段,取自然整数;S表示风速区间的宽度。
进一步的,所述步骤III中,概率建模模块对某一风速段同一时刻t的风速和风电功率进行归类,对归类的功率数据进行基于核函数的概率密度估计,包括以下步骤;
S303、获得风速段SliceWindi归类的功率数据的概率密度函数Pi(x)如下式(2):
其中,Powertj表示t时刻的风电功率,n表示风速段SliceWindi的风电功率个数。
进一步的,所述步骤IV中,概率建模模块进行风速功率转换,确定不同风速段的功率;包括:
根据所述概率密度函数确定概率密度函数Pi(x)取最大值时对应的x值,x值为风速段SliceWindi对应的功率;依次确定所有风速段对应的功率Pi并建立如下式(3)的风速功率转换模型:
当任意风速值wind满足S·(i-1)≤wind<S·i时,F(wind)=Pi (3)。
与现有技术相比,本发明具有以下有益效果:
(1)本发明的方法建模数据需求简单,只需要历史实测风速和功率数据即可。
(2)本发明的方法中使用的参数和公式都用最优化方案,参数和公式明确;配合流程化的建模,工程实现方便,提供工作效率。
(3)本发明的方法通过对风速划分区间,对区间内对应的功率进行概率密度分析和概率密度函数拟合,模拟风速到功率转换过程的随机干扰,实现风速到功率的准确映射,进而提高风电功率预测精度。
(4)本发明的方法在风速功率转换随机性分析的基础上,基于统计学“大数定律”,比传统的“散点图曲线拟合”方法更准确,也比神经网络方法更便于实现,计算效率更高。
(5)本发明的方法实现风电功率预测中最关键的一个环节,即“风速功率”转换,不直接实现风电功率预测方法,而是为实现风电功率预测提供“风速功率”转换的一种建模方法,提高“风速功率”转换准确度和效率,从而提高风电功率预测的准确度和效率。
附图说明
图1为建立风速功率转换模型系统结构图;
图2为风速-功率示意图;
图3为风速功率转换概率模型示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示,图1为本发明的预测系统结构图;预测系统从气象部门预先采集风速、风向的预测值,从风电场数据采集系统(SCADA)采集实时出力功率;将风速数据和功率数据输入数据处理模块,数据处理模块根据时间、风速数据和功率数据建立数据向量;将数据向量输入数据库;概率建模模块根据数据库中的数据建立风速功率转换概率模型,风电场实时运行数据通过SCADA系统传给数据处理模块从而实现滚动处理。
本发明的一种建立风速功率转换概率模型的方法,该方法基于功率概率统计等关键技术建立风速与风电功率之间的映射关系。首先,建立历史数据集,并将风速从零到风机满发时刻风速进行风速段划分;其次,根据划分的风速段,对隶属于某一风速段的风速所对应的历史风电输出功率进行核密度估计,计算出该风速段对应的功率概率密度函数;再次,根据各个风速段对应的功率概率密度函数,确定最大概率点功率值。最后,依据上述确定的风速段和最大概率点功率值建立了风速功率转换模型。
预测系统对应的方法包括以下步骤:
步骤一、建立历史数据集
为后续数据的训练,必须建立规范的历史数据集。该数据集的建立按照数据向量(t,Windt,Powert)的格式,其中,t为时间点,Windt为t时刻的风速数据,Powert为t时刻的功率数据。Windt与Powert必须严格对应,不能出现错位。
步骤二、划分风速段。
假设风机满发时所对应的风速为maxWind,则从风速0到风机满发时所对应的风速maxWind的风速段SliceWind按照如下规则进行划分:
其中,i表示用于划分区间所用的一个整数,取任意值。S表示风速区间的宽度,根据实际情况确定,该值可选取的值如0.25,0.5,0.1等,但是不宜太宽,太宽会影响转换精度。
步骤三、功率概率密度函数估计。
首先,对隶属于某一风速段的风速以及对应时刻的风电功率进行归类,然后再对归类的数据进行基于核函数的概率密度估计。
假设隶属于风速段SliceWindi的风速数据为
则相对应的功率数据为
然后,利用公式(4)求得风速段SliceWindi归类的功率数据的概率密度函数Pi(x):
其中,Powertj表示t时刻的风电功率,n表示风速段SliceWindi的风电功率个数。
步骤四、建立风速功率转换概率模型。
对步骤三中的概率密度函数求取其最大值时所对应的功率值,以此功率值作为风速段SliceWindi所对应的功率;即当公式(4)中Pi(x)取得最大值的时候x的取值,记此值为Pi。即为图2对应功率风速示意图中(P1,pb1)点。
依据上述方法求取所有风速段对应的功率Pi并建立如下风速功率转换模型:
当任意风速值wind满足S·(i-1)≤wind<S·i时,S表示以风速S为风速区间的宽度,i同上述公式(1);
则F(wind)=Pi (5)。
如,当风速S为0.1m,i至同上式(1),当任意风速值wind满足0.1·(i-1)≤wind<0.1·i时,F(wind)=Pi。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (5)
1.一种建立风速功率转换概率模型的方法,其特征在于:所述方法包括以下步骤:
I、建立历史数据集;
II、划分风速段;
III、估计功率概率密度;
IV、建立风速-功率转换概率模块。
2.如权利要求1所述的一种建立风速功率转换概率模型的方法,其特征在于:所述步骤I包括以下:
S101、气象信息数据采集模块获取t时刻的风速数据Windt;
S102、SCADA数据采集系统获取t时刻的风电机的功率数据Powert;
S103、将所述功率数据和所述风速数据发送至数据处理模块,所述数据处理模块建立数据向量(t,Windt,Powert);其中,t表示时间点,Windt表示t时刻的风速数据,Powert表示t时刻的功率数据;
S104、将所述数据向量发送至数据库存储。
3.如权利要求1所述的一种建立风速功率转换概率模型的方法,其特征在于:所述步骤II中,概率建模模块接收数据库中的数据向量,如下式(1)划分风速0到风机满发时对应的风速maxWind的风速段SliceWind:
其中,maxWind表示风机满发时对应的风速;i用于划分风速段,取自然整数;S表示风速区间的宽度。
5.如权利要求1所述的一种建立风速功率转换概率模型的方法,其特征在于:所述步骤IV中,概率建模模块进行风速功率转换,确定不同风速段的功率;包括:
根据所述概率密度函数确定概率密度函数Pi(x)取最大值时对应的x值,x值为风速段SliceWindi对应的功率;依次确定所有风速段对应的功率Pi并建立如下式(3)的风速功率转换模型:
当任意风速值wind满足S·(i-1)≤wind<S·i时,F(wind)=Pi (3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310462639.7A CN103530508B (zh) | 2013-09-30 | 2013-09-30 | 一种建立风速功率转换概率模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310462639.7A CN103530508B (zh) | 2013-09-30 | 2013-09-30 | 一种建立风速功率转换概率模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530508A true CN103530508A (zh) | 2014-01-22 |
CN103530508B CN103530508B (zh) | 2017-01-11 |
Family
ID=49932513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310462639.7A Active CN103530508B (zh) | 2013-09-30 | 2013-09-30 | 一种建立风速功率转换概率模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530508B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205544A (zh) * | 2014-06-24 | 2015-12-30 | 华北电力大学(保定) | 一种基于双重随机理论的风电功率预测方法 |
CN106229972A (zh) * | 2016-08-16 | 2016-12-14 | 北京国能日新系统控制技术有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
CN106355512A (zh) * | 2016-08-26 | 2017-01-25 | 华北电力大学 | 一种基于概率密度极大值优化的风电机组功率曲线拟合方法 |
CN109190789A (zh) * | 2018-07-19 | 2019-01-11 | 清华大学 | 中长期风电功率预测方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005073346A (ja) * | 2003-08-22 | 2005-03-17 | Toshiba Corp | 電力品質評価システム、電力品質評価方法及び電力品質評価用プログラム |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
CN102496926A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 风电场功率预测输入数据的判断及处理方法 |
CN102496927A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 基于误差统计修正的风电场功率预测方法 |
CN102767472A (zh) * | 2012-07-18 | 2012-11-07 | 华北电力大学 | 一种风电机组功率曲线的提取方法 |
-
2013
- 2013-09-30 CN CN201310462639.7A patent/CN103530508B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005073346A (ja) * | 2003-08-22 | 2005-03-17 | Toshiba Corp | 電力品質評価システム、電力品質評価方法及び電力品質評価用プログラム |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 基于模糊神经网络和支持向量机的风电功率组合预测方法 |
CN102496926A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 风电场功率预测输入数据的判断及处理方法 |
CN102496927A (zh) * | 2011-12-16 | 2012-06-13 | 中国电力科学研究院 | 基于误差统计修正的风电场功率预测方法 |
CN102767472A (zh) * | 2012-07-18 | 2012-11-07 | 华北电力大学 | 一种风电机组功率曲线的提取方法 |
Non-Patent Citations (1)
Title |
---|
茆美琴 等: "基于脊波神经网络的短期风电功率预测", 《电力系统自动化》, vol. 35, no. 7, 10 April 2011 (2011-04-10), pages 70 - 74 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205544A (zh) * | 2014-06-24 | 2015-12-30 | 华北电力大学(保定) | 一种基于双重随机理论的风电功率预测方法 |
CN105205544B (zh) * | 2014-06-24 | 2018-07-24 | 华北电力大学(保定) | 一种基于双重随机理论的风电功率预测方法 |
CN106229972A (zh) * | 2016-08-16 | 2016-12-14 | 北京国能日新系统控制技术有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
CN106229972B (zh) * | 2016-08-16 | 2018-12-04 | 国能日新科技股份有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
CN106355512A (zh) * | 2016-08-26 | 2017-01-25 | 华北电力大学 | 一种基于概率密度极大值优化的风电机组功率曲线拟合方法 |
CN109190789A (zh) * | 2018-07-19 | 2019-01-11 | 清华大学 | 中长期风电功率预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103530508B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
Zhang et al. | Improved Wind Speed Prediction Using Empirical Mode Decomposition. | |
CN105184678A (zh) | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 | |
Huang et al. | Short term wind speed predictions by using the grey prediction model based forecast method | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN104779611A (zh) | 基于集中式和分布式双层优化策略的微电网经济调度方法 | |
CN103106544A (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN105243502A (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
CN104182914A (zh) | 一种基于波动特性的风电出力时间序列建模方法 | |
CN103077300A (zh) | 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN106251242A (zh) | 一种风电出力区间组合预测方法 | |
CN103530508A (zh) | 一种建立风速功率转换概率模型的方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
Kanchana et al. | PV Power Forecasting with Holt-Winters Method | |
Zhang et al. | Short-term wind power prediction based on EMD-LSTM combined model | |
Zhang et al. | Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification | |
CN105046383A (zh) | 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法 | |
Wang et al. | An ultra-short-term forecasting model for high-resolution solar irradiance based on SOM and deep learning algorithm | |
Zhen et al. | Multi-level wavelet decomposition based day-ahead solar irradiance forecasting | |
Zhang et al. | Analysis of influencing factors of transmission line loss based on GBDT algorithm | |
Duan et al. | Based on improved BP neural network model generating power predicting for PV system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |