CN103617462A - 一种基于地理统计学的风电场风速时空数据建模方法 - Google Patents
一种基于地理统计学的风电场风速时空数据建模方法 Download PDFInfo
- Publication number
- CN103617462A CN103617462A CN201310666979.1A CN201310666979A CN103617462A CN 103617462 A CN103617462 A CN 103617462A CN 201310666979 A CN201310666979 A CN 201310666979A CN 103617462 A CN103617462 A CN 103617462A
- Authority
- CN
- China
- Prior art keywords
- space
- formula
- wind
- matrix
- function
- 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
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于地理统计学的风电场风速时空数据建模方法,包括以下步骤:1:通过风机地理位置信息、风电场风速的空间协方差函数和风电场风速的变异函数构造出风电场的空间结构矩阵,来表征各风机输入风速间的空间相关性;2:应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计;3:对各台风机风速的向前P步进行预测,得到各台风机风速的P步向前预测分布的模拟样本,然后再通过抽样取平均求得台风机风速的最优预测结果,其中P≥1。本发明从风的物理特性出发,综合分析不同风机处的风速数据在时间和空间上存在的相关性,进而对整个风电场建立更精确的预测模型,所以其预测效果比传统方法好。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种基于地理统计学的风电场风速时空数据建模方法。
背景技术
随着风电装机容量在电力系统中所占比例的增加,风能的随机性、间歇性、低能量密度等特点给电力系统的安全稳定和经济运行带来一系列严重的影响。尤其是风电穿透功率超过一定值后,风电的接入可能会严重影响电能质量和电力系统运行,并可能会危及常规发电方式。鉴于此,人们对风电场风速预测与风力发电功率预测进行了大量的研究。
传统的风电场风速预测方法是采用统计方法对平均风速的历史数据进行统计预测。虽然这些方法在某些条件下能取得很好的预测结果,但是对其预测机理和预测结果不能给出充分的解释。此外,这些模型都简单的将风电场当作一台风机来处理,而忽略了同一风电场不同风机处的风速间存在的相关关系和相互影响。
发明内容
针对风电场风速数据具有时空特性的这一特点,本发明提出了一种基于地理统计学的风电场风速时空数据建模方法,从而实现对风电场多风机的风速进行预测。
本发明所采用的技术方案是:一种基于地理统计学的风电场风速时空数据建模方法,其特征在于,包括以下步骤:
步骤1:通过风机地理位置信息、风电场风速的空间协方差函数和风电场风速的变异函数构造出风电场的空间结构矩阵,来表征各风机输入风速间的空间相关性;
步骤2:应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计;
步骤3:对各台风机风速的向前P步进行预测,得到各台风机风速的P步向前预测分布的模拟样本,然后再通过抽样取平均求得台风机风速的最优预测结果,其中P≥1。
作为优选,步骤1中所述的风电场风速的空间协方差函数,其具体构建过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,…,T),定义任意两观测点间的协方差函数为:
Ct(h,t)=Cov(W(si,t),W(sj,t)) (式壹)
采用参数化的协方差函数模型来表示:
Ct(h,t)=σ2κ(si,sj;Φ) (式贰)
式中σ2为随着时间变化的变异参数,κ(si,sj;Φ)为核函数,其选用Matern族相关函数形式的核函数:
式中dij为风机站点si与sj之间的测地线距离;Κυ(.)是阶次为υ的第二类修正Bessel函数,取υ=1;φ为空间衰减参数,取φ=0.02;在时刻t时,任意两点间的时空协方差是关于这两点距离的函数。
作为优选,步骤1中所述的风电场风速的变异函数,其具体构建过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,…,T),对于一个时空平稳过程W(si,t),假设N为距离等于h的点对数量,定义距离为h的变异函数γ(h)为:
si,sj表示所有距离为h的点对,γ(h)是以任意两点之间距离h为变量的函数。
作为优选,步骤1中所述的构造出风电场的空间结构矩阵,其具体实现过程为:空间结构矩阵Xt的行数n由风机数量决定,列数为p,由两部分组成,其中第一部分q列定义为矩阵F,F为n×q维矩阵,表示样本点的空间坐标信息,取q=3,即矩阵F的第1列元素为1,第2、3两列为相对应的风机空间坐标经度和纬度值,其中第二部分p-q列定义为与空间协方差结构相关的空间方向场,假设协方差矩阵∑v及均为非奇异矩阵,引入混合能量矩阵B:
对它进行谱分解,可得:
B=UEU-1
Bui=eiui
其中,U=(u1,...,un),E=diag(e1,...,en),u1,…,un是矩阵U的特征向量,矩阵E是一个对角矩阵,对角线上的元素为特征值,按照特征值非降的方向将特征值进行重新排序,则有:e1=...=eq=0<eq+1≤...≤en,规定空间结构矩阵Xt的后p-q列等于ei∑vui,其中,i=q+1,...,p,最终,空间结构矩阵Xt可由式伍的形式进行构造:
Xt=(F,eq+1∑vuq+1,...,em∑vup) (式伍)
其中,矩阵Xt的列向量组两两正交。
作为优选,步骤2中所述的应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计,其具体实现过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,…,T);
首先,对于非平稳的时空随机过程W(s,t),假设数据中存在主导趋势和残差分量两部分,即:
W(s,t)=μ(s,t)+v(s,t) (式陆)
其中μ(s,t)为在点si处的数学期望,表示W(s,t)的规则而连续的变化,且该趋势可以用一个确定的函数或多项式来拟合,v(s,t)称为残差分量,是围绕主导趋势μ(s,t)摆动的小范围区域内的空间变异值,其数学期望为零;
假设任意时刻t残差向量v(s)服从均值为零,协方差矩阵为∑v的多元正态分布,即:v(s)~N(0,∑v),协方差矩阵∑v由以下元素组成:
其次,对于时空随机过程Zt=(Z(s1,t),…,Z(sn,t))'为对应观测点si在时刻t的观测值,基于泛克里格的贝叶斯动态模型如式玖和拾所示:
Zt=Xtθt+vt,vt~N[0,∑v] (式玖)
θt=Gtθt-1+ωt,ωt~N[0,∑ω] (式拾)
其中Zt是n×1维观测向量,Xt是n×p维表征观测点空间相关性的空间结构矩阵,量化了多时空尺度数据模型的空间构成,θt是p×1维表征观测点随着时间变化的时间状态变量,反映了各个风机风速的随着时间变化而变化的动态特性,Gt是p×p维状态转移矩阵,vt是n维空间变异向量,ωt是p维观测噪声向量,vt和ωt相互独立,vt的协方差矩阵为∑v,对于ωt的协方差矩阵∑ω,设定一个与∑ω有关的矩阵W,其中且W服从自由度为2aω,协方差矩阵为2bω的Wishart先验分布,即:
p(W)~Wishart(2aω,2bω) (式十一);
然后,模型预测;模型的对数似然函数表达式为:
其中Λ代表参数θ,τ,W,G的集合;则函数的联合后验密度函数为:
π(Λ|z1,…,zT)∝f(z1,…,zT|Λ)π(Λ) (式十三)
其中π(Λ)为Λ中参数的先验分布;
a.由后验分布π(θ|Λ(k-1);Zt)抽取θ(k);
c.由后验分布π(W|Λ(k-1);Zt)抽取W(k);
d.由后验分布π(G|Λ(k-1);Zt)抽取G(k);
上述步骤完成一次Gibbs抽样,重复上述过程直至参数的后验条件分布为平稳分布为止;假设经过M次迭代,参数的后验条件分布变为平稳,则得到长度为M的Gibbs抽样序列,舍弃前m个值,则序列变为Λm+1,…,ΛM,作为最终的参数估计数据;
在此基础上对风速预报进行贝叶斯分析,向前1步的后验预测分布为:
π(zT+1|z1,…,zT)=∫π(zT+1|Λ)π(Λ|z1,…,zT)dΛ (式十四)
上式所示密度函数的期望E(zT+1|z1,…,zT)即为向前1步预测的最优结果,本发明通过对密度函数π(zT+1|Λ)抽样取平均获得E(zT+1|z1,…,zT)。
作为优选,步骤5中所述的对各台风机风速的向前P步进行预测,其具体实现过程为:首先对密度函数π(zT+1|Λ)进行抽样,得到然后,对于j=2,3,…,P,从后验密度函数抽取从风速预测密度函数中抽取由此可得到风速的P步向前预测分布的模拟样本,然后再通过抽样取平均求得最优预测结果。
作为优选,τv的先验分布满足式捌所示Gamma分布,其中W的先验分布满足式十一所示Wishart分布,其中2aω=p,2bω=0.01Ip,Ip为p×p的单位矩阵;状态变量θ在t=0时刻的初值θ0服从以下分布p(θ0)~N[0,C],其中:C=100Ip;状态转移矩阵G在t=0时刻的初值G0:G0=Ip。
本发明考虑风电场风速数据时空特性的风速预测方法就是从风的物理特性出发,综合分析不同风机处的风速数据在时间和空间上存在的相关性,进而对整个风电场建立更精确的预测模型,所以其预测效果比传统方法好。
附图说明
图1:为本发明的算法流程图。
图2:为本发明实施例的风电场风机位置分布图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步的阐述。
请见图1、图2,本发明所采用的技术方案是:一种基于地理统计学的风电场风速时空数据建模方法,其特征在于,包括以下步骤:
步骤1:通过风机地理位置信息、风电场风速的空间协方差函数和风电场风速的变异函数构造出风电场的空间结构矩阵,来表征各风机输入风速间的空间相关性;
其中,风速数据预处理的过程为:由于风速实测数据均是非负值,且由于气候的原因,出现短时间的大风速的概率并不大,风速统计分布实际上是向一侧偏斜的,并非服从正态分布。为了更好的建立概率分层模型,需先对多尺度实测风速数据进行适当的预处理,使之经过适当的变换后能更适合模型的要求。根据风速数据可知该风电场风速主要集中在6-17m/s,将风速小于6m/s的实测记录值全设置为6m/s,大于17m/s的实测记录值设置为17m/s,利用Box-Cox变换对多时空尺度实测风速数据Z进行适当的预处理,处理过程如下:
以上变换可以使模型满足线性、独立性、方差齐性、正态性的同时又不丢失实测数据中的信息。通过以上的变换,可以在一定程度上减小多时空尺度实测数据中不可观测到的误差和预测值之间的相关性。但是要适当选择参数λ的值,选取一段观测数据,通过使用极大似然估计得到参数λ的值。对于预测结果应先进行Box-Cox逆变换。
协方差函数与变异函数是用于考察时空数据相关性的两种度量方法。
其中,求取风电场空间协方差函数过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,…,T),定义任意两观测点间的协方差函数为:
Ct(h,t)=Cov(W(si,t),W(sj,t)) (式壹)
采用参数化的协方差函数模型来表示:
Ct(h,t)=σ2κ(si,sj;Φ) (式贰)
式中σ2为随着时间变化的变异参数,κ(si,sj;Φ)为核函数,其选用Matern族相关函数形式的核函数:
式中dij为风机站点si与sj之间的测地线距离;Κυ(.)是阶次为υ的第二类修正Bessel函数,取υ=1;φ为空间衰减参数,取φ=0.02;在时刻t时,任意两点间的时空协方差是关于这两点距离的函数。
对于一个时空平稳过程W(si,t),假设N为距离等于h的点对数量,定义距离为h的变异函数γ(h)为:
si,sj表示所有距离为h的点对,γ(h)是以任意两点之间距离h为变量的函数。
不难看出变异函数与协方差函数间有如下关系:
γ(h)=C(0)-C(h)
若以h为横坐标,γ(h)为纵坐标作图,便得到变差函数散点图。运用数学公式拟合各点,就可得到变差函数曲线。变异函数γ(h)是一个单调递增函数,当h超过某一数值(变程a)后,γ(h)不再继续单调地增大,而稳定在一个极限值附近,该极限值称为基台值,即C(0),基态值的大小反映变量变化幅度的大小。变程a反映了变量变化的空间范围。
步骤2:应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计;其具体实现过程为:空间结构矩阵Xt的行数n由风机数量决定,列数为p,由两部分组成,其中第一部分q列定义为矩阵F,F为n×q维矩阵,表示样本点的空间坐标信息,取q=3,即矩阵F的第1列元素为1,第2、3两列为相对应的风机空间坐标经度和纬度值,其中第二部分p-q列定义为与空间协方差结构相关的空间方向场,假设协方差矩阵∑v及均为非奇异矩阵,引入混合能量矩阵B:
对它进行谱分解,可得:
B=UEU-1
Bui=eiui
其中,U=(u1,...,un),E=diag(e1,...,en),u1,…,un是矩阵U的特征向量,矩阵E是一个对角矩阵,对角线上的元素为特征值,按照特征值非降的方向将特征值进行重新排序,则有:e1=...=eq=0<eq+1≤...≤en,规定空间结构矩阵Xt的后p-q列等于ei∑vui,其中,i=q+1,...,p,最终,空间结构矩阵Xt可由式伍的形式进行构造:
Xt=(F,eq+1∑vuq+1,...,em∑vup) (式伍)
其中,矩阵Xt的列向量组两两正交。
5.根据权利要求1所述的基于地理统计学的风电场风速时空数据建模方法,其特征在于:
步骤2中所述的应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计,其具体实现过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,…,T);
首先,对于非平稳的时空随机过程W(s,t),假设数据中存在主导趋势和残差分量两部分,即:
W(s,t)=μ(s,t)+v(s,t) (式陆)
其中μ(s,t)为在点si处的数学期望,表示W(s,t)的规则而连续的变化,且该趋势可以用一个确定的函数或多项式来拟合,v(s,t)称为残差分量,是围绕主导趋势μ(s,t)摆动的小范围区域内的空间变异值,其数学期望为零;
假设任意时刻t残差向量v(s)服从均值为零,协方差矩阵为∑v的多元正态分布,即:v(s)~N(0,∑v),协方差矩阵∑v由以下元素组成:
其次,对于时空随机过程Zt=(Z(s1,t),…,Z(sn,t))'为对应观测点si在时刻t的观测值,基于泛克里格的贝叶斯动态模型如式玖和拾所示:
Zt=Xtθt+vt,vt~N[0,∑v] (式玖)
θt=Gtθt-1+ωt,ωt~N[0,∑ω] (式拾)
其中Zt是n×1维观测向量,Xt是n×p维表征观测点空间相关性的空间结构矩阵,量化了多时空尺度数据模型的空间构成,θt是p×1维表征观测点随着时间变化的时间状态变量,反映了各个风机风速的随着时间变化而变化的动态特性,Gt是p×p维状态转移矩阵,vt是n维空间变异向量,ωt是p维观测噪声向量,vt和ωt相互独立,vt的协方差矩阵为∑v,对于ωt的协方差矩阵∑ω,设定一个与∑ω有关的矩阵W,其中且W服从自由度为2aω,协方差矩阵为2bω的Wishart先验分布,即:
p(W)~Wishart(2aω,2bω) (式十一);
然后,模型预测;模型的对数似然函数表达式为:
其中Λ代表参数θ,τ,W,G的集合;则函数的联合后验密度函数为:
π(Λ|z1,…,zT)∝f(z1,…,zT|Λ)π(Λ) (式十三)
其中π(Λ)为Λ中参数的先验分布;
最后,并采用Gibbs抽样对模型参数进行估计;假设第k-1次开始时参数估计值为θ(k-1),W(k-1),G(k-1),则第k次抽样的迭代步骤如下:
a.由后验分布π(θ|Λ(k-1);Zt)抽取θ(k);
c.由后验分布π(W|Λ(k-1);Zt)抽取W(k);
d.由后验分布π(G|Λ(k-1);Zt)抽取G(k);
上述步骤完成一次Gibbs抽样,重复上述过程直至参数的后验条件分布为平稳分布为止;假设经过M次迭代,参数的后验条件分布变为平稳,则得到长度为M的Gibbs抽样序列,舍弃前m个值,则序列变为Λm+1,…,ΛM,作为最终的参数估计数据;
在此基础上对风速预报进行贝叶斯分析,向前1步的后验预测分布为:
π(zT+1|z1,…,zT)=∫π(zT+1|Λ)π(Λ|z1,…,zT)dΛ (式十四)
上式所示密度函数的期望E(zT+1|z1,…,zT)即为向前1步预测的最优结果,本发明通过对密度函数π(zT+1|Λ)抽样取平均获得E(zT+1|z1,…,zT)。
步骤3:对各台风机风速的向前P步进行预测,得到各台风机风速的P步向前预测分布的模拟样本,然后再通过抽样取平均求得台风机风速的最优预测结果,其中P≥1;其具体实现过程为:首先对密度函数π(zT+1|Λ)进行抽样,得到然后,对于j=2,3,…,P,从后验密度函数抽取从风速预测密度函数中抽取由此可得到风速的P步向前预测分布的模拟样本,然后再通过抽样取平均求得最优预测结果。
本实施例中,τv的先验分布满足式捌所示Gamma分布,其中W的先验分布满足式十一所示Wishart分布,其中2aω=p,2bω=0.01Ip,Ip为p×p的单位矩阵;状态变量θ在t=0时刻的初值θ0服从以下分布p(θ0)~N[0,C],其中:C=100Ip;状态转移矩阵G在t=0时刻的初值G0:G0=Ip。
本实施例采用常用的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)作为性能评价指标,其定义为:
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,因此,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 (7)
1.一种基于地理统计学的风电场风速时空数据建模方法,其特征在于,包括以下步骤:
步骤1:通过风机地理位置信息、风电场风速的空间协方差函数和风电场风速的变异函数构造出风电场的空间结构矩阵,来表征各风机输入风速间的空间相关性;
步骤2:应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计;
步骤3:对各台风机风速的向前P步进行预测,得到各台风机风速的P步向前预测分布的模拟样本,然后再通过抽样取平均求得台风机风速的最优预测结果,其中P≥1。
2.根据权利要求1所述的基于地理统计学的风电场风速时空数据建模方法,其特征在于:
步骤1中所述的风电场风速的空间协方差函数,其具体构建过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,…,T),定义任意两观测点间的协方差函数为:
Ct(h,t)=Cov(W(si,t),W(sj,t)) (式壹)
采用参数化的协方差函数模型来表示:
Ct(h,t)=σ2κ(si,sj;Φ) (式贰)
式中σ2为随着时间变化的变异参数,κ(si,sj;Φ)为核函数,其选用Matern族相关函数形式的核函数:
式中dij为风机站点si与sj之间的测地线距离;Κυ(.)是阶次为υ的第二类修正Bessel函数,取υ=1;φ为空间衰减参数,取φ=0.02;在时刻t时,任意两点间的时空协方差是关于这两点距离的函数。
3.根据权利要求1所述的基于地理统计学的风电场风速时空数据建模方法,其特征在于:
步骤1中所述的风电场风速的变异函数,其具体构建过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,...,T),对于一个时空平稳过程W(si,t),假设N为距离等于h的点对数量,定义距离为h的变异函数γ(h)为:
si,sj表示所有距离为h的点对,γ(h)是以任意两点之间距离h为变量的函数。
4.根据权利要求1所述的基于地理统计学的风电场风速时空数据建模方法,其特征在于:
步骤1中所述的构造出风电场的空间结构矩阵,其具体实现过程为:空间结构矩阵Xt的行数n由风机数量决定,列数为p,由两部分组成,其中第一部分q列定义为矩阵F,F为n×q维矩阵,表示样本点的空间坐标信息,取q=3,即矩阵F的第1列元素为1,第2、3两列为相对应的风机空间坐标经度和纬度值,其中第二部分p-q列定义为与空间协方差结构相关的空间方向场,假设协方差矩阵∑v及均为非奇异矩阵,引入混合能量矩阵B:
对它进行谱分解,可得:
B=UEU-1
Bui=eiui
其中,U=(u1,...,un),E=diag(e1,...,en),u1,…,un是矩阵U的特征向量,矩阵E是一个对角矩阵,对角线上的元素为特征值,按照特征值非降的方向将特征值进行重新排序,则有:e1=...=eq=0<eq+1≤...≤en,规定空间结构矩阵Xt的后p-q列等于ei∑vui,其中,i=q+1,...,p,最终,空间结构矩阵Xt可由式伍的形式进行构造:
Xt=(F,eq+1∑vuq+1,...,em∑vup) (式伍)
其中,矩阵Xt的列向量组两两正交。
5.根据权利要求1所述的基于地理统计学的风电场风速时空数据建模方法,其特征在于:
步骤2中所述的应用泛克里格法和贝叶斯算法对各风机输入风速进行分层建模,并采用Gibbs抽样对模型参数进行估计,其具体实现过程为:假设W(s,t)是定义在D×T的时空随机过程,其中D代表空间区域,T代表时间,h为两观测点(si,sj)间的空间距离,在时刻t(t=1,2,...,T);
首先,对于非平稳的时空随机过程W(s,t),假设数据中存在主导趋势和残差分量两部分,即:
W(s,t)=μ(s,t)+v(s,t) (式陆)
其中μ(s,t)为在点si处的数学期望,表示W(s,t)的规则而连续的变化,且该趋势可以用一个确定的函数或多项式来拟合,v(s,t)称为残差分量,是围绕主导趋势μ(s,t)摆动的小范围区域内的空间变异值,其数学期望为零;
假设任意时刻t残差向量v(s)服从均值为零,协方差矩阵为∑v的多元正态分布,即:v(s)~N(0,∑v),协方差矩阵∑v由以下元素组成:
其次,对于时空随机过程Zt=(Z(s1,t),...,Z(sn,t))'为对应观测点si在时刻t的观测值,基于泛克里格的贝叶斯动态模型如式玖和拾所示:
Zt=Xtθt+vt,vt~N[0,∑v] (式玖)
θt=Gtθt-1+ωt,ωt~N[0,∑ω] (式拾)
其中Zt是n×1维观测向量,Xt是n×p维表征观测点空间相关性的空间结构矩阵,量化了多时空尺度数据模型的空间构成,θt是p×1维表征观测点随着时间变化的时间状态变量,反映了各个风机风速的随着时间变化而变化的动态特性,Gt是p×p维状态转移矩阵,vt是n维空间变异向量,ωt是p维观测噪声向量,vt和ωt相互独立,vt的协方差矩阵为∑v,对于ωt的协方差矩阵∑ω,设定一个与∑ω有关的矩阵W,其中且W服从自由度为2aω,协方差矩阵为2bω的Wishart先验分布,即:
p(W)~Wishart(2aω,2bω) (式十一);
然后,模型预测;模型的对数似然函数表达式为:
其中Λ代表参数θ,τ,W,G的集合;则函数的联合后验密度函数为:
π(Λ|z1,...,zT)∝f(z1,...,zT|Λ)π(Λ) (式十三)
其中π(Λ)为Λ中参数的先验分布;
a.由后验分布π(θ|Λ(k-1);Zt)抽取θ(k);
c.由后验分布π(W|Λ(k-1);Zt)抽取W(k);
d.由后验分布π(G|Λ(k-1);Zt)抽取G(k);
上述步骤完成一次Gibbs抽样,重复上述过程直至参数的后验条件分布为平稳分布为止;假设经过M次迭代,参数的后验条件分布变为平稳,则得到长度为M的Gibbs抽样序列,舍弃前m个值,则序列变为Λm+1,…,ΛM,作为最终的参数估计数据;
在此基础上对风速预报进行贝叶斯分析,向前1步的后验预测分布为:
π(zT+1|z1,…,zT)=∫π(zT+1|Λ)π(Λ|z1,…,zT)dΛ (式十四)
上式所示密度函数的期望E(zT+1|z1,…,zT)即为向前1步预测的最优结果,本发明通过对密度函数π(zT+1|Λ)抽样取平均获得E(zT+1|z1,…,zT)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310666979.1A CN103617462B (zh) | 2013-12-10 | 2013-12-10 | 一种基于地理统计学的风电场风速时空数据建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310666979.1A CN103617462B (zh) | 2013-12-10 | 2013-12-10 | 一种基于地理统计学的风电场风速时空数据建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103617462A true CN103617462A (zh) | 2014-03-05 |
CN103617462B CN103617462B (zh) | 2016-08-17 |
Family
ID=50168166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310666979.1A Expired - Fee Related CN103617462B (zh) | 2013-12-10 | 2013-12-10 | 一种基于地理统计学的风电场风速时空数据建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617462B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996072A (zh) * | 2014-04-29 | 2014-08-20 | 中国农业大学 | 一种风电场和风电区域的风电功率预测方法及系统 |
CN104657791A (zh) * | 2015-02-28 | 2015-05-27 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
CN105824987A (zh) * | 2016-03-09 | 2016-08-03 | 浙江大学 | 一种基于遗传算法的风场特征统计分布模型建立方法 |
CN106056312A (zh) * | 2016-06-23 | 2016-10-26 | 国电南瑞科技股份有限公司 | 一种样本风机动态选取方法 |
CN106649668A (zh) * | 2016-12-14 | 2017-05-10 | 华南师范大学 | 一种基于向量模型的海量时空数据检索方法及系统 |
CN109540089A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 |
CN110727916A (zh) * | 2019-08-20 | 2020-01-24 | 广州地理研究所 | 一种大规模海域风能长期预测方法及系统 |
CN111684314A (zh) * | 2018-02-05 | 2020-09-18 | 株式会社日立制作所 | 气象预测校正方法以及气象预测系统 |
CN113434495A (zh) * | 2021-07-09 | 2021-09-24 | 中国船舶重工集团海装风电股份有限公司 | 一种基于ArcGIS的中尺度风速数据订正方法及系统 |
CN116306333A (zh) * | 2022-12-09 | 2023-06-23 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种高空风能捕获装置空气动力学评估方法及系统 |
CN116955993A (zh) * | 2023-08-24 | 2023-10-27 | 中国长江电力股份有限公司 | 一种混凝土性态多元时序监测数据补全方法 |
CN117934208A (zh) * | 2024-03-18 | 2024-04-26 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592673A (zh) * | 2009-02-18 | 2009-12-02 | 中南大学 | 铁路沿线风速预测的方法 |
CN101727538A (zh) * | 2009-09-26 | 2010-06-09 | 山东科技大学 | 一种考虑风向影响的风电机组输入风速等效方法 |
-
2013
- 2013-12-10 CN CN201310666979.1A patent/CN103617462B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592673A (zh) * | 2009-02-18 | 2009-12-02 | 中南大学 | 铁路沿线风速预测的方法 |
CN101727538A (zh) * | 2009-09-26 | 2010-06-09 | 山东科技大学 | 一种考虑风向影响的风电机组输入风速等效方法 |
Non-Patent Citations (3)
Title |
---|
SUJIT K. SAHU: "A Bayesian kriged Kalman model for short-term forecasting of air pollution levels", 《APPLIED STATISTICS》 * |
卿湘运 等: "采用贝叶斯–克里金–卡尔曼模型的多风电场风速短期预测", 《中国电机工程学报》 * |
曾程 等: "考虑尾流效应的风电场短期功率空间预测模型", 《电力系统保护与控制》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996072B (zh) * | 2014-04-29 | 2017-03-08 | 中国农业大学 | 一种风电场和风电区域的风电功率预测方法及系统 |
CN103996072A (zh) * | 2014-04-29 | 2014-08-20 | 中国农业大学 | 一种风电场和风电区域的风电功率预测方法及系统 |
CN104657791A (zh) * | 2015-02-28 | 2015-05-27 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
CN104657791B (zh) * | 2015-02-28 | 2019-06-25 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
CN105824987A (zh) * | 2016-03-09 | 2016-08-03 | 浙江大学 | 一种基于遗传算法的风场特征统计分布模型建立方法 |
CN106056312B (zh) * | 2016-06-23 | 2019-08-16 | 国电南瑞科技股份有限公司 | 一种样本风机动态选取方法 |
CN106056312A (zh) * | 2016-06-23 | 2016-10-26 | 国电南瑞科技股份有限公司 | 一种样本风机动态选取方法 |
CN106649668A (zh) * | 2016-12-14 | 2017-05-10 | 华南师范大学 | 一种基于向量模型的海量时空数据检索方法及系统 |
CN111684314A (zh) * | 2018-02-05 | 2020-09-18 | 株式会社日立制作所 | 气象预测校正方法以及气象预测系统 |
CN109540089A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 |
CN109540089B (zh) * | 2018-10-16 | 2021-05-14 | 华南理工大学 | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 |
CN110727916A (zh) * | 2019-08-20 | 2020-01-24 | 广州地理研究所 | 一种大规模海域风能长期预测方法及系统 |
CN110727916B (zh) * | 2019-08-20 | 2021-04-23 | 广东省科学院广州地理研究所 | 一种大规模海域风能长期预测方法及系统 |
CN113434495A (zh) * | 2021-07-09 | 2021-09-24 | 中国船舶重工集团海装风电股份有限公司 | 一种基于ArcGIS的中尺度风速数据订正方法及系统 |
CN116306333A (zh) * | 2022-12-09 | 2023-06-23 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种高空风能捕获装置空气动力学评估方法及系统 |
CN116306333B (zh) * | 2022-12-09 | 2023-10-20 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种高空风能捕获装置空气动力学评估方法及系统 |
CN116955993A (zh) * | 2023-08-24 | 2023-10-27 | 中国长江电力股份有限公司 | 一种混凝土性态多元时序监测数据补全方法 |
CN116955993B (zh) * | 2023-08-24 | 2024-03-12 | 中国长江电力股份有限公司 | 一种混凝土性态多元时序监测数据补全方法 |
CN117934208A (zh) * | 2024-03-18 | 2024-04-26 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
CN117934208B (zh) * | 2024-03-18 | 2024-06-11 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103617462B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103617462A (zh) | 一种基于地理统计学的风电场风速时空数据建模方法 | |
Zhang et al. | Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning | |
Nychka et al. | A multiresolution Gaussian process model for the analysis of large spatial datasets | |
Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
Bentzien et al. | Generating and calibrating probabilistic quantitative precipitation forecasts from the high-resolution NWP model COSMO-DE | |
Gong et al. | Extreme learning machine for reference crop evapotranspiration estimation: Model optimization and spatiotemporal assessment across different climates in China | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
Johns et al. | Infilling sparse records of spatial fields | |
de Fondeville et al. | Functional peaks-over-threshold analysis | |
Choi et al. | Efficient targeting of sensor networks for large-scale systems | |
CN109212631B (zh) | 一种考虑通道相关的卫星观测资料三维变分同化方法 | |
Masseran et al. | On spatial analysis of wind energy potential in Malaysia | |
Bessac et al. | Stochastic simulation of predictive space–time scenarios of wind speed using observations and physical model outputs | |
Tian et al. | A new approach for Bayesian model averaging | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
Yoshimura et al. | Application of observability Gramian to targeted observation in WRF data assimilation | |
Chowdhury et al. | Mitigating parameter bias in hydrological modelling due to uncertainty in covariates | |
CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
Cao et al. | A study on temperature interpolation methods based on GIS | |
Kiessling et al. | Wind field reconstruction with adaptive random Fourier features | |
CN115879034B (zh) | 基于机器学习的热带气旋强度监测方法、装置和设备 | |
Yeh et al. | Including observation error correlation for ensemble radar radial wind assimilation and its impact on heavy rainfall prediction | |
Gottwald et al. | Controlling overestimation of error covariance in ensemble Kalman filters with sparse observations: A variance-limiting Kalman filter | |
Zhang et al. | A nonstationary and non‐Gaussian moving average model for solar irradiance | |
Carey‐Smith et al. | A hidden seasonal switching model for multisite daily rainfall |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20201210 |