CN103714400A - 一种任意输入参数的风能预测系统和方法 - Google Patents
一种任意输入参数的风能预测系统和方法 Download PDFInfo
- Publication number
- CN103714400A CN103714400A CN201410022977.3A CN201410022977A CN103714400A CN 103714400 A CN103714400 A CN 103714400A CN 201410022977 A CN201410022977 A CN 201410022977A CN 103714400 A CN103714400 A CN 103714400A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- input
- wind energy
- training
- 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 30
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 7
- 238000013501 data transformation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
一种任意输入参数的风能预测系统，包括历史数据输入模块、历史数据转换模块，数据分类模块、训练数据输入模块、训练模块、验证数据输入模块、预测模块、选择模块、标准化数据转换模块。通过该系统能够整合多种类型数据，用户可以输入多种参数，根据对历史数据标准化然后分析并产生专门为某地区准备的预测模型，方法简单可靠，可以对未来短时间内的风能进行预测，从而给出最大、最小风能参数和变化范围。通过该方法将使电网减少备用容量、使风力发电具有更高的品质和价值。
Description
技术领域
本发明属于发电和电能管理领域，可以对未来一段时间内的风能情况进行预测，特别涉及一种任意输入参数的风能预测系统和方法。
背景技术
风力发电是目前国际上具有广阔应用前景的绿色清洁能源之一，可以减少化石燃料发电产生的大量污染物和碳排放，可以有效缓解空气污染、水污染和全球气候变暖问题。但是由于风力发电的原动力的不可控性，且一般风电项目往往处于电网潮流末端，风电功率的注入改变了局部电网的潮流分布，对电网调度提出了较高的要求，因此对风能进行预测具有十分重要的作用。然而当前的预测机制大多有以下问题：
（1）考虑因素少，预测精度低；
（2）各个风电场的情况不同，决定因素、能获得的数据的能力和精度也有所不同，一个风电场的模型在其它风电场未必能够成功预测；
（3）风电消纳最大化很难完成，因为无法全面反映风电出力形状特性，无法帮助调度人员快速判断特定风电出力曲线是否可被电力系统消纳；
因此需要一种任意输入多种参数信息的风能预测系统和方法，整合多种类型数据，在系统提示辅助下用户可以输入多种参数，系统自动根据历史数据分析并产生专门为某地区准备的预测模型，通过该方法可以对未来短时间内的风能进行预测，给出最大、最小风能参数和变化范围。通过该方法将使电网减少备用容量、使风电具有更高的品质和价值。
发明内容
本发明的目的是提供一种任意输入参数的风能预测系统和方法，通过该方法可以对未来短时间内的风能进行预测，给出最大、最小风能参数和变化范围。
为实现上述目的，本发明提供一种任意输入参数的风能预测系统，其特征在于包括：
（1）历史数据输入模块，输入风能发电厂的历史数据，包括任意参数：风速、温度、天气、降雨、湿度；
（2）历史数据转换模块，通过数据转换模型标准化数据，是将非标准的数值型数据和离散化数据转换为标准化的[-1, 1]之间的数据；
（3）数据分类模块，将已经标准化的历史数据按4:1的比例进行类别划分，其中80%作为训练数据，20%作为验证数据；
（4）训练数据输入模块，输入训练数据；
（5）训练模块，将输入的训练数据，利用改进的向量机回归算法进行训练，产生回归向量机模型；
（6）验证数据输入模块，输入验证数据；
（7）预测模块，利用输入的验证数据，迭代到产生的回归向量机模型；
（8）选择模块，判定精度是否达标，即误差是否小于给定的阈值；
（9）标准化数据转换模块，如果精度达标，将标准化数据转换为历史输入数据。
本发明还提供一种任意输入参数的风能预测方法，其特征在于包含如下步骤：
（1）输入历史数据，包括任意参数，风速、温度、天气、降雨、湿度；
（2）通过数据转换模型标准化数据，得到[-1, 1]之间的数据；
（3）将标准化数据按4:1的比例进行类别划分，80%为训练数据，20%为验证数据；
（4）输入训练数据；
（5）利用改进的向量机回归算法对输入训练数据进行训练，产生回归向量机模型；
（6）输入验证数据；
（7）利用产生的回归向量机模型进行验证；
（8）判定精度是否达标，即误差是否小于给定的阈值，如果精度达标，则将数据转化为原始数据；
（9）如果不达标，则重新回到初始位置。
通过本发明系统和方法能够整合多种类型数据，用户可以输入多种参数，根据对历史数据标准化然后分析并产生专门为某地区准备的预测模型，通过该方法可以对未来短时间内的风能进行预测，从而给出最大、最小风能参数和变化范围。通过该方法将使电网减少备用容量、使风力发电具有更高的品质和价值。
附图说明
图1为一种任意输入参数的风能预测系统结构框图；
图2为一种任意输入参数的风能预测方法流程图；
图3为“数据转换模型”处理数据的流程图。
具体实施方式
如图1所示，本发明风能预测系统包括：
历史数据输入模块，输入风能发电厂的历史数据，包括任意参数：风速、温度、天气、降雨、湿度；
历史数据转换模块，通过数据转换模型标准化数据，是将非标准的数值型数据和离散化数据转换为标准化的[-1, 1]之间的数据；
数据分类模块，将已经标准化的历史数据按4:1的比例进行类别划分，其中80%作为训练数据，20%作为验证数据；
训练数据输入模块，输入训练数据；
训练模块，将输入的训练数据，利用改进的向量机回归算法进行训练，产生回归向量机模型；
验证数据输入模块，输入验证数据；
预测模块，利用输入的验证数据，迭代到产生的回归向量机模型；步骤S308为选择模块，判定精度是否达标，即误差是否小于给定的阈值；
标准化数据转换模块，如果精度达标，将标准化数据转换为历史输入数据。
如图2所示：该流程开始于步骤S101；
在步骤S102，输入历史数据，包括任意参数：风速、温度、天气、降雨、湿度。可用一个N×M矩阵表示，其中N代表历史数据样本数量，M代表参数的数量，即多少种参数。
在步骤S103，根据步骤S102中输入的历史数据，通过数据转换模型标准化数据，是将非标准的数值型数据和离散化数据转换为标准化的[-1, 1]之间的数据，使得不同的数据之间可以整合进本方法之中。
在步骤S104，根据步骤S103得到标准化数据，选择80%的标准化数据作为训练数据，选择20%的标准化数据作为验证数据。
在步骤S105，根据步骤S104输入80%训练数据。
在步骤S106，根据步骤S105输入的训练数据，利用改进的向量机回归算法对输入训练数据进行训练，产生回归向量机模型；向量机回归算法需要解决向量机回归模型中的惩罚系数 
、不敏感损失参数
及核函数中的宽度参数这三个参数。根据风电场实际场景需要，将标准化的训练数据随机分成
个大小相等的子集，先用其中
个子集作为训练样本，训练得到一个回归支持向量机模型，另外1个子集作为验证样本，计算得到误差，这样循环进行
次，直到所有的个子集都作为测试样本被预测一遍，取
次预测所得的误差的均值
作为性能指标，其中
和
可由下式表示：
其中，代表实际风能值，
代表预测风能值，
越小，说明模型预测精度更高。然后将三个参数进行区间搜索，得到最优的结果，即最佳参数惩罚系数
、不敏感损失参数
及核函数中的宽度参数。
在步骤S107，根据步骤S106输入20%验证数据。
在步骤S108，根据步骤S107，利用产生的回归向量机模型进行验证；首先取最佳参数惩罚系数、不敏感损失参数及核函数中的宽度参数
的值，将验证数据带入回归向量机模型，得到预测值。
在步骤S109，如果步骤S109的结果为“是”，则进入步骤S110，如果添加参数P之后精度提高那么说明该参数对预测有帮助，需将其添加到模型之中，然后将参数数据转化为原始数据；如果步骤S109的结果为“否”，则进入步骤S102。
步骤S111，流程结束。
如图3所示，整合数据的流程开始于步骤S201；
在步骤S202，输入历史数据。
在步骤S203，判断步骤S202得到的数据是数值型数据还是离散化数据。
如果步骤S203的结果为“是”，则进入步骤S204，对数值型数据标准化，需要将其映射到-1到+1之间，对输入的参数数据进行统计获得其均值μ和标准差σ，对于任意一个数据x其标准化的公式对应为：
通过该公式可以将任意一种基于数值的参数数据x映射为[-1, 1]区间的标准化数据。其逆过程对应公式为：
通过该公式，可以将标准化的数据转换为真实数据。
如果步骤S203的结果为“否”，则进入步骤S205，对离散型的数据处理，某些地区的历史数据不够精确，采用有限的几种状态来进行形容，可以采用二进制编号的形式，每个二进制位对应一个新的输出属性，如某地区的天气情况P描述仅为晴天、小雨、大雨这3项，如下方式：
输入参数：P 输出参数：Pa1 Pa2
晴天 0 1
小雨 1 0
大雨 1 1
将1个离散型参数转换为两个参数内容为0~1的标准化数据。
在步骤S206，根据步骤S204和S205，得到[-1, 1]之间的标准化数据。
步骤S207，流程结束。
Claims (9)
1.一种任意输入参数的风能预测系统，其特征在于包括：
历史数据输入模块，输入风能发电厂的历史数据，包括任意参数：风速、温度、天气、降雨、湿度；
历史数据转换模块，通过数据转换模型标准化数据，是将非标准的数值型数据和离散化数据转换为标准化的[-1, 1]之间的数据；
数据分类模块，将已经标准化的历史数据按4:1的比例进行类别划分，其中80%作为训练数据，20%作为验证数据；
训练数据输入模块，输入训练数据；
训练模块，将输入的训练数据，利用改进的向量机回归算法进行训练，产生回归向量机模型；
验证数据输入模块，输入验证数据；
预测模块，利用输入的验证数据，迭代到产生的回归向量机模型；步骤S308为选择模块，判定精度是否达标，即误差是否小于给定的阈值；
标准化数据转换模块，如果精度达标，将标准化数据转换为历史输入数据。
2.一种任意输入参数的风能预测方法，其特征在于包括如下步骤：
（1）输入历史数据，包括任意参数：风速、温度、天气、降雨、湿度；
（2）通过数据转换模型标准化数据，得到[-1, 1]之间的数据；
（3）将标准化数据按4:1的比例进行类别划分，80%为训练数据，20%为验证数据；
（4）输入训练数据；
（5）利用改进的向量机回归算法对输入训练数据进行训练，产生回归向量机模型；
（6）输入验证数据；
（7）利用产生的回归向量机模型进行验证；
（8）判定精度是否达标，即误差是否小于给定的阈值，如果精度达标，则将数据转化为原始数据；
（9）如果不达标，则重新回到初始位置。
3.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的输入的历史数据，包括任意参数：风速、温度、天气、降雨、湿度，用一个N×M矩阵表示，其中N代表历史数据样本数量，M代表参数的数量，即多少种参数。
4.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的通过数据转换模型标准化数据，是将非标准的数值型数据和离散化数据转换为标准化的[-1, 1]之间的数据，使得不同的数据之间可以整合进本方法之中，具体包含以下二种情况：
（1）对于数值型数据
标准化，需要将其映射到-1到+1之间，对输入的参数数据进行统计获得其均值μ和标准差σ，对于任意一个数据x其标准化的公式对应为：
通过该公式可以将任意一种基于数值的参数数据x映射为[-1, 1]区间的标准化数据，其逆过程对应公式为：
通过该公式，可以将标准化的数据转换为真实数据；
（2）对于离散型的数据处理
某些地区的历史数据不够精确，采用有限的几种状态来进行形容，采用二进制编号的形式，每个二进制位对应一个新的输出属性，对于某地区的天气情况P描述仅为晴天、小雨、大雨这3项，如下方式：
输入参数：P 输出参数：Pa1 Pa2
晴天 0 1
小雨 1 0
大雨 1 1
将1个离散型参数转换为两个参数内容为0~1的标准化数据。
5.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的将标准化数据按一定比例进行类别划分，本方法中标准化数据的80%为训练数据，20%为验证数据，数据量大于500个。
6.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的利用改进的向量机回归算法对输入训练数据进行训练，产生回归向量机模型，向量机回归算法需要解决向量机回归模型中的惩罚系数
、不敏感损失参数及核函数中的宽度参数这三个参数，根据风电场实际场景需要，将标准化的训练数据随机分成
个大小相等的子集，先用其中
个子集作为训练样本，训练得到一个回归支持向量机模型，另外1个子集作为验证样本，计算得到误差，这样循环进行次，直到所有的个子集都作为测试样本被预测一遍，取
次预测所得的误差的均值
作为性能指标，其中
和
可由下式表示：
其中，
代表实际风能值，代表预测风能值，
越小，说明模型预测精度更高，然后将三个参数进行区间搜索，得到最优的结果，即最佳参数惩罚系数
、不敏感损失参数
及核函数中的宽度参数。
7.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的利用产生的回归向量机模型进行验证，首先取最佳参数惩罚系数
、不敏感损失参数
及核函数中的宽度参数
的值，将验证数据带入回归向量机模型，得到预测值。
8.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的判定精度是否达标，即误差是否小于给定的阈值，如果精度达标，将数据转化为原始数据，添加任一预测参数P之后，测试模型的预测精度，如果添加参数P之后精度提高那么说明该参数对预测有帮助，需将其添加到模型之中，然后将参数数据转化为原始数据。
9.根据权利要求2所述的一种任意输入参数的风能预测方法，其特征在于：所述的判定精度如果不达标，则重新回到初始位置，添加任一预测参数P之后，测试模型的预测精度，如果添加参数P之后预测精度下降，说明该参数为冗余参数，不能将其添加到模型之中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410022977.3A CN103714400A (zh) | 2014-01-20 | 2014-01-20 | 一种任意输入参数的风能预测系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410022977.3A CN103714400A (zh) | 2014-01-20 | 2014-01-20 | 一种任意输入参数的风能预测系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103714400A true CN103714400A (zh) | 2014-04-09 |
Family
ID=50407354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410022977.3A Pending CN103714400A (zh) | 2014-01-20 | 2014-01-20 | 一种任意输入参数的风能预测系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103714400A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407456A (zh) * | 2016-09-30 | 2017-02-15 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、系统 |
| CN106909984A (zh) * | 2017-01-11 | 2017-06-30 | 北京众荟信息技术股份有限公司 | 一种综合性时间序列预测方法及系统 |
| CN108228537A (zh) * | 2017-09-26 | 2018-06-29 | 武汉工程大学 | 一种智能室内设计用水平测量仪 |
| US10443577B2 (en) | 2015-07-17 | 2019-10-15 | General Electric Company | Systems and methods for improved wind power generation |
| CN113988489A (zh) * | 2021-12-27 | 2022-01-28 | 国网浙江省电力有限公司信息通信分公司 | 电碳因子的预测评估方法、装置及可读存储介质 |
| CN114611812A (zh) * | 2022-03-21 | 2022-06-10 | 澜途集思生态科技集团有限公司 | 一种基于流体动力学的风能资源预测系统与方法 |
-
2014
- 2014-01-20 CN CN201410022977.3A patent/CN103714400A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10443577B2 (en) | 2015-07-17 | 2019-10-15 | General Electric Company | Systems and methods for improved wind power generation |
| CN106407456A (zh) * | 2016-09-30 | 2017-02-15 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、系统 |
| CN106407456B (zh) * | 2016-09-30 | 2019-07-09 | 深圳市华傲数据技术有限公司 | 气象信息的处理及展示方法、系统 |
| CN106909984A (zh) * | 2017-01-11 | 2017-06-30 | 北京众荟信息技术股份有限公司 | 一种综合性时间序列预测方法及系统 |
| CN106909984B (zh) * | 2017-01-11 | 2020-04-03 | 北京众荟信息技术股份有限公司 | 一种综合性时间序列预测方法及系统 |
| CN108228537A (zh) * | 2017-09-26 | 2018-06-29 | 武汉工程大学 | 一种智能室内设计用水平测量仪 |
| CN113988489A (zh) * | 2021-12-27 | 2022-01-28 | 国网浙江省电力有限公司信息通信分公司 | 电碳因子的预测评估方法、装置及可读存储介质 |
| CN114611812A (zh) * | 2022-03-21 | 2022-06-10 | 澜途集思生态科技集团有限公司 | 一种基于流体动力学的风能资源预测系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103714400A (zh) | 一种任意输入参数的风能预测系统和方法 | |
| CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
| CN114004139B (zh) | 一种光伏发电功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN110363354B (zh) | 风场风功率预测方法、电子装置及存储介质 | |
| CN105809349B (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
| CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
| CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN111600300B (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
| CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
| CN113761023A (zh) | 一种基于改进广义神经网络的光伏发电短期功率预测方法 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| Guo et al. | A new approach for interval forecasting of photovoltaic power based on generalized weather classification | |
| CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
| CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
| CN110969296B (zh) | 电采暖负荷预测方法、装置和终端设备 | |
| CN104834981A (zh) | 短期电站光伏功率的主因隐含型预测方法 | |
| CN117952240A (zh) | 一种光伏发电量预测方法及装置 | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
| CN108923413A (zh) | 基于支持向量机的电压质量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140409 |