CN104484704A - 一种基于bp神经网络的风电场理论功率确定方法 - Google Patents
一种基于bp神经网络的风电场理论功率确定方法 Download PDFInfo
- Publication number
- CN104484704A CN104484704A CN201410808228.3A CN201410808228A CN104484704A CN 104484704 A CN104484704 A CN 104484704A CN 201410808228 A CN201410808228 A CN 201410808228A CN 104484704 A CN104484704 A CN 104484704A
- Authority
- CN
- China
- Prior art keywords
- partiald
- neural network
- layer node
- centerdot
- output
- 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
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
- 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
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于BP神经网络的风电场理论功率确定方法,包括以下步骤:历史气象要素数据与风电场发电功率数据的预处理;建立BP神经网络的数学模型;确定风电场理论功率。本发明提供的基于BP神经网络的风电场理论功率确定方法,考虑到气象要素,能大幅降低风电场的运维成本,也可避免流场计算过程中由于距离过长、参数或方法选择不当引入的误差。
Description
技术领域
本发明属于风力发电技术领域,具体涉及一种基于BP神经网络的风电场理论功率确定方法。
背景技术
随着风电的快速发展,由于消纳能力有限造成的弃风现象频现,同时也存在由于故障停机等原因造成的电量损失,如何科学评估这些电量损失及其成因已经越来越受到业内的广泛关注。要评估电量损失,首先需要对风电场的理论功率进行评估,该能力也称“理论功率”。
在实际生产中,风电场向调度上报的电量损失,有的用装机容量作为理论功率,有的采用计算时段起、止时刻功率的平均值作为理论功率,有的用预测功率作为理论功率,这些方法由于缺乏理论基础或误差过大,不宜作为评估风电场发电能力的依据。近几年,出现了一些针对弃风电量评估风电场理论功率的方法,如标杆风机法,即在弃风时段保留几台风机正常运行,根据这几台风机的实际功率推算整个风电场的理论功率。由于风机出力受到地表状况、风向、风机尾流等因素的影响,不同风机的出力并非简单的线性关系,且实时发生着变化,因而标杆风机法存在过度简化的问题,特别是在风电场地形等条件较为复杂的情况下,容易带来较大的计算误差。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于BP神经网络的风电场理论功率确定方法,考虑到气象要素,能大幅降低风电场的运维成本,也可避免流场计算过程中由于距离过长、参数或方法选择不当引入的误差。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种基于BP神经网络的风电场理论功率确定方法,所述方法包括以下步骤:
步骤1:历史气象要素数据与风电场发电功率数据的预处理;
步骤2:建立BP神经网络的数学模型;
步骤3:确定风电场理论功率。
所述步骤1具体包括以下步骤:
步骤1-1:删除历史气象要素数据中的异常数据,异常数据包括超过风速阈值的风速数据;
步骤1-2:删除风电场发电功率数据中的以下两种数据:
1)风速数据正常,且连续3小时以上为0的数据;
2)风速数据正常,且连续3小时以上保持不变的数据。
所述步骤2中,BP神经网络包括输入层、隐含层和输出层;步骤2具体包括以下步骤:
步骤2-1:建立BP神经网络的数学模型;
步骤2-2:确定隐含层各节点的输出和输出层各节点的输出;
步骤2-3:进行权值学习,若训练次数达到设定次数,则训练结束。
所述步骤2-1中,BP神经网络的数学模型表示为:
其中,x为训练样本,为BP神经网络的实际输出,yk(t)为BP神经网络的期望输出,wij为输入层节点i到隐含层节点j的权值,vjk为隐含层节点j到输出层节点k的权值,θj为隐含层节点j的阈值,γk为输出层节点k的阈值,p为隐含层节点个数,m为输入层节点的个数,N1为输出层节点的个数,f(x)为激活函数,R为实数,j∈[1,p],i∈[1,m],k∈[1,N1]。
所述步骤2-2中,实现全局误差函数E在曲面上按梯度下降,有:
其中,Ek为输出层节点k的全局误差函数值;
按梯度下降规则,有:
其中,bj为隐含层节点j的输出;sj为输出层节点k的输出;η为学习率,且0<η<1;Δvjk为隐含层节点j到输出层节点k的权值变化率;Δwij为输入层节点i到隐含层节点j的权值变化率;Δθj为隐含层节点j的阈值变化率,Δγk为输出层节点k的阈值变化率。
所述步骤2-3中,权值学习过程中,有:
其中,l为训练次数;wij(l)和wij(l+1)分别为l次训练和l+1次训练中输入层节点i到隐含层节点j的权值;vjk(l)和vjk(l+1)分别为l次训练和l+1次训练中隐含层节点j到输出层节点k的权值;θj(l)和θj(l+1)分别为l次训练和l+1次训练中隐含层节点j的阈值;γk(l)和γk(l+1)分别为l次训练和l+1次训练中输出层节点k的阈值;
权值学习后,分别由wij、vjk、θj和γk即可得到输入层到隐含层的权值矩阵W、隐含层到输出层的权值矩阵V、隐含层节点的阈值矩阵Φ和输出层节点的阈值矩阵Υ。
所述步骤3中,风电场理论功率表示为:
Y=V·f(W·X+Φ)+Υ
其中,X为实时气象要素数据,Y为风电场理论功率。
与现有技术相比,本发明的有益效果在于:
本发明提供的基于BP神经网络的风电场理论功率确定方法,通过建立BP神经网络的数学模型,考虑到气象要素,能大幅降低风电场的运维成本,也可避免流场计算过程中由于距离过长、参数或方法选择不当引入的误差。
附图说明
图1是本发明实施例中基于BP神经网络的风电场理论功率确定方法流程图;
图2是本发明实施例中BP神经网络结构示意图;
图3是本发明实施例中BP神经网络的数学模型的建模流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1,本发明提供一种基于BP神经网络的风电场理论功率确定方法,所述方法包括以下步骤:
步骤1:历史气象要素数据与风电场发电功率数据的预处理;
步骤2:建立BP神经网络的数学模型;
步骤3:确定风电场理论功率。
所述步骤1具体包括以下步骤:
步骤1-1:删除历史气象要素数据中的异常数据,异常数据包括超过风速阈值的风速数据;
步骤1-2:删除风电场发电功率数据中的以下两种数据:
1)风速数据正常,且连续3小时以上为0的数据;
2)风速数据正常,且连续3小时以上保持不变的数据。
(如图2)BP神经网络包括输入层、隐含层和输出层;BP神经网络(Back PropagationNeural Network)是指基于误差反向传播算法的多层前向神经网络,采用有导师的训练方式。BP网络除输入输出节点外,还有一层或多层隐含节点,同层节点中没有任何连接。输入信号从输入节点一次传过各隐含节点,然后传到输出层节点,每层节点的输出只影响下一层节点的输出。
如图3,步骤2具体包括以下步骤:
步骤2-1:建立BP神经网络的数学模型;
步骤2-2:确定隐含层各节点的输出和输出层各节点的输出;
步骤2-3:进行权值学习,若训练次数达到设定次数,则训练结束。
所述步骤2-1中,BP神经网络的数学模型表示为:
其中,x为训练样本,为BP神经网络的实际输出,yk(t)为BP神经网络的期望输出,wij为输入层节点i到隐含层节点j的权值,vjk为隐含层节点j到输出层节点k的权值,θj为隐含层节点j的阈值,γk为输出层节点k的阈值,p为隐含层节点个数,m为输入层节点的个数,N1为输出层节点的个数,f(x)为激活函数,R为实数,j∈[1,p],i∈[1,m],k∈[1,N1]。
所述步骤2-2中,实现全局误差函数E在曲面上按梯度下降,有:
其中,Ek为输出层节点k的全局误差函数值;
按梯度下降规则,有:
其中,bj为隐含层节点j的输出;sj为输出层节点k的输出;η为学习率,且0<η<1;Δvjk为隐含层节点j到输出层节点k的权值变化率;Δwij为输入层节点i到隐含层节点j的权值变化率;Δθj为隐含层节点j的阈值变化率,Δγk为输出层节点k的阈值变化率。
所述步骤2-3中,权值学习过程中,有:
其中,l为训练次数;wij(l)和wij(l+1)分别为l次训练和l+1次训练中输入层节点i到隐含层节点j的权值;vjk(l)和vjk(l+1)分别为l次训练和l+1次训练中隐含层节点j到输出层节点k的权值;θj(l)和θj(l+1)分别为l次训练和l+1次训练中隐含层节点j的阈值;γk(l)和γk(l+1)分别为l次训练和l+1次训练中输出层节点k的阈值;
为计算风电场理论功率,选取风电场正常运行时段,提取这些时段内的气象要素数据及风电场实发功率。以此数据为输入数据,基于BP网络,建立BP神经网络的数学模型。从物理意义方面考虑,风速、风向、气温、气压、湿度等气象要素数据都是预测模型的必要输入。
权值学习后,分别由wij、vjk、θj和γk即可得到输入层到隐含层的权值矩阵W、隐含层到输出层的权值矩阵V、隐含层节点的阈值矩阵Φ和输出层节点的阈值矩阵Υ。
在风电机组非正常运行时段,将实时气象要素数据输入到此前建立的统计模型,可以输出该时段风电场的应有输出功率,也称风电场理论功率。于是步骤3中,风电场理论功率表示为:
Y=V·f(W·X+Φ)+Υ
其中,X为实时气象要素数据,Y为风电场理论功率。
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,所属领域的普通技术人员参照上述实施例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,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (7)
1.一种基于BP神经网络的风电场理论功率确定方法,其特征在于:所述方法包括以下步骤:
步骤1:历史气象要素数据与风电场发电功率数据的预处理;
步骤2:建立BP神经网络的数学模型;
步骤3:确定风电场理论功率。
2.根据权利要求1所述的基于BP神经网络的风电场理论功率确定方法,其特征在于:所述步骤1具体包括以下步骤:
步骤1-1:删除历史气象要素数据中的异常数据,异常数据包括超过风速阈值的风速数据;
步骤1-2:删除风电场发电功率数据中的以下两种数据:
1)风速数据正常,且连续3小时以上为0的数据;
2)风速数据正常,且连续3小时以上保持不变的数据。
3.根据权利要求1所述的基于BP神经网络的风电场理论功率确定方法,其特征在于:所述步骤2中,BP神经网络包括输入层、隐含层和输出层;步骤2具体包括以下步骤:
步骤2-1:建立BP神经网络的数学模型;
步骤2-2:确定隐含层各节点的输出和输出层各节点的输出;
步骤2-3:进行权值学习,若训练次数达到设定次数,则训练结束。
4.根据权利要求3所述的基于BP神经网络的风电场理论功率确定方法,其特征在于:所述步骤2-1中,BP神经网络的数学模型表示为:
其中,x为训练样本,为BP神经网络的实际输出,yk(t)为BP神经网络的期望输出,wij为输入层节点i到隐含层节点j的权值,vjk为隐含层节点j到输出层节点k的权值,θj为隐含层节点j的阈值,γk为输出层节点k的阈值,p为隐含层节点个数,m为输入层节点的个数,N1为输出层节点的个数,f(x)为激活函数,R为实数,j∈[1,p],i∈[1,m],k∈[1,N1]。
5.根据权利要求3所述的基于BP神经网络的风电场理论功率确定方法,其特征在于:所述步骤2-2中,实现全局误差函数E在曲面上按梯度下降,有:
其中,Ek为输出层节点k的全局误差函数值;
按梯度下降规则,有:
其中,bj为隐含层节点j的输出;sj为输出层节点k的输出;η为学习率,且0<η<1;Δvjk为隐含层节点j到输出层节点k的权值变化率;Δwij为输入层节点i到隐含层节点j的权值变化率;Δθj为隐含层节点j的阈值变化率,Δγk为输出层节点k的阈值变化率。
6.根据权利要求3所述的基于BP神经网络的风电场理论功率确定方法,其特征在于:所述步骤2-3中,权值学习过程中,有:
其中,l为训练次数;wij(l)和wij(l+1)分别为l次训练和l+1次训练中输入层节点i到隐含层节点j的权值;vjk(l)和vjk(l+1)分别为l次训练和l+1次训练中隐含层节点j到输出层节点k的权值;θj(l)和θj(l+1)分别为l次训练和l+1次训练中隐含层节点j的阈值;γk(l)和γk(l+1)分别为l次训练和l+1次训练中输出层节点k的阈值;
权值学习后,分别由wij、vjk、θj和γk即可得到输入层到隐含层的权值矩阵W、隐含层到输出层的权值矩阵V、隐含层节点的阈值矩阵Φ和输出层节点的阈值矩阵Υ。
7.根据权利要求1所述的基于BP神经网络的风电场理论功率确定方法,其特征在于:所述步骤3中,风电场理论功率表示为:
Y=V·f(W·X+Φ)+Υ
其中,X为实时气象要素数据,Y为风电场理论功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808228.3A CN104484704A (zh) | 2014-12-22 | 2014-12-22 | 一种基于bp神经网络的风电场理论功率确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410808228.3A CN104484704A (zh) | 2014-12-22 | 2014-12-22 | 一种基于bp神经网络的风电场理论功率确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104484704A true CN104484704A (zh) | 2015-04-01 |
Family
ID=52759245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410808228.3A Pending CN104484704A (zh) | 2014-12-22 | 2014-12-22 | 一种基于bp神经网络的风电场理论功率确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484704A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160060A (zh) * | 2015-07-17 | 2015-12-16 | 中国电力科学研究院 | 一种基于实际功率曲线拟合的风电场理论功率确定方法 |
CN105205564A (zh) * | 2015-09-29 | 2015-12-30 | 沈阳工程学院 | 基于测风塔神经网络的风电场弃风电量统计系统及方法 |
CN106707166A (zh) * | 2017-01-05 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种风电场出力特性评估方法 |
CN111950780A (zh) * | 2020-07-31 | 2020-11-17 | 许继集团有限公司 | 一种风电场短期功率预测方法 |
CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5673366A (en) * | 1996-01-05 | 1997-09-30 | Maynard; Nelson C. | System and method for geomagnetic and ionospheric forecasting |
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
CN103366225A (zh) * | 2013-07-15 | 2013-10-23 | 清华大学 | 风功率预测误差识别方法 |
-
2014
- 2014-12-22 CN CN201410808228.3A patent/CN104484704A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5673366A (en) * | 1996-01-05 | 1997-09-30 | Maynard; Nelson C. | System and method for geomagnetic and ionospheric forecasting |
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
CN103366225A (zh) * | 2013-07-15 | 2013-10-23 | 清华大学 | 风功率预测误差识别方法 |
Non-Patent Citations (1)
Title |
---|
陈新娜: "基于时间序列的超短期功率预测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160060A (zh) * | 2015-07-17 | 2015-12-16 | 中国电力科学研究院 | 一种基于实际功率曲线拟合的风电场理论功率确定方法 |
CN105160060B (zh) * | 2015-07-17 | 2019-02-05 | 中国电力科学研究院 | 一种基于实际功率曲线拟合的风电场理论功率确定方法 |
CN105205564A (zh) * | 2015-09-29 | 2015-12-30 | 沈阳工程学院 | 基于测风塔神经网络的风电场弃风电量统计系统及方法 |
CN106707166A (zh) * | 2017-01-05 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种风电场出力特性评估方法 |
CN106707166B (zh) * | 2017-01-05 | 2019-08-06 | 云南电网有限责任公司电力科学研究院 | 一种风电场出力特性评估方法 |
CN111950780A (zh) * | 2020-07-31 | 2020-11-17 | 许继集团有限公司 | 一种风电场短期功率预测方法 |
CN115204058A (zh) * | 2022-08-02 | 2022-10-18 | 南方海洋科学与工程广东省实验室(珠海) | 基于bp神经网络的地波雷达流场计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ciulla et al. | Modelling and analysis of real-world wind turbine power curves: Assessing deviations from nominal curve by neural networks | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
Gebraad et al. | A data-driven model for wind plant power optimization by yaw control | |
CN104484704A (zh) | 一种基于bp神经网络的风电场理论功率确定方法 | |
CN105160060B (zh) | 一种基于实际功率曲线拟合的风电场理论功率确定方法 | |
CN103020462B (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
CN103198235B (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
CN103942608B (zh) | 一种基于尾流模型的风电场优化调度方法 | |
CN103745024B (zh) | 基于三维尾流模型修正风电机组尾部风速功率特性评估法 | |
CN104699936A (zh) | 基于cfd短期风速预测风电场的扇区管理方法 | |
CN109522599A (zh) | 一种台风导致的输电线路突发故障预警方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN101949363A (zh) | 计及风电场输入风速和风向随机波动的风电机组分组方法 | |
CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN102542133A (zh) | 风电场短时风速预测方法及系统 | |
CN102831475B (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN102749471B (zh) | 一种短期风速、风电功率预测方法 | |
CN105117788A (zh) | 一种风力发电功率预测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN103617308A (zh) | 一种风电场频域等效模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150401 |
|
RJ01 | Rejection of invention patent application after publication |