CN104850914B - 一种基于特征建模的新能源发电量预测方法 - Google Patents
一种基于特征建模的新能源发电量预测方法 Download PDFInfo
- Publication number
- CN104850914B CN104850914B CN201510287857.0A CN201510287857A CN104850914B CN 104850914 B CN104850914 B CN 104850914B CN 201510287857 A CN201510287857 A CN 201510287857A CN 104850914 B CN104850914 B CN 104850914B
- Authority
- CN
- China
- Prior art keywords
- electricity
- generation
- new energy
- energy amount
- historical values
- 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.)
- Active
Links
Abstract
本发明公开了一种基于特征建模的新能源发电量预测方法,包括如下步骤:积累新能源发电量数值、发电影响因素历史数值;初始化特征建模模型参数;将积累数值转化为特征向量,并作为输入用于特征模型处理系统中;经过处理得到发电量的预测值。新能源发电受环境干扰难以精确数学建模,准确预测其发电量存在较大难度。本发明所述方法无需精确建模,利用特征建模对数据信息的压缩,通过最小二乘法计算出特征模型中各个特征项系数,由历史数据的拟合情况自动选取合适的特征模型,最终预测发电量。本发明有效地提高了实时负荷预测精度,计算复杂度较低,具有较高的使用价值。
Description
技术领域
本发明涉及一种新能源发电量的预测方法。
背景技术
传统的发电厂以化石燃料燃烧产生动力推动发电机生产电能,然而随着现代工业的发展,全球能源危机以及环境污染问题日益突出:传统的燃料能源正快速减少,而全球电力需求却与日俱增;燃料能源的使用对环境造成的危害却日益突出,造成严重的大气、水源及土地污染。在这种情况下,新能源以其储量充足与几乎不造成污染的优势受到诸多关注,新能源发电逐步取代传统能源进行发电将是今后电力工业发展的趋势,可见新能源发电具有良好的发展前景和实用价值。然而,新能源发电由于其自身特点,发电功率受到地理条件、天气等外部环境状态影响较大,发电实时功率波动较大,对电网的稳定运行造成了一定负面影响,因此更加准确快速的对其发电量进行预测将促进新能源发电的发展。
目前电网中采用的新能源发电方式主要有光伏发电和风力发电,这两种发电方式极容易受到环境的影响。比如太阳辐射强度、天气状况直接影响了光伏发电功率,风力发电受到瞬时风速和季风影响较大。而诸如此类的影响不易被统一建模,因而这些新能源发电的发电量难以被准确预测,给新能源发电并网的实现造成了较大的困难。
发明内容
发明目的:针对上述现有技术,提出一种基于特征建模的新能源发电量预测方法,无需建立精确的数学模型即能够获取新能源发电量的预测值。
技术方案:一种基于特征建模的新能源发电量预测方法,包括如下步骤:
步骤1),采集新能源发电量以及环境参数的历史数值,并对所述历史数值进行归一化处理;其中,所述新能源发电量的历史数值归一化为:
所述环境参数的历史数值归一化为:
其中,k表示当前时刻;表示k-i时刻的新能源发电量的历史数值归一化结果;xk-i表示k-i时刻的新能源发电量的历史数值;xmin和xmax分别表示历新能源发电量的历史数值中的最小和最大值;表示第j个环境参数在k-i时刻的历史数值归一化结果;uj,k-i表示第j个环境参数在k-i时刻的历史数值;uj,min和uj,max表示第j个环境参数的历史数值的最小和最大值;
步骤2),根据所述新能源发电量以及环境参数的历史数值归一化结果,将新能源发电量曲线拟合为特征模型,包括如下步骤:
21),建立特征模型为:
其中,fi+1(k)为k时刻新能源发电量加权系数,gj,i+1(k)是k时刻第j个环境参数加权系数;表示当前时刻k的下一时刻预测值的归一化数据;n为特征模型的项数,m为环境参数个数;
22),通过式(4)所示的最小二乘法迭代计算k时刻新能源发电量加权系数fi+1(k)以及k时刻第j个环境参数加权系数:
其中:
其中,λ为遗忘因子;初始计算所述加权系数时n取3;
23),根据所述k时刻新能源发电量加权系数fi+1(k)、k时刻第j个环境参数加权系数以及所述特征模型,计算得到新能源发电量历史数值归一化结果集的归一化后拟合值集合其中,N表示选取的历史数值为N+1个;
24),确定特征模型的项数:根据式(6)计算所述新能源发电量历史数值归一化结果集和归一化后拟合值集合之差的平方和的平均值;
若所述σ2未达到预定精度时,将n值加1并返回重复所述步骤21)至步骤24),直到达到预定精度或在确定次数重复中选取使σ2最小值对应的n作为特征模型的项数;
步骤3),根据步骤2)所确定的特征模型,预测k+1时刻新能源发电量的值为:
其中,即表示k+1时刻新能源发电量的预测值;
步骤4),令k=k+1,重复步骤2)至步骤3)即得到k+2,k+3,...时的发电量预测值。
有益效果:本发明的一种基于特征建模的新能源发电量预测方法,将新能源发电量随时间变化曲线视为某高阶运动系统随时间变化的输出曲线,利用特征建模方法,根据曲线对应的数据变化计算出各特征项对应的系数,再根据确定的系数进一步递推出预测时刻的发电量。在特征模型形式的确定上,采用滑动方式进行,即根据历史数据递推结果的准确率增加特征模型项数。本发明的方法最终提供了一组新能源发电量的预测值。相比于精确建立新能源模型的发电量预测而言无需事先专门建模,可以通过发电和环境因素的历史数据直接进行预测而不需考虑其他复杂计算因子。在处理新能源发电量预测方面适应性强,鲁棒性好,在计算上实行简易,具有很好的实用价值。
附图说明
图1为基于特征建模的新能源发电量预测方法的系统框图;
图2为基于特征建模的新能源发电量预测方法流程图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,一种基于特征建模的新能源发电量预测方法,包括数值处理、参数估计、模型项数选择、历史数值建模、模型输出五个模块,输出得到系能源发电量的预测值。首先,采用多输入单输出方式,积累新能源发电量、发电影响因素的历史数值,将新能源发电量历史数值和影响发电的环境参数组成一个量并归一化后作为输入,构造基于特征建模的发电量预测系统;然后,迭代计算特征项系数,根据迭代过程对历史数值的拟合程度确定特征模型项数;最后,根据确定的特征模型和模型系数计算递推预测新能源发电量。具体如图2所示,包括如下步骤:
步骤1),采集新能源发电量以及环境参数的历史数值,并对采集到的历史数值进行归一化处理,即数值处理。若新能源为光伏电站,其环境参数即为太阳辐射强度、环境温度等;若新能源为风力发电,其环境参数即为风速等。所采集的新能源发电量历史数值为按照时间间隔采集若干历史时间节点的发电量,新能源发电量的历史数值归一化为:
环境参数的历史数值归一化为:
其中,k表示当前时刻;表示k-i时刻的新能源发电量的历史数值归一化结果;xk-i表示k-i时刻的新能源发电量的历史数值;xmin和xmax分别表示历新能源发电量的历史数值中的最小和最大值;表示第j个环境参数在k-i时刻的历史数值归一化结果;uj,k-i表示第j个环境参数在k-i时刻的历史数值;uj,min和uj,max表示第j个环境参数的历史数值的最小和最大值。
步骤2),根据新能源发电量以及环境参数的历史数值归一化结果,将新能源发电量曲线拟合为特征模型,包括如下步骤:
21),将新能源发电量曲线视为高阶线性系统响应曲线,利用特征建模方法将新能源发电量曲线拟合为特征模型形式,特征模型由历史发电量数值加权项和与环境参数历史数值加权和项两大类项组成;建立的特征模型为:
其中,fi+1(k)为k时刻新能源发电量加权系数,gj,i+1(k)是k时刻第j个环境参数加权系数;表示当前时刻k的下一时刻预测值的归一化数据;n为特征模型的项数,历史数值采集数,m为环境参数个数。
22),通过式(4)所示的最小二乘法迭代计算k时刻新能源发电量加权系数fi+1(k)以及k时刻第j个环境参数加权系数:
其中:
其中,λ为遗忘因子;初始计算所述加权系数时n取3;k值自增,初始计算时取1;λ取0.96,P(-1)=106I,I为单位矩阵。迭代计算加权系数直到k=n时,开始第一次计算
23),根据k时刻新能源发电量加权系数fi+1(k)、k时刻第j个环境参数加权系数以及式(3)的特征模型,迭代计算直到当前时刻k的预测值的归一化数据从而得到新能源发电量历史数值归一化结果集的归一化后拟合值集合其中,N表示选取的历史数值为N+1个。
24),确定特征模型的项数:特征模型每一大项中的求和小项的个数根据对历史发电数值拟合准确性决定,根据式(6)计算的新能源发电量历史数值归一化结果集和归一化后拟合值集合之差的平方和的平均值;
若σ2未达到预定精度时,将n值加1并返回重复步骤21)至步骤24),直到达到预定精度或在确定次数重复中选取使σ2最小值对应的n作为特征模型的项数。
步骤3),根据步骤2)所确定的特征模型,预测k+1时刻新能源发电量的值为:
其中,即表示k+1时刻新能源发电量的预测值;
步骤4),令k=k+1,重复步骤2)至步骤3)即得到k+2,k+3,...时的发电量预测值。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于特征建模的新能源发电量预测方法,其特征在于,包括如下步骤:
步骤1),采集新能源发电量以及环境参数的历史数值,并对所述历史数值进行归一化处理;其中,所述新能源发电量的历史数值归一化为:
所述环境参数的历史数值归一化为:
其中,k表示当前时刻;表示k-i时刻的新能源发电量的历史数值归一化结果;xk-i表示k-i时刻的新能源发电量的历史数值;xmin和xmax分别表示历新能源发电量的历史数值中的最小和最大值;表示第j个环境参数在k-i时刻的历史数值归一化结果;uj,k-i表示第j个环境参数在k-i时刻的历史数值;uj,min和uj,max表示第j个环境参数的历史数值的最小和最大值;
步骤2),根据所述新能源发电量以及环境参数的历史数值归一化结果,将新能源发电量曲线拟合为特征模型,包括如下步骤:
21),建立特征模型为:
其中,fi+1(k)为k时刻新能源发电量加权系数,gj,i+1(k)是k时刻第j个环境参数加权系数;表示当前时刻k的下一时刻预测值的归一化数据;n为特征模型的项数,m为环境参数个数;
22),通过式(4)所示的最小二乘法迭代计算k时刻新能源发电量加权系数fi+1(k)以及k时刻第j个环境参数加权系数:
其中:
其中,λ为遗忘因子;初始计算所述加权系数时n取3;
23),根据所述k时刻新能源发电量加权系数fi+1(k)、k时刻第j个环境参数加权系数以及所述特征模型,计算得到新能源发电量历史数值归一化结果集的归一化后拟合值集合其中,N表示选取的历史数值为N+1个;
24),确定特征模型的项数:根据式(6)计算所述新能源发电量历史数值归一化结果集和归一化后拟合值集合之差的平方和的平均值;
若所述σ2未达到预定精度时,将n值加1并返回重复所述步骤21)至步骤24),直到达到预定精度或在确定次数重复中选取使σ2最小值对应的n作为特征模型的项数;
步骤3),根据步骤2)所确定的特征模型,预测k+1时刻新能源发电量的值为:
其中,即表示k+1时刻新能源发电量的预测值;
步骤4),令k=k+1,重复步骤2)至步骤3)即得到k+2,k+3,...时的发电量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510287857.0A CN104850914B (zh) | 2015-05-29 | 2015-05-29 | 一种基于特征建模的新能源发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510287857.0A CN104850914B (zh) | 2015-05-29 | 2015-05-29 | 一种基于特征建模的新能源发电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104850914A CN104850914A (zh) | 2015-08-19 |
CN104850914B true CN104850914B (zh) | 2018-07-17 |
Family
ID=53850546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510287857.0A Active CN104850914B (zh) | 2015-05-29 | 2015-05-29 | 一种基于特征建模的新能源发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850914B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106100582B (zh) * | 2016-07-07 | 2017-12-08 | 国网青海省电力公司 | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 |
CN110646212B (zh) * | 2019-10-23 | 2022-01-25 | 成都飞机工业(集团)有限责任公司 | 一种飞机发动机标定的新方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390902A (zh) * | 2013-06-04 | 2013-11-13 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103390197A (zh) * | 2013-07-04 | 2013-11-13 | 云南电网公司北京能源新技术研究发展中心 | 一种基于时间段聚类的光伏电站功率预测系统 |
CN103473438A (zh) * | 2013-08-15 | 2013-12-25 | 国家电网公司 | 风功率预测模型优选及修正方法 |
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 |
CN103927595A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习复合数据源光伏发电功率超短期预测方法 |
CN104252649A (zh) * | 2014-09-25 | 2014-12-31 | 东南大学 | 一种计及多风电场相关性的区域风电出力预测方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010218394A (ja) * | 2009-03-18 | 2010-09-30 | Fuji Electric Systems Co Ltd | エネルギー需要予測装置 |
JP5871635B2 (ja) * | 2012-01-25 | 2016-03-01 | 富士電機株式会社 | 日射量算出装置、日射量算出装置の制御方法及びプログラム |
-
2015
- 2015-05-29 CN CN201510287857.0A patent/CN104850914B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390902A (zh) * | 2013-06-04 | 2013-11-13 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103390197A (zh) * | 2013-07-04 | 2013-11-13 | 云南电网公司北京能源新技术研究发展中心 | 一种基于时间段聚类的光伏电站功率预测系统 |
CN103473438A (zh) * | 2013-08-15 | 2013-12-25 | 国家电网公司 | 风功率预测模型优选及修正方法 |
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 |
CN103927595A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习复合数据源光伏发电功率超短期预测方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN104252649A (zh) * | 2014-09-25 | 2014-12-31 | 东南大学 | 一种计及多风电场相关性的区域风电出力预测方法 |
CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
Non-Patent Citations (1)
Title |
---|
基于最小二乘支持向量机的非线性广义预测控制;程萍;《万方学术期刊数据库》;20110228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104850914A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
Sawle et al. | PV-wind hybrid system: A review with case study | |
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
Wang et al. | Wind speed forecasting for power system operational planning | |
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN102102626A (zh) | 风电场短期功率预测方法 | |
CN110739726B (zh) | 一种考虑海上风电接入的多类型电源容量长期规划方法 | |
Lu et al. | A hybrid approach for day-ahead forecast of PV power generation | |
CN109802394A (zh) | 一种计及分布式电源与电动汽车接入的概率潮流计算方法 | |
CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
CN104850914B (zh) | 一种基于特征建模的新能源发电量预测方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN112116171A (zh) | 一种新型基于神经网络的光伏发电功率预测方法 | |
Bahij et al. | A review on the prediction of energy consumption in the industry sector based on machine learning approaches | |
CN105930941A (zh) | 一种适用于风电场多变量输入的风能间接预测方法 | |
Li et al. | Wind power forecasting based on time series and neural network | |
Mahmoudi et al. | Short and mid-term wind power plants forecasting with ANN | |
CN115765044A (zh) | 风光水电系统联合运行及风险分析方法和系统 | |
Cheng-Ping et al. | Research on hydrology time series prediction based on grey theory and [epsilon]-support vector regression |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |