CN105184411B - 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 - Google Patents
一种基于最大Lyapunov指数-校正的风电功率实时预测方法 Download PDFInfo
- Publication number
- CN105184411B CN105184411B CN201510599502.5A CN201510599502A CN105184411B CN 105184411 B CN105184411 B CN 105184411B CN 201510599502 A CN201510599502 A CN 201510599502A CN 105184411 B CN105184411 B CN 105184411B
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- time
- lyapunov
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 title claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012797 qualification Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 241000282461 Canis lupus Species 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000005096 rolling process Methods 0.000 abstract description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种基于最大Lyapunov指数‑校正的风电功率实时预测方法(C_MLF),其特点是:该预测模型将Lyapunov指数预测模型的一步预测值作为真实值加入到原序列中,对新构成的时间序列进行相空间重构和预测,从而实现了多步预测,并且依据风电功率的物理实际对Lyapunov指数的预测值进行了校正;该方法直接依据时间序列的本身的客观规律进行建模,避免了人为主观性。C_MLF预测模型以混沌理论为基础,是一种更符合现实世界的非线性建模方法,适于应用在利用历史数据来对未来数据进行预测的风电功率短期预测领域,因此在进行风电功率实时多步滚动预测时能够得到较高的预测精度。
Description
技术领域
本发明涉及风电技术领域,是一种基于最大Lyapunov指数-校正的风电功率实时预测方法。
背景技术
近十几年,我国风能的开发利用处于快速发展阶段,风电装机容量以及风电并网情况增长较快,根据中国风能协会统计,截止2014年底新增风电装机容量为2335.05万千瓦,累计装机容量为1.15亿千瓦,目前已经规划了八个千万千瓦级风电基地。由于自然界中近地风的间歇特性,风电功率具有随机性、波动性,风电并网后,风电功率的波动会影响电力系统安全运行、合理调度等方面,准确的风电功率预测对风能大规模的开发利用有重要意义。
近年来,国内外学者对风电功率预测做了大量的工作,目前常用的预测方法有持续法、时间序列法、人工神经网络方法和支持向量机等。但这些方法都是根据风电功率序列的主观模型进行预测的,带有人为主观性;而基于混沌理论的预测则直接依据时间序列的本身的客观规律进行建模,是一种更符合现实世界的非线性建模方法。
实时预测是指自上报时刻起未来15分至4小时的预测预报,时间分辨率为15分钟,可见对于风电功率实时预测,每天需要进行96次预测,每次预报的数据量为16个。该发明主要针对的就是多步滚动预测模式下的实时预测。
发明内容
本发明的目的是,提供一种直接依据时间序列的本身的客观规律进行建模、满足实时预测精度要求的基于最大Lyapunov指数-校正的风电功率实时预测方法。
本发明的目的是由以下技术方案来实现的:一种基于最大Lyapunov指数-校正的风电功率实时预测方法,其特征是,它包括以下步骤:
(1)数据采集及处理
采集风电场实际风电功率数据,采样时间间隔为15min;
(2)建模预测时间序列重构
设时间序列为{xi,i=1,2,…n},其嵌入维为m延迟时间为τ,则时间序列的m维相量为:
Xi=[xi xi+τ…xi+(m-1)τ] (1)
i=1,2,…,M,M=n-(m-1)τ;
(3)Lyapunov指数预测模型
假设风电功率时间序列{xi,i=1,2,…n}相空间重构后的相点如公式(1),若XK为参考点XM的最邻近点,XM+T为XM演化T步后的预报点,XK+T为XK演化T步后的相点,则根据最大Lyapunov指数的物理意义有:
其中,λmax为最大Lyapunov指数,
当T≤τ时,基于最大Lyapunov指数的超前T步预测值为:
其中,公式(3)中正负号的选择依据是:相点间夹角的大小。具体规则如下:
假设空间中两个矢量为
Y={y1,y2,…,yn},Z={z1,z2,…,zn}
则它们之间的夹角为
把取“+”时的预测值计为取“-”时的预测值计为并分别计算与XM的空间矢量角θ+、θ-,如果θ+>θ-,则公式(3)取“+”;反之,取“-”;
(4)基于Lyapunov指数的多步预测模型
基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting,MLF)是以公式(3)为基础,其基本思想是:通过实时重构相空间实现多步预测,即:将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中,构成新的时间序列,对新得到的时间序列再次进行相空间重构、预测,如果时间序列为{x1,x2,…,xn},则其算法步骤描述如下:
S1:采用C-C算法计算时间序列的嵌入维数m和延迟时间τ,相空间重构;
S2:采用Wolf算法计算时间序列的最大Lyapunov指数;
S3:由公式(3)进行一步预测,即:T=1得到预测值将加入的原序列中,构成的新序列计为{x1,x2,…,xn,xn+1,…,xn+k};
S4:判断k是否等于kmax(kmax为多步预测模型MLF的最大预测步数):若果k<kmax,则转到S1;否则,停止;
(5)基于Lyapunov指数的风电功率实时预测模型
针对特定的研究对象——风电功率,依据风电功率的物理实际,即:风电场装机容量和风电功率波动,提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting,C_MLF)模型,即,对公式(3)中的预测值做如下修正:
其中,Cap为额定装机容量,
其中,Δx为{x1,x2,…,xn,xn+1,…,xn+T-1}一阶差分取绝对值后的0.95分位数,即
ρ(|xi+1-xi|≤Δx)=0.95i=1,2,…,n+T-1;
(6)预测精度评价
预测精度评价采用中华人民共和国能源局在对现行风电场风电功率实时预测预报的管理规定中,提出的指标来进行误差评价,从而实现对预测结果的评价,指标具体计算式如下:
日平均绝对误差:
日均方误差:
日平均准确率:
日平均合格率:
式中为第i次实时预测中第k时刻的预测值,Pi,k为第i次实时预测中第k时刻的实测值,Cap为开机容量,当日平均绝对误差eMAE和均方误差eMSE越小,准确率r1和合格率r2越大时,预测精度越高。
本发明提出的一种基于最大Lyapunov指数-校正的风电功率实时预测方法的优点体现在:
1.由于将Lyapunov指数预测模型的一步预测值作为真实值加入到原序列中,对新构成的时间序列进行相空间重构和预测,从而实现了多步预测,并且依据风电功率的物理实际对Lyapunov指数的预测值进行了校正;
2.由于直接依据时间序列的本身的客观规律进行建模,避免了任务主观性,是一种更符合现实世界的非线性建模方法;
3.预测精度符合中华人民共和国能源局对风电功率实时预测精度的要求;
4.适于应用在利用历史数据来对未来数据进行预测的风电功率短期预测领域。
附图说明
图1为风电功率实时预测算法流程图;
图2为本发明的预测方法下向阳风电场风电功率预测曲线与实际的向阳风电场输出功率曲线和其他预测方法下的预测曲线对比图。
图2中:纵坐标为输出功率值,横坐标表示时间,其中每一个刻度表示15分钟。
具体实施方式
下面利用附图和实施例对本发明的一种基于最大Lyapunov指数-校正的风电功率实时预测方法进行详细说明。
参照图1,本发明的一种基于最大Lyapunov指数-校正的风电功率实时预测方法,包括以下步骤:
(1)数据采集及处理
采集向阳风电场2012年8月1日至8月30日,数据采样间隔为15min的整场277台机组总的风电功率;
(2)建模预测时间序列重构
设时间序列为{xi,i=1,2,…n},其嵌入维为m延迟时间为τ,则时间序列的m维相量为:
Xi=[xi xi+τ…xi+(m-1)τ] (1)
i=1,2,…,M,M=n-(m-1)τ;
(3)Lyapunov指数预测模型
假设风电功率时间序列{xi,i=1,2,…n}相空间重构后的相点如公式(1),若XK为参考点XM的最邻近点,XM+T为XM演化T步后的预报点,XK+T为XK演化T步后的相点,则根据最大Lyapunov指数的物理意义有:
其中,λmax为最大Lyapunov指数。
当T≤τ时,基于最大Lyapunov指数的超前T步预测值为:
其中,公式(3)中正负号的选择依据是:相点间夹角的大小,具体规则如下:
假设空间中两个矢量为
Y={y1,y2,…,yn},Z={z1,z2,…,zn}
则它们之间的夹角为
(4)基于Lyapunov指数的多步预测模型
基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting,MLF)是以公式(3)为基础,其基本思想是:通过实时重构相空间实现多步预测,即:将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中,构成新的时间序列,对新得到的时间序列再次进行相空间重构、预测,如果时间序列为{x1,x2,…,xn},则其算法步骤描述如下:
S1:采用C-C算法计算时间序列的嵌入维数m和延迟时间τ,相空间重构;
S2:采用Wolf算法计算时间序列的最大Lyapunov指数;
S3:由公式(3)进行一步预测,即,T=1得到预测值将加入的原序列中,构成的新序列计为{x1,x2,…,xn,xn+1,…,xn+k};
S4:判断k是否等于kmax(kmax为多步预测模型MLF的最大预测步数):若果k<kmax,则转到S1;否则,停止;
(5)基于Lyapunov指数的风电功率实时预测模型
针对特定的研究对象——风电功率,依据风电功率的物理实际,即:风电场装机容量和风电功率波动,提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting,C_MLF)模型,即,对公式(3)中的预测值做如下修正:
其中,Cap为额定装机容量。
其中,Δx为{x1,x2,…,xn,xn+1,…,xn+T-1}一阶差分取绝对值后的0.95分位数,即
ρ(|xi+1-xi|≤Δx)=0.95i=1,2,…,n+T-1
(6)预测精度评价
预测精度评价采用中华人民共和国能源局在对现行风电场风电功率实时预测预报的管理规定中,提出的指标来进行误差评价,从而实现对预测结果的评价。
表1为以8月24日到28日为例,整场277台机组风电功率在各预测方法下,依据具体实施方案进行预测时的预测精度评价指标统计表。
表1 预测结果统计量
中华人民共和国国家能源局于2011年发布的《风电场功率预测预报管理暂行办法》中对风电功率实时预测要求为全天预测结果均方根误差应小于20%,由表1知,通过C_MLF模型来进行预测时,其准确率、合格率均较高,全天预测结果均方根误差也均低于20%,符合要求,说明了C_MLF预测模型的有效性。
风电场在8月24日的第94次预测中(全天共预测96次,每次预测16个点),基于C_MLF预测方法下的预测值和真实值对比如图2所示。显而易见,在此次预测中,C_MLF预测模型的预测结果非常接近真实值。
本发明的具体实施方式并非穷举,本领域技术人员不经过创造性劳动的简单复制和改进,应属于本发明权利要求的保护范围。
Claims (1)
1.一种基于最大Lyapunov指数-校正的风电功率实时预测方法,其特征是,它包括以下步骤:
(1)数据采集及处理
采集风电场实际风电功率数据,采样时间间隔为15min;
(2)建模预测时间序列重构
设时间序列为{xi,i=1,2,…n},其嵌入维为m延迟时间为τ,则时间序列的m维相量为:
Xi=[xi xi+τ … xi+(m-1)τ] (1)
i=1,2,…,M,M=n-(m-1)τ;
(3)Lyapunov指数预测模型
假设风电功率时间序列{xi,i=1,2,…n}相空间重构后的相点如公式(1),若XK为参考点XM的最邻近点,XM+T为XM演化T步后的预报点,XK+T为XK演化T步后的相点,则根据最大Lyapunov指数的物理意义有:
其中,λmax为最大Lyapunov指数
当T≤τ时,基于最大Lyapunov指数的超前T步预测值为:
其中,公式(3)中正负号的选择依据是相点间夹角的大小,具体规则如下:
假设空间中两个矢量为
Y={y1,y2,…,yn},Z={z1,z2,…,zn}
则它们之间的夹角为
把取“+”时的预测值计为取“-”时的预测值计为并分别计算与XM的空间矢量角θ+、θ-,如果θ+>θ-,则公式(3)取“+”;反之,取“-”。
(4)基于Lyapunov指数的多步预测模型
基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting,MLF)是以公式(3)为基础,其基本思想是:通过实时重构相空间实现多步预测,即:将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中,构成新的时间序列,对新得到的时间序列再次进行相空间重构、预测,如果时间序列为{x1,x2,…,xn},则其算法步骤描述如下:
S1:采用C-C算法计算时间序列的嵌入维数m和延迟时间τ,相空间重构;
S2:采用Wolf算法计算时间序列的最大Lyapunov指数;
S3:由公式(3)进行一步预测(T=1),得到预测值(k的初始值为1),将预测值加入到原序列中,构成新序列{x1,x2,…,xn,xn+1,…,xn+k};
S4:k=k+1;
S5:判断k是否等于kmax,kmax为多步预测模型MLF的最大预测步数:若果k<kmax,则转到S1;否则,停止;
(5)基于Lyapunov指数的风电功率实时预测模型
针对特定的研究对象——风电功率,依据风电功率的物理实际,即:风电场装机容量和风电功率波动,提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting,C_MLF)模型,即,对公式(3)中的预测值做如下修正:
1)
其中,Cap为额定装机容量,
2)
其中,Δx为{x1,x2,…,xn,xn+1,...,xn+T-1}一阶差分取绝对值后的0.95分位数,即
ρ(|xi+1-xi|≤Δx)=0.95i=1,2,…,n+T-1;
(6)预测精度评价
预测精度评价采用中华人民共和国能源局在对现行风电场风电功率实时预测预报的管理规定中,提出的指标来进行误差评价,从而实现对预测结果的评价,指标具体计算式如下:
日平均绝对误差:
日均方误差:
日平均准确率:
日平均合格率:
式中为第i次实时预测中第k时刻的预测值,Pi,k为第i次实时预测中第k时刻的实测值,Cap为开机容量,当日平均绝对误差eMAE和均方误差eMSE越小,准确率r1和合格率r2越大时,预测精度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510599502.5A CN105184411B (zh) | 2015-09-19 | 2015-09-19 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510599502.5A CN105184411B (zh) | 2015-09-19 | 2015-09-19 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184411A CN105184411A (zh) | 2015-12-23 |
CN105184411B true CN105184411B (zh) | 2018-06-19 |
Family
ID=54906474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510599502.5A Active CN105184411B (zh) | 2015-09-19 | 2015-09-19 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184411B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242167B (zh) * | 2018-08-27 | 2021-06-11 | 杭州电子科技大学 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
CN110363338B (zh) * | 2019-06-29 | 2022-07-26 | 东北电力大学 | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 |
CN104102832A (zh) * | 2014-07-09 | 2014-10-15 | 东北电力大学 | 一种基于混沌时间序列的风电功率超短期预测方法 |
CN104834816A (zh) * | 2015-05-08 | 2015-08-12 | 重庆科创职业学院 | 一种短期风速预测方法 |
-
2015
- 2015-09-19 CN CN201510599502.5A patent/CN105184411B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 |
CN104102832A (zh) * | 2014-07-09 | 2014-10-15 | 东北电力大学 | 一种基于混沌时间序列的风电功率超短期预测方法 |
CN104834816A (zh) * | 2015-05-08 | 2015-08-12 | 重庆科创职业学院 | 一种短期风速预测方法 |
Non-Patent Citations (1)
Title |
---|
"风电功率时间序列混沌特性分析及预测模型研究";张学清 等;《物理学报》;20120816;第61卷(第19期);1-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184411A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN103268524B (zh) | 一种提高电网短期负荷预测准确度的方法 | |
CN105429129B (zh) | 一种考虑网络约束的间歇性能源发电容量置信度评估方法 | |
CN115693757A (zh) | 一种基于数字孪生技术的光伏能源优化调控方法 | |
CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
CN102521080B (zh) | 一种电力用户用电信息采集系统的计算机数据修复方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN102664409A (zh) | 一种基于实测数据风电场风电功率实时预测的计算方法 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN104300532A (zh) | 一种基于矩阵因子的电压暂降评估流程 | |
CN103984988B (zh) | 测光网络实时校正arma模型光伏功率超短期预测方法 | |
CN105184411B (zh) | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN103984987B (zh) | 一种测风网络实时校正的arma模型风电功率超短期预测方法 | |
CN107221933B (zh) | 一种概率潮流计算方法 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN103632314A (zh) | 基于概率统计的广义节点特征建模方法 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN104201712B (zh) | 一种基于空间平均风速的风电功率实时预测计算方法 | |
Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
CN103927594A (zh) | 基于自学习复合数据源自回归模型的风电功率预测方法 | |
Gong et al. | A new solution for stochastic optimal power flow: combining limit relaxation with iterative learning control | |
CN114757548A (zh) | 一种采用场景构建的风电储能设备调节性能评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |