CN105590139A - 一种基于方差最小的短期风功率预测方法 - Google Patents
一种基于方差最小的短期风功率预测方法 Download PDFInfo
- Publication number
- CN105590139A CN105590139A CN201510768952.2A CN201510768952A CN105590139A CN 105590139 A CN105590139 A CN 105590139A CN 201510768952 A CN201510768952 A CN 201510768952A CN 105590139 A CN105590139 A CN 105590139A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- data
- prediction model
- model
- 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
Abstract
一种基于方差最小的短期风功率预测方法,包括如下步骤:1)根据历史风功率数据与历史气象数据的对应关系及最新的气象数据,分别用统计预测模型和物理预测模型预测风功率;2)根据风功率预测历史积累误差方差最小时,不同预测模型在风功率组合预测模型中所占的权重,动态调整单一的统计预测模型和物理预测模型所占的权值;所述组合预测模型是指由所述统计预测模型和物理预测模型构成的组合预测模型;3)得到组合预测模型的风功率预测数据;4)获取风电场实时出力数据,计算当前时间点的风功率误差,并根据当前时间点的风功率误差调整所述统计预测模型和物理预测模型所占的权值,更新组合预测模型的风功率预测数据。本发明响应迅速精度高。
Description
技术领域
本发明涉及风功率预测领域,具体涉及一种基于方差最小的短期风功率预测方法。
背景技术
分布式发电在世界各国广泛开展,风力发电由于其无需开采、零排放及取之不尽用之不竭等特点,已成为世界上首选的分布式发电模式。过去的10年内,全球风电装机容量增长迅猛,至2014年,世界风电装机总容量达到369553MW,其中仅2014年全球风电新增装机容量便达到51477MW,实现了44%的年增长。风力发电带来了十分巨大的经济效益,但由于风电输出的随机性和波动性,会对其接入的电力系统造成冲击。为实现电力系统的功率平衡和经济调度,提高风力发电的利用率,研究精度较高的风电功率预测模型具有十分重要的意义。
组合预测模型是综合两种或两种以上预测模型进行预测,无论采用哪一种单一预测模型,都有其各自的缺点和优点,组合预测模型能够综合单一预测模型的优点,提高预测的精度。理论和实际都能够表明,组合模型因为综合了不同的预测模型,相对于单一的预测模型能够减少预测误差,同时因为综合考虑多方面因素使预测结果更加平稳,是未来功率预测发展的一个重要方向。组合模型的关键是如何确定不同预测方法在组合预测中所占的权重。常用方法有:等权重法、非线性权重组合预测、最小方差法等,解决问题的关键在于如何确定每个单一预测方法的权重。
经对现有技术文献的检索发现,中国专利申请号为:201410155445.7,名称为一种风电功率预测组合方法和系统,该申请提出通过时间序列法和BP人工神经网络法进行预测,然后利用得到的预测结果再建立新的预测模型,最终得到了风电功率的预测值。但该系统没有利用数值天气预报,单纯利用统计模型,同时也没有精确的模型修正系统,预测精度不高。中国专利申请号为:201210397181.7,名称为一种风电功率预测方法,该申请提出通过选择遗传算法、神经网络、支持向量机三种智能算法建立组合预测模型。虽然该方法精度较高,但组合预测模型复杂,预测程序运行较慢。
发明内容
本发明的发明目的是提供一种预测精度高、响应迅速的风功率预测方法。
本发明的发明目的通过如下技术方案实现:一种基于方差最小的短期风功率预测方法,包括如下步骤:
1)根据历史风功率数据与历史气象数据的对应关系及最新的气象数据,分别用统计预测模型和物理预测模型预测风功率;
2)根据风功率预测历史积累误差方差最小时,不同预测模型在风功率组合预测模型中所占的权重,动态调整单一的统计预测模型和物理预测模型所占的权值;所述组合预测模型是指由所述统计预测模型和物理预测模型构成的组合预测模型;
3)得到组合预测模型的风功率预测数据;
4)获取风电场实时出力数据,计算当前时间点的风功率误差,并根据当前时间点的风功率误差调整所述统计预测模型和物理预测模型所占的权值,更新组合预测模型的风功率预测数据。
作为本发明的优选实施方式,所述历史风功率数据与历史气象数据为预测开始前1~3个小时的数据。
作为进一步优选:所述历史风功率数据与历史气象数据为预测开始前2个小时的数据。
所述的气象数据包括风塔、气象台数据和数值天气预报平台数据。
假设有m个单一预测模型,j时刻第i个模型的功率预测值为pi、所占的权重系数为wi,风电场的真实输出功率值为则wi需要满足如下约束条件:
在第j个时刻,功率预测值为:
在第j个时刻,功率预测误差δj为:
本发明采用基于方差最小的组合预测模型。组合预测模型的关键在于确定单一预测模型的权重系数wi,本发明采用预测开始前n个时刻的预测值与真实值的累积误差对权重系数wi进行拟合,以预测误差的方差最小为目标函数,目标函数表达式如下:
把上式看作二次规划问题,可将其写成以下形式:
其中:G为n×n阶对称矩阵,r,Ai(i=1,2,...,m+l)为n维列向量,bi(i=1,2,...,m+l)为实数,m、l表示二次规划的形式参数,m等于组合预测模型中单一预测模型的数量。
目标函数Z可以展开如下式:
令
则目标函数及约束条件可以写为下式:
考虑(2)式的拉格朗日函数,对其求偏导数即可得到预测误差方差最小时单一预测模型所占的权重系数wi。
随着预测时刻的进行,不停地更新n个时刻的预测值与真实值,并且对其持续寻优,确定不同时刻单一预测模型的权重系数wi,实现wi的动态更新。
相对于现有技术,本发明具有如下有益效果:
1)针对单一的统计预测模型和物理预测模型可能带来的偶然误差,本发明采用基于最小方差的组合预测模型,综合各个预测模型的优点进行组合预测,使预测误差减小;
2)本发明不断地根据当前时间点的预测误差动态更新组合预测模型中各单一预测模型所占的权值,采用循环迭代方式提高本发明的预测精度,预测精度高,而且响应迅速。
附图说明
图1是采用本发明方法完成风功率预测的实际功率与预测功率曲线的对照图。
具体实施方式
下面为本发明应用的具体实施例。
以国内某风电场为例。该风电场采用的数值天气预报数据模式为WRF模式(WeatherResearchandForecastingModel)。
NWP数据的时间分辨率为15min,空间分辨率为27km。该风电场整风场风机总数为24台,风机单机容量为1500kW,额定风速为12m/s,风机切入风速为3m/s,切出风速为20m/s,轮毂高度为70m。
如图1所示,通过预测开始前n个时间点功率预测值与真实值的累积误差对权重系数进行拟合,确定单一预测模型所占的权重。最小方差组合预测能够利用风电场出力时间相关性信息,调整后续组合预测模型中各单一预测模型所占的权值,能够根据前面时间点的预测误差信息减少后续的误差。
本实施例采用预测开始前8个时间点的信息对组合预测模型各单一预测模型的权值进行拟合,也就是预测点的前两个小时的数据,经过试验对比与前1小时及前3个小时相比,前2个小时的数据能够较好的对后续误差进行调整,也说明了风电场出力时间相关性最强在2个小时内。通过计算,可以得到最小方差组合预测模型的均方根误差(RMSE,root-mean-squareerror)为15.26%,预测精度高,满足风电场的并网要求。
本发明方法预测未来72小时的风功率时,具有较高精度。
本发明方法采用组合预测模型,相比于单一功率预测模型(统计预测模型或物理预测模型)能够减少预测的偶然误差,同时,本发明方法可利用风电场实时出力数据,动态调整单一预测模型的权值,可进一步提高本发明的预测精度。
Claims (5)
1.一种基于方差最小的短期风功率预测方法,其特征在于,包括如下步骤:
1)根据历史风功率数据与历史气象数据的对应关系及最新的气象数据,分别用统计预测模型和物理预测模型预测风功率;
2)根据风功率预测历史积累误差方差最小时,不同预测模型在风功率组合预测模型中所占的权重,动态调整单一的统计预测模型和物理预测模型所占的权值;所述组合预测模型是指由所述统计预测模型和物理预测模型构成的组合预测模型;
3)得到组合预测模型的风功率预测数据;
4)获取风电场实时出力数据,计算当前时间点的风功率误差,并根据当前时间点的风功率误差调整所述统计预测模型和物理预测模型所占的权值,更新组合预测模型的风功率预测数据。
2.根据权利要求1所述的基于方差最小的短期风功率预测方法,其特征在于,所述历史风功率数据与历史气象数据为预测开始前1~3个小时的数据。
3.根据权利要求2所述的基于方差最小的短期风功率预测方法,其特征在于,所述历史风功率数据与历史气象数据为预测开始前2个小时的数据。
4.根据权利要求1所述的基于方差最小的短期风功率预测方法,其特征在于,所述的气象数据包括风塔、气象台数据和数值天气预报平台数据。
5.根据权利要求1~4任一项权利要求所述的基于方差最小的短期风功率预测方法,其特征在于,步骤2)中风功率预测历史积累误差方差最小时,不同预测模型在风功率组合预测模型中所占的权重通过如下方法获取:
1)列写目标函数:
式中,n表示选出的预测开始前的n个时刻,δj表示j时刻通过风功率组合预测模型得到的风功率预测值与风功率真实值之差,1≤j≤n;
2)把上式看作二次规划问题,将(1)式写成如下形式:
式中,G为n×n阶对称矩阵,r、Ai为n维列向量,bi为实数,m、l表示二次规划的形式参数,m等于组合预测模型中单一预测模型的数量;
3)将目标函数Z展开如下:
wi、wk分别表示第i、k个模型所占的权重;
令
将目标函数及约束条件写成:
4)对(2)式的拉格朗日函数求偏导数,得到风功率预测历史积累误差方差最小时单一功率预测模型所占的权重wi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510768952.2A CN105590139A (zh) | 2015-11-12 | 2015-11-12 | 一种基于方差最小的短期风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510768952.2A CN105590139A (zh) | 2015-11-12 | 2015-11-12 | 一种基于方差最小的短期风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105590139A true CN105590139A (zh) | 2016-05-18 |
Family
ID=55929705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510768952.2A Pending CN105590139A (zh) | 2015-11-12 | 2015-11-12 | 一种基于方差最小的短期风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105590139A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825439A (zh) * | 2016-04-06 | 2016-08-03 | 清华大学 | 一种保守计算发电受限风电场的短期弃风的方法 |
CN108022004A (zh) * | 2017-11-16 | 2018-05-11 | 广东电网有限责任公司信息中心 | 一种多模型加权组合电力负荷预报的自适应权重训练方法 |
CN109154281A (zh) * | 2016-05-23 | 2019-01-04 | 通用电气公司 | 用于预测风场的功率输出的系统和方法 |
CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029712A1 (en) * | 2011-09-02 | 2012-02-02 | Onsemble, Inc. | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
CN103440428A (zh) * | 2013-09-12 | 2013-12-11 | 重庆大学 | 风电功率组合预测模型的自适应动态权重确定方法 |
-
2015
- 2015-11-12 CN CN201510768952.2A patent/CN105590139A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029712A1 (en) * | 2011-09-02 | 2012-02-02 | Onsemble, Inc. | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
CN103440428A (zh) * | 2013-09-12 | 2013-12-11 | 重庆大学 | 风电功率组合预测模型的自适应动态权重确定方法 |
Non-Patent Citations (1)
Title |
---|
李俊豪: "风电场风速及风电功率短期预测方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825439A (zh) * | 2016-04-06 | 2016-08-03 | 清华大学 | 一种保守计算发电受限风电场的短期弃风的方法 |
CN109154281A (zh) * | 2016-05-23 | 2019-01-04 | 通用电气公司 | 用于预测风场的功率输出的系统和方法 |
CN109154281B (zh) * | 2016-05-23 | 2021-09-24 | 通用电气公司 | 用于预测风场的功率输出的系统和方法 |
US11242842B2 (en) | 2016-05-23 | 2022-02-08 | General Electric Company | System and method for forecasting power output of a wind farm |
CN108022004A (zh) * | 2017-11-16 | 2018-05-11 | 广东电网有限责任公司信息中心 | 一种多模型加权组合电力负荷预报的自适应权重训练方法 |
CN116069095A (zh) * | 2023-04-06 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种机房环境调节方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
Wu et al. | Probabilistic wind-power forecasting using weather ensemble models | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
Andresen et al. | Validation of Danish wind time series from a new global renewable energy atlas for energy system analysis | |
Negnevitsky et al. | Innovative short-term wind generation prediction techniques | |
An et al. | Short-term wind power prediction based on particle swarm optimization-extreme learning machine model combined with AdaBoost algorithm | |
ES2644528T3 (es) | Método para la determinación asistida por ordenador del uso de energía eléctrica producida por una central de generación de energía, particularmente una central de generación de energía renovable | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN109274121B (zh) | 一种风电场控制参数优化方法及系统 | |
CN105590139A (zh) | 一种基于方差最小的短期风功率预测方法 | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN109272139A (zh) | 一种基于非线性集成深度学习的短期风速预测方法 | |
JP2017187371A (ja) | 気象予測装置及び風力発電所 | |
CN102749471B (zh) | 一种短期风速、风电功率预测方法 | |
Fentis et al. | Short-term PV power forecasting using Support Vector Regression and local monitoring data | |
CN103440428B (zh) | 风电功率组合预测模型的自适应动态权重确定方法 | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
Zhang et al. | Ultra-short term wind power prediction model based on modified grey model method for power control in wind farm | |
Liu et al. | An optimized short-term wind power interval prediction method considering NWP accuracy | |
CN105844350B (zh) | 一种基于协方差优选组合模型的短期风功率预测系统 | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
Yu et al. | Short-term cooling and heating loads forecasting of building district energy system based on data-driven models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160518 |