CN105844350A - 一种基于协方差优选组合模型的短期风功率预测系统 - Google Patents
一种基于协方差优选组合模型的短期风功率预测系统 Download PDFInfo
- Publication number
- CN105844350A CN105844350A CN201610162474.5A CN201610162474A CN105844350A CN 105844350 A CN105844350 A CN 105844350A CN 201610162474 A CN201610162474 A CN 201610162474A CN 105844350 A CN105844350 A CN 105844350A
- Authority
- CN
- China
- Prior art keywords
- wind
- model
- data
- prediction
- wind power
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 18
- 230000007935 neutral effect Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 2
- 238000013500 data storage Methods 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010068052 Mosaicism Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于风电功率预测技术领域,具体涉及一种基于协方差优选组合模型的短期风功率预测系统,包括数据采集及存储模块、协方差优选组合预测模块、功率预测误差分析模块,实时通信模块,数据采集及存储模块将采集的风功率预测所需数据和误差分析数据分别输送到协方差优选组合预测模块和功率误差分析模块对风功率进行预测,并将预测结果传送给功率预测误差分析模块,然后将预测数据传送给实时通信模块,实时通信模块将预测数据实时传到调度中心服务。本发明所提的系统及方法简单实用,所使用的系统高效便捷并具有实时通信和自我调整功能,所使用预测算法的精度比单一的物理模型和统计模型有所提高,有利于风电功率预测的发展。
Description
技术领域
本发明属于风电功率预测技术领域,具体涉及一种基于协方差优选组合模型的短期风功率预测系统。
背景技术
风能是目前最具大规模商业化开发利用潜力的可再生能源,风力发电是大规模利用风能的有效途径,也是我国能源和电力可持续发展战略的最现实选择。随着风电场大规模接入主干电网,风电场功率波动会对电网电压、频率的稳定产生一定影响,进而影响电网的安全稳定运行。电网的发电用电需时刻保持平衡,而风能作为间歇性能源,风电场的有功功率出力情况随风速的变化而变化,具有很大的不确定性。这使得风电场的有功出力预测变得尤为重要。
目前,短期风电功率预测主要有两种方法。一是物理方法,先利用数值天气预报系统得到风速、风向、气压、气温等天气数据,然后根据风力发电机组周围的物理信息得到风电机组轮毅高度的风速、风向等信息,最后利用风力发电机组的功率曲线计算得出风力发电机组的输出功率;二是统计方法,即根据历史数据风速或功率在天气状况与输出功率间建立映射关系,然后进行预测。统计方法中的建模方法主要包括时间序列法、卡尔曼滤波法、神经网络法、支持向量机法、小波分析法和灰色预测法。无论采用哪一种预测模型,都有不同的缺点和优点,组合模型希望能够综合不同预测方法的优点,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。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
本发明的目的为解决现有技术的上述问题,本发明提供一种简单实用、响应迅速、预测精度高且基于协方差优选组合模型的短期风功率预测系统,为了实现上述目的,本发明采用的技术方案如下:
一种基于协方差优选组合模型的短期风功率预测系统,其特征在于:包括数据采集模块及存储模块、协方差优选组合预测模块、功率预测误差分析模块、实时通信模块和调度中心服务器,所述数据采集及存储模块将采集实时风功率数据、历史风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据并存储起来,并且将实时风功率数据传输给功率预测误差分析模块,以及将历史风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据传输给协方差优选组合预测模块,所述功率预测误差分析模块对数据采集及存储模块输出的实时风功率数据和协方差优选组合预测模块输出的风功率预测数据进行误差分析,并将风功率预测数据和误差估计结果通过实时通信模块实时传输给调度中心服务器。所述功率预测误差分析模块基于从数据采集及存储模块输出的实时风功率数据和协方差优选组合预测模块输出的风功率预测数据进行误差分析,并将风功率预测数据和误差估计结果传输给实时通信模块。
优选地,所述协方差优选组合预测模块包括NWP空间差值模型、BP神经网络模型和LS-SVM模型三个子模块,所述NWP空间差值模型利用空间插值将NWP数据转换为风机所处位置的风速,然后通过高度变换得到轮毂处的风速,对功率曲线进行风速插值得到风电场的输出功率,所述BP神经网络模型计算出历史功率数据和神经网络初始化初值的差值,通过优化后的风速初值和偏差值计算得到预测功率,所述LS-SVM模型通过内积运算将预测功率进行线性化;所述功率预测误差分析模块误差分析预测包括如下步骤:
步骤1:分别计算NWP空间插值模型、BP神经网络模型、LS-SVM模型当前时刻预测风功率值的误差ei和误差的方差σi;
其中,i=1,2,3;
式中:gi为当前时刻的真实风功率值,为当前时刻各个模型的预测风功率值;
步骤2:分配NWP空间插值模型、BP神经网络模型、LS-SVM模型当前时刻所占的权重,假定各自的权重系数为λ1、λ2、λ3,则组合后当前时刻的风功率值p为:
p=λ1P1+λ2P2+λ3P3;
式中:λ1、λ2、λ3和P1、P2、P3分别为NWP空间插值、BP神经网络、LS-SVM模型的权重和预测的功率值;
步骤3:计算组合后当前时刻预测风功率值误差的方差ec,则方差ec满足:
其中,ec为组合模型的误差,var(ec)为ec的方差;
步骤4:用拉格朗日法求解步骤3得到权重系数:
式中:eit为单一模型i在t时刻的预测误差,m为历史风功率值的个数;
步骤5:将求解得到的权重系数λi代入到步骤2中即可得到当前时刻组合模型预测的风功率值。
优选地,所述NWP空间差值模型利用空间插值将NWP数据转换为风机所处位置的风速,然后通过高度变换得到轮毂处的风速,所述NWP数据空间插值满足:
式中:li为NWP数据点与风机所处位置之间的欧几里得距离,vi为NWP数据点的风速,v*为风机所处位置的风速;
对风机位置处的风速作高度变换,其表达式满足:
式中,h0为参考高度,典型值为0.2mm;v1为h1高度处的风速;v2为h2高度处的风速。
实际中,考虑到尾流效应的影响,风经过上风向的风机后风速会变小,导致下风向风机接收到的风能减少,采用Jensen模型模拟尾流效应:
式中:R为风轮半径;X为风机之间的距离;V0为上风向风速;VX为下风向风速;
最后,利用VX对实际的风速-功率曲线进行插值,即可得到风机的输出功率。
优选地,所述BP神经网络模型采用遗传算法对风功率初值进行优化,再通过BP神经网络模型计算出风功率预测值,所述BP神经网络模型预测风功率主要包括以下步骤:
步骤51:利用大量历史的风速和风功率数据对神经元进行训练,以得到神经元的联接权和阈值,则神经元χ的输出满足:χ=ω*τ+μ;
式中:τ为神经元的输入,ω为神经元的联接权,μ为神经元的阈值;
步骤52:将采集得到的实时的数值天气预报数据作为神经元的输入,从而得到BP神经网络模型预测得到的风功率初值;
步骤53:得到优化后的风功率初值,并计算出历史功率数据和初值的差值,通过风速初值和偏差值计算得到风功率预测值。
优选地,所述LS-SVM模型功率预测包括以下步骤:
步骤61:通过拉格朗日函数构建风速数据和分功率数据方程式L;
式中:w为超平面法线向量;wT表示向量w的转置,C为样本的惩罚系数;ei为预测误差,b为偏差,αi为待求的权重系数;xi为历史风速值;yi为历史风功率值;
步骤62:求解L的偏导数,并将其转换为如下方程:
式中:k(xi,xj)=<xi,xi>表示向量xi与xi之间的内积;
步骤63:求解步骤62中的方程,即可得到偏差b和待求的权重系数αi;
步骤64:输入当前实时采集得到的风速xk,即可得到当前时刻的风功率值,即满足:
优选地,所述的数据采集模块为PCIE采集存储系统;所述的协方差优选组合预测模块由三个单一预测模型系统复合而成;所述的功率预测误差分析模块处理器采用stm32F407芯片,所述实时通信模块包括以太网通信模块、Wi-Fi通信模块、RS485通信模块和CAN通信模块,其中以太网电平转换模块采用DP83848C芯片,WiFi通信模块采用USR-WIFI232-G模块,RS485通信模块采用芯片ADM2483,CAN通信模块采用芯片PCA82C50。
优选地,本发明的风功率预测系统可从次日0时起,预测未来72小时的风电功率,时间分辨率为15分钟。
综上所述,本发明由于采用了以上技术方案,本发明具有以下显著效果:
本发明通过建立基于协方差优选组合模型的短期风功率预测系统,由数据采集及存储模块、协方差优选组合预测模块、功率预测误差分析模块、实时通信模块组成,综合各个预测模型的优点进行组合预测,使预测误差减小,可以快速决策出最优的预测方案,而且预测精度高,满足风电场的并网要求,本系统简单实用、响应迅速,并且精度比使用单一的物理模型和统计模型系统高。
附图说明
为了更清楚地说明本发明实例或现有技术中的技术方案,下面将对实施实例或现有技术描述中所需要的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实例,对于本领域普通技术人员来说,在不付出创造性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种基于协方差优选组合模型的短期风功率预测系统的结构示意图。
图2是本发明一种基于协方差优选组合模型的短期风功率预测系统的预测流程图。
图3是本发明一种基于协方差优选组合模型的短期风功率预测系统的误差分析预测模块的工作流程图。
图4是一种基于协方差优选组合模型的短期风功率预测系统的风功率预测曲线图。
具体实施方式
下面将结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整地描述,显然,所描述的实例仅仅是本发明一部分实例,而不是全部的实例。基于发明中的实例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实例,都属于本发明保护的范围。
如图1,一种基于协方差优选组合模型的短期风功率预测系统,包括数据采集模块及存储模块、协方差优选组合预测模块、功率预测误差分析模块、实时通信模块和调度中心服务器,所述数据采集及存储模块将采集实时风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据并存储起来,并且将实时风功率数据传输给功率预测误差分析模块,以及将历史风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据传输给协方差优选组合预测模块,所述功率预测误差分析模块对数据采集及存储模块输出的实时风功率数据和协方差优选组合预测模块输出的风功率预测数据进行误差分析,并将风功率预测数据和误差估计结果通过实时通信模块实时传输给调度中心服务器。
在本发明中,所述数据采集模块至少包括一个风向传感器、一个风力传感器、一个湿度传感器和一个数据采集卡,所述风向传感器、风力传感器和湿度传感器分别与数据采集卡连接。所述数据采集卡为PCIE采集卡,所述数据采集模块为PCIE采集存储系统,所述的协方差优选组合预测模块由三个单一预测模型系统复合而成;所述的功率预测误差分析模块处理器为芯片stm32F407,基于高性能的ARM和Cortex-M4F的32位RISC内核,工作频率高达168MHz,并带有1M的高速Flash和196K的SRAM;所述的实时通信模块:包括以太网通信模块、Wi-Fi通信模块、RS485通信模块和CAN通信模块,其中以太网电平转换模块采用芯片DP83848C,WiFi通信模块采用USR-WIFI232-G模块,RS485电平转换模块采用芯片ADM2483,CAN差分电平转换模块采用芯片PCA82C50。
作为本发明的最佳实施例,所述协方差优选组合预测模块包括NWP空间差值模型、BP神经网络模型和LS-SVM模型三个子模块,所述NWP空间差值模型利用空间插值将NWP数据转换为风机所处位置的风速,然后通过高度变换得到轮毂处的风速,对功率曲线进行风速插值得到风电场的输出功率,所述BP神经网络模型计算出历史功率数据和神经网络初始化初值的差值,通过优化后的风速初值和偏差值计算得到预测功率,所述LS-SVM模型用核函数替代高维度空间的内积运算将预测功率进行线性化。
如图2所示,在本发明实施例中的短期风功率预测系统从次日0时起,实时预测未来72小时的风电功率,时间分辨率为15分钟。
首先,实时获取风力发电场的数据包括实时风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据;
其次,将实时获取的数值天气预报数据、实时上网数据、风塔和气象台数据进行协方差计算预测,所述协方差计算预测基于NWP空间差值模型、BP神经网络模型和LS-SVM模型三个模型分别进行风功率预测;
最后,对实时风功率数据和协方差计算预测的三个模型数据通过权值分配组合进行误差分析得到最终预测结果。
所述的NWP空间差值模型首先利用空间插值将NWP数据转换为风机所处位置的风速,然后通过高度变换得到轮毂处的风速,在考虑风电场尾流效应的基础上,对功率曲线进行风速插值即可得到风电场的输出功率。为了得到风机所处位置的风速,需要对NWP数据空间插值。所述NWP数据空间插值满足:
式中:li为NWP数据点与风机所处位置之间的欧几里得距离,vi为NWP数据点的风速,v*为风机所处位置的风速;
为了得到风机轮毂处的风速,还需要对风机位置处的风速作高度变换,对风机位置处的风速作高度变换,其表达式满足:
式中,h0为参考高度,典型值为0.2mm;v1为h1高度处的风速;v2为h2高度处的风速;
实际中,考虑到尾流效应的影响,风经过上风向的风机后风速会变小,导致下风向风机接收到的风能减少;采用Jensen模型模拟尾流效应:
式中:R为风轮半径,X为风机之间的距离,V0为上风向风速,VX为下风向风速,最后,利用VX对实际的风速-功率曲线进行插值,即可得到风机的输出功率。
为了能够实现全局寻优,可采用遗传算法对BP神经网络模型的初值进行优化,所述遗传算法主要包括以下步骤:
(1)初始种群:初始种群的个体是风功率初值作为可能解,利用实数对个体进行编码,确定输入层、隐含层、输出层的权值和阈值,其中输入层输入所有的个体可能解编码,隐含层进行适应度函数训练并交叉变异,输出层输出优化后的个体;
(2)设计适应度函数:利用BP神经网络对原始数据进行训练可得到预测输出,预测输出与实际输出差异越小,个体适应度就越高;个体适应度可用下式计算得到:
式中:n为BP输出层节点数;yi、oi为第i个节点的实际输出和预测输出;f为适应度;
(3)选择、交叉、变异:选择可以保留适应度高的个体,以提高预测结果的准确性;交叉操作可将个体重组,以得到新的个体;变异操作常对个体的某一位进行变异,以增加个体的多样性;
BP神经网络模型预测风功率主要包括以下步骤:
1)利用大量历史的风速和风功率数据对神经元进行训练,以得到神经元的联接权和阈值,则神经元χ的输出满足:
χ=ω*τ+μ;
式中:τ为神经元的输入,ω为神经元的联接权,μ为神经元的阈值;
2)将采集得到的实时的数值天气预报数据作为神经元的输入,从而得到BP神经网络模型预测得到的风功率初值;
3)计算出历史功率数据和神经网络初始化初值的差值,将优化后的风速初值和偏差值计算得到风功率预测值。
所述LS-SVM模型具有较强的泛化能力,遵守风险最小化的原则,对于非线性问题,首先将其转化为高维度空间的线性化问题,用核函数替代高维度空间的内积运算,有效地解决了维数灾难和局部极值的问题,并且计算速度比一般的SVM更高,LS-SVM模型主要包括以下步骤:
a1)通过拉格朗日函数构建风速数据和分功率数据方程式L;
式中:w为超平面法线向量;wT表示向量w的转置;C为样本的惩罚系数;ei为预测误差,b为偏差,αi为待求的权重系数;xi为历史风速值;yi为历史风功率值;
a2)求解L的偏导数,并将其转换为如下方程:
式中:k(xi,xj)=<xi,xi>表示向量xi与xi之间的内积;
a3)求解a2)中的方程,即可得到偏差b和待求的权重系数αi;
a4)输入当前实时采集得到的风速xk,即可得到当前时刻的风功率值。
功率预测误差分析模块误差分析预测工作步骤如图3所示,具体如下:
b1)计算NWP空间插值模型、BP神经网络模型、LS-SVM模型当前时刻预测风功率值的误差ei和误差的方差σi;
其中,i=1,2,3;
式中:yi为当前时刻的真实风功率值;为当前时刻各个模型的预测风功率值;
b2)分配NWP空间插值模型、BP神经网络模型、LS-SVM模型当前时刻所占的权重,假定各自的权重系数为λ1、λ2、λ3,则组合模型当前时刻的风功率值p为:
p=λ1P1+λ2P2+λ3P3
式中:λ1、λ2、λ3和P1、P2、P3分别为NWP空间插值、BP神经网络、LS-SVM模型的权重和预测的功率值;
b3)计算组合模型当前时刻预测风功率值误差的方差ec;
式中:ec为组合模型的误差,var(ec)为ec的方差。
b4)用拉格朗日法求解b3),可得到权重系数:
式中:eit为单一模型i在t时刻的预测误差;m为历史风功率值的个数;
b5)将求解得到的权重系数λi代入到b2)中即可得到当前时刻组合模型预测的风功率值。
为验证本发明的短期风功率预测系统的正确性和有效性,以某风电场为例进行风功率预测。该风电场采用的数值天气预报数据模式为WRF模式(WeatherResearch and Forecasting Model),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。基于协方差优选组合模型的短期风功率预测系统的风功率预测曲线图如图3所示,从图4可以看到,协方差优选组合模型能够解决单一预测模型误差较大的问题,综合各个预测模型的优点进行组合预测,使预测误差减小。通过计算,可以得到,协方差优选组合预测的均方根误差(RMSE,root-mean-square error)为15.26%,预测精度高,满足风电场的并网要求。
以上所述仅为发明的较佳实例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于协方差优选组合模型的短期风功率预测系统,其特征在于:包括数据采集模块及存储模块、协方差优选组合预测模块、功率预测误差分析模块、实时通信模块和调度中心服务器,所述数据采集及存储模块将采集实时风功率数据、历史风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据并存储起来,并且将实时风功率数据传输给功率预测误差分析模块,以及将历史风功率数据、数值天气预报数据、实时上网数据、风塔气象台数据传输给协方差优选组合预测模块,所述功率预测误差分析模块对数据采集及存储模块输出的实时风功率数据和协方差优选组合预测模块输出的风功率预测数据进行误差分析,并将风功率预测数据和误差估计结果通过实时通信模块实时传输给调度中心服务器。
2.根据权利要求1所述的一种基于协方差优选组合模型的短期风功率预测系统,其特征在于:所述协方差优选组合预测模块包括NWP空间差值模型、BP神经网络模型和LS-SVM模型三个子模块,所述NWP空间差值模型利用空间插值将NWP数据转换为风机所处位置的风速,然后通过高度变换得到轮毂处的风速,对功率曲线进行风速插值得到风电场的输出功率,所述BP神经网络模型计算出历史功率数据和神经网络初始化初值的差值,通过优化后的风速初值和偏差值计算得到预测功率,所述LS-SVM模型通过内积运算将预测功率进行线性化,所述功率预测误差分析模块误差分析预测包括如下步骤:
步骤1:分别计算NWP空间插值模型、BP神经网络模型、LS-SVM模型当前时刻预测风功率值的误差ei和误差的方差σi;
其中,i=1,2,3;
式中:gi为当前时刻的真实风功率值,为当前时刻各个模型的预测风功率值;
步骤2:分配NWP空间插值模型、BP神经网络模型、LS-SVM模型当前时刻所占的权重,假定各自的权重系数为λ1、λ2、λ3,则组合后当前时刻的风功率值p为:
p=λ1P1+λ2P2+λ3P3;
式中:λ1、λ2、λ3和P1、P2、P3分别为NWP空间插值、BP神经网络、LS-SVM模型的权重和预测的功率值;
步骤3:计算组合后当前时刻预测风功率值误差的方差ec,则方差ec满足:
其中,ec为组合模型的误差,var(ec)为ec的方差;
步骤44:用拉格朗日法求解步骤3得到权重系数:
式中:eit为单一模型i在t时刻的预测误差,m为历史风功率值的个数;
步骤5:将求解得到的权重系数λi代入到步骤2中即可得到当前时刻组合模型预测的风功率值。
3.根据权利要求2所述的一种基于协方差优选组合模型的短期风功率预测系统,其特征在于:所述NWP空间差值模型利用空间插值将NWP数据转换为风机所处位置的风速,然后通过高度变换得到轮毂处的风速,所述NWP数据空间插值满足:
式中:li为NWP数据点与风机所处位置之间的欧几里得距离,vi为NWP数据点的风速,v*为风机所处位置的风速;
对风机位置处的风速作高度变换,其表达式满足:
式中,h0为参考高度,v1为h1高度处的风速,v2为h2高度处的风速。
4.根据权利要求2所述的一种基于协方差优选组合模型的短期风功率预测系统,其特征在于:所述BP神经网络模型采用遗传算法对风功率初值进行优化,再通过BP神经网络模型计算出风功率预测值,所述BP神经网络模型预测风功率主要包括以下步骤:
步骤41:利用大量历史的风速和风功率数据对神经元进行训练,以得到神经元的联接权和阈值,则神经元χ的输出满足:χ=ω*τ+μ;
式中:τ为神经元的输入,ω为神经元的联接权,μ为神经元的阈值;
步骤42:将采集得到的实时的数值天气预报数据作为神经元的输入,从而得到BP神经网络模型预测得到的风功率初值;
步骤43:得到优化后的风功率初值,并计算出历史功率数据和初值的差值,通过风速初值和偏差值计算得到风功率预测值。
5.根据权利要求2所述的一种基于协方差优选组合模型的短期风功率预测系统,其特征在于:所述LS-SVM模型功率预测包括以下步骤:
步骤51:通过拉格朗日函数构建风速数据和分功率数据方程式L;
式中:w为超平面法线向量;wT表示向量w的转置,C为样本的惩罚系数;ei为预测误差,b为偏差,αi为待求的权重系数;xi为历史风速值;yi为历史风功率值;
步骤52:求解L的偏导数,并将其转换为如下方程:
式中:k(xi,xj)=〈xi,xi〉表示向量xi与xi之间的内积;
步骤53:求解步骤52中的方程,即可得到偏差b和待求的权重系数αi;
步骤54:输入当前实时采集得到的风速xk,即可得到当前时刻的风功率值,即满足:
6.根据权利要求1所述的一种基于协方差优选组合模型的短期风功率预测系统,其特征在于,所述的数据采集模块为PCIE采集存储系统;所述的协方差优选组合预测模块由三个单一预测模型系统复合而成;所述的功率预测误差分析模块处理器采用stm32F407芯片,所述实时通信模块包括以太网通信模块、Wi-Fi通信模块、RS485通信模块和CAN通信模块,其中,以太网电平转换模块采用DP83848C芯片,WiFi通信模块采用USR-WIFI232-G模块,RS485通信模块采用芯片ADM2483,CAN通信模块采用芯片PCA82C50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610162474.5A CN105844350B (zh) | 2016-03-21 | 2016-03-21 | 一种基于协方差优选组合模型的短期风功率预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610162474.5A CN105844350B (zh) | 2016-03-21 | 2016-03-21 | 一种基于协方差优选组合模型的短期风功率预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844350A true CN105844350A (zh) | 2016-08-10 |
CN105844350B CN105844350B (zh) | 2019-12-17 |
Family
ID=56587732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610162474.5A Active CN105844350B (zh) | 2016-03-21 | 2016-03-21 | 一种基于协方差优选组合模型的短期风功率预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844350B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197809A (zh) * | 2017-12-28 | 2018-06-22 | 浙江工业大学 | 基于维度最优转换的权值共享深度网络的实时调度方法 |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN113177362A (zh) * | 2021-05-20 | 2021-07-27 | 上海华谊信息技术有限公司 | 基于炉温软测量模型的炉膛温度预测方法及装置 |
CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
-
2016
- 2016-03-21 CN CN201610162474.5A patent/CN105844350B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
Non-Patent Citations (2)
Title |
---|
叶林 等: "超短期风电功率预测的自适应指数动态优选组合模型", 《电力系统自动化》 * |
薛禹胜 等: "关于短期及超短期风电功率预测的评述", 《电力系统自动化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197809A (zh) * | 2017-12-28 | 2018-06-22 | 浙江工业大学 | 基于维度最优转换的权值共享深度网络的实时调度方法 |
CN108197809B (zh) * | 2017-12-28 | 2021-06-08 | 浙江工业大学 | 基于维度最优转换的权值共享深度网络的实时调度方法 |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN113177362A (zh) * | 2021-05-20 | 2021-07-27 | 上海华谊信息技术有限公司 | 基于炉温软测量模型的炉膛温度预测方法及装置 |
CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
CN117129556B (zh) * | 2023-08-29 | 2024-02-02 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105844350B (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
Guo et al. | BiLSTM multitask learning-based combined load forecasting considering the loads coupling relationship for multienergy system | |
Sawle et al. | PV-wind hybrid system: A review with case study | |
Ding et al. | Rolling optimization of wind farm and energy storage system in electricity markets | |
Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
Cadenas et al. | Analysis and forecasting of wind velocity in chetumal, quintana roo, using the single exponential smoothing method | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
Cai et al. | Wind speed forecasting based on extreme gradient boosting | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN103683326B (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN103699944A (zh) | 一种多预测模式的风电光伏发电功率预测系统 | |
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 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
CN102567636A (zh) | 基于相关向量机的高精度风电场功率区间预测方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN105844350A (zh) | 一种基于协方差优选组合模型的短期风功率预测系统 | |
CN101930486A (zh) | 一种风电场风机负荷指数预测装置及方法 | |
CN112950098A (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
CN115081902B (zh) | 基于源网荷储协同的综合规划方法、装置、设备及介质 | |
CN112215392A (zh) | 基于设备状态和环境因素的风电中长期区域发电量预测法 | |
CN109888770A (zh) | 基于机会约束规划和波动成本的风电场装机容量优化方法 | |
CN105787813A (zh) | 一种基于协方差的短期风功率预测方法 |
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 |