CN106529719B - 基于粒子群优化算法风速融合的风电功率预测的方法 - Google Patents
基于粒子群优化算法风速融合的风电功率预测的方法 Download PDFInfo
- Publication number
- CN106529719B CN106529719B CN201610981411.2A CN201610981411A CN106529719B CN 106529719 B CN106529719 B CN 106529719B CN 201610981411 A CN201610981411 A CN 201610981411A CN 106529719 B CN106529719 B CN 106529719B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- wind
- power
- actual
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于粒子群优化算法风速融合的风电功率预测的方法,所述方法包括:步骤一,获取预设的时间范围内历史的风电场数据,得到训练集X和预测集Y;对所述风电场数据进行预处理;其中,所述风电场数据包括风电场实发风速、实发功率和多气象源风速数据;步骤二,利用灰色关联分析选择气象源,将选择的气象源风速作为预测风电功率的风速数据;步骤三,利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,并采用所述融合后风速数据作为预测模型的输入;步骤四,对训练集X中风速数据分段;步骤五,建立风速与功率的回归模型。
Description
技术领域
本发明涉及风电功率预测领域,特别涉及一种基于粒子群优化算法风速融合的风电功率预测的方法。
背景技术
随着化石能源的快速消耗,人类正面临着能源枯竭和环境恶化的双重危机,因此近年来清洁可再生的风能在世界范围内也因此受到了广泛重视与发展。国内风电总装机容量已跃居世界第一,风电的大规模发展和减少化石能源的使用,在一定程度上缓解了能源危机。但是,由于风能具有很强的间歇性和随机性,随着风电场数量的增多和装机容量的不断增大,风电的大规模并网给电网的安全经济运行带来了巨大的挑战。对风力发电进行有效预测,可以帮助电网调度部门做好分布式电源的调度计划,提高电网利用风电的能力,减少由于风电限电带来的经济损失,增加风电场投资回报率。然而,风的不确定性会导致风力发电机不能按理想的风电功率曲线发电。
发明内容
本发明提供一种基于粒子群优化算法风速融合的风电功率预测的方法,解决了现有技术中风的不确定性会导致风力发电机不能按理想的风电功率曲线发电的技术问题,达到了提高对风电功率准确预测精度的技术效果。
为解决上述技术问题,本发明提供一种基于粒子群优化算法风速融合的风电功率预测的方法,其特征在于,所述方法包括:
步骤一,获取预设的时间范围内历史的风电场数据,得到训练集X和预测集Y;对所述风电场数据进行预处理;其中,所述风电场数据包括风电场实发风速、实发功率和多气象源风速数据;
步骤二,利用灰色关联分析选择气象源,将选择的气象源风速作为预测风电功率的风速数据;
步骤三,利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,并采用所述融合后风速数据作为预测模型的输入;
步骤四,对训练集X中风速数据分段;
步骤五,建立风速与功率的回归模型。
优选的,所述步骤一中所述对所述风电场数据进行预处理,具体为:
剔除训练集X中实发功率和实发风速出现的非法数据;和,剔除训练集X中的不匹配点。
优选的,所述剔除训练集X中实发功率和实发风速出现的非法数据,具体为:
判断训练集X中实发风速中是否存在的突变点,所述突变点包括实发风速值异常大,短期内实发风速值急剧增大或减小的点;若是,则对突变点平滑处理,所述对突变点平滑处理采用公式(1)消除实发风速的突变点;
其中,Vi为i时刻风速,Vi-1为i-1时刻风速,Vi+1为i+1时刻风速,Vi+2为i+2时刻风速,Vi+3为i+3时刻风速;ξ为相隔采样点风速变化的阈值;m为最大风速阈值。
优选的,所述剔除训练集X中的不匹配点,具体为:
判断训练集X中是否存在风速与功率变化方向相反的数据,所述风速与功率变化方向相反的数据包括风速大、功率小的数据,以及风速小、功率大的数据;若存在,则采用不匹配点剔除方法来剔除不匹配点,所述不匹配点剔除方法包括:
步骤(1)数据标准化处理:
其中,Dmax为历史建模数据中的最大值;Dmin为历史建模数据中的最小值;D为实际值;D*为标准化处理后的值。
对历史建模数据中的实发功率、实发风速进行标准化处理,区间为[0,1];
步骤(2)不匹配点剔除:
其中,Pi为i时刻实发功率;Pi *为i时刻实发功率标准化处理后的值;Vi *为i时刻实发风速标准化处理后的值;s为标准化功率与风速差距阈值,s可取但不限于0.3;在不匹配点实发功率上标记不匹配标记,删除处理实发功率带不匹配标记的那组数据。
优选的,所述步骤二中所述利用灰色关联分析选择气象源,具体为:
采用灰色关联分析评估多气象源风速中每个气象源风速与实发风速的关联性,比较不同气象源风速与实发风速的关联度,选择关联度较大的多个气象源。
优选的,所述采用灰色关联分析评估多气象源风速中每个气象源风速与实发风速的关联性,具体包括:
(1)选择实发风速为母序列Vo,不同气象源风速为子序列Vi,Vi为第i个气象源的风速;
(2)对各序列参数归一化处理;
(3)计算每个子序列中各参数与母序列对应参数的关联系数
其中,Kij为第i个子序列的第j个参数与母序列的第j个参数的关联系数;ρ为分辨系数,取值范围在[0,1]。
(4)计算关联度,计算公式如下:
其中,γi为第i个子序列与实发风速的关联度;N为子序列长度;Kij为计算得到的关联系数。
优选的,所述步骤三中所述利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,具体为:
根据神经网络建模要求输入矩阵为V=[V1,V2,…,Vn],目标矩阵为P,其中式中,V1,V2,…,Vn表示不同的气象源风速;n表示选择的有n个气象源风速;P表示预测集目标矩阵;输入V与输出P行数相同。
优选的,所述步骤三中所述利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,具体为:
(1)融合风速Vf=ω1V1+ω2V2+…+ωnVn,参数ω=[ω1,ω2,…,ωn]为对应气象源风速V融合系数向量,设定参数范围为[0,1]。
(2)根据粒子群优化算法计算风速融合系数向量ω,设定适应度函数
Vdiff=|ωVΤ-Vture|=|ω1V1+ω2V2…+ωnVn-Vture|
式中,Vdiff表示偏差;Vture表示实发风速。
(3)粒子群算法得到最小Vdiff,此时对应的气象源风速融合系数向量ω为风速融合系数。
(4)使用气象源风速融合系数向量ω融合预测集Y中的各气象源天气预报风速,得到测试风速。
优选的,所述步骤四中所述对训练集X中风速数据分段,具体为:
(1)划分风速区间
假设风速与功率近似满足风机功率曲线,对风速按照一定间隔g划分区间;得到划分区间的数量为l=vmax/g,其中vmax为建模风速的最大值;
(3)功率的平均值组成向量,并随区间内风速值变大而近似符合风机功率曲线分布,对功率的平均值所组成向量滤波使之变得平滑,平滑后的数据会出现极值点,该点所在区间lmax,极值点对应风速v'max=glmax;
(4)训练集X中风速最大为vmax,限定区间(c1vmax,c2vmax),其中0<c1<1,0<c2<1,且c1<c2;若极值点v'max出现在限定区间内,则极值点v'max为分段点。若极值点v'max未出现在限定区间,或无极值点时,默认分段点为c3vmax,其中0<c3<1,且c1≤c3≤c2,可取但不限于c1=0.6,c2=0.8,c3=0.8;所述分段点满足
其中,vs为分段点。
优选的,所述步骤五中建立风速与功率的回归模型,具体为:
采用BP神经网络建模,所述采用BP神经网络建模包括:
(1)训练集X被风速分段点vs分为X1和X2两部分,X1中风速范围为(0,vs),X2中风速范围为[vs,vmax];设定风速间隔的取值,并对X1和X2按照风速间隔划分区间,剔除X2末端区间内数据量较少的区间,设定区间阈值,并对功率设定置信区间;
(2)使用BP神经网络分别建立X1和X2中风速与功率关系模型,风速作为训练的输入,对应的功率作为训练的目标,分别得到模型N1和N2。
(3)预测集Y中风速输入模型,当风速小于vs时使用模型N1进行预测,当风速大于vs时使用模型N2进行预测,得到预测结果。
本申请有益效果如下:
本发明提供的基于粒子群优化算法风速融合的风电功率预测的方法,通过从数据库得到训练集和预测集,再对训练集剔除非法数据并进行数据预处理,预处理包括实发风速平滑处理,实发功率与实发风速不匹配点处理,从而提高训练集数据的有效性和可靠性;
进一步的,通过计算不同气象源风速与实发风速的灰色关联度,并对关联度较大的风速使用粒子群算法计算融合系数,使用该系数融合训练集和预测集的不同气象源风速;根据建模风速分布特点,寻找分段点;最后,根据风速分段点把数据分为两部分建模,预测集风速根据分段点分别使用对应的模型进行功率预测,提高了预测精度。本发明提供的预测方法相比其他预测模型可以保持较好的稳定性,特别是在风速特性变化剧烈或单一气象源误差较大时可实现较好的预测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为本申请较佳实施方式基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法的流程图;
图2为本申请图1中步骤一中预处理前的一实施例的数据分布图;
图3为本申请图2中经过步骤一中预处理后的数据分布图;
图4是本申请图1中步骤三处理后的数据分布图;
图5是本申请图1中步骤四风速分段的示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本申请提供的基于粒子群优化算法风速融合的风电功率预测的方法,所述方法通过从数据库得到训练集和预测集,再对训练集剔除非法数据并进行数据预处理,预处理包括实发风速平滑处理,实发功率与实发风速不匹配点处理,从而提高训练集数据的有效性和可靠性;
进一步的,通过计算不同气象源风速与实发风速的灰色关联度,并对关联度较大的风速使用粒子群算法计算融合系数,使用该系数融合训练集和预测集的不同气象源风速;根据建模风速分布特点,寻找分段点;最后,根据风速分段点把数据分为两部分建模,预测集风速根据分段点分别使用对应的模型进行功率预测,提高了预测精度。本发明提供的预测方法相比其他预测模型可以保持较好的稳定性,特别是在风速特性变化剧烈或单一气象源误差较大时可实现较好的预测效果。
本申请提供的基于粒子群优化算法风速融合的风电功率预测的方法,请参阅图1,所述方法包括:
步骤一S100,获取预设的时间范围内历史的风电场数据,得到训练集X和预测集Y;对所述风电场数据进行预处理;其中,所述风电场数据包括风电场实发风速、实发功率和多气象源风速数据;
所述步骤一中所述对所述风电场数据进行预处理,具体为:
剔除训练集X中实发功率和实发风速出现的非法数据;和,剔除训练集X中的不匹配点。如图2和图3所示,预处理后的数据特性发生了变化,剔除了部分无效数据和不可信数据。
所述剔除训练集X中实发功率和实发风速出现的非法数据,具体为:
判断训练集X中实发风速中是否存在的突变点,所述突变点包括实发风速值异常大,短期内实发风速值急剧增大或减小的点;若是,则对突变点平滑处理,所述对突变点平滑处理采用公式(1)消除实发风速的突变点;
其中,Vi为i时刻风速,Vi-1为i-1时刻风速,Vi+1为i+1时刻风速,Vi+2为i+2时刻风速,Vi+3为i+3时刻风速;ξ为相隔采样点风速变化的阈值;m为最大风速阈值。
所述剔除训练集X中的不匹配点,具体为:
判断训练集X中是否存在风速与功率变化方向相反的数据,所述风速与功率变化方向相反的数据包括风速大、功率小的数据,以及风速小、功率大的数据;若存在,则采用不匹配点剔除方法来剔除不匹配点,所述不匹配点剔除方法包括:
步骤(1)数据标准化处理:
其中,Dmax为历史建模数据中的最大值;Dmin为历史建模数据中的最小值;D为实际值;D*为标准化处理后的值。
对历史建模数据中的实发功率、实发风速进行标准化处理,区间为[0,1];
步骤(2)不匹配点剔除:
其中,Pi为i时刻实发功率;Pi *为i时刻实发功率标准化处理后的值;Vi *为i时刻实发风速标准化处理后的值;s为标准化功率与风速差距阈值,s可取但不限于0.3;在不匹配点实发功率上标记不匹配标记,删除处理实发功率带不匹配标记的那组数据。
步骤二S200,利用灰色关联分析选择气象源,将选择的气象源风速作为预测风电功率的风速数据;
所述步骤二中所述利用灰色关联分析选择气象源,具体为:
采用灰色关联分析评估多气象源风速中每个气象源风速与实发风速的关联性,比较不同气象源风速与实发风速的关联度,选择关联度较大的多个气象源。
所述采用灰色关联分析评估多气象源风速中每个气象源风速与实发风速的关联性,具体包括:
(1)选择实发风速为母序列Vo,不同气象源风速为子序列Vi,Vi为第i个气象源的风速;
(2)对各序列参数归一化处理;
(3)计算每个子序列中各参数与母序列对应参数的关联系数
其中,Kij为第i个子序列的第j个参数与母序列的第j个参数的关联系数;ρ为分辨系数,取值范围在[0,1]。
(4)计算关联度,计算公式如下:
其中,γi为第i个子序列与实发风速的关联度;N为子序列长度;Kij为计算得到的关联系数。
步骤三S300,利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,并采用所述融合后风速数据作为预测模型的输入;
所述步骤三中所述利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,具体为:
根据神经网络建模要求输入矩阵为V=[V1,V2,…,Vn],目标矩阵为P,其中式中,V1,V2,…,Vn表示不同的气象源风速;n表示选择的有n个气象源风速;P表示预测集目标矩阵;输入V与输出P行数相同。
所述步骤三中所述利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,具体为:
(1)融合风速Vf=ω1V1+ω2V2+…+ωnVn,参数ω=[ω1,ω2,…,ωn]为对应气象源风速V融合系数向量,设定参数范围为[0,1]。
(2)根据粒子群优化算法计算风速融合系数向量ω,设定适应度函数
Vdiff=|ωVΤ-Vture|=|ω1V1+ω2V2…+ωnVn-Vture|
式中,Vdiff表示偏差;Vture表示实发风速。
(3)粒子群算法得到最小Vdiff,此时对应的气象源风速融合系数向量ω为风速融合系数。
(4)使用气象源风速融合系数向量ω融合预测集Y中的各气象源天气预报风速,得到测试风速。
请参阅图3,,融合后的风速相较于单一气象源风速更符合风速功率关系分布,且在一定程度上减少了误差较大点的数量,增加了风速的稳定性和有效性。
步骤四S400,对训练集X中风速数据分段;
所述步骤四中所述对训练集X中风速数据分段,具体为:
(1)划分风速区间
假设风速与功率近似满足风机功率曲线,对风速按照一定间隔g划分区间;得到划分区间的数量为l=vmax/g,其中vmax为建模风速的最大值;
例如,限定间隔g的范围限制在(0,1],设定初始间隔g=0.1,风速小于但不限于12m/s的范围内,共有区间k=12/g个,k个区间内每个区间的样本数量bm(m=1,2,…,k),间隔满足
设定最大循环次数20,可在(0,1]的范围内找到符合条件的间隔g。共得到区间数量为l=vmax/g,其中vmax为建模风速的最大值。如图5所示,l为77,vmax为23m/s。
(3)功率的平均值组成向量,并随区间内风速值变大而近似符合风机功率曲线分布,对功率的平均值所组成向量滤波使之变得平滑,平滑后的数据会出现极值点,该点所在区间lmax,极值点对应风速v'max=glmax。
(4)训练集X中风速最大为vmax,限定区间(c1vmax,c2vmax),其中0<c1<1,0<c2<1,且c1<c2;若极值点v'max出现在限定区间内,则极值点v'max为分段点。若极值点v'max未出现在限定区间,或无极值点时,默认分段点为c3vmax,其中0<c3<1,且c1≤c3≤c2,可取但不限于c1=0.6,c2=0.8,c3=0.8;所述分段点满足
其中,vs为分段点。
步骤五S500,建立风速与功率的回归模型。
所述步骤五中建立风速与功率的回归模型,具体为:
采用BP神经网络建模,所述采用BP神经网络建模包括:
(1)训练集X被风速分段点vs分为X1和X2两部分,X1中风速范围为(0,vs),X2中风速范围为[vs,vmax];设定风速间隔的取值,并对X1和X2按照风速间隔划分区间,剔除X2末端区间内数据量较少的区间,设定区间阈值,并对功率设定置信区间;
(2)使用BP神经网络分别建立X1和X2中风速与功率关系模型,风速作为训练的输入,对应的功率作为训练的目标,分别得到模型N1和N2。
(3)预测集Y中风速输入模型,当风速小于vs时使用模型N1进行预测,当风速大于vs时使用模型N2进行预测,得到预测结果。
本申请有益效果如下:
本发明提供的基于粒子群优化算法风速融合的风电功率预测的方法,通过从数据库得到训练集和预测集,再对训练集剔除非法数据并进行数据预处理,预处理包括实发风速平滑处理,实发功率与实发风速不匹配点处理,从而提高训练集数据的有效性和可靠性;
进一步的,通过计算不同气象源风速与实发风速的灰色关联度,并对关联度较大的风速使用粒子群算法计算融合系数,使用该系数融合训练集和预测集的不同气象源风速;根据建模风速分布特点,寻找分段点;最后,根据风速分段点把数据分为两部分建模,预测集风速根据分段点分别使用对应的模型进行功率预测,提高了预测精度。本发明提供的预测方法相比其他预测模型可以保持较好的稳定性,特别是在风速特性变化剧烈或单一气象源误差较大时可实现较好的预测效果。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于粒子群优化算法风速融合的风电功率预测的方法,其特征在于,所述方法包括:
步骤一,获取预设的时间范围内历史的风电场数据,得到训练集X和预测集Y;对所述风电场数据进行预处理;其中,所述风电场数据包括风电场实发风速、实发功率和多气象源风速数据;
步骤二,利用灰色关联分析选择气象源,将选择的气象源风速作为预测风电功率的风速数据;
步骤三,利用粒子群优化算法计算风速融合系数,以进行融合并得到与单一气象源风速相比较优的融合后风速数据,并采用所述融合后风速数据作为预测模型的输入;
步骤四,对训练集X中风速数据分段;
步骤五,建立风速与功率的回归模型;
其中,所述步骤三中所述利用粒子群优化算法计算风速融合系数,以进行融合并得到较优的融合后风速数据,具体为:
根据神经网络建模要求输入矩阵为V=[V1,V2,…,Vn],目标矩阵为P,其中式中,V1,V2,…,Vn表示不同的气象源风速;n表示选择的有n个气象源风速;P表示预测集目标矩阵;输入V与输出P行数相同;
(1)融合风速Vf=ω1V1+ω2V2+…+ωnVn,参数ω=[ω1,ω2,…,ωn]为对应气象源风速V融合系数向量,设定参数范围为[0,1];
(2)根据粒子群优化算法计算风速融合系数向量ω,设定适应度函数
Vdiff=|ωVT-Vture|=|ω1V1+ω2V2…+ωnVn-Vture|
式中,Vdiff表示偏差;Vture表示实发风速;
(3)粒子群优化算法得到最小Vdiff,此时对应的气象源风速融合系数向量ω为风速融合系数;
(4)使用气象源风速融合系数向量ω融合预测集Y中的各气象源天气预报风速,得到测试风速。
2.如权利要求1所述的方法,其特征在于,所述步骤一中所述对所述风电场数据进行预处理,具体为:
剔除训练集X中实发功率和实发风速出现的非法数据;和,剔除训练集X中的不匹配点。
3.如权利要求2所述的方法,其特征在于,所述剔除训练集X中实发功率和实发风速出现的非法数据,具体为:
判断训练集X中实发风速中是否存在的突变点,所述突变点包括实发风速值异常大,短期内实发风速值急剧增大或减小的点;若是,则对突变点平滑处理,所述对突变点平滑处理采用公式(1)消除实发风速的突变点;
其中,Vi为i时刻风速,Vi-1为i-1时刻风速,Vi+1为i+1时刻风速,Vi+2为i+2时刻风速,Vi+3为i+3时刻风速;ξ为相隔采样点风速变化的阈值;m为最大风速阈值;
所述实发风速值异常大具体为:i时刻风速大于m;
所述短期内实发风速值急剧增大或减小的点具体为:i时刻风速与i-1时刻风速的差大于ξ,并且,i+1时刻、i+2时刻、i+3时刻中,任一时刻风速与i时刻风速的差的绝对值大于ξ。
4.如权利要求2所述的方法,其特征在于,所述剔除训练集X中的不匹配点,具体为:
判断训练集X中是否存在风速与功率变化方向相反的数据,所述风速与功率变化方向相反的数据包括风速大、功率小的数据,以及风速小、功率大的数据;若存在,则采用不匹配点剔除方法来剔除不匹配点,所述不匹配点剔除方法包括:
步骤(1)数据标准化处理:
其中,Dmax为历史建模数据中的最大值;Dmin为历史建模数据中的最小值;D为实际值;D*为标准化处理后的值;
对历史建模数据中的实发功率、实发风速进行标准化处理,区间为[0,1];
步骤(2)不匹配点剔除:
其中,Pi为i时刻实发功率;Pi *为i时刻实发功率标准化处理后的值;Vi *为i时刻实发风速标准化处理后的值;s为标准化功率与风速差距阈值;在不匹配点实发功率上标记不匹配标记,删除处理实发功率带不匹配标记的那组数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610981411.2A CN106529719B (zh) | 2016-11-08 | 2016-11-08 | 基于粒子群优化算法风速融合的风电功率预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610981411.2A CN106529719B (zh) | 2016-11-08 | 2016-11-08 | 基于粒子群优化算法风速融合的风电功率预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529719A CN106529719A (zh) | 2017-03-22 |
CN106529719B true CN106529719B (zh) | 2020-09-11 |
Family
ID=58350060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610981411.2A Active CN106529719B (zh) | 2016-11-08 | 2016-11-08 | 基于粒子群优化算法风速融合的风电功率预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529719B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124003B (zh) * | 2017-04-28 | 2020-09-15 | 北京天诚同创电气有限公司 | 风力发电场风能预测方法和设备 |
CN107274006A (zh) * | 2017-05-23 | 2017-10-20 | 中国地质大学(武汉) | 一种基于贝叶斯推断的多源气象风速融合方法 |
CN107330248B (zh) * | 2017-06-08 | 2020-06-19 | 华南理工大学 | 一种基于改进型神经网络的短期风功率预测方法 |
CN107895202B (zh) * | 2017-10-24 | 2022-03-04 | 天津大学 | 基于多视角风速模式挖掘的短期风速预测方法 |
CN108009689A (zh) * | 2017-12-22 | 2018-05-08 | 北京金风慧能技术有限公司 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
CN108364071A (zh) * | 2018-02-06 | 2018-08-03 | 南京国电南自电网自动化有限公司 | 一种基于遗传规划法的自适应建模风功率预测方法 |
CN109687515A (zh) * | 2018-12-28 | 2019-04-26 | 广东工业大学 | 一种风电场的发电量控制方法及相关装置 |
CN110570034B (zh) * | 2019-08-29 | 2022-04-22 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
CN111695736B (zh) * | 2020-06-15 | 2023-04-21 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
CN111985711B (zh) * | 2020-08-19 | 2024-02-02 | 华北电力大学(保定) | 一种风电功率概率预测模型建立方法 |
CN112267972B (zh) * | 2020-10-22 | 2023-05-05 | 华能国际电力股份有限公司 | 一种风电机组功率曲线异常智能判定方法 |
CN115014366A (zh) * | 2022-05-31 | 2022-09-06 | 中国第一汽车股份有限公司 | 一种目标融合方法、装置、车辆及存储介质 |
CN117878933B (zh) * | 2024-03-13 | 2024-05-28 | 南京信息工程大学 | 一种基于突变气象环境识别的风电功率预测方法 |
-
2016
- 2016-11-08 CN CN201610981411.2A patent/CN106529719B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106529719A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN111626506B (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN111079343B (zh) | 一种基于宽度学习的风电机组有效风速估计方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115345076B (zh) | 一种风速订正处理方法及装置 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN106503861B (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
CN109558968B (zh) | 风电场出力相关性分析方法及装置 | |
Dong et al. | Wind power prediction based on multi-class autoregressive moving average model with logistic function | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |