CN106897481B - 利用空间多点功率预测特征的风功率集成预测方法及装置 - Google Patents

利用空间多点功率预测特征的风功率集成预测方法及装置 Download PDF

Info

Publication number
CN106897481B
CN106897481B CN201710002218.4A CN201710002218A CN106897481B CN 106897481 B CN106897481 B CN 106897481B CN 201710002218 A CN201710002218 A CN 201710002218A CN 106897481 B CN106897481 B CN 106897481B
Authority
CN
China
Prior art keywords
power
sequence
prediction
historical
nwp
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
Application number
CN201710002218.4A
Other languages
English (en)
Other versions
CN106897481A (zh
Inventor
向婕
雍正
闫涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sprixin Technology Co ltd
Original Assignee
Sprixin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN201710002218.4A priority Critical patent/CN106897481B/zh
Publication of CN106897481A publication Critical patent/CN106897481A/zh
Application granted granted Critical
Publication of CN106897481B publication Critical patent/CN106897481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种利用空间多点功率预测特征的风功率集成预测方法及装置，方法包括将数值天气预报多个格点的气象预报结果分别输入功率预测模型中，再结合历史输出功率进行集成建模，最终实现集成功率预测。本发明通过结合不同格点数值天气预报(NWP)气象预测结果，获得空间多点功率预测特征，充分反映新能源场站功率未来趋势变化的可能性，避免了以往用单个NWP格点预测结果可能由于反应气象变化不够全面而影响功率预测精度的缺点，本发明充分利用了不同格点的气象预测特征，更加全面反应新能源场站气象条件的变化对功率预测的影响，从而提高新能源预测的准确性。

Description

利用空间多点功率预测特征的风功率集成预测方法及装置
技术领域
本发明属于风电功率预测技术领域，尤其是涉及一种利用空间多点功率预测特征的风功率集成预测方法及装置。
背景技术
近年来，政府推出一些列政策大力支持和发展新能源，以风电和光伏发电为代表的新能源装机容量呈现出飞速增长的趋势。然而，新能源由于本身受到气象条件的影响，其波动性和间歇性特点对电力系统安全的冲击随着并网容量的增加而逐渐显现。对新能源输出功率进行准确预测，能够帮助电力调度人员优化调度策略，保证电网安全经济运行。目前对于风电场或光伏电站的发电功率预测方法主要是将历史气象数据与输出功率实测数据建立功率预测数学模型，再将数值天气预报(Numerical Weather Prediction，NWP)的气象预报结果输入到功率预测模型中，对新能源场站的输出功率进行预测。
NWP在计算过程中，将大气要素在空间的连续场进行离散，转换为格点形式对数学物理方程组进行求解，其预报结果也以格点的形式进行输出。为了能够模拟更加精细的大气变化过程，大多采用空间分辨率较高的NWP进行模拟，因此风电场或光伏电站所覆盖的地理范围在高空间分辨率的NWP中，往往占据较多格点。因此，如何选择合适格点，提取气象预报结果，作为新能源场站代表性气象预报，并进一步进行功率预测成为目前新能源功率预测技术的重点之一。
在新能源的功率预测过程中，选择电场\电站的中心坐标或发电设备(风机、太阳能板)较为密集的地点坐标对应的格点提取NWP预报结果是目前常见的办法之一。此外，也有一些方法则是根据实测气象结果或电场出力情况，对新能源电场及其周边范围对应格点的预报结果进行筛选，获得最优格点气象预报数据进行功率预测。但是，对于包含多个NWP格点的新能源场站，某一个格点的预报结果往往只能代表该场站气象条件的一部分信息，输入到功率预测模型中，其预测结果的精度也会因此受到制约。
发明内容
有鉴于此，本发明旨在提出一种利用空间多点功率预测特征的风功率集成预测方法，将多个格点的预报结果分别输入功率预测模型中，再结合历史输出功率进行集成建模，最终实现集成功率预测。
为达到上述目的，本发明的技术方案是这样实现的：
一种利用空间多点功率预测特征的风功率集成预测方法，包括如下步骤：
(1)基于不同格点的NWP气象后报结果及风功率预测模型获得对应格点的风电场后报功率预测结果，与风电场历史实际输出功率进行对比，获得优选格点，并建立功率集成模型；
(2)基于NWP及功率预测模型的风功率预测结果，得到功率预测序列；
(3)将功率预测序列输入到功率集成模型得到预测功率。
进一步的，所述步骤(1)具体包括如下步骤：
(a1)按照新能源场站地理范围，找出其所覆盖的NWP中的格点群，包括格点1、格点2、……、格点n；
(a2)基于步骤(a1)中的格点，提取某段历史时期NWP相对应的后报气象要素序列x1、x2、……、xn；
(a3)将历史后报的气象要素序列x1、x2、……、xn,结合该电场的功率预测模型，获得历史后报功率序列p1、p2、……、pn；
(a4)结合同期历史实测气象数据，对新能源场站的同期历史实测功率的异常数据进行剔除，获得历史实发功率序列pr1、pr2、……、prn；
(a5)分别计算历史后报功率序列与对应时期历史实发功率序列的相关系数Ri和均方根误差RMESi；
(a6)从步骤(a5)获取的相关系数序列中选取L个最大的相关系数Rmax1、Rmax2、……、RmaxL所对应的格点序列作为待选序列；
(a7)根据步骤(a6)获得的待选序列，从中选取K个最小均方根误差序列对应的格点作为最优预报格点，其中K≤L；
(a8)根据获得K个最优预报格点对应的历史后报功率序列，以及新能源场站历史同期实发功率序列获得集成拟合多项式，进而获得功率集成模型。
进一步的，所述步骤(a4)中异常数据包括：实发功率采集系统中设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、连续3个或以上时刻维持同一值的实测值以及不满足该风电场“风速-功率”曲线的实测值。
进一步的，所述步骤(a5)中，相关系数Ri按以下公式计算：
Figure GDA0002438070740000031
其中，i为第i个格点序号，i＝1，2，…，n，n代表格点总数；Ri代表第i个格点的NWP功率预测值与实测值的相关系数；pi代表第i个格点的NWP功率预测值；pr代表新能源场站的功率实况值；m代表功率预测值和实测值的样本序号，m＝1，2，…，M，M代表样本总数。
均方根误差RMESi按照以下公式计算：
Figure GDA0002438070740000041
其中，i为第i个格点序号，i＝1，2，…，n，n代表格点总数；RMSEi代表第i个NWP功率预测值与实测值的均方根误差；pi代表第i个NWP功率预测值；pr代表功率实况值；m代表功率预测值和实测值的样本序号，m＝1，2，…，M，M代表样本总数。
进一步的，所述步骤(a8)中，利用最小二乘法、粒子群(PSO)、神经网络算法获得功率集成模型。
进一步的，最小二乘法步骤如下：
(a)由步骤(a7)筛选出的K个最优预报格点对应的历史后报功率序列以矩阵形式表示为：
Figure GDA0002438070740000042
其中，o为预测功率样本数；
功率速矩阵为：
Figure GDA0002438070740000051
功率集成拟合多项式为
Pr＝A·P
其中，A为常数项矩阵，为
Figure GDA0002438070740000052
(b)分别计算
Figure GDA0002438070740000053
和
Figure GDA0002438070740000054
其中，o为预测功率样本数，k为步骤(a7)筛选出的格点个数，总数为K；
(c)利用正规方程组，求出矩阵A，获得拟合多项式；
(d)根据拟合多项式，结合步骤(a7)筛选出的格点所对应的历史后报功率序列，获得功率集成模型。
进一步的，获取基于NWP的风功率预测结果，得到功率预测序列是从NWP结果中提取出步骤(a7)筛选的K个最优格点对应的气象要素预报值，分别输入到功率预测模型中，得到相对应的K个功率预测序列。
进一步的，所述步骤(3)是将由步骤(2)获得的K个功率预测序列输入到功率集成模型中，获得预测功率。
相对于现有技术，本发明所述的一种利用空间多点功率预测特征的风功率集成预测方法具有以下优势：
(1)本发明利用NWP中多个格点气象预测值获得多个功率预测结果，根据多个格点的预测功率特征与功率特征相对比，进行集成，充分利用了不同格点的气象预测特征，更加全面反应新能源场站气象条件的变化对功率预测的影响，从而提高新能源预测的准确性；
(2)本方法通过结合不同格点NWP气象预测结果，获得空间多点功率预测特征，充分反映新能源场站功率未来趋势变化，避免了以往用单个NWP格点预测结果可能由于反应气象变化不够全面而影响功率预测精度的缺点。
本发明的另一目的在于提出一种利用空间多点功率预测特征的风功率集成预测装置，以提高预测精度。
为达到上述目的，本发明的技术方案是这样实现的：
一种利用空间多点功率预测特征的风功率集成预测装置，包括
用于利用不同格点的NWP气象预测结果建立功率集成模型的功率集成模型建立装置；
用于获取基于NWP的风功率预测结果，得到功率预测序列的功率序列预测装置；
用于将功率预测序列输入到功率集成模型得到预测功率的功率预测装置。
进一步的，所述功率集成模型建立装置包括
用于按照新能源场站地理范围，找出其所覆盖的NWP中的格点群，包括格点1、格点2、……、格点n的格点群选取装置；
用于基于格点群选取装置获得的格点提取某段历史时期NWP相对应的预报气象要素序列x1、x2、……、xn的气象要素提取装置；
用于将历史后报的气象要素序列x1、x2、……、xn结合该电场的功率预测模型，获得历史后报功率序列p1、p2、……、pn的历史后报功率序列获取装置；
用于结合同期历史实测气象数据对新能源场站的同期历史实测功率的异常数据进行剔除，获得历史实发功率序列pr1、pr2、……、prn的历史实发功率序列获取装置；
用于分别计算历史后报功率序列与对应时期历史实发功率序列的相关系数Ri和均方根误差RMESi的相关系数计算装置以及均方根误差计算装置；
用于根据相关系数计算装置中获得的相关系数序列选取L个最大的相关系数Rmax1、Rmax2、……、RmaxL所对应的格点序列作为待选序列的格点序列选取装置；
用于根据最大相关系数选取装置获得的待选序列，从中选取K个最小均方根误差序列对应的格点作为最优预报格点，其中K≤L的最优预报格点获取装置；
用于根据获得K个最优预报格点对应的历史后报功率序列，以及新能源场站历史同期实发功率序列获得集成拟合多项式，进而获得功率集成模型的功率集成模型获取装置。
所述一种利用空间多点功率预测特征的风功率集成预测装置与上述一种利用空间多点功率预测特征的风功率集成预测方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种利用空间多点功率预测特征的风功率集成预测方法示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明的方法包括如下步骤：
1)按照新能源场站地理范围，找出其所覆盖的NWP中的格点群(格点1、格点2、……、格点n；其中，n代表新能源电场\电站及周边地区的地理坐标范围在NWP中找出对应的格点数)。
2)结合步骤1)中的格点，提取某段历史时期NWP相对应的后报气象要素(风速、辐照度等)序列x1、x2、……、xn。
3)将历史后报的气象要素序列x1、x2、……、xn结合该电场的功率预测模型，获得历史后报功率序列p1、p2、……、pn。
4)结合同期历史实测气象数据，对新能源场站的同期历史实测功率的异常数据进行剔除，获得历史实发功率序列pr1、pr2、……、prn。该步骤中的“异常数据”包括：实发功率采集系统中设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、连续3个或以上时刻维持同一值的实测值以及不满足该风电场“风速-功率”曲线的实测值。
5)分别计算历史后报功率序列与对应时期历史实发功率序列的相关系数R1、R2、……、Rn和均方根误差RMES1、RMES2、……、RMESn；其中，相关系数Ri按以下公式计算：
Figure GDA0002438070740000091
其中，i为第i个格点序号，i＝1，2，…，n，n代表格点总数；Ri代表第i个格点的NWP功率预测值与实测值的相关系数；pi代表第i个格点的NWP功率预测值；pr代表新能源场站的功率实况值；m代表功率预测值和实测值的样本序号，m＝1，2，…，M，M代表样本总数。
均方根误差RMESi按照以下公式计算：
Figure GDA0002438070740000092
其中，i为第i个格点序号，i＝1，2，…，n，n代表格点总数；RMSEi代表第i个NWP功率预测值与实测值的均方根误差；pi代表第i个NWP功率预测值；pr代表功率实况值；m代表功率预测值和实测值的样本序号，m＝1，2，…，M，M代表样本总数。
6)从步骤5获取的相关系数序列中选取L个最大的相关系数Rmax1、Rmax2、……、RmaxL所对应的格点序列作为待选序列，其中L的大小一般设定为n/10；
7)根据步骤6获得的待选序列，从中选取K个最小均方根误差序列对应的格点作为最优预报格点，其中K≤L；
8)结合步骤7中获得K个最优预报格点对应的历史后报功率序列，以及新能源场站历史同期实发功率序列，采用最小二乘法，获得集成拟合多项式，进而获得功率集成模型；其中：最小二乘法步骤如下：
a.由步骤7筛选出的K个最优预报格点对应的历史后报功率序列以矩阵形式表示为：
Figure GDA0002438070740000101
其中，o为预测功率速样本数；
实测功率速矩阵为：
Figure GDA0002438070740000102
功率集成拟合多项式为
Pr＝A·P
其中，A为常数项矩阵，为
Figure GDA0002438070740000103
b.分别计算
Figure GDA0002438070740000104
和
Figure GDA0002438070740000105
其中，o为预测功率序列样本数，k为步骤7筛选出的格点个数，总数为K；
c.利用正规方程组，求出矩阵A，获得拟合多项式；
d.根据拟合多项式，结合步骤7筛选出的格点所对应的历史后报功率序列，获得功率集成模型。
9)在预报时期，将从NWP结果中提取出步骤7筛选的K个最优格点对应的气象要素预报值，分别输入到功率预测模型中，得到相对应的K个功率预测序列；
10)根据步骤9)获得的K个功率预测序列输入到由步骤8)获得的功率集成模型中，获得最终的新能源场站的功率预测结果。
本发明还提出一种利用空间多点功率预测特征的风功率集成预测装置，包括
(1)基于不同格点的NWP气象后报结果及风功率预测模型获得对应格点的风电场后报功率预测结果，与风电场历史实际输出功率进行对比，获得优选格点，并建立功率预测集成模型建立装置包括
用于按照新能源场站地理范围，找出其所覆盖的NWP中的格点群，包括格点1、格点2、……、格点n的格点群选取装置；
用于基于格点群选取装置获得的格点提取某段历史时期NWP相对应的预报气象要素序列x1、x2、……、xn的气象要素提取装置；
用于将历史后报的气象要素序列x1、x2、……、xn结合该电场的功率预测模型，获得历史后报功率序列p1、p2、……、pn的历史后报功率序列获取装置；
用于结合同期历史实测气象数据对新能源场站的同期历史实测功率的异常数据进行剔除，获得历史实发功率序列pr1、pr2、……、prn的历史实发功率序列获取装置；
用于分别计算历史后报功率序列与对应时期历史实发功率序列的相关系数Ri和均方根误差RMESi的相关系数计算装置以及均方根误差计算装置；
用于选取根据相关系数计算装置中获得的相关系数序列L个最大的相关系数Rmax1、Rmax2、……、RmaxL所对应的格点序列作为待选序列的格点序列选取装置；
用于根据最大相关系数选取装置获得的待选序列，从中选取K个最小均方根误差序列对应的格点作为最优预报格点，其中K≤L的最优预报格点获取装置；
用于根据获得K个最优预报格点对应的历史后报功率序列，以及新能源场站历史同期实发功率序列获得集成拟合多项式，进而获得功率集成模型的功率集成模型获取装置。
(2)用于基于NWP及功率预测模型的风电功率预测结果，得到功率预测序列的功率序列预测装置；
(3)用于将功率预测序列输入到功率集成模型得到预测功率的功率预测装置。
以上所述仅为本发明的较佳实施例而已，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 (8)

1.一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：包括如下步骤：
(1)基于不同格点的NWP气象后报结果及风功率预测模型获得对应格点的风电场后报功率预测结果，与风电场历史实际输出功率进行对比，获得优选格点，并建立功率集成模型；
(2)基于NWP及功率预测模型的风功率预测结果，得到功率预测序列；
(3)将功率预测序列输入到功率集成模型得到预测功率；
所述步骤(1)具体包括如下步骤：
(a1)按照新能源场站地理范围，找出其所覆盖的NWP中的格点群，包括格点1、格点2、……、格点n；
(a2)基于步骤(a1)中的格点，提取某段历史时期NWP相对应的后报气象要素序列x1、x2、……、xn；
(a3)将历史后报的气象要素序列x1、x2、……、xn,结合该电场的功率预测模型，获得历史后报功率序列p1、p2、……、pn；
(a4)结合同期历史实测气象数据，对新能源场站的同期历史实测功率的异常数据进行剔除，获得历史实发功率序列pr1、pr2、……、prn；
(a5)分别计算历史后报功率序列与对应时期历史实发功率序列的相关系数Ri和均方根误差RMESi；
(a6)从步骤(a5)获取的相关系数序列中选取L个最大的相关系数Rmax1、Rmax2、……、RmaxL所对应的格点序列作为待选序列；
(a7)根据步骤(a6)获得的待选序列，从中选取K个最小均方根误差序列对应的格点作为最优预报格点，其中K≤L；
(a8)根据获得K个最优预报格点对应的历史后报功率序列，以及新能源场站历史同期实发功率序列获得集成拟合多项式，进而获得功率集成模型。
2.根据权利要求1所述的一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：所述步骤(a4)中异常数据包括：实发功率采集系统中设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、连续3个或以上时刻维持同一值的实测值以及不满足该风电场“风速-功率”曲线的实测值。
3.根据权利要求1所述的一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：所述步骤(a5)中，相关系数Ri按以下公式计算：
Figure FDA0002438070730000021
其中，i为第i个格点序号，i＝1，2，…，n，n代表格点总数；Ri代表第i个格点的NWP功率预测值与实测值的相关系数；pi代表第i个格点的NWP功率预测值；pr代表新能源场站的功率实况值；m代表功率预测值和实测值的样本序号，m＝1，2，…，M，M代表样本总数；
均方根误差RMESi按照以下公式计算：
Figure FDA0002438070730000022
其中，i为第i个格点序号，i＝1，2，…，n，n代表格点总数；RMSEi代表第i个NWP功率预测值与实测值的均方根误差；pi代表第i个NWP功率预测值；pr代表功率实况值；m代表功率预测值和实测值的样本序号，m＝1，2，…，M，M代表样本总数。
4.根据权利要求1所述的一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：所述步骤(a8)中，利用最小二乘法、粒子群、神经网络算法获得功率集成模型。
5.根据权利要求4所述的一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：最小二乘法步骤如下：
(a)由步骤(a7)筛选出的K个最优预报格点对应的历史后报功率序列以矩阵形式表示为：
Figure FDA0002438070730000031
其中，o为预测功率样本数；
功率速矩阵为：
Figure FDA0002438070730000032
功率集成拟合多项式为
Pr＝A·P
其中，A为常数项矩阵，为
Figure FDA0002438070730000041
(b)分别计算
Figure FDA0002438070730000042
和
Figure FDA0002438070730000043
其中，o为预测功率样本数，k为步骤(a7)筛选出的格点个数，总数为K；
(c)利用正规方程组，求出矩阵A，获得拟合多项式；
(d)根据拟合多项式，结合步骤(a7)筛选出的格点所对应的历史后报功率序列，获得功率集成模型。
6.根据权利要求1所述的一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：获取基于NWP的风功率预测结果，得到功率预测序列是从NWP结果中提取出步骤(a7)筛选的K个最优格点对应的气象要素预报值，分别输入到功率预测模型中，得到相对应的K个功率预测序列。
7.根据权利要求6所述的一种利用空间多点功率预测特征的风功率集成预测方法，其特征在于：所述步骤(3)是将由步骤(2)获得的K个功率预测序列输入到功率集成模型中，获得预测功率。
8.一种利用空间多点功率预测特征的风功率集成预测装置，其特征在于：包括
基于不同格点的NWP气象后报结果及风功率预测模型获得对应格点的风电场后报功率预测结果，与风电场历史实际输出功率进行对比，获得优选格点，并建立功率预测集成模型建立装置；
用于基于NWP及功率预测模型的风功率预测结果，得到功率预测序列的功率序列预测装置；
用于将功率预测序列输入到功率集成模型得到预测功率的功率预测装置；
所述功率集成模型建立装置包括
用于按照新能源场站地理范围，找出其所覆盖的NWP中的格点群，包括格点1、格点2、……、格点n的格点群选取装置；
用于基于格点群选取装置获得的格点提取某段历史时期NWP相对应的预报气象要素序列x1、x2、……、xn的气象要素提取装置；
用于将历史后报的气象要素序列x1、x2、……、xn结合该电场的功率预测模型，获得历史后报功率序列p1、p2、……、pn的历史后报功率序列获取装置；
用于结合同期历史实测气象数据对新能源场站的同期历史实测功率的异常数据进行剔除，获得历史实发功率序列pr1、pr2、……、prn的历史实发功率序列获取装置；
用于分别计算历史后报功率序列与对应时期历史实发功率序列的相关系数Ri和均方根误差RMESi的相关系数计算装置以及均方根误差计算装置；
用于根据相关系数计算装置中获得的相关系数序列选取L个最大的相关系数Rmax1、Rmax2、……、RmaxL所对应的格点序列作为待选序列的格点序列选取装置；
用于根据最大相关系数选取装置获得的待选序列，从中选取K个最小均方根误差序列对应的格点作为最优预报格点，其中K≤L的最优预报格点获取装置；
用于根据获得K个最优预报格点对应的历史后报功率序列，以及新能源场站历史同期实发功率序列获得集成拟合多项式，进而获得功率集成模型的功率集成模型获取装置。
CN201710002218.4A 2017-01-03 2017-01-03 利用空间多点功率预测特征的风功率集成预测方法及装置 Active CN106897481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710002218.4A CN106897481B (zh) 2017-01-03 2017-01-03 利用空间多点功率预测特征的风功率集成预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710002218.4A CN106897481B (zh) 2017-01-03 2017-01-03 利用空间多点功率预测特征的风功率集成预测方法及装置

Publications (2)

Publication Number Publication Date
CN106897481A CN106897481A (zh) 2017-06-27
CN106897481B true CN106897481B (zh) 2020-06-26

Family

ID=59198292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710002218.4A Active CN106897481B (zh) 2017-01-03 2017-01-03 利用空间多点功率预测特征的风功率集成预测方法及装置

Country Status (1)

Country Link
CN (1) CN106897481B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887843B (zh) * 2021-12-07 2022-08-16 中国电力科学研究院有限公司 一种风电场输出功率的群体预测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009138523A (ja) * 2007-12-03 2009-06-25 Mitsubishi Electric Corp 風力発電出力予測方法
CN102545211A (zh) * 2011-12-21 2012-07-04 西安交通大学 一种通用的用于风电功率预测的数据预处理装置及方法
CN103633739A (zh) * 2013-11-28 2014-03-12 中国科学院广州能源研究所 一种微电网能量管理系统和方法
CN106229972A (zh) * 2016-08-16 2016-12-14 北京国能日新系统控制技术有限公司 一种基于多气象源集成并分段建模的风电功率预测方法
US10215162B2 (en) * 2013-02-28 2019-02-26 Utopus Insights, Inc. Forecasting output power of wind turbine in wind farm

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009138523A (ja) * 2007-12-03 2009-06-25 Mitsubishi Electric Corp 風力発電出力予測方法
CN102545211A (zh) * 2011-12-21 2012-07-04 西安交通大学 一种通用的用于风电功率预测的数据预处理装置及方法
US10215162B2 (en) * 2013-02-28 2019-02-26 Utopus Insights, Inc. Forecasting output power of wind turbine in wind farm
CN103633739A (zh) * 2013-11-28 2014-03-12 中国科学院广州能源研究所 一种微电网能量管理系统和方法
CN106229972A (zh) * 2016-08-16 2016-12-14 北京国能日新系统控制技术有限公司 一种基于多气象源集成并分段建模的风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于本熵和极端学习机的超短期风电功率组合预测模型;张学清等;《中国电机工程学报》;20130915;第33卷(第25期);第33-40页 *
短期风电功率预测误差综合评价方法;徐曼等;《电力系统自动化》;20110625;第35卷(第12期);第20-26页 *

Also Published As

Publication number Publication date
CN106897481A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
WO2017054537A1 (zh) 一种长时间尺度光伏出力时间序列建模方法及装置
CN112257941B (zh) 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN106779226B (zh) 一种基于混核机器学习的风机批功率预测方法
Wang et al. Decision tree based online stability assessment scheme for power systems with renewable generations
Zhang et al. GEFCom2014 probabilistic solar power forecasting based on k-nearest neighbor and kernel density estimator
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN104732296A (zh) 一种分布式光伏输出功率短期预测模型建模方法
CN106229972B (zh) 一种基于多气象源集成并分段建模的风电功率预测方法
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN104252649A (zh) 一种计及多风电场相关性的区域风电出力预测方法
CN107609774B (zh) 一种基于思维进化算法优化小波神经网络的光伏功率预测方法
CN104102951A (zh) 一种基于emd历史数据预处理的短期风电功率预测方法
CN105447572A (zh) 一种基于遗传算法优化神经网络的风电功率预测系统及方法
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN112580874A (zh) 一种基于随机森林算法和tcn的短期风电功率预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN116629416A (zh) 光伏电站功率预测方法及装置
CN106886564A (zh) 一种基于空间聚类订正nwp风能图谱的方法及装置
CN115049163A (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN105956708A (zh) 基于灰关联时间序列的短期风速预测方法
CN109388863B (zh) 一种基于arima模型的分布式光伏出力功率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No.227, 2f, building 1, building materials City, Xisanqi, Haidian District, Beijing 100091

Applicant after: New energy Polytron Technologies Inc

Address before: 100081, No. 19, building 68, College Road, Haidian District, Beijing, four, 407

Applicant before: Beijing Guo Nengxin system control technique company limited

GR01 Patent grant
GR01 Patent grant