CN106909983B - 基于卡尔曼滤波器多气象源超短期风速预测方法及装置 - Google Patents
基于卡尔曼滤波器多气象源超短期风速预测方法及装置 Download PDFInfo
- Publication number
- CN106909983B CN106909983B CN201710001786.2A CN201710001786A CN106909983B CN 106909983 B CN106909983 B CN 106909983B CN 201710001786 A CN201710001786 A CN 201710001786A CN 106909983 B CN106909983 B CN 106909983B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- short
- ultra
- updating
- prediction
- 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
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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于卡尔曼滤波器多气象源超短期风速预测方法及装置,包括:(1)根据超短期预测要求建立若干模型,然后分别进行模型更新及在线预测;(2)各模型初始化卡尔曼滤波器参数,更新先验误差协方差矩阵;(3)获取输入向量,并由此计算卡尔曼增益矩阵;(4)获取当前时刻实发风速,风速属于正常值范围内,则更新模型,否则,进入步骤(6),利用未更新的模型进行超短期预测;(5)更新后验误差协方差矩阵;(6)获取最新的输入向量,并由此计算更新后模型所计算超短期预测风速。本发明基于卡尔曼滤波器算法进行模型更新,解决超短期风速预测模型的自动更新问题,可在线实时对风速预测偏差进行修正,提高超短期风速预测精度。
Description
技术领域
本发明属于风电领域,特别是涉及到一种基于卡尔曼滤波器多气象源超短期风速预测方法及装置。
背景技术
风能具有随机性、间歇性的特点,对电网的运行调度带来很大的困难,超短期功率预测是指导电网进行日内发电计划调度及电力交易市场稳定运行的关键技术。风电超短期功率预测的准确性主要决定于超短期风速预测的准确性。当前风速超短期预测主要依靠数值天气预报NWP(Numerical Weather Prediction)的短期预测风速,但是NWP预测风速往往偏差较大,很难达到超短期功率预测所需精度。
当前解决NWP预测风速准确性不稳定的最有效手段主要是引入多个NWP系统的预测功率,然后与实际风速间建立回归模型,在线预测时根据此模型及NWP系统的短期预测风速预测出为了15分钟~4小时的超短期风速。
由于NWP预测风速偏差的不稳定性,需要不断更新风速回归模型,特别是天气模式变化比较频繁的时候,需要耗费大量人力物力进行模型的维护,无法自动进行模型的更新。
发明内容
本发明提出一种基于卡尔曼滤波器多气象源超短期风速预测方法及装置,解决超短期风速预测模型的自动更新问题,实时修正预测风速偏差,从而提高超短期预测风速的准确性。
为达到上述目的,本发明的技术方案是这样实现的,一种基于卡尔曼滤波器多气象源超短期风速预测方法,包括:
(1)根据超短期预测要求建立若干模型,然后分别进行模型更新及在线预测;
(2)各模型初始化卡尔曼滤波器参数,更新先验误差协方差矩阵;
(3)获取输入向量,并由此计算卡尔曼增益矩阵;
(4)获取当前时刻实发风速,风速属于正常值范围内,则更新模型,否则,进入步骤(6),利用未更新的模型进行超短期预测;
(5)更新后验误差协方差矩阵;
(6)获取最新的输入向量,并由此计算更新后的模型所计算超短期预测风速。
进一步的,步骤(1)所述建立模型,依据超短期预测超需要进15分钟~4小时风速预测,即采样周期为15分钟,共16步前向预测,共建立16个模型,然后分别进行模型更新及在线预测。
进一步的,步骤(2)所述更新先验误差协方差矩阵的公式为:P=P+Q,其中P为误差协方差矩阵初值,Q为状态噪声协方差矩阵。
进一步的,步骤(3)和步骤(6)所述输入向量为若干NWP气象源的短期预测风速。
进一步的,步骤(5)所述更新后验误差协方差矩阵的公式为:
P=(I-KxT)P
其中,K为步骤(3)计算得到的卡尔曼增益矩阵,x为输入向量。
本发明的另一方面,还提供了一种基于卡尔曼滤波器多气象源超短期风速预测装置,包括:
模型模块,用于根据超短期预测要求建立若干模型,然后分别进行模型更新及在线预测;
初始化模块,用于各模型初始化卡尔曼滤波器参数,更新先验误差协方差矩阵;
增益模块,用于获取输入向量,并由此计算卡尔曼增益矩阵;
风速模块,用于获取当前时刻实发风速,风速属于正常值范围内,则更新模型,否则,进入超短期预测模块,利用未更新的模型进行超短期预测;
更新模块,用于更新后验误差协方差矩阵;
超短期预测模块,用于获取最新的输入向量,并由此计算更新后的模型所计算超短期预测风速。
进一步的,模型模块包括模型管理单元,用于依据超短期预测超需要进15分钟~4小时风速预测,即采样周期为15分钟,共16步前向预测,共建立16个模型,然后分别进行模型更新及在线预测。
进一步的,初始化模块包括先验更新单元,用于更新先验误差协方差矩阵,公式为:P=P+Q,其中P为误差协方差矩阵初值,Q为状态噪声协方差矩阵。
进一步的,增益模块和超短期预测模块都包括向量单元,用于获取若干NWP气象源的短期预测风速作为输入向量。
进一步的,所述更新模块包括后验更新单元,用于更新后验误差协方差矩阵,公式为:
P=(I-KxT)P
其中,K为步骤(3)计算得到的卡尔曼增益矩阵,x为输入向量。
相对于现有技术,本发明所述一种基于卡尔曼滤波器多气象源超短期风速预测方法及装置的有益效果为:
本发明基于卡尔曼滤波器算法进行模型更新,解决超短期风速预测模型的自动更新问题,可以在线实时对风速预测偏差进行修正,提高超短期风速预测精度。
附图说明
图1是本发明实施例的NWP短期预测风速1-实际风速散点图;
图2是本发明实施例的NWP短期预测风速2-实际风速散点图;
图3是本发明实施例的NWP短期预测风速3-实际风速散点图;
图4是本发明实施例的卡尔曼16步超短期预测-实际风速散点图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
本发明引入卡尔曼滤波器进行NWP预测风速融合,由于超短期预测需要进行15分钟~4小时风速预测(采样周期为15分钟,共16步前向预测),而每步前向预测所用模型各不一样,所以需要建立16个模型,然后分别进行模型更新及在线预测。以下以k步前向预测为例进行说明,假设当前时刻为t,预测步长为k,t时刻实际风速为Vt;NWP气象源有3个,t-k时刻3个NWP气象源的短期预测风速分别为t+k时刻3个NWP气象源的短期预测风速分别为风速预测模型为θ,模型输入向量则为t+k时刻超短期预测风速为
初始参数设置如下:初始模型可以设为M0=[0 1 0 0]T,卡尔曼滤波器相关参数测量噪声方差R=1,状态噪声协方差矩阵Q为4阶单位矩阵,误差协方差矩阵初值P为4阶单位矩阵。利用卡尔曼滤波器进行模型在线更新及超短期风速预测流程如下:
1)更新先验误差协方差矩阵P=P+Q
3)获取当前时刻实发风速Vt,由于风速正常值范围为(0,40),为了防止实际风速采集过程中出现故障情况,需要判断Vt是否在该范围内,如果在此范围内,则更新模型θ=θ+K(Vt-xθ);否则不更新模型,进入第5)步,利用未更新的模型进行超短期预测。
4)更新后验误差协方差阵P=(I-KxT)P
以河北某风电场的风速数据为例,为该电场提供了3组NWP预测风速,一般以均方根误差(RMSE:Root Mean Square Error)来衡量预测风速的准确性,其计算公式如式1所示,其中n为验证数据段样本个数,s为实际风速,ps为预测风速,RMSE越小说明预测风速精度越高。
这三组NWP预测风速的均方根误差分别为2.32,2.11,2.08,每组预测风速与实际风速的散点分布图如图1、图2、图3所示。采用卡尔曼滤波器进行超短期预测后,16步预测风速与实际风速的散点图如图4所示,从散点图上也可以看出融合后的预测风速-实际风速的散点图最为紧凑,偏差最小。其均分根误差为1.33,较精度最高的NWP3预测风速,RMSE减少了36.06%,达到预期精度。
以上描述了本发明的基本原理、主要特征和实施方案等信息,但是本发明不受上述实施过程的限制,在不脱离发明精神和范围的前提下,本发明还可以有各种变化和改进。因此,除非这种变化和改进脱离了本发明的范围,它们应该被看作包含在本发明中。
Claims (10)
1.一种基于卡尔曼滤波器多气象源超短期风速预测方法,其特征在于,包括:
(1)根据超短期预测要求建立若干模型,然后分别进行模型更新及在线预测;
(2)各模型初始化卡尔曼滤波器参数,更新先验误差协方差矩阵;
(3)获取输入向量,并由此计算卡尔曼增益矩阵;
(4)获取当前时刻实发风速,风速属于正常值范围内,则更新模型,否则,进入步骤(6),利用未更新的模型进行超短期预测;
(5)更新后验误差协方差矩阵;
(6)获取最新的输入向量,并由此计算更新后的模型所计算超短期预测风速。
2.根据权利要求1所述的方法,其特征在于,步骤(1)所述建立模型,依据超短期预测超需要进15分钟~4小时风速预测,即采样周期为15分钟,共16步前向预测,共建立16个模型,然后分别进行模型更新及在线预测。
3.根据权利要求1所述的方法,其特征在于,步骤(2)所述更新先验误差协方差矩阵的公式为:P=P+Q,其中P为误差协方差矩阵初值,Q为状态噪声协方差矩阵。
4.根据权利要求1所述的方法,其特征在于,步骤(3)和步骤(6)所述输入向量为若干NWP气象源的短期预测风速。
5.根据权利要求1所述的方法,其特征在于,步骤(5)所述更新后验误差协方差矩阵的公式为:
P=(I-KxT)P
其中,K为步骤(3)计算得到的卡尔曼增益矩阵,x为输入向量。
6.一种基于卡尔曼滤波器多气象源超短期风速预测装置,其特征在于,包括:
模型模块,用于根据超短期预测要求建立若干模型,然后分别进行模型更新及在线预测;
初始化模块,用于各模型初始化卡尔曼滤波器参数,更新先验误差协方差矩阵;
增益模块,用于获取输入向量,并由此计算卡尔曼增益矩阵;
风速模块,用于获取当前时刻实发风速,风速属于正常值范围内,则更新模型,否则,进入超短期预测模块,利用未更新的模型进行超短期预测;
更新模块,用于更新后验误差协方差矩阵;
超短期预测模块,用于获取最新的输入向量,并由此计算更新后的模型所计算超短期预测风速。
7.根据权利要求6所述的装置,其特征在于,模型模块包括模型管理单元,用于依据超短期预测超需要进15分钟~4小时风速预测,即采样周期为15分钟,共16步前向预测,共建立16个模型,然后分别进行模型更新及在线预测。
8.根据权利要求6所述的装置,其特征在于,初始化模块包括先验更新单元,用于更新先验误差协方差矩阵,公式为:P=P+Q,其中P为误差协方差矩阵初值,Q为状态噪声协方差矩阵。
9.根据权利要求6所述的装置,其特征在于,增益模块和超短期预测模块都包括向量单元,用于获取若干NWP气象源的短期预测风速作为输入向量。
10.根据权利要求6所述的装置,其特征在于,所述更新模块包括后验更新单元,用于更新后验误差协方差矩阵,公式为:
P=(I-KxT)P
其中,K为步骤(3)计算得到的卡尔曼增益矩阵,x为输入向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710001786.2A CN106909983B (zh) | 2017-01-03 | 2017-01-03 | 基于卡尔曼滤波器多气象源超短期风速预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710001786.2A CN106909983B (zh) | 2017-01-03 | 2017-01-03 | 基于卡尔曼滤波器多气象源超短期风速预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106909983A CN106909983A (zh) | 2017-06-30 |
CN106909983B true CN106909983B (zh) | 2020-03-13 |
Family
ID=59206456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710001786.2A Active CN106909983B (zh) | 2017-01-03 | 2017-01-03 | 基于卡尔曼滤波器多气象源超短期风速预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106909983B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508475A (zh) * | 2018-10-17 | 2019-03-22 | 北京航空航天大学 | 一种基于多维卡尔曼滤波修正的故障主动预测方法 |
CN112036595B (zh) * | 2019-12-10 | 2023-05-12 | 北京信息科技大学 | 基于多位置数值天气预报短期风电功率预测方法和系统 |
CN113360854B (zh) * | 2021-08-10 | 2021-11-05 | 中国人民解放军国防科技大学 | 基于自适应协方差膨胀的资料同化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2169508A1 (fr) * | 2008-09-30 | 2010-03-31 | MBDA France | Système de guidage d'un projectile |
CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
CN103605908A (zh) * | 2013-12-03 | 2014-02-26 | 天津工业大学 | 基于卡尔曼滤波的风速序列预测方法 |
CN104573876A (zh) * | 2015-01-28 | 2015-04-29 | 华北电力大学(保定) | 基于时序长记忆模型的风电场短期风速预测方法 |
CN105654189A (zh) * | 2015-12-23 | 2016-06-08 | 西安工程大学 | 基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法 |
-
2017
- 2017-01-03 CN CN201710001786.2A patent/CN106909983B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2169508A1 (fr) * | 2008-09-30 | 2010-03-31 | MBDA France | Système de guidage d'un projectile |
CN102708305A (zh) * | 2012-06-20 | 2012-10-03 | 天津工业大学 | 一种基于卡尔曼滤波融合的风速序列预测方法 |
CN103605908A (zh) * | 2013-12-03 | 2014-02-26 | 天津工业大学 | 基于卡尔曼滤波的风速序列预测方法 |
CN104573876A (zh) * | 2015-01-28 | 2015-04-29 | 华北电力大学(保定) | 基于时序长记忆模型的风电场短期风速预测方法 |
CN105654189A (zh) * | 2015-12-23 | 2016-06-08 | 西安工程大学 | 基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法 |
Non-Patent Citations (1)
Title |
---|
基于卡尔曼滤波的风速序列短期预测方法;修春波;《电工技术学报》;20140228;第253-258页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106909983A (zh) | 2017-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909983B (zh) | 基于卡尔曼滤波器多气象源超短期风速预测方法及装置 | |
AU2012201444A1 (en) | Wind power prediction method of single wind turbine generator | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
CN109543317A (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
CN115436812B (zh) | 一种基于拼接因子的电化学模型参数辨识方法和系统 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质 | |
CN112270439A (zh) | 超短期风电功率预测方法、装置、电子设备及存储介质 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN103885867A (zh) | 一种模拟电路性能的在线评价方法 | |
CN110795841A (zh) | 一种间歇性能源出力不确定性的数学建模方法 | |
CN114519470A (zh) | 一种风电中长期发电量预测方法及装置 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN115358314A (zh) | 风电功率预测模型的训练和功率预测的方法、装置和设备 | |
CN116231749A (zh) | 基于数字孪生的新能源电力系统调度方法 | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
CN113642766B (zh) | 一种电力系统站点停电数的预测方法、装置、设备及介质 | |
CN117216720B (zh) | 一种分布式光伏有功的多系统数据融合方法 | |
CN110598956A (zh) | 一种光伏电站的发电功率预测方法及装置 | |
CN113609758B (zh) | 一种新建风电场的功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
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 |