CN107016470A - 风力发电场风能预测方法和装置 - Google Patents
风力发电场风能预测方法和装置 Download PDFInfo
- Publication number
- CN107016470A CN107016470A CN201710300301.XA CN201710300301A CN107016470A CN 107016470 A CN107016470 A CN 107016470A CN 201710300301 A CN201710300301 A CN 201710300301A CN 107016470 A CN107016470 A CN 107016470A
- Authority
- CN
- China
- Prior art keywords
- wind
- model
- data
- historical
- wind energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 82
- 239000002245 particle Substances 0.000 claims description 65
- 238000004422 calculation algorithm Methods 0.000 claims description 62
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 62
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009326 social learning Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (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)
Abstract
提供了一种风力发电场风能预测方法和装置。所述风力发电场风能预测方法包括：采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；获取预测的气象变量数据；通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。根据本发明的风力发电场风能预测方法和装置，可提高对风力发电机输出的风能的预测的准确性。
Description
技术领域
本发明总体说来涉及风力发电机技术领域，更具体地讲，涉及一种风力发电场风能预测方法和装置。
背景技术
目前，以风能发电为主的可再生能源利用在许多国家获得重视。尽管环境效益显著，但是风速和其他天气变量的持续的间歇性和混乱的波动使得风力发电系统的输出功率具有不确定性并且与传统能源不同。由于这种不确定性，将大量风能输入风能系统网络中可能会遇到挑战。为了提高风能的经济效益和可接受性，并减少由于对输出风能的高估或低估造成的损失，风能的准确预测是必要的。
近来，已经开发了许多预测风力的技术。现有技术基于使用的预测模型可以分为统计建模技术、物理建模技术和时间序列建模技术。然而，现有风能预测方法仍不能准确预测风力发电机输出的功率，因此，不能使输电与配电系统的操作者和调度者基于准确预测的功率有效地改善电网调度控制与管理。
发明内容
本发明的示例性实施例在于提供一种风力发电场风能预测方法和装置，至少解决上述技术问题和上文未提及的其它技术问题，并且提供下述的有益效果。
根据本发明的示例性实施例，提供一种风力发电场风能预测方法，其中，所述风力发电场风能预测包括：采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；获取预测的气象变量数据；通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。
可选地，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。
可选地，采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型的步骤包括：获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。
可选地，训练第一模型的步骤包括：训练子步骤，通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；优化子步骤，采用随机粒子算法优化第一模型的隶属函数的参量，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。
可选地，历史气象变量数据是通过数值天气预报NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线监测控制与数据采集SCADA系统记录的历史风速数据。
可选地，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。
可选地，采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型的步骤包括：获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。
可选地，训练第二模型的步骤包括：训练子步骤，通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；优化子步骤，采用随机粒子算法优化第二模型的隶属函数的参量，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。
可选地，历史风速数据和历史风能数据分别是通过在线监测控制与数据采集SCADA系统记录的历史风速数据和历史风能数据。
可选地，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。
可选地，第一时间间隔为1小时，第一时间范围为至少过去1年。
可选地，预测的气象变量数据包括第二时间范围内的具有第二时间间隔的多条预测的气象变量数据，预测的风速数据包括第二时间范围内的具有第二时间间隔的多条预测的风速数据，预测的风能数据包括第二时间范围内的具有第二时间间隔的多条预测的风能数据。
可选地，第二时间间隔为1小时，第二时间范围为至少未来24小时。
根据本发明的示例性实施例，提供一种风力发电场风能预测装置，其中，所述风力发电场风能预测装置包括：第一模型建立单元，其用于采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；第二模型建立单元，其用于采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；预测数据获取单元，其用于获取预测的气象变量数据；第一预测单元，其用于通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；第二预测单元，其用于通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。
可选地，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。
可选地，第一模型建立单元包括：历史数据获得单元，其用于获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；模型训练单元，其用于通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。
可选地，所述模型训练单元包括：训练子单元，其用于通过将获得的历史气象变量数据作为自适应神经模糊推理模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；优化子单元，其用于采用随机粒子算法优化第一模型的隶属函数的参量，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；其中，所述模型训练单元循环执行所述训练子单元和优化子单元的操作，直到预测误差达到预设值。
可选地，历史气象变量数据是通过数值天气预报NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线监测控制与数据采集SCADA系统记录的历史风速数据。
可选地，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。
可选地，第二模型建立单元包括：历史数据获得单元，其用于获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；模型训练单元，其用于通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。
可选地，所述模型训练单元包括：训练子单元，其用于通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；优化子单元，其用于采用随机粒子算法优化第二模型的隶属函数的参量，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；其中，所述模型训练单元循环执行所述训练子单元和优化子单元的操作，直到预测误差达到预设值。
可选地，历史风速数据和历史风能数据分别是通过在线监测控制与数据采集SCADA系统记录的历史风速数据和历史风能数据。
可选地，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。
可选地，第一时间间隔为1小时，第一时间范围为至少过去1年。
可选地，预测的气象变量数据包括第二时间范围内的具有第二时间间隔的多条预测的气象变量数据，预测的风速数据包括第二时间范围内的具有第二时间间隔的多条预测的风速数据，预测的风能数据包括第二时间范围内的具有第二时间间隔的多条预测的风能数据。
可选地，第二时间间隔为1小时，第二时间范围为至少未来24小时。
根据本发明的示例性实施例，提供一种计算机可读存储介质，存储有程序，其中，所述程序包括执行上述风力发电场风能预测方法的代码。
根据本发明的示例性实施例，提供一种计算机，其中，所述计算机包括处理器和存储有计算机程序的可读介质，所述计算机程序包括执行上述风力发电场风能预测方法的代码。
根据本发明的风能预测方法和装置，对用于表示气象变量数据与风速数据之间的映射关系的第一模型和用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型进行训练，用预测的气象变量数据和训练的第一模型来预测风速，用预测的风速和训练的第二模型来预测风能。通过本发明，可提高风能预测的准确性。
本发明与现有技术相比的有益效果主要体现在：在第一模型和第二模型的更新阶段，引入随机粒子算法实时进行随机粒子算法的变量的自进化调整，以利用随机粒子算法来优化模型中隶属函数的参量(该参量可被设置为随机粒子算法的变量)，降低预测错误率，保证了风能预测误差满足预设值。并且，在一定程度上减小了计算量，提高计算效率，保证风电场风能预测的实时性，为输电与配电系统的调动与管理提供决策依据。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：
图1示出根据本发明的实施例优化的ANFIS模型的结构示意图。
图2是现有技术中自适应神经模糊推理系统的结构示意图；
图3示出根据本发明的实施例的风力发电场风能预测方法的流程图；
图4是示出根据本发明的实施例的针对冬季的一天预测的风能与实际风能之间的对比的曲线图；
图5示出根据本发明的实施例的风力发电场风能预测装置的结构示意图。
具体实施方式
现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。
考虑到现有技术中存在的技术问题，需要新的应用于风力发电场的风能预测方法和装置，以提高风能预测的准确性，同时保证可接受的计算时间。为此，本发明提供了优化的ANFIS(自适应神经模糊推理，Adaptive Neuro-Fuzzy Inference)推理方法。图1示出根据本发明的实施例的优化的ANFIS模型的结构示意图。如图1所示，所述自适应神经模糊推理系统(ANFIS，Adaptive Neuro-Fuzzy Inference System)分两个阶段来预测风能数据。具体地说，在第一建模阶段，利用数值天气预报(NWP，Numerical Weather Prediction)的历史气象参数和风力发电场在线监测控制与数据采集(SCADA，Supervisory Control AndData Acquisition)系统的历史风速数据来训练用于表示气象变量数据与风速数据之间的映射关系的第一模型，并将NWP的未来气象参数输入到训练好的第一模型来预测风电场的未来风速数据。在第二建模阶段，利用SCADA系统的历史风速数据和历史风能数据来训练用于表示风速数据与风能数据之间的映射关系的第二模型，并将在第一建模阶段预测的未来风速数据输入到训练好的第二模型，来预测示未来风能数据。下面将详细介绍根据本发明的实施例的风力发电场风能预测方法。
首先，介绍本发明优化的ANFIS方法的原理。图2是自适应神经模糊推理系统的结构示意图。
随机粒子优化算法具有更新的变量少和实现简单的特点。对于包含目标问题决策变量(位置)的决策向量可行的搜索空间由如下的子集限定：
其中，和分别是沿维度j(j＝1、2、…、n)的搜索空间的下边界和上边界。第k次迭代中的第i个粒子的位置或坐标由下式给出：
xi(k)＝xi(k-1)+vi(k)；i＝1,2,…,N
其中，N是群大小，vi(k)是第k次迭代中的第i个粒子的速率，该速率表示搜索空间中粒子位置的变化速率，并且由下式给出：
vi(k)＝ω(k)vi(k-1)+c1r1(Pbest,i-xi(k-1))+c2r2(Gbest-xi(k-1))
其中，ω(k)是动态惯性权重，ω(k)的值随迭代次数增加而线性减小以抑制迭代速度，使得集群更精确并且更有效地收敛，并由下式给出：
其中，ωmax和ωmin分别是惯性权重的初始值和最终值，kmax是迭代的最大次数；c1和c2分别是认知和社会学习速率；r1和r2是0和1范围内的随机数。参数c1和c2是学习因子，表示粒子本身的记忆(位置)相对于集群的记忆(位置)的相对重要性(comparativeimportance)；Pbest,i是粒子i实现的最优位置，而Gbest是集群中的所有粒子的全局最优位置。
模糊逻辑系统能够映射输入向量与标量输出之间的非线性关系。人工神经网络(ANN，Artificial Neural Network)与模糊推理系统相比存在优势。这是因为知识是在训练过程中通过更新神经元之间的连接权自动获得的。但是，该知识不能从作为黑盒子的训练网络取得。另一方面，模糊推理系统可根据规则来区分，但是当模糊推理系统有多个变量并且变量的关系更加复杂时，这些规则是很难定义。
神经网络和模糊推理系统的结合具有两者中的每个的优势以及比两者中的任何一个的性能更好的性能。在模糊神经系统中，神经网络自动从数字数据中提取模糊规则，并且经过训练过程，隶属函数的参数被自适应地调节。神经网络和模糊推理系统的结合包括ANFIS。ANFIS是一种适用于非线性预测的自适应多层前馈网络，其中，过去的数据样本用于预测未来的数据样本。
如图2所示，常规技术中ANFIS是映射到具有五层的神经网络结构的模糊推理系统。每层包含特征在于节点函数的多个节点。假设Oi表示层j中的第i个节点的输出。
在层1中，每个节点i是具有以下节点函数的自适应节点：
Oi,j＝μAi(x),i＝1,2或者
Oi,j＝μBi-2(y),i＝3,4
这里，x或y是第x个节点的输入，Ai(或Bi-2)是与特定节点相关的语言标签。
因此，O1,i是模糊集A(A1、A2、B1或B2)的隶属值，并且表示指定的输入x(或y)满足模糊集A的程度。A和B的隶属函数通常描述如下：
其中，pi、qi和ri是隶属函数的参数。
另外，三角形函数的任何连续和分段可微的函数也可以作为在该层中的节点函数。
在层2中，每个节点Π的固定输出是所有输入参数的积，表示为：
O2,i＝wi＝Πjμj＝μAi(x)·μBi(x),i＝1,2
在层2中，每个节点的输出表示一条规则的激励强度。
在层3中，每个节点N的固定输出是第i个结点的第i条规则的激励强度与所有的激励强度之和的比值，表示为：
在层3中，每个节点N的输出称为归一化激励强度。
在层4中，每个节点的输出为：
其中，是层3输出的归一化激励强度，ai、bi和ci是参数集，fi是结论参数。
在层5中，单个节点的固定输出是所有输入参数之和，表示为：
对于反向传播(BP，Back Propagation)算法，虽然计算速度快，但是容易进入局部最小值，不能达到全局最小值。为了克服BP算法的困难，采用随机粒子算法作为全局最优搜索算法。此外，随机粒子算法独立于ANFIS的结构，而基于梯度下降的技术依赖于ANFIS的结构。
与现有技术不同的是，本发明实施例中采用随机粒子算法方法来优化模糊推理系统中的隶属函数的参量，以降低错误率。具体而言，ANFIS的隶属函数的参量为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，优化处理的目标是达到随机粒子算法成本函数的最小值。
图3示出根据本发明的实施例的风能预测方法的流程图。
在步骤310，采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型。作为示例，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。气象变量数据是与气象变量对应的数据。
作为示例，建立第一模型的步骤包括：获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。
作为示例，为了使预测误差达到预设值，所述训练第一模型的步骤包括：训练子步骤，通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；优化子步骤，采用随机粒子算法优化第一模型的隶属函数的参量，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。通过这种方式实现第一模型的更新。
作为示例，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。例如，第一时间间隔为10分钟或1小时，第一时间范围为至少过去1年。
作为示例，历史气象变量数据是通过NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线SCADA系统记录的历史风速数据。
在步骤320，采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型。
作为示例，所述建立第二模型的步骤包括：获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。
作为示例，为了使预测误差达到预设值，所述训练第二模型的步骤包括：训练子步骤，通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；优化子步骤，采用随机粒子算法优化第二模型的隶属函数的，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。通过这种方式实现第二模型的更新。
作为示例，在本步骤中涉及的历史风速数据和历史风能数据可分别是通过在线SCADA系统记录的历史风速数据和历史风能数据。
作为示例，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。例如，第一时间间隔为10分钟或1小时，第一时间范围为至少过去1年。
本发明的实施例利用在线SCADA系统记录的历史数据和NWP模型历史预测的历史气象变量数据来实现有效和更准确的短期风能预测。可采用某风电场附近5公里内获得的用于模型训练的数据，获得的数据包括NWP模型历史预测的历史气象变量数据以及在线SCADA系统记录的历史风速数据和历史风能数据。
本发明的实施例采用NWP模型历史预测的历史气象变量数据，可提高短期预测的准确性。风的数据对风能预测有显著影响。存在许多用于获得风的数据的技术：测量/观测、数据挖掘和数值天气模拟。获得风的数据的最直接并且最可靠的方法是现场观测或测量。但是，由于环境、人员配置等因素，并不总是能够进行现场观测或测量。数据挖掘方法较为灵活，但是缺点在于可能缩减气相数据。NWP模型使用物理上的能量守恒方程，这允许更现实的数据缩减。因此，采用NWP模型克服了传统数据挖掘方法由于缩减气相数据而导致的准确性降低的问题。另外，在线SCADA系统的使用使得操作者可在线监督所有的风力发电机，从而管理风电场，因此，通过在线SCADA系统获得的数据更为真实、准确。
在步骤330，获取预测的气象变量数据。例如，可通过NWP模型获得预测的气象变量数据。
在步骤340，通过将预测的气象变量数据输入到第一模型来获得预测的风速数据。
在步骤350，通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。
作为示例，在上述步骤中，预测的气象变量数据包括第二时间范围内的具有第二时间间隔的多条预测的气象变量数据，预测的风速数据包括第二时间范围内的具有第二时间间隔的多条预测的风速数据，预测的风能数据包括第二时间范围内的具有第二时间间隔的多条预测的风能数据。例如，第二时间间隔为10分钟或1小时，第二时间范围为至少未来24小时。
本发明的实施例的风能预测方法应用于风力发电场，该风力发电场包括2500KW的发电量的单个风力发电机。将通过NWP模型历史预测的历史气象变量数据和通过在线SCADA系统记录的历史数据用于模型训练。另外，通过将模型训练的数据划分成不同的子集来分析不同的输入参数(例如图1中示出了不同的气象变量，模型训练过程可使用与气象变量对应的历史数据)对预测准确性的影响。
预测时域是一天，时间间隔为一小时。从2014年5月1日至2015年4月31日，对于通过NWP模型预测的历史气象变量数据、在线SCADA系统测量记录的历史风速数据和和历史风能数据进行记录，从而进行模型训练。这里，为了显示风力发电机输出的风能具有不确定性，不选择风力发电机输出的风能稳定的日子。
图4示出了针对冬季一天(即：2016年1月4日)预测的风能与实际风能的对比。从图4可以看出，预测的风能的曲线与实际的风能的曲线基本重合，预测的风能与实际的风能之间的偏差在允许的范围内，因此，本发明实施例的风力发电场风能预测方法能够准确预测风力发电机输出的风能。
表1示出了使用本发明的方法预测4天(代表四个季节)的风能后计算的各个指标值，其中，涉及的指标包括：平均绝对百分比误差(MAPE，Mean Absolute PercentageError)、误差平方和(SSE，Sum Squared Error)、均方分误差(RMSE，Root Mean SquaredError)和误差的标准差(SDE，Standard Deviation of Error)。
表1
使用本发明的方法以及双阶段神经网络(DSN，Double-Stage Neural Network)、双阶段神经网络-遗传算法(DSHGN，Double-Stage Hybrid Genetic Algorithm)、双阶段混合PSO-神经网络(DSHPN，Double-Stage Hybrid Particle Swarm Optimization-NeuralNetwork)、双阶段ANFIS(DSA，Double-Stage ANFIS)和双阶段混合遗传算法-ANFIS(DSHGA，Double-Stage Hybrid Genetic Algorithm-ANFIS)方法，对上述4天进行风能预测。使用分别预测出的风能来计算MAPE指标，计算结果如表2所示。
表2
如表2所示，本发明的预测方法提供了更好的预测准确性，即：MAPE具有5.55％的平均值。本发明的预测方法的平均MAPE相对于其它五种方法的平均MAPE分别提高50.4％、49.04％、43.3％、31.6％和19.2％。
为了验证用于进行模型训练的输入数据对预测结果的影响，将预测输入数据分成为五个子集进行分析：子集#1包含风速，子集#2包含风速和风向，子集#3包含风速、风向和气温，子集#4包含风速、风向、气温和气压，子集#5包含风速、风向、气温、气压和湿度。当然，这些子集还包含用于模型训练的其它数据，例如，通过在线SCADA系统记录的历史风速数据和通过在线SCADA系统记录的历史风能数据。
使用不同的子集预测出上述4天的风能后，计算MAPE标准，计算结果如表3所示。从表3可以看出，使用子集#5建立模型后的预测结果显示：MAPE具有5.55％的平均值。使用子集#5建立模型后的预测结果，与使用其他子集建立模型后的预测结果相比，平均MAPE分别提高4.47％、2.6％、1.97％和1.32％。因此，本发明实施例优选为，气象变量包括：风速、风向、气压、气温、以及湿度，使用与该气象变量对应的气象变量数据进行模型训练。
表3
| 冬季 | 春季 | 夏季 | 秋季 | 平均值 | |
| 子集#1 | 6.9016 | 8.7046 | 5.1455 | 2.4924 | 5.811 |
| 子集#2 | 6.7903 | 8.5933 | 5.0342 | 2.3811 | 5.6997 |
| 子集#3 | 6.7532 | 8.5562 | 4.9971 | 2.3440 | 5.6626 |
| 子集#4 | 6.7161 | 8.5191 | 4.96 | 2.3069 | 5.6255 |
| 子集#5 | 6.6419 | 8.4449 | 4.8858 | 2.2327 | 5.5513 |
除了MAPE标准，结果的一致性是比较预测方法的另一个重要因素。因此，采用日预测误差方差标准，对本发明的方法和其它方法的预测准确性进行对比，对比结果如表4所示。
表4
如表4所示，本发明实施例的方法的日预测误差方差的平均值最小。与其他五种方法相比，本发明实施例的方法的日预测误差方差的平均值分别提高354.54％、75.34％、68.87％、50.75％和29.79％。
由此可见，本发明实施例的方法与现有方法相比提高了预测准确性。此外，本发明实施例的方法可在在Intel Core i5-5200CPU、2.20GHz处理器以及4GB RAM的PC上实现，使用MATLAB的平均计算时间约为9秒。因此，本发明实施例的方法能够保证计算效率。
图5示出根据本发明的实施例的风力发电场风能预测装置的结构示意图。如图5所示，本实施例的风力发电场风能预测装置包括：
第一模型建立单元810，其用于采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；
第二模型建立单元820，其用于采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；
预测数据获取单元830，其用于获取预测的气象变量数据；
第一预测单元840，其用于通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；
第二预测单元850，其用于通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。
作为示例，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。优选的，气象变量包括：风速、风向、气压、气温、以及湿度。气象变量数据是与气象变量对应的数据。
作为示例，第一模型建立单元810包括：历史数据获得单元和模型训练单元(未示出)。
历史数据获得单元用于获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；模型训练单元用于通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。
作为示例，第一模型建立单元810中的模型训练单元包括：训练子单元和优化子单元(未示出)。
训练子单元用于通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；优化子单元用于采用随机粒子算法优化第一模型的隶属函数，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；其中，模型训练单元循环执行所述训练子单元和优化子单元的操作，直到预测误差达到预设值。通过这种方式实现第一模型的更新。
作为示例，历史气象变量数据是通过NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线SCADA系统记录的历史风速数据。
作为示例，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。例如，第一时间间隔为10分钟或1小时，第一时间范围为至少过去1年。
作为示例，第二模型建立单元820包括：历史数据获得单元和模型训练单元(未示出)。
历史数据获得单元用于获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；模型训练单元用于通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。
作为示例，第二模型建立单元820中的模型训练单元包括：训练子单元和优化子单元(未示出)。
训练子单元用于通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；优化子单元用于采用随机粒子算法优化第二模型的隶属函数的，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；其中，模型训练单元循环执行所述训练子单元和优化子单元的操作，直到预测误差达到预设值。通过这种方式实现第二模型的更新。
作为示例，历史风速数据和历史风能数据分别是通过在线SCADA系统记录的历史风速数据和历史风能数据。
作为示例，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。预测的气象变量数据包括第二时间范围内的具有第二时间间隔的多条预测的气象变量数据，预测的风速数据包括第二时间范围内的具有第二时间间隔的多条预测的风速数据，预测的风能数据包括第二时间范围内的具有第二时间间隔的多条预测的风能数据。例如，第一时间间隔为10分钟或1小时，第一时间范围为至少过去1年；第二时间间隔为10分钟或1小时，第二时间范围为至少未来24小时。
本发明的实施例提供了一种计算机可读存储介质，存储有程序，其中，所述程序包括执行本发明实施例的风力发电场风能预测方法的代码。
本发明的实施例提供了一种计算机，包括处理器和存储有计算机程序的可读介质，其中，所述计算机程序包括执行本发明实施例的风力发电场风能预测方法的代码。
本发明得实施例提供一种优化的ANFIS方法进行风能预测。本发明实施例的方法包括：在第一模型更新阶段，采用优化的ANFIS方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型，在第二模型更新阶段采用优化的ANFIS方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型，然后获取预测的气象变量数据，通过将预测的气象变量数据输入到第一模型来获得预测的风速数据，并且通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。与其他五种风能预测方法进行对比，对比结果显示本发明实施例的方法的准确性优于其它五种风能预测方法。另外，采用本发明实施例的方法的平均计算时间低于9秒，因此，该方法能够保证计算效率。
虽然已表示和描述了本发明的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改。
Claims (28)
1.一种风力发电场风能预测方法，其特征在于，所述风力发电场风能预测方法包括：
采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；
采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；
获取预测的气象变量数据；
通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；
通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。
2.根据权利要求1所述的风力发电场风能预测方法，其特征在于，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。
3.根据权利要求1所述的风力发电场风能预测方法，其特征在于，采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型的步骤包括：
获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；
通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。
4.根据权利要求3所述的风力发电场风能预测方法，其特征在于，训练第一模型的步骤包括：
训练子步骤，通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；
优化子步骤，采用随机粒子算法优化第一模型的隶属函数的参量，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；
循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。
5.根据权利要求3所述的风力发电场风能预测方法，其特征在于，历史气象变量数据是通过数值天气预报NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线监测控制与数据采集SCADA系统记录的历史风速数据。
6.根据权利要求3所述的风力发电场风能预测方法，其特征在于，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。
7.根据权利要求1所述的风力发电场风能预测方法，其特征在于，采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型的步骤包括：
获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；
通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。
8.根据权利要求7所述的风力发电场风能预测方法，其特征在于，训练第二模型的步骤包括：
训练子步骤，通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；
优化子步骤，采用随机粒子算法优化第二模型的隶属函数的参量，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；
循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。
9.根据权利要求7所述的风力发电场风能预测方法，其特征在于，历史风速数据和历史风能数据分别是通过在线监测控制与数据采集SCADA系统记录的历史风速数据和历史风能数据。
10.根据权利要求7所述的风力发电场风能预测方法，其特征在于，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。
11.根据如权利要求6或10所述的风力发电场风能预测方法，其特征在于，第一时间间隔为1小时，第一时间范围为至少过去1年。
12.根据权利要求1所述的风力发电场风能预测方法，其特征在于，预测的气象变量数据包括第二时间范围内的具有第二时间间隔的多条预测的气象变量数据，预测的风速数据包括第二时间范围内的具有第二时间间隔的多条预测的风速数据，预测的风能数据包括第二时间范围内的具有第二时间间隔的多条预测的风能数据。
13.如权利要求12所述的风力发电场风能预测方法，其特征在于，第二时间间隔为1小时，第二时间范围为至少未来24小时。
14.一种风力发电场风能预测装置，其特征在于，所述风力发电场风能预测装置包括：
第一模型建立单元，其用于采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；
第二模型建立单元，其用于采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；
预测数据获取单元，其用于获取预测的气象变量数据；
第一预测单元，其用于通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；
第二预测单元，其用于通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。
15.根据权利要求14所述的风力发电场风能预测装置，其特征在于，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。
16.根据权利要求14所述的风力发电场风能预测装置，其特征在于，第一模型建立单元包括：
历史数据获得单元，其用于获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；
模型训练单元，其用于通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。
17.根据权利要求16所述的风力发电场风能预测装置，其特征在于，所述模型训练单元包括：
训练子单元，其用于通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；
优化子单元，其用于采用随机粒子算法优化第一模型的隶属函数的参量，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；
其中，所述模型训练单元循环执行所述训练子单元和优化子单元的操作，直到预测误差达到预设值。
18.根据权利要求16所述的风力发电场风能预测装置，其特征在于，历史气象变量数据是通过数值天气预报NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线监测控制与数据采集SCADA系统记录的历史风速数据。
19.根据权利要求16所述的风力发电场风能预测装置，其特征在于，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。
20.根据权利要求14所述的风力发电场风能预测装置，其特征在于，第二模型建立单元包括：
历史数据获得单元，其用于获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；
模型训练单元，其用于通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。
21.根据权利要求20所述的风力发电场风能预测装置，其特征在于，所述模型训练单元包括：
训练子单元，其用于通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；
优化子单元，其用于采用随机粒子算法优化第二模型的隶属函数的参量，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；
其中，所述模型训练单元循环执行所述训练子单元和优化子单元的操作，直到预测误差达到预设值。
22.根据权利要求20所述的风力发电场风能预测装置，其特征在于，历史风速数据和历史风能数据分别是通过在线监测控制与数据采集SCADA系统记录的历史风速数据和历史风能数据。
23.根据权利要求20所述的风力发电场风能预测装置，其特征在于，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。
24.根据如权利要求19或23所述的风力发电场风能预测装置，其特征在于，第一时间间隔为1小时，第一时间范围为至少过去1年。
25.根据权利要求14所述的风力发电场风能预测装置，其特征在于，预测的气象变量数据包括第二时间范围内的具有第二时间间隔的多条预测的气象变量数据，预测的风速数据包括第二时间范围内的具有第二时间间隔的多条预测的风速数据，预测的风能数据包括第二时间范围内的具有第二时间间隔的多条预测的风能数据。
26.如权利要求25所述的风力发电场风能预测装置，其特征在于，第二时间间隔为1小时，第二时间范围为至少未来24小时。
27.一种计算机可读存储介质，存储有程序，其特征在于，所述程序包括执行如权利要求1-13中任一项所述的风力发电场风能预测方法的代码。
28.一种计算机，包括处理器和存储有计算机程序的可读介质，其特征在于，所述计算机程序包括执行如权利要求1-13中任一项所述的风力发电场风能预测方法的代码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710300301.XA CN107016470A (zh) | 2017-04-28 | 2017-04-28 | 风力发电场风能预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710300301.XA CN107016470A (zh) | 2017-04-28 | 2017-04-28 | 风力发电场风能预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107016470A true CN107016470A (zh) | 2017-08-04 |
Family
ID=59447598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710300301.XA Pending CN107016470A (zh) | 2017-04-28 | 2017-04-28 | 风力发电场风能预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016470A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255726A (zh) * | 2018-09-07 | 2019-01-22 | 中国电建集团华东勘测设计研究院有限公司 | 一种混合智能技术的超短期风功率预测方法 |
| CN114611812A (zh) * | 2022-03-21 | 2022-06-10 | 澜途集思生态科技集团有限公司 | 一种基于流体动力学的风能资源预测系统与方法 |
| EP4060430B1 (en) * | 2021-03-19 | 2024-08-28 | General Electric Renovables España S.L. | Systems and methods for operating power generating assets |
Citations (5)
| 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 |
| US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
| CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
| CN104915747A (zh) * | 2015-02-03 | 2015-09-16 | 远景能源（江苏）有限公司 | 一种发电机组的发电性能评估方法及设备 |
| CN105117788A (zh) * | 2015-07-22 | 2015-12-02 | 河南行知专利服务有限公司 | 一种风力发电功率预测方法 |
-
2017
- 2017-04-28 CN CN201710300301.XA patent/CN107016470A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120185414A1 (en) * | 2010-12-15 | 2012-07-19 | Vaisala, Inc. | Systems and methods for wind forecasting and grid management |
| 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 |
| CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
| CN104915747A (zh) * | 2015-02-03 | 2015-09-16 | 远景能源（江苏）有限公司 | 一种发电机组的发电性能评估方法及设备 |
| CN105117788A (zh) * | 2015-07-22 | 2015-12-02 | 河南行知专利服务有限公司 | 一种风力发电功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴兴华: "基于密度自适应粒子群优化的图像可用度分类", 《计算机仿真》 * |
| 杨茂: "两种基于自适应神经模糊推理系统的风功率预测方法", 《电测与仪表》 * |
| 王扬: "风电短期预测及其并网调度方法研究", 《万方学位论文》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255726A (zh) * | 2018-09-07 | 2019-01-22 | 中国电建集团华东勘测设计研究院有限公司 | 一种混合智能技术的超短期风功率预测方法 |
| EP4060430B1 (en) * | 2021-03-19 | 2024-08-28 | General Electric Renovables España S.L. | Systems and methods for operating power generating assets |
| CN114611812A (zh) * | 2022-03-21 | 2022-06-10 | 澜途集思生态科技集团有限公司 | 一种基于流体动力学的风能资源预测系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Wind power interval prediction based on improved PSO and BP neural network | |
| CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
| CN111626506A (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 | |
| CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN102102626A (zh) | 风电场短期功率预测方法 | |
| Zheng et al. | Short‐term wind power prediction in microgrids using a hybrid approach integrating genetic algorithm, particle swarm optimization, and adaptive neuro‐fuzzy inference systems | |
| CN104899665A (zh) | 风电功率短期预测方法 | |
| Rizwan et al. | Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia | |
| 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 | |
| Goudarzi et al. | Intelligent analysis of wind turbine power curve models | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 | |
| Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
| CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
| Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANFIS approach | |
| CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
| CN107016470A (zh) | 风力发电场风能预测方法和装置 | |
| Eseye et al. | A double-stage hierarchical ANFIS model for short-term wind power prediction | |
| Scarcelli et al. | Ensemble of Markovian stochastic dynamic programming models in different time scales for long term hydropower scheduling | |
| Zhang et al. | Short‐Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network | |
| Tao et al. | On comparing six optimization algorithms for network-based wind speed forecasting | |
| Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
| Li et al. | A double-stage hierarchical hybrid PSO-ANFIS model for short-term wind power forecasting | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| CN117374967A (zh) | 一种海上风电出力预测方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Abinet Teofaye Eich Inventor after: Zheng Dehua Inventor before: Abinet Teofaye Eich |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |