CN107274006A - 一种基于贝叶斯推断的多源气象风速融合方法 - Google Patents
一种基于贝叶斯推断的多源气象风速融合方法 Download PDFInfo
- Publication number
- CN107274006A CN107274006A CN201710369383.3A CN201710369383A CN107274006A CN 107274006 A CN107274006 A CN 107274006A CN 201710369383 A CN201710369383 A CN 201710369383A CN 107274006 A CN107274006 A CN 107274006A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- mfrac
- wind speed
- msub
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 241001269238 Data Species 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
Abstract
本发明公开了一种基于贝叶斯推断的多源气象风速融合方法，充分考虑了各个NWP风速的数值统计特性，降低了不准确性，提高预测的精度。本发明首先从风电场中获取一定的历史数据，根据风电场的实际运行机理，对不符合规律的数据点进行删除。然后寻找实发风速与各气象源的特征，根据各自的分布选取特征量；最后根据各风速的历史特征，利用贝叶斯推断算法得到各个天气预报实时的融合系数，进而通过融合得到较为准确的融合风速。本发明利用风电场运行的历史数据得到风电场风速与功率的关系，运算简单，操作性强，有较好的工程利用价值。
Description
技术领域
本发明技术属于风电功率预测领域，特别是提供了一种基于贝叶斯推断的多气象源数值天气预报(Numerical Weather Prediction，NWP)风速融合方法，提高输入风速的精度，从而提高风电功率预测的精度。
背景技术
风能具有存储量大、可再生的优点，受到全世界广泛的重视。由于决定风电发电功率的最主要的因素是风速，风速受到气压、云图、温度等众多因素影响，使得风速具有波动性和难以准确预报的特点，导致风力发电功率具有不确定性，增加了风力发电成本，给电力系统的调度计划、安全稳定带来巨大的影响。通过对风电场风速的准确估计，实现风电功率有效预测具有重要的研究意义。
现有的大多数方法普遍采用单个NWP进行功率预测，然而由于风速难以预测的特性，单个NWP很难准确的预报风速，存在固有预测特性且预测方差较大，不利于提高风电功率预测精度。通过对多个气象源风速进行融合，减小输入风速的误差，进而提高风电功率预测精度，为电网的调度、运行提供依据，从而减小风电功率的波动性及风力发电成本，为电网的安全稳定运行提供保障。
发明内容
本发明的目的是提出基于贝叶斯推断算法融合多源NWP风速的风电功率预测方法，充分考虑了各个NWP风速的数值统计特性，利用贝叶斯推断综合各个NWP风速，降低天气预报的不确定性，提高风电功率预测的统计精度。
本发明的实施例提供一种基于贝叶斯推断的多源气象风速融合方法，其特征在于，包括以下步骤：
(1)历史数据采集；从指定风电场中获取一定时间范围内的风电场实测风速数据和多源NWP风速数据；
(2)对步骤1中采集的风电场实测风速数据进行清洗和删除等预处理操作；
(3)数据统计分析；对步骤1中多源NWP风速数据和经过步骤2中预处理的风电场实测风速数据进行统计分析，统计分析历史中的多源气象NWP的各风速和实测风速的特征，根据统计的各自风速的分布特征选取特征量；
分别统计在选取范围内不同气象源风速v1、v2、…vn(n表示有n个气象源，vi为第i个气象源的风速)及实测风速vr的分布；
(4)风速融合；根据步骤3中统计各风速的历史特征，通过贝叶斯推断算法对多个风源风速进行融合；利用贝叶斯算法计可以得到各个风源的融合系数，进而融合得到较为准确的融合风速，使用融合后的风速作为风速-功率模型的输入，可提高预测精度；
(5)预测数据；根据步骤4中由历史数据的多源NWP风速数据得到的各气象源的融合系数进行预测风速，即将预测天多源NWP风速数据融合，得到更准确的预测风速。
进一步地，步骤1中需要采集3个月以上的多源NWP风速数据和风电场实测风速数据。
进一步地，步骤2中对步骤1中采集到的风电场实测风速数据中实发功率和实发风速数据中会出现一些不正常的点进行清洗和删除等预处理操作，不正常的点包括实发功率或实发风速连续为零的点、实发风速为负的点、实发风速和实发功率不匹配点，如风大功率小、风小功率大的点。
进一步地，步骤4中通过贝叶斯推断算法对多个风源风速进行融合包括以下步骤：
首先，对步骤3处理后的数据进行修正处理；根据步骤3统计的各风速进行修正，各风速修正前后没有改变，使各个风速的分布满足正态分布，并计算此时的标准差σ1,σ2,...σn，以实测风速的均值为标准，将其他风源风速向实发风速方向进行平移，此时各气象源的历史数据均值相等，假设平移后的各气象源预测的风速为v′1、v′2、...v′n其次，对上面修正的数据运用贝叶斯推断算法融合为一个最佳的融合数据，并将它作为最终的融合风速v：
融合风速v服从正态分布且v′1、v′2、v′n分别服从正态分布并令a是与v无关的常数；
因此，
上式中的指数部分是关于v的二次函数，因此假设p(v|v1′,v2′,...vn′)依然为正态分布，假设服从即
比较上式两个参数可得：
因此按照均值估计的原则，v的贝叶斯估计为；
本发明的实施例提供的技术方案带来的有益效果是：
(1)本发明针对历史数据中存在不匹配点、错误点的情况，进行数据清洗和数据删除等工作，数据预处理后使得数据更符合风电场实际运行机理，提高数据的有效性，便于挖掘数据本身的特征。
(2)本发明针对风速难以预测的特性单一数值天气预报很难准确的预报风速，存在固有预测特性且预测方差较大，采用贝叶斯融合算法融合多个气象源的NWP风速，充分利用单个气象源的特点，将多个气象源风速融合为一个风速，提高了风速预测的精度，避免了使用了单个风源误差较大的缺点，从而提高更电功率预测的精度。
附图说明
图1本发明基于贝叶斯推断的多源气象风速融合方法的流程图。
图2某个风电场气象源实测风速分布图。
图3某个风电场NWPA风速分布图。
图4某个风电场NWPB风速分布图。
图5某个风电场NWPC风速分布图。
图6是气象源三个NWP风速及融合风速与实测风速对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
本发明提供了一种基于贝叶斯推断的多源气象风速融合方法，充分考虑了各个NWP风速的数值统计特性，降低了不准确性，提高预测的精度。请参考图1，本发明基于贝叶斯推断的多源气象风速融合方法包括以下步骤：
步骤S100：历史数据采集；从指定风电场中获取一定时间范围内的风电场实测风速数据和多源NWP风速数据，所述多源NWP风速数据指同一个风场不同预测中心预测的风速数据。因需要得到各个数据源中风速的准确特征，历史数据中存在一定误差的数据，故需要统计3个月以上的各自风速的分布。
步骤S200：对步骤S100采集的风电场实测风速数据进行预处理操作。
风电场在实际运行时，会出现停机、故障等情况，在这种情况下会导致采集到的实发功率和实发风速数据中会出现一些不正常的点、比如实发功率或实发风速连续为零的点，实发风速为负的点、实发风速和实发功率不匹配点如风大功率小、风小功率大的点。在数据预处理过程中，判定实发风速或者实发风速存在多个为零和为负的点，或者不匹配点时。若存在这样的点，将该点删除，并删除对应时间点内的其他相关量。
步骤S300：对数据进行统计分析；对步骤S100中多源NWP风速数据和经过步骤S200预处理的风电场实测风速数据进行统计分析，统计分析历史中的多源气象NWP的各风速和实测风速的特征，根据统计的各自风速的分布特征选取特征量。
分别统计在选取范围内不同气象源风速v1、v2、…vn(n表示有n个气象源，vi为第i个气象源的风速)及实测风速vr的分布。
步骤S400：风速数据融合；根据步骤S300统计各风速的历史特征，通过贝叶斯推断算法对多个风源风速数据进行融合。利用贝叶斯算法计可以得到各个风源的融合系数，进而融合得到较为准确的融合风速，使用融合后的风速作为风速-功率模型的输入，可提高预测精度。
风速数据融合具体步骤是：
步骤S410：对步骤S300处理后的数据进行修正处理；根据步骤S300统计的各风速进行修正，各风速修正前后没有改变，使各个风速的分布满足正态分布，计算各自的标准差σ1,σ2,...σn。以实测风速的均值为标准，将其他风源风速向实发风速方向进行平移，此时各气象源的历史数据均值相等，假设平移后的各气象源预测风速分别为v′1、v′2、...v′n
步骤S420：对步骤S410中的数据运用贝叶斯推断算法融合为一个最佳的融合数据，并将它作为最终的融合风速v：
融合风速v服从正态分布且v′1、v′2、...v′n所在的气象源分别服从正态分布并令a是与v无关的常数。因此
上式中的指数部分是关于v的二次函数，因此假设p(v|v1′,v2′,...vn′)依然为正态分布，假设服从即
比较上式两个参数可得：
因此按照均值估计的原则，v的贝叶斯估计为；
步骤S500：预测数据；将各气象源各时刻预测风速按前面平移方法进行平移，得到v′1、v′2、...v′n，根据步骤S420中由历史数据的多源NWP风速数据得到的各气象源的融合系数进行预测风速，即将预测天多源NWP风速数据代入到最终融合公式中，得到更准确的预测风速。
对本发明的效果进行仿真验证。
利用某个风电场的三个NWP中的风速作为输入，可以得到预测的风速，再通过与当天的实测风速进行比较，可以验证融合方法对风速预测的有效性。
假设在某个风电场有三个独立的气象源，其分别为NWPA、NWPB和NWPC，该风电场气象源实测风速、NWPA风速、NWPB风速和NWPC风速的分布图分别请参考图2、图3、图4和图5。
对该风电场气象源实测风速、NWPA风速、NWPB风速和NWPC风速经本发明基于贝叶斯推断的多源气象风速融合方法进行处理。处理结果请参阅图6，通过观察NWP风速与实测风速的对比可以看到，单一NWP风速不准确，固有预测特性且预测方差较大，不利于提高风电功率预测精度的问题，提出基于贝叶斯推断算法融合多源NWP风速的风电功率预测方法，充分考虑了各个NWP风速的数值统计特性，利用贝叶斯融合各个风速，降低天气预报的不确定性，提高风电功率预测的统计精度。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，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 (4)
1.一种基于贝叶斯推断的多源气象风速融合方法，其特征在于，包括以下步骤：
(1)历史数据采集；从指定风电场中获取一定时间范围内的风电场实测风速数据和多源NWP风速数据；
(2)对步骤1中采集的风电场实测风速数据进行预处理操作；
(3)数据统计分析；对步骤1中多源NWP风速数据和经过步骤2中预处理的风电场实测风速数据进行统计分析，统计分析历史中的多源气象NWP的各风速和实测风速的特征，根据统计的各自风速的分布特征选取特征量；
分别统计在选取范围内不同气象源风速v1、v2、…vn(n表示有n个气象源，vi为第i个气象源的风速)及实测风速vr的分布；
(4)风速融合；根据步骤3中统计各风速的历史特征，通过贝叶斯推断算法对多个风源风速进行融合；利用贝叶斯算法计可以得到各个风源的融合系数，进而融合得到较为准确的融合风速，使用融合后的风速作为风速-功率模型的输入，可提高预测精度；
(5)预测数据；根据步骤4中由历史数据的多源NWP风速数据得到的各气象源融合系数进行预测风速，即将预测天多源NWP风速数据融合，得到更准确的预测风速。
2.如权利要求1所述的基于贝叶斯推断的多源气象风速融合方法，其特征在于，步骤1中需要采集3个月以上的多源NWP风速数据和风电场实测风速数据。
3.如权利要求1所述的基于贝叶斯推断的多源气象风速融合方法，其特征在于，步骤2中对步骤1中采集到的风电场实测风速数据中实发功率和实发风速数据中会出现一些不正常的点进行清洗和删除等预处理操作，不正常的点包括实发功率或实发风速连续为零的点、实发风速为负的点、实发风速和实发功率不匹配点，如风大功率小、风小功率大的点。
4.如权利要求1所述的基于贝叶斯推断的多源气象风速融合方法，其特征在于，步骤4中通过贝叶斯推断算法对多个风源风速进行融合包括以下步骤：
首先，对步骤3处理后的数据进行修正处理；根据步骤3统计的各风速进行修正，各风速修正前后没有改变，使各个风速的分布满足正态分布，并计算此时的标准差σ1,σ2,...σn，以实测风速的均值为标准，将其他风源风速向实发风速方向进行平移，此时各气象源的历史数据均值相等，假设平移后的各气象源各时刻预测的风速为v′1、v′2、...v′n，
其次，对上面修正的数据运用贝叶斯推断算法融合为一个最佳的融合数据，并将它作为最终的融合风速v：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>...</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
<mo>|</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
融合风速v服从正态分布且v′1、v′2、...v′n分别服从正态分布并令a是与v无关的常数因此，
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>v</mi>
<mo>|</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>a</mi>
<munderover>
<mi>&Pi;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mi>i</mi>
</msub>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>{</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>r</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>}</mo>
</mrow>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mn>0</mn>
</msub>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>{</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mi>&Pi;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mi>a</mi>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mi>i</mi>
</msub>
</mrow>
</msqrt>
</mfrac>
<mo>&times;</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>r</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
1
上式中的指数部分是关于v的二次函数，因此假设p(v|v1′,v2′,...vn′)依然为正态分布，假设服从即
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>|</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>&prime;</mo>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<msubsup>
<mi>v</mi>
<mi>n</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mi>N</mi>
</msub>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>N</mi>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>N</mi>
</msub>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>}</mo>
</mrow>
比较上式两个参数可得：
<mrow>
<msub>
<mi>v</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mfrac>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mfrac>
</mrow>
</mfrac>
</mrow>
因此按照均值估计的原则，v的贝叶斯估计为；
<mrow>
<mi>v</mi>
<mo>=</mo>
<munder>
<mo>&Integral;</mo>
<mi>&Omega;</mi>
</munder>
<mi>v</mi>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msub>
<mi>&pi;&sigma;</mi>
<mi>N</mi>
</msub>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>{</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>N</mi>
</msub>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>N</mi>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mo>}</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msubsup>
<mi>v</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mfrac>
</mrow>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mn>1</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
</mfrac>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710369383.3A CN107274006A (zh) | 2017-05-23 | 2017-05-23 | 一种基于贝叶斯推断的多源气象风速融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710369383.3A CN107274006A (zh) | 2017-05-23 | 2017-05-23 | 一种基于贝叶斯推断的多源气象风速融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107274006A true CN107274006A (zh) | 2017-10-20 |
Family
ID=60065142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710369383.3A Pending CN107274006A (zh) | 2017-05-23 | 2017-05-23 | 一种基于贝叶斯推断的多源气象风速融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274006A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109583467A (zh) * | 2018-10-11 | 2019-04-05 | 中国电力科学研究院有限公司 | 一种电力气象数据融合方法和系统 |
| CN109886354A (zh) * | 2019-03-06 | 2019-06-14 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
| CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
| CN110991701A (zh) * | 2019-11-12 | 2020-04-10 | 国电陕西新能源有限公司 | 一种基于数据融合的风电场风机风速预测方法及系统 |
| CN112033452A (zh) * | 2019-05-18 | 2020-12-04 | 罗伯特·博世有限公司 | 数据融合的传感器系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393881A (zh) * | 2011-09-08 | 2012-03-28 | 杭州微松环境科技有限公司 | 一种实时多传感温度数据融合的高精度检测方法 |
| CN102956023A (zh) * | 2012-08-30 | 2013-03-06 | 南京信息工程大学 | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 |
| CN103870686A (zh) * | 2014-03-07 | 2014-06-18 | 中国民航大学 | 一种基于信息融合的超声相控阵方法 |
| CN104535663A (zh) * | 2014-11-11 | 2015-04-22 | 中国民航大学 | 一种基于分形的超声相控阵无损检测方法 |
| CN106503861A (zh) * | 2016-11-08 | 2017-03-15 | 中国地质大学（武汉） | 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 |
| CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学（武汉） | 基于粒子群优化算法风速融合的风电功率预测的方法 |
-
2017
- 2017-05-23 CN CN201710369383.3A patent/CN107274006A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393881A (zh) * | 2011-09-08 | 2012-03-28 | 杭州微松环境科技有限公司 | 一种实时多传感温度数据融合的高精度检测方法 |
| CN102956023A (zh) * | 2012-08-30 | 2013-03-06 | 南京信息工程大学 | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 |
| CN103870686A (zh) * | 2014-03-07 | 2014-06-18 | 中国民航大学 | 一种基于信息融合的超声相控阵方法 |
| CN104535663A (zh) * | 2014-11-11 | 2015-04-22 | 中国民航大学 | 一种基于分形的超声相控阵无损检测方法 |
| CN106503861A (zh) * | 2016-11-08 | 2017-03-15 | 中国地质大学（武汉） | 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 |
| CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学（武汉） | 基于粒子群优化算法风速融合的风电功率预测的方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109583467A (zh) * | 2018-10-11 | 2019-04-05 | 中国电力科学研究院有限公司 | 一种电力气象数据融合方法和系统 |
| CN109583467B (zh) * | 2018-10-11 | 2024-07-26 | 中国电力科学研究院有限公司 | 一种电力气象数据融合方法和系统 |
| CN109886354A (zh) * | 2019-03-06 | 2019-06-14 | 国家卫星海洋应用中心 | 风场融合方法及装置 |
| CN112033452A (zh) * | 2019-05-18 | 2020-12-04 | 罗伯特·博世有限公司 | 数据融合的传感器系统 |
| CN110659672A (zh) * | 2019-09-02 | 2020-01-07 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
| CN110659672B (zh) * | 2019-09-02 | 2023-09-26 | 国电新能源技术研究院有限公司 | 一种风电机组出力分步不确定性预测方法及装置 |
| CN110991701A (zh) * | 2019-11-12 | 2020-04-10 | 国电陕西新能源有限公司 | 一种基于数据融合的风电场风机风速预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107274006A (zh) | 一种基于贝叶斯推断的多源气象风速融合方法 | |
| Wu et al. | A decision framework of offshore wind power station site selection using a PROMETHEE method under intuitionistic fuzzy environment: A case in China | |
| US8606416B2 (en) | Energy generating system and control thereof | |
| CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| CN105160060A (zh) | 一种基于实际功率曲线拟合的风电场理论功率确定方法 | |
| CN103902837A (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
| CN104599023A (zh) | 台风天气输电线路时变可靠性计算方法及风险评估系统 | |
| Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
| CN105005708A (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
| CN113988421A (zh) | 基于深度学习的风电机组功率智能预测方法 | |
| Syu et al. | Ultra-short-term wind speed forecasting for wind power based on gated recurrent unit | |
| Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
| CN114819385A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
| CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
| CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
| Zhao | Selection of wind turbines with multi-criteria group decision making approach in linguistic q-rung orthopair fuzzy environment | |
| Qatamin | Prediction of power output of wind turbines using system identification techniques | |
| Wang et al. | A probabilistic wind power forecasting approach based on gaussian process regression | |
| CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
| Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
| CN113468843A (zh) | 一种主动配电网等值模型的构建方法 | |
| Agrawal | Modeling forced outage in hydropower generating units for operations planning model | |
| CN110942218B (zh) | 计算风电场上网电量的方法、装置以及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |