CN107909227B - 超短期预测风电场功率的方法、装置及风力发电机组 - Google Patents
超短期预测风电场功率的方法、装置及风力发电机组 Download PDFInfo
- Publication number
- CN107909227B CN107909227B CN201711387382.8A CN201711387382A CN107909227B CN 107909227 B CN107909227 B CN 107909227B CN 201711387382 A CN201711387382 A CN 201711387382A CN 107909227 B CN107909227 B CN 107909227B
- Authority
- CN
- China
- Prior art keywords
- power
- prediction
- measured value
- value sequence
- power measured
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明实施例提供一种超短期预测风电场功率的方法、装置及风力发电机组,其中,超短期预测风电场功率的方法包括:获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列;将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;其中,所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。本发明提供的方案,能够显著提高风电场功率预测的准确性。
Description
技术领域
本发明涉及风电技术领域,尤其涉及一种超短期预测风电场功率的方法、装置及风力发电机组。
背景技术
随着风电并网规模的快速扩大,风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响也日益彰显,因此,及时、精准地预测风电功率动态的意义重大。风电场超短期功率预测是解决风电场输出有功功率稳定性问题的关键技术之一,它可以为风电场有功功率控制提供机组出力能力参考,有利于风电场控制方制定合理调度计划,从而更好地接受电网控制端的统一调度。目前,超短期预测指预测从当前时刻起未来15分钟到4小时的风功率,时间分辨率为15分钟。针对风功率超短期预测的方法主要有ARIMA自回归移动平均法和卡尔曼滤波等。
实际上,1.5到2.5小时的超短期预测水平对风机运行具有较大的指导意义,上述ARIMA自回归移动平均法和卡尔曼滤波等方法虽然在预测未来最近的时间点的准确率较高,但是随着时间的推移,其对2小时以后的风功率预测准确率有明显下降。
发明内容
本发明实施例提供的一种超短期预测风电场功率的方法、装置及风力发电机组,能够显著提高风电场功率预测的准确性。
为达到上述目的,本发明实施例提供了一种超短期预测风电场功率的方法,包括:
获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列;将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;其中,所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。
本发明实施例还提供了一种超短期预测风电场功率的装置,包括:
数据获取模块,用于获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列;功率预测模块,用于将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;其中,所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。
本发明实施例还提供一种风力发电机组,其设置有如上所述超短期预测风电场功率的装置。
本发明实施例还提供一种计算机可读存储介质,其存储有当被处理器执行时使得处理器执行如上所述的方法的程序指令。
本发明实施例提供的超短期预测风电场功率的方法、装置及风力发电机组,通过获取一定时间段内风电场的功率实测值序列,并采用基于长短期记忆LSTM网络训练得到的预测模型进行功率预测,输出未来一定时间段内风电场的功率预测值。相对于现有技术中以风电功率的相关的参数作为输入得到预测功率的这些功率预测没有考虑时序性,故在超短期预测时,在特定时间点上的预测值不是很准,而本方案是以风电功率在时间上的连续性,运用获取的风电功率实测值序列,去预测未来时间段的风电功率,从而显著提高风电场功率预测的准确性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的超短期预测风电场功率的方法流程图一;
图2为本发明实施例提供的超短期预测风电场功率的方法流程图二;
图3为本发明实施例提供的超短期预测风电场功率的方法流程图三;
图4为本发明实施例提供的某风电场未来第2小时的功率预测结果曲线图;
图5为本发明实施例提供的某风电场未来第15分钟至4小时的功率预测准确率柱状图;
图6为本发明实施例提供的超短期预测风电场功率的装置结构图一;
图7为本发明实施例提供的超短期预测风电场功率的装置结构图二;
图8为本发明实施例提供的超短期预测风电场功率的装置结构图三。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供的超短期预测风电场功率的方法、装置及风力发电机组,通过获取一定时间段内风电场的功率实测值序列,并采用基于长短期记忆LSTM网络训练得到的预测模型进行功率预测,输出未来一定时间段内风电场的功率预测值。相对于现有技术中以风电功率的相关的参数作为输入得到预测功率的这些功率预测没有考虑时序性,故在超短期预测时,在特定时间点上的预测值不是很准,而本方案是以风电功率在时间上的连续性,运用获取的风电功率实测值序列,去预测未来时间段的风电功率,从而显著提高风电场功率预测的准确性。
下面通过多个实施例来说明本申请的技术方案。
实施例一
图1为本发明实施例提供的超短期预测风电场功率的方法流程图一,该方法的执行主体可以为设置在风电机组中的控制器,如图1所示,该方法包括:
S110,获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列。
具体地,获取截至当前时刻之前的一定时间段内的多个风电场功率实测值,本实施例中所述的时刻可以理解为风电场功率实测值对应的采样时刻,在每个时刻对应采集一个功率实测值,进而将采集到的功率实测值按时间的先后顺序形成功率实测值序列。例如,可设置功率实测值的采样周期为15分钟,并设置采集当前时刻之前的5个小时的功率实测值,则可采集20个功率实测值形成功率实测值序列[x1,x2…x20]。
S120,将功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;
其中,预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。
现有技术中,大部分关于风电功率的预测模型是以与风电功率相关的参数作为模型的输入,模型的输出为预测风电功率,这些功率预测模型没有考虑时序性,故在超短期预测时,因为基本都是基于风电机组某种状态下的功率预测,因此在未来特定时间点上的预测值不是很准确。另外,现有方案中虽然也可基于其他类型的神经网的风电功率预测预测未来时间段内的风电功率,但这些算法的预测结果在未来2小时的时刻点上精度就开始迅速下降,不能满足风电功率未来15分钟至4小时内的预测需求。
区别于上述这些现有方案,本方案中的预测模型为采用了长短期记忆LSTM网络对训练样本进行训练后生成的预测模型。LSTM可以针对被预测对象如本实施例中的风电功率以时间序列的形式进行预测,即风电功率输出具有时序性。具体地,将多个功率实际值以时间序列的形式作为模型输入,且模型的输出也是基于时序的风电功率,如此可以更准确对风电功率进行长短期预测
本发明实施例提供的超短期预测风电场功率的方法,通过获取一定时间段内风电场的功率实测值序列,并采用基于长短期记忆LSTM网络训练得到的预测模型进行功率预测,输出未来一定时间段内风电场的功率预测值。相对于现有技术中以风电功率的相关的参数作为输入得到预测功率的这些功率预测没有考虑时序性,故在超短期预测时,在特定时间点上的预测值不是很准,而本方案是以风电功率在时间上的连续性,运用获取的风电功率实测值序列,去预测未来时间段的风电功率,从而显著提高风电场功率预测的准确性。
实施例二
图2为本发明实施例提供的超短期预测风电场功率的方法流程图二,该方法在图1所示的基础上,对预测模型进行了进一步限定,即以滚动预测的形式,对未来短期内的风电功率进行多次滚动预测,得到预测结果,该方法包括:
S210,获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列。
步骤S210与上述步骤S110的内容相同。
S220,将功率实测值序列经预置滚动预测模型的多次滚动预测,依次得到下一时刻起未来固定时间段内各时刻的功率预测值,并形成功率预测值序列,
其中,每完成一次滚动预测,在用于上一次滚动预测的功率实测值序列的序列尾部顺序添加上一次预测得到的功率预测值,并从用于上一次滚动预测的功率实测值序列的头部顺序剔除相应个数的功率实测值,以保证滚动预测后的所述功率实测值序列长度不变,并形成新的功率实测值序列,用于下一次滚动预测。
具体地,该预置的滚动预测模型以截至某一时刻之前的功率实测值序列作为输入,并以该时刻的下一时刻的功率预测值作为输出。通过利用该滚动预测模型将功率实测值序列多次滚动的进行预测计算,以依次得到多个功率预测值,即该风电场下一时刻起未来一定时间段内各时刻的功率预测值,进而将预测得到的功率预测值按时间的先后顺序形成功率预测值序列。
所谓滚动预测就是将上一次预测计算的输出值补充到当前输入数据序列的最后,同时将输入数据序列的第一个值去除,以形成后的新序列进一步就行预测计算得到当前时刻的预测结果数据。例如,以上述功率实测值序列[x1,x2…x20]为滚动预测模型的输入,可通过预置的滚动预测模型,得到下一时刻的功率预测值y1。
每次用于滚动预测的功率实测值序列中,从序列尾部顺序添加了已预测得到的上一次的功率预测值,并从序列头部顺序剔除了相应个数的功率实测值,以保证滚动后的各次功率实测值序列长度不变。具体地,将通过滚动预测模型最新获得的上一次的功率预测值,增加至功率实测值序列尾部,并同时删除该功率实测值序列中相同个数的头部的功率实测值,以确保该功率实测值序列长度保持不变。例如,以上述功率实测值序列[x1,x2…x20]为输入,经过滚动预测模型预测,输出下一时刻的功率预测值y1;然后,将该功率预测值y1增加至功率实测值序列尾部,同时删除现有的功率实测值序列中头部的功率实测值x1,形成新的功率实测值序列[x2,x3…x20,y1],并将该功率实测值序列[x2,x3…x20,y1]作为下一次滚动预测模型的输入;按照上述步骤依次迭代,直到预测出未来4小时的16个功率预测值[y1,y2…y16]。基于每一次输入数据的实时更新,可以进一步显著提高风电场功率预测的准确性。
具体地,可设置LSTM网络结构中:隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为1、训练轮数为3000。其中,网络层数n可以为任意大于0的整数值,每个网络层可以包含多个隐含节点,设该隐含节点的个数为N1,截断时间长度即输入时间序列的长度,以过去5个小时且时间步长为15分钟为例,截断时间长度即为20,同时LSTM网络结构中输入层的维度也是20,输出层为1即表示每次输出一个时刻的功率预测值。通过对训练样本进行3000轮训练,即可完成满足预期精度的上述预置的滚动预测模型训练。
本发明实施例提供的超短期预测风电场功率的方法,通过获取一定时间段内风电场的功率实测值,并基于循环神经网络,采用滚动预测方法训练模型,输出未来一定时间段内风电场的功率预测值,从而显著提高风电场功率预测的准确性。
实施例三
图3为本发明实施例提供的超短期预测风电场功率的方法流程图三,该方法在图1所示的基础上,对预测模型进行了进一步限定,即以多维预测的形式,对未来短期内的风电功率进行一次预测得到预测结果,该方法包括:
S310,获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列。
步骤S310与上述步骤S110内容相同。
S320,将功率实测值序列经预置多维预测模型的一次预测,得到下一时刻起未来固定时间段内各时刻的功率预测值,并形成功率预测值序列。
具体地,该预置的多维预测模型以上述功率实测值序列为输入,经过该多维预测模型一次预测,可一次性得到下一时刻起一定时间段内各时刻的功率预测值,进而将该多个功率预测值形成功率预测值序列。例如,以上一实施例中的功率实测值序列[x1,x2…x20]为预置的多维预测模型的输入,假设需要获取未来4个小时的功率预测值,则可通过该多维预测模型的预测,一次性输出未来4个小时共计16个功率预测值,并形成功率预测值序列[y1,y2…y16]。
具体地,可设置LSTM网络结构中:隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为16、训练轮数为3000。其中,网络层数n可以为任意大于0的整数值,每个网络层可以包含多个隐含节点,设该隐含节点的个数为N1,截断时间长度即输入时间序列的长度,以过去5个小时且时间步长为15分钟为例,截断时间长度即为20,同时LSTM网络结构中输入层的维度也是20,输出层为16即表示每次经过多维预测模型预测,一次性输出16个时刻的功率预测值。通过对训练样本进行3000轮训练,即可完成满足预期精度的上述预置的多维预测模型训练。
图4为本发明实施例提供的某风电场未来第2小时的功率预测结果曲线图,图5为本发明实施例提供的某风电场未来第15分钟至4小时的功率预测准确率柱状图,在实际应用场景中,如图3和图4所示,将本方案提供的多维预测方法应用于某风电场进行功率超短期预测,可见其预测结果随着时间的推移,准确率虽然有所下降,但下降速度缓慢,对于未来1到4小时的功率预测准确率高达84.37%至88.23%。
本发明实施例提供的超短期预测风电场功率的方法,通过获取一定时间段内风电场的功率实测值,并基于循环神经网络,采用多维预测方法训练模型,输出未来一定时间段内风电场的功率预测值,从而显著提高风电场功率预测的准确性。
实施例四
图6为本发明实施例提供的超短期预测风电场功率的装置结构图一,该装置可用于执行实施例一中所述的方法步骤。如图6所示,该装置包括:
数据获取模块610,用于获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列。
功率预测模块620,将功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;
其中,预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成。
本发明实施例提供的超短期预测风电场功率的装置,通过获取一定时间段内风电场的功率实测值序列,并采用基于长短期记忆LSTM网络训练得到的预测模型进行功率预测,输出未来一定时间段内风电场的功率预测值。相对于现有技术中以风电功率的相关的参数作为输入得到预测功率的这些功率预测没有考虑时序性,故在超短期预测时,在特定时间点上的预测值不是很准,而本方案是以风电功率在时间上的连续性,运用获取的风电功率实测值序列,去预测未来时间段的风电功率,从而显著提高风电场功率预测的准确性。
实施例五
图7为本发明实施例提供的超短期预测风电场功率的装置结构图二,该装置在图6所示装置的基础上对功率预测模块进行了进一步地细化,可用于执行实施例二中所述的方法步骤。如图7所示,该装置同样包括上述数据获取模块610和功率预测模块620,并且,
功率预测模块620可具体包括:
滚动预测单元621,用于将功率实测值序列经预置滚动预测模型的多次滚动预测,依次得到下一时刻起未来固定时间段内各时刻的功率预测值,并形成功率预测值序列,
每次用于滚动预测的功率实测值序列中,从序列尾部顺序添加了已预测得到的上一次的功率预测值,并从序列头部顺序剔除相应个数的功率实测值,以保证滚动后的各次功率实测值序列长度不变。
相应地,上述LSTM网络结构中:隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为1、训练轮数为3000。
本发明实施例提供的超短期预测风电场功率的装置,通过获取一定时间段内风电场的功率实测值,并基于循环神经网络,采用滚动预测方法训练模型,输出未来一定时间段内风电场的功率预测值,从而显著提高风电场功率预测的准确性。
实施例六
图8为本发明实施例提供的超短期预测风电场功率的装置结构图三,该装置在图6或者图7所示装置的基础上对功率预测模块进行了进一步地细化,可用于执行实施例三中所述的方法步骤。如图8所示,该装置同样包括上述数据获取模块610和功率预测模块620,并且,
功率预测模块620可具体包括:
多维预测单元622,用于将功率实测值序列经预置多维预测模型的一次预测,得到下一时刻起未来固定时间段内各时刻的功率预测值,并形成功率预测值序列。
相应地,上述LSTM网络结构中:隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为16、训练轮数位3000。
本发明实施例提供的超短期预测风电场功率的装置,通过获取一定时间段内风电场的功率实测值,并基于循环神经网络,采用多维预测方法训练模型,输出未来一定时间段内风电场的功率预测值,从而显著提高风电场功率预测的准确性。
本发明实施例还提供了一种风力发电机组,包括:设置有如上所述的任一种超短期预测风电场功率的装置。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有当被处理器执行时使得处理器执行如上的任一项所述的超短期预测风电场功率的方法的程序指令。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (8)
1.一种超短期预测风电场功率的方法,其特征在于,包括:
获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列;
将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;
其中,所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成,
所述将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值包括:
将所述功率实测值序列经预置滚动预测模型的多次滚动预测,依次得到下一时刻起未来固定时间段内各时刻的功率预测值,
其中,每完成一次滚动预测,在用于上一次所述滚动预测的所述功率实测值序列的序列尾部顺序添加上一次预测得到的所述功率预测值,
并从用于上一次所述滚动预测的所述功率实测值序列的头部顺序剔除相应个数的功率实测值,以保证滚动预测后的所述功率实测值序列长度不变,并形成新的功率实测值序列,所述新的功率实测值序列作为下一次滚动预测的输入而输入到所述预置预测模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值包括:
将所述功率实测值序列经预置多维预测模型的一次预测,得到下一时刻起未来固定时间段内各时刻的功率预测值。
3.根据权利要求2所述的方法,其特征在于,所述LSTM网络结构中:隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为16、训练轮数为3000。
4.一种超短期预测风电场功率的装置,其特征在于,包括:
数据获取模块,用于获取截至当前时刻的过去固定时间段内各时刻的风电场的功率实测值,并形成功率实测值序列;
功率预测模块,用于将所述功率实测值序列经预置预测模型进行预测,得到下一时刻起未来固定时间段内各时刻的功率预测值;
其中,所述预测模型为采用长短期记忆LSTM网络对训练样本进行训练后生成,
所述功率预测模块包括:
滚动预测单元,用于将所述功率实测值序列经预置滚动预测模型的多次滚动预测,依次得到下一时刻起未来固定时间段内各时刻的功率预测值,
其中,每完成一次滚动预测,在用于上一次所述滚动预测的所述功率实测值序列的序列尾部顺序添加上一次预测得到的所述功率预测值,
并从用于上一次所述滚动预测的所述功率实测值序列的头部顺序剔除相应个数的功率实测值,以保证滚动预测后的所述功率实测值序列长度不变,并形成新的功率实测值序列,所述新的功率实测值序列作为下一次滚动预测的输入而输入到所述预置预测模型。
5.根据权利要求4所述的装置,其特征在于,所述功率预测模块包括:
多维预测单元,用于将所述功率实测值序列经预置多维预测模型的一次预测,得到下一时刻起未来固定时间段内各时刻的功率预测值,并形成功率预测值序列。
6.根据权利要求5所述的装置,其特征在于,所述LSTM网络结构中:隐含节点个数为N1、网络层数为n、截断时间长度为20、输出层为16、训练轮数为3000。
7.一种风力发电机组,其特征在于,包括:设置有权利要求4-6中任一种所述超短期预测风电场功率的装置。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有当被处理器执行时使得处理器执行权利要求1至3中的任一项所述的方法的程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387382.8A CN107909227B (zh) | 2017-12-20 | 2017-12-20 | 超短期预测风电场功率的方法、装置及风力发电机组 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387382.8A CN107909227B (zh) | 2017-12-20 | 2017-12-20 | 超短期预测风电场功率的方法、装置及风力发电机组 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909227A CN107909227A (zh) | 2018-04-13 |
CN107909227B true CN107909227B (zh) | 2022-07-15 |
Family
ID=61870638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711387382.8A Active CN107909227B (zh) | 2017-12-20 | 2017-12-20 | 超短期预测风电场功率的方法、装置及风力发电机组 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909227B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503228B (zh) * | 2018-05-18 | 2022-07-19 | 北京金风科创风电设备有限公司 | 低风速下的风力发电机组的功率预测方法及设备 |
CN108932671A (zh) * | 2018-06-06 | 2018-12-04 | 上海电力学院 | 一种采用深度q神经网络调参的lstm风电负荷预测方法 |
CN109214566B (zh) * | 2018-08-30 | 2021-02-26 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
CN109214575B (zh) * | 2018-09-12 | 2021-08-31 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
CN109523084A (zh) * | 2018-11-23 | 2019-03-26 | 东北大学 | 一种基于主元分析和机器学习的风电功率超短期预测方法 |
CN110071530B (zh) * | 2019-05-20 | 2020-10-02 | 中国矿业大学 | 基于lstm的含储能电力系统风电爬坡协调调度方法 |
CN110245805A (zh) * | 2019-06-21 | 2019-09-17 | 内蒙古电力(集团)有限责任公司培训中心 | 一种风功率的预测方法、装置及电子设备 |
CN110378541A (zh) * | 2019-08-08 | 2019-10-25 | 上海交通大学 | 一种风功率短期多步预测方法及装置 |
CN112036658B (zh) * | 2020-09-09 | 2022-06-14 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
CN112270439B (zh) * | 2020-10-28 | 2024-03-08 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
CN112580257B (zh) * | 2020-12-10 | 2022-03-29 | 东北大学 | 基于深度学习的复杂工业系统预报模型构建方法、装置、设备及存储介质 |
CN113159102B (zh) * | 2021-02-24 | 2023-02-10 | 山东大学 | 一种多时间尺度的光伏功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN105184679A (zh) * | 2015-09-22 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 一种风电场功率多时间尺度联合预测方法 |
CN105335790A (zh) * | 2014-06-27 | 2016-02-17 | 上海电机学院 | 风电功率超短期预测方法 |
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880810B (zh) * | 2012-10-25 | 2015-07-15 | 山东电力集团公司电力科学研究院 | 基于时间序列和神经网络法的风电功率预测方法 |
-
2017
- 2017-12-20 CN CN201711387382.8A patent/CN107909227B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN105335790A (zh) * | 2014-06-27 | 2016-02-17 | 上海电机学院 | 风电功率超短期预测方法 |
CN105184679A (zh) * | 2015-09-22 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 一种风电场功率多时间尺度联合预测方法 |
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
"基于长短期记忆网络的风电场发电功率超短期预测";朱乔木 等;《电网技术》;20171205;第41卷(第12期);第3797-3802页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107909227A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909227B (zh) | 超短期预测风电场功率的方法、装置及风力发电机组 | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN109783910B (zh) | 一种利用生成对抗网络加速的结构优化设计方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN115808922B (zh) | 商用电动车辆能耗预测方法、装置和计算机设备 | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
CN113537586A (zh) | 集成小波分解与深度神经网络的水质指标多步预测方法 | |
CN117332900A (zh) | 一种3d建模输出的新能源小时间尺度功率预测方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN111612648B (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN113093014A (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
CN103714392A (zh) | 一种基于混沌理论的电力负荷多时间尺度分析及预测方法 | |
CN116362428A (zh) | 基于vmd-pcf-arima的短期负荷预测方法 | |
CN114611799A (zh) | 发电功率预测方法、装置、设备、存储介质和程序产品 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN115130365A (zh) | 基于循环神经网络的燃料电池极化曲线预测方法及装置 | |
CN111767633A (zh) | 一种综合能源系统微型燃气轮机高效模拟方法及相关设备 | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Ünlük et al. | Prediction of monthly electricity consumption used in Mu ş Alparslan University Complex by means of Classical and Deep Learning methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |