CN108074015A - 一种风电功率超短期预测方法及系统 - Google Patents
一种风电功率超短期预测方法及系统 Download PDFInfo
- Publication number
- CN108074015A CN108074015A CN201711416137.5A CN201711416137A CN108074015A CN 108074015 A CN108074015 A CN 108074015A CN 201711416137 A CN201711416137 A CN 201711416137A CN 108074015 A CN108074015 A CN 108074015A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- msup
- sequence
- wind power
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000033001 locomotion Effects 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 7
- 238000000205 computational method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007704 transition 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
- 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风电功率超短期预测方法及系统,包括:在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;根据欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;对类波动序列进行类波动趋势融合,获得超短期预测结果。利用风电主成分波动的稳态趋势统计特征,结合未来波动态势判断,实现了高精度的风电功率超短期预测。
Description
技术领域
本发明涉及新能源发电领域,具体涉及一种风电功率超短期预测方法及系统。
背景技术
现今风电发展迅速,部分地区风电装机容量占全国总装机容量的70%以上,但负荷占比远低于新能源装机占比,新能源与负荷分布失衡,系统调峰和网架约束,使这些地区存在一定程度的限电问题。在现有调峰资源和网架约束条件下,开展新能源增量现货交易,是提高风电消纳的有效手段之一,其基础参考数据是风电超短期预测结果,目前的风电超短期功率预测主要采用持续算法,从预测结果与实际功率的对比看,预测功率表现为实际功率的延时形态,当风电出力发生趋势性变化,预测结果出现极端误差,不利于增量现货交易。
发明内容
为了克服上述缺陷,本发明提出一种风电功率超短期预测方法及系统,利用风电主成分波动的稳态趋势统计特征,结合未来波动态势判断,实现风电功率超短期预测,与现有的持续算法相比,在风电出力趋势变化时的预测性能获得了显著改善。
实现上述目的所采用的解决方案为:
一种风电功率超短期预测方法,所述方法包括:
在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;
在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;
计算所述历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
根据所述欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;
对所述类波动序列进行类波动趋势融合,获得超短期预测结果。
优选的,所述风电功率主成分波动序列是采用最小二乘滤波法,对预先建立的风电功率原始序列进行滤波获得。
优选的,通过下式确定风电功率主成分波动序列:
p=f(x)
式中,x为风电功率原始序列,f(·)为最小二乘滤波函数,p为风电功率主成分波动序列。
优选的,所述在风电功率主成分波动序列中检测局部极值点,包括:采用差分方式,分别对数据长度为m的风电功率主成分波动序列pt进行向前和向后差分,判断风电功率主成分波动序列中的第t个数据是否满足约束条件;
当数据长度为m的风电功率主成分波动序列pt满足局部极小值约束时,定义pt为局部极小值点;当数据长度为m的风电功率主成分波动序列pt满足局部极大值约束时,则定义pt为局部极大值点。
进一步地,通过下式确定局部极小值约束:
进一步地,通过下式确定局部极大值约束:
优选的,所述生成连续极值变化范围在装机容量预设阈值约束下的极值点序列包括:设为局部极值点序列,通过下式对连续极值变化范围小于装机容量预设阈值的局部极值点进行归并,生成极值点序列:
式中,Scap为装机容量,表示由连续极值变化范围小于装机容量预设阈值的n+1个局部极值点构成的极值点序列,l为局部极值点个数,δ为偏差。
优选的,所述定义历史复合波动序列包括:
根据极值点序列,确定历史波动序列;结合所述历史波动序列和预定义时间范围内的短期预测结果,定义历史复合波动序列。
进一步地,所述确定历史波动序列包括:在极值点序列中选取当前波动采样数据tn+1+k的相邻极值点根据相邻极值点确定在预测时刻采集到的k个波动采样点对应的相邻极值点集合并以各极值点作为历史波动起始点,生成n组历史波动序列
进一步地,所述定义历史复合波动序列包括:
获取预定义时间范围tj+k+1~tj+k+16内的短期预测结果与历史波动序列进行组合,生成历史复合波动序列
进一步地,根据欧式距离计算方法,通过下式确定历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
式中,为历史复合波动序列,为下一时刻的预测复合波动序列。
进一步地,所述类波动序列通过下式确定:
优选的,通过下式确定超短期预测结果包括:
式中,为时间尺度Δt下的预测结果,λj′为各类波动的融合权重。
进一步地,所述融合权重通过下式确定:
一种风电功率超短期预测系统,包括:
检测模块,用于在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;
定义模块,用于在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;
计算模块,用于计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
确定模块,用于根据欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;
获取模块,用于对类波动序列进行类波动趋势融合,获得超短期预测结果。
与最接近的现有技术相比,本发明具有的有益效果如下:
一种风电功率超短期预测方法及系统。利用风电主成分波动的稳态趋势统计特征,结合未来波动态势判断,实现风电功率超短期预测。通过在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;主成分波动趋势的准确预测能够获得高精度的风电功率预测结果。
在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;根据欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;最后对类波动序列进行类波动趋势融合,获得超短期预测结果;与现有的持续算法相比,在风电出力趋势变化时的预测性能获得了显著改善,大大提升了风电功率超短期预测的精度。
附图说明
图1为本发明实施例中提供的一种风电功率超短期预测方法流程图;
图2为本发明实施例中提供的基于波动过程识别与类波动融合的风电功率超短期预测方法流程图。
具体实施方式
下面结合附图,对本发明方法的实施方案详细描述。
风电出力具有随机波动性,但分析风电出力波动过程能够发现,风电出力序列由两部分组成:一是携带绝大部分能量的主成分波动过程,占出力序列总能量的95%以上,由大型天气过程形成的风电出力,与季节和地域相关,不同季节、不同地域的波动特征不同,如沿海地区从上升爬坡开始到下降爬坡结果的完整波动过程大约在3-5天,而内陆地区一般在2-3天;二是能量占比较小的随机波动,主要由局地气候、湍流等引起,表现为高频波动。实际工程发现,风电出力的高频波动具有随机性,无法实现准确预测,且在区域平滑效应的作用下,省级区域总出力表现为主成分波动,高频随机波动被风电场间的平滑效应中和。因此,风电功率预测的关键是实现主成分波动的准确预测,实际测算也表明,主成分波动趋势的准确预测能够获得高精度的风电功率预测结果。
结合图1和图2所示,提供一种风电功率超短期预测方法,包括:
S1在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;
S2在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;
S3计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
S4根据欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;
S5对类波动序列进行类波动趋势融合,获得超短期预测结果。
步骤S1中,风电功率主成分波动序列是采用最小二乘滤波法,对预先建立的风电功率原始序列进行滤波获得。
高频随机波动干扰风电功率序列主成分波动的提取和波动趋势的判断,需对风电功率序列进行滤波,剔除高频随机波动。目前存在多种滤波方法,如中值滤波、算术平均值滤波、小波分析、卡尔曼滤波和最小二乘滤波等,本专利的应用对象为超短期预测,采用在线滚动方式,存在数据尾部的影响,可适用的方法主要有卡尔曼滤波和最小二乘滤波,考虑估计的准确性,本专利采用最小二乘滤波方法。
最小二乘滤波方法:
时变系统的状态空间模型可描述为:
Xk+1=φk+1|kXk+ΓkWk
Zk=HkXk+Vk
上式称为量测方程,其中,Xk∈Rn为k时刻的系统状态;φk∈Rn×n为从k~k+1时刻的一步状态转移矩阵;Γk∈Rn×r为k时刻的系统噪声矩阵;Wk∈Rr为k时刻的未知的系统模型误差和噪声;Zk∈Rm为k时刻的系统测量值;Hk∈Rm×n为k时刻的量测矩阵;Vk∈Rm为k时刻的量测噪声。
设k-1时刻得到最小二乘(LS)参数估计值为Xk-1,则最小二乘算法参数估计的递推公式为
Xk=Xk-1+Kkek|k-1
式中ek|k-1=Zk-HkXk-1为量测值Zk的一步预测误差;I为单位阵;λ为遗忘因子。
将上述递推最小二乘(RLS)算法应用到状态估计中便得到最小二乘滤波算法,即一步预测均方误差方程
Pk|k-1=φk|k-1Pk-1φk|k-1
状态估值计算方程
Xk=φk|k-1Xk-1+Kk(Zk-Hkφk|k-1Xk-1)
滤波增益方程
估计均方差误差方程
风电功率主成分波动序列通过下式确定:
p=f(x)
式中,x为风电功率原始序列,f(·)为最小二乘滤波函数,p为风电功率主成分波动序列。
在风电功率主成分波动序列中检测局部极值点,包括:针对滤波后的风电功率主成分波动序列求取局部极值点,该序列为离散序列,采用差分方式求取局部极值点。
采用差分方式,分别对数据长度为m的风电功率主成分波动序列pt进行向前和向后差分,判断风电功率主成分波动序列中的第t个数据是否满足约束条件;
当数据长度为m的风电功率主成分波动序列pt满足局部极小值约束时,定义pt为局部极小值点;当数据长度为m的风电功率主成分波动序列pt满足局部极大值约束时,则定义pt为局部极大值点。
通过下式确定局部极小值约束:
通过下式确定局部极大值约束:
生成连续极值变化范围在装机容量预设阈值约束下的极值点序列包括:对出力为0的无出力过程也可能判断为局部极值点,同时波动较小的趋势变化也能提取出极值点,但实际工程中可认为同一波动过程。为此,在上述极值提取的基础上,根据工程经验,对连续极值变化范围小于5%装机容量的极值进行归并。设为局部极值点序列,通过下式对连续极值变化范围小于装机容量预设阈值的局部极值点进行归并,生成极值点序列:
式中,Scap为装机容量,表示由连续极值变化范围小于装机容量预设阈值的n+1个局部极值点构成的极值点序列,l为局部极值点个数,δ为偏差。
步骤S2中,定义历史复合波动序列包括:
根据极值点序列,确定历史波动序列;结合所述历史波动序列和预定义时间范围内的短期预测结果,定义历史复合波动序列。
其中,确定历史波动序列包括:在极值点序列中选取当前波动采样数据tn+1+k的相邻极值点根据相邻极值点确定在预测时刻采集到的k个波动采样点对应的相邻极值点集合并以各极值点作为历史波动起始点,生成n组历史波动序列
定义历史复合波动序列包括:
获取预定义时间范围tj+k+1~tj+k+16内的短期预测结果与历史波动序列进行组合,生成历史复合波动序列由于我国当前的超短期预测时间尺度为4小时,采样时间分辨率为15min,因此,取tj+k+1~tj+k+16时间范围内的短期预测结果。
步骤S3中,根据欧式距离计算方法,通过下式确定历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
式中,为历史复合波动序列,为下一时刻的预测复合波动序列。
欧几里得度量(euclidean metric)(也称欧氏距离),是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离,或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。
在二维和三维空间中的欧式距离的就是两点之间的距离,二维的公式是
三维的公式是
推广到n维空间,n维欧氏空间是一个点集,它的每个点X或向量x可以表示为(x[1],x[2],…,x[n]),其中x[i](i=1,2,…,n)是实数,称为X的第i个坐标。
两个点A=(a[1],a[2],…,a[n])和B=(b[1],b[2],…,b[n])之间的距离ρ(A,B)定义为下面的公式:
向量x=(x[1],x[2],…,x[n])的自然长度|x|定义为下面的公式:
步骤S4中,根据欧式距离dj,对历史复合波动序列进行降序排列dj′,欧式距离越小,该历史复合波动序列的波动特征与预测时刻所处的波动特征越相符,本专利取排序的前1%作为预测时刻所处波动序列的类波动序列,同时获取各类波动序列在超短期尺度下的出力趋势,各类波动序列将用于超短期功率预测,实际测算结果显示未滤除高频随机波动的原始出力序列能够获得更佳的精度结果,因而最终的类波动序列通过下式确定:
步骤S5中,将类波动序列在超短期尺度下的出力趋势进行融合作为当前的超短期预测结果;则超短期预测结果通过下式确定:
式中,为时间尺度Δt下的预测结果,λj′为各类波动的融合权重,本发明中采用欧式距离的负指数作为各类波动的融合权重。
其中,融合权重通过下式确定:
当下一时刻采样数据获取后,重复上述步骤S1-S5,实现超短期预测结果的滚动更新。
采用本发明所提出的方法对福建省18个风电场进行算例分析,结果显示,第4小时预测结果最佳相关系数达到93%,最差也在79%;18个风电场整体总加结果,第4小时预测结果的相关系数为94%,均方根误差在9.1%,且从预测结果的误差特点分析,在正向爬坡阶段主要表现为正误差(实际-预测),在负向爬坡阶段主要表现为负误差,具备预测结果优化的条件,经优化后精度将进一步提升。综上,本发明所涉及的方法有效、先进。
基于相同的发明构思,本发明还提供一种风电功率超短期预测系统,包括:
检测模块,用于在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;
定义模块,用于在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;
计算模块,用于计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
确定模块,用于根据欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;
获取模块,用于对类波动序列进行类波动趋势融合,获得超短期预测结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,这些变更、修改或者等同替换,其均在其申请待批的权利要求范围之内。
Claims (15)
1.一种风电功率超短期预测方法,其特征在于,所述方法包括:
在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;
在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;
计算所述历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
根据所述欧式距离对历史复合波动序列进行降序排列,并根据波动特征,确定类波动序列;
对所述类波动序列进行类波动趋势融合,获得超短期预测结果。
2.如权利要求1所述的方法,其特征在于,所述风电功率主成分波动序列是采用最小二乘滤波法,对预先建立的风电功率原始序列进行滤波获得。
3.如权利要求2所述的方法,其特征在于,通过下式确定风电功率主成分波动序列:
p=f(x)
式中,x为风电功率原始序列,f(·)为最小二乘滤波函数,p为风电功率主成分波动序列。
4.如权利要求1所述的方法,其特征在于,所述在风电功率主成分波动序列中检测局部极值点,包括:采用差分方式,分别对数据长度为m的风电功率主成分波动序列pt进行向前和向后差分,判断风电功率主成分波动序列中的第t个数据是否满足约束条件;
当数据长度为m的风电功率主成分波动序列pt满足局部极小值约束时,定义pt为局部极小值点;当数据长度为m的风电功率主成分波动序列pt满足局部极大值约束时,则定义pt为局部极大值点。
5.如权利要求4所述的方法,其特征在于,通过下式确定局部极小值约束:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>&le;</mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
<mi>t</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1.</mn>
</mrow>
6.如权利要求4所述的方法,其特征在于,通过下式确定局部极大值约束:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&le;</mo>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
<mi>t</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1.</mn>
</mrow>
7.如权利要求1所述的方法,其特征在于,所述生成连续极值变化范围在装机容量预设阈值约束下的极值点序列包括:设为局部极值点序列,通过下式对连续极值变化范围小于装机容量预设阈值的局部极值点进行归并,生成极值点序列:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mi>&delta;</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>&le;</mo>
<mn>0.05</mn>
<msub>
<mi>S</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mi>&delta;</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<mo>></mo>
<mn>0.05</mn>
<msub>
<mi>S</mi>
<mrow>
<mi>c</mi>
<mi>a</mi>
<mi>p</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
<mi>&delta;</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>...</mn>
</mrow>
式中,Scap为装机容量,表示由连续极值变化范围小于装机容量预设阈值的n+1个局部极值点构成的极值点序列,l为局部极值点个数,δ为偏差。
8.如权利要求1所述的方法,其特征在于,所述定义历史复合波动序列包括:
根据极值点序列,确定历史波动序列;结合所述历史波动序列和预定义时间范围内的短期预测结果,定义历史复合波动序列。
9.如权利要求8所述的方法,其特征在于,所述确定历史波动序列包括:在极值点序列中选取当前波动采样数据tn+1+k的相邻极值点根据相邻极值点确定在预测时刻采集到的k个波动采样点对应的相邻极值点集合并以各极值点作为历史波动起始点,生成n组历史波动序列
10.如权利要求9所述的方法,其特征在于,所述定义历史复合波动序列包括:
获取预定义时间范围tj+k+1~tj+k+16内的短期预测结果与历史波动序列进行组合,生成历史复合波动序列
11.如权利要求10所述的方法,其特征在于,根据欧式距离计算方法,通过下式确定历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
<mrow>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mn>16</mn>
<mo>,</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mn>16</mn>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
式中,为历史复合波动序列,为下一时刻的预测复合波动序列。
12.如权利要求10所述的方法,其特征在于,所述类波动序列通过下式确定:
<mrow>
<mo>{</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mn>16</mn>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>}</mo>
<mo>;</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mo>&lsqb;</mo>
<mn>0.01</mn>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
13.如权利要求1所述的方法,其特征在于,通过下式确定超短期预测结果包括:
<mrow>
<msub>
<mi>U</mi>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mn>0.01</mn>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
</munderover>
<msub>
<mi>&lambda;</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mrow>
<msub>
<mi>t</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>+</mo>
<mi>k</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mn>16</mn>
</mrow>
式中,为时间尺度Δt下的预测结果,λj′为各类波动的融合权重。
14.如权利要求13所述的方法,其特征在于,所述融合权重通过下式确定:
<mrow>
<msub>
<mi>&lambda;</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>d</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mn>0.01</mn>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>d</mi>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
15.一种风电功率超短期预测系统,其特征在于,包括:
检测模块,用于在风电功率主成分波动序列中检测局部极值点,生成连续极值变化范围在装机容量预设阈值约束下的极值点序列;
定义模块,用于在极值点序列中选取采样数据的相邻极值点,定义历史复合波动序列;
计算模块,用于计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离;
确定模块,用于根据欧式距离对历史复合波动序列进行降序排列,分析波动特征,确定类波动序列;
获取模块,用于对类波动序列进行类波动趋势融合,获得超短期预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711416137.5A CN108074015B (zh) | 2017-12-25 | 2017-12-25 | 一种风电功率超短期预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711416137.5A CN108074015B (zh) | 2017-12-25 | 2017-12-25 | 一种风电功率超短期预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108074015A true CN108074015A (zh) | 2018-05-25 |
CN108074015B CN108074015B (zh) | 2023-10-27 |
Family
ID=62155645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711416137.5A Active CN108074015B (zh) | 2017-12-25 | 2017-12-25 | 一种风电功率超短期预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074015B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
CN110474372A (zh) * | 2019-09-17 | 2019-11-19 | 中国农业大学 | 用于高渗透率可再生能源配电网的灵活性评估方法及系统 |
WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
CN112270439A (zh) * | 2020-10-28 | 2021-01-26 | 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 |
CN112651560A (zh) * | 2020-12-28 | 2021-04-13 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
CN114372357A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于因子隐马尔可夫模型的工业负荷分解方法 |
CN118465475A (zh) * | 2024-07-09 | 2024-08-09 | 国家能源集团科学技术研究院有限公司 | 水轮发电机超高频局部放电稳定测试方法及装置 |
CN118520428A (zh) * | 2024-07-22 | 2024-08-20 | 湖北华中电力科技开发有限责任公司 | 一种基于人工智能的电力负荷预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230821A1 (en) * | 2011-03-10 | 2012-09-13 | Sinovel Wind Group Co., Ltd. | Wind power prediction method of single wind turbine generator |
JP2013222423A (ja) * | 2012-04-19 | 2013-10-28 | Hitachi Power Solutions Co Ltd | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム |
CN103400230A (zh) * | 2013-08-08 | 2013-11-20 | 上海电机学院 | 一种风电功率预测系统及方法 |
CN104182889A (zh) * | 2014-08-18 | 2014-12-03 | 国家电网公司 | 一种历史风电出力数据处理与波动辨识方法 |
CN105279582A (zh) * | 2015-11-20 | 2016-01-27 | 中国水利水电第十四工程局有限公司 | 基于动态相关性特征的超短期风电功率预测方法 |
CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
-
2017
- 2017-12-25 CN CN201711416137.5A patent/CN108074015B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230821A1 (en) * | 2011-03-10 | 2012-09-13 | Sinovel Wind Group Co., Ltd. | Wind power prediction method of single wind turbine generator |
JP2013222423A (ja) * | 2012-04-19 | 2013-10-28 | Hitachi Power Solutions Co Ltd | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム |
CN103400230A (zh) * | 2013-08-08 | 2013-11-20 | 上海电机学院 | 一种风电功率预测系统及方法 |
CN104182889A (zh) * | 2014-08-18 | 2014-12-03 | 国家电网公司 | 一种历史风电出力数据处理与波动辨识方法 |
CN105279582A (zh) * | 2015-11-20 | 2016-01-27 | 中国水利水电第十四工程局有限公司 | 基于动态相关性特征的超短期风电功率预测方法 |
CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
CN109816165B (zh) * | 2019-01-16 | 2020-09-25 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
US11740603B2 (en) | 2019-05-29 | 2023-08-29 | Siemens Aktiengesellschaft | Power load prediction method and apparatus, and storage medium |
CN110474372A (zh) * | 2019-09-17 | 2019-11-19 | 中国农业大学 | 用于高渗透率可再生能源配电网的灵活性评估方法及系统 |
CN112270439A (zh) * | 2020-10-28 | 2021-01-26 | 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 |
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 |
CN112651560A (zh) * | 2020-12-28 | 2021-04-13 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
CN112651560B (zh) * | 2020-12-28 | 2023-04-25 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
CN114372357A (zh) * | 2021-12-29 | 2022-04-19 | 国网天津市电力公司 | 一种基于因子隐马尔可夫模型的工业负荷分解方法 |
CN118465475A (zh) * | 2024-07-09 | 2024-08-09 | 国家能源集团科学技术研究院有限公司 | 水轮发电机超高频局部放电稳定测试方法及装置 |
CN118520428A (zh) * | 2024-07-22 | 2024-08-20 | 湖北华中电力科技开发有限责任公司 | 一种基于人工智能的电力负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108074015B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074015A (zh) | 一种风电功率超短期预测方法及系统 | |
Zhao et al. | Data-driven correction approach to refine power curve of wind farm under wind curtailment | |
CN110659693B (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及介质 | |
Kim et al. | LSTM based short-term electricity consumption forecast with daily load profile sequences | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN103986156B (zh) | 一种考虑风电接入的动态概率潮流计算方法 | |
CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
JP6177208B2 (ja) | 電力系統監視装置および電力系統監視システム | |
ElNozahy et al. | A probabilistic load modelling approach using clustering algorithms | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN111293686A (zh) | 基于armax系统辨识的电力系统惯量实时评估方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN104392274A (zh) | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 | |
CN114123344B (zh) | 基于自适应递推最小二乘的电力系统惯量评估方法及装置 | |
CN107634516A (zh) | 一种基于灰色‑马尔可夫链的配网状态估计方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN102280877B (zh) | 一种多量测断面的电力系统不良支路参数辨识方法 | |
CN108205713A (zh) | 一种区域风电功率预测误差分布确定方法和装置 | |
CN104537233B (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN104156885A (zh) | 一种基于可靠性函数的风电容量可信度的快速计算方法 | |
CN105939026A (zh) | 基于混合Laplace分布的风电功率波动量概率分布模型建立方法 | |
CN109239596A (zh) | 一种基于ekf-irls滤波的动态状态估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |