CN108364071A - 一种基于遗传规划法的自适应建模风功率预测方法 - Google Patents

一种基于遗传规划法的自适应建模风功率预测方法 Download PDF

Info

Publication number
CN108364071A
CN108364071A CN201810116013.3A CN201810116013A CN108364071A CN 108364071 A CN108364071 A CN 108364071A CN 201810116013 A CN201810116013 A CN 201810116013A CN 108364071 A CN108364071 A CN 108364071A
Authority
CN
China
Prior art keywords
wind
wind speed
wind power
programming algorithm
genetic programming
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
Application number
CN201810116013.3A
Other languages
English (en)
Inventor
李靖霞
刘文彪
纪陵
吴世伟
王紫东
陈刚
刘玉奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing SAC Automation Co Ltd
Original Assignee
Nanjing SAC Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing SAC Automation Co Ltd filed Critical Nanjing SAC Automation Co Ltd
Priority to CN201810116013.3A priority Critical patent/CN108364071A/zh
Publication of CN108364071A publication Critical patent/CN108364071A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传规划法的自适应建模风功率预测方法，包括以下步骤：(1)获取风电机组历史数据；(2)分割风速区间，按各风速区间不同将历史数据划分到不同区间；(3)对历史数据进行归一化处理；(4)构造适应度函数；(5)对随机产生的初始群体做复制、交叉和变异操作，反复进行操作，直至满足终止条件，得到不同风速区间的风电功率模型；(6)根据未来时间段的风速、风向、温度、湿度和气压的预报值，代入相应风速的功率模型，得到风电场功率预测数据。本发明能根据历史数据,自动找到风电场功率与各影响因素间的显性关系式,减小因主观判断失误而产生的误差,从而提高了预测精度。

Description

一种基于遗传规划法的自适应建模风功率预测方法
技术领域
本发明涉及一种基于遗传规划法的自适应建模风功率预测方法，属于风力发电技术领域。
背景技术
近年来风电发展迅速，我国风电装机容量不断增长，但由于风力发电的随机性、间歇性的特性，风电接入电网后，影响了电网安全稳定。改善风电场运行的安全需要对风力发电机组进行功率预测。
当前的研究中，风力发电功率预测方法有很多智能算法，如神经网络、支持向量机和遗传算法等，这些算法都不能得到显性的功率预测模型。将遗传规划用于风电场预测，可自动考虑多种因素对风电场功率的影响，根据实际运行情况建立和更新显性的风电场功率模型，真实反映风机实际运行状况。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于遗传规划法的自适应建模风功率预测方法，能根据历史数据,自动找到风电场功率与各影响因素间的显性关系式,无需人为事先确定函数关系,减小因主观判断失误而产生的误差,从而提高了预测精度。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的一种基于遗传规划法的自适应建模风功率预测方法，包括以下几个步骤：
(1)获取风电机组历史数据，所述历史数据包括风电场的风速、风向、温度、湿度、气压和风电场功率；
(2)分割风速区间，按各风速区间不同将历史数据划分到不同区间；
(3)对所述历史数据进行归一化处理；
(4)采用遗传规划法随机产生初始群体；
(5)构造适应度函数：适应度为由自变量计算出的风电场预测功率与风电场实际功率差的绝对值的倒数；
(6)对随机产生的初始群体做复制、交叉和变异操作(是现有方法)，反复进行操作，直至满足终止条件，终止条件设置为满足最大迭代次数；
(7)针对不同风速区间，分别使用遗传规划法得到不同风速区间的风电功率模型；
(8)根据未来时间段的风速、风向、温度、湿度和气压的预报值，代入相应风速的功率模型，得到风电场功率预测数据。
步骤(2)中，分割风速区间，共分为五段，按各风速区间不同将历史数据划分到不同区间。
五段风速区间分别为0～5m/s，5～10m/s，10～15m/s，15～20m/s以及20m/s以上。
步骤(3)中，所述历史数据归一化处理方法如下：对于所述风电场功率采用风电额定容量作为基数做归一化处理；对于所述风速、温度、湿度和气压，将历史最高值作为基数做归一化处理；对于风向，采用参考角度的sin值做归一化处理。
步骤(4)中，具体的方法如下：遗传规划法中的个体由树状结构表示，中间节点为运算符节点，采用中间节点集合为各种运算符，终止节点集为风速、风向、温度、湿度、气压和任意随机常数；随机产生设定规模的个体作为初始群体，个体为由树状结构表示的功率模型。
上述运算符包括+，-，/，*，Exp,log,sin,cos。
步骤(5)中，所述终止条件为迭代数到达500代。
本发明有益效果如下：
1、本发明提供的方法基于遗传规划法，自动找到风电场功率与各影响因素间的显性关系式,无需人为事先确定函数关系,减小因主观判断失误而产生的误差,从而提高了预测精度；
2、本发明将风速进行分区，提高了每区段的风功率预测模型的准确性；
3、本发明具有良好的扩展性，能够扩展至其他间歇性、随机性新能源发电预测领域，如光伏发电功率预测领域；
4、本发明适应性高，可方便根据新数据，获取新的模型，提高风电功率预测的真实性、准确性。
附图说明
图1为本发明一种基于遗传规划法的自适应建模风功率预测方法工作流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明的一种基于遗传规划法的自适应建模风功率预测方法，包括下列步骤：采集风电场历史天气信息包括风速、风向、温度、湿度、气压和风电场运行功率数据作为样本，使用遗传规划法，自动找出与风电场功率变化密切相关的因素，用其作为自变量，生成函数表达式来体现风电场功率的变化规划，建立风电场发电功率模型，该模型可根据风电场运行数据进行更新。为了得到更精确的模型，在预测时，对风速进行分区，针对不同区间建立不同功率模型。在进行风电场功率预测时，基于数值天气预报，采用功率模型可直接进行风电场功率预测。进行根据采用本发明的方法，可自动考虑多种因素对风电场功率的影响，根据实际运行情况建立和更新风电场功率模型，真实反映风机实际运行状况。
遗传规划的基本思想是:首先通过对问题进行结构化处理(一般采用树状结构表示),然后从随机产生的初始群体出发,模拟达尔文的进化规则,采用复制、杂交和变异等遗传操作算子从当前的结构代码群体中产生新的子代结构代码,循环迭代计算,使生成的结构代码群体呈现出越来越强的环境适应能力,逐步向最优解靠近,并最终得到最优的结构代码(最优解)
该方法有效地提高了径流预测精度,同其他方法相比具有明显优势,能根据实测数据,自动找到径流与影响因素间的显性关系式,无需人为事先确定各影响因素间的函数关系,能减小因主观判断失误而产生的误差,从而提高了预测精度,进而为中长期径流预测问题的解决提供了一种新的方法和途径。应用遗传规划方法进行中长期径流预测,将预测模型视为遗传规划中的个体加以处理,依据生物界“优胜劣汰”的原则,运用复制、交叉和变异等遗传操作算子；根据历史样本数据自动生成最佳的径流预测模型,包括模型的函数形式以及模型参数；最后运用得到的预测模型对某水文站的年径流进行预测。仿真结果表明,基于遗传规划的径流预测模型可以明显提高径流预测精度,为解决中长期径流预测问题提供了一种行之有效的新方法。
如图1所示，一种基于遗传规划法的自适应建模风功率预测方法步骤如下：
(1)获取风电机组历史运行实际气象和功率数据；
历史数据来源为SCADA监控系统的真实风电场风速、风向、温度、湿度、气压和功率数据，数据采用风电场近期的生产运行数据。
(2)分割风速区间，将数据分类
将风速区间做分割，共分为5段，分别为0～5m/s，5～10m/s，10～15m/s，15～20m/s以及20m/s以上，分割区间个数可根据数据数量进行自适应修改。按各风速区间不同将历史数据划分到不同区间，便于分别进行遗传规划运算。
(3)归一化历史数据。
对于风电场功率数据，可采用风电额定容量作为基数做归一化处理。
对于风速、温度、湿度和气压，将历史最高值作为基数做归一化处理。
对于风向，采用参考角度的sin值做归一化处理。
(4)构造适应度函数
取风速、风向、温度、湿度和气压为自变量，风电场功率为因变量，每个个体为随机组成的功率模型，适应度为由自变量计算出的功率与实际功率的差的绝对值；
(5)进行遗传规划操作
对随机产生的初始群体做复制、交叉和变异等操作。反复进行操作，直至满足终止条件，设置为终止代数500代，得到不同风速区间的风电功率模型。
(6)用预测模型进行风电功率预测。
根据未来时间段的风速、风向、温度、湿度和气压的预报值，代入相应风速的功率模型，得到风电场功率预测数据。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于遗传规划法的自适应建模风功率预测方法，其特征在于：包括以下几个步骤：
(1)获取风电机组历史数据，所述历史数据包括风电场的风速、风向、温度、湿度、气压和风电场功率；
(2)分割风速区间，按各风速区间不同将历史数据划分到不同区间；
(3)对所述历史数据进行归一化处理；
(4)采用遗传规划法随机产生初始群体；
(5)构造适应度函数：适应度为由自变量计算出的风电场预测功率与风电场实际功率差的绝对值的倒数；
(6)对随机产生的初始群体做复制、交叉和变异操作，反复进行操作，直至满足终止条件，终止条件设置为满足最大迭代次数；
(7)针对不同风速区间，分别使用遗传规划法得到不同风速区间的风电功率模型；
(8)根据未来时间段的风速、风向、温度、湿度和气压的预报值，代入相应风速的功率模型，得到风电场功率预测数据。
2.根据权利要求1所述的基于遗传规划法的自适应建模风功率预测方法，其特征在于：步骤(2)中，分割风速区间，共分为五段，按各风速区间不同将历史数据划分到不同区间。
3.根据权利要求2所述的基于遗传规划法的自适应建模风功率预测方法，其特征在于：五段风速区间分别为0～5m/s，5～10m/s，10～15m/s，15～20m/s以及20m/s以上。
4.根据权利要求1所述的基于遗传规划法的自适应建模风功率预测方法，其特征在于：步骤(3)中，所述历史数据归一化处理方法如下：对于所述风电场功率采用风电额定容量作为基数做归一化处理；对于所述风速、温度、湿度和气压，将历史最高值作为基数做归一化处理；对于风向，采用参考角度的sin值做归一化处理。
5.根据权利要求1所述的基于遗传规划法的自适应建模风功率预测方法，其特征在于：步骤(4)中，具体的方法如下：遗传规划法中的个体由树状结构表示，中间节点为运算符节点，采用中间节点集合为各种运算符，终止节点集为风速、风向、温度、湿度、气压和任意随机常数；随机产生设定规模的个体作为初始群体，个体为由树状结构表示的功率模型。
6.根据权利要求5所述的基于遗传规划法的自适应建模风功率预测方法，其特征在于：所述运算符包括+，-，/，*，Exp,log,sin,cos。
7.根据权利要求1所述的基于遗传规划法的自适应建模风功率预测方法，其特征在于：步骤(5)中，所述终止条件为迭代数到达500代。
CN201810116013.3A 2018-02-06 2018-02-06 一种基于遗传规划法的自适应建模风功率预测方法 Pending CN108364071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810116013.3A CN108364071A (zh) 2018-02-06 2018-02-06 一种基于遗传规划法的自适应建模风功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810116013.3A CN108364071A (zh) 2018-02-06 2018-02-06 一种基于遗传规划法的自适应建模风功率预测方法

Publications (1)

Publication Number Publication Date
CN108364071A true CN108364071A (zh) 2018-08-03

Family

ID=63004452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810116013.3A Pending CN108364071A (zh) 2018-02-06 2018-02-06 一种基于遗传规划法的自适应建模风功率预测方法

Country Status (1)

Country Link
CN (1) CN108364071A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344559A (zh) * 2018-12-03 2019-02-15 西南交通大学 一种对比光纤测温的变压器热点温升预测方法
CN111178601A (zh) * 2019-12-18 2020-05-19 中电投电力工程有限公司 一种基于气象数据后处理的风电机组功率预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100802402B1 (ko) * 2006-06-15 2008-02-14 한국에너지기술연구원 풍속패턴 분류를 통한 풍력발전 예보방법
CN103489046A (zh) * 2013-09-29 2014-01-01 中能电力科技开发有限公司 风电场短期功率预测方法
CN103489041A (zh) * 2013-09-17 2014-01-01 国家电网公司 一种短期风电功率预测方法
CN105740595A (zh) * 2014-12-12 2016-07-06 国家电网公司 一种风机功率特性曲线的辨识方法及系统
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
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100802402B1 (ko) * 2006-06-15 2008-02-14 한국에너지기술연구원 풍속패턴 분류를 통한 풍력발전 예보방법
CN103489041A (zh) * 2013-09-17 2014-01-01 国家电网公司 一种短期风电功率预测方法
CN103489046A (zh) * 2013-09-29 2014-01-01 中能电力科技开发有限公司 风电场短期功率预测方法
CN105740595A (zh) * 2014-12-12 2016-07-06 国家电网公司 一种风机功率特性曲线的辨识方法及系统
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
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344559A (zh) * 2018-12-03 2019-02-15 西南交通大学 一种对比光纤测温的变压器热点温升预测方法
CN111178601A (zh) * 2019-12-18 2020-05-19 中电投电力工程有限公司 一种基于气象数据后处理的风电机组功率预测方法
CN111178601B (zh) * 2019-12-18 2024-03-26 上海能源科技发展有限公司 一种基于气象数据后处理的风电机组功率预测方法

Similar Documents

Publication Publication Date Title
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
Wang et al. Wind power interval prediction based on improved PSO and BP neural network
CN108306303B (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
CN106875033B (zh) 一种基于动态自适应的风电集群功率预测方法
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN109523084A (zh) 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
CN109063276A (zh) 适用于长时域风速波动的风电场动态等值建模方法
CN110516840A (zh) 基于改进随机森林方法的风光发电出力的短期预测方法
CN103489046A (zh) 风电场短期功率预测方法
CN103942736B (zh) 一种风电场多机等值建模方法
CN107681655B (zh) 一种潮汐流能发电场协调规划方法
CN104732300A (zh) 一种基于模糊分区理论的神经网络风功率短期预测方法
Shetty et al. Comparison of modeling methods for wind power prediction: a critical study
CN115425680B (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
Xu et al. Short-term prediction of wind power based on adaptive LSTM
CN109242200B (zh) 一种贝叶斯网络预测模型的风电功率区间预测方法
CN103440405A (zh) 基于实测数据的风电场稳态建模方法及系统
CN106650977A (zh) 应用于新建风电场的短期功率预测方法
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
CN106611243A (zh) 一种基于garch模型的风速预测残差修正方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Japar et al. Estimating the wake losses in large wind farms: A machine learning approach
CN108364071A (zh) 一种基于遗传规划法的自适应建模风功率预测方法

Legal Events

Date Code Title Description
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: 20180803