CN108460501A - 一种基于组合模型的风力电站输出功率预测方法 - Google Patents
一种基于组合模型的风力电站输出功率预测方法 Download PDFInfo
- Publication number
- CN108460501A CN108460501A CN201810440987.7A CN201810440987A CN108460501A CN 108460501 A CN108460501 A CN 108460501A CN 201810440987 A CN201810440987 A CN 201810440987A CN 108460501 A CN108460501 A CN 108460501A
- Authority
- CN
- China
- Prior art keywords
- time series
- history wind
- wind power
- history
- wavelet transformation
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提出了一种基于组合模型的风力电站输出功率预测方法。本发明根据风力电站历史统计数据以一小时为单位,建立历史风力数据时间序列以及历史风电功率时间序列;根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列;根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列并得到最佳归一化历史风电功率时间序列;将最佳归一化历史风电功率时间序列进行小波变换;根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型,通过改进权重的粒子群算法求解优化模型的参数;根据优化支持向量机的核函数模型构建预测模型。与现有技术相比,本发明提高了预测精度。
Description
技术领域
本发明属于风力发电技术领域,尤其涉及一种基于组合模型的风力电站输出功率预测方法。
背景技术
在中国能源的生产与消费结构中,煤炭以及一些能源混合物一直占主导地位,这种格局在比较长的一段时间内不会改变。长期以来,令人担忧的气候变化迹象以及能源产量的不足等有关问题使得国际社会不得不重视这些问题并寻找一些可再生的新能源替代传统能源,比如,太阳能、风能、生物质能、地热能、水能和海洋能。不同类型的可再生能源已开始受到相当的关注,尤其风力发电是近年来应用最广泛的可再生能源之一。然而,大多数可再生能源的间歇性使得人们对可再生能源领域电力部门转型的安全性感到不满。改进的预测方法可以提高电力安全性并实现资源的有效利用。
风能在全球的地位越来越重要,而风力驱动的电力资源在电力系统的规划和运行中变得越来越重要。随着全球经济的发展,风能市场也迅速发展起来。自2004年以来,全球风力发电能力翻了一番,2006年至2007年间,全球风能发电装机容量扩大27%。2007年已有9万兆瓦,这一数字到2010年将是16万兆瓦。预计未来20-25年内,世界风能市场每年将递增25%。随着技术进步和环保事业的发展,风能发电在商业上将完全可以与燃煤发电竞争。
风能作为能源具有间歇性,将风电并入电网需要提前至少一到两天估计风电场的预期功率。短期风电预测是能源部门非常重要的研究领域,因为系统运营商必须处理来自增加的风电装机容量的重要波动电量。由于风力发电的随机特性,其整合负责引入更多的变异性,波动性和系统运行的不确定性,这使得所有生产资源的适当管理变得复杂。
发明内容
针对上述出现的问题和不足,本发明提出了一种基于组合模型的风力电站输出功率预测方法,设计了一种通过战略组合优于单个模型的综合方法来提高发电输出功率预测的精度,实现风电并入电网高效,稳定的调度运行。
该预测方法包含以下步骤:
步骤1:根据风力电站历史统计数据以一小时为单位,建立历史风力数据时间序列以及历史风电功率时间序列;
步骤2:根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列;
步骤3:根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列,根据互信息时间序列得到最佳归一化历史风电功率时间序列;
步骤4:将最佳归一化历史风电功率时间序列进行小波变换;
步骤5:根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型,通过支持向量机的核函数模型建立优化模型,并通过改进权重的粒子群算法求解优化模型的参数;
步骤6:根据优化高斯核函数的核系数以及优化惩罚系数结合支持向量机的核函数模型构建预测模型;
作为优选,步骤1中所述历史风力数据时间序列为:
X={x1,x2,…,xN}
其中,N为历史风力数据时间序列的长度;
步骤1中所述历史风电功率时间序列为:
Y={y1,y2,…,yN}
其中,N为历史风力数据时间序列的长度;
作为优选,步骤2中所述归一化历史风力数据时间序列为:
其中,N为历史风力数据时间序列的长度,X为历史风力数据时间序列,X(i*)为历史风力数据时间序列的第i*个元素,为归一化历史风力数据时间序列,X*(i*)为归一化历史风力数据时间序列的第i*个元素,N为历史风力数据时间序列的长度,xmin为历史风力数据时间序列X的最小值,xmax为历史风力数据时间序列X的最大值;
作为优选,步骤2中所述归一化历史风电数据时间序列为:
其中,N为历史风力数据时间序列的长度,Y为历史风电数据时间序列,
Y(j*)为历史风电数据时间序列的第j*个元素,为归一化历史风电数据时间序列,Y*(j*)为归一化历史风电数据时间序列的第j*个元素,N为历史风电数据时间序列的长度,ymin为历史风电数据时间序列Y的最小值,ymax为历史风电数据时间序列Y的最大值;
作为优选,步骤3中所述互信息时间序列为:
其中,N为历史风力数据时间序列的长度,P(X(i*))为历史风力数据时间序列的第i*个元素的分布概率,P(Y(j*))为历史风电数据时间序列的第j*个元素的分布概率,P(X(i*),Y(j*))为历史风力数据时间序列的第i*个元素与历史风电数据时间序列的第j*个元素的联合概率;
步骤3中所述得到最佳归一化历史风电功率时间序列为将互信息时间序列MI(i*,j*)i*∈[1,N],j*∈[1,N]中选择符合MI(i*,j*)>1/N的所有元素,进一步得到优化互信息时间序列将优化互信息时间序列中归一化历史风电功率时间序列按照从大到小排序得到最佳归一化历史风电功率时间序列为:
其中,M为最佳归一化历史风电功率时间序列的长度,M<N;
作为优选,步骤4中所述小波变换为最佳归一化历史风电时间序列分别通过第一带通滤波器、第二带通滤波器、第三带通滤波器以及第四带通滤波器分解得到小波变换后最佳归一化历史风电功率时间序列f1、f2、f3以及f4。
小波变换后最佳归一化历史风电功率时间序列为:
其中,k为分解的频段数,为最佳归一化历史风电功率时间序列中的第Sk(ik)个元素,为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素;
作为优选,步骤5中所述支持向量机的核函数模型为:
k∈[1,4],ik∈[1,M/4],jk∈[1,M/4]
其中,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,fk(jk)为小波变换后最佳归一化历史风电功率时间序列fk中的第jk个元素,k为分解的频段数,σk为小波变换后最佳归一化历史风电功率时间序列fk中高斯核的核参数;
步骤5中所述优化模型为:
k∈[1,4],ik∈[1,M/4],jk∈[1,M/4]
其中,为小波变换后最佳归一化历史风电功率时间序列fk的第ik个拉格朗日乘子,Ck为小波变换后最佳归一化历史风电功率时间序列fk的惩罚系数,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,fk(jk)为小波变换后最佳归一化历史风电功率时间序列fk中的第jk个元素,k为分解的频段数;
步骤5中所述改进权重的粒子群算法求解为:
i∈[1,popsize],t∈[1,maxgen],k∈[1,4]
其中,popsize为种群规模,maxgen为最大进化代数,k为分解的频段数,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i在搜索空间中的位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i在搜索空间中的速度,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i在搜索空间中的位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i在搜索空间中的速度,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的局部最优位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的全局最优位置,为为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的高斯核函数的核系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的惩罚系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第一权重系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第二权重系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第三权重系数;
第一权重系数至第三权重系数分别为:
其中,N(0,1)是随机高斯变量,τk为小波变换后最佳归一化历史风电功率时间序列fk的权重常数,k为分解的频段数;
小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的全局最优位置
其中,N(0,1)是随机高斯变量,εk为小波变换后最佳归一化历史风电功率时间序列fk的全局常数,k为分解的频段数;
步骤5中所述通过改进权重的粒子群算法进行maxgen迭代优化求解得到:
Xg,k=[σg,k,Cg,k]
其中,σg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化高斯核函数的核系数,Cg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化惩罚系数;
作为优选,步骤6中所述预测模型为:
k∈[1,4],ik∈[1,M/4],ek∈[1,M/4]
其中,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,为预测小波变换后最佳归一化历史风电功率时间序列中的第ek个元素,k为分解的频段数,σg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化高斯核函数的核系数。
与现有技术相比,本发明的优点为:
考虑了风力的随机性和不平稳性问题,选用互信息MI来消除选择风力系列作为输入的随机性,增加了方法的稳健性并有助于减少最终的预测误差;
在优化方法上,选用了比传统粒子群算法PSO更具有适应性的改进型粒子群优化算法EPSO对支持向量机的关键参数进行寻优;
考虑了时间序列中的非平稳性,采用了小波变换WT对数据集合进行处理,从而降低了集合的噪声而不会降级。
附图说明
图1:本发明方法流程图;
图2:本发明实施例中小波变换的水平分解模型图;
图3:本发明实施例中改进权重的粒子群算法求解寻优流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合图1至图3介绍本发明的实施例。本发明实施例的技术方案为一种基于组合模型的风力电站输出功率预测方法,具体包括以下步骤:
步骤1:根据风力电站历史统计数据以一小时为单位,建立历史风力数据时间序列以及历史风电功率时间序列;
步骤1中所述历史风力数据时间序列为:
X={x1,x2,…,xN}
其中,N=80为历史风力数据时间序列的长度;
步骤1中所述历史风电功率时间序列为:
Y={y1,y2,…,yN}
其中,N=80为历史风力数据时间序列的长度;
步骤2:根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列;
步骤2中所述归一化历史风力数据时间序列为:
其中,N=80为历史风力数据时间序列的长度,X为历史风力数据时间序列,X(i*)为历史风力数据时间序列的第i*个元素,为归一化历史风力数据时间序列,X*(i*)为归一化历史风力数据时间序列的第i*个元素,N=80为历史风力数据时间序列的长度,xmin为历史风力数据时间序列X的最小值,xmax为历史风力数据时间序列X的最大值;
步骤2中所述归一化历史风电数据时间序列为:
其中,N=80为历史风力数据时间序列的长度,Y为历史风电数据时间序列,Y(j*)为历史风电数据时间序列的第j*个元素,为归一化历史风电数据时间序列,Y*(j*)为归一化历史风电数据时间序列的第j*个元素,N=80为历史风电数据时间序列的长度,ymin为历史风电数据时间序列Y的最小值,ymax为历史风电数据时间序列Y的最大值;
步骤3:根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列,根据互信息时间序列得到最佳归一化历史风电功率时间序列;
步骤3中所述互信息时间序列为:
其中,N=80为历史风力数据时间序列的长度,P(X(i*))为历史风力数据时间序列的第i*个元素的分布概率,P(Y(j*))为历史风电数据时间序列的第j*个元素的分布概率,P(X(i*),Y(j*))为历史风力数据时间序列的第i*个元素与历史风电数据时间序列的第j*个元素的联合概率;
步骤3中所述得到最佳归一化历史风电功率时间序列为将互信息时间序列MI(i*,j*)i*∈[1,N],j*∈[1,N]中选择符合MI(i*,j*)>1/N的所有元素,进一步得到优化互信息时间序列将优化互信息时间序列中归一化历史风电功率时间序列按照从大到小排序得到最佳归一化历史风电功率时间序列为:
其中,M=60为最佳归一化历史风电功率时间序列的长度
步骤4:将最佳归一化历史风电功率时间序列进行小波变换;
步骤中所述的小波变换为最佳归一化历史风电时间序列分别通过第一带通滤波器、第二带通滤波器、第三带通滤波器以及第四带通滤波器分解得到小波变换后最佳归一化历史风电功率时间序列f1、f2、f3以及f4。
小波变换后最佳归一化历史风电功率时间序列为:
其中,k为分解的频段数,为最佳归一化历史风电功率时间序列中的第Sk(ik)个元素,为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素;
步骤5:根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型,通过支持向量机的核函数模型建立优化模型,并通过改进权重的粒子群算法求解优化模型的参数;
步骤5中所述支持向量机的核函数模型为:
k∈[1,4],ik∈[1,M/4],jk∈[1,M/4]
其中,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,fk(jk)为小波变换后最佳归一化历史风电功率时间序列fk中的第jk个元素,k为分解的频段数,σk为小波变换后最佳归一化历史风电功率时间序列fk中高斯核的核参数;
步骤5中所述优化模型为:
k∈[1,4],ik∈[1,M/4],jk∈[1,M/4]
其中,为小波变换后最佳归一化历史风电功率时间序列fk的第ik个拉格朗日乘子,Ck为小波变换后最佳归一化历史风电功率时间序列fk的惩罚系数,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,fk(jk)为小波变换后最佳归一化历史风电功率时间序列fk中的第jk个元素,k为分解的频段数;
步骤5中所述改进权重的粒子群算法求解为:
i∈[1,popsize],t∈[1,maxgen],k∈[1,4]
其中,popsize=20为种群规模,maxgen=100为最大进化代数,k为分解的频段数,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i在搜索空间中的位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i在搜索空间中的速度,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i在搜索空间中的位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i在搜索空间中的速度,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的局部最优位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的全局最优位置,为为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的高斯核函数的核系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的惩罚系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第一权重系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第二权重系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第三权重系数;
第一权重系数至第三权重系数分别为:
其中,N(0,1)是随机高斯变量,τk为小波变换后最佳归一化历史风电功率时间序列fk的权重常数,k为分解的频段数;
小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的全局最优位置
其中,N(0,1)是随机高斯变量,εk为小波变换后最佳归一化历史风电功率时间序列fk的全局常数,k为分解的频段数;
步骤5中所述通过改进权重的粒子群算法进行maxgen=100迭代优化求解得到:
Xg,k=[σg,k,Cg,k]
其中,σg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化高斯核函数的核系数,Cg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化惩罚系数。
步骤6:根据优化高斯核函数的核系数以及优化惩罚系数结合支持向量机的核函数模型构建预测模型;
步骤6中所述预测模型为:
k∈[1,4],ik∈[1,M/4],ek∈[1,M/4]
其中,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,为预测小波变换后最佳归一化历史风电功率时间序列中的第ek个元素,k为分解的频段数,σg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化高斯核函数的核系数。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于组合模型的风力电站输出功率预测方法,其特征在于,包括以下步骤:
步骤1:根据风力电站历史统计数据以一小时为单位,建立历史风力数据时间序列以及历史风电功率时间序列;
步骤2:根据归一化原则计算归一化历史风力数据时间序列以及归一化历史风电功率时间序列;
步骤3:根据归一化历史风力数据时间序列以及归一化历史风电功率时间序列计算互信息时间序列,根据互信息时间序列得到最佳归一化历史风电功率时间序列;
步骤4:将最佳归一化历史风电功率时间序列进行小波变换;
步骤5:根据小波变换后最佳归一化历史风电功率时间序列建立支持向量机的核函数模型,通过支持向量机的核函数模型建立优化模型,并通过改进权重的粒子群算法求解优化模型的参数;
步骤6:根据优化高斯核函数的核系数以及优化惩罚系数结合支持向量机的核函数模型构建预测模型。
2.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法,其特征在于,步骤1中所述历史风力数据时间序列为:
X={x1,x2,…,xN}
其中,N为历史风力数据时间序列的长度;
步骤1中所述历史风电功率时间序列为:
Y={y1,y2,…,yN}
其中,N为历史风力数据时间序列的长度;
作为优选,步骤2中所述归一化历史风力数据时间序列为:
其中,N为历史风力数据时间序列的长度,X为历史风力数据时间序列,X(i*)为历史风力数据时间序列的第i*个元素,为归一化历史风力数据时间序列,X*(i*)为归一化历史风力数据时间序列的第i*个元素,N为历史风力数据时间序列的长度,xmin为历史风力数据时间序列X的最小值,xmax为历史风力数据时间序列X的最大值。
3.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法,其特征在于,步骤2中所述归一化历史风电数据时间序列为:
其中,N为历史风力数据时间序列的长度,Y为历史风电数据时间序列,Y(j*)为历史风电数据时间序列的第j*个元素,为归一化历史风电数据时间序列,Y*(j*)为归一化历史风电数据时间序列的第j*个元素,N为历史风电数据时间序列的长度,ymin为历史风电数据时间序列Y的最小值,ymax为历史风电数据时间序列Y的最大值。
4.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法,其特征在于,步骤3中所述互信息时间序列为:
其中,N为历史风力数据时间序列的长度,P(X(i*))为历史风力数据时间序列的第i*个元素的分布概率,P(Y(j*))为历史风电数据时间序列的第j*个元素的分布概率,P(X(i*),Y(j*))为历史风力数据时间序列的第i*个元素与历史风电数据时间序列的第j*个元素的联合概率;
步骤3中所述得到最佳归一化历史风电功率时间序列为将互信息时间序列MI(i*,j*)i*∈[1,N],j*∈[1,N]中选择符合MI(i*,j*)>1/N的所有元素,进一步得到优化互信息时间序列将优化互信息时间序列中归一化历史风电功率时间序列按照从大到小排序得到最佳归一化历史风电功率时间序列为:
其中,M为最佳归一化历史风电功率时间序列的长度,M<N。
5.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法,其特征在于,步骤4中所述小波变换为最佳归一化历史风电时间序列分别通过第一带通滤波器、第二带通滤波器、第三带通滤波器以及第四带通滤波器分解得到小波变换后最佳归一化历史风电功率时间序列f1、f2、f3以及f4;
小波变换后最佳归一化历史风电功率时间序列为:
其中,k为分解的频段数,为最佳归一化历史风电功率时间序列中的第Sk(ik)个元素,为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素。
6.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法,其特征在于,步骤5中所述支持向量机的核函数模型为:
k∈[1,4],ik∈[1,M/4],jk∈[1,M/4]
其中,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,fk(jk)为小波变换后最佳归一化历史风电功率时间序列fk中的第jk个元素,k为分解的频段数,σk为小波变换后最佳归一化历史风电功率时间序列fk中高斯核的核参数;
步骤5中所述优化模型为:
k∈[1,4],ik∈[1,M/4],jk∈[1,M/4]
其中,为小波变换后最佳归一化历史风电功率时间序列fk的第ik个拉格朗日乘子,Ck为小波变换后最佳归一化历史风电功率时间序列fk的惩罚系数,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,fk(jk)为小波变换后最佳归一化历史风电功率时间序列fk中的第jk个元素,k为分解的频段数;
步骤5中所述改进权重的粒子群算法求解为:
i∈[1,popsize],t∈[1,maxgen],k∈[1,4]
其中,popsize为种群规模,maxgen为最大进化代数,k为分解的频段数,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i在搜索空间中的位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i在搜索空间中的速度,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i在搜索空间中的位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i在搜索空间中的速度,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的局部最优位置,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的全局最优位置,为为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的高斯核函数的核系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t次迭代粒子i的惩罚系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第一权重系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第二权重系数,为小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的第三权重系数;
第一权重系数至第三权重系数分别为:
其中,N(0,1)是随机高斯变量,τk为小波变换后最佳归一化历史风电功率时间序列fk的权重常数,k为分解的频段数;
小波变换后最佳归一化历史风电功率时间序列fk中第t+1次迭代粒子i的全局最优位置
其中,N(0,1)是随机高斯变量,εk为小波变换后最佳归一化历史风电功率时间序列fk的全局常数,k为分解的频段数;
步骤5中所述通过改进权重的粒子群算法进行maxgen迭代优化求解得到:
Xg,k=[σg,k,Cg,k]
其中,σg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化高斯核函数的核系数,Cg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化惩罚系数。
7.根据权利要求1所述的基于组合模型的风力电站输出功率预测方法,其特征在于,步骤6中所述预测模型为:
k∈[1,4],ik∈[1,M/4],ek∈[1,M/4]
其中,fk(ik)为小波变换后最佳归一化历史风电功率时间序列fk中的第ik个元素,为预测小波变换后最佳归一化历史风电功率时间序列中的第ek个元素,k为分解的频段数,σg,k为小波变换后最佳归一化历史风电功率时间序列fk的优化高斯核函数的核系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810440987.7A CN108460501B (zh) | 2018-05-10 | 2018-05-10 | 一种基于组合模型的风力电站输出功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810440987.7A CN108460501B (zh) | 2018-05-10 | 2018-05-10 | 一种基于组合模型的风力电站输出功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460501A true CN108460501A (zh) | 2018-08-28 |
CN108460501B CN108460501B (zh) | 2021-09-14 |
Family
ID=63215114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810440987.7A Active CN108460501B (zh) | 2018-05-10 | 2018-05-10 | 一种基于组合模型的风力电站输出功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460501B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799864A (zh) * | 2019-01-30 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 一种区域小水电站整体发电功率预测方法及装置 |
CN110265996A (zh) * | 2019-02-26 | 2019-09-20 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
Citations (9)
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 |
CN103400052A (zh) * | 2013-08-22 | 2013-11-20 | 武汉大学 | 一种风电场短期风速组合预测方法 |
CN103500366A (zh) * | 2013-09-29 | 2014-01-08 | 上海电机学院 | 一种短期风电功率预测系统及方法 |
CN104899665A (zh) * | 2015-06-19 | 2015-09-09 | 国网四川省电力公司经济技术研究院 | 风电功率短期预测方法 |
CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
CN107704953A (zh) * | 2017-09-20 | 2018-02-16 | 河海大学 | Ewt分位数回归森林的短期风电功率概率密度预测方法 |
CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
-
2018
- 2018-05-10 CN CN201810440987.7A patent/CN108460501B/zh active Active
Patent Citations (9)
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 |
CN103400052A (zh) * | 2013-08-22 | 2013-11-20 | 武汉大学 | 一种风电场短期风速组合预测方法 |
CN103500366A (zh) * | 2013-09-29 | 2014-01-08 | 上海电机学院 | 一种短期风电功率预测系统及方法 |
CN104899665A (zh) * | 2015-06-19 | 2015-09-09 | 国网四川省电力公司经济技术研究院 | 风电功率短期预测方法 |
CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
CN107766937A (zh) * | 2017-09-11 | 2018-03-06 | 重庆大学 | 基于特征选取和循环神经网络的风电场功率超短期预测方法 |
CN107704953A (zh) * | 2017-09-20 | 2018-02-16 | 河海大学 | Ewt分位数回归森林的短期风电功率概率密度预测方法 |
Non-Patent Citations (2)
Title |
---|
史坤鹏等: "计及历史数据熵关联信息挖掘的短期风电功率预测", 《电力系统自动化》 * |
曲正伟等: "基于小波-原子分解的超短期风电出力预测模型", 《仪器仪表学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799864A (zh) * | 2019-01-30 | 2019-05-24 | 云南电网有限责任公司电力科学研究院 | 一种区域小水电站整体发电功率预测方法及装置 |
CN110265996A (zh) * | 2019-02-26 | 2019-09-20 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
CN110265996B (zh) * | 2019-02-26 | 2023-04-07 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108460501B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Duality-free decomposition based data-driven stochastic security-constrained unit commitment | |
Zhao et al. | Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm | |
Huang et al. | Short‐term wind power forecasting and uncertainty analysis using a hybrid intelligent method | |
Huang et al. | One‐day‐ahead hourly forecasting for photovoltaic power generation using an intelligent method with weather‐based forecasting models | |
CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
Zheng et al. | Bio-inspired optimization of sustainable energy systems: a review | |
Long et al. | Configuration optimization and analysis of a large scale PV/wind system | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
Askarzadeh | Optimisation of solar and wind energy systems: A survey | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
Yazdanpanah‐Jahromi et al. | An efficient sizing method with suitable energy management strategy for hybrid renewable energy systems | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN112819279A (zh) | 分布式能源与配电网扩展适应性的规划评估方法及系统 | |
Bui et al. | Distributed operation of wind farm for maximizing output power: A multi-agent deep reinforcement learning approach | |
Abazari et al. | A reliable and cost-effective planning framework of rural area hybrid system considering intelligent weather forecasting | |
CN108460501A (zh) | 一种基于组合模型的风力电站输出功率预测方法 | |
Kong et al. | Blowing hard is not all we want: Quantity vs quality of wind power in the smart grid | |
Shedbalkar et al. | Bayesian Regression for Solar Power Forecasting | |
CN105320992A (zh) | 一种电力系统备用量化评估方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Shariatkhah et al. | Modelling the operation strategies of storages and hydro resources in adequacy analysis of power systems in presence of wind farms | |
Zhen et al. | Multi-level wavelet decomposition based day-ahead solar irradiance forecasting | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
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 |