CN108564206A - 一种基于分布式优化和空间相关性的风电功率预测方法 - Google Patents
一种基于分布式优化和空间相关性的风电功率预测方法 Download PDFInfo
- Publication number
- CN108564206A CN108564206A CN201810257736.5A CN201810257736A CN108564206A CN 108564206 A CN108564206 A CN 108564206A CN 201810257736 A CN201810257736 A CN 201810257736A CN 108564206 A CN108564206 A CN 108564206A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- wind
- time
- space
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000012546 transfer Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims description 39
- 230000005611 electricity Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 description 4
- 230000005684 electric field Effects 0.000 description 4
- 230000001172 regenerating effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 238000012706 support-vector machine 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于分布式优化和空间相关性的风电功率预测方法,包括以下步骤:一、对某区域内各风电场的同期风电功率历史数据归一化,然后对出力状态等区间划分,生成基本数据集和风电出力状态库,并存储。二、各风电场交换历史空间相关数据,在待预测目标风电场生成并存储时空马尔科夫状态转移矩阵。三、基于本地时序和时空马尔科夫状态转移矩阵,建立各风电场的稀疏化时空风电功率预测模型,并求解。四、各风电场之间交换实时测量数据,根据各风电场在当前时刻的出力值,采用预测模型对风电场功率值预测,并定期采用最新的实测数据对时空马尔科夫状态转移矩阵和预测模型的参数更新。本发明有效改善风电功率预测精度,显著提高计算效率。
Description
技术领域
本发明涉及电力系统运行与控制领域,特别是涉及一种基于分布式优化和空间相关性的风电功率预测方法。
背景技术
随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻,风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全,调整能源结构,减轻环境污染,实现可持续发展等都具有非常重要的意义。
自然界风能的间歇特性决定了风电功率具有很强的波动性,随着风电场数量和装机容量的不断增大,一旦将风电并入电网,这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测,可以缓解电力系统调峰、调频的压力,有效提高电网对风电的接纳能力。
目前,国内外对于风力发电预测课题的研究越来越广泛和深入。在各种预测方法中,最简单直接的是将最近一点风速或功率观测值作为下一点预测值的持续法,该方法模型简单,但是随着时间尺度的增大其精度快速下降,因此持续法一般只作为评估高级预测方法性能优劣的标准。其他常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑、支持向量机等统计、智能方法。这些方法都有各自的适用性和局限性,但它们有一个共同的特点,即都只需待预测风电场本地的风速或风电功率时间序列,通过对该时间序列进行数学处理并建立预测模型,进而对未来风速或风力发电功率进行预测。这一特点给历史数据收集以及预测过程中的实时数据采集带来了方便,所需数据单一,便于实现,但是该类型的方法忽略了一个区域内不同风电场之间的空间相关性,预测精度有待提高。
此外,传统方法通常需要对每个风电场建立一个相互独立和具有不同形式的预测模型,各个风电场的预测模型需要分别设置和调整参数,随着风电规模的不断扩大,一个区域内的风电场数量急剧增加,这种建模方法过程繁琐,且会消耗大量的时间和计算机资源,不利于风电功率预测系统的快速部署和统一调配,无法适应大规模的风电并网。
发明内容
为了克服上述现有技术的不足,本发明所要解决的技术问题一方面是现有风电功率预测方法未能充分考虑不同风电场之间的空间相关性,预测精度有待进一步提高;另一方面是,现有的风电预测建模方法过程繁琐,参数设置困难,当应用于数量众多的大规模集群风电场功率预测时,效率低下,无法满足现代电力系统对快速响应的要求。
为解决以上问题,本发明采取的技术方案是:
一种基于分布式优化和空间相关性的风电功率预测方法,包括以下步骤:
A.对一个区域内各个风电场的同期风电功率历史数据进行归一化,并根据各个风电场的波动特性对出力状态进行等区间划分,生成基本数据集和风电出力状态库,并将基本数据集和风电出力状态库存储于所有风电场;
B.各个风电场交换历史空间相关数据,在各个待预测的目标风电场生成并存储其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵,所述区域内所有风电场包括该目标风电场自身;
C.基于本地时序马尔科夫状态转移矩阵和时空马尔科夫状态转移矩阵,建立各个风电场的稀疏化时空风电功率预测模型,采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解;
D.各个风电场之间交换实时测量数据,根据各个风电场在当前时刻的出力状态,采用求解出的预测模型对区域内的所有风电场功率值进行预测,并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新。
在上述技术方案的基础上,在步骤A中,对一个区域内各个风电场的同期风电功率历史数据进行归一化,并根据各个风电场的波动特性对出力状态进行等区间划分,生成基本数据集和风电出力状态库的具体过程为:
A1.设一个区域内的风电场集合为Θ={1,2,…,N},将各个风电场的原始历史风电功率时间序列按照式(1)归一化到[0,1]区间内:
其中,i∈Θ,p′i,t是风电场i在t时刻出力的原始数据,pi,min和pi,max分别是第i个风电场功率时间序列的最小值和最大值,pi,t是数据归一化后风电场i在t时刻的出力值,0≤pi,t≤1;
A2.对数据归一化后各个风电场的出力状态进行等区间划分,各个风电场划分的出力状态个数Ni由式(2)得到,
其中,σi为风电场i的功率时间序列的标准差;c为扩增系数;是下取整函数;
A3.根据出力状态个数Ni,风电场i状态区间的宽度由式(3)得到,
A4.设风电场i的Ni个出力状态为和相对应的状态区间为出力状态值由式(4)得到,
在上述技术方案的基础上,步骤B中,在各个待预测的目标风电场生成其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵的具体过程为:
B1.根据每对风电场i∈Θ和j∈Θ的历史风电功率数据和状态划分结果,统计风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力状态值为时发生的次数以及风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力为任意状态时发生的次数风电场j的出力状态值到风电场i的出力状态值的时空转移概率由式(5)得到,
其中,m=1,2,…,Ni;n=1,2,…,Nj;
B2.由式(6)得到风电场j到风电场i的时空马尔科夫状态转移矩阵,
当j=i时,得到本地时序马尔科夫状态转移矩阵;
B3.由风电场i接收所有风电场j的历史数据计算出Qji,并将所有与风电场i相关的Qji存储于风电场i本地。
在上述技术方案的基础上,步骤C中,建立各个风电场的稀疏化时空风电功率预测模型,采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解的具体过程为:
C1.根据各个风电场在t时刻的风电出力值pj,t和由出力状态区间的划分确定的风电出力状态值sj,t,结合目标风电场i的出力状态向量和时空马尔科夫状态转移矩阵,由式(7)得到风电场j对风电场i在t+1时刻的出力预测值,
其中Qji(sj,t)是时空马尔科夫状态转移矩阵Qji的第sj,t行元素所组成的行向量;
C2.根据式(7)计算出包括风电场i在内的所有风电场对风电场i在t+1时刻的出力预测值,则风电场i的出力预测值由式(8)得到,
其中是风电场j对风电场i的空间权重系数,是空间权重向量,是输入向量;
C3.根据风电场i在t+1时刻的实际出力值和出力预测值,由式(9)得到相应的预测误差,
C4.根据历史数据优化βi的值,使所有时间点的预测误差平方和Ei达到最小,即
其中L为风电场历史时间序列的长度;
C5.引入基于l1-模的正则化算子,得到稀疏化时空风电功率预测模型,
其中||·||1为向量的l1-模,μi为收缩参数,为风电场i在t+1时刻的实际出力值;
C6.在各个风电场i本地采用分布式乘子交替方向法(alternating directionmethod of multipliers,ADMM)对上述得到的稀疏化时空风电功率预测模型进行训练和求解,得到风电场i对应的权重向量
在上述技术方案的基础上,步骤D中,采用求解出的预测模型对区域内的所有风电场功率值进行预测,并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新的具体过程为:
D1.根据各个风电场的实时数据确定出力状态,将式(8)中的βi用代替,由代替后的式(8)得出风电场i的出力预测值;
D2.每隔一定时间,将最新的风电实测数据补充到历史风电数据库中,并重复执行步骤A~步骤C,对时空马尔科夫状态转移矩阵和稀疏化时空风电功率预测模型的参数进行更新。
本发明所述的基于分布式优化和空间相关性的风电功率预测方法具有以下优点:
1、本发明所述方法充分考虑不同风电场之间的空间相关性,提高了风电功率预测的精度。
2、与现有的风电预测建模方法过程繁琐,参数设置困难的缺点相比,本申请所述的方法应用于数量众多的大规模集群风电场功率预测时,效率高,满足现代电力系统对快速响应的要求。
附图说明
本发明有如下附图:
图1为区域风电场空间拓扑与预测框架示意图。
图2为本发明一种基于分布式优化和空间相关性的风电功率预测方法流程示意图。
具体实施方式
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明做进一步的详细说明。
如图1和图2所示,一种基于分布式优化和空间相关性的风电功率预测方法,包括以下步骤:
A.对一个区域内各个风电场的同期风电功率历史数据进行归一化,并根据各个风电场的波动特性对出力状态进行等区间划分,生成基本数据集和风电出力状态库,并将基本数据集和风电出力状态库存储于所有风电场。
假设一个区域内的风电场集合为Θ={1,2,…,N},首先将各个风电场的原始历史风电功率时间序列按照下式归一化到[0,1]区间内:
式中,i∈Θ,p′i,t是风电场i在t时刻出力的原始数据,pi,min和pi,max分别是第i个风电场功率时间序列的最小值和最大值,pi,t是数据归一化后风电场i在t时刻的出力值,0≤pi,t≤1。
然后对数据归一化后各个风电场的出力状态进行划分,出力状态用来表示风电出力的大小,每一个出力状态采用一个具有特定宽度的区间来表示,由于不同风电场的风况具有很大的差异性,因此各个风电场划分的出力状态个数Ni由其波动特性决定
式中,σi为风电场i的功率时间序列的标准差,用来表征风电场i的波动幅度;c为扩增系数,其取值根据实际功率时间序列数据得到的标准差σi进行具体设定,保证对所有的风电场i,Ni≥10;是下取整函数,即
根据出力状态个数Ni,可得到风电场i状态区间的宽度
进而可得到风电场i的Ni个出力状态和相对应的状态区间出力状态的大小定义为
B.各个风电场交换历史空间相关数据,在各个待预测的目标风电场生成并存储其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵;所述区域内所有风电场包括该目标风电场自身。
根据每对风电场i∈Θ和j∈Θ的历史风电功率数据和状态划分结果,统计风电场j在t时刻的出力状态为且风电场i在t+1时刻的出力状态为时发生的次数以及风电场j在t时刻的出力状态为且风电场i在t+1时刻的出力为任意状态时发生的次数得到风电场j的出力状态值到风电场i的出力状态值的时空转移概率
其中,m=1,2,…,Ni;n=1,2,…,Nj。
进而生成风电场j到风电场i的时空马尔科夫状态转移矩阵
Qji为Nj×Ni的矩阵,且Qji不一定等于Qij。需要注意的是当j=i时,得到的状态转移矩阵实际上是只与风电场i本身出力状态有关的本地时序马尔科夫状态转移矩阵。风电场i接收所有风电场j的历史数据计算出Qji,并将所有与风电场i相关的Qji存储于风电场i本地。
C.基于本地时序马尔科夫状态转移矩阵和时空马尔科夫状态转移矩阵,建立各个风电场的稀疏化时空风电功率预测模型,采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解。
根据各个风电场在t时刻的风电出力值大小pj,t和出力状态区间的划分来确定风电出力状态值sj,t。结合目标风电场i的出力状态向量和时空马尔科夫状态转移矩阵,得到风电场j对风电场i在t+1时刻的出力预测值
式中Qji(sj,t)是转移矩阵Qji的第sj,t行元素所组成的行向量。根据式(7)计算出所有风电场(包括风电场i)对风电场i在t+1时刻的出力预测值,则风电场i的出力预测值可以表示为
式中是风电场j对风电场i的空间权重系数,是空间权重向量,是输入向量。
根据风电场i在t+1时刻的实际出力值和出力预测值,可以得到相应的预测误差
为了得到最优的预测模型,需要根据历史数据优化βi的值,使所有时间点的预测误差平方和Ei达到最小,即
式中,L为风电场历史时间序列的长度。
在一个区域内可能有数十甚至上百个风电场,当把所有的风电场的数据都用于预测目标风电场时,一方面会导致模型训练的过拟合问题,影响预测精度;另一方面会过多的占用数据和计算资源,降低计算效率。对此,采用稀疏建模技术,引入基于l1-模的正则化算子,即得到稀疏化时空风电功率预测模型
式中||·||1为向量的l1-模,μi为收缩参数,为风电场i在t+1时刻的实际出力值。l1-模的正则算子使βi的部分元素为0,即让部分风电场禁止参与对目标风电场i的预测。该预测模型可采用分布式乘子交替方向法(alternating direction method ofmultipliers,ADMM)进行训练和求解,训练过程在各个风电场i本地完成,进而得到风电场i对应的权重向量
D.各个风电场之间交换实时测量数据,根据各个风电场在当前时刻的出力状态,采用求解出的预测模型对区域内的所有风电场功率值进行预测,并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新。
稀疏化时空风电功率预测模型训练完成后,根据得到的权重向量风电场i只需接收中非零元素对应风电场的实时数据,中零元素对应风电场的实时数据采用0代替。根据各个风电场的实时数据确定其出力状态,将式(8)和式(9)中的βi用来代替,由代替后的式(8)得出风电场i的预测值,由代替后的式(9)得出相应的预测误差。
每隔一定的时间之后,将最新的风电实测数据补充到历史风电数据库中,并重复执行步骤A~步骤C,对时空马尔科夫状态转移矩阵和稀疏化时空风电功率预测模型的参数进行更新,以适应不断变化的风电随机特性。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的实质和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围由权利要求限定。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (5)
1.一种基于分布式优化和空间相关性的风电功率预测方法,其特征在于:包括以下步骤:
A.对一个区域内各个风电场的同期风电功率历史数据进行归一化,并根据各个风电场的波动特性对出力状态进行等区间划分,生成基本数据集和风电出力状态库,并将基本数据集和风电出力状态库存储于所有风电场;
B.各个风电场交换历史空间相关数据,在各个待预测的目标风电场生成并存储其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵,所述区域内所有风电场包括该目标风电场自身;
C.基于本地时序马尔科夫状态转移矩阵和时空马尔科夫状态转移矩阵,建立各个风电场的稀疏化时空风电功率预测模型,采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解;
D.各个风电场之间交换实时测量数据,根据各个风电场在当前时刻的出力状态,采用求解出的预测模型对区域内的所有风电场功率值进行预测,并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新。
2.如权利要求1所述的基于分布式优化和空间相关性的风电功率预测方法,其特征在于:在所述步骤A中,对一个区域内各个风电场的同期风电功率历史数据进行归一化,并根据各个风电场的波动特性对出力状态进行等区间划分,生成基本数据集和风电出力状态库的具体过程为:
A1.设一个区域内的风电场集合为Θ={1,2,…,N},将各个风电场的原始历史风电功率时间序列按照式(1)归一化到[0,1]区间内:
其中,i∈Θ,p′i,t是风电场i在t时刻出力的原始数据,pi,min和pi,max分别是第i个风电场功率时间序列的最小值和最大值,pi,t是数据归一化后风电场i在t时刻的出力值,0≤pi,t≤1;
A2.对数据归一化后各个风电场的出力状态进行等区间划分,各个风电场划分的出力状态个数Ni由式(2)得到,
其中,σi为风电场i的功率时间序列的标准差;c为扩增系数;是下取整函数;
A3.根据出力状态个数Ni,风电场i状态区间的宽度由式(3)得到,
A4.设风电场i的Ni个出力状态为和相对应的状态区间为出力状态值由式(4)得到,
3.如权利要求2所述的基于分布式优化和空间相关性的风电功率预测方法,其特征在于:所述步骤B中,在各个待预测的目标风电场生成其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵的具体过程为:
B1.根据每对风电场i∈Θ和j∈Θ的历史风电功率数据和状态划分结果,统计风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力状态值为时发生的次数以及风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力为任意状态时发生的次数风电场j的出力状态值到风电场i的出力状态值的时空转移概率由式(5)得到,
其中,m=1,2,…,Ni;n=1,2,…,Nj;
B2.由式(6)得到风电场j到风电场i的时空马尔科夫状态转移矩阵,
当j=i时,得到本地时序马尔科夫状态转移矩阵;
B3.由风电场i接收所有风电场j的历史数据计算出Qji,并将所有与风电场i相关的Qji存储于风电场i本地。
4.如权利要求3所述的基于分布式优化和空间相关性的风电功率预测方法,其特征在于:所述步骤C中,建立各个风电场的稀疏化时空风电功率预测模型,采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解的具体过程为:
C1.根据各个风电场在t时刻的风电出力值pj,t和由出力状态区间的划分确定的风电出力状态值sj,t,结合目标风电场i的出力状态向量和时空马尔科夫状态转移矩阵,由式(7)得到风电场j对风电场i在t+1时刻的出力预测值,
其中Qji(sj,t)是时空马尔科夫状态转移矩阵Qji的第sj,t行元素所组成的行向量;
C2.根据式(7)计算出包括风电场i在内的所有风电场对风电场i在t+1时刻的出力预测值,则风电场i的出力预测值由式(8)得到,
其中是风电场j对风电场i的空间权重系数,是空间权重向量,是输入向量;
C3.根据风电场i在t+1时刻的实际出力值和出力预测值,由式(9)得到相应的预测误差,
C4.根据历史数据优化βi的值,使所有时间点的预测误差平方和Ei达到最小,即
其中L为风电场历史时间序列的长度;
C5.引入基于l1-模的正则化算子,得到稀疏化时空风电功率预测模型,
其中||·||1为向量的l1-模,μi为收缩参数,为风电场i在t+1时刻的实际出力值;
C6.在各个风电场i本地采用分布式乘子交替方向法(alternating direction methodof multipliers,ADMM)对上述得到的稀疏化时空风电功率预测模型进行训练和求解,得到风电场i对应的权重向量
5.如权利要求4所述的基于分布式优化和空间相关性的风电功率预测方法,其特征在于:所述步骤D中,采用求解出的预测模型对区域内的所有风电场功率值进行预测,并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新的具体过程为:
D1.根据各个风电场的实时数据确定出力状态,将式(8)中的βi用代替,由代替后的式(8)得出风电场i的出力预测值;
D2.每隔一定时间,将最新的风电实测数据补充到历史风电数据库中,并重复执行步骤A~步骤C,对时空马尔科夫状态转移矩阵和稀疏化时空风电功率预测模型的参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257736.5A CN108564206B (zh) | 2018-03-27 | 2018-03-27 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257736.5A CN108564206B (zh) | 2018-03-27 | 2018-03-27 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564206A true CN108564206A (zh) | 2018-09-21 |
CN108564206B CN108564206B (zh) | 2021-08-17 |
Family
ID=63533525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810257736.5A Active CN108564206B (zh) | 2018-03-27 | 2018-03-27 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564206B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508830A (zh) * | 2018-11-15 | 2019-03-22 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
CN109524993A (zh) * | 2018-12-19 | 2019-03-26 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
CN110161418A (zh) * | 2019-06-03 | 2019-08-23 | 北京中科奥创科技有限公司 | 蓄电池的健康度预测方法、系统和计算机可读存储介质 |
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 |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN111027732A (zh) * | 2018-10-09 | 2020-04-17 | 中国电力科学研究院有限公司 | 一种多风电场出力场景的生成方法及系统 |
CN111478375A (zh) * | 2020-05-09 | 2020-07-31 | 国网江苏省电力有限公司 | 一种计及相关性的风电场、光伏电站群出力非机理模型建模方法 |
CN112990533A (zh) * | 2021-01-19 | 2021-06-18 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN113572163A (zh) * | 2021-07-28 | 2021-10-29 | 三峡大学 | 基于改进仿射算法的分布式电源主动配电网优化调度方法 |
CN113837471A (zh) * | 2021-09-26 | 2021-12-24 | 广西大学 | 一种分区模态分解多时空卷积网络风电场出力预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636823A (zh) * | 2015-01-23 | 2015-05-20 | 中国农业大学 | 一种风电功率预测方法 |
CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
CN106780134A (zh) * | 2016-12-13 | 2017-05-31 | 中国电力科学研究院 | 风电功率生成算法中风电状态数上限的确定方法及系统 |
-
2018
- 2018-03-27 CN CN201810257736.5A patent/CN108564206B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636823A (zh) * | 2015-01-23 | 2015-05-20 | 中国农业大学 | 一种风电功率预测方法 |
CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
CN106780134A (zh) * | 2016-12-13 | 2017-05-31 | 中国电力科学研究院 | 风电功率生成算法中风电状态数上限的确定方法及系统 |
Non-Patent Citations (2)
Title |
---|
LIN YE等: "Short-term wind power prediction based on spatial model", 《RENEWABLE ENERGY》 * |
YONGNING ZHAO等: "A novel bidirectional mechanism based on time series model for wind power forecasting", 《APPLIED ENERGY》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027732B (zh) * | 2018-10-09 | 2023-06-06 | 中国电力科学研究院有限公司 | 一种多风电场出力场景的生成方法及系统 |
CN111027732A (zh) * | 2018-10-09 | 2020-04-17 | 中国电力科学研究院有限公司 | 一种多风电场出力场景的生成方法及系统 |
CN109508830B (zh) * | 2018-11-15 | 2022-09-02 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
CN109508830A (zh) * | 2018-11-15 | 2019-03-22 | 云南电网有限责任公司 | 一种电动汽车时空动态负荷预测的方法 |
CN109524993A (zh) * | 2018-12-19 | 2019-03-26 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
CN109524993B (zh) * | 2018-12-19 | 2020-06-02 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
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 |
CN110161418A (zh) * | 2019-06-03 | 2019-08-23 | 北京中科奥创科技有限公司 | 蓄电池的健康度预测方法、系统和计算机可读存储介质 |
CN110555784B (zh) * | 2019-07-23 | 2022-10-14 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN111478375B (zh) * | 2020-05-09 | 2022-10-14 | 国网江苏省电力有限公司 | 计及相关性的风电场、光伏电站群出力非机理建模方法 |
CN111478375A (zh) * | 2020-05-09 | 2020-07-31 | 国网江苏省电力有限公司 | 一种计及相关性的风电场、光伏电站群出力非机理模型建模方法 |
CN112990533A (zh) * | 2021-01-19 | 2021-06-18 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN112990533B (zh) * | 2021-01-19 | 2024-01-05 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN113572163A (zh) * | 2021-07-28 | 2021-10-29 | 三峡大学 | 基于改进仿射算法的分布式电源主动配电网优化调度方法 |
CN113572163B (zh) * | 2021-07-28 | 2023-04-07 | 三峡大学 | 基于改进仿射算法的分布式电源主动配电网优化调度方法 |
CN113837471A (zh) * | 2021-09-26 | 2021-12-24 | 广西大学 | 一种分区模态分解多时空卷积网络风电场出力预测方法 |
CN113837471B (zh) * | 2021-09-26 | 2023-08-29 | 广西大学 | 一种分区模态分解多时空卷积网络风电场出力预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108564206B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564206A (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
Zhang et al. | Optimal operation of multi-reservoir system by multi-elite guide particle swarm optimization | |
CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
CN104638643B (zh) | 一种对电力系统微电网的全分布式二次调频方法 | |
Wang et al. | Design of a combined system based on two-stage data preprocessing and multi-objective optimization for wind speed prediction | |
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 | |
Wang et al. | Economic load dispatch of renewable energy-based power systems with high penetration of large-scale hydropower station based on multi-agent glowworm swarm optimization | |
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 | |
Li et al. | An improved risk-benefit collaborative grey target decision model and its application in the decision making of load adjustment schemes | |
CN106532778A (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN108549962A (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN112613666B (zh) | 一种基于图卷积神经网络和迁移学习的电网负荷预测方法 | |
Zhang et al. | An efficient multi-objective adaptive differential evolution with chaotic neuron network and its application on long-term hydropower operation with considering ecological environment problem | |
CN106849066A (zh) | 一种区域风电功率预测方法 | |
Wang et al. | Ultra-short-term wind power forecasting based on deep belief network | |
CN102799948A (zh) | 一种并网型光伏电站发电系统输出功率预测方法 | |
CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 | |
Yang et al. | Power transfer characteristics in fluctuation partition algorithm for wind speed and its application to wind power forecasting | |
CN110336285B (zh) | 电力系统最优经济潮流计算方法 | |
CN113422371B (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
Li et al. | Multi-objective optimal design for passive power filters in hybrid power filter system based on multi-island particle swarm optimization | |
Xu et al. | Distributed power optimization of large wind farms using ADMM for real-time control | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
CN104598657A (zh) | 一种基于memetic算法的基因模体重构技术 |
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 |