CN108832623A - 一种物理-统计混合两阶段风电功率预测方法 - Google Patents
一种物理-统计混合两阶段风电功率预测方法 Download PDFInfo
- Publication number
- CN108832623A CN108832623A CN201810700687.8A CN201810700687A CN108832623A CN 108832623 A CN108832623 A CN 108832623A CN 201810700687 A CN201810700687 A CN 201810700687A CN 108832623 A CN108832623 A CN 108832623A
- Authority
- CN
- China
- Prior art keywords
- day
- wind power
- wind
- physics
- prediction
- 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 12
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 10
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了物理‑统计混合两阶段风电功率预测方法，将物理预测方法、统计预测方法得到的风电功率预测作为第二阶段的输入，通过BP神经网络对目标日的风电功率序列进行预测，具体包括以下步骤：建立物理预测神经网络模型并加以训练；以各个天作为目标日，分别计算其它各天相对目标日的风速总体相似度系数；建立统计预测神经网络模型并加以训练；以每天24h的风速、风向数据作为输入，整理出前180天每天的风电功率物理预测序列；以各个天的前5个相似日对应的风电功率序列作为输入，得到前180天每天的风电功率统计预测序列；建立第二阶段的BP神经网络预测模型并加以训练，直到训练误差小于给定值，最终得到两阶段预测模型。
Description
技术领域
本发明涉及风电功率预测技术领域，尤其涉及一种物理-统计混合两阶段风电功率预测方法。
背景技术
随着能源与环境问题的日益突出，风力发电作为一种开发潜力大、技术较成熟的新能源发电技术，近年来得到了快速而广泛的发展。截至2016年，全球风电累积装机容量达486.75GW，其中我国占35％，且由于地形等因素，更多的呈现出大规模高集中度开发的特征。同时，由于风电功率固有的随机性给风电功率预测带来困难，相比于负荷预测、风电功率预测的精度较低，在风力发电大规模开发的背景下，风电功率预测误差给电力系统安全稳定运行提出了挑战。因此，针对风电功率的预测方法开展研究，以提高风电功率的预测精度，有利于含风电电力系统的调度决策优化，提高电力系统运行的经济性和安全性。
现有技术中风电功率预测方法可分为两类：物理预测方法和统计预测方法。其中，物理预测方法是通过采集风电场所在位置的气象信息，如风速、风向、温度、湿度等，研究气象条件影响风电场出力的内在机理，在进行气象预测的基础上，借助风电功率特性曲线对风电功率进行预测。统计预测方法只在寻求风电功率序列与风电功率历史数据及对应的气象信息之间的统计关系，采用时间序列法、支持向量机、马尔科夫模型、人工神经网络等方法，对风电场的风电功率输出进行预测。
其中，物理预测方法的优点在于对历史数据的需求较小，但由于气象条件影响风电功率的物理机理较为复杂，因而实际效果可能不能满足精度要求。而统计预测方法不关心具体的物理机理，而是分析历史数据(包括风电功率、气象等数据)之间的统计关系，因而对数据依赖性较高。一般而言，物理预测方法在长时间尺度上效果更佳，而统计预测方法在短时间尺度上预测精度更高。
发明内容
本发明就是为了解决现有技术在中的物理预测方法和统计预测方法的缺陷，提供一种结合两种预测方法的混合预测模型，该模型分为两个阶段，将阶段一中物理预测方法和统计预测方法得到的两组风电功率预测作为第二阶段的输入，进而通过BP神经网络对目标日的风电功率序列进行预测，能够得到比两种预测方法更佳的预测效果，大大提高了预测的有效性和可靠性。，
为了实现上述目的，本发明采用如下技术方案：
一种物理-统计混合两阶段风电功率预测方法，将阶段一中的物理预测方法、统计预测方法得到的两组风电功率预测作为第二阶段的输入，通过BP神经网络对目标日的风电功率序列进行预测，具体包括以下步骤：
1)建立物理预测神经网络模型并加以训练，直到训练误差小于给定值；
2)以各个天作为目标日，分别计算其它各天相对目标日的风速总体相似度系数；
3)建立统计预测神经网络模型并加以训练，直到训练误差小于给定值；
4)分别以每天24h的风速、风向数据作为输入，通过物理预测网络得到各小时对应的风电功率预测值，进而整理出前180天每天的风电功率物理预测序列；
5)以各个天的前5个相似日对应的风电功率序列作为输入，得到前180天每天的风电功率统计预测序列；
6)建立第二阶段的BP神经网络预测模型并加以训练，直到训练误差小于给定值，最终得到两阶段预测模型。
所述步骤1)中的物理预测神经网络模型包括输入层、隐含层和输出层，其中输入层以前180天的风速、风向数据作为输入，对应风电功率为目标，输出层以对应的风电功率实测值作为训练目标，计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到物理预测的网络，如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出；隐含层神经元映射函数采用Sigmoid函数，能够实现以任意精度逼近任意非线性连续函数，较好的拟合风速-风电功率之间的函数关系。
所述步骤2)包括以下具体步骤：
(1)将训练目标日d内各小时对应的风速组成训练目标日风速曲线vd；除训练目标日外，其他日各小时对应的风速曲线用vi表示,其中i表示第i天：
vd＝[vd(1),vd(2),…,vd(24)] (1)
vi＝[vi(1),vi(2),…,vi(24)] (2)；
(2)采用灰色关联分析法计算第i天与训练目标日之间的相似度，得到第i天与目标日d在t时刻的风速相似度系数ηv(d,i)，ηv(d,i)由下列表达式计算得到：
其中，vd(t)和vi(t)分别表示目标日d和其它日i中t小时对应的风速，单位为m/s，min和max分别表示取最小值和最大值，ρ为分辨系数，用于削弱最大偏差过大引起的关联系数失真影响，提高关联系数之间的差异显著性，ρ在(0,1]内取值，通常取0.5；
(3)在得到全部24小时对应的风速相似度系数后，得到第i天与目标日d的总体风速相似度系数，如下式所示：
(4)采用风向的正弦、余弦来量化风向，采用灰色关联分析法，与风速相似度系数类似地，可得到第i天与目标日d的总体风向正弦、余弦相似度系数ηsinθ(d,i)和ηcosθ(d,i)，计算公式如下：
其中，ηsinθ(d,i,t)和ηcosθ(d,i,t)分别表示第i天与目标日d在t时刻的风向正弦、余弦相似度系数，θ表示风向(以正北方为0°)，sinθd(t)和sinθi(t)分别表示目标日d和其它日i中t小时对应的风向正弦，cosθd(t)和cosθi(t)分别表示目标日d和其它日i中t小时对应的风向余弦。
(5)分别计算各天相互之间风电功率、风速、风向的相似度系数，并计算这些相似度系数之间的相关系数；
以相对第1天的风电功率相似度系数ηwp(1,i)和10m高度风速ηv-10(1,i)为例，ηwp和ηv-10之间相关系数r(ηwp,ηv-10)计算公式如下：
其中，Cov(ηwp,ηv-10)表示ηwp和ηv-10之间的协方差，Var(ηwp)和Var(ηv-10)分别表示ηwp和ηv-10的方差。
(6)选取相关性较强对应的变量计算相似性系数，进而选取相似度较高的天作为相似日进行训练。
所述步骤3)中的统计预测神经网络模型，包括输入层、隐含层和输出层，其中输入层选择相似度系数最高的前5个相似日对应的风电功率序列作为统计预测网络的5组输入，隐含层神经元映射函数采用Sigmoid函数，输出层以目标日对应的风电功率实测序列作为训练目标。计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到物理预测的网络，如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出。
所述步骤6)中的第二阶段BP神经网络预测模型，包括输入层、隐含层和输出层，其中，输入层将前180天每天的风电功率物理预测序列和统计预测序列作为两组输入，输出层以对应的风电功率设侧序列作为训练目标，隐含层神经元映射函数采用Sigmoid函数。计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到第二阶段BP神经网络，确定两阶段风电功率预测模型；如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出。
本发明的有益效果为：
1.本发明即具有物理预测方法在长时间尺度上效果佳的优点，又具有统计预测方法在短时间尺度上预测精度高的优点，能够提高风电功率的预测精度，利于含风电电力系统的调度决策优化，提高电力系统运行的经济性和安全性，本发明通过综合物理预测方法和统计预测方法的优点，在任意时间尺度下得到稳定的预测结果，同时两阶段预测的结构能够减小神经网络在训练中的计算量，避免过拟合情况的发生。
2.本发明采用多个高度的风速作为物理预测网络的输入，风电机组扫风面积大，采用多个高度的风速作为输入，风电机组扫风区域的风速将得到更全面的描述，能够更准确的反映风电场出力与风速之间的物理关系，因此在预测模型中将多个高度的风速作为物理预测网络的输入，能够很好地提高预测精度。
3.本发明考虑到风向是影响风电功率的重要因素，风电场的出力不仅与风速大小有关，不同方向上尾流效应影响的不同等因素，导致风向称为影响风电场风电功率的因素之一，因此在物理预测网络中，同时考虑风速和风向，大大提高预测效果。
4.本发明通过采用步骤1)中的物理预测神经网络模型、步骤3)中的统计预测神经网络模型、步骤6)中的第二阶段BP神经网络预测模型，在物理预测结果和统计预测结果的基础上，进一步进行第二阶段的BP神经网络预测，能够得到比两种预测方法更佳的预测效果，大大提高了预测的有效性和可靠性。通过算例分析可以看出，仅采用物理预测方法的预测结果的均方根误差RMSE为0.143，仅采用统计预测方法的预测结果的均方根误差RMSE为0.149，而采用本发明提出的物理-统计两阶段预测方法，可将预测结果的均方根误差RMSE降低到0.141，充分体现了本发明所提预测方法的优越性。
附图说明
图1为本发明两阶段风电功率预测模型示意图；
图2为本发明物理预测神经网络流程图；
图3为本发明统计预测神经网络流程图；
图4为本发明第二阶段预测神经网络流程图；
图5为本发明第一天的风速相似日对应的风电功率序列曲线；
图6为本发明与其它两种方法某10天的预测效果比较图；
图7为本发明与其它两种方法某1天的预测效果比较图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
如图1-图7所示，一种物理-统计混合两阶段风电功率预测方法，将阶段一中的物理预测方法、统计预测方法得到的两组风电功率预测作为第二阶段的输入，通过BP神经网络对目标日的风电功率序列进行预测，具体包括以下步骤：
1)建立物理预测神经网络模型并加以训练，直到训练误差小于给定值；
2)以各个天作为目标日，分别计算其它各天相对目标日的风速总体相似度系数；
3)建立统计预测神经网络模型并加以训练，直到训练误差小于给定值；
4)分别以每天24h的风速、风向数据作为输入，通过物理预测网络得到各小时对应的风电功率预测值，进而整理出前180天每天的风电功率物理预测序列；
5)以各个天的前5个相似日对应的风电功率序列作为输入，得到前180天每天的风电功率统计预测序列；
6)建立第二阶段的BP神经网络预测模型并加以训练，直到训练误差小于给定值，最终得到两阶段预测模型。
所述步骤1)中的物理预测神经网络模型，如图2所示，包括输入层、隐含层和输出层，其中输入层以前180天的风速、风向数据作为输入，对应风电功率为目标，输出层以对应的风电功率实测值作为训练目标，计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到物理预测的网络，如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出；隐含层神经元映射函数采用Sigmoid函数，能够实现以任意精度逼近任意非线性连续函数，较好的拟合风速-风电功率之间的函数关系。
所述步骤2)包括以下具体步骤：
(1)将训练目标日d内各小时对应的风速组成训练目标日风速曲线vd；除训练目标日外，其他日个小时对应的风速曲线用vi表示,其中i表示第i天：
vd＝[vd(1),vd(2),…,vd(24)] (1)
vi＝[vi(1),vi(2),…,vi(24)] (2)
(2)采用灰色关联分析法计算第i天与训练目标日之间的相似度，得到第i天与目标日d在t时刻的风速相似度系数ηv(d,i)，ηv(d,i)由下列表达式计算得到：
其中，vd(t)和vi(t)分别表示目标日d和其它日i中t小时对应的风速，单位为m/s，min和max分别表示取最小值和最大值，ρ为分辨系数，用于削弱最大偏差过大引起的关联系数失真影响，提高关联系数之间的差异显著性，ρ在(0,1]内取值，通常取0.5；
(3)在得到全部24小时对应的风速相似度系数后，得到第i天与目标日d的总体风速相似度系数，如下式所示：
风速相似度系数ηv(d,i)的数值越小，则表示第i天与目标日d在t时刻的风速越相似。
(4)采用风向的正弦、余弦来量化风向，采用灰色关联分析法，与风速相似度系数类似地，可得到第i天与目标日d的总体风向正弦、余弦相似度系数ηsinθ(d,i)和ηcosθ(d,i)，计算公式如下：
其中，ηsinθ(d,i,t)和ηcosθ(d,i,t)分别表示第i天与目标日d在t时刻的风向正弦、余弦相似度系数，θ表示风向(以正北方为0°)，sinθd(t)和sinθi(t)分别表示目标日d和其它日i中t小时对应的风向正弦，cosθd(t)和cosθi(t)分别表示目标日d和其它日i中t小时对应的风向余弦。
(5)分别计算各天相互之间风电功率、风速、风向的相似度系数，并计算这些相似度系数之间的相关系数；
以相对第1天的风电功率相似度系数ηwp(1,i)和10m高度风速ηv-10(1,i)为例，ηwp和ηv-10之间相关系数r(ηwp,ηv-10)计算公式如下：
其中，Cov(ηwp,ηv-10)表示ηwp和ηv-10之间的协方差，Var(ηwp)和Var(ηv-10)分别表示ηwp和ηv-10的方差。
(6)选取相关性较强(一般认为相关系数超过0.8具有强相关性)对应的变量计算相似性系数，进而选取相似度较高的天作为相似日进行训练。
如图5所示，以第一天作为目标日，与第一天的风速曲线相似度最高的三天，对应的风电功率曲线同样具有很高的相似度，证明采用风速相似日作为神经网络预测的输入，具有合理性。
所述步骤3)中的统计预测神经网络模型，包括输入层、隐含层和输出层，其中输入层选择相似度系数最高的前5个相似日对应的风电功率序列作为统计预测网络的5组输入，隐含层神经元映射函数采用Sigmoid函数，输出层以目标日对应的风电功率实测序列作为训练目标。计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到物理预测的网络，如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出。
所述步骤6)中的第二阶段BP神经网络预测模型，如图4所示，包括输入层、隐含层和输出层，其中，输入层将前180天每天的风电功率物理预测序列和统计预测序列作为两组输入，输出层以对应的风电功率设侧序列作为训练目标，隐含层神经元映射函数采用Sigmoid函数。计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到第二阶段BP神经网络，确定两阶段风电功率预测模型；如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出；能够实现以任意精度逼近任意非线性连续函数，较好的拟合风速-风电功率之间的函数关系。
表1为本发明的方法与其它两种方法对应的风电功率预测RMSE比较。见表1，表1中给出了三种方法预测的均方根误差(RMSE)。
表1
图6、图7分别给出了采用本发明法针对某10天和某1天的风电功率进行预测的曲线，并与物理预测方法和统计预测方法进行比较。表1给出了三种方法预测的均方根误差(RMSE)比较，可以看出。采用本发明得到的风电功率预测结果更接近实测值，其预测精度高于单独采用物理或统计预测方法，体现了本文方法的有效性。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种物理-统计混合两阶段风电功率预测方法，其特征是，将阶段一中的物理预测方法、统计预测方法得到的两组风电功率预测作为第二阶段的输入，通过BP神经网络对目标日的风电功率序列进行预测，具体包括以下步骤：
1)建立物理预测神经网络模型并加以训练，直到训练误差小于给定值；
2)以各个天作为目标日，分别计算其它各天相对目标日的风速总体相似度系数；
3)建立统计预测神经网络模型并加以训练，直到训练误差小于给定值；
4)分别以每天24h的风速、风向数据作为输入，通过物理预测网络得到各小时对应的风电功率预测值，进而整理出前180天每天的风电功率物理预测序列；
5)以各个天的前5个相似日对应的风电功率序列作为输入，得到前180天每天的风电功率统计预测序列；
6)建立第二阶段的BP神经网络预测模型并加以训练，直到训练误差小于给定值，最终得到两阶段预测模型。
2.如权利要求1所述的一种物理-统计混合两阶段风电功率预测方法，其特征是，所述步骤1)中的物理预测神经网络模型包括输入层、隐含层和输出层，其中输入层以前180天的风速、风向数据作为输入，对应风电功率为目标，输出层以对应的风电功率实测值作为训练目标，计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到物理预测的网络，如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出；隐含层神经元映射函数采用Sigmoid函数，能够实现以任意精度逼近任意非线性连续函数，较好的拟合风速-风电功率之间的函数关系。
3.如权利要求1所述的一种物理-统计混合两阶段风电功率预测方法，其特征是，所述步骤2)包括以下具体步骤：
(1)将训练目标日d内各小时对应的风速组成训练目标日风速曲线vd；除训练目标日外，其他日个小时对应的风速曲线用vi表示,其中i表示第i天：
vd＝[vd(1),vd(2),…,vd(24)] (1)
vi＝[vi(1),vi(2),…,vi(24)] (2)；
(2)采用灰色关联分析法计算第i天与训练目标日之间的相似度，得到第i天与目标日d在t时刻的风速相似度系数ηv(d,i)，ηv(d,i)由下列表达式计算得到：
其中，vd(t)和vi(t)分别表示目标日d和其它日i中t小时对应的风速，单位为m/s，min和max分别表示取最小值和最大值，ρ为分辨系数，用于削弱最大偏差过大引起的关联系数失真影响，提高关联系数之间的差异显著性，ρ在(0,1]内取值，通常取0.5；
(3)在得到全部24小时对应的风速相似度系数后，得到第i天与目标日d的总体风速相似度系数，如下式所示：
(4)采用风向的正弦、余弦来量化风向，采用灰色关联分析法，与风速相似度系数类似，可得到第i天与目标日d的总体风向正弦、余弦相似度系数ηsinθ(d,i)和ηcosθ(d,i)，计算公式如下：
其中，ηsinθ(d,i,t)和ηcosθ(d,i,t)分别表示第i天与目标日d在t时刻的风向正弦、余弦相似度系数，θ表示风向(以正北方为0°)，sinθd(t)和sinθi(t)分别表示目标日d和其它日i中t小时对应的风向正弦，cosθd(t)和cosθi(t)分别表示目标日d和其它日i中t小时对应的风向余弦；
(5)分别计算各天相互之间风电功率、风速、风向的相似度系数，并计算这些相似度系数之间的相关系数；
以相对第1天的风电功率相似度系数ηwp(1,i)和10m高度风速ηv-10(1,i)为例，ηwp和ηv-10之间相关系数r(ηwp,ηv-10)计算公式如下：
其中，Cov(ηwp,ηv-10)表示ηwp和ηv-10之间的协方差，Var(ηwp)和Var(ηv-10)分别表示ηwp和ηv-10的方差；
(6)选取相关性较强对应的变量计算相似性系数，进而选取相似度较高的天作为相似日进行训练。
4.如权利要求1所述的一种物理-统计混合两阶段风电功率预测方法，其特征是，所述步骤3)中的统计预测神经网络模型，包括输入层、隐含层和输出层，其中输入层选择相似度系数最高的前5个相似日对应的风电功率序列作为统计预测网络的5组输入，隐含层神经元映射函数采用Sigmoid函数，输出层以目标日对应的风电功率实测序列作为训练目标；计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到物理预测的网络，如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出。
5.如权利要求1所述的一种物理-统计混合两阶段风电功率预测方法，其特征是，所述步骤6)中的第二阶段BP神经网络预测模型，包括输入层、隐含层和输出层，其中，输入层将前180天每天的风电功率物理预测序列和统计预测序列作为两组输入，输出层以对应的风电功率设侧序列作为训练目标，隐含层神经元映射函数采用Sigmoid函数，计算隐含层及输出层，计算目标值与输出值之间的误差，判定误差与给定值的大小关系，如果误差小于给定值则训练结束，得到第二阶段BP神经网络，确定两阶段风电功率预测模型；如果误差不小于给定值则误差反向传播、更新各层权重值后，再返回重新计算隐含层及输出层输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810700687.8A CN108832623B (zh) | 2018-06-29 | 2018-06-29 | 一种物理-统计混合两阶段风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810700687.8A CN108832623B (zh) | 2018-06-29 | 2018-06-29 | 一种物理-统计混合两阶段风电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108832623A true CN108832623A (zh) | 2018-11-16 |
| CN108832623B CN108832623B (zh) | 2020-08-04 |
Family
ID=64134566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810700687.8A Active CN108832623B (zh) | 2018-06-29 | 2018-06-29 | 一种物理-统计混合两阶段风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108832623B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298511A (zh) * | 2019-07-02 | 2019-10-01 | 辽宁科技大学 | 一种新型风电功率预测方法及装置 |
| CN112749792A (zh) * | 2021-02-02 | 2021-05-04 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
| CN115905997A (zh) * | 2022-10-28 | 2023-04-04 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
| CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
-
2018
- 2018-06-29 CN CN201810700687.8A patent/CN108832623B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
| CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
| CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孟洋洋 等: "基于相似日和人工神经网络的风电功率短期预测", 《电网技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298511A (zh) * | 2019-07-02 | 2019-10-01 | 辽宁科技大学 | 一种新型风电功率预测方法及装置 |
| CN110298511B (zh) * | 2019-07-02 | 2023-11-21 | 辽宁科技大学 | 一种新型风电功率预测方法及装置 |
| CN112749792A (zh) * | 2021-02-02 | 2021-05-04 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
| CN112749792B (zh) * | 2021-02-02 | 2023-07-07 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
| CN115905997A (zh) * | 2022-10-28 | 2023-04-04 | 安徽省国家电投和新电力技术研究有限公司 | 基于预测偏差优化的风电机组气象灾害预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108832623B (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
| CN102567636B (zh) | 基于相关向量机的高精度风电场功率区间预测方法 | |
| CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
| CN102479339B (zh) | 基于混合神经网络的风电场短期风速预测方法和系统 | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN107609697B (zh) | 一种风力发电功率预测方法 | |
| CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
| CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
| CN108832623A (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
| CN104036121B (zh) | 基于概率分布转移的测风数据风速订正方法 | |
| CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
| CN107516145A (zh) | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 | |
| CN107169683A (zh) | 一种变权重系数的并网光伏电站短期功率组合预测方法 | |
| CN107194495A (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
| CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
| CN110222844A (zh) | 一种基于人工神经网络的压缩机性能预测方法 | |
| CN102831475A (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
| CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
| CN109146192A (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
| Malakouti | Improving the prediction of wind speed and power production of SCADA system with ensemble method and 10-fold cross-validation | |
| Çevik et al. | Day ahead wind power forecasting using complex valued neural network | |
| Bo et al. | Hybrid PSO-BP neural network approach for wind power forecasting | |
| CN105138729A (zh) | 基于pso-grnn风电场风电机缺损风速值填充方法 | |
| Zhang et al. | A precise tidal prediction mechanism based on the combination of harmonic analysis and adaptive network-based fuzzy inference system model |
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 |