CN109063936A - 一种建立风电功率预测模型的方法及装置 - Google Patents
一种建立风电功率预测模型的方法及装置 Download PDFInfo
- Publication number
- CN109063936A CN109063936A CN201811190820.6A CN201811190820A CN109063936A CN 109063936 A CN109063936 A CN 109063936A CN 201811190820 A CN201811190820 A CN 201811190820A CN 109063936 A CN109063936 A CN 109063936A
- Authority
- CN
- China
- Prior art keywords
- wind power
- sample
- basis function
- power prediction
- radial basis
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 71
- 230000001537 neural effect Effects 0.000 claims abstract description 17
- 238000013277 forecasting method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims abstract description 7
- 239000000843 powder Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004513 sizing Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 64
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提出一种建立风电功率预测模型的方法及装置和风电功率预测方法及装置，涉及电力系统风电功率预测领域。该方法及装置通过对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本，并以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络，然后采用K‑均值聚类算法并基于训练样本对径向基神经网络进行训练以确定径向基函数中心，同时采用最小二乘法递推法并基于训练样本以及输出样本确定径向基函数权值，从而建立风电功率预测模型，能够有效地避免风电功率的不确定性，从而为调度人员提供准确的预测信息。
Description
技术领域
本发明涉及电力系统风电功率预测领域，具体而言，涉及一种建立风电功率预测模型的方法及装置和风电功率预测方法及装置。
背景技术
风能取之不尽，用之不竭，与传统能源相比具有可再生、低成本，没有污染物和碳排放等优点，同时其规模化和商业化的开发前景和清洁的利用方式，都使得风能资源的发电、传输及使用相关技术成为目前行业的研究热点。但由于风能的随机性和不确定性，当大规模风电并网时，其对电网电能质量将造成重要影响。精确的风电功率预测对电力系统的调度、维护和规划十分重要。
传统的风电功率预测发方法有支持向量机法、模糊集法和组合预测方法等。但这些传统方法不能有效地反应风电功率的不确定，所以其提供给运行调度人员的信息不够准确。
发明内容
有鉴于此，本发明的目的在于提供一种建立风电功率预测模型的方法及装置和风电功率预测方法及装置，以解决上述问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种建立风电功率预测模型的方法，所述建立风电功率预测模型的方法包括：
对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本；
以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络；
采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心；
采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值。
进一步地，所述采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心的步骤包括：
从多个所述训练样本中选取任意数量个训练样本作为第一聚类中心；
确定多个所述训练样本到每个所述第一聚类中心的欧式空间距离；
基于所述欧式空间距离将多个所述训练样本分配至每个所述第一聚类中心所属的聚类集合；
计算每个所述聚类集合包含的训练样本的平均值，并以所述平均值作为第二聚类中心；
若所述第二聚类中心与所述第一聚类中心的差值小于或等于预设定的阈值，则将所述第二聚类中心确定为径向基函数中心。
进一步地，所述采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值的步骤包括：
采用最小二乘法递推法求解算式以确定径向基函数权值；其中，yj为输出样本，wji为第i个隐节点的径向基函数到第j个输出节点的径向基函数权值，θj为第j个输出节点的阈值，qi为第i个隐节点的径向基函数，且qi＝φ(||X-ci||),i＝1,…,k，X＝(x1,…,xn)T为训练样本，ci为第i个隐节点的中心，φ为高斯函数。
第二方面，本发明实施例提供了一种风电功率预测方法，所述风电功率预测方法包括：
对获取的风功率参数进行归一化处理以获得预测样本；
基于如权利要求1-3中任意一项所述的建立风电功率预测模型的方法而预建立的风电功率预测模型及所述预测样本预测风功率预测结果；
对所述风功率预测结果进行反归一化以获得风功率预测值。
进一步地，所述对获取的风功率参数进行归一化处理以获得预测样本的步骤包括：
利用算式对所述风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
第三方面，本发明实施例提供了一种建立风电功率预测模型的装置，所述建立风电功率预测模型的装置包括：
第一预处理单元，用于对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本；
神经网络建立单元，用于以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络；
中心确定单元，用于采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心；
权值确定单元，用于采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值。
进一步地，所述中心确定单元用于从多个所述训练样本中选取任意数量个训练样本作为第一聚类中心；
所述中心确定单元还用于确定多个所述训练样本到每个所述第一聚类中心的欧式空间距离；
所述中心确定单元还用于基于所述欧式空间距离将多个所述训练样本分配至每个所述第一聚类中心所属的聚类集合；
所述中心确定单元还用于计算每个所述聚类集合包含的训练样本的平均值，并以所述平均值作为第二聚类中心；
所述中心确定单元还用于若所述第二聚类中心与所述第一聚类中心的差值小于或等于预设定的阈值，则将所述第二聚类中心确定为径向基函数中心。
进一步地，所述权值确定单元用于采用最小二乘法递推法求解算式以确定径向基函数权值；其中，yj为输出样本，wji为第i个隐节点的径向基函数到第j个输出节点的径向基函数权值，θj为第j个输出节点的阈值，qi为第i个隐节点的径向基函数，且qi＝φ(||X-ci||),i＝1,…,k，X＝(x1,…,xn)T为训练样本，ci为第i个隐节点的中心，φ为高斯函数。
第四方面，本发明实施例提供了一种风电功率预测装置，所述风电功率预测装置包括：
第二预处理单元，用于对获取的风功率参数进行归一化处理以获得预测样本；
预测单元，用于基于如权利要求1-3中任意一项所述的建立风电功率预测模型的方法而预建立的风电功率预测模型及所述预测样本预测风功率预测结果；
反归一化单元，用于对所述风功率预测结果进行反归一化以获得风功率预测值。
进一步地，所述第二预处理单元用于利用算式对所述风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
本发明实施例提供的建立风电功率预测模型的方法及装置，通过对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本，并以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络，然后采用K-均值聚类算法并基于训练样本对径向基神经网络进行训练以确定径向基函数中心，同时采用最小二乘法递推法并基于训练样本以及输出样本确定径向基函数权值，从而建立风电功率预测模型，能够有效地避免风电功率的不确定性，从而为调度人员提供准确的预测信息。
此外，本发明提供的风电功率预测方法及装置，通过对获取的风功率参数进行归一化处理以获得预测样本，然后基于第一实施例提供的建立风电功率预测模型的方法而预建立的风电功率预测模型及预测样本预测风功率预测结果，最后对风功率预测结果进行反归一化以获得风功率预测值；由于采用上述内容中提供的建立风电功率预测模型的方法，使得最终获得的风功率预测结果更加贴近实际，误差更小，从而运行调度人员可以依据该第二风功率预测结果实现对电力系统的精确调度、维护和规划。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了可应用于本发明实施例的服务器的方框示意图。
图2示出了本发明第一实施例提供的建立风电功率预测模型的方法的流程图。
图3示出了图2中步骤S203的具体流程图。
图4示出了本发明第二实施例提供的建立风电功率预测模型的装置的功能模块图。
图5示出了本发明第三实施例提供的风电功率预测方法的流程图。
图6示出了本发明第三实施例提供的风电功率预测装置的功能模块图。
图标：100-服务器；111-存储器；112-处理器；113-通信单元；200-建立风电功率预测模型的装置；210-第一预处理单元；220-神经网络建立单元；230-中心确定单元；240-权值确定单元；300-风电功率预测装置；310-第二预处理单元；320-预测单元；330-反归一化单元。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1，是服务器100的方框示意图。所述服务器100包括建立风电功率预测模型的装置200、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述建立风电功率预测模型的装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述服务器100的操作系统(Operating System，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述建立风电功率预测模型的装置200所包括的软件功能模块及计算机程序等。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序或者数据。所述通信单元113用于通过所述网络建立所述服务器100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图1所示的结构仅为服务器100的结构示意图，所述服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
本发明实施例提供了一种建立风电功率预测模型的方法，用于建立风电功率预测模型，以实现对风电功率的预测。请参阅图2，为本发明实施例提供的建立风电功率预测模型的方法的流程图。该建立风电功率预测模型的方法包括：
步骤S201：对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本。
具体地，以进行归一化处理后的历史风功率参数作为训练样本，以历史风功率作为输出样本，且历史风功率参数与历史风功率对应，从而训练样本也应当一一对应。
步骤S202：以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络。
步骤S203：采用K-均值聚类算法并基于训练样本对径向基神经网络进行训练以确定径向基函数中心。
请参阅图3，为步骤S203的具体流程图。该步骤S203包括：
子步骤S2031：从多个训练样本中选取任意数量个训练样本作为第一聚类中心。
具体地，从qi＝φ(||X-ci||),i＝1,…,k中选取任意数量个作为第一聚类中心。其中，ci为第i个隐节点的中心，φ为高斯函数，X＝(x1,…,xn)T为训练样本。
子步骤S2032：确定多个训练样本到每个第一聚类中心的欧式空间距离。
具体地，欧式空间距离满足算式：di(t)＝||x(t)-ci(t-1)||,1≤i≤h；其中，x(t)为训练样本，ci(t-1)为第一聚类中心，di(t)为欧式空间距离。
子步骤S2033：基于欧式空间距离将多个训练样本分配至每个第一聚类中心所属的聚类集合。
子步骤S2034：计算每个聚类集合包含的训练样本的平均值，并以平均值作为第二聚类中心。
子步骤S2035：判断第二聚类中心与第一聚类中心的差值是否小于或等于预设定的阈值，如果是，则执行子步骤S2036；如果否，则重新执行子步骤S2033。
子步骤S2036：将第二聚类中心确定为径向基函数中心。
可以理解地，在确定径向基函数中心的过程中，需要依据训练样本不断进行学习、调整，从而最终确定的径向基函数中心，更加贴合实际，使得预测结果误差更小。
步骤S204：采用最小二乘法递推法并基于训练样本以及输出样本确定径向基函数权值。
具体地，采用最小二乘法递推法求解算式以确定径向基函数权值。
其中，yj为输出样本，wji为第i个隐节点的径向基函数到第j个输出节点的径向基函数权值，θj为第j个输出节点的阈值，qi为第i个隐节点的径向基函数，且qi＝φ(||X-ci||),i＝1,…,k，X＝(x1,…,xn)T为训练样本，ci为第i个隐节点的中心，φ为高斯函数。
第二实施例
请参阅图4，图4为本发明较佳实施例提供的一种建立风电功率预测模型的装置200的功能模块图。需要说明的是，本实施例所提供的建立风电功率预测模型的装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该建立风电功率预测模型的装置200包括第一预处理单元210、神经网络建立单元220、中心确定单元230以及权值确定单元240。
其中，第一预处理单元210用于对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本。
可以理解地，在一种优选的实施例中，该第一预处理单元210可用于执行步骤S201。
神经网络建立单元220用于以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络。
可以理解地，在一种优选的实施例中，该神经网络建立单元220可用于执行步骤S202。
中心确定单元230用于采用K-均值聚类算法并基于训练样本对径向基神经网络进行训练以确定径向基函数中心。
具体地，中心确定单元230用于从多个训练样本中选取任意数量个训练样本作为第一聚类中心，并确定多个训练样本到每个第一聚类中心的欧式空间距离，然后基于欧式空间距离将多个训练样本分配至每个第一聚类中心所属的聚类集合，接着计算每个聚类集合包含的训练样本的平均值，并以平均值作为第二聚类中心，然后判断第二聚类中心与第一聚类中心的差值是否小于或等于预设定的阈值，如果是则将第二聚类中心确定为径向基函数中心。
可以理解地，在一种优选的实施例中，该中心确定单元230可用于执行步骤S203、子步骤S2031、子步骤S2032、子步骤S2033、子步骤S2034、子步骤S2035以及子步骤S2036。
权值确定单元240用于采用最小二乘法递推法并基于训练样本以及输出样本确定径向基函数权值。
可以理解地，在一种优选的实施例中，该权值确定单元240可用于执行步骤S204。
综上，本发明实施例提供的建立风电功率预测模型的方法及装置，通过对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本，并以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络，然后采用K-均值聚类算法并基于训练样本对径向基神经网络进行训练以确定径向基函数中心，同时采用最小二乘法递推法并基于训练样本以及输出样本确定径向基函数权值，从而建立风电功率预测模型，能够有效地避免风电功率的不确定性，从而为调度人员提供准确的预测信息。
第三实施例
本发明实施例提供了一种风电功率预测方法，用于对风电功率进行预测。请参阅图5，为本发明实施例提供的风电功率预测方法的流程图。该风电功率预测方法包括：
步骤S501：对获取的风功率参数进行归一化处理以获得预测样本。
具体地，利用算式对风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
步骤S502：基于预建立的风电功率预测模型及预测样本预测风功率预测结果。
需要说明的是，本发明实施例提供的风电功率预测模型是由第一实施例提供的建立风电功率预测模型的方法所建立的。
步骤S503：对风功率预测结果进行反归一化以获得风功率预测值。
第四实施例
请参阅图6，图6为本发明较佳实施例提供的一种风电功率预测装置300的功能模块图。需要说明的是，本实施例所提供的风电功率预测装置300，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该风电功率预测装置300包括第二预处理单元310、预测单元320以及反归一化单元330。
其中，第二预处理单元310用于对获取的风功率参数进行归一化处理以获得预测样本。
具体地，利用算式对风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
可以理解地，在一种优选的实施例中，第二预处理单元310可用于执行步骤S501。
预测单元320用于基于预建立的风电功率预测模型及所述预测样本预测风功率预测结果。
需要说明的是，本发明实施例提供的风电功率预测模型是由第一实施例提供的建立风电功率预测模型的方法所建立的。
可以理解地，在一种优选的实施例中，预测单元320可用于执行步骤S502。
反归一化单元330，用于对所述风功率预测结果进行反归一化以获得风功率预测值。
可以理解地，在一种优选的实施例中，反归一化单元330可用于执行步骤S503。
综上，本发明提供的风电功率预测方法及装置，通过对获取的风功率参数进行归一化处理以获得预测样本，然后基于第一实施例提供的建立风电功率预测模型的方法而预建立的风电功率预测模型及预测样本预测风功率预测结果，最后对风功率预测结果进行反归一化以获得风功率预测值；由于采用第一实施例提供的建立风电功率预测模型的方法，使得最终获得的风功率预测结果更加贴近实际，误差更小，从而运行调度人员可以依据该第二风功率预测结果实现对电力系统的精确调度、维护和规划。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种建立风电功率预测模型的方法，其特征在于，所述建立风电功率预测模型的方法包括：
对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本；
以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络；
采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心；
采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值。
2.根据权利要求1所述的建立风电功率预测模型的方法，其特征在于，所述采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心的步骤包括：
从多个所述训练样本中选取任意数量个训练样本作为第一聚类中心；
确定多个所述训练样本到每个所述第一聚类中心的欧式空间距离；
基于所述欧式空间距离将多个所述训练样本分配至每个所述第一聚类中心所属的聚类集合；
计算每个所述聚类集合包含的训练样本的平均值，并以所述平均值作为第二聚类中心；
若所述第二聚类中心与所述第一聚类中心的差值小于或等于预设定的阈值，则将所述第二聚类中心确定为径向基函数中心。
3.根据权利要求1所述的建立风电功率预测模型的方法，其特征在于，所述采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值的步骤包括：
采用最小二乘法递推法求解算式以确定径向基函数权值；其中，yj为输出样本，wji为第i个隐节点的径向基函数到第j个输出节点的径向基函数权值，θj为第j个输出节点的阈值，qi为第i个隐节点的径向基函数，且qi＝φ(||X-ci||),i＝1,…,k，X＝(x1,…,xn)T为训练样本，ci为第i个隐节点的中心，φ为高斯函数。
4.一种风电功率预测方法，其特征在于，所述风电功率预测方法包括：
对获取的风功率参数进行归一化处理以获得预测样本；
基于如权利要求1-3中任意一项所述的建立风电功率预测模型的方法而预建立的风电功率预测模型及所述预测样本预测风功率预测结果；
对所述风功率预测结果进行反归一化以获得风功率预测值。
5.根据权利要求4所述的风电功率预测方法，其特征在于，所述对获取的风功率参数进行归一化处理以获得预测样本的步骤包括：
利用算式对所述风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
6.一种建立风电功率预测模型的装置，其特征在于，所述建立风电功率预测模型的装置包括：
第一预处理单元，用于对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本；
神经网络建立单元，用于以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络；
中心确定单元，用于采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心；
权值确定单元，用于采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值。
7.根据权利要求6所述的建立风电功率预测模型的装置，其特征在于，所述中心确定单元用于从多个所述训练样本中选取任意数量个训练样本作为第一聚类中心；
所述中心确定单元还用于确定多个所述训练样本到每个所述第一聚类中心的欧式空间距离；
所述中心确定单元还用于基于所述欧式空间距离将多个所述训练样本分配至每个所述第一聚类中心所属的聚类集合；
所述中心确定单元还用于计算每个所述聚类集合包含的训练样本的平均值，并以所述平均值作为第二聚类中心；
所述中心确定单元还用于若所述第二聚类中心与所述第一聚类中心的差值小于或等于预设定的阈值，则将所述第二聚类中心确定为径向基函数中心。
8.根据权利要求6所述的建立风电功率预测模型的装置，其特征在于，所述权值确定单元用于采用最小二乘法递推法求解算式以确定径向基函数权值；其中，yj为输出样本，wji为第i个隐节点的径向基函数到第j个输出节点的径向基函数权值，θj为第j个输出节点的阈值，qi为第i个隐节点的径向基函数，且qi＝φ(||X-ci||),i＝1,…,k，X＝(x1,…,xn)T为训练样本，ci为第i个隐节点的中心，φ为高斯函数。
9.一种风电功率预测装置，其特征在于，所述风电功率预测装置包括：
第二预处理单元，用于对获取的风功率参数进行归一化处理以获得预测样本；
预测单元，用于基于如权利要求1-3中任意一项所述的建立风电功率预测模型的方法而预建立的风电功率预测模型及所述预测样本预测风功率预测结果；
反归一化单元，用于对所述风功率预测结果进行反归一化以获得风功率预测值。
10.根据权利要求9所述的风电功率预测装置，其特征在于，所述第二预处理单元用于利用算式对所述风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811190820.6A CN109063936A (zh) | 2018-10-12 | 2018-10-12 | 一种建立风电功率预测模型的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811190820.6A CN109063936A (zh) | 2018-10-12 | 2018-10-12 | 一种建立风电功率预测模型的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109063936A true CN109063936A (zh) | 2018-12-21 |
Family
ID=64764013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811190820.6A Pending CN109063936A (zh) | 2018-10-12 | 2018-10-12 | 一种建立风电功率预测模型的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063936A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259967A (zh) * | 2020-01-17 | 2020-06-09 | 北京市商汤科技开发有限公司 | 图像分类及神经网络训练方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 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 |
| CN102938562A (zh) * | 2012-07-19 | 2013-02-20 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
| CN104978612A (zh) * | 2015-01-27 | 2015-10-14 | 厦门大学 | 基于ahp-rbf的分布式大数据系统风险预测方法 |
-
2018
- 2018-10-12 CN CN201811190820.6A patent/CN109063936A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 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 |
| CN102938562A (zh) * | 2012-07-19 | 2013-02-20 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
| CN104978612A (zh) * | 2015-01-27 | 2015-10-14 | 厦门大学 | 基于ahp-rbf的分布式大数据系统风险预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259967A (zh) * | 2020-01-17 | 2020-06-09 | 北京市商汤科技开发有限公司 | 图像分类及神经网络训练方法、装置、设备及存储介质 |
| CN111259967B (zh) * | 2020-01-17 | 2024-03-08 | 北京市商汤科技开发有限公司 | 图像分类及神经网络训练方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmad et al. | Artificial intelligence in sustainable energy industry: Status Quo, challenges and opportunities | |
| Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
| Gao et al. | Multi-criteria group decision-making framework for offshore wind farm site selection based on the intuitionistic linguistic aggregation operators | |
| Rahmani et al. | A new optimal power flow approach for wind energy integrated power systems | |
| Ezzat | Turbine-specific short-term wind speed forecasting considering within-farm wind field dependencies and fluctuations | |
| Chen et al. | Maintenance schedule optimisation for a railway power supply system | |
| Chang et al. | Feature extraction of non-intrusive load-monitoring system using genetic algorithm in smart meters | |
| Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
| Mahmoud et al. | Efficient SPF approach based on regression and correction models for active distribution systems | |
| Pearre et al. | Spatial and geographic heterogeneity of wind turbine farms for temporally decoupled power output | |
| Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
| Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
| Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
| CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
| Leiva et al. | Data-driven flexibility prediction in low voltage power networks | |
| CN109063936A (zh) | 一种建立风电功率预测模型的方法及装置 | |
| Shah et al. | Chronological risk assessment approach of distribution system with concentrated solar power plant | |
| Ausmus et al. | Big data analytics and the electric utility industry | |
| Dong et al. | Nonlinear load harmonic prediction method based on power distribution Internet of Things | |
| Domínguez et al. | Analysis of electric power consumption using Self-Organizing Maps. | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| Wu et al. | Multiple criteria performance modelling and impact assessment of renewable Energy systems—A literature review | |
| Hu et al. | Probabilistic net load forecasting based on transformer network and Gaussian process-enabled residual modeling learning method | |
| Pravilovic et al. | Wind power forecasting using time series cluster analysis | |
| Mukhamediev et al. | Multi-criteria decision support system for RES evaluation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
| RJ01 | Rejection of invention patent application after publication |