CN109190845B - 一种两阶段动态优化短期风电功率预测方法 - Google Patents

一种两阶段动态优化短期风电功率预测方法 Download PDF

Info

Publication number
CN109190845B
CN109190845B CN201811150792.5A CN201811150792A CN109190845B CN 109190845 B CN109190845 B CN 109190845B CN 201811150792 A CN201811150792 A CN 201811150792A CN 109190845 B CN109190845 B CN 109190845B
Authority
CN
China
Prior art keywords
wind power
data
short
term
wind
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.)
Active
Application number
CN201811150792.5A
Other languages
English (en)
Other versions
CN109190845A (zh
Inventor
熊雄
叶小岭
丁杰
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 Sint Telecommunication Technology Development Co ltd
Original Assignee
Nanjing University of Information Science and Technology
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 University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201811150792.5A priority Critical patent/CN109190845B/zh
Publication of CN109190845A publication Critical patent/CN109190845A/zh
Application granted granted Critical
Publication of CN109190845B publication Critical patent/CN109190845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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—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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种两阶段动态优化短期风电功率预测方法，该方法通过获取风电场区域数值天气预报气象数据，根据风机有功发电的历史数据和实际数据，利用高斯回归算法构建风电场短期功率预测模型并对未来72小时功率进行预测；同时，利用高斯回归算法和差分延迟算子对短期功率预测模型进行两阶段动态优化以提高预测的精度。通过对短期风电功率预测过程中的解决了目前短期风电功率预测方法结构单一、准确度不高和欠稳定等问题，提高了风电场短期风电功率预测的准确率。

Description

一种两阶段动态优化短期风电功率预测方法
技术领域
本发明涉及一种两阶段动态优化短期风电功率预测方法，属于短期风电功率预测领域。
背景技术
风能作为一种清洁能源，日益得到世界各国的高度重视，并且得到了广泛的开发和利用。然而，风能固有的波动性以及间歇性对风电并网带来了严重的威胁，无法像常规能源那样指定准确的发电计划，导致电网调度非常复杂，风电场接入电网使电力运行系统的不确定性因素很多，对电网的稳定和安全有很大影响，风电的大规模发展给电网调度带来压力和挑战。在风能资源丰富的三北地区，风电在电网中所占的比重很高，部分地区的风电装机容量甚至超过了当地的负荷水平，但由于电网建设相对滞后，大规模并网风电带来的问题日益突出，弃风限电的现象时有发生，既给风电企业造成损失，又浪费了宝贵的风能资源，严重影响到风电的健康发展，风电输送和电网有效消纳风电已成为制约我国风电规模化发展的瓶颈。因此，风电功率预测技术的发展有助于提高风能的利用率，对风电功率进行预测是风电并网前的必要环节。
短期风电功率预测可以分为两个阶段：第一阶段是通过区域数值天气预报技术获取风场的风速、风向等气象预报数据；第二阶段是利用数值预报的气象数据，结合风机的运行参数获得风机短期的功率预报数据。目前短期风电功率预测方法结构单一、准确度不高而且欠稳定。
发明内容
本发明为了解决现有技术中存在的问题，提供一种两阶段动态优化短期风电功率预测方法，实现对风电场短期风电功率的准确预测。
为了达到上述目的，本发明提出的技术方案为：一种两阶段动态优化短期风电功率预测方法，包括以下步骤：
步骤1.获取风电场过去24小时数值天气预报风速数据xP(t),t＝1,2,3,…,T；
采集风电场过去12小时测风塔风速观测数据xOP(t),t＝1,2,3,…,T/2；
采集风电场过去24小时功率数据pP(t),t＝1,2,3,…,T；
获取风电场未来72小时数值天气预报风速数据xF(t),t＝1,2,3,…,3T，其中T为采样时间，且T为大于0的自然数，采样频率为15分钟一次；
步骤2、对xP(t),xOP(t),pP(t),xF(t)进行数据基本质量控制，得到基本控制后的数据
Figure BDA0001817914770000011
步骤3、选取经基本质量控制后的风电场过去12小时数值天气预报风速数据
Figure BDA0001817914770000012
作为输入值，经基本质量控制后的风电场过去12小时测风塔风速观测数据
Figure BDA0001817914770000021
作为输出值，建立基于高斯回归算法的数值天气预报风速数据订正模型M1；
步骤4、选取经基本质量控制后的风电场未来72小时数值天气预报风速数据
Figure BDA0001817914770000022
作为输入值，经过数值天气预报数据订正模型M1训练，得到订正后的风电场未来72小时数值天气预报风速数据
Figure BDA0001817914770000023
步骤5、选取经基本质量控制后的风电场过去24小时数值天气预报风速数据
Figure BDA0001817914770000024
作为输入值，经基本质量控制后的风电场过去24小时功率数据
Figure BDA0001817914770000025
作为输出值，建立基于高斯回归算法的短期风电功率预测M2；
步骤6、选取订正后的风电场未来72小时数值天气预报风速数据
Figure BDA0001817914770000026
作为输入值，经过短期风电功率预测M2训练，得到风电场未来72小时风功率预报数据
Figure BDA0001817914770000027
步骤7、对风电场未来72小时风功率预报数据
Figure BDA0001817914770000028
进行差分延迟算子修订，得到修订后风电场未来72小时风功率预报数据
Figure BDA0001817914770000029
实现对风电场的短期风电功率预测。
对上述技术方案的进一步设计为：步骤5中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查、空间一致性检查。
步骤6和步骤8中所述高斯回归算法数学表达式为：
Figure BDA00018179147700000210
式中，ai,bi,ci均为待定系数，n为多项式的项数。
步骤10中所述差分延迟算子数学表达式为：
Figure BDA00018179147700000211
式中，t为时刻，K为差分阶数，θ1,θ2,θ3,θ4均为待定系数，
Figure BDA00018179147700000212
为风机的切出风速，
Figure BDA00018179147700000213
为风机的切入风速。
本发明具有如下有益效果为：
本发明通过对短期风电功率预测进行两阶段的动态优化，利用高斯回归算法和差分延迟算子构建一种两阶段动态优化短期风电功率预测方法，拓展了传统短期风电功率预测方法，能够提高风电场短期风电功率预测的准确性和稳定性。
附图说明
图1为本发明方法的流程图。
图2为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法MAE效果对比图。
图3为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法RMSE效果对比图。
图4为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法CORR效果对比图。
图5为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法PASS效果对比图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
为本发明方法的流程，如图1所示，数据来源于某风电场2017年7月1日至7月4日数据，包括风机的实际发电功率和风机监测系统采集的风速、风向数据，时间分辨率为15min，以2017年7月1日至7月4日数值天气预报的风速和风向，时间分辨率为15min。通过均方根误差(RMSE)、绝对平均误差(MAE)、准确率(CORR)和通过率(PASS)来评价算法的性能，其中，RMSE用来衡量误差的分散程度，MAE用来评价预测误差的平均幅度，CORR和PASS用来检验国家能源局对风电场的考核。具体步骤如下：
步骤1.获取风电场2017年7月1日24小时数值天气预报风速数据xP(t),t＝1,2,3,…,T，其中T为采样时间，在本实施例中T＝96；
步骤2.采集风电场2017年7月1日12时至2017年7月1日24时测风塔风速观测数据xOP(t),t＝1,2,3,…,T/2，其中T为采样时间，在本实施例中T＝48；
步骤3.采集风电场2017年7月1日24小时功率数据pP(t),t＝1,2,3,…,T，其中T为采样时间，在本实施例中T＝96；
步骤4.获取风电场2017年7月2日至2017年7月4日72小时数值天气预报风速数据xF(t),t＝1,2,3,…,3T，其中T为采样时间，在本实施例中T＝288；
步骤5.对xP(t),xOP(t),pP(t),xF(t)进行数据基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查、空间一致性检查等检查，得到基本控制后的数据
Figure BDA0001817914770000031
Figure BDA0001817914770000041
步骤6.选取经基本质量控制后的风电场2017年7月1日12时至2017年7月1日24时数值天气预报风速数据
Figure BDA0001817914770000042
作为输入值，经基本质量控制后的风电场2017年7月1日12时至2017年7月1日24时测风塔风速观测数据
Figure BDA0001817914770000043
作为输出值，建立基于高斯回归算法的数值天气预报风速数据订正模型M1；
步骤7.选取经基本质量控制后的风电场未来72小时数值天气预报风速数据
Figure BDA0001817914770000044
作为输入值，经过数值天气预报数据订正模型M1训练，得到订正后的风电场未来72小时数值天气预报风速数据
Figure BDA0001817914770000045
步骤8.选取经基本质量控制后的风电场过去24小时数值天气预报风速数据
Figure BDA0001817914770000046
作为输入值，经基本质量控制后的风电场过去24小时功率数据
Figure BDA0001817914770000047
作为输出值，建立基于高斯回归算法的短期风电功率预测M2；
步骤9.选取订正后的风电场2017年7月2日至2017年7月4日72小时数值天气预报风速数据
Figure BDA0001817914770000048
作为输入值，经过短期风电功率预测M2训练，得到风电场2017年7月2日至2017年7月4日72小时风功率预报数据
Figure BDA0001817914770000049
步骤10.对风电场2017年7月2日至2017年7月4日72小时风功率预报数据
Figure BDA00018179147700000410
进行差分延迟算子修订，得到修订后风电场2017年7月2日至2017年7月4日72小时风功率预报数据
Figure BDA00018179147700000411
实现对风电场的短期风电功率预测。
为分析本发明的有益效果，此处用该风电场2017年7月2日至2017年7月11日数据作为分析数据，本发明方法分别与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法进行对比。
图2、图3所示，本方法得到的平局误差(MAE)、均方根误差(RMSE)明显优于传统的其他两种方法。
图4、图5所示，通过准确率(CORR)和通过率(PASS)可以看出本方法得到的结果符合国家能源局对风电场短期风电功率预测的要求。
通过图2、图3、图4和图5对比分析，本发明方法质量控制效果明显。
本发明的技术方案不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。

Claims (4)

1.一种两阶段动态优化短期风电功率预测方法，其特征在于，包括以下步骤：
步骤1、分别获取风电场过去一段时间的数值天气预报风速数据xP(t)、测风塔风速观测数据xOP(t)、功率数据pP(t)和未来一段时间的数值天气预报风速数据xF(t)；
步骤2、对xP(t),xOP(t),pP(t),xF(t)进行数据基本质量控制，得到基本质量控制后的数据
Figure FDA0003594645230000011
步骤3、选取
Figure FDA0003594645230000012
作为输入值，
Figure FDA0003594645230000013
作为输出值，建立基于高斯回归算法的数值天气预报风速数据订正模型M1；
步骤4、选取
Figure FDA0003594645230000014
作为输入值，经过数值天气预报风速数据订正模型M1训练，得到订正后的天气预报风速数据
Figure FDA0003594645230000015
步骤5、选取
Figure FDA0003594645230000016
作为输入值，
Figure FDA0003594645230000017
作为输出值，建立基于高斯回归算法的短期风电功率预测M2；
步骤6、选取
Figure FDA0003594645230000018
作为输入值，经过短期风电功率预测M2训练，得到风功率预报数据
Figure FDA0003594645230000019
步骤7、对
Figure FDA00035946452300000110
进行差分延迟算子修订，得到修订后风电场风功率预报数据
Figure FDA00035946452300000111
实现对风电场的短期风电功率预测；
所述差分延迟算子数学表达式为：
Figure FDA00035946452300000112
式中，t为时刻，K为差分阶数，θ1,θ2,θ3,θ4均为待定系数，
Figure FDA00035946452300000113
为风机的切出风速，
Figure FDA00035946452300000114
为风机的切入风速。
2.根据权利要求1所述两阶段动态优化短期风电功率预测方法，其特征在于：步骤1中采集的数据包括
风电场过去24小时数值天气预报风速数据xP(t),t＝1,2,3,…,T；
风电场过去12小时测风塔风速观测数据xOP(t),t＝1,2,3,…,T/2；
风电场过去24小时功率数据pP(t),t＝1,2,3,…,T；
风电场未来72小时数值天气预报风速数据xF(t),t＝1,2,3,…,3T；其中T为采样时间，采样频率为15分钟一次。
3.根据权利要求1所述的两阶段动态优化短期风电功率预测方法，其特征在于：步骤2中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查、空间一致性检查。
4.根据权利要求1所述的两阶段动态优化短期风电功率预测方法，其特征在于：步骤3和步骤5中所述高斯回归算法数学表达式为：
Figure FDA0003594645230000021
式中，ai,bi,ci均为待定系数，n为多项式的项数。
CN201811150792.5A 2018-09-29 2018-09-29 一种两阶段动态优化短期风电功率预测方法 Active CN109190845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811150792.5A CN109190845B (zh) 2018-09-29 2018-09-29 一种两阶段动态优化短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811150792.5A CN109190845B (zh) 2018-09-29 2018-09-29 一种两阶段动态优化短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN109190845A CN109190845A (zh) 2019-01-11
CN109190845B true CN109190845B (zh) 2022-05-31

Family

ID=64908076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811150792.5A Active CN109190845B (zh) 2018-09-29 2018-09-29 一种两阶段动态优化短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN109190845B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110365053B (zh) * 2019-08-09 2023-04-25 南京信息工程大学 基于延迟优化策略的短期风电功率预测方法
CN111539577A (zh) * 2020-04-29 2020-08-14 南京信息工程大学 基于风速变化率和高斯过程回归的短期风电功率预测方法
CN116388184B (zh) * 2023-06-05 2023-08-15 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
CN103473621A (zh) * 2013-09-29 2013-12-25 中能电力科技开发有限公司 风电场短期功率预测方法
CN105760945A (zh) * 2014-12-19 2016-07-13 国家电网公司 风力发电功率的确定方法及装置
CN105956708A (zh) * 2016-05-12 2016-09-21 扬州大学 基于灰关联时间序列的短期风速预测方法
CN107765347A (zh) * 2017-06-29 2018-03-06 河海大学 一种高斯过程回归和粒子滤波的短期风速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
CN103473621A (zh) * 2013-09-29 2013-12-25 中能电力科技开发有限公司 风电场短期功率预测方法
CN105760945A (zh) * 2014-12-19 2016-07-13 国家电网公司 风力发电功率的确定方法及装置
CN105956708A (zh) * 2016-05-12 2016-09-21 扬州大学 基于灰关联时间序列的短期风速预测方法
CN107765347A (zh) * 2017-06-29 2018-03-06 河海大学 一种高斯过程回归和粒子滤波的短期风速预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于风速升降特征的短期风电功率预测;叶小岭;《电力系统保护与控制》;20161001;全文 *

Also Published As

Publication number Publication date
CN109190845A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN105160060B (zh) 一种基于实际功率曲线拟合的风电场理论功率确定方法
CN102663251B (zh) 基于计算流体力学模型的风电场功率物理预测方法
CN102914969B (zh) 一种短期风电功率预测系统的综合误差修正方法
CN109190845B (zh) 一种两阶段动态优化短期风电功率预测方法
CN106875033B (zh) 一种基于动态自适应的风电集群功率预测方法
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
Dai et al. Investigation of energy output in mountain wind farm using multiple-units SCADA data
CN109784563B (zh) 一种基于虚拟测风塔技术的超短期功率预测方法
CN113205210B (zh) 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
CN103489046A (zh) 风电场短期功率预测方法
CN102945508A (zh) 一种基于模型校正的风电功率预测预报系统及方法
CN105512766A (zh) 一种风电场功率预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN104319807A (zh) 一种基于Copula函数获取多风电场容量可信度的方法
CN101414317A (zh) 一种处理风电场静态功率等值分散性问题的等效风速法
CN103699804A (zh) 一种实时监测风电机组运行时的功率出力偏差的方法
CN113379142A (zh) 一种基于风速修正和融合模型的短期风电功率预测方法
AU2023202496A1 (en) An on-line monitoring method and system for fugitive carbon emission in cement industrial plant area
CN111342499A (zh) 一种基于风功率预测数据的风电场实时调度方法
CN108734367A (zh) 一种用于计算风电场弃风电量的方法及系统
Cabezon et al. Comparison of methods for power curve modelling
CN105205564A (zh) 基于测风塔神经网络的风电场弃风电量统计系统及方法
CN113344252A (zh) 一种基于虚拟气象技术的风功率预测方法
CN103696913B (zh) 一种实时监测风电机组运行时的风能利用偏差的方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221028

Address after: Building B3, East District, science and Technology Industrial Park, Nanjing University of technology, No.15 Wanshou Road, Jiangbei new district, Nanjing City, Jiangsu Province, 211899

Patentee after: Nanjing Sint Telecommunication Technology Development Co.,Ltd.

Address before: 210044 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu

Patentee before: Nanjing University of Information Science and Technology