CN109242200B - 一种贝叶斯网络预测模型的风电功率区间预测方法 - Google Patents

一种贝叶斯网络预测模型的风电功率区间预测方法 Download PDF

Info

Publication number
CN109242200B
CN109242200B CN201811145002.4A CN201811145002A CN109242200B CN 109242200 B CN109242200 B CN 109242200B CN 201811145002 A CN201811145002 A CN 201811145002A CN 109242200 B CN109242200 B CN 109242200B
Authority
CN
China
Prior art keywords
interval
power
prediction
beta
data
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.)
Expired - Fee Related
Application number
CN201811145002.4A
Other languages
English (en)
Other versions
CN109242200A (zh
Inventor
杨锡运
米尔扎提·买合木提
叶天泽
吕微
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201811145002.4A priority Critical patent/CN109242200B/zh
Publication of CN109242200A publication Critical patent/CN109242200A/zh
Application granted granted Critical
Publication of CN109242200B publication Critical patent/CN109242200B/zh
Expired - Fee Related 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种贝叶斯网络预测模型的风电功率区间预测方法，根据经过预处理得到的预测风速和实际功率数据，建立具有相关性的贝叶斯网络关系，计算比较得到区间变化幅值参数βHigh和βLow的变化范围，运用遗传优化算法通过优化适应度值得到最优区间变化幅值βHigh_best和βHigh_best，带回贝叶斯网络模型之后带入测试数据得到风功率预测区间，通过各项评价指标评价预测结果。不仅能得到预测风电功率的变化波动范围，还能有效评估其可靠性，为电力调度决策提供有效参考。

Description

一种贝叶斯网络预测模型的风电功率区间预测方法
技术领域
本发明涉及风电发电技术领域，特别是涉及贝叶斯网络预测模型的风电功率区间预测方法。
背景技术
随着化石能源的大量消耗和环保压力的与日俱增,风能作为可再生、清洁能源受到世界各国越来越高的重视。受地形、气候及周围环境等众多因素的影响,风力发电具有强烈的间歇性、波动性和不确定性,给电力系统的发电规划和经济调度带来了危害,不利于传统电网的安全、稳定运行,阻碍了风电进一步的推广和应用。因此,大规模的风电并网运行需要精准的风电功率预测。
现阶段主要的预测模型包括时间序列模型、人工神经网络模型、支持向量机模型等机器学习算法。大多数方法都属于确定性点预测方法，即给出某一预测时刻的一个确定的值。而风电受气象因素影响，有着较强的随机性和间歇性，当预测周期内气象因素发生明显变化时，风能波动较大，确定性的单点预测并不一定能达到理想的精度。因此在实际生产过程中概率性区间预测更能反映风电功率的不确定性，通过预测功率出现的概率分布情况，得到预测结果的变化范围，即预测区间，能够覆盖比较全面的预测信息，从而对在合理风险水平下安排电力系统运行与调控计划更具价值。
目前应用较为广泛概率区间预测方法主要有自回归时间序列模型、分位数回归、核密度估计法等方法。这些方法作为非参数估计法大致是利用时间序列模型，通过对风电功率表达式中各变量的概率密度函数进行估计，通过修正表达式中的相关参数得到预测区间，这种方法仅从数学计算过程出发，得到一个近似解，未能完全考虑风电功率的主要影响因素。
在实际生产过程中概率性区间预测更能反映风电功率的不确定性，通过预测功率出现的概率分布情况，得到预测结果的变化范围，即预测区间，能够覆盖比较全面的预测信息，从而对在合理风险水平下安排电力系统运行与调控计划更具价值。
贝叶斯网络是在贝叶斯准则的基础上，采用有向图来描述概率关系，适用于不确定性事物有条件地依赖多种控制因素的相关问题。
因此希望有一种贝叶斯网络预测模型的风电功率区间预测方法以解决现有技术中传统风电功率点预测及非参数估计方法的问题。
发明内容
本发明公开了一种贝叶斯网络预测模型的风电功率区间预测方法，所述预测方法包括以下步骤：
步骤1：获取风电场数据采集与监视控制系统中的实际风速和功率数据，由风速与功率的相关性对数据按季节进行处理，将数据分为训练样本和测试样本；
步骤2：在训练样本数据中，将当前时刻的功率及下一时刻的风速数据序列作为贝叶斯网络模型的网络节点，将下一时刻的功率数据序列作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型，得到下一时刻风功率的概率分布和初始概率性区间；
步骤3：定义区间上下限变化幅值参数βHigh和βLow为遗传算法待优化参数，确定其变化的区间范围，对遗传算法中的种群进行初始化，包括：设定种群规模、生成随机初始种群和设定合适的交叉概率及变异概率，需优化的区间上下限变化幅值参数βHigh和βLow的变化范围为种群个体参数变化范围；
步骤4：确定适应度函数，根据评价指标预测区间覆盖率和评价指标滑动预测区间带宽均方根构建遗传算法的优化目标函数宽度覆盖准则，对遗传优化算法的适应度值进行遗传寻优，每次更新种群得到新的遗传优化算法适应度值后，通过多次迭代选择、交叉、变异得到区间上下限最优变化幅值参数βHigh_best和βLow_best；
步骤5：将根据步骤4寻优得到的区间上下限最优变化幅值βHigh_best和βLow_best分别代入贝叶斯网络模型和测试样本，输出即为风电功率预测区间，最后再使用步骤4中的评价指标来评价得到的预测区间。
优选地，所述步骤1具体包括以下步骤：
步骤101：数据预处理，以一定时间间隔采集所述数据采集与监视控制系统中一一对应的所述实际风速与功率数据，按时间顺序排序并根据季节区分数据序列，删除所述实际风速与功率数据中的零点、缺值点、停机点及限功率点；
步骤102：数据再处理，根据初步处理的所述实际风速及功率数据，绘制风功率曲线，根据功率曲线，分别按照风速、功率进行分段，运用莱茵达法则去除每个风速段内误差较大值，以此得到一组具有较强相关性的数据；
步骤103：将不同季节内的数据分为所述训练样本和测试样本。
优选地，所述步骤2具体包括以下步骤：
步骤201：在所述训练数据中，功率数据序列构成P＝[p1,p2,...,pM]，风速数据序列构成S＝[s1,s2,...,sM]，pi为第i个时刻的风电功率数据，si为第i个时刻的风速数据，1≤i≤M，M为所述训练数据集的时刻点总数。将当前时刻的功率数据pi及下一时刻的风速数据si+1分别作为所述贝叶斯网络模型的网络节点，将下一时刻的功率数据序列pi+1作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型；
步骤202：根据贝叶斯网络模型要求将联合概率分布边缘化，从而进一步得到各个网络节点所对应父节点的条件概率表P(pi+1|pi,si+1)，以此得到所述贝叶斯网络模型中所需的相关参数，来描述变量间的相互影响程度；
步骤203：搭建所述贝叶斯网络模型，由节点和有向边构成一个有向无环图，节点代表模型随机变量，有向边代表变量间的条件依赖关系，构建形成网络结构；
步骤204：将步骤202中的条件概率表代入步骤203所搭建的贝叶斯网络模型中，得到pi+1节点的概率分布，该概率分布曲线上最高峰值点对应的功率区间为待预测时刻i+1的初始预测区间，记为U1＝[ulow uhigh]。
优选地，所述步骤3具体包括以下步骤：
步骤301：将所述步骤204得到的下一时刻风功率的初始预测预测区间与训练样本中下一时刻风电功率的实际数据序列进行比较，用uhigh除以真实功率值确定区间上限变化幅值参数βHigh的变化范围为[1.01.4]，用ulow除以真实功率值确定区间下限变化幅值参数βlow的变化范围为[0.61.0]；
步骤302：选取βHigh和βLow作为遗传算法优化参数，将待优化的区间上下限变化幅值参数βHigh和βLow的变化范围设为种群变化范围，种群规模定义为Np，交叉算子的概率Pc为0.7，变异算子概率使用自适应变异算子概率Pm，自适应变异算子概率随群体中个体的多样性程度的改变而适应调整，如公式(1)所示，：
Pm＝0.1-m*(0.01)/Np (1)
其中m表示种群的第m个个体,1≤m≤Np；
步骤303：按种群规模随机生成种群变化范围内的Np个个体，构成初始种群。
优选地，所述步骤4具体包括以下步骤：
步骤401：根据所述评价指标预测区间覆盖概率和预测区间带宽均方根构建所述种群的优化目标函数宽度覆盖准则Tcwc，作为遗传算法优化的适应度值，如公式(2)和(3)：
Figure BDA0001816606650000041
Figure BDA0001816606650000042
其中μ是(1-α)的置信水平，η是所述预测区间覆盖率δPICP未达到置信水平μ时的惩罚项系数；
所述预测区间覆盖率
Figure BDA0001816606650000043
表示实际测量值即预测目标值pi落在预测区间上下限内的概率；其中N为预测样本数，ci为布尔量，如果预测目标值pi位于区间预测上下限之间，则ci＝1，否则ci＝0；
所述预测区间带宽均方根
Figure BDA0001816606650000044
其中ζi为实际风电功率，Ui为预测上界，Li为预测下界，定义umiddle＝(uhigh+ulow)/2，Ui和Li分别按Ui＝umiddle*βHigh(k)和Li＝umiddle*βLow(k)计算获得，βHigh(k)，βLow(k)对应为第k次迭代的最优区间上下限变化幅值参数。
步骤402：通过轮盘赌理完成选择过程。定义fm为第m个个体适应度函数的倒数，按照公式(4)，依次累计个体的fm，得到个体适应度累计值sm，最后的个体Np的适应度累计值记为
Figure BDA0001816606650000045
读入一个适应度累计值sm，随机在
Figure BDA0001816606650000046
区间内产生均匀分布的随机数R，如果有Sm大于或等于R，则个体m入选构成的新种群，如果Sm小于R，该个体不被选择进入新种群，重复以上步骤直至选择操作后所选个体数目满足种群规模要求，
ΔSm＝Sm-Sm-1＝fm (4)
式中，fm为第m个个体的适应度值倒数，fm越大，ΔSi的距离越大，随机数落在这个区间的可能性越大，第m个个体被选中的机会越多；
步骤403：所述交叉是指将选择后的种群中的个体随机成对作为父代，对父代以交叉概率Pc概率进行交换，产生随机数r1∈[0，1]，如果r1＜Pc则发生交换，从父代的染色体中选取随机一点为交叉点，交换交叉点之后的基因，获得子代；如果父代未发生交换，则由父代直接产生子代；
所述变异是指对子代中的每一个体，以自适应变异概率Pm进行变异，产生随机数r2∈[0，1]，如果r2＜Pm则发生变异，对该个体的染色体中的任意一个基因位进行变异，得到新的种群；
步骤404：对产生的新一代群体进行重新评价、选择、交叉和变异，经过循环往复，使群体中最优个体的适应度不断减小，当满足迭代次数k＝kmax或是相邻两代的最优个体适应度之差σ＜1*10-5的条件时，则迭代过程收敛，得到区间上下限最优变化幅值参数βHigh_best和βLow_best。
优选地，所述步骤5具体包括以下步骤：
步骤501：计算uhigh_best＝umiddle*βHigh_best产生最优预测区间的上限，计算ulow_best＝umiddle*βLow_best产生最优预测区间的下限，即待预测时刻的最终预测区间[ulow_bestuhigh_best]，使用步骤4中的评价指标来评价得到的预测区间。
附图说明
图1是本发明风电功率区间预测方法流程图。
图2是贝叶斯网络模型示意图。
图3是风电场风电功率在80％置信水平下的实际预测结果。
图4是风电场风电功率在85％置信水平下的实际预测结果。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
本发明采用甘肃某风电场在2014年12—2015年2月间采集到的实际风电功率数据和测风塔风速数据，时间分辨率为15min，风电机组为额定功率2.0MW的变桨距调节三叶片水平轴异步发电机，该方法包括以下步骤：
如图1所示，步骤1：获取风电场SCADA中的实际功率、风速数据，根据风速与功率相关性对数据按季节进行处理，将数据分为训练样本和测试样本；
步骤101：数据预处理，以每15分钟为时间间隔采集SCADA系统中一一对应的风速与功率数据，按时间顺序排序，以季节分成不同的数据序列，删除其中的零点、缺值点、停机点及限功率点，以将人为因素干扰降到最低；
步骤102：数据再处理：根据初步处理的风速及功率数据，绘制风功率曲线，根据功率曲线，将功率按每段200kW进行分段，运用莱茵达法则去除每个功率段内误差较大值。如果分段内数据过少(少于5个点)则不进行莱茵达法则删除，最终得到一组具有较强相关性的数据；
步骤103：将冬季12月、1月和2月的9000组数据中的前8000组分为训练样本，后1000组分为测试样本；其中训练样本中风速数据序列构成Si＝[x1,x2,...,xm]T，与之对应的功率数据序列Ppi＝[pp1,pp2,...,ppm]T，i表示序列中第i时刻的数据，m表示数据序列中数据个数。
步骤2：将训练样本中当前时刻的功率数据序列和下一时刻的风速数据序列构成贝叶斯网络模型的网络节点集合；与之相对应的下一时刻的功率数据序列作为模型的父节点集合，以此为基础搭建贝叶斯网络模型，如图2所示，以此得到下一时刻风功率的概率分布，故可得到下一时刻的初始预测概率区间；
步骤201：在所述训练数据中，功率数据序列构成P＝[p1,p2,...,pM]，风速数据序列构成S＝[s1,s2,...,sM]，pi为第i个时刻的风电功率数据，si为第i个时刻的风速数据，1≤i≤M，M为所述训练数据集的时刻点总数。将当前时刻的功率数据pi及下一时刻的风速数据si+1分别作为所述贝叶斯网络模型的网络节点，将下一时刻的功率数据序列pi+1作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型；
步骤202：根据贝叶斯网络模型要求将联合概率分布边缘化，从而进一步得到各个网络节点所对应父节点的条件概率表P(pi+1|pi,si+1)，以此得到所述贝叶斯网络模型中所需的相关参数，来描述变量间的相互影响程度；
步骤203：搭建所述贝叶斯网络模型，由节点和有向边构成一个有向无环图，节点代表模型随机变量，有向边代表变量间的条件依赖关系，构建形成网络结构；
步骤204：将步骤202中的条件概率表代入步骤203所搭建的贝叶斯网络模型中，得到pi+1节点的概率分布，该概率分布曲线上最高峰值点对应的功率区间为待预测时刻i+1的初始预测区间，记为U1＝[ulow uhigh]。
步骤3：定义区间上下限变化幅值参数βHigh和βLow为遗传算法待优化参数，确定其变化的区间范围，对遗传算法中的种群进行初始化，包括设定种群规模，生成随机初始种群和设定合适的交叉概率及变异概率，需优化的区间上下限变化幅值参数βHigh和βLow的变化范围设为种群个体参数变化范围；
步骤301：将所述步骤204得到的下一时刻风功率的初始预测预测区间与训练样本中下一时刻风电功率的实际数据序列进行比较，用uhigh除以真实功率值确定区间上限变化幅值参数βHigh的变化范围为[1.01.4]，用ulow除以真实功率值确定区间下限变化幅值参数βlow的变化范围为[0.61.0]；
步骤302：选取βHigh和βLow作为遗传算法优化参数，将待优化的区间上下限变化幅值参数βHigh和βLow的变化范围设为种群变化范围，种群规模定义为Np，交叉算子的概率Pc为0.7，变异算子概率使用自适应变异算子概率Pm，自适应变异算子概率随群体中个体的多样性程度的改变而适应调整，如公式(1)所示，：
Pm＝0.1-m*(0.01)/Np (1)
其中m表示种群的第m个个体,1≤m≤Np。
步骤303：按种群规模随机生成种群变化范围内的Np个个体，构成初始种群。
步骤4：确定适应度函数，根据评价指标预测区间覆盖率和评价指标滑动预测区间带宽均方根构建遗传算法的优化目标函数宽度覆盖准则，对遗传优化算法的适应度值进行遗传寻优，每次更新种群得到新的遗传优化算法适应度值后，通过多次迭代选择、交叉、变异得到区间上下限最优变化幅值参数βHigh_best和βLow_best；
步骤401：根据所述评价指标预测区间覆盖概率和预测区间带宽均方根构建所述种群的优化目标函数宽度覆盖准则Tcwc，作为遗传算法优化的适应度值，如公式(2)和(3)：
Figure BDA0001816606650000081
Figure BDA0001816606650000082
其中μ是(1-α)的置信水平，η是所述预测区间覆盖率δPICP未达到置信水平μ时的惩罚项系数；
所述预测区间覆盖率
Figure BDA0001816606650000083
表示实际测量值即预测目标值pi落在预测区间上下限内的概率；其中N为预测样本数，ci为布尔量，如果预测目标值pi位于区间预测上下限之间，则ci＝1，否则ci＝0；
所述预测区间带宽均方根
Figure BDA0001816606650000084
其中ζi为实际风电功率，Ui为预测上界，Li为预测下界，定义umiddle＝(uhigh+ulow)/2，Ui和Li分别按Ui＝umiddle*βHigh(k)和Li＝umiddle*βLow(k)计算获得，βHigh(k)，βLow(k)对应为第k次迭代的最优区间上下限变化幅值参数。
步骤402：通过轮盘赌理完成选择过程。定义fm为第m个个体适应度函数的倒数，按照公式(4)，依次累计个体的fm，得到个体适应度累计值sm，最后的个体Np的适应度累计值记为
Figure BDA0001816606650000085
读入一个适应度累计值sm，随机在
Figure BDA0001816606650000086
区间内产生均匀分布的随机数R，如果有Sm大于或等于R，则个体m入选构成的新种群，如果Sm小于R，该个体不被选择进入新种群。重复以上步骤直至选择操作后所选个体数目满足种群规模要求。
ΔSm＝Sm-Sm-1＝fm (4)
式中，fm为第m个个体的适应度值倒数，fm越大，ΔSi的距离越大，随机数落在这个区间的可能性越大，第m个个体被选中的机会越多。
步骤403：步骤403：所述交叉是指将选择后的种群中的个体随机成对作为父代，对父代以交叉概率Pc概率进行交换，产生随机数r1∈[0，1]，如果r1＜Pc则发生交换，从父代的染色体中选取随机一点为交叉点，交换交叉点之后的基因，获得子代；如果父代未发生交换，则由父代直接产生子代；
所述变异是指对子代中的每一个体，以自适应变异概率Pm进行变异，产生随机数r2∈[0，1]，如果r2＜Pm则发生变异，对该个体的染色体中的任意一个基因位进行变异，得到新的种群；
步骤404：对产生的新一代群体进行重新评价、选择、交叉和变异，经过循环往复，使群体中最优个体的适应度不断减小，当满足迭代次数(k＝kmax)或是相邻两代的最优个体适应度之差σ＜1*10-5的条件时，则迭代过程收敛，得到区间上下限最优变化幅值参数βHigh_best和βLow_best。
步骤5：根据步骤4寻优得到的区间上下限最优变化幅值βHigh_best和βLow_best代入贝叶斯网络模型，代入测试样本，输出即为风电功率预测区间，最后再使用步骤4中的评价指标来评价得到的预测区间。
步骤501：计算uhigh_best＝umiddle*βHigh_best产生最优预测区间的上限，计算ulow_best＝umiddle*βLow_best产生最优预测区间的下限，即待预测时刻的最终预测区间[ulow_bestuhigh_best]，使用步骤4中的评价指标来评价得到的预测区间,可以得到下表：
Figure BDA0001816606650000091
如图3和图4所示某风电机组风电功率分别在80％和85％的置信水平下的实际预测结果，其中横坐标为时间，每个点之间间隔15分钟。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种贝叶斯网络预测模型的风电功率区间预测方法，其特征在于，所述预测方法包括以下步骤：
步骤1：获取风电场数据采集与监视控制系统中的实际风速和功率数据，由风速与功率的相关性对数据按季节进行处理，将数据分为训练样本和测试样本；所述步骤1具体包括以下步骤：
步骤101：数据预处理，以一定时间间隔采集所述数据采集与监视控制系统中一一对应的所述实际风速与功率数据，按时间顺序排序并根据季节区分数据序列，删除所述实际风速与功率数据中的零点、缺值点、停机点及限功率点；
步骤102：数据再处理，根据初步处理的所述实际风速及功率数据，绘制风功率曲线，根据功率曲线，分别按照风速、功率进行分段，运用莱茵达法则去除每个风速、功率段内误差超过标准的风速和功率值，以此得到一组具有强相关性的数据；
步骤103：将不同季节内的数据分为所述训练样本和测试样本；
步骤2：在训练样本数据中，将当前时刻的功率及下一时刻的风速数据序列作为贝叶斯网络模型的网络节点，将下一时刻的功率数据序列作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型，得到下一时刻风功率的概率分布和初始概率性区间；所述步骤2具体包括以下步骤：
步骤201：在训练样本数据中，功率数据序列构成P＝[p1,p2,...,pM]，风速数据序列构成S＝[s1,s2,...,sM]，pi为第i个时刻的风电功率数据，si为第i个时刻的风速数据，1≤i≤M，M为训练样本数据的时刻点总数，将当前时刻的功率数据pi及下一时刻的风速数据si+1分别作为所述贝叶斯网络模型的网络节点，将下一时刻的功率数据序列pi+1作为模型的父节点，根据各变量之间的相关关系搭建贝叶斯网络模型；
步骤202：根据贝叶斯网络模型要求将联合概率分布边缘化，从而得到各个网络节点所对应父节点的条件概率表P(pi+1|pi,si+1)，以此得到所述贝叶斯网络模型中所需的相关参数，来描述变量间的相互影响程度；
步骤203：搭建所述贝叶斯网络模型，由节点和有向边构成一个有向无环图，节点代表模型随机变量，有向边代表变量间的条件依赖关系，构建形成网络结构；
步骤204：将步骤202中的条件概率表代入步骤203中的所述贝叶斯网络模型，得到pi+1节点的概率分布，该概率分布曲线上最高峰值点对应的功率区间为待预测时刻i+1的初始预测区间，记为U1＝[ulow uhigh]；
步骤3：定义区间上下限变化幅值参数βHigh和βLow为遗传算法待优化参数，确定其变化的区间范围，对遗传算法中的种群进行初始化，包括：设定种群规模、生成随机初始种群和设定合适的交叉概率及变异概率，需优化的区间上下限变化幅值参数βHigh和βLow的变化范围为种群个体参数变化范围；
步骤4：确定适应度函数，根据评价指标预测区间覆盖率和评价指标滑动预测区间带宽均方根构建遗传算法的优化目标函数宽度覆盖准则，对遗传优化算法的适应度值进行遗传寻优，每次更新种群得到新的遗传优化算法适应度值后，通过多次迭代选择、交叉、变异得到区间上下限最优变化幅值参数βHigh_best和βLow_best；所述步骤4具体包括以下步骤：
步骤401：根据所述评价指标预测区间覆盖概率和预测区间带宽均方根构建所述种群的优化目标函数宽度覆盖准则Tcwc，作为遗传算法优化的适应度值，如公式(2)和(3)：
Figure FDA0003419663970000021
其中μ是(1-α)的置信水平，η是所述预测区间覆盖率δPICP未达到置信水平μ时的惩罚项系数；
所述预测区间覆盖率
Figure FDA0003419663970000022
表示实际测量值即预测目标值pi落在预测区间上下限内的概率；其中N为预测样本数，ci为布尔量，如果预测目标值pi位于区间预测上下限之间，则ci＝1，否则ci＝0；
所述预测区间带宽均方根
Figure FDA0003419663970000023
其中ζi为实际风电功率，Ui为预测上界，Li为预测下界，定义umiddle＝(uhigh+ulow)/2，Ui和Li分别按Ui＝umiddle*βHigh(k)和Li＝umiddle*βLow(k)计算获得，βHigh(k)和βLow(k)对应为第k次迭代的最优区间上下限变化幅值参数；
步骤402：通过轮盘赌理进行选择过程，定义fm为第m个个体适应度函数的倒数，按照公式(4)，依次累计个体的fm，得到个体适应度累计值sm，最后的个体Np的适应度累计值记为
Figure FDA0003419663970000031
读入一个适应度累计值sm，随机在
Figure FDA0003419663970000032
区间内产生均匀分布的随机数R，如果有Sm大于或等于R，则个体m入选构成的新种群，如果Sm小于R，该个体不被选择进入新种群，重复以上步骤直至选择操作后所选个体数目满足种群规模要求；
ΔSm＝Sm-Sm-1＝fm (4)
式中，fm为第m个个体的适应度值倒数，fm越大，ΔSi的距离越大，随机数落在这个区间的可能性越大，第m个个体被选中的机会越多；
步骤403：所述交叉是指将选择后的种群中的个体随机成对作为父代，对父代以交叉概率Pc概率进行交换，产生随机数r1∈[0，1]，如果r1＜Pc则发生交换，从父代的染色体中选取随机一点为交叉点，交换交叉点之后的基因，获得子代；如果父代未发生交换，则由父代直接产生子代；
所述变异是指对子代中的每一个体，以自适应变异概率Pm进行变异，产生随机数r2∈[0，1]，如果r2＜Pm则发生变异，对该个体的染色体中的任意一个基因位进行变异，得到新的种群；
步骤404：对产生的新一代群体重新进行所述评价、选择、交叉和变异，经过循环往复，使群体中最优个体的适应度不断减小，当满足迭代次数k＝kmax或是相邻两代的最优个体适应度之差σ＜1*10-5的条件时，则迭代过程收敛，得到区间上下限最优变化幅值参数βHigh_best和βLow_best；
步骤5：将根据步骤4寻优得到的区间上下限最优变化幅值βHigh_best和βLow_best分别代入贝叶斯网络模型和测试样本，输出即为风电功率预测区间，最后再使用步骤4中的评价指标来评价得到的预测区间。
2.根据权利要求1所述的贝叶斯网络预测模型的风电功率区间预测方法，其特征在于：所述步骤3具体包括以下步骤：
步骤301：将所述步骤204得到的下一时刻风功率的初始预测区间与所述训练样本中下一时刻风电功率的实际数据序列进行比较，用uhigh除以真实功率值确定区间上限变化幅值参数βHigh的变化范围为[1.0 1.4]，用ulow除以真实功率值确定区间下限变化幅值参数βlow的变化范围为[0.6 1.0]；
步骤302：选取βHigh和βLow作为遗传算法优化参数，将待优化的区间上下限变化幅值参数βHigh和βLow的变化范围设为种群变化范围，种群规模定义为Np，交叉算子的概率Pc为0.7，变异算子概率使用自适应变异算子概率Pm，自适应变异算子概率随群体中个体的多样性程度的改变而适应调整，如公式(1)所示：
Pm＝0.1-m*(0.01)/Np (1)
其中m表示种群的第m个个体,1≤m≤Np；
步骤303：按种群规模随机生成种群变化范围内的Np个个体，构成初始种群。
3.根据权利要求2所述的贝叶斯网络预测模型的风电功率区间预测方法，其特征在于：所述步骤5具体包括以下步骤：
步骤501：计算uhigh_best＝umiddle*βHigh_best产生最优预测区间的上限，计算ulow_best＝umiddle*βLow_best产生最优预测区间的下限，即待预测时刻的最终预测区间[ulow_bestuhigh_best]，使用所述步骤4中的评价指标来评价得到的预测区间。
CN201811145002.4A 2018-09-29 2018-09-29 一种贝叶斯网络预测模型的风电功率区间预测方法 Expired - Fee Related CN109242200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811145002.4A CN109242200B (zh) 2018-09-29 2018-09-29 一种贝叶斯网络预测模型的风电功率区间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811145002.4A CN109242200B (zh) 2018-09-29 2018-09-29 一种贝叶斯网络预测模型的风电功率区间预测方法

Publications (2)

Publication Number Publication Date
CN109242200A CN109242200A (zh) 2019-01-18
CN109242200B true CN109242200B (zh) 2022-05-17

Family

ID=65054572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811145002.4A Expired - Fee Related CN109242200B (zh) 2018-09-29 2018-09-29 一种贝叶斯网络预测模型的风电功率区间预测方法

Country Status (1)

Country Link
CN (1) CN109242200B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264006B (zh) * 2019-06-21 2021-01-15 合肥工业大学 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法
CN111310789B (zh) * 2020-01-15 2023-08-22 云南电网有限责任公司大理供电局 基于核密度估计的风电功率区间预测方法及其实现系统
CN112508338B (zh) * 2020-11-10 2024-05-28 国网青海省电力公司经济技术研究院 一种新能源场站并网性能综合评价系统及其评价方法
CN112508442B (zh) * 2020-12-18 2023-09-22 湖南大学 基于自动化和可解释机器学习的暂态稳定评估方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567636A (zh) * 2011-12-27 2012-07-11 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN105046374A (zh) * 2015-08-25 2015-11-11 华北电力大学 一种基于核极限学习机模型的功率区间预测方法
CN105225006A (zh) * 2015-09-30 2016-01-06 杨明 一种短期风电功率非参数概率预测方法
CN106286130A (zh) * 2016-09-05 2017-01-04 华北电力大学 基于scada数据的风电机组偏航控制参数优化方法
CN108428017A (zh) * 2018-04-23 2018-08-21 华北电力大学 基于核极限学习机分位数回归的风电功率区间预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1586076A2 (en) * 2003-01-15 2005-10-19 Bracco Imaging S.p.A. System and method for optimization of a database for the training and testing of prediction algorithms
US8566266B2 (en) * 2010-08-27 2013-10-22 Mitsubishi Electric Research Laboratories, Inc. Method for scheduling the operation of power generators using factored Markov decision process
US20120078678A1 (en) * 2010-09-23 2012-03-29 Infosys Technologies Limited Method and system for estimation and analysis of operational parameters in workflow processes

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567636A (zh) * 2011-12-27 2012-07-11 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN105046374A (zh) * 2015-08-25 2015-11-11 华北电力大学 一种基于核极限学习机模型的功率区间预测方法
CN105225006A (zh) * 2015-09-30 2016-01-06 杨明 一种短期风电功率非参数概率预测方法
CN106286130A (zh) * 2016-09-05 2017-01-04 华北电力大学 基于scada数据的风电机组偏航控制参数优化方法
CN108428017A (zh) * 2018-04-23 2018-08-21 华北电力大学 基于核极限学习机分位数回归的风电功率区间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于聚类经验模态分解样本熵和优化极限学习机的风电功率多步区间预测;张亚超;《电网技术》;20160731;第40卷(第7期);全文 *

Also Published As

Publication number Publication date
CN109242200A (zh) 2019-01-18

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
CN109242200B (zh) 一种贝叶斯网络预测模型的风电功率区间预测方法
CN109802430B (zh) 一种基于LSTM-Attention网络的风电电网控制方法
Lydia et al. Advanced algorithms for wind turbine power curve modeling
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
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
Jafarian-Namin et al. Forecasting the wind power generation using Box–Jenkins and hybrid artificial intelligence: A case study
CN105574615B (zh) 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN110516840A (zh) 基于改进随机森林方法的风光发电出力的短期预测方法
CN103324980A (zh) 一种风电场风速预测方法
Kassa et al. A GA-BP hybrid algorithm based ANN model for wind power prediction
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN110263915A (zh) 一种基于深度信念网络的风电功率预测方法
Cui et al. Statistical scenarios forecasting method for wind power ramp events using modified neural networks
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN112633565B (zh) 一种光伏功率集合区间预测方法
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法
CN112819238A (zh) 基于混沌鸡群优化算法的短期风电功率预测方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN114330100A (zh) 一种短期光伏功率概率区间预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN113052386A (zh) 基于随机森林算法的分布式光伏日发电量预测方法和装置
CN108960522A (zh) 一种光伏发电量预测分析方法
Wu et al. Short-term electric load forecasting model based on PSO-BP

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220517

CF01 Termination of patent right due to non-payment of annual fee