CN109242218B - 一种基于svm的高原山区的风电功率预测方法和装置 - Google Patents
一种基于svm的高原山区的风电功率预测方法和装置 Download PDFInfo
- Publication number
- CN109242218B CN109242218B CN201811307830.3A CN201811307830A CN109242218B CN 109242218 B CN109242218 B CN 109242218B CN 201811307830 A CN201811307830 A CN 201811307830A CN 109242218 B CN109242218 B CN 109242218B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- section
- power plant
- region
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 77
- 238000012706 support-vector machine Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 61
- 238000003064 k means clustering Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- ZFXYFBGIUFBOJW-UHFFFAOYSA-N theophylline Chemical compound O=C1N(C)C(=O)N(C)C2=C1NC=N2 ZFXYFBGIUFBOJW-UHFFFAOYSA-N 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06F18/23—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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于SVM的高原山区的风电功率预测方法,首先获取与高原地区对应的风速数据,然后对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据,其次,再对各类第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类第二风速样本数据作为风电功率预测的最终风速样本数据,以对高原山区的风电功率进行预测,能够同时利用以风速相似的天为单位和以风速相似的连续几天的时间段为单位的风速数据对高原地区不同位置的风机的风电功率进行预测,达到了对高原地区不同位置的风机的风电功率进行精确预测的目的。本发明还公开了一种基于SVM的高原山区的风电功率预测装置,效果如上。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种基于SVM的高原山区的风电功率预测方法和装置。
背景技术
风电功率预测指的是对平原地区或者高原地区的风机的出力功率进行预测,一般情况下,风机的出力功率和风速之间具有比例关系,在得知风速数据后便能对风机的出力功率进行预测。目前对高原山区的风电功率的预测采用的方法是相似日方法,对于相似日方法是根据预测日期的风速、风向、温度和湿度等物理量的特性,从历史数据中选取与预测日期相似的m个日期作为预测样本,以对风电功率进行预测;该种方法能横向考虑日的相似性规律,即将风速相似的日期的风速作为风电功率预测的预测样本,但是由于大气运动是一个长期连续渐变的过程,仅采用风速相似的日期的风速作为风电功率预测的样本,风电功率的预测精度较低。此外,对于高原山区,由于高原山区的山脉不处于同一水平线,因此高原山区地形受回风影响较大,处于高原山区的不同地形类型的风机的出力功率会受到回风的影响,若将某一测风塔测得的数据作为处于高原山区的不同位置处的风机的风速,则对各风机的风电功率预测将会产生较大的误差,即风电功率的预测精度较低。
因此,如何针对处于高原地区不同位置的风机的风电功率进行预测,提高风电功率预测的精确度是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种基于SVM的高原山区的风电功率预测方法和装置,针对处于高原地区不同位置的风机的风电功率进行预测,提高了风电功率预测的精确度。
为实现上述目的,本发明实施例提供了如下技术方案:
第一,本发明实施例提供了一种基于SVM的高原山区的风电功率预测方法,包括:
获取与高原山区对应的风速数据;
对所述风速数据以天为单位进行第一聚类,得到多类第一风速样本数据;
对各类所述第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据;
将各类所述第二风速样本数据作为所述风电功率预测的最终风速样本数据,以对所述高原山区的风电功率进行预测。
优选的,所述对所述风速数据以天为单位进行第一聚类,得到多类第一风速样本数据具体包括:
选取与所述风速数据对应的风速特征矢量;
对所述风速特征矢量进行最大最小归一化,得到归一化风速数据;
利用K-means聚类算法对所述归一化风速数据进行第一聚类。
优选的,所述利用K-means对所述归一化风速数据进行第一聚类包括:
确定所述K-means聚类算法的初始聚类数和第一目标函数,所述第一目标函数具体为所述归一化风速数据至与所述归一化样本数据对应的聚类中心的欧式距离的平方和最小;
根据所述初始聚类数计算所述归一化风速数据的初始化聚类中心,得到第一聚类数;
从所述第一聚类数对应的聚类中心中选取最大初始化聚类中心,将所述最大初始化聚类中心分裂为两个聚类中心,得到第二聚类数;
计算所述归一化风速数据至所述最大初始化聚类中心的欧式距离,将所述欧式距离满足预设要求的归一化风速数据归为一类,重复迭代直至满足所述目标函数。
优选的,所述对各类所述第一风速样本数据利用SVM以连续预设天数为单位进行第二聚类包括:
确定所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段;
确定所述SVM的判决函数;
利用所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段求解所述SVM的判决函数,得到所述以预设天数为单位的多类第二样本风速数据。
优选的,所述利用所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段求解所述SVM的判决函数包括:
利用所述第一风速样本数据中的风速特征矢量确定第二目标函数;
将所述第二目标函数转换为对偶函数;
求解所述对偶函数的向量,利用所述向量求解所述SVM的判决函数。
第二,本发明实施例提供了一种基于SVM的高原山区的风电功率预测装置,包括:
获取模块,用于获取与高原山区对应的风速数据;
第一聚类模块,用于对所述风速数据以天为单位进行第一聚类,得到多类第一风速样本数据;
第二聚类模块,用于对各类所述第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类所述第二风速样本数据作为所述风电功率预测的最终风速样本数据,以对所述高原山区的风电功率进行预测。
优选的,所述第一聚类模块包括:
选取单元,用于选取与所述风速数据对应的风速特征矢量;
归一化单元,用于对所述风速特征矢量进行最大最小归一化,得到归一化风速数据;
第一聚类单元,用于利用K-means聚类算法对所述归一化风速数据进行第一聚类。
优选的,所述第二聚类模块包括:
第一确定单元,用于确定所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段;
第二确定单元,用于确定所述SVM的第二目标函数;
求解单元,用于利用所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段求解所述SVM的判决函数,得到所述以预设天数为单位的多类第二样本风速数据。
优选的,所述第一聚类单元包括:
确定子单元,用于确定所述K-means聚类算法的初始聚类数和第一目标函数,所述第一目标函数具体为所述归一化风速数据至与所述归一化样本数据对应的聚类中心的欧式距离的平方和最小;
第一计算子单元,用于根据所述初始聚类数计算所述归一化风速数据的初始化聚类中心,得到第一聚类数;
选取子单元,用于从所述第一聚类数对应的聚类中心中选取最大初始化聚类中心,将所述最大初始化聚类中心分裂为两个聚类中心,得到第二聚类数;
第二计算子单元,用于计算所述归一化风速数据至所述最大初始化聚类中心的欧式距离,将所述欧式距离满足预设要求的归一化风速数据归为一类,重复迭代直至满足所述目标函数。
第三,本发明实施例提供了另一种基于SVM的高原山区的风电功率预测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序以实现以上任一种提到的基于SVM的高原山区的风电功率预测方法的步骤。
可见,本发明实施例公开的一种基于SVM的高原山区的风电功率预测方法,首先获取与高原地区对应的风速数据,然后对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据,其次,再对各类第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类第二风速样本数据作为风电功率预测的最终风速样本数据,以对高原山区的风电功率进行预测,因此,采用本方案,能够同时利用以风速相似的天为单位和以风速相似的连续几天的时间段为单位的风速数据对高原地区不同位置的风机的风电功率进行预测,考虑到了大气的连续性对高原地区不同位置的风机的风电功率的影响。达到了对高原地区不同位置的风机的风电功率进行精确预测的目的。此外,本发明实施例还公开了一种基于SVM的高原山区的风电功率预测装置,效果如上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例公开的一种基于SVM的高原山区的风电功率预测方法流程示意图;
图2为本发明实施例公开的一种基于SVM的高原山区的风电功率预测装置结构示意图;
图3为本发明实施例公开的另一种基于SVM的高原山区的风电功率预测装置结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明实施例公开了一种基于SVM的高原山区的风电功率预测方法和装置,针对处于高原地区不同位置的风机的风电功率进行预测,提高了风电功率预测的精确度。
请参见图1,图1为本发明实施例公开了一种基于SVM的高原山区的风电功率预测方法流程示意图,该方法包括:
S101、获取与高原山区对应的风速数据。
具体的,本实施例中,获取风速数据的方式可以包括两种:第一种可以从数值天气预报中获取高原山区的风速数据,该风速数据是未考虑高原山区的地形的回风对经过风机的风速的影响的初始风速;第二种是可以将高原山区划分为不同的地形类型,对应于每一种地形类型再分为不同的风速区间段,本发明实施例中的风速数据便为不同地形类型的风速区间段的风速。由于高原山区的风机处的风速会受到回风影响,因此,本发明实施例采用第二种方法,下面对第二种风速获取方法进行详细说明:
高原山区的回风现象是由地形、地貌等地理特性引起的,风电机组在高原山区所处位置的不同,回风特性都是不同的,以主风向为基准,将风电机组所处的高原地区的位置划分为三类,主要为平缓区、山坡前区和山坡后区三类,其中,平缓区指的是该部分的区域的海拔处于同一水平线(根据实际情况,该区域相邻位置的海拔的差值处于预设值内即可),山坡前区指的是风电机组所处的位置的海拔低于与主风向对应的目标区域的海拔,也就是说,风电机组所处的位置位于主风向的下游,目标区域处于主风向的上游。山坡后区指的是风电机组所处的位置的海拔高于与主风向对应的目标区域的海拔。本发明实施例中将划分的高原山区的三种地形类型采用以下的位置向量进行表示:
w=(w1,w2,w3)
针对高原山区的风速作为本发明优选的实施例,将风速分为七个区间段,即0m/s至1m/s区间段,1m/s至3m/s区间段,3m/s至5m/s区间段,5m/s至8m/s区间段,8m/s至11m/s区间段,11m/s至20m/s区间段和20m/s以上的区间段,对于速度区间段,本发明实施例中采用以下速度向量进行表示:
v=(v1,v2,v3,...,v7)
由于影响风电功率预测的要素是风速和风向,所以本发明实施例将风机所处的三类位置和七段风速对于风电场的风速风向的影响划分为21种类型,具体可以采用下式表示:
d'=(d1',d2',d3',...,di',...,d21')
v=(v1,v2,v3,...,vi,...,v21)
上式中,d'为以上三类风机所处位置和七个风速段对应的风电场的风向,v为三类风机所处的位置和七个风速段对应的风速,由于在不同风机所处位置和风速段下,对风机风速和风向的影响都不同,因此需要将机组所处不同位置和多种风速下的风速数据作为风电功率预测的样本数据来对风机的风电功率进行预测。
S102、对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据。
具体的,本实施例中,在预测风电功率时,需要对风速数据进分类处理,主要是针对与风速有关的物理量,使聚类结果尽量由风速导向,不受温度、降雨等有明显季节性的物理量影响。聚类确定后,其他物理量如风向、温度、湿度和气压等也跟风速作为输入数据,以此对风电功率进行预测,需要说明的是,本发明实施例中只是对预测风电功率的样本数据的聚类方法进行了改进,从而得到聚类后的各类风速数据,用各类风速数据预测风机的风电功率。下面对本发明实施例提到的第一聚类进行详细说明:
首先是把全年风特性相似的日子分为若干类,需要选取能反映风速日特性的物理量,构造风速相似日的无监督聚类分类样本,根据风速在一天当中的变化趋势、幅值、波动性,将风速数据的样本构造形式确定为如下形式:
a=(as1,as2,...,asH,asmax,asmin,asmean,asstd)
上式中,as1,...,asH为一天中各个时间点的风速值,asmax为日最大风速,asmin为日最小风速,asmean为日平均风速,asstd为日风速标准差。
由以上风速数据的样本构造形式确定的特征矢量既考虑了风速每日的变化趋势,也考虑了风速的变化幅度,确定样本构成后,需要对特征矢量中的各个物理量进行归一化处理,以消除不同的物理量之间犹豫量纲差异对结果造成的影响,归一化采用最大最小归一化,其中,最大最小归一化处理可以采用以下公式:
上式中,bji为第j个物理量(对应于本发明实施例中特征矢量中的各个风速物理量)中的第i个采样值,bjmin为第j个物理量的最小采样值,bjmax为第j个物理量的最大采样值。
对风速数据进行归一化后,便可以对归一化后的风速数据进行聚类,可以采用普通的K-means聚类算法和改进后的K-means聚类算法对风速数据进行聚类,考虑到风速的不确定性和随机性,本发明实施例中优选采用采用改进后的K-means聚类方法对归一化后的风速数据进行聚类,因此对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据具体包括:
选取与风速数据对应的风速特征矢量;
对风速特征矢量进行最大最小归一化,得到归一化风速数据;
利用K-means聚类算法对归一化风速数据进行第一聚类。
具体的,本发明实施例中采用的k-means聚类方法中的聚类类别(即风速数据的类别)是可变的,由风速特性进行决定,假设聚类类别1为初始条件,当聚类类别达到某一数值后,能明显区分出不同类型的风速,则将该数值对应的聚类类别作为最终的聚类类别。下面对本发明实施例提到的改进后的K-means聚类方法进行详细说明。
具体的,本优选实施例中,设有聚类样本集(对应于本发明实施例中归一化后的风速数据),采用下式表示聚类样本集:
X={Xk|Xk∈RP,k=1,2,...,K,P∈N+}
上式中,Xk表示的是归一化后的风速数据的风速特征矢量(风速特征向量),RP表示的是归一化后的风速数据的类别的P维风速向量集合,N+表示的是一个正自然数。
对应的,归一化后的聚类中心可以采用下式表示:
Z={zc|zc∈RP,c=1,2,...,C',P∈N+}
对于归一化后的风速数据进行聚类,得到C'个聚类中心,用wc(c=1,2,...,C')表示经过第一聚类后的各类第一风速样本数据的类别,则聚类中心zc可以采用下式进行表示:
上式中,Kc表示的是wc类包含的归一化后的风速样本数据的个数。
然后定义目标函数,目标函数可以采用下式表示:
上式中,dck(xk,zc)表示的是第c类的第k点xk到该类的聚类中心zc的欧式距离,其中,关于欧式距离的计算可以采用下式进行表示:
定义以上各个参数之后,下面对本发明实施例中的聚类过程进行说明,其中,聚类的最终目标是使得各样本风速数据到相应聚类中心的平方和最小,因此,作为本发明优选的实施例,利用K-means对归一化风速数据进行第一聚类包括:
确定K-means聚类算法的初始聚类数和第一目标函数,第一目标函数具体为归一化风速数据至与归一化样本数据对应的聚类中心的欧式距离的平方和最小;
根据初始聚类数计算归一化风速数据的初始化聚类中心,得到第一聚类数;
从初始化聚类中心中选取最大初始化聚类中心,将最大初始化聚类中心分裂为两个聚类中心,得到第二聚类数;
计算归一化风速数据至最大初始化聚类中心的欧式距离,将欧式距离满足预设要求的归一化风速数据归为一类,重复迭代直至满足目标函数。
即先确定初始聚类数,初始聚类数可以选定为1,然后计算所有归一化数据的初始聚类中心,然后从各个初始聚类中心开始对归一化后的风速数据进行聚类,得到第一聚类数,第一聚类数可以为上述实施例中的C',然后选取样本容量(归属于某一类别的归一化后的风速数据)最大的已知聚类中心zw(对应于本发明实施例中的最大初始化聚类中心),然后将该最大初始化聚类中心分裂为两个中心zw-ε和zw+ε,从而使得聚类的类别数目增加为C'+1(对应于本发明实施例中的第二聚类数),然后计算各个归一化风速数据的样本点到最大初始化聚类中心的欧式距离(即分别计算各个归一化数据到两个聚类中心zw-ε和zw+ε的欧式距离,各个归一化数据到哪一个聚类中心的欧式距离较短便归类到哪一个聚类中心)。如此,不断迭代重复直到聚类中心不再发生改变,且满足目标函数,则将各聚类中心对应的聚类数目作为最终的聚类数和归一化后的风速数据的聚类类别。
S103、对各类第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类第二风速样本数据作为风电功率预测的最终风速样本数据,以对高原山区的风电功率进行预测。
本发明实施例中,经过上式记载的第一次聚类后,便根据风速特性将全年数据以日为单位进行了分类,对应以日为单位的分类结果,将各个分类结果作为SVM聚类的一组物理量,SVM聚类的连续预设天数可以选为周连续、半月连续和月连续等,把第一次分类结果中的各个第一风速样本数据按照连续时间段L统计每个类别中的数量,得到一个各时间段内的C类频次矩阵,C类频次矩阵具体可以采用下式表示:
上述矩阵F中,f1C表示的是连续时间段1中第一次聚类结果中第c类日子的数量,矩阵F中的其余参数的含义可以参见f1C的描述。
与日相似性聚类方法相似,需要选取能表达连续预设天数特征的物理量,本发明实施例中,则全年L个连续时间段构造的样本可以采用下式表示:
Sl=(st1,st2,...,stC,ssmax,ssmin,ssmean,ssstd,ssmd1,ssmd2,ssmd3)
其中,上式中,st1,st2,...,stC表示的是第l个连续天数时间段中各类日子的数量,ssmax表示的是第l个连续时间天数的最大风速,ssmin为第l个连续时间天数的最小风速,ssmean为第l个连续时间天数的平均风速,ssstd为第l个连续时间天数的风速标准差,ssmd1为第l个连续时间天数的一阶差分绝对平均值,ssmd2为第l个连续时间天数二阶差分绝对平均值,ssmd3为第l个连续时间天数三阶差分绝对平均值。在构造上述SVM的样本结构后,按照风速相似日的方法对连续天数时间段中第一风速样本数据进行归一化和聚类,得到多类第二样本风速数据。
其中,作为优选的实施例,对各类第一风速样本数据利用SVM以连续预设天数为单位进行第二聚类包括:
确定第一风速样本数据中的风速特征矢量和第一风速样本数据中的连续天数时间段;
确定SVM的判决函数;
利用第一风速样本数据中的风速特征矢量和第一风速样本数据中的连续天数时间段求解SVM的判决函数,得到以预设天数为单位的多类第二样本风速数据。
对于SVM而言,主要是求解判决函数f(x)=sgn(w.x+b),从而通过判决函数的值对第一样本风速数据进行分类,因此,作为优选的实施例,利用第一风速样本数据中的风速特征矢量和第一风速样本数据中的连续天数时间段求解SVM的判决函数包括:
利用第一风速样本数据中的风速特征矢量确定第二目标函数;
将第二目标函数转换为对偶函数;
求解对偶函数的向量,利用向量求解SVM的判决函数。
对于判决函数中的sgn函数可以表示为以下分段函数:
因此,若要求得判决函数,则需要求解以上的参数w和参数b。求解的过程如下:
假设已知的连续时间段构造的样本表示为(xi,yi),i=1,2,...,l。其中,xi为样本属性(即本发明实施例中的风速特征矢量),yi为样本的别(即本发明实施例中国的不同的连续时间段(预设天数)),则采用下式求解参数w和参数b:
st.
ξi,i=1,2,...,l
上式中,ξ为松弛因子,C为惩罚因子,用来实现经验风险和置信范围的折中,本发明实施例中,通过引入拉格朗日乘子和核函数,便能对以上的目标函数进行求解。非线性支持向量机的求解方法与线下支持向量机类似,只是将线性支持向量机中的点积形式用核函数代替。本发明实施例中采用RBF核函数对目标函数进行求解。RBF核函数的标准表达式(RBF的详细内容也可以参见现有技术)具体采用下式表示:
上式中,xi为样本数据中的第i个样本(风速特征矢量),x为当前要归类的样本。
然后将上述目标函数转换为求解对偶问题,转换后的对偶问题采用下式进行表示:
st.
αi∈[0,C]
利用以上的样本数据(xi,yi),i=1,2,...,l,求得向量αi。
求得向量αi后,利用下式求解参数w和参数b:
可见,本发明实施例公开的一种基于SVM的高原山区的风电功率预测方法,首先获取与高原地区对应的风速数据,然后对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据,其次,再对各类第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类第二风速样本数据作为风电功率预测的最终风速样本数据,以对高原山区的风电功率进行预测,因此,采用本方案,能够同时利用以风速相似的天为单位和以风速相似的连续几天的时间段为单位的风速数据对高原地区不同位置的风机的风电功率进行预测,达到了对高原地区不同位置的风机的风电功率进行精确预测的目的。
下面对本发明实施例公开的一种基于SVM的高原山区的风电功率预测装置进行说明,请参见图2,图2为本发明实施例提供的一种基于SVM的高原山区的风电功率预测装置结构示意图,包括:
获取模块201,用于获取与高原山区对应的风速数据;
第一聚类模块202,用于对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据;
第二聚类模块203,用于对各类第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类第二风速样本数据作为风电功率预测的最终风速样本数据,以对高原山区的风电功率进行预测。
可见,本发明实施例公开的一种基于SVM的高原山区的风电功率预测装置,首先获取与高原地区对应的风速数据,然后对风速数据以天为单位进行第一聚类,得到多类第一风速样本数据,其次,再对各类第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类第二风速样本数据作为风电功率预测的最终风速样本数据,以对高原山区的风电功率进行预测,因此,采用本方案,能够同时利用以风速相似的天为单位和以风速相似的连续几天的时间段为单位的风速数据对高原地区不同位置的风机的风电功率进行预测,达到了对高原地区不同位置的风机的风电功率进行精确预测的目的。
基于以上实施例,作为优选的实施例,第一聚类模块202包括:
选取单元,用于选取与风速数据对应的风速特征矢量;
归一化单元,用于对风速特征矢量进行最大最小归一化,得到归一化风速数据;
第一聚类单元,用于利用K-means聚类算法对归一化风速数据进行第一聚类。
基于以上实施例,作为优选的实施例,第一聚类模块203包括:
第一确定单元,用于确定第一风速样本数据中的风速特征矢量和第一风速样本数据中的连续天数时间段;
第二确定单元,用于确定SVM的第二目标函数;
求解单元,用于利用第一风速样本数据中的风速特征矢量和第一风速样本数据中的连续天数时间段求解SVM的判决函数,得到以预设天数为单位的多类第二样本风速数据。
基于以上实施例,作为优选的实施例,第一聚类单元包括:
确定子单元,用于确定K-means聚类算法的初始聚类数和第一目标函数,第一目标函数具体为归一化风速数据至与归一化样本数据对应的聚类中心的欧式距离的平方和最小;
第一计算子单元,用于根据初始聚类数计算归一化风速数据的初始化聚类中心,得到第一聚类数;
选取子单元,用于从第一聚类数对应的聚类中心中选取最大初始化聚类中心,将最大初始化聚类中心分裂为两个聚类中心,得到第二聚类数;
第二计算子单元,用于计算归一化风速数据至最大初始化聚类中心的欧式距离,将欧式距离满足预设要求的归一化风速数据归为一类,重复迭代直至满足目标函数。
请参见图3,图3为本发明实施例提供的另一种基于SVM的高原山区的风电功率预测装置结构示意图,包括:
存储器301,用于存储计算机程序;
处理器302,用于执行存储器中存储的计算机程序以实现以上任一实施例提到的基于SVM的高原山区的风电功率预测方法的步骤。
本实施例提供的另一种基于SVM的高原山区的风电功率预测装置,由于可以通过处理器调用存储器存储的计算机程序,实现如上述任一实施例提供的基于SVM的高原山区的风电功率预测方法的步骤,所以本计算机可读存储介质具有同上述基于SVM的高原山区的风电功率预测方法同样的实际效果。
以上对本申请所提供的一种基于SVM的高原山区的风电功率预测方法和装置进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
Claims (10)
1.一种基于SVM的高原山区的风电功率预测方法,其特征在于,包括:
获取与高原山区对应的风速数据;
对所述风速数据以天为单位进行第一聚类,得到多类第一风速样本数据;
对各类所述第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据;
将各类所述第二风速样本数据作为风电功率预测的最终风速样本数据,以对所述高原山区的风电功率进行预测;
获取与高原山区对应的风速数据,包括:
将所述高原山区的位置划分为三类地形,所述三类地形包括平缓区、山坡前区和山坡后区;
所述三类地形的位置向量用第一公式表示,所述第一公式为:
w=(w1,w2,w3);
其中,w为位置向量,而w1、w2、和w3分别为所述平缓区的位置向量、所述山坡前区的位置向量和所述山坡后区的位置向量;
将风速分为七个区间段,即0m/s至1m/s区间段,1m/s至3m/s区间段,3m/s至5m/s区间段,5m/s至8m/s区间段,8m/s至11m/s区间段,11m/s至20m/s区间段和20m/s以上的区间段;
速度向量用第二公式表示,所述第二公式为:
v=(v1,v2,v3,...,v7);
其中,v为速度向量,v1、v2、v3、v4、v5、v6、和v7分别为0m/s至1m/s区间段的速度向量、1m/s至3m/s区间段的速度向量、3m/s至5m/s区间段的速度向量、5m/s至8m/s区间段的速度向量、8m/s至11m/s区间段的速度向量、11m/s至20m/s区间段的速度向量和20m/s以上的区间段的速度向量;
将所述三类地形和七个区间段对应的风向划分为21种类型,用第三公式进行表示,所述第三公式为:
d′=(d′1,d′2,d′3,...,d′21);
其中,d′为所述三类地形和七个区间段对应的风电场的风向;d1’、d2’、d3’、d4’、d5’、d6’、d7’、d8’、d9’、d10’、d11’、d12’、d13’、d14’、d15’、d16’、d17’、d18’、d19’、d20’、d21’分别为平缓区位置在0m/s至1m/s区间段对应的风电场的风向、平缓区位置在1m/s至3m/s区间段对应的风电场的风向、平缓区位置在3m/s至5m/s区间段对应的风电场的风向、平缓区位置在5m/s至8m/s区间段对应的风电场的风向、平缓区位置在8m/s至11m/s区间段对应的风电场的风向、平缓区位置在11m/s至20m/s区间段对应的风电场的风向、平缓区位置在20m/s以上的区间段对应的风电场的风向、山坡前区位置在0m/s至1m/s区间段对应的风电场的风向、山坡前区位置在1m/s至3m/s区间段对应的风电场的风向、山坡前区位置在3m/s至5m/s区间段对应的风电场的风向、山坡前区位置在5m/s至8m/s区间段对应的风电场的风向、山坡前区位置在8m/s至11m/s区间段对应的风电场的风向、山坡前区位置在11m/s至20m/s区间段对应的风电场的风向、山坡前区位置在20m/s以上的区间段对应的风电场的风向、山坡后区位置在0m/s至1m/s区间段对应的风电场的风向、山坡后区位置在1m/s至3m/s区间段对应的风电场的风向、山坡后区位置在3m/s至5m/s区间段对应的风电场的风向、山坡后区位置在5m/s至8m/s区间段对应的风电场的风向、山坡后区位置在8m/s至11m/s区间段对应的风电场的风向、山坡后区位置在11m/s至20m/s区间段对应的风电场的风向、山坡后区位置在20m/s以上的区间段对应的风电场的风向;
将所述三类地形和七个区间段对应的风速划分为21种类型,用第四公式进行表示,所述第四公式为:
v’=(v1’,v2’,v3’,…,vi’,…,v21’);
其中,所述v’为所述三类地形和七个区间段对应的风电场的风速;v1’,v2’,v3’,v4’,v5’,v6’,v7’,v8’,v9’,v10’,v11’,v12’,v13’,v14’,v15’,v16’,v17’,v18’,v19’,v20’,v21’分别为平缓区位置在0m/s至1m/s区间段对应的风电场的风速、平缓区位置在1m/s至3m/s区间段对应的风电场的风速、平缓区位置在3m/s至5m/s区间段对应的风电场的风速、平缓区位置在5m/s至8m/s区间段对应的风电场的风速、平缓区位置在8m/s至11m/s区间段对应的风电场的风速、平缓区位置在11m/s至20m/s区间段对应的风电场的风速、平缓区位置在20m/s以上的区间段对应的风电场的风速、山坡前区位置在0m/s至1m/s区间段对应的风电场的风速、山坡前区位置在1m/s至3m/s区间段对应的风电场的风速、山坡前区位置在3m/s至5m/s区间段对应的风电场的风速、山坡前区位置在5m/s至8m/s区间段对应的风电场的风速、山坡前区位置在8m/s至11m/s区间段对应的风电场的风速、山坡前区位置在11m/s至20m/s区间段对应的风电场的风速、山坡前区位置在20m/s以上的区间段对应的风电场的风速、山坡后区位置在0m/s至1m/s区间段对应的风电场的风速、山坡后区位置在1m/s至3m/s区间段对应的风电场的风速、山坡后区位置在3m/s至5m/s区间段对应的风电场的风速、山坡后区位置在5m/s至8m/s区间段对应的风电场的风速、山坡后区位置在8m/s至11m/s区间段对应的风电场的风速、山坡后区位置在11m/s至20m/s区间段对应的风电场的风速、山坡后区位置在20m/s以上的区间段对应的风电场的风速;
所述d′和所述v’为与所述高原山区对应的所述风速数据。
2.根据权利要求1所述的基于SVM的高原山区的风电功率预测方法,其特征在于,所述对所述风速数据以天为单位进行第一聚类,得到多类第一风速样本数据具体包括:
选取与所述风速数据对应的风速特征矢量;
对所述风速特征矢量进行最大最小归一化,得到归一化风速数据;
利用K-means聚类算法对所述归一化风速数据进行第一聚类。
3.根据权利要求2所述的基于SVM的高原山区的风电功率预测方法,其特征在于,所述利用K-means聚类算法对所述归一化风速数据进行第一聚类包括:
确定所述K-means聚类算法的初始聚类数和第一目标函数,所述第一目标函数具体为所述归一化风速数据至与所述归一化风速数据对应的聚类中心的欧式距离的平方和最小;
根据所述初始聚类数计算所述归一化风速数据的初始化聚类中心,得到第一聚类数;
从所述第一聚类数对应的聚类中心中选取最大初始化聚类中心,将所述最大初始化聚类中心分裂为两个聚类中心,得到第二聚类数;
计算所述归一化风速数据至所述最大初始化聚类中心的欧式距离,将所述归一化风速数据至所述最大初始化聚类中心的所述欧式距离满足预设要求的归一化风速数据归为一类,重复迭代直至满足所述第一目标函数。
4.根据权利要求1所述的基于SVM的高原山区的风电功率预测方法,其特征在于,所述对各类所述第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类包括:
确定所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段;
确定所述SVM的判决函数;
利用所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段求解所述SVM的判决函数,得到以连续预设天数为单位的多类第二风速样本数据。
5.根据权利要求4所述的基于SVM的高原山区的风电功率预测方法,其特征在于,所述利用所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段求解所述SVM的判决函数包括:
利用所述第一风速样本数据中的风速特征矢量确定第二目标函数;
将所述第二目标函数转换为对偶函数;
求解所述对偶函数的向量,利用所述向量求解所述SVM的判决函数。
6.一种基于SVM的高原山区的风电功率预测装置,其特征在于,包括:
获取模块,用于获取与高原山区对应的风速数据;
第一聚类模块,用于对所述风速数据以天为单位进行第一聚类,得到多类第一风速样本数据;
第二聚类模块,用于对各类所述第一风速样本数据基于SVM以连续预设天数为单位进行第二聚类,得到多类第二风速样本数据,将各类所述第二风速样本数据作为风电功率预测的最终风速样本数据,以对所述高原山区的风电功率进行预测;
所述获取模块具体用于将所述高原山区的位置划分为三类地形,所述三类地形包括平缓区、山坡前区和山坡后区;所述三类地形的位置向量用第一公式表示,所述第一公式为:w=(w1,w2,w3);其中,w为位置向量,而w1、w2、和w3分别为所述平缓区的位置向量、所述山坡前区的位置向量和所述山坡后区的位置向量;将风速分为七个区间段,即0m/s至1m/s区间段,1m/s至3m/s区间段,3m/s至5m/s区间段,5m/s至8m/s区间段,8m/s至11m/s区间段,11m/s至20m/s区间段和20m/s以上的区间段;
速度向量用第二公式表示,所述第二公式为:v=(v1,v2,v3,...,v7);其中,v为速度向量,v1、v2、v3、v4、v5、v6、和v7分别为0m/s至1m/s区间段的速度向量、1m/s至3m/s区间段的速度向量、3m/s至5m/s区间段的速度向量、5m/s至8m/s区间段的速度向量、8m/s至11m/s区间段的速度向量、11m/s至20m/s区间段的速度向量和20m/s以上的区间段的速度向量;将所述三类地形和七个区间段对应的风向划分为21种类型,用第三公式进行表示,所述第三公式为:d′=(d′1,d′2,d′3,...,d′21);其中,d′为所述三类地形和七个区间段对应的风电场的风向;d1’、d2’、d3’、d4’、d5’、d6’、d7’、d8’、d9’、d10’、d11’、d12’、d13’、d14’、d15’、d16’、d17’、d18’、d19’、d20’、d21’分别为平缓区位置在0m/s至1m/s区间段对应的风电场的风向、平缓区位置在1m/s至3m/s区间段对应的风电场的风向、平缓区位置在3m/s至5m/s区间段对应的风电场的风向、平缓区位置在5m/s至8m/s区间段对应的风电场的风向、平缓区位置在8m/s至11m/s区间段对应的风电场的风向、平缓区位置在11m/s至20m/s区间段对应的风电场的风向、平缓区位置在20m/s以上的区间段对应的风电场的风向、山坡前区位置在0m/s至1m/s区间段对应的风电场的风向、山坡前区位置在1m/s至3m/s区间段对应的风电场的风向、山坡前区位置在3m/s至5m/s区间段对应的风电场的风向、山坡前区位置在5m/s至8m/s区间段对应的风电场的风向、山坡前区位置在8m/s至11m/s区间段对应的风电场的风向、山坡前区位置在11m/s至20m/s区间段对应的风电场的风向、山坡前区位置在20m/s以上的区间段对应的风电场的风向、山坡后区位置在0m/s至1m/s区间段对应的风电场的风向、山坡后区位置在1m/s至3m/s区间段对应的风电场的风向、山坡后区位置在3m/s至5m/s区间段对应的风电场的风向、山坡后区位置在5m/s至8m/s区间段对应的风电场的风向、山坡后区位置在8m/s至11m/s区间段对应的风电场的风向、山坡后区位置在11m/s至20m/s区间段对应的风电场的风向、山坡后区位置在20m/s以上的区间段对应的风电场的风向;将所述三类地形和七个区间段对应的风速划分为21种类型,用第四公式进行表示,所述第四公式为:v’=(v1’,v2’,v3’,…,vi’,…,v21’);其中,所述v’为所述三类地形和七个区间段对应的风电场的风速;v1’,v2’,v3’,v4’,v5’,v6’,v7’,v8’,v9’,v10’,v11’,v12’,v13’,v14’,v15’,v16’,v17’,v18’,v19’,v20’,v21’分别为平缓区位置在0m/s至1m/s区间段对应的风电场的风速、平缓区位置在1m/s至3m/s区间段对应的风电场的风速、平缓区位置在3m/s至5m/s区间段对应的风电场的风速、平缓区位置在5m/s至8m/s区间段对应的风电场的风速、平缓区位置在8m/s至11m/s区间段对应的风电场的风速、平缓区位置在11m/s至20m/s区间段对应的风电场的风速、平缓区位置在20m/s以上的区间段对应的风电场的风速、山坡前区位置在0m/s至1m/s区间段对应的风电场的风速、山坡前区位置在1m/s至3m/s区间段对应的风电场的风速、山坡前区位置在3m/s至5m/s区间段对应的风电场的风速、山坡前区位置在5m/s至8m/s区间段对应的风电场的风速、山坡前区位置在8m/s至11m/s区间段对应的风电场的风速、山坡前区位置在11m/s至20m/s区间段对应的风电场的风速、山坡前区位置在20m/s以上的区间段对应的风电场的风速、山坡后区位置在0m/s至1m/s区间段对应的风电场的风速、山坡后区位置在1m/s至3m/s区间段对应的风电场的风速、山坡后区位置在3m/s至5m/s区间段对应的风电场的风速、山坡后区位置在5m/s至8m/s区间段对应的风电场的风速、山坡后区位置在8m/s至11m/s区间段对应的风电场的风速、山坡后区位置在11m/s至20m/s区间段对应的风电场的风速、山坡后区位置在20m/s以上的区间段对应的风电场的风速;所述d′和所述v’为与所述高原山区对应的所述风速数据。
7.根据权利要求6所述的基于SVM的高原山区的风电功率预测装置,其特征在于,所述第一聚类模块包括:
选取单元,用于选取与所述风速数据对应的风速特征矢量;
归一化单元,用于对所述风速特征矢量进行最大最小归一化,得到归一化风速数据;
第一聚类单元,用于利用K-means聚类算法对所述归一化风速数据进行第一聚类。
8.根据权利要求6所述的基于SVM的高原山区的风电功率预测装置,其特征在于,所述第二聚类模块包括:
第一确定单元,用于确定所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段;
第二确定单元,用于确定所述SVM的第二目标函数;
求解单元,用于利用所述第一风速样本数据中的风速特征矢量和所述第一风速样本数据中的连续天数时间段求解所述SVM的判决函数,得到以连续预设天数为单位的多类第二风速样本数据。
9.根据权利要求7所述的基于SVM的高原山区的风电功率预测装置,其特征在于,所述第一聚类单元包括:
确定子单元,用于确定所述K-means聚类算法的初始聚类数和第一目标函数,所述第一目标函数具体为所述归一化风速数据至与所述归一化风速数据对应的聚类中心的欧式距离的平方和最小;
第一计算子单元,用于根据所述初始聚类数计算所述归一化风速数据的初始化聚类中心,得到第一聚类数;
选取子单元,用于从所述第一聚类数对应的聚类中心中选取最大初始化聚类中心,将所述最大初始化聚类中心分裂为两个聚类中心,得到第二聚类数;
第二计算子单元,用于计算所述归一化风速数据至所述最大初始化聚类中心的欧式距离,将所述归一化风速数据至所述最大初始化聚类中心的所述欧式距离满足预设要求的归一化风速数据归为一类,重复迭代直至满足所述第一目标函数。
10.一种基于SVM的高原山区的风电功率预测装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序以实现如权利要求1至5任一项所述的基于SVM的高原山区的风电功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811307830.3A CN109242218B (zh) | 2018-11-05 | 2018-11-05 | 一种基于svm的高原山区的风电功率预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811307830.3A CN109242218B (zh) | 2018-11-05 | 2018-11-05 | 一种基于svm的高原山区的风电功率预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242218A CN109242218A (zh) | 2019-01-18 |
CN109242218B true CN109242218B (zh) | 2022-07-12 |
Family
ID=65076534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811307830.3A Active CN109242218B (zh) | 2018-11-05 | 2018-11-05 | 一种基于svm的高原山区的风电功率预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242218B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109779848B (zh) * | 2019-01-25 | 2020-04-28 | 国电联合动力技术有限公司 | 全场风速修正函数的获得方法、装置及风电场 |
FR3116123B1 (fr) * | 2020-11-06 | 2022-10-14 | Ifp Energies Now | Procédé de détermination de la vitesse du vent dans le plan du rotor d’une éolienne |
CN114662800A (zh) * | 2022-05-18 | 2022-06-24 | 浙江浙能能源服务有限公司 | 一种基于人工神经网络的风电功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007233639A (ja) * | 2006-02-28 | 2007-09-13 | Tohoku Electric Power Co Inc | 風力発電出力予測方法、風力発電出力予測装置およびプログラム |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制系统有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN105160434A (zh) * | 2015-09-15 | 2015-12-16 | 武汉大学 | 采用svm选取预测模型的风电功率爬坡事件预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10103548B2 (en) * | 2015-10-23 | 2018-10-16 | Fujitsu Limited | Operating a solar power generating system |
-
2018
- 2018-11-05 CN CN201811307830.3A patent/CN109242218B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007233639A (ja) * | 2006-02-28 | 2007-09-13 | Tohoku Electric Power Co Inc | 風力発電出力予測方法、風力発電出力予測装置およびプログラム |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制系统有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN105160434A (zh) * | 2015-09-15 | 2015-12-16 | 武汉大学 | 采用svm选取预测模型的风电功率爬坡事件预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109242218A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242218B (zh) | 一种基于svm的高原山区的风电功率预测方法和装置 | |
Foley et al. | Current methods and advances in forecasting of wind power generation | |
CN104881706B (zh) | 一种基于大数据技术的电力系统短期负荷预测方法 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
Liu et al. | Numerical weather prediction wind correction methods and its impact on computational fluid dynamics based wind power forecasting | |
Zehtabiyan-Rezaie et al. | Data-driven fluid mechanics of wind farms: A review | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
Liu et al. | Clustering methods of wind turbines and its application in short-term wind power forecasts | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN111159900B (zh) | 风机风速的预测方法及装置 | |
Varanasi et al. | K-means clustering based photo voltaic power forecasting using artificial neural network, particle swarm optimization and support vector regression | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
CN112200346A (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
CN111062509A (zh) | 一种基于改进神经网络的风功率中短期预测方法及系统 | |
AL-Rousan et al. | A comparative assessment of time series forecasting using NARX and SARIMA to predict hourly, daily, and monthly global solar radiation based on short-term dataset | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
Dorado-Moreno et al. | Multiclass prediction of wind power ramp events combining reservoir computing and support vector machines | |
Malakhov et al. | Testing machine learning approaches for wind plants power output | |
Wu et al. | Short-Term Prediction of Wind Power Considering the Fusion of Multiple Spatial and Temporal Correlation Features | |
Li et al. | A short-term wind power forecasting method based on NWP wind speed fluctuation division and clustering | |
Huang et al. | Deterministic and probabilistic wind power forecasting using a hybrid method |
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 |