CN109978236A - 一种基于特征组合的小水电短期功率精细化预测方法 - Google Patents

一种基于特征组合的小水电短期功率精细化预测方法 Download PDF

Info

Publication number
CN109978236A
CN109978236A CN201910161647.5A CN201910161647A CN109978236A CN 109978236 A CN109978236 A CN 109978236A CN 201910161647 A CN201910161647 A CN 201910161647A CN 109978236 A CN109978236 A CN 109978236A
Authority
CN
China
Prior art keywords
power
prediction
day
power station
curve
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
Application number
CN201910161647.5A
Other languages
English (en)
Other versions
CN109978236B (zh
Inventor
谢晨晟
李丹
杨保华
王奎
张远航
贺彩
云洋
李紫瑶
邓思影
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.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN201910161647.5A priority Critical patent/CN109978236B/zh
Publication of CN109978236A publication Critical patent/CN109978236A/zh
Application granted granted Critical
Publication of CN109978236B publication Critical patent/CN109978236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (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)

Abstract

一种基于特征组合的小水电短期功率精细化预测方法，包括步骤1：收集分区降雨量的历史和预测数据，小水电功率曲线的历史数据；步骤2：将小水电功率曲线分解为历史日最大、最小功率和标幺化曲线三个特征量；步骤3：对小水电的日最大、最小发电功率，采用时间序列神经网络开展预测，得到预测日的最大、最小预测功率等步骤；步骤4：对历史日标幺化曲线采用Kmeans技术进行聚类等步骤得到预测日的预测标幺化曲线；步骤5：组合预测日的标幺化曲线和最大、最小功率预测值，得到预测日的小水电发电功率预测结果。本发明能很好的解决现有技术存在的预测误差大问题的基于特征组合的小水电短期功率精细化预测方法。

Description

一种基于特征组合的小水电短期功率精细化预测方法
技术领域
本发明属于电力系统领域，具体涉及一种基于特征组合的小水电短期功率精细化预测方法。
背景技术
随着化石能源的日益短缺以及严重污染，小水电作为世界公认的清洁能源，其开发和利用意义重大。小水电因投资低、周期短、维护简单、电价稳定等优点被广泛利用，因地制宜在一些山区水资源丰富的地区开展小型水电站的建设可以发展地区经济，并且在一定程度上缓解大中型水电的发电压力。在国家和政府的支持下，小水电因上述不可替代的优势拥有了新的发展机遇和空间。
与此同时，小水电的发展也带来了一些问题。由于径流式小水电无调节能力，其运行状态和出力完全受降雨支配。随着小水电站的大规模并网，弃水、窝电问题日益突出，电网安全运行面临威胁。提高小水电短期功率预测的准确性，对提前掌握小水电的发电情况并进行合理调度有着重要意义。
然而，要实现对小水电短期功率的准确预测，目前还存在较多困难：小水电站分布点多面广，不同电站所处的地理位置、气象条件及装机容量存在明显差异；降雨量对小水电发电功率的影响具有滞后效应和累积效应。基于以上困难，目前国内外针对径流式小水电发电负荷预测的方法明显偏少，且现有方法预测模型较为单一，忽略了小水电功率曲线的不同特征分量在影响因素和影响模式上的差异，而且引入的气象信息过于笼统，多为该地区总的日降雨量，忽视了不同时刻和不同区域降雨量分布差异对发电功率的影响，增大了预测误差。因此，有必要对组成小水电功率曲线的不同特征量采用不同的预测方法，并引入精细化的分时分区降雨量信息，解决现有技术存在的预测误差大问题。
发明内容
本发明的目的是为了提供一种对组成小水电功率曲线的不同特征量采用不同的预测方法，并引入精细化的分时分区降雨量信息，能很好的解决现有技术存在的预测误差大问题的基于特征组合的小水电短期功率精细化预测方法。
为了实现上述的技术特征，本发明采用的技术方案是：
一种基于特征组合的小水电短期功率精细化预测方法，包括以下操作步骤：
步骤1：收集分区降雨量的历史和预测数据，小水电功率曲线的历史数据；
步骤2：将小水电功率曲线分解为历史日最大、最小功率和标幺化曲线三个特征量；
步骤3：对小水电的日最大、最小发电功率，采用时间序列神经网络开展预测，得到预测日的最大、最小预测功率；
步骤4：对历史日标幺化曲线采用Kmeans技术进行聚类，生成指定数目的标幺化曲线典型类型，并构建概率神经网络，利用分区降雨量的历史和预测数据、小水电日最大、最小功率的历史数据以及预测日的最大、最小功率预测值，识别预测日的标幺化曲线典型类型，得到预测日的预测标幺化曲线；
步骤5：组合预测日的标幺化曲线和最大、最小功率预测值，得到预测日的小水电发电功率预测结果。
在步骤1中，采集历史样本日的分区降雨量Hd＝[H1,H2,…,HI]d的和预测日的分区降雨量Hf＝[H1,H2,…,HI]f数据，历史样本日的小水电功率曲线Pd＝[P1,P2,…,P96]d数据(每日功率曲线由时间间隔为15分钟的96点小水电发电功率向量表示)，其中I为总分区数，
d∈{1,2,…,D}，D为总历史样本数。
在步骤2中，将小水电历史样本日功率曲线[P1,P2,…,P96]d分解为历史样本日的最大功率Pmax,d＝max{P1,P2,…,P96}d，历史样本日的最小功率Pmin，d＝min{P1,P2,…,P96}d，以及标幺化曲线：
在步骤3中，将小水电历史样本日功率曲线[P1,P2,…,P96]d分解为历史样本日的最大功率Pmax,d＝max{P1,P2,…,P96}d，历史样本日的最小功率Pmin，d＝min{P1,P2,…,P96}d，以及标幺化曲线：
步骤3对历史样本日的降雨量和发电功率日极值特征值进行相关性分析，估计降雨量对发电功率影响的滞后效应与累积效应的影响时间长度n，建立地区小水电功率日极值特征的时间序列神经网络预测模型：
Pmax,d＝f1,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmax,d-1,θ1)
Pmin,d＝f2,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmin,d-1,θ2)
利用降雨量和发电功率日极值特征的历史样本数据对预测模型参数进行训练，计算使训练误差最小的模型最优参数：
并由预测日的分区降雨量预测数据，基于最优参数条件下的小水电日极值功率预测模型，预测得到小水电日极值功率：
具体的，在步骤3中采用以下分步骤对地区小水电功率日极值特征进行预测：
1)使用NARX时间序列神经网络对地区小水电功率日极值特征进行预测。NARX时间序列神经网络可由非线性方程表示：
y(t)＝fnarxnet[y(t-1),...,y(t-m),u(t),...,u(t-n)]
其中y(t-m)表示相应输出在时延m的数值，u(t-n)表示相应输入在时延n的数值。NARX网络主要由输入层、隐含层和输出层以及输入和输出延时层构成，其中隐含层转移函数选用Sigmoid函数，输出层用线性函数。某k时刻其第i个隐含层点输出di为：
式中fsig(·)为隐含层节点使用的双曲正切Sigmoid函数；ωir(k)为k时刻第i个隐含层节点与输入u(k-r)间的权值；ωil(k)为k时刻第i个隐含层节点与输出反馈量y(k-l)间的权值；bi为第i个隐含层节点阈值。
第j输出层节点输出：
式中ωji(k)为k时刻第i个隐含层节点到第j个输出层节点权值；Tj为第j个输出层节点阈值；N为隐含层节点个数；
2)通过历史样本日的输入输出训练样本，利用神经网络开始训练；
3)使用平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)和均方根误差(Root Mean Squared Error，RMSE)作为评估负荷预测模型性能的标准；
4)通过训练，获得使误差最小的NARX网络最优模型，并由此最优模型预测得到小水电日极值功率Pmax,f和Pmin,f；
在步骤2)中，NARX神经网络的训练步骤如下：
1.设定初始权重，计算当前k时刻误差函数：
C为训练样本数，y(j)为j时刻小水电日负荷极值功率的样本值，为j时刻模型预测值；
2：对权值求其梯度负数，再乘一个学习速率η，作为权值修正量：
3：由该修正量加上当前时刻的权值，作为下一时刻的权值：
ωi(k+1)＝ωi(k)+△ωi
4：由修改后的权值代入NARX模型计算以后时刻预测值，重复步骤1，如误差函数E足够小满足评价指标，则结束训练，否则开始新一轮的权值调整运算。
在步骤3)中，MAPE是衡量模型性能的相对指标，它的定义如下式：
RMSE是衡量模型性能的绝对指标。RMSE实际负荷数据和预测值都具有相同的量纲，这样很容易计算实际负荷值和预测值之间的绝对误差。RMSE的定义如下式：
式中，yi为第i个测试样本的实际值，为第i个测试样本的模型预测值，M为测试样本个数。
在步骤4中，将所有历史样本日的标幺化曲线Fd＝[F1,F2,…,F96]d通过Kmeans方法聚类为K个典型标幺化曲线类别Fk＝[F1,F2,…,F96]k，k∈{1,2,…,K}，以平均值曲线作为每类典型标幺化曲线的特征指标其中s∈S，S为总样本个数；以预测日的分区降雨量和极值功率为输入，建立的概率神经网络预测模型，并根据历史样本日的分区降雨量、极值预测功率和所属的典型标幺化曲线类别，识别预测日的标幺化曲线类别：
kf＝fPNN(Pmax,f,Pmin,f,Hf,Pmax,d,Pmin,d,Hd,kd)(d∈{1,2,...,D})然后选择该类别对应的的典型标幺化曲线作为预测日的预测标幺化曲线Ff＝[F1,F2,…,F96]f。
在步骤5中，采用特征组合的方式将步骤3中的预测日最大Pmax,d、最小预测功率Pmin,f和步骤4中的预测标幺化曲线Ff＝[F1,F2,…,F96]f加以组合，得到预测日的地区小水电发电功率预测曲线：
Pf＝Ff×(Pmax,f－Pmin,f)+Pmin,f。
本发明具有如下技术效果：
本发明提供了一种基于特征组合的小水电短期发电功率精细化预测方法，引入了分时分区气温和降雨量等精细化气象数据，将小水电功率曲线分解为日最大、最小功率和标幺化曲线三个特征量，对预测日的这三个特征量分别预测，最后再加以组合的方式得出预测日的发电功率曲线，解决现有预测方法使用的预测模型单一和误差大的问题，对短期小水电的发电功率进行精准预测。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明基于特征组合的小水电短期发电功率精细化预测方法流程图；
图2为本发明所采用NARX时间序列神经网络结构图；
图3为本发明Kmeas聚类法流程图；
图4为本发明概率神经网络结构图；
图5为根据本发明一个实施例在2017年11月12日负荷真实值与预测值的对比图；
图6为根据本发明一个实施例在2017年11月间预测模型预测误差图。
具体实施方式
如图1所示，一种基于特征组合的小水电短期功率精细化预测方法，它包括以下步骤：
S1：采集某地区预测日之前一年共计D天历史样本日的分区降雨量Hd＝[H1,H2,…,HI]d和预测日的分区降雨量Hf＝[H1,H2,…,HI]f数据，对应历史样本日的小水电功率曲线Pd＝[P1,P2,…,P96]d数据(每日功率曲线由时间间隔为15分钟的96点小水电发电功率向量表示)，其中I为总分区数，d∈{1,2,…,D}。
S2：将小水电历史样本日功率曲线[P1,P2,…,P96]d分解为历史样本日的最大功率
Pmax，d＝max{P1,P2,…,P96}d，历史样本日的最小功率Pmin，d＝min{P1,P2,…,P96}d，以及标幺化曲线：
S3：对历史样本日的降雨量和发电功率日极值特征值做相关性分析，估计降雨量对发电功率影响的滞后效应与累积效应的影响时间长度n，建立地区小水电功率日极值特征的时间序列神经网络预测模型：
Pmax,d＝f1,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmax,d-1,θ1)
Pmin,d＝f2,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmin,d-1,θ2)
利用降雨量和发电功率日极值特征的历史样本数据，对小水电日极值功率预测模型进行训练，计算使训练误差最小的模型最优参数：
由预测日的分区降雨量预测数据，基于最优参数条件下的小水电日极值功率预测模型，预测得到小水电日极值功率：
S301：如图2所示，本专利中使用NARX时间序列神经网络对地区小水电功率日极值特征进行预测。NARX时间序列神经网络可由非线性方程表示：
y(t)＝fnarxnet[y(t-1),...,y(t-m),u(t),...,u(t-n)]
其中y(t-m)表示相应输出在时延m的数值，u(t-n)表示相应输入在时延n的数值。NARX网络主要由输入层、隐含层和输出层以及输入和输出延时层构成，其中隐含层转移函数选用Sigmoid函数，输出层用线性函数。某k时刻其第i个隐含层点输出di为：
式中fsig(·)为隐含层节点使用的双曲正切Sigmoid函数；ωir(k)为k时刻第i个隐含层节点与输入u(k-r)间的权值；ωil(k)为k时刻第i个隐含层节点与输出反馈量y(k-l)间的权值；bi为第i个隐含层节点阈值。
第j输出层节点输出：
式中ωji(k)为k时刻第i个隐含层节点到第j个输出层节点权值；Tj为第j个输出层节点阈值；N为隐含层节点个数。
在本实施案例中，根据步骤1中所采集原始数据的70％作为训练数据，15％作为验证数据，剩余的15％作为测试数据。通过对历史样本日的降雨量和发电功率日极值特征值做相关性分析，确定输入量u(t)分时分区降雨量时间序列的时延天数n＝6，输出量y(t)小水电日负荷极值特征影响的时延天数m＝2，并把输入输出数据转化为标准神经网络格式，选取隐含层神经元节点数N＝10。
S302：通过历史样本日的输入输出训练样本，利用神经网络开始训练，NARX神经网络的训练步骤如下:：
步骤1：设定初始权重，计算当前k时刻误差函数：
C为训练样本数，y(j)为j时刻小水电日负荷极值功率的样本值，为j时刻模型预测值；
步骤2：对权值求其梯度负数，再乘一个学习速率η，作为权值修正量：
步骤3：由该修正量加上当前时刻的权值，作为下一时刻的权值：
ωi(k+1)＝ωi(k)+△ωi
步骤4：由修改后的权值代入NARX模型计算以后时刻预测值，重复步骤1，如误差函数E足够小满足评价指标，则结束训练，否则开始新一轮的权值调整运算。
S303：为了评估负荷预测模型性能，本专利使用平均绝对百分比误差(MeanAbsolute Percentage Error，MAPE)和均方根误差(Root Mean Squared Error，RMSE)作为评估标准。MAPE是衡量模型性能的相对指标，它的定义如下式：
RMSE是衡量模型性能的绝对指标。RMSE实际负荷数据和预测值都具有相同的量纲，这样很容易计算实际负荷值和预测值之间的绝对误差。RMSE的定义如下式：
式中，yi为第i个测试样本的实际值，为第i个测试样本的模型预测值，M为测试样本个数。
S304：通过训练，获得使误差最小的NARX网络最优模型，并由此最优模型预测得到小水电日极值功率Pmax,f和Pmin,f。
S4：将所有历史样本日的标幺化曲线Fd＝[F1,F2,…,F96]d通过Kmeans方法聚类为K类，即Fk＝[F1,F2,…,F96]k，k∈{1,2,…,K}，以平均值曲线作为每类典型标幺化曲线的特征指标其中s∈S，S为总样本个数；以预测日的分区降雨量和极值功率为输入，建立典型标幺化曲线类别的概率神经网络预测模型，并根据历史样本日的分区降雨量、极值预测功率和所属的典型标幺化曲线类别，识别预测日的标幺化曲线类别：
kf＝fPNN(Pmax,f,Pmin,f,Hf,Pmax,d,Pmin,d,Hd,kd)(d∈{1,2,...,D})
然后选择该类别对应的的典型标幺化曲线作为预测日的预测标幺化曲线Ff＝[F1,F2,…,F96]f。
S401：如图3所示Kmeans聚类流程，首先以平均值曲线作为每类典型标幺化曲线的特征指标其中s∈S，S为总样本个数；
S402：依据所选取的特征指标，随机选取K个聚类中心点，本实施案例中选择K＝10；
S403：计算其他样本点到聚类中心的距离，并将其划分到最近的中心点一簇；
S404：通过多次的迭代使各个样本点到其所属簇的距离最小，最终得到K类典型标幺化曲线；
S405：如图4所示，概率神经网络一般有以下四层：输入层、模式层、求和层和输出层。输入层中的神经元数目等于学习样本中输入向量中变量数m，各神经元是简单的分布单元，直接将输入变量传递给模式层。本专利实施案例以预测日的分区降雨量和极值功率为输入向量，m＝12。
S406：模式层节点数等于学习样本数S，通过激活标准差σ＝0.1的高斯函数神经元计算待识别样本X的输入特征向量与训练集中各个学习样本Xi(i＝1,2,…,S)的相似度，将其欧式距离送入高斯函数得到模式层的输出：
θi＝exp(-||X-Xi||2/2σ2)
S407：求和层各单元只与相应类别的模式单元相连，计算各个样本属于第k类(k＝1,…,K)的概率和
式中Sk为属于第k类的学习样本编号集合mk为第k类别所包含的学习样本个数。
S408：输出层节点数等于待匹配类别数，为S404中得到典型标幺化曲线种类数K。根据各类对输入向量概率的估计，采用Bayes分类规则，选择出具有最小“风险”的类别，即具有最大后验概率probk的类别作为待识别样本的类别：
得到该类别对应的典型标幺化曲线作为预测日的预测标幺化曲线Ff＝[F1,F2,…,F96]f。
S5：采用特征组合的方式将步骤3中的预测日最大预测功率Pmax，f、最小预测功率
Pmin，f和步骤4中的预测标幺化曲线Ff＝[F1,F2,…,F96]f加以组合，得到预测日的地区小水电发电功率预测曲线：
Pf＝Ff×(Pmax,f－Pmin,f)+Pmin,f
在本实施例中，以某地区2017年11月1日至11月30日的实际负荷数据为测试对象，通过本发明所述方法，对负荷数据进行了预测。图5是根据上述方法得出的11月12日预测结果对比图，图6是在2017年11月间预测模型预测误差图。
目前，供电公司监测负荷时，每15分钟采集一次负荷数据，则一天之内总共采集96个负荷数据。日负荷预测准确率采用如下公式计算：
式中：
PFi,PRi分别为负荷的预测值和实际值；n为日负荷预测总点数(96)；Ei为单点负荷的相对预测误差。根据本实施案例数据，通过计算得出2017年11月12日预测误差率为1.87％，且2017年11月整体预测误差率均低于6％。一般情况下，供电公司评价预测准确性的标准是，对于日用电负荷高于1GW的电网，A≤6％为合格；对于日用电负荷小于1GW的电网，A≤7％为合格。根据上述标准，如上所示的例子中的预测准确率1.87％低于6％，达到供电公司负荷预测的标准，验证了本发明所述方法的有效性。

Claims (10)

1.一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，包括以下操作步骤：
步骤1：收集分区降雨量的历史、预测数据以及小水电功率曲线的历史数据；
步骤2：将小水电功率曲线分解为历史日最大、最小功率和标幺化曲线三个特征量；
步骤3：对小水电的日最大、最小发电功率，采用时间序列神经网络开展预测，得到预测日的最大、最小预测功率；
步骤4：对历史日标幺化曲线采用Kmeans技术进行聚类，生成指定数目的标幺化曲线典型类型，并构建概率神经网络，利用分区降雨量的历史和预测数据、小水电日最大、最小功率的历史数据以及预测日的最大、最小功率预测值，识别预测日的标幺化曲线典型类型，得到预测日的预测标幺化曲线；
步骤5：组合预测日的标幺化曲线和最大、最小功率预测值，得到预测日的小水电发电功率预测结果。
2.根据权利要求1所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤1中，采集历史样本日的分区降雨量Hd＝[H1,H2,…,HI]d的和预测日的分区降雨量Hf＝[H1,H2,…,HI]f数据，历史样本日的小水电功率曲线Pd＝[P1,P2,…,P96]d数据(每日功率曲线由时间间隔为15分钟的96点小水电发电功率向量表示)，其中I为总分区数，d∈{1,2,…,D}，D为总历史样本数。
3.根据权利要求2所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤2中，将小水电历史样本日功率曲线[P1,P2,…,P96]d分解为历史样本日的最大功率Pmax,d＝max{P1,P2,…,P96}d，历史样本日的最小功率Pmin，d＝min{P1,P2,…,P96}d，以及标幺化曲线：
4.根据权利要求1至3其中之一所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤3中，将小水电历史样本日功率曲线[P1,P2,…,P96]d分解为历史样本日的最大功率Pmax,d＝max{P1,P2,…,P96}d，历史样本日的最小功率Pmin，d＝min{P1,P2,…,P96}d，以及标幺化曲线：
5.根据权利要求4所述基于特征组合的小水电短期功率精细化预测方法，其特征在于：步骤3对历史样本日的降雨量和发电功率日极值特征值进行相关性分析，估计降雨量对发电功率影响的滞后效应与累积效应的影响时间长度n，建立地区小水电功率日极值特征的时间序列神经网络预测模型：
Pmax,d＝f1,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmax,d-1,θ1)
Pmin,d＝f2,narxnet(Hd,Hd-1,Hd-2,…,Hd-n,Pmin,d-1,θ2)
利用降雨量和发电功率日极值特征的历史样本数据对预测模型参数进行训练，计算使训练误差最小的模型最优参数：
并由预测日的分区降雨量预测数据，基于最优参数条件下的小水电日极值功率预测模型，预测得到小水电日极值功率：
6.根据权利要求5所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，具体的，在步骤3中采用以下分步骤对地区小水电功率日极值特征进行预测：
1)使用NARX时间序列神经网络对地区小水电功率日极值特征进行预测，NARX时间序列神经网络可由非线性方程表示：
y(t)＝fnarxnet[y(t-1),...,y(t-m),u(t),...,u(t-n)]
其中y(t-m)表示相应输出在时延m的数值，u(t-n)表示相应输入在时延n的数值，NARX网络主要由输入层、隐含层和输出层以及输入和输出延时层构成，其中隐含层转移函数选用Sigmoid函数，输出层用线性函数，某k时刻其第i个隐含层点输出di为：
式中fsig(·)为隐含层节点使用的双曲正切Sigmoid函数；ωir(k)为k时刻第i个隐含层节点与输入u(k-r)间的权值；ωil(k)为k时刻第i个隐含层节点与输出反馈量y(k-l)间的权值；bi为第i个隐含层节点阈值，
第j输出层节点输出：
式中ωji(k)为k时刻第i个隐含层节点到第j个输出层节点权值；Tj为第j个输出层节点阈值；N为隐含层节点个数；
2)通过历史样本日的输入输出训练样本，利用神经网络开始训练；
3)使用平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)和均方根误差(Root Mean Squared Error，RMSE)作为评估负荷预测模型性能的标准；
4)通过训练，获得使误差最小的NARX网络最优模型，并由此最优模型预测得到小水电日极值功率Pmax,f和Pmin,f。
7.根据权利要求6所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤2)中，NARX神经网络的训练步骤如下：
1.设定初始权重，计算当前k时刻误差函数：
C为训练样本数，y(j)为j时刻小水电日负荷极值功率的样本值，为j时刻模型预测值；
2：对权值求其梯度负数，再乘一个学习速率η，作为权值修正量：
3：由该修正量加上当前时刻的权值，作为下一时刻的权值：
ωi(k+1)＝ωi(k)+△ωi
4：由修改后的权值代入NARX模型计算以后时刻预测值，重复步骤1，如误差函数E足够小满足评价指标，则结束训练，否则开始新一轮的权值调整运算。
8.根据权利要求6或7所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤3)中，MAPE是衡量模型性能的相对指标，它的定义如下式：
RMSE是衡量模型性能的绝对指标，RMSE实际负荷数据和预测值都具有相同的量纲，这样很容易计算实际负荷值和预测值之间的绝对误差，RMSE的定义如下式：
式中，yi为第i个测试样本的实际值，为第i个测试样本的模型预测值，M为测试样本个数。
9.根据权利要求8所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤4中，将所有历史样本日的标幺化曲线Fd＝[F1,F2,…,F96]d通过Kmeans方法聚类为K个典型标幺化曲线类别Fk＝[F1,F2,…,F96]k，k∈{1,2,…,K}，以平均值曲线作为每类典型标幺化曲线的特征指标其中s∈S，S为总样本个数；以预测日的分区降雨量和极值功率为输入，建立的概率神经网络预测模型，并根据历史样本日的分区降雨量、极值预测功率和所属的典型标幺化曲线类别，识别预测日的标幺化曲线类别：
kf＝fPNN(Pmax,f,Pmin,f,Hf,Pmax,d,Pmin,d,Hd,kd)(d∈{1,2,...,D})然后选择该类别对应的的典型标幺化曲线作为预测日的预测标幺化曲线Ff＝[F1,F2,…,F96]f。
10.根据权利要求1或2或3或5或6或7或9所述的一种基于特征组合的小水电短期功率精细化预测方法，其特征在于，在步骤5中，采用特征组合的方式将步骤3中的预测日最大Pmax,d、最小预测功率Pmin,f和步骤4中的预测标幺化曲线Ff＝[F1,F2,…,F96]f加以组合，得到预测日的地区小水电发电功率预测曲线：
Pf＝Ff×(Pmax,f－Pmin,f)+Pmin,f。
CN201910161647.5A 2019-03-04 2019-03-04 一种基于特征组合的小水电短期功率精细化预测方法 Active CN109978236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910161647.5A CN109978236B (zh) 2019-03-04 2019-03-04 一种基于特征组合的小水电短期功率精细化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910161647.5A CN109978236B (zh) 2019-03-04 2019-03-04 一种基于特征组合的小水电短期功率精细化预测方法

Publications (2)

Publication Number Publication Date
CN109978236A true CN109978236A (zh) 2019-07-05
CN109978236B CN109978236B (zh) 2022-07-15

Family

ID=67077835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910161647.5A Active CN109978236B (zh) 2019-03-04 2019-03-04 一种基于特征组合的小水电短期功率精细化预测方法

Country Status (1)

Country Link
CN (1) CN109978236B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260117A (zh) * 2020-01-10 2020-06-09 燕山大学 一种基于气象因子的ca-narx水质预测方法
CN111898828A (zh) * 2020-03-09 2020-11-06 华能四川水电有限公司 一种基于极限学习机的水力发电预测方法
CN116316615A (zh) * 2023-05-25 2023-06-23 国网江西省电力有限公司电力科学研究院 基于数据增强的分布式光伏群短期功率预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110066401A1 (en) * 2009-09-11 2011-03-17 Wattminder, Inc. System for and method of monitoring and diagnosing the performance of photovoltaic or other renewable power plants
CN102722642A (zh) * 2012-05-25 2012-10-10 重庆市电力公司长寿供电局 大波动电网负荷短期预测方法
CN103985000A (zh) * 2014-06-05 2014-08-13 武汉大学 基于函数型非参数回归的中长期典型日负荷曲线预测方法
CN104573879A (zh) * 2015-01-30 2015-04-29 河海大学 基于最优相似日集的光伏电站出力预测方法
CN106447134A (zh) * 2016-11-04 2017-02-22 贵州电网有限责任公司电力科学研究院 一种小水电分类短期功率预测方法
CN106503848A (zh) * 2016-11-01 2017-03-15 国家电网公司 多小水电趸售地区电网的负荷预测方法
CN106803128A (zh) * 2015-11-26 2017-06-06 华为技术有限公司 光伏发电的预测方法和装置
CN107730097A (zh) * 2017-09-29 2018-02-23 广东电网有限责任公司电力调度控制中心 一种母线负荷预测方法、装置及计算设备
CN109101659A (zh) * 2018-09-03 2018-12-28 贵州电网有限责任公司 一种小水电数据采集系统中功率数据异常的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110066401A1 (en) * 2009-09-11 2011-03-17 Wattminder, Inc. System for and method of monitoring and diagnosing the performance of photovoltaic or other renewable power plants
CN102722642A (zh) * 2012-05-25 2012-10-10 重庆市电力公司长寿供电局 大波动电网负荷短期预测方法
CN103985000A (zh) * 2014-06-05 2014-08-13 武汉大学 基于函数型非参数回归的中长期典型日负荷曲线预测方法
CN104573879A (zh) * 2015-01-30 2015-04-29 河海大学 基于最优相似日集的光伏电站出力预测方法
CN106803128A (zh) * 2015-11-26 2017-06-06 华为技术有限公司 光伏发电的预测方法和装置
CN106503848A (zh) * 2016-11-01 2017-03-15 国家电网公司 多小水电趸售地区电网的负荷预测方法
CN106447134A (zh) * 2016-11-04 2017-02-22 贵州电网有限责任公司电力科学研究院 一种小水电分类短期功率预测方法
CN107730097A (zh) * 2017-09-29 2018-02-23 广东电网有限责任公司电力调度控制中心 一种母线负荷预测方法、装置及计算设备
CN109101659A (zh) * 2018-09-03 2018-12-28 贵州电网有限责任公司 一种小水电数据采集系统中功率数据异常的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何勇: "小水电短期发电能力预测及并网协调调度研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 *
张振华等: "EMD与NARX神经网络的风电场总功率组合预测", 《计算机工程与应用》 *
方八零等: "动态相似与静态相似相结合的短期负荷预测方法", 《电力系统保护与控制》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260117A (zh) * 2020-01-10 2020-06-09 燕山大学 一种基于气象因子的ca-narx水质预测方法
CN111260117B (zh) * 2020-01-10 2022-03-25 燕山大学 一种基于气象因子的ca-narx水质预测方法
CN111898828A (zh) * 2020-03-09 2020-11-06 华能四川水电有限公司 一种基于极限学习机的水力发电预测方法
CN116316615A (zh) * 2023-05-25 2023-06-23 国网江西省电力有限公司电力科学研究院 基于数据增强的分布式光伏群短期功率预测方法及系统
CN116316615B (zh) * 2023-05-25 2023-09-12 国网江西省电力有限公司电力科学研究院 基于数据增强的分布式光伏群短期功率预测方法及系统

Also Published As

Publication number Publication date
CN109978236B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN109871976B (zh) 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN105868853B (zh) 一种短期风电功率组合概率预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN109978236A (zh) 一种基于特征组合的小水电短期功率精细化预测方法
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
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
CN111191966B (zh) 一种基于时空特性的配电网电压不合格时段识别方法
CN104376371B (zh) 一种基于拓扑的配网分层负荷预测方法
CN115774953B (zh) 一种基于数据处理的污染时空风险监管评估系统及方法
CN108921339A (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN110380444A (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN105225006A (zh) 一种短期风电功率非参数概率预测方法
CN110210670A (zh) 一种基于电力系统短期负荷的预测方法
CN105303268A (zh) 基于相似度理论的风力发电输出功率预测方法
Luo et al. Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
Ahmad et al. Efficient energy planning with decomposition-based evolutionary neural networks
CN113537569B (zh) 一种基于权重堆叠决策树的短时公交客流预测方法及系统
Wang et al. Electric vehicle charging load clustering and load forecasting based on long short term memory neural network
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN110533243A (zh) 一种基于分形理论的建筑能耗预测方法
CN112307675B (zh) 一种基于神经网络的温度敏感型负荷分离辨识方法及系统

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
CB03 Change of inventor or designer information

Inventor after: Li Dan

Inventor after: Xie Chencheng

Inventor after: Yang Baohua

Inventor after: Wang Kui

Inventor after: Zhang Yuanhang

Inventor after: He Cai

Inventor after: Yun Yang

Inventor after: Li Ziyao

Inventor after: Deng Siying

Inventor before: Xie Chencheng

Inventor before: Li Dan

Inventor before: Yang Baohua

Inventor before: Wang Kui

Inventor before: Zhang Yuanhang

Inventor before: He Cai

Inventor before: Yun Yang

Inventor before: Li Ziyao

Inventor before: Deng Siying

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190705

Assignee: Hubei Yispatiotemporal Unmanned Aerial Vehicle Technology Co.,Ltd.

Assignor: CHINA THREE GORGES University

Contract record no.: X2023980044218

Denomination of invention: A refined short-term power prediction method for small hydropower based on feature combination

Granted publication date: 20220715

License type: Common License

Record date: 20231024

EE01 Entry into force of recordation of patent licensing contract