CN110210657B - 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 - Google Patents

一种基于单机模型的风机功率预测方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN110210657B
CN110210657B CN201910427537.9A CN201910427537A CN110210657B CN 110210657 B CN110210657 B CN 110210657B CN 201910427537 A CN201910427537 A CN 201910427537A CN 110210657 B CN110210657 B CN 110210657B
Authority
CN
China
Prior art keywords
power
value
predicted value
prediction
model
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
CN201910427537.9A
Other languages
English (en)
Other versions
CN110210657A (zh
Inventor
孙荣富
孙涛
王靖然
白静洁
徐海翔
张旭
丁然
常志朋
王若阳
潘琦
刘康丽
任一丹
耿艳
刘华德
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.)
State Grid Corp of China SGCC
Beijing Kedong Electric Power Control System Co Ltd
State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing Kedong Electric Power Control System Co Ltd
State Grid Jibei Electric Power Co Ltd
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 State Grid Corp of China SGCC, Beijing Kedong Electric Power Control System Co Ltd, State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910427537.9A priority Critical patent/CN110210657B/zh
Publication of CN110210657A publication Critical patent/CN110210657A/zh
Application granted granted Critical
Publication of CN110210657B publication Critical patent/CN110210657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于单机模型的风机功率预测方法、系统及计算机存储介质，风机功率预测方法包括以下步骤：按照统计学中离散分布概率模型，对原始采集数据中的离散点进行清洗；对清洗后的数据进行模型训练，分别训练出各个因素对风电功率预测的影响系数；采集数值天气预报中的风速、温度、气压、湿度和方向值，利用大数据迭代寻优算法，计算出风电功率预测值；将所述风电功率预测值带入模型训练，进行修正后，最终得到单机功率预测值；将所述单机功率预测值按需归算至区域功率预测值。本发明成本低，预测准确度高，功率预测特性曲线拟合准确度好。

Description

一种基于单机模型的风机功率预测方法、系统及计算机存储 介质
技术领域
本发明涉及一种基于单机模型的风机功率预测方法、系统及计算机存储介质，属于电力系统调度自动化技术领域。
背景技术
随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威肋、电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性。
近年来，国内外基于风电功率预测的方法问题进行了深入的研究，根据风电功率预测的模型不同可以分为物理方法、统计方法、学习方法及上述组合模型方法。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于单机模型的风机功率预测方法、系统及计算机存储介质，该方法成本低，预测准确度高，功率预测特性曲线拟合准确度好。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的一种基于单机模型的风机功率预测方法，包括以下步骤：
按照统计学中离散分布概率模型，对原始采集数据中的离散点进行清洗；
对清洗后的数据进行模型训练(数据迭代计算，算出影响参数的均值)，分别训练出各个因素对风电功率预测的影响系数；
采集数值天气预报中的各个因素，利用大数据迭代寻优算法，计算出风电功率预测值；
将所述风电功率预测值带入模型训练，最终得到单机功率预测值；
将所述单机功率预测值按需归算至区域功率预测值。
各个上述因素包括风速、温度、气压、湿度和方向；
上述原始采集数据包括功率-风速、功率-温度、功率-气压、功率-湿度和功率-方向。
上述影响系数如下：
Figure BDA0002067975150000021
其中，p表示功率值，m表示样本个数，v表示影响因素值，
Figure BDA0002067975150000022
表示因素影响系数，i表示第i个样本；
上述风电功率预测值具体的计算方法如下：
通过斜方差选取风速、风向、气压、湿度、温度中与风机出力相关性最大三因素；
基于预设的最大三因素域值，根据因素相关性值从高至低,依次迭代筛选历史数据得相应结果集；若某一因素迭代筛选后，结果集为空,则添加该因素阈值，重新迭代至结果集非空；
迭代筛选完三因素后，取结果集中功率前设定百分数的平均值，作为功率预测值；
据历史相应时间段速度、功率两要素变化率，得
p＝β(t1-t0)+P0
其中，P是所得功率，β是参数，t1、t0是时间点，p0是功率变化率。
取结果集中功率前设定百分数40％的平均值，作为功率预测值。
将所述单机功率预测值按需归算至区域功率预测值，具体方法如下：
将与所述预测功率值拟合值最高的数作为预测结果，将所述预测结果与实际功率进行动态评估(既随着时间进行，不断将预测值和实际值的准确度进行计算)，选取最大绝对误差、平均绝对误差、均方根误差，基于预设的阈值，最大绝对误差、平均绝对误差、均方根误差越小，结果越优。
本一种基于单机模型的风机功率预测系统，所述系统包括网络接口、存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序指令；
所述处理器，用于在运行所述计算机程序指令时，执行上述基于单机模型的风机功率预测方法的步骤。
一种计算机存储介质，所述计算机存储介质存储有基于单机模型的风机功率预测的程序，所述基于单机模型的风机功率预测的程序被至少一个处理器执行时实现上述基于单机模型的风机功率预测方法的步骤。
本发明通过最小粒度的单机功率预测方法，使得功率预测区域更灵活；通过粒子群寻优算法及统计学模型计算的修正，使得结果更加准确。
附图说明
图1为风机功率预测方法工作流程图；
图2(a)为离散点清洗前图；
图2(b)为离散点清洗前图；
图3为风机单机预测结果；
图4为功率预测全站拟合结果。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明是基于风机历史运行数据及历史天气数据，通过对历史信息的挖掘及多因素影响的风机功率预测方法。本发明对单机风功率进行学习预测，继而归算至全站及全系统的风功率预测结果。
参见图1，本发明的一种基于单机模型的风机功率预测方法，具体步骤如下：
1、通过协方差的概念，对原始采集数据中的离散点进行清洗，清洗前后结果如图2(a)、图2(b)：
2、将清洗后的数据进行模型训练，得到相关的影响系数
Figure BDA0002067975150000041
其中p表示功率值，表示第m表示样本个数，v表示影响因素值，
Figure BDA0002067975150000042
表示因素印象系数。
3、利用迭代寻优算法，获取功率预测值。具体方案如下：
(1)通过斜方差选取风速、风向、气压、湿度、温度5因素中与风机出力相关性最大三因素。
(2)设定最大三因素域值，根据因素相关性值从高至低,依次迭代筛选历史数据得相应结果集。若某一因素迭代筛选后，结果集为空,则添加该因素域长，重新迭代至结果集非空。
(3)迭代筛选完三因素后，取结果集中功率前40％的平均值，作为功率预测值。
(4)据历史相应时间段速度、功率两要素变化率，得
p＝β(t1-t0)+P0
从而计算预测功率值,以此筛选(1)、(2)、(3)的结果集，将与之拟合值最高的数作为预测结果，参见图3、图4。
4、将3中的结果带入2中训练出的模型，进行修正后，得到最终预测结果。
5、单机功率预测评估：
将预测结果与实际功率进行动态评估，选取最大绝对误差、平均绝对误差、均方根误差几个维度，通过阈值设定，评判预测结果的优劣及准确程度。
本发明的一种基于单机模型的风机功率预测系统，包括网络接口、存储器和处理器；其中，
网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
存储器，用于存储能够在所述处理器上运行的计算机程序指令；
处理器，用于在运行所述计算机程序指令时，执行上述基于单机模型的风机功率预测方法的步骤。
一种计算机存储介质，计算机存储介质存储有基于单机模型的风机功率预测的程序，所述基于单机模型的风机功率预测的程序被至少一个处理器执行时实现上述基于单机模型的风机功率预测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于单机模型的风机功率预测方法，其特征在于，包括以下步骤：
按照统计学中离散分布概率模型，对原始采集数据中的离散点进行清洗；
对清洗后的数据进行模型训练，分别训练出各个因素对风电功率预测的影响系数；
各个所述因素包括风速、温度、气压、湿度和方向；
所述原始采集数据包括功率-风速、功率-温度、功率-气压、功率-湿度和功率-方向；
所述影响系数如下：
Figure FDA0003029325390000011
其中，p表示功率值，m表示样本个数，v表示影响因素值，
Figure FDA0003029325390000012
表示因素影响系数，i表示第i个样本；
采集数值天气预报中的各个因素，利用大数据迭代寻优算法，计算出风电功率预测值；
所述风电功率预测值具体的计算方法如下：
通过斜方差选取风速、风向、气压、湿度、温度中与风机出力相关性最大三因素；
基于预设的最大三因素域值，根据因素相关性值从高至低,依次迭代筛选历史数据得相应结果集；若某一因素迭代筛选后，结果集为空,则添加该因素阈值，重新迭代至结果集非空；
迭代筛选完三因素后，取结果集中功率前设定百分数的平均值，作为功率预测值；
据历史相应时间段速度、功率两要素变化率，得
p＝β(t1-t0)+P0
其中，P是所得功率，β是参数，t1、t0是时间点，p0是功率变化率；
将所述风电功率预测值带入模型训练，最终得到单机功率预测值；
将所述单机功率预测值按需归算至区域功率预测值；
2.根据权利要求1所述的基于单机模型的风机功率预测方法，其特征在于，取结果集中功率前设定百分数40％的平均值，作为功率预测值。
3.根据权利要求1所述的基于单机模型的风机功率预测方法，其特征在于，将所述单机功率预测值按需归算至区域功率预测值，具体方法如下：
将与所述预测功率值拟合值最高的数作为预测结果，将所述预测结果与实际功率进行动态评估，选取最大绝对误差、平均绝对误差、均方根误差，基于预设的阈值，最大绝对误差、平均绝对误差、均方根误差越小，结果越优。
4.一种基于单机模型的风机功率预测系统，其特征在于，所述系统包括网络接口、存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序指令；
所述处理器，用于在运行所述计算机程序指令时，执行权利要求1至3任一项所述基于单机模型的风机功率预测方法的步骤。
5.一种计算机存储介质，其特征在于，所述计算机存储介质存储有基于单机模型的风机功率预测的程序，所述基于单机模型的风机功率预测的程序被至少一个处理器执行时实现权利要求1至3任一项所述基于单机模型的风机功率预测方法的步骤。
CN201910427537.9A 2019-05-22 2019-05-22 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 Active CN110210657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910427537.9A CN110210657B (zh) 2019-05-22 2019-05-22 一种基于单机模型的风机功率预测方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910427537.9A CN110210657B (zh) 2019-05-22 2019-05-22 一种基于单机模型的风机功率预测方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN110210657A CN110210657A (zh) 2019-09-06
CN110210657B true CN110210657B (zh) 2021-06-18

Family

ID=67788148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910427537.9A Active CN110210657B (zh) 2019-05-22 2019-05-22 一种基于单机模型的风机功率预测方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110210657B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046374B (zh) * 2015-08-25 2019-04-02 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
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN107330248B (zh) * 2017-06-08 2020-06-19 华南理工大学 一种基于改进型神经网络的短期风功率预测方法
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及系统

Also Published As

Publication number Publication date
CN110210657A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN113937763A (zh) 风电功率预测方法、装置、设备及存储介质
CN111915079B (zh) 一种混合knn风电功率预测方法及系统
CN111709569B (zh) 风电场输出功率预测修正方法及装置
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN111461450A (zh) 基于eemd和lstm的水电机组劣化度预测方法
CN107300853A (zh) 一种分区计算空间相关性的脉动风速时程输入方法
CN111179108A (zh) 用电能耗的预测方法和装置
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN110210657B (zh) 一种基于单机模型的风机功率预测方法、系统及计算机存储介质
CN111340307A (zh) 预测风机风力发电功率的方法以及相关装置
CN110837902A (zh) 一种松弛逼近资料同化方法及系统
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质
CN111026624B (zh) 电网信息系统的故障预测方法、装置
CN117195449A (zh) 一种风电场排布优化方法、装置、设备及介质
CN116777038A (zh) 微电网用电负荷预测方法、装置及存储介质
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN111178593A (zh) 一种光伏系统输出功率预测方法及装置
CN111178601B (zh) 一种基于气象数据后处理的风电机组功率预测方法
CN114819473A (zh) 一种受寒潮影响的区域风电等效风资源计算方法及装置
CN114547829A (zh) 一种风电场理论功率计算方法及系统
CN109066791B (zh) 一种风电模拟弃风序列的确定方法和装置
CN117117858B (zh) 一种风电机组功率预测方法、装置及存储介质
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
CN112163695A (zh) 基于copula函数的风力光伏发电预测方法、系统和介质

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