CN110363338B - 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 - Google Patents
基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 Download PDFInfo
- Publication number
- CN110363338B CN110363338B CN201910581287.4A CN201910581287A CN110363338B CN 110363338 B CN110363338 B CN 110363338B CN 201910581287 A CN201910581287 A CN 201910581287A CN 110363338 B CN110363338 B CN 110363338B
- Authority
- CN
- China
- Prior art keywords
- wind power
- atom
- cos
- prediction
- formula
- 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
- 238000005291 chaos (dynamical) Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 17
- 230000002238 attenuated effect Effects 0.000 title claims description 13
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000005684 electric field Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及风电技术领域，是基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，其特点是：它包括cos过完备原子库的建立、衰减线性原子库的建立、基于最大Lyapunov指数的混沌预测模型、基于cos衰减性原子分解和混沌理论的风电功率超短期预测、仿真计算和误差分析等步骤，与现有的仅考虑历史风电功率数据时序，本发明能跟踪未来的功率趋势，物理意义清晰，并考虑风电功率的衰减特性。基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法预测精度高，预测结果有效，适用性和实用性强。
Description
技术领域
本发明涉及风电技术领域，是一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法。
背景技术
风电是最具规模化开发条件的新能源，其出力特征不同于火电、核电，是典型的间歇性电源，主要由风速、风向等气象因素决定，具有显著的反调峰特性和不确定性，大规模风电并网给电力系统运行带来严峻的挑战。如能准确的风电功率预测为电力系统安全运行、电力调度带来积极的影响，从而获得更好的经济和环保效益。
风电功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报，时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线，及时调整有功出力。
现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，对于处理非线性时间序列有很大优势，但无法反映系统的动态特性。总体来说，现有的预测无法跟踪未来的功率趋势。
发明内容
本发明的目的是，提供一种物理意义清晰、考虑系统动态特性、科学合理、实用价值更高、精度更高、能够满足在线使用要求的基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法。
实现发明目的采用的技术方案是：一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，其特征在于：它包括以下步骤：
1)cos过完备原子库的建立
考虑到风电功率的波动性、间歇性、随机性特点，对原始风电功率序列分解后，建立不同特性的原子库，同时自适应地选择最佳原子，采用cos作为ASD的基函数，原子库的表达式为式(1)：
其中：
为高斯窗函数；参数组为
其中s为伸缩尺度变换参数，τ为位移特征参数，ξ为频率特性参数，
为相位参数，Kγ为使||gγ(t)||＝1的系数；
2)衰减线性原子库的建立
风电功率出力包括稳定出力区、波动出力区、振荡出力区，考虑到风电功率这3个出力基本特性，构造一个衰减的原子库，原子可自适应匹配风电功率的衰减，衰减原子库是通过所建立的原子库的平移、伸缩、变换生成的，表达形式为式(2)：
其中：m为原子的截距，n为原子的斜率，β为衰减常数，u′(t)为单位阶跃函数，tk为原子的开始时间，tj为原子的结束时间，kγ1为使||gγ1(t)||＝1的修正系数；
3)基于最大Lyapunov指数的混沌预测模型
根据混沌理论中相近点的收缩或膨胀进行预测，若经过T步的演化，Yk与YN分别演化为Yk+T与YN+T，基于系统最大Lyapunov指数的物理意义，得：式(3)；
其中，T为预测步骤，YN为参考相点，Yk为YN的近相点，λ1为最大Lyapunov指数；
4)基于cos衰减性原子分解和混沌理论的风电功率超短期预测
①按步骤1)和步骤2)对历史风电功率数据建立衰减性原子库，依据功率波动特性得到a1(t)，a2(t)，…an(t)共n个原子分量和一个残差分量R(t)，
②根据式(1)和式(2)，对未来16个时刻的原子分量值进行自预测，
③按步骤3)对残差分量进行预测未来16个时间点的输出功率值为式(4)
其中：j＝1,2,...,16；
5)仿真计算
仿真输入量：根据电场的实测数据进行分析，确定电场的总装机容量；风机台数；每台风机的额定容量；数据采样间隔为15min；根据步骤1)至步骤4)，得到整场风电功率实时预测结果；
6)误差分析
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，实时预测准确率定义为式(5)：
合格率定义为式(6)：
其中若
则Bk＝1，若
则Bk＝0
全天预测结果均方根误差为式(7)：
按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(5)、式(6)、式(7)进行误差计算，求得预测准确率。
本发明提出的基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，充分考虑了风电功率的出力特征进行预测，物理意义清晰，实用价值更高，精度更高，适用于超短期风电功率的多步预测；也能够评价其他风电功率预测。
附图说明
图1超短期风电功率多步预测框架；
图2为cos衰减性原子分解和混沌理论的风电功率超短期预测方法框架；
图3为预测值与真实值比较示意图。
具体实施方式
下面结合附图和具体实施例，对本发明的一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法作进一步说明。
结合图1-图3，本发明的一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，包括以下步骤：
1)cos过完备原子库的建立
考虑到风电功率的波动性、间歇性、随机性特点，对原始风电功率序列分解后，建立不同特性的原子库，同时自适应地选择最佳原子，采用cos作为ASD的基函数，原子库的表达式为式(1)：
其中：
为高斯窗函数；参数组为
其中s为伸缩尺度变换参数，τ为位移特征参数，ξ为频率特性参数，
为相位参数，Kγ为使||gγ(t)||＝1的系数；
2)衰减线性原子库的建立
风电功率出力包括稳定出力区、波动出力区、振荡出力区，考虑到风电功率这3个出力基本特性，构造一个衰减的原子库，原子可自适应匹配风电功率的衰减，衰减原子库是通过所建立的原子库的平移、伸缩、变换生成的，表达形式为式(2)：
其中：m为原子的截距，n为原子的斜率，β为衰减常数，u′(t)为单位阶跃函数，tk为原子的开始时间，tj为原子的结束时间，kγ1为使||gγ1(t)||＝1的修正系数；
3)基于最大Lyapunov指数的混沌预测模型
根据混沌理论中相近点的收缩或膨胀进行预测，若经过T步的演化，Yk与YN分别演化为Yk+T与YN+T，基于系统最大Lyapunov指数的物理意义，得：式(3)；
其中，T为预测步骤，YN为参考相点，Yk为YN的近相点，λ1为最大Lyapunov指数；
5)基于cos衰减性原子分解和混沌理论的风电功率超短期预测
①按步骤1)和步骤2)对历史风电功率数据建立衰减性原子库，依据功率波动特性得到a1(t)，a2(t)，…an(t)共n个原子分量和一个残差分量R(t)，
②根据式(1)和式(2)，对未来16个时刻的原子分量值进行自预测，
③按步骤3)对残差分量进行预测未来16个时间点的输出功率值为式(4)
其中：j＝1,2,...,16；
5)仿真计算
仿真输入量：本发明以吉林省某电场的实测数据进行分析，该电场的总装机容量为400.5MW；风机台数为267台；每台风机的额定容量为1.5MW；数据采样间隔为15min；根据步骤1)至步骤4)，得到整场风电功率实时预测结果；
6)误差分析
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，实时预测准确率定义为式(5)：
合格率定义为式(6)：
其中若
则Bk＝1，若
则Bk＝0
全天预测结果均方根误差为式(7)：
按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(5)、式(6)、式(7)进行误差计算，求得预测准确率。
本发明提出的一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，充分考虑了风电功率的出力特征进行预测，物理意义清晰，实用价值更高，精度更高，适用于超短期风电功率的多步预测；也能够评价其他风电功率预测。
具体算例分析
本发明以东北某风电场实测数据为例进行分析，采样间隔为15min。该风电场的装机容量为400.5MW，风机数量为267台，单台风机的额定容量为1.5MW；预测结果评价指标选为国家能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价(国家能源局关于印发风电场功率预测预报管理暂行办法的通知[EB/OL]，2011)。
表1不同模型预测结果对比
Tab.1 Comparison of prediction results of different models
本发明的特定实施例已对本发明的内容作出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。
Claims (1)
1.一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，其特征在于：它包括以下步骤：
1)cos过完备原子库的建立
考虑到风电功率的波动性、间歇性、随机性特点，对原始风电功率序列分解后，建立不同特性的原子库，同时自适应地选择最佳原子，采用cos作为ASD的基函数，原子库的表达式为式(1)：
其中：
为高斯窗函数；参数组为
其中s为伸缩尺度变换参数，τ为位移特征参数，ξ为频率特性参数，
为相位参数，Kγ为使||gγ(t)||＝1的系数；
2)衰减线性原子库的建立
风电功率出力包括稳定出力区、波动出力区、振荡出力区，考虑到风电功率这3个出力基本特性，构造一个衰减的原子库，原子可自适应匹配风电功率的衰减，衰减原子库是通过所建立的原子库的平移、伸缩、变换生成的，表达形式为式(2)：
其中：m为原子的截距，n为原子的斜率，β为衰减常数，u′(t)为单位阶跃函数，tk为原子的开始时间，tj为原子的结束时间，kγ1为使||gγ1(t)||＝1的修正系数；
3)基于最大Lyapunov指数的混沌预测模型
根据混沌理论中相近点的收缩或膨胀进行预测，若经过T步的演化，Yk与YN分别演化为Yk+T与YN+T，基于系统最大Lyapunov指数的物理意义，得：式(3)；
其中，T为预测步骤，YN为参考相点，Yk为YN的近相点，λ1为最大Lyapunov指数；
4)基于cos衰减性原子分解和混沌理论的风电功率超短期预测
①按步骤1)和步骤2)对历史风电功率数据建立衰减性原子库，依据功率波动特性得到a1(t)，a2(t)，…an(t)共n个原子分量和一个残差分量R(t)，
②根据式(1)和式(2)，对未来16个时刻的原子分量值进行自预测，
③按步骤3)对残差分量进行预测未来16个时间点的输出功率值为式(4)
其中：j＝1,2,...,16；
5)仿真计算
仿真输入量：根据电场的实测数据进行分析，确定电场的总装机容量；风机台数；每台风机的额定容量；数据采样间隔为15min；根据步骤1)至步骤4)，得到整场风电功率实时预测结果；
6)误差分析
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，实时预测准确率定义为式(5)：
合格率定义为式(6)：
其中若
则Bk＝1，若
则Bk＝0
全天预测结果均方根误差为式(7)：
按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(5)、式(6)、式(7)进行误差计算，求得预测准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910581287.4A CN110363338B (zh) | 2019-06-29 | 2019-06-29 | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910581287.4A CN110363338B (zh) | 2019-06-29 | 2019-06-29 | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363338A CN110363338A (zh) | 2019-10-22 |
| CN110363338B true CN110363338B (zh) | 2022-07-26 |
Family
ID=68216171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910581287.4A Active CN110363338B (zh) | 2019-06-29 | 2019-06-29 | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363338B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991725B (zh) * | 2019-11-27 | 2022-03-18 | 东北电力大学 | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 |
| CN111489038B (zh) * | 2020-04-14 | 2022-09-30 | 北京天润新能投资有限公司 | 一种提升风电场超短期功率预测准确率的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7813822B1 (en) * | 2000-10-05 | 2010-10-12 | Hoffberg Steven M | Intelligent electronic appliance system and method |
| CN105184411A (zh) * | 2015-09-19 | 2015-12-23 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
| CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN106291475A (zh) * | 2016-07-20 | 2017-01-04 | 南京御达电信息技术有限公司 | 一种用于雷达波形设计优化方法 |
| CN109787295A (zh) * | 2019-02-26 | 2019-05-21 | 东北电力大学 | 一种计及风电场状态的风电功率超短期预测计算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6787730B2 (en) * | 1998-07-09 | 2004-09-07 | Damian Coccio | Device for plasma incision of matter with a specifically tuned radiofrequency electromagnetic field generator |
-
2019
- 2019-06-29 CN CN201910581287.4A patent/CN110363338B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7813822B1 (en) * | 2000-10-05 | 2010-10-12 | Hoffberg Steven M | Intelligent electronic appliance system and method |
| CN105184411A (zh) * | 2015-09-19 | 2015-12-23 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
| CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN106291475A (zh) * | 2016-07-20 | 2017-01-04 | 南京御达电信息技术有限公司 | 一种用于雷达波形设计优化方法 |
| CN109787295A (zh) * | 2019-02-26 | 2019-05-21 | 东北电力大学 | 一种计及风电场状态的风电功率超短期预测计算方法 |
Non-Patent Citations (4)
| Title |
|---|
| The Ultral-short Term Prediction of Wind Power Based on Chaotic Time Series;Yan Gangui et al.;《Energy Procedia》;20121231;第17卷;第1490-1496页 * |
| Ultral-Short-Term Multistep Wind Power Prediction Based on Improved EMD and Reconstruction Method Using Run-Length Analysis;Mao Yang et al.;《IEEE Access》;20180607;第6卷;第31908-31917页 * |
| 基于概率分布量化指标和灰色关联决策的风电功率实时预测研究;杨茂 等;《中国电机工程学报》;20170825;第37卷(第24期);第7099-7017页 * |
| 基于稀疏编码的短期风电功率时间序列预测;李军 等;《电力系统保护与控制》;20180627;第46卷(第12期);第16-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363338A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Papaefthymiou et al. | MCMC for wind power simulation | |
| CN105429129B (zh) | 一种考虑网络约束的间歇性能源发电容量置信度评估方法 | |
| CN112396220B (zh) | 一种基于场景缩减的含风电与需求侧资源的优化调度方法 | |
| Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
| CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
| CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
| CN110991725B (zh) | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 | |
| CN112668806B (zh) | 一种基于改进随机森林的光伏功率超短期预测方法 | |
| CN110363338B (zh) | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 | |
| CN108565865B (zh) | 一种含风电的交直流混联系统风险评估方法 | |
| WO2023115425A1 (zh) | 一种超短时风速预测方法及系统 | |
| Wang et al. | Short-term photovoltaic power generation combination forecasting method based on similar day and cross entropy theory | |
| Yu et al. | The short-term forecasting of wind speed based on EMD and ARMA | |
| CN116960941A (zh) | 一种功率爬坡事件预测方法、装置、设备及存储介质 | |
| CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
| Yang et al. | Short‐term photovoltaic power dynamic weighted combination forecasting based on least squares method | |
| CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
| CN107732962B (zh) | 一种基于超短期弃风曲线预测的弃风减量方法 | |
| Dong et al. | Studies on wind farms ultra-short term NWP wind speed correction methods | |
| Lu | Multi-step ahead ultra-short-term wind power forecasting based on time series analysis | |
| Tan et al. | An improved modeling method for uncertainty of renewable energy power generation considering random variables correlation | |
| Ren et al. | Research on wind power prediction | |
| CN112035783A (zh) | 一种基于时频分析的风电功率特征评价方法 | |
| Kashef et al. | Relating turbulence to wind turbine blade loads: Parametric study with multiple regression analysis |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191111 Address after: Jilin City, Jilin province Changchun ship 132012 Camp Road No. 169 Applicant after: NORTHEAST DIANLI University Applicant after: STATE GRID LIAONING ELECTRIC POWER Research Institute Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: Jilin City, Jilin province Changchun ship 132012 Camp Road No. 169 Applicant before: Northeast Dianli University Applicant before: STATE GRID LIAONING ELECTRIC POWER Research Institute |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |