CN110414734A - 一种计及风资源利用率预测评估的方法 - Google Patents
一种计及风资源利用率预测评估的方法 Download PDFInfo
- Publication number
- CN110414734A CN110414734A CN201910686098.3A CN201910686098A CN110414734A CN 110414734 A CN110414734 A CN 110414734A CN 201910686098 A CN201910686098 A CN 201910686098A CN 110414734 A CN110414734 A CN 110414734A
- Authority
- CN
- China
- Prior art keywords
- wind
- utilization rate
- resources utilization
- formula
- wind speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 241000282461 Canis lupus Species 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 55
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000010408 sweeping Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 235000015170 shellfish Nutrition 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 12
- 230000005611 electricity Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明一种计及风资源利用率预测评估的方法,涉及风力发动机的监控领域,该方法步骤是:构建风电机组功率五参数模型;灰狼优化算法进行功率模型参数识别;等间隔划分风速段,采用非参数核密度估计法建立各风速段的风资源利用率预测误差概率分布;进行计及风资源利用率区间估计,求得风电机组在给定置信度下的风资源利用率的置信区间;预测评估风资源利用率的波动程度,本发明克服了现有技术所存在的没有进行风资源利用率波动程度的预测评估的缺陷。
Description
技术领域
本发明的技术方案涉及风力发动机的监控领域,具体地说是一种计及风资源利用率预测评估的方法。
背景技术
风资源利用率反映风电机组性能,风资源利用率预测评估是风电机组状态监测和风电功率预测的有效手段之一。风能的间歇性、随机性和波动性使得风电机组发电性能偏离设计指标、风资源利用率稳定性差,这给电网的安全运行和经济调度带来极大挑战。
目前,研究风资源利用率预测评估的文献较少,一般的风资源评估方法很少对风资源利用率进行评估,并且仅局限于确定性的评估。CN105005581A公开了一种风电场风资源数据处理方法及系统,该技术仅进行风速风向等数据的监测,未对风资源的利用率及风电机组健康状态进行监测评估;CN104331621B公开了一种风资源计算方法,该方法并未充分考虑测风地以及风电机组的运行状态,只是根据单一指标进行简单的风资源等级划分;CN103696913B公开了一种实时监测风电机组运行时的风能利用偏差的方法,利用偏差的方法实时监测风能利用偏差,但未对风能利用率的波动程度进行评估。总之,现有的技术方案没有进行风资源利用率波动程度的预测评估。
发明内容
本发明所要解决的技术问题是:提供一种计及风资源利用率预测评估的方法,该方法将数据样本等间隔划分风速段,采用非参数核密度估计法,分别求得各风速段的预测误差ξ的概率分布F(ξ),再根据预测误差概率分布F(ξ)求得给定置信度下的风资源利用率Cpa的置信区间,进而预测评估风资源利用率的波动程度,克服了现有技术所存在的没有进行风资源利用率波动程度的预测评估的缺陷。
本发明解决该技术问题所采用的技术方案是:一种计及风资源利用率预测评估的方法,将数据样本等间隔划分风速段,采用非参数核密度估计法,分别确定各风速段的预测误差ξ的概率分布F(ξ),再根据预测误差概率分布F(ξ)求得给定置信度下的风资源利用率Cpa的置信区间,进而预测评估风资源利用率的波动程度,具体步骤如下:
第一步,辨识风电机组功率五参数模型中的最优解五个参数:
根据实际风速v,引入灰狼优化算法辨识风电机组功率五参数模型的参数,具体操作过程如下:
(1.1)步,风电机组功率五参数模型:
设计风电机组功率五参数模型如下公式(1)所示,
公式(1)中,为通过五参数模型计算出的功率预测值,v为由观测得到的实际风速,X=[a,b,c,d,g]为风电机组功率五参数模型的特定参数向量,a为预期的最大响应,b为斜率因子,c为过渡位置参数,d为最小响应,g为不对称参数;
(1.2)步,在给定范围内产生灰狼优化算法的随机灰狼种群:
初始化狼群Y,狼群中的灰狼数量为M,设置灰狼优化算法中的最大迭代次数为N,设定上述(1.1)步中的风电机组功率五参数的上下界,在给定上下界范围内,即在种群中灰狼数量为M的训练集以及参数的上下界范围内产生随机灰狼种群,该随机灰狼种群的特定参数向量的矩阵Y表示如公式(2)所示,
Y=[X1,X2,…,Xi,…,XM]T (2),
公式(2)中,Xi为第i个个体特定参数位置向量,Xi=[a,b,c,d,g]都是由上述(1.1)步中的a,b,c,d,g五个参数组成,其中,1≤i≤M,M为狼群中的灰狼数量;
(1.3)步,计算每个个体特定参数位置向量的适应度值:
使用如下公式(3)所示均方根误差作为适应度函数,由此计算每个个体的特定参数位置向量适应度值F(Xi),
公式(3)中,vk为给定风速,其中1≤k≤n,n为给定风速样本个数,Pm(Xi,vk)为上述(1.2)中的第i个个体特定参数位置向量的确定的五参数模型功率,Pa(vk)为风速vk对应的风电机组实际功率;
(1.4)步,选择适应度值最好的3个个体特定参数位置向量:
适应度值F(Xi)的函数值越小,个体越符合要求,根据此原则选择确定上述(1.3)步计算适应度值F(Xi)最好的3个特定参数个体位置向量,分别记为Xα、Xβ、Xδ;
(1.5)步,更新适应度值最好的个体特定参数位置向量:
上述(1.4)步中的最好的3个个体特定参数位置向量中的Xα由如下公式(4-1)~(4-3)得到:
D=|C×XP(t)-X(t)| (4-1),
X(t+1)=XP(t)-A×D (4-2),
公式(4-1)中,D为个体特定参数位置向量与最优解的距离,t为当前迭代次数,C是与随机数r1有关的参数,C=2×r1,r1是[0,1]的随机数,Xp为最优解的个体特定参数位置向量,X(t)表示当前个体特定参数位置向量,
公式(4-2)中,A是与随机数r2有关的参数,A=2h×r2-h,收敛因子h随迭代次数从2线性递减到0,r2是[0,1]的随机数,
公式(4-3)中,N为最大迭代次数,
上述(1.4)步中的Xα带领Xβ和Xδ指导整个种群逼近最优解的数学描述如下,
Dα=|C1×Xα(t)-X(t)| (5-1),
Dβ=|C2×Xβ(t)-X(t)| (5-2),
Dδ=|C3×Xδ(t)-X(t)| (5-3),
公式(5-1)~(5-3)中,C1、C2和C3为随机向量,Dα、Dβ、Dδ分别定义了Xα、Xβ、Xδ的前进步长和方向;
更新候选个体特定参数位置向量Xω的位置由以下公式确定,
X1=Xα-A1×Dα (6-1),
X2=Xβ-A2×Dβ (6-2),
X3=Xδ-A3×Dδ (6-3),
X(t+1)=(X1+X2+X3)/3 (6-4),
公式(6-1)~(6-4)中,A1、A2、A3为随机向量,X(t+1)为更新候选个体特定参数位置向量Xω的位置;
(1.6)步,更新参数h、A、C:
随迭代进行不断更新参数a、A、C;
(1.7)步,如果当前迭代次数t小于最大迭代次数N,转到上述(1.3)步:
(1.8)步,若当前迭代次数t达到最大迭代次数N,输出当前适应度值F(Xi)最好的特定参数个体位置向量Xα的最终位置向量,其中的五个参数即为最优解;
至此,辨识了风电机组功率五参数模型中的最优解五个参数,即a为预期的最大响应,b为斜率因子,c为过渡位置参数,d为最小响应,g为不对称参数五个参数;
第二步,确定风资源利用率的预测误差ξ:
(2.1)步,采用风能利用系数Cp表征风资源利用率,Cp定义方法如下公式(7)所示,
公式(7)中,Cp为风资源利用率,ρ为空气密度,单位kg/m3,P为风电机组实际有功功率,单位W;S为叶轮扫风面积,单位m2;v为由观测得到的实际风速,单位m/s,
(2.2)步,采用预测误差统计分析方法,确定风资源利用率的预测误差ξ:
风资源利用率的预测误差ξ的确定方法如下公式(8)所示,
公式(8)中,Cpa为风资源利用率实际值,将观测得到的实际风速v及其对应的风电机组实际有功功率P代入公式(7),再根据此时的空气密度与叶轮扫风面积即可确定风资源利用率实际值,Cpm为风资源利用率预测值,根据实际风速由上述公式(1)求得风电机组功率预测值,将该风电机组功率预测值代入上述公式(7)来确定;Cpmax为理论上的风资源利用率最大值,根据贝兹理论,取0.593,
至此确定风资源利用率的预测误差ξ;
第三步,确定各风速段的风资源利用率Cp的预测误差ξi及其概率分布F(ξi):
所述各风速段为Di,其中i=1,2,···,λ,λ为风速段的所分段数,
采用非参数核密度估计法建立各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),
(3.1)等间隔划分风速段:
将数据样本等间隔划分成多个风速段,分别进行概率分布统计,设定每一风速段的段长为Δv,整体风速波动范围为[vl,vh],则所分某风速段Di由如下公式(9)所示:
Di=[vl+(i-1)Δv,vl+iΔv] (9),
公式(9)中,i=1,2,···,λ,λ为风速段的所分段数,
λ=[(vh-vl)/Δv]+1
(3.2)求取各风速段的风资源利用率Cp的预测误差ξi的概率密度函数f(ξi),并绘出风资源利用率预测误差概率密度曲线:
采用非参数核密度估计法求取各风速段的风资源利用率Cp的预测误差ξi的概率密度函数f(ξi),并绘出风资源利用率预测误差概率密度曲线,操作如下:
取标准高斯核函数K(x)作为非参数核密度估计函数,表达式为公式(10),
对于某一风速段Di的风资源利用率Cp的预测误差ξi,其概率密度函数f(ξi)如下公式(11)所示,
公式(11)中,Ti为样本总数;L为窗宽;K(x)为标准高斯核函数;ξm为误差样本,
并依次绘出风资源利用率预测误差概率密度曲线,横坐标为风资源利用率Cp的预测误差ξi,纵坐标为概率密度函数f(ξi);
(3.3)确定各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi):
采用交叉验证法,选择各风速段的最佳窗宽L值,求得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi);
第四步,确定风电机组在给定置信度下的风资源利用率波动区间:
根据上述第三步所得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),确定风电机组在给定置信度下的风资源利用率波动区间的过程如下,
利用上述第三步所得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),做出给定置信度1-α下计及风资源利用率实际值Cpa的置信区间为公式(12)所示,
Cpa∈[Cpl,Cpu]1-α (12),
公式(12)中,Cpl为风资源利用率置信下限;Cpu为风资源利用率置信上限;1-α为给定置信度,有1-α=P{Cpl<Cpa<Cpu},0<α<1,其中,风资源利用率置信下限Cpl和风资源利用率置信上限Cpu的计算式分别为公式(13)和公式(14),
Cpl=Cpm+G(α/2)×Cpmax (13),
Cpu=Cpm+G(1-α/2)×Cpmax (14),
公式(13)和公式(14)中,G(η)为各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi)的反函数,其中η如下公式(15)所示,
P{ξ≤G(η)}=η (15),
由此,确定风电机组在给定置信度下的风资源利用率波动区间为[Cpl,Cpu];
第五步,预测评估风资源利用率的波动程度:
(5.1)步,对于某一风资源利用率的预测值Cpm,找到其对应的实际风速,判断其所在风速段;
(5.2)步,求得预测误差ξ的α/2和1-α/2对应点:
根据上述第三步中已经求得的各风速段的风资源利用率预测误差概率密度f(ξi),查找该风资源利用率预测值所处风速段的风资源利用率Cp预测误差ξi的概率密度曲线,求得预测误差ξ的α/2和1-α/2对应点;
(5.3)步,根据上述第四步中给出的风资源利用率置信区间的置信下限Cpl和风资源利用率置信上限Cpu的计算式公式(13)和公式(14),求出上述(5.2)步中所述风资源利用率Cp预测值所处风速段的区间估计的边界值,进而给出给定置信度1-α下该风资源利用率Cp预测值的置信区间;
(5.4)步,同理求得各风速段的所有风资源利用率Cp预测值的置信区间,分别连接各个风资源利用率Cp预测值置信区间上下限,形成全风速段的风资源利用率Cp估计曲线;
至此,根据全风速段的风资源利用率Cp估计曲线预测评估风资源利用率的波动程度。
上述一种计及风资源利用率预测评估的方法,所述非参数核密度估计法的英文为nonparametric kernel density estimation,缩写为NKDE;交叉验证法的英文为crossvalidation,缩写为CV;灰狼优化算法的英文缩写为GWO,均是本技术领域公知的方法。
本发明的有益效果是:与现有技术相比,本发明具有以下突出的实质性特点和显著进步:
(1)本发明提出将数据样本等间隔划分风速段,采用非参数核密度估计法,分别求得各风速段的预测误差ξ的概率分布F(ξ),再根据预测误差概率分布F(ξ)求得给定置信度下的风资源利用率Cpa的置信区间,进而预测评估风资源利用率的波动程度,克服了现有的技术方案没有进行风资源利用率波动程度的预测评估的缺陷。
(2)CN105005581A公开了一种风电场风资源数据处理方法及系统,仅进行风速风向等数据的监测,未对风资源的利用率及风电机组健康状态进行监测评估;CN104331621B公开了一种风资源计算方法,并未充分考虑测风地以及风电机组的运行状态,只是根据单一指标进行简单的风资源等级划分,未对风资源利用率波动程度进行预测评估;CN103696913B公开了一种实时监测风电机组运行时的风能利用偏差的方法,利用偏差的方法实时监测风能利用偏差,但未对未来风能利用率的波动程度进行评估;总之,上述现有技术没有对风资源利用率波动程度进行预测评估,仅局限于风资源利用率确定性的评估。
(3)风资源利用率反映风电机组性能,风资源利用率预测评估是风电机组状态监测和风电功率预测的有效手段之一。风能的间歇性、随机性和波动性使得风电机组发电性能偏离设计指标、风资源利用率稳定性差,这给电网的安全运行和经济调度带来极大挑战。
风力发电的不确定性导致风资源利用率的不确定性,本发明一种计及风资源利用率预测评估的方法,合理评估风电机组健康状态及其风资源利用率,并在此基础上分析风资源利用率的波动程度,实现科学预测风电功率,这些是大规模风电并网必须予以解决的关键问题。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是实施例1中处理后的风速-功率散点图。
图2是实施例1中灰狼优化算法模型参数辨识结果的风速-功率曲线图。
图3(a)是实施例1中风电机组风资源利用率Cp的实际值测试图。
图3(b)是实施例1中风电机组风资源利用率Cp的预测值测试图。
图4是实施例1中风电机组风速分布特征柱状图。
图5是实施例1中不同风速下的风资源利用率Cp预测误差散点图。
图6是实施例1中不同风速段风资源利用率Cp预测误差ξ概率密度f(ξ)曲线图。
图7(a)是实施例1中风速段4的风资源利用率Cp概率分布及80%置信区间曲线图。
图7(b)是实施例1中风速段7的风资源利用率Cp概率分布及60%置信区间曲线图。
图8(a)是实施例1中风资源利用率Cp实际值测试图。
图8(b)是实施例1中80%置信区间(1-α)=0.8的风资源利用率Cp实际值测试图。
图8(c)是实施例160%置信区间(1-α)=0.6的风资源利用率Cp实际值测试图。
图9是本发明方法操作流程示意图。
具体实施方式
图9所示实施例表明,本发明方法操作流程是:构建风电机组功率五参数模型→灰狼优化算法进行功率模型参数识别→等间隔划分风速段,采用非参数核密度估计法建立各风速段的风资源利用率预测误差概率分布→进行计及风资源利用率区间估计,求得风电机组在给定置信度下的风资源利用率的置信区间→预测评估风资源利用率的波动程度。
实施例
本实施例一种计及风资源利用率预测评估的方法,选用的2MW风电机组的技术参数如下表1所示:
表1.2MW风电机组的技术参数
统计某典型风电场SCADA系统中的实际风速v、风电机组实际有功功率P全年运行数据,进行数据预处理,绘制成P-v散点图,如图1本实施例中处理后的风速-功率散点图所示。筛选后的数据被随机分为2个子集,都分别包括训练样本和测试样本。第1个子集用于风电机组功率模型参数辨识及模型评价,第2个子集用于风资源利用率预测、误差概率分布统计及置信区间估计。
本实施例一种计及风资源利用率预测评估的方法,具体步骤如下:
第一步,辨识风电机组功率五参数模型中的最优解五个参数:
根据实际风速v,引入灰狼优化算法辨识风电机组功率五参数模型的参数,具体操作过程如下:
(1.1)步,风电机组功率五参数模型:
设计风电机组功率五参数模型如下公式(1)所示,
公式(1)中,为通过五参数模型计算出的功率预测值,v为由观测得到的实际风速,X=[a,b,c,d,g]为风电机组功率五参数模型的特定参数向量,a为预期的最大响应,b为斜率因子,c为过渡位置参数,d为最小响应,g为不对称参数;
设定,上述风电机组功率五参数模型中a,b,c,d,g的上下限分别为[1950,2050],[-20,20],[0,20],[-20,20],[0,2],精度取小数点后四位;
(1.2)步,在给定范围内产生灰狼优化算法的随机灰狼种群:
初始化狼群Y,狼群中的灰狼数量为M,设置灰狼优化算法中的最大迭代次数为N,设定上述(1.1)步中的风电机组功率五参数的上下界,在给定上下界范围内,即在种群中灰狼数量为M的训练集以及参数的上下界范围内产生随机灰狼种群,在本实施例中,初始种群数量M=50,最大迭代次数N=200,该随机灰狼种群的特定参数向量的矩阵Y表示如公式(2)所示,
Y=[X1,X2,…,Xi,…,XM]T (2),
公式(2)中,Xi为第i个个体特定参数位置向量,Xi=[a,b,c,d,g]都是由上述(1.1)步中的a,b,c,d,g五个参数组成,其中,1≤i≤M,M为狼群中的灰狼数量;
(1.3)步,计算每个个体特定参数位置向量的适应度值:
使用如下公式(3)所示均方根误差作为适应度函数,由此计算每个个体的特定参数位置向量适应度值F(Xi),
公式(3)中,vk为给定风速,其中1≤k≤n,n为给定风速样本个数,Pm(Xi,vk)为上述(1.2)中的第i个个体特定参数位置向量的确定的五参数模型功率,Pa(vk)为风速vk对应的风电机组实际功率;
(1.4)步,选择适应度值最好的3个个体特定参数位置向量:
适应度值F(Xi)的函数值越小,个体越符合要求,根据此原则选择确定上述(1.3)步计算适应度值F(Xi)最好的3个特定参数个体位置向量,分别记为Xα、Xβ、Xδ;
(1.5)步,更新适应度值最好的个体特定参数位置向量:
上述(1.4)步中的最好的3个个体特定参数位置向量中的Xα由如下公式(4-1)~(4-3)得到:
D=|C×XP(t)-X(t)| (4-1),
X(t+1)=XP(t)-A×D (4-2),
公式(4-1)中,D为个体特定参数位置向量与最优解的距离,t为当前迭代次数,C是与随机数r1有关的参数,C=2×r1,r1是[0,1]的随机数,Xp为最优解的个体特定参数位置向量,X(t)表示当前个体特定参数位置向量,
公式(4-2)中,A是与随机数r2有关的参数,A=2h×r2-h,收敛因子h随迭代次数从2线性递减到0,r2是[0,1]的随机数,
公式(4-3)中,N为最大迭代次数,
上述(1.4)步中的Xα带领Xβ和Xδ指导整个种群逼近最优解的数学描述如下,
Dα=|C1×Xα(t)-X(t)| (5-1),
Dβ=|C2×Xβ(t)-X(t)| (5-2),
Dδ=|C3×Xδ(t)-X(t)| (5-3),
公式(5-1)~(5-3)中,C1、C2和C3为随机向量,Dα、Dβ、Dδ分别定义了Xα、Xβ、Xδ的前进步长和方向;
更新候选个体特定参数位置向量Xω的位置由以下公式确定,
X1=Xα-A1×Dα (6-1),
X2=Xβ-A2×Dβ (6-2),
X3=Xδ-A3×Dδ (6-3),
X(t+1)=(X1+X2+X3)/3 (6-4),
公式(6-1)~(6-4)中,A1、A2、A3为随机向量,X(t+1)为更新候选个体特定参数位置向量Xω的位置;
(1.6)步,更新参数h、A、C:
随迭代进行不断更新参数a、A、C;
(1.7)步,如果当前迭代次数t小于最大迭代次数N,转到上述(1.3)步:
(1.8)步,若当前迭代次数t达到最大迭代次数N,输出当前适应度值F(Xi)最好的特定参数个体位置向量Xα的最终位置向量,其中的五个参数即为最优解;
至此,辨识了风电机组功率五参数模型中的最优解五个参数,即a为预期的最大响应,b为斜率因子,c为过渡位置参数,d为最小响应,g为不对称参数五个参数,本实施例中灰狼优化算法模型参数辨识结果的风速-功率曲线图如图2所示,经上述步骤(1.3)步~(1.8)步操作,某次运算得到的最优解[a,b,c,d,g]=[1995.4289,-19.8367,11.9052,0.5638,0.1601];
第二步,确定风资源利用率的预测误差ξ:
(2.1)步,采用风能利用系数Cp表征风资源利用率,Cp定义方法如下公式(7)所示,
公式(7)中,Cp为风资源利用率,ρ为空气密度,单位kg/m3,P为风电机组实际有功功率,单位W;S为叶轮扫风面积,单位m2;v为由观测得到的实际风速,单位m/s,
(2.2)步,采用预测误差统计分析方法,确定风资源利用率的预测误差ξ:
风资源利用率的预测误差ξ的确定方法如下公式(8)所示,
公式(8)中,Cpa为风资源利用率实际值,将观测得到的实际风速v及其对应的风电机组实际有功功率P代入公式(7),再根据此时的空气密度与叶轮扫风面积即可确定风资源利用率实际值,Cpm为风资源利用率预测值,根据实际风速由上述公式(1)求得风电机组功率预测值,将该风电机组功率预测值代入上述公式(7)来确定;Cpmax为理论上的风资源利用率最大值,根据贝兹理论,取0.593,
图3(a)为本实施例中风电机组风资源利用率Cp的实际值测试图,图3(b)为本实施例计算后的中风电机组风资源利用率Cp的预测值测试图,如图3(a)与图3(b)所示,由于预测方法、模型精度及自然环境的差异,风电机组Cp的实际值与预测值并不完全相符。实际运行的风电场中,风速服从威布尔概率分布,
图4是本实施例中该风电机组风速分布特征柱状图。由该图可知,该风电机组所捕获的风速主要集中于3m/s和13m/s之间,因此主要对此风速区间的风资源利用率预测误差进行研究。此区间风速主要集中于vC到vN段,对应于功率特性曲线的线性放大区,此时较小的风速变化就会引起较大的功率波动,从而引起较大的Cp预测误差。
图5是本实施例中不同风速下的风资源利用率Cp预测误差散点图。由图5可知,预测误差总体上在零附近波动,随着风速增大,波动逐渐减小,表2统计了各风速段内Cp预测误差的均值μ和标准差σ。
表2.各风速段内风资源利用率的预测误差ξ的均值和标准差
由表2可见,各风速段的Cp预测误差水平有明显差别,因此此处以Δv=1m/s把风速3~13m/s的风速区间等分为10个风速段;
至此确定风资源利用率的预测误差ξ;
第三步,确定各风速段的风资源利用率Cp的预测误差ξi及其概率分布F(ξi):
所述各风速段为Di,其中i=1,2,···,λ,λ为风速段的所分段数,
采用非参数核密度估计法建立各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),
(3.1)等间隔划分风速段:
将数据样本等间隔划分成多个风速段,分别进行概率分布统计,设定每一风速段的段长为Δv,整体风速波动范围为[vl,vh],则所分某风速段Di由如下公式(9)所示:
Di=[vl+(i-1)Δv,vl+iΔv] (9),
公式(9)中,i=1,2,···,λ,λ为风速段的所分段数,
λ=[(vh-vl)/Δv]+1
(3.2)求取各风速段的风资源利用率Cp的预测误差ξi的概率密度函数f(ξi),并绘出风资源利用率预测误差概率密度曲线:
采用非参数核密度估计法求取各风速段的风资源利用率Cp的预测误差ξi的概率密度函数f(ξi),并绘出风资源利用率预测误差概率密度曲线,操作如下:
取标准高斯核函数K(x)作为非参数核密度估计函数,表达式为公式(10),
对于某一风速段Di的风资源利用率Cp的预测误差ξi,其概率密度函数f(ξi)如下公式(11)所示,
公式(11)中,Ti为样本总数;L为窗宽;K(x)为标准高斯核函数;ξm为误差样本,
并依次绘出风资源利用率预测误差概率密度曲线,横坐标为风资源利用率Cp的预测误差ξi,纵坐标为概率密度函数f(ξi),根据本实施例上述所述第(3.2)步分别计算各风速段内每一点的概率密度,采用三次样条插值求取各段Cp预测误差的概率密度曲线,如图6本实施例中不同风速段风资源利用率Cp预测误差ξ概率密度f(ξ)曲线图所示,风速段9和10的预测误差较小,其概率分布主要集中在零值附近,说明达到额定风速以后Cp值变化较小,预测值与实际值更为接近,而其它风速段的预测误差较为分散,说明Cp值波动范围较大,准确预测更为困难;
(3.3)确定各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi):
采用交叉验证法,选择各风速段的最佳窗宽L值,求得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi);
第四步,确定风电机组在给定置信度下的风资源利用率波动区间:
根据上述第三步所得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),确定风电机组在给定置信度下的风资源利用率波动区间的过程如下,
利用上述第三步所得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),做出给定置信度1-α下计及风资源利用率实际值Cpa的置信区间为公式(12)所示,
Cpa∈[Cpl,Cpu]1-α (12),
公式(12)中,Cpl为风资源利用率置信下限;Cpu为风资源利用率置信上限;1-α为给定置信度,有1-α=P{Cpl<Cpa<Cpu},0<α<1,其中,风资源利用率置信下限Cpl和风资源利用率置信上限Cpu的计算式分别为公式(13)和公式(14),
Cpl=Cpm+G(α/2)×Cpmax (13),
Cpu=Cpm+G(1-α/2)×Cpmax (14),
公式(13)和公式(14)中,G(η)为各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi)的反函数,其中η如下公式(15)所示,
P{ξ≤G(η)}=η (15),
由此,确定风电机组在给定置信度下的风资源利用率波动区间为[Cpl,Cpu];
第五步,预测评估风资源利用率的波动程度:
(5.1)步,对于某一风资源利用率的预测值Cpm,找到其对应的实际风速,判断其所在风速段;
(5.2)步,求得预测误差ξ的α/2和1-α/2对应点:
根据上述第三步中已经求得的各风速段的风资源利用率预测误差概率密度f(ξi),查找该风资源利用率预测值所处风速段的风资源利用率Cp预测误差ξi的概率密度曲线,求得预测误差ξ的α/2和1-α/2对应点;
(5.3)步,根据上述第四步中给出的风资源利用率置信区间的置信下限Cpl和风资源利用率置信上限Cpu的计算式公式(13)和公式(14),求出上述(5.2)步中所述风资源利用率Cp预测值所处风速段的区间估计的边界值,进而给出给定置信度1-α下该风资源利用率Cp预测值的置信区间;
(5.4)步,同理求得各风速段的所有风资源利用率Cp预测值的置信区间,分别连接各个风资源利用率Cp预测值置信区间上下限,形成全风速段的风资源利用率Cp估计曲线;
至此,根据全风速段的风资源利用率Cp估计曲线预测评估风资源利用率的波动程度。
由预测误差概率密度曲线经过折算可得Cp的概率密度曲线,选取连续545个测试样本分别进行置信度为0.8和0.6的风资源利用率评估;
图7(a)是本实施例中风速段4的风资源利用率Cp概率分布及80%置信区间曲线图,为本实施例第98个测点所在的风速段4的Cp概率密度曲线及80%置信区间,其预测值为0.2937,置信区间为[0.1707,0.4659],实际值为0.2432;图7(b)是本实施例中风速段7的风资源利用率Cp概率分布及60%置信区间曲线图,为本实施例第484个测点所在风速段7的Cp概率密度曲线及60%置信区间,其预测值为0.3155,置信区间为[0.1798,0.4102],实际值为0.2879。两测点都恰好被包含在置信区间内,表明区间估计可靠,
由图7(a)和图7(b)可知,基于非参数估计预测误差概率分布求得的置信区间并不关于预测值对称;不同风速段的Cp概率分布有明显差别,这也说明本发明采用风速分段的非参数估计方法是合理的;
求出测试样本中所有Cp预测值在给定置信度下的置信区间,分别连接上下限形成全风速段的置信区间,结果如图8(b)本实施例中80%置信区间(1-α)=0.8的风资源利用率Cp实际值测试图和图8(c)本实施例中60%置信区间(1-α)=0.6的风资源利用率Cp实际值测试图所示,
由图8(a)本实施例中风资源利用率Cp实际值测试图、图8(b)和图8(c)可知:给定置信度,本发明所用方法得到的置信区间能够包含大部分实际值;置信度越低,置信区间宽度越小,因为置信区间越小,其包含实际值的概率就越小。此外,由于原始数据中的弃风、停机和欠功率运行等因素,所以Cp置信区间的估计范围相对保守,主要受数据预处理技术水平的限制。
上述一种计及风资源利用率预测评估的方法,所述非参数核密度估计法的英文为nonparametric kernel density estimation,缩写为NKDE;交叉验证法的英文为crossvalidation,缩写为CV;灰狼优化算法的英文缩写为GWO,均是本技术领域公知的方法。
Claims (1)
1.一种计及风资源利用率预测评估的方法,其特征在于:将数据样本等间隔划分风速段,采用非参数核密度估计法,分别确定各风速段的预测误差ξ的概率分布F(ξ),再根据预测误差概率分布F(ξ)求得给定置信度下的风资源利用率Cpa的置信区间,进而预测评估风资源利用率的波动程度,具体步骤如下:
第一步,辨识风电机组功率五参数模型中的最优解五个参数:
根据实际风速v,引入灰狼优化算法辨识风电机组功率五参数模型的参数,具体操作过程如下:
(1.1)步,风电机组功率五参数模型:
设计风电机组功率五参数模型如下公式(1)所示,
公式(1)中,为通过五参数模型计算出的功率预测值,v为由观测得到的实际风速,X=[a,b,c,d,g]为风电机组功率五参数模型的特定参数向量,a为预期的最大响应,b为斜率因子,c为过渡位置参数,d为最小响应,g为不对称参数;
(1.2)步,在给定范围内产生灰狼优化算法的随机灰狼种群:
初始化狼群Y,狼群中的灰狼数量为M,设置灰狼优化算法中的最大迭代次数为N,设定上述(1.1)步中的风电机组功率五参数的上下界,在给定上下界范围内,即在种群中灰狼数量为M的训练集以及参数的上下界范围内产生随机灰狼种群,该随机灰狼种群的特定参数向量的矩阵Y表示如公式(2)所示,
Y=[X1,X2,…,Xi,…,XM]T (2),
公式(2)中,Xi为第i个个体特定参数位置向量,Xi=[a,b,c,d,g]都是由上述(1.1)步中的a,b,c,d,g五个参数组成,其中,1≤i≤M,M为狼群中的灰狼数量;
(1.3)步,计算每个个体特定参数位置向量的适应度值:
使用如下公式(3)所示均方根误差作为适应度函数,由此计算每个个体的特定参数位置向量适应度值F(Xi),
公式(3)中,vk为给定风速,其中1≤k≤n,n为给定风速样本个数,Pm(Xi,vk)为上述(1.2)中的第i个个体特定参数位置向量的确定的五参数模型功率,Pa(vk)为风速vk对应的风电机组实际功率;
(1.4)步,选择适应度值最好的3个个体特定参数位置向量:
适应度值F(Xi)的函数值越小,个体越符合要求,根据此原则选择确定上述(1.3)步计算适应度值F(Xi)最好的3个特定参数个体位置向量,分别记为Xα、Xβ、Xδ;
(1.5)步,更新适应度值最好的个体特定参数位置向量:
上述(1.4)步中的最好的3个个体特定参数位置向量中的Xα由如下公式(4-1)~(4-3)得到:
D=|C×XP(t)-X(t)| (4-1),
X(t+1)=XP(t)-A×D (4-2),
公式(4-1)中,D为个体特定参数位置向量与最优解的距离,t为当前迭代次数,C是与随机数r1有关的参数,C=2×r1,r1是[0,1]的随机数,Xp为最优解的个体特定参数位置向量,X(t)表示当前个体特定参数位置向量,
公式(4-2)中,A是与随机数r2有关的参数,A=2h×r2-h,收敛因子h随迭代次数从2线性递减到0,r2是[0,1]的随机数,
公式(4-3)中,N为最大迭代次数,
上述(1.4)步中的Xα带领Xβ和Xδ指导整个种群逼近最优解的数学描述如下,
Dα=|C1×Xα(t)-X(t)| (5-1),
Dβ=|C2×Xβ(t)-X(t)| (5-2),
Dδ=|C3×Xδ(t)-X(t)| (5-3),
公式(5-1)~(5-3)中,C1、C2和C3为随机向量,Dα、Dβ、Dδ分别定义了Xα、Xβ、Xδ的前进步长和方向;
更新候选个体特定参数位置向量Xω的位置由以下公式确定,
X1=Xα-A1×Dα (6-1),
X2=Xβ-A2×Dβ (6-2),
X3=Xδ-A3×Dδ (6-3),
X(t+1)=(X1+X2+X3)/3 (6-4),
公式(6-1)~(6-4)中,A1、A2、A3为随机向量,X(t+1)为更新候选个体特定参数位置向量Xω的位置;
(1.6)步,更新参数h、A、C:
随迭代进行不断更新参数a、A、C;
(1.7)步,如果当前迭代次数t小于最大迭代次数N,转到上述(1.3)步:
(1.8)步,若当前迭代次数t达到最大迭代次数N,输出当前适应度值F(Xi)最好的特定参数个体位置向量Xα的最终位置向量,其中的五个参数即为最优解;
至此,辨识了风电机组功率五参数模型中的最优解五个参数,即a为预期的最大响应,b为斜率因子,c为过渡位置参数,d为最小响应,g为不对称参数五个参数;
第二步,确定风资源利用率的预测误差ξ:
(2.1)步,采用风能利用系数Cp表征风资源利用率,Cp定义方法如下公式(7)所示,
公式(7)中,Cp为风资源利用率,ρ为空气密度,单位kg/m3,P为风电机组实际有功功率,单位W;S为叶轮扫风面积,单位m2;v为由观测得到的实际风速,单位m/s,
(2.2)步,采用预测误差统计分析方法,确定风资源利用率的预测误差ξ:
风资源利用率的预测误差ξ的确定方法如下公式(8)所示,
公式(8)中,Cpa为风资源利用率实际值,将观测得到的实际风速v及其对应的风电机组实际有功功率P代入公式(7),再根据此时的空气密度与叶轮扫风面积即可确定风资源利用率实际值,Cpm为风资源利用率预测值,根据实际风速由上述公式(1)求得风电机组功率预测值,将该风电机组功率预测值代入上述公式(7)来确定;Cpmax为理论上的风资源利用率最大值,根据贝兹理论,取0.593,
至此确定风资源利用率的预测误差ξ;
第三步,确定各风速段的风资源利用率Cp的预测误差ξi及其概率分布F(ξi):
所述各风速段为Di,其中i=1,2,···,λ,λ为风速段的所分段数,
采用非参数核密度估计法建立各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),
(3.1)等间隔划分风速段:
将数据样本等间隔划分成多个风速段,分别进行概率分布统计,设定每一风速段的段长为Δv,整体风速波动范围为[vl,vh],则所分某风速段Di由如下公式(9)所示:
Di=[vl+(i-1)Δv,vl+iΔv] (9),
公式(9)中,i=1,2,···,λ,λ为风速段的所分段数,
λ=[(vh-vl)/Δv]+1
(3.2)求取各风速段的风资源利用率Cp的预测误差ξi的概率密度函数f(ξi),并绘出风资源利用率预测误差概率密度曲线:
采用非参数核密度估计法求取各风速段的风资源利用率Cp的预测误差ξi的概率密度函数f(ξi),并绘出风资源利用率预测误差概率密度曲线,操作如下:
取标准高斯核函数K(x)作为非参数核密度估计函数,表达式为公式(10),
对于某一风速段Di的风资源利用率Cp的预测误差ξi,其概率密度函数f(ξi)如下公式(11)所示,
公式(11)中,Ti为样本总数;L为窗宽;K(x)为标准高斯核函数;ξm为误差样本,
并依次绘出风资源利用率预测误差概率密度曲线,横坐标为风资源利用率Cp的预测误差ξi,纵坐标为概率密度函数f(ξi);
(3.3)确定各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi):
采用交叉验证法,选择各风速段的最佳窗宽L值,求得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi);
第四步,确定风电机组在给定置信度下的风资源利用率波动区间:
根据上述第三步所得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),确定风电机组在给定置信度下的风资源利用率波动区间的过程如下,
利用上述第三步所得各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi),做出给定置信度1-α下计及风资源利用率实际值Cpa的置信区间为公式(12)所示,
Cpa∈[Cpl,Cpu]1-α (12),
公式(12)中,Cpl为风资源利用率置信下限;Cpu为风资源利用率置信上限;1-α为给定置信度,有1-α=P{Cpl<Cpa<Cpu},0<α<1,其中,风资源利用率置信下限Cpl和风资源利用率置信上限Cpu的计算式分别为公式(13)和公式(14),
Cpl=Cpm+G(α/2)×Cpmax (13),
Cpu=Cpm+G(1-α/2)×Cpmax (14),
公式(13)和公式(14)中,G(η)为各风速段的风资源利用率Cp的预测误差ξi的概率分布F(ξi)的反函数,其中η如下公式(15)所示,
P{ξ≤G(η)}=η (15),
由此,确定风电机组在给定置信度下的风资源利用率波动区间为[Cpl,Cpu];
第五步,预测评估风资源利用率的波动程度:
(5.1)步,对于某一风资源利用率的预测值Cpm,找到其对应的实际风速,判断其所在风速段;
(5.2)步,求得预测误差ξ的α/2和1-α/2对应点:
根据上述第三步中已经求得的各风速段的风资源利用率预测误差概率密度f(ξi),查找该风资源利用率预测值所处风速段的风资源利用率Cp预测误差ξi的概率密度曲线,求得预测误差ξ的α/2和1-α/2对应点;
(5.3)步,根据上述第四步中给出的风资源利用率置信区间的置信下限Cpl和风资源利用率置信上限Cpu的计算式公式(13)和公式(14),求出上述(5.2)步中所述风资源利用率Cp预测值所处风速段的区间估计的边界值,进而给出给定置信度1-α下该风资源利用率Cp预测值的置信区间;
(5.4)步,同理求得各风速段的所有风资源利用率Cp预测值的置信区间,分别连接各个风资源利用率Cp预测值置信区间上下限,形成全风速段的风资源利用率Cp估计曲线;
至此,根据全风速段的风资源利用率Cp估计曲线预测评估风资源利用率的波动程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686098.3A CN110414734B (zh) | 2019-07-29 | 2019-07-29 | 一种计及风资源利用率预测评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910686098.3A CN110414734B (zh) | 2019-07-29 | 2019-07-29 | 一种计及风资源利用率预测评估的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414734A true CN110414734A (zh) | 2019-11-05 |
CN110414734B CN110414734B (zh) | 2022-03-22 |
Family
ID=68363648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910686098.3A Active CN110414734B (zh) | 2019-07-29 | 2019-07-29 | 一种计及风资源利用率预测评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414734B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111525553A (zh) * | 2020-04-22 | 2020-08-11 | 东南大学 | 一种预测功率优化分段下新能源出力误差可信区间估计法 |
CN111667098A (zh) * | 2020-05-14 | 2020-09-15 | 湖北工业大学 | 一种基于多模型组合优化的风力电站输出功率预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
CN108646560A (zh) * | 2018-05-11 | 2018-10-12 | 河北工业大学 | 基于灰狼算法改进的风机功率模型参数寻优方法 |
-
2019
- 2019-07-29 CN CN201910686098.3A patent/CN110414734B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
CN108646560A (zh) * | 2018-05-11 | 2018-10-12 | 河北工业大学 | 基于灰狼算法改进的风机功率模型参数寻优方法 |
Non-Patent Citations (3)
Title |
---|
孙建波等: "基于非参数核密度估计的风电功率区间预测", 《水电能源科学》 * |
杨红光等: "一种结合灰狼优化和 K-均值的混合聚类算法", 《江西理工大学学报》 * |
郭鹏等: "基于运行数据和高斯过程回归的风电机组发电性能分析与监测", 《电力自动化设备》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111525553A (zh) * | 2020-04-22 | 2020-08-11 | 东南大学 | 一种预测功率优化分段下新能源出力误差可信区间估计法 |
CN111667098A (zh) * | 2020-05-14 | 2020-09-15 | 湖北工业大学 | 一种基于多模型组合优化的风力电站输出功率预测方法 |
CN111667098B (zh) * | 2020-05-14 | 2023-04-18 | 湖北工业大学 | 一种基于多模型组合优化的风力电站输出功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110414734B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102914969B (zh) | 一种短期风电功率预测系统的综合误差修正方法 | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
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 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN105809293A (zh) | 一种多模型风电场短期功率组合预测方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN111525552B (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
Jiang et al. | Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN110414734A (zh) | 一种计及风资源利用率预测评估的方法 | |
CN112994115A (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
Dong et al. | Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China | |
CN116258055A (zh) | 一种自动发电控制中机组负荷及动态调节能力在线预测方法 | |
Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
CN112052996B (zh) | 基于卷积神经网络技术的小水电集群功率预测方法 | |
KR101010407B1 (ko) | 빌딩풍 이용 풍력 발전 시스템의 설치 방법 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
Li et al. | Wind power forecasting based on time series and neural network | |
Deshmukh et al. | Application of genetic algorithm to neural network model for estimation of wind power potential | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 |
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 |