CN110428100A - 一种风机短期发电功率预测方法 - Google Patents
一种风机短期发电功率预测方法 Download PDFInfo
- Publication number
- CN110428100A CN110428100A CN201910699210.7A CN201910699210A CN110428100A CN 110428100 A CN110428100 A CN 110428100A CN 201910699210 A CN201910699210 A CN 201910699210A CN 110428100 A CN110428100 A CN 110428100A
- Authority
- CN
- China
- Prior art keywords
- data
- mode decomposition
- wind
- wind power
- moment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010248 power generation Methods 0.000 title claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000003066 decision tree Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 230000005611 electricity Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风机短期发电功率预测方法,该方法首先合理预选对风功率输出有着密切影响的参数,采用完整集合经验模态分解算法及相关系数法对预选原始输入数据进行去噪,剔除相关系数低于0.1的噪声信号并重新拟合,对去噪后数据进行数据重构,依次得到前时刻数据。并采用决策树方法对输入数据进行特征选择,剔除重要度低于0.9的数据得到最终输入数据。最后,利用最小二乘支持向量机算法给出预测值。本发明所提出的方法结合数据去噪方法和数据驱动建模方法进行风功率预测,属于清洁能源发电预测领域。本发明提及的方法步骤简洁且计算成本较低,适合实际预测应用。
Description
技术领域
本发明涉及一种风机短期发电功率预测方法,尤其是指一种基于完整集合经验模态分解算法、决策树算法和最小二乘支持向量机算法的风机发电功率预测方法,属于清洁能源发电预测领域。
背景技术
受环境污染和化石能源面临枯竭的影响,风电作为一种高效的清洁能源受到了广泛应用。但是,风力发电具有明显的混沌特性和波动性,并网后对电网产生严重冲击。对风机发电功率进行预测,有助于提前对风力发电量的波动进行预警,有利于电网安全运行。
针对风力发电随机性和波动性导致的一系列问题,准确的风功率预报可以有效的缓解和降低不利影响。现有风机发电功率预测方法包括:物理方法、统计学方法、空间相关算法以及机器学习方法。物理方法主要利用物理数据,如温度、湿度、空气密度和地形信息等来预测风机未来功率。然而,物理方法不能处理短期预测且计算成本较高。统计学方法利用历史数据来预测风机发电功率,并利用实际数据与预测数据之间的误差来调整模型参数。常用的统计学方法包括自回归滑动平均、灰色预测法等。空间相关算法考虑不同地点风功率的空间关系,该方法需要多个空间相关位置的测量数据,对于数据测量精度要求较高,同时,存在时间延迟等问题;机器学习算法具有从数据中提取有用信息进行建模的能力,多种机器学习方法如MLP神经网络、Elman神经网络已被用于风机功率预测。
然而,目前已有的风能预测方法仍然存在以下不足:1)已有的风能预测方法依赖风电场气象信息;2)已有预测方法的计算成本高;3)预测精度仍有较大提升空间。
申请号为201810116013.3的中国专利“一种基于遗传规划法的自适应建模风功率预测方法”公开了一种基于遗传规划法的自适应建模风功率预测方法。与该方法不同,本发明所提出的方法结合数据去噪方法和数据驱动建模方法进行风功率预测。本发明提及的方法步骤简洁且计算成本较低,预算精度较高,适合实际预测应用。
发明内容
本发明的目的是针对上述现有风功率预测方法存在的问题,提出一种基于完整集合经验模态分解算法(CEEMDAN)、决策树算法(CART)和最小二乘支持向量机算法(LSSVM)的风力发电预测方法,该方法能够实现对风功率的有效预报。
本发明的具体实现方案如下:
(1)利用完整集合经验模态分解将风电场原始数据Xc(c=1,2,3,4)(其中X1表示原始瞬时风速,X2表示原始前30秒平均风速,X3表示原始前10分钟平均风速,X4表示原始风功率)分解为不同频率的本征模态分量κ∈N*,j表示分量序号;
(2)针对每个原始数据Xc(c=1,2,3,4),求取通过完整集合经验模态分解得到的不同频率的各本征模态分量与分解前序列之间的相关系数Rj(j=1,…,κ),剔除相关系数Rj低于0.1的噪声信号;
(3)对剩余本征模态分量进行重新拟合,得到去噪后的数据(其中表示去噪后瞬时风速、表示去噪后前30秒平均风速、表示去噪后前10分钟平均风速,表示去噪后风功率);
(4)对进行数据重构,得到由前1至前20时刻风功率序列、前1时刻瞬时风速序列、前1时刻前30秒平均风速序列、前1时刻前10分钟平均风速序列及当前时刻风功率序列组成的数据集S={x1,x2,...,xυ,|y},υ=23,y表示当前时刻风功率序列;
(5)利用决策树算法对重构后得到的模型构建数据集S={x1,x2,...,xυ,|y}中的备选输入序列xi(i=1,2,…,υ)与当前时刻风功率y进行重要度计算,并剔除重要度低于0.9的备选输入序列,对输入数据进行降维,得到重要度高于0.9的输入序列与当前时刻风功率组成的模型构建数据集P={x1,x2,...,xυ-m,|y}(m为重要度低于0.9的输入序列的个数),以此构建训练集和测试集;
(6)使用训练集数据,采用最小二乘支持向量机算法构建风功率预测模型;
(7)利用测试集数据测试模型预测性能。
在步骤(1)中,对风电场原始数据Xc(c=1,2,3,4)(其中X1表示原始瞬时风速,X2表示原始前30秒平均风速,X3表示原始前10分钟平均风速,X4表示原始风功率)皆单独进行完整集合经验模态分解,利用完整集合经验模态对风电场历史数据x(t)添加符合标准正态分布的随机生成的高斯白噪声wi(t)(i=1,...,I),I表示添加的高斯白噪声的个数,产生多组新的信号xi(t)=x(t)+wi(t);对新产生的信号分别进行经验模态分解从而得到各信号的第1个IMF分量,然后对得到的各IMF求取平均值,平均值即为完整集合经验模态分解的第1个IMF分量。利用输入信号xi(t)与IMF分量做差得到新的待分解数据,而后重复分解流程,从而求取出全部IMF分量。
完整集合经验模态分解计算过程如下:
1)对于所有i=1,...,I,采用经验模态分解对输入数据xi(t)=x(t)+ε0ni(t)进行分解得到完整集合经验模态分解的第1个IMF,其中ni(t)表示0均值单位方差白噪声,第1个IMF表达式为:
2)当j的值为1时,第1个残差为
3)定义δj(·)为经验模态分解的第j个IMF分量,采用经验模态分解分解V1(t)+ε1δ1(ni(t)),分解至找到其第1个IMF分量,停止分解,定义完整集合经验模态分解分解的第2个IMF分量为:
4)当j=2,3,…,m时,m∈N*,第j个残差为:
5)任意i=1,...,I,利用经验模态分解分解每个Vj(t)+εjδj(ni(t)),直至找到其第1个IMF停止分解,同时得到完整集合经验模态分解的第(j+1)个IMF分量:
6)针对顺序下1位j,进行流程4至6,直至得到的残差不能再次由经验模态分解再次进行分解为止。最后Vm(t)满足:
式中Vm(t)表示残差,j=1,…,m,m为模型数量。
在步骤(2)中,相关系数Rj计算公式为:
式中x(t)和分别代表待分解的原始数据和数据分量,和分别代表待分解的原始数据和数据分量的平均值。
在步骤(5)中,数据重要性判断,使用决策树算法对重构后得到的数据集S={x1,x2,...,xυ,|y}中的备选输入变量(前1至前20时刻风功率序列、前1时刻瞬时风速、前1时刻前30秒平均风速及前1时刻前10分钟平均风速)进行重要性排序,计算过程中输出变量为目标风功率值,剔除重要程度较低的输入变量。
输入变量x对输入变量全集C相对于决策变量D的重要度公式为:
其中,U为对象的非空有限集合,称为论域;D为决策属性集;D的C正域记为posC(D);D的C-β正域记为posC-x(D);
选取重要度大于0.9的参数作为模型输入参数;最终模型构建数据集P={x1,x2,...,xυ-m,|y}(m为重要度低于0.9的输入序列的个数)中输入数据包括:前1至前20-m时刻历史有功功率、前1时刻瞬时风速、前1时刻前30秒平均风速及前1时刻前10分钟平均风速。利用选取的最终输入数据与原始风功率数据构建训练集和测试集。
在步骤(6)中,使用训练集数据,采用最小二乘支持向量机算法构建风功率预测模型;LSSVM搭建流程如下:
对于数据P={x1,x2,...,xυ-m,|y},υ-m∈N*,y表示当前时刻风功率序列,最优线性回归函数为:
其中w代表权向量,同时w∈Rk,k代表高维特征空间维度,同时k>υ。
根据结构风险最小化原理,该问题能够转化为:
其中,J代表损失函数,γ代表正则化参数,同时γ>0,ei代表误差变量。使用拉格朗日函数求解此问题:
其中,αi(i=1,2,…,υ-m)代表拉格朗日乘子。将公式(5)分别对于w,c,ei,αi求取偏导:
由公式(7)能够计算得到α和b,进一步得出最小二乘支持向量机预测模型:
其中,h(x,xi)代表满足Mercer条件的核函数。
本发明与已有预测方法相比,具有以下优点:
1、本发明采用风机运行的历史数据进行预测建模,具有数据来源可靠、易于获取等优点,确保了本发明的可执行性。
2、本发明利用决策树算法对风电场历史运行数据进行了重要度排序,缩减了模型输入,提高了模型计算效率,提高了模型的可应用性。
3、本发明首次利用完整集合经验模态分解对风机发电功率进行去噪,剔除了输入数据中的噪声信号,提高了预测精度。
附图说明
图1为本发明基于CEEMDAN去噪和LSSVM的风功率预测方法的流程图;
图2为本发明实施例的CEEMDAN去噪效果图;
图3为本发明实施例的风功率预测曲线图。
具体实施方式
下面结合附图利用实施例对本发明作进一步阐述。
实施例1
如图1所示,本发明的基于完整集合经验模态分解算法和最小二乘支持向量机算法的风功率预测方法包括以下步骤:
(1)对风电场原始数据Xc(c=1,2,3,4)(其中X1表示原始瞬时风速,表示原始前30秒平均风速,X3表示原始前10分钟平均风速,X4表示原始风功率)皆进行完整集合经验模态分解,利用完整集合经验模态对风电场历史数据x(t)(包括原始历史风速及风功率)添加符合标准正态分布的随机生成的高斯白噪声wi(t),产生多组新的信号xi(t)=x(t)+wi(t);对新产生的信号分别进行经验模态分解从而得到各信号的第1个IMF分量,然后对得到的各IMF求取平均值,平均值即为完整集合经验模态分解的第1个IMF分量。利用输入信号xi(t)与IMF分量做差得到新的待分解数据,而后重复分解流程,从而求取出全部IMF分量。
完整集合经验模态分解计算过程如下:
1)对于所有i=1,…,I,本实施例中I取值8,采用经验模态分解对输入数据xi(t)=x(t)+ε0ni(t)进行分解得到完整集合经验模态分解的第1个IMF,其中ni(t)表示0均值单位方差白噪声,第1个IMF表达式为:
2)当j的值为1时,第1个残差为
3)定义δj(·)为经验模态分解的第j个IMF分量,采用经验模态分解分解V1(t)+ε1δ1(ni(t)),分解至找到其第1个IMF分量,停止分解,定义完整集合经验模态分解分解的第2个IMF分量为:
4)当j=2,3,…,m时,m为模型数量,本实施例中m取值为8,第j个残差为:
5)任意i=1,…,8,利用经验模态分解分解每个Vj(t)+εjδj(ni(t)),直至找到其第1个IMF停止分解,同时得到完整集合经验模态分解的第(j+1)个IMF分量:
6)针对顺序下1位j,进行流程4至6,直至得到的残差不能再次由经验模态分解再次进行分解为止。最后Vm(t)满足:
式中Vm(t)表示残差,j=1,…,m,m为模型数量。
(2)对通过完整集合经验模态分解得到的各本征模态分量进行相关系数Rj求取,剔除相关系数小于0.1的噪声信号;相关系数Rj计算公式为:
式中x(t)和分别代表待分解的原始数据和数据分量,和分别代表待分解的原始数据和数据分量的平均值。
(3)对剩余本征模态分量进行重新拟合,得到去噪后的数据(其中表示去噪后瞬时风速、表示去噪后前30秒平均风速、表示去噪后前10分钟平均风速,表示去噪后风功率)。
(4)对进行数据重构,得到由前1至前20时刻风功率序列、前1时刻瞬时风速序列、前1时刻前30秒平均风速序列、前1时刻前10分钟平均风速序列及当前时刻风功率序列组成的数据集S={x1,x2,...,xυ,|y},υ=23,y表示当前时刻风功率序列。
(5)考虑到预测模型的实用性,利用决策树算法对重构后得到的模型构建数据集中的备选输入序列xi(i=1,2,…,υ)与当前时刻风功率y进行重要度计算,并剔除重要度低于0.9的备选输入序列,对输入数据进行降维,得到重要度高于0.9的输入序列与当前时刻风功率组成的模型构建数据集P={x1,x2,...,xυ-m,|y}(m为重要度低于0.9的输入序列的个数,v-m∈N*),以此构建训练集和测试集;计算过程中输出变量为目标风功率值,剔除重要程度较低的输入变量。
输入变量x对输入变量全集C相对于决策变量D的重要度公式为:
其中,U为对象的非空有限集合,称为论域;D为决策属性集;D的C正域记为posC(D);D的C-β正域记为posC-x(D);
选取重要度大于0.9的参数作为模型输入参数;最终模型构建数据集P={x1,x2,...,xυ-m,|y}(m为重要度低于0.9的输入序列的个数),本实施例中计算得到m的值为15,输入数据包括:前1至前5时刻历史有功功率、前1时刻瞬时风速、前1时刻前30秒平均风速及前1时刻前10分钟平均风速。利用选取的最终输入数据与原始风功率数据构建训练集和测试集。选取前1600组数据作为训练集,后400组数据作为测试集。
(6)使用训练集数据,采用最小二乘支持向量机算法构建风功率预测模型;LSSVM搭建流程如下:
对于数据P={x1,x2,...,xυ-m,|y},本实施例中υ-m等于8,y表示当前时刻风功率序列,最优线性回归函数为:
其中w代表权向量,同时w∈Rk,k代表高维特征空间维度,同时k>υ。
根据结构风险最小化原理,该问题能够转化为:
其中,J代表损失函数,γ代表正则化参数,同时γ>0,ei代表误差变量。使用拉格朗日函数求解此问题:
其中,αi(i=1,2,…,υ-m)代表拉格朗日乘子。将公式(5)分别对于w,c,ei,αi求取偏导:
由公式(7)能够计算得到α和b,进一步得出最小二乘支持向量机预测模型:
其中,h(x,xi)代表满足Mercer条件的核函数。
7)利用验证集数据测试模型预测性能;
最终预测结果如图3所示。预测曲线与真实数据具有较好的拟合效果。本实施例同时采用多种误差评价指标对预测效果进行评估:
平均百分误差(MAPE):
平均绝对误差(MAE):
其中,N代表测试样本的数量,yj代表实际值,代表对应算法所获得的预测值。
实施例预测结果的MAPE值与MAE值分别为4.491%、33.106,预测误差较小,验证了本发明专利的有效性。
以上所述,仅为本发明优选的实施例,然而本发明专利保护范围并不局限于此,任何根据本发明专利所提技术方案及其发明专利构思加以等同替换或改变,皆属于本发明专利的保护范围。
Claims (7)
1.一种风机短期发电功率预测方法,其特征在于,包括以下步骤:
(1)利用完整集合经验模态分解将风电场原始数据Xc分解为不同频率的本征模态分量j表示分量序号,其中,c=1,2,3,4;j=1,…,κ,κ∈N*;X1表示原始瞬时风速,X2表示原始前30秒平均风速,X3表示原始前10分钟平均风速,X4表示原始风功率;
(2)针对每个原始数据Xc,求取通过完整集合经验模态分解得到的不同频率的各本征模态分量与分解前序列之间的相关系数Rj,j=1,…,κ,剔除相关系数Rj低于0.1的噪声信号;
(3)对剩余本征模态分量进行重新拟合,得到去噪后的数据其中c=1,2,3,4,表示去噪后瞬时风速,表示去噪后前30秒平均风速,表示去噪后前10分钟平均风速,表示去噪后风功率;
(4)对进行数据重构,得到由前1至前20时刻风功率序列、前1时刻瞬时风速序列、前1时刻前30秒平均风速序列、前1时刻前10分钟平均风速序列及当前时刻风功率序列组成的数据集S={x1,x2,...,xυ,|y},υ=23,y表示当前时刻风功率序列;
(5)利用决策树算法对重构后得到的模型构建数据集S={x1,x2,...,xυ,|y}中的备选输入序列xi与当前时刻风功率y进行重要度计算,i=1,2,…,υ,并剔除重要度低于0.9的备选输入序列,对输入数据进行降维,得到重要度高于0.9的输入序列与当前时刻风功率组成的模型构建数据集P={x1,x2,...,xυ-m,|y},m为重要度低于0.9的输入序列的个数,以此构建训练集和测试集;
(6)使用训练集数据,采用最小二乘支持向量机算法构建风功率预测模型;
(7)利用测试集数据测试模型预测性能。
2.根据权利要求1所述的风机短期发电功率预测方法,其特征在于,在步骤(1)中,对风电场原始数据Xc均单独进行完整集合经验模态分解,利用完整集合经验模态对风电场历史数据x(t)添加符合标准正态分布的随机生成的高斯白噪声wi(t),i=1,...,I,I表示添加的高斯白噪声的个数,产生多组新的信号xi(t)=x(t)+wi(t);对新产生的信号分别进行经验模态分解从而得到各信号的第1个IMF分量,然后对得到的各IMF求取平均值,平均值即为完整集合经验模态分解的第1个IMF分量,利用输入信号xi(t)与IMF分量做差得到新的待分解数据,而后重复分解流程,从而求取出全部IMF分量。
3.根据权利要求2所述的风机短期发电功率预测方法,其特征在于,所述完整集合经验模态分解计算过程如下:
1)对于所有i=1,...,I,采用经验模态分解对输入数据xi(t)=x(t)+ε0ni(t)进行分解得到完整集合经验模态分解的第1个IMF,其中ni(t)表示0均值单位方差白噪声,第1个IMF表达式为:
2)当j的值为1时,第1个残差为
3)定义δj(·)为经验模态分解的第j个IMF分量,采用经验模态分解分解V1(t)+ε1δ1(ni(t)),分解至找到其第1个IMF分量,停止分解,定义完整集合经验模态分解分解的第2个IMF分量为:
4)当j=2,3,…,m时,m∈N*,第j个残差为:
5)任意i=1,...,I,利用经验模态分解分解每个Vj(t)+εjδj(ni(t)),直至找到其第1个IMF停止分解,同时得到完整集合经验模态分解的第j+1个IMF分量:
6)针对顺序下1位j,进行流程4至6,直至得到的残差不能再次由经验模态分解再次进行分解为止,最后Vm(t)满足:
式中Vm(t)表示残差,j=1,…,m,m为模型数量。
4.根据权利要求1所述的风机短期发电功率预测方法,其特征在于,在步骤(2)中,相关系数Rj计算公式为:
式中x(t)和分别代表待分解的原始数据和数据分量,和分别代表待分解的原始数据和数据分量的平均值。
5.根据权利要求1所述的风机短期发电功率预测方法,其特征在于,在步骤(5)中,数据重要性判断,使用决策树算法对重构后得到的数据集S={x1,x2,...,xυ,|y}中的备选输入变量进行重要性排序,所述备选输入变量为前1至前20时刻风功率序列、前1时刻瞬时风速、前1时刻前30秒平均风速及前1时刻前10分钟平均风速,计算过程中输出变量为目标风功率值,剔除重要程度较低的输入变量。
6.根据权利要求5所述的风机短期发电功率预测方法,其特征在于,所述输入变量x对输入变量全集C相对于决策变量D的重要度公式为:
其中,U为对象的非空有限集合,称为论域;D为决策属性集;D的C正域记为posC(D);D的C-β正域记为posC-x(D);
选取重要度大于0.9的参数作为模型输入参数;最终模型构建数据集P={x1,x2,...,xυ-m,|y}中输入数据包括:前1至前20-m时刻历史有功功率、前1时刻瞬时风速、前1时刻前30秒平均风速及前1时刻前10分钟平均风速,利用选取的最终输入数据与原始风功率数据构建训练集和测试集,其中m为重要度低于0.9的输入序列的个数。
7.根据权利要求1所述的风机短期发电功率预测方法,其特征在于,在步骤(6)中,使用训练集数据,采用最小二乘支持向量机算法构建风功率预测模型;LSSVM搭建流程如下:
对于数据P={x1,x2,...,xυ-m,|y},υ-m∈N*,y表示当前时刻风功率序列,最优线性回归函数为:
其中w代表权向量,同时w∈Rk,k代表高维特征空间维度,同时k>υ;
根据结构风险最小化原理,该问题能够转化为:
其中,J代表损失函数,γ代表正则化参数,同时γ>0,ei代表误差变量,使用拉格朗日函数求解此问题:
其中,αi(i=1,2,…,υ-m)代表拉格朗日乘子,将公式(5)分别对于w,c,ei,αi求取偏导:
由公式(7)能够计算得到α和b,进一步得出最小二乘支持向量机预测模型:
其中,h(x,xi)代表满足Mercer条件的核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699210.7A CN110428100A (zh) | 2019-07-31 | 2019-07-31 | 一种风机短期发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699210.7A CN110428100A (zh) | 2019-07-31 | 2019-07-31 | 一种风机短期发电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110428100A true CN110428100A (zh) | 2019-11-08 |
Family
ID=68411602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910699210.7A Pending CN110428100A (zh) | 2019-07-31 | 2019-07-31 | 一种风机短期发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428100A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329339A (zh) * | 2020-10-27 | 2021-02-05 | 河北工业大学 | 一种风电场短期风速预测方法 |
CN113344475A (zh) * | 2021-08-05 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
CN113487097A (zh) * | 2021-07-12 | 2021-10-08 | 国网新疆电力有限公司电力科学研究院 | 基于数据融合的超短期风速区间预测方法 |
CN116973977A (zh) * | 2022-04-24 | 2023-10-31 | 中国人民解放军海军工程大学 | 高速移动平台低频电场目标探测的自适应去噪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400052A (zh) * | 2013-08-22 | 2013-11-20 | 武汉大学 | 一种风电场短期风速组合预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN107392363A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 一种ceemd和随机森林的短期风功率预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
-
2019
- 2019-07-31 CN CN201910699210.7A patent/CN110428100A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400052A (zh) * | 2013-08-22 | 2013-11-20 | 武汉大学 | 一种风电场短期风速组合预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107392363A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 一种ceemd和随机森林的短期风功率预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
Non-Patent Citations (3)
Title |
---|
张国维等: "基于特征选择谱聚类和优化支持向量机的短期风速预测", 《陕西电力》 * |
张妍等: "基于CEEMD-LSSVM的风电场短期风速预测", 《计算机仿真》 * |
王丽婕等: "基于CEEMD和混沌理论的超短期风电功率预测模型", 《系统仿真学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329339A (zh) * | 2020-10-27 | 2021-02-05 | 河北工业大学 | 一种风电场短期风速预测方法 |
CN112329339B (zh) * | 2020-10-27 | 2022-07-19 | 河北工业大学 | 一种风电场短期风速预测方法 |
CN113487097A (zh) * | 2021-07-12 | 2021-10-08 | 国网新疆电力有限公司电力科学研究院 | 基于数据融合的超短期风速区间预测方法 |
CN113344475A (zh) * | 2021-08-05 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
CN113344475B (zh) * | 2021-08-05 | 2021-12-31 | 国网江西省电力有限公司电力科学研究院 | 基于序列模态分解的变压器套管缺陷识别方法及系统 |
CN116973977A (zh) * | 2022-04-24 | 2023-10-31 | 中国人民解放军海军工程大学 | 高速移动平台低频电场目标探测的自适应去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11070056B1 (en) | Short-term interval prediction method for photovoltaic power output | |
CN110428100A (zh) | 一种风机短期发电功率预测方法 | |
Khazaei et al. | A high-accuracy hybrid method for short-term wind power forecasting | |
Renani et al. | Using data-driven approach for wind power prediction: A comparative study | |
Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
Ghayekhloo et al. | A novel clustering approach for short-term solar radiation forecasting | |
Wang et al. | A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
Dadkhah et al. | Short-term power output forecasting of hourly operation in power plant based on climate factors and effects of wind direction and wind speed | |
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
Gao et al. | A three-layer hybrid model for wind power prediction | |
CN113191918A (zh) | 基于时序生成对抗网络的月度风光发电功率场景分析方法 | |
Panamtash et al. | Probabilistic solar power forecasting: A review and comparison | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
Pousinho et al. | Neuro-fuzzy approach to forecast wind power in Portugal | |
CN107844872B (zh) | 一种用于风力发电的短期风速预报方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
Farahbod et al. | Probabilistic and deterministic wind speed prediction: ensemble statistical deep regression network | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
Bahij et al. | A review on the prediction of energy consumption in the industry sector based on machine learning approaches | |
Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |