CN110555543B - 一种风电场预测的不确定度分析方法及系统 - Google Patents
一种风电场预测的不确定度分析方法及系统 Download PDFInfo
- Publication number
- CN110555543B CN110555543B CN201810560517.4A CN201810560517A CN110555543B CN 110555543 B CN110555543 B CN 110555543B CN 201810560517 A CN201810560517 A CN 201810560517A CN 110555543 B CN110555543 B CN 110555543B
- Authority
- CN
- China
- Prior art keywords
- turbulence intensity
- sampling period
- wind speed
- average
- wind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013076 uncertainty analysis Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种风电场预测的不确定度分析方法及系统,包括:将获取的风电场数据根据预设的划分阈值得到湍流强度等级;基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度。本发明通过分位数回归方法确定不确定度的基础上依据各湍流强度等级下湍流强度变量的统计特征的研究,建立条件分位数回归模型,从而部分地优化原有风电预测不确定分析方法。
Description
技术领域
本发明涉及风电并网技术领域,具体涉及一种风电场预测的不确定度分析方法及系统。
背景技术
近年来,随着风电场开发进程的不断推进,预测大型风电场的输出功率已成为支撑电网调度技术的一项必要环节,风电场所在区域天气系统的生成、移动与消亡对风电场的输出功率有着重要的影响。然而,对于风电场而言,大气层结不稳定或发生显著天气变化时,风电自身的间歇性等约束,使得预测风电场输出功率的精度问题成为了制约电网风电消纳的瓶颈之一。由于现有风电预测的不确定性评估算法尚不足以全面地支撑电网调度应用,因此迫切需要对传统的不确定分析进行技术改进。
发明内容
现有风电预测不确定度分析技术大部分都是通过历史时期的误差特性概率分布拟合,或采用非参数的方式对该时期内误差的总体进行研究,并未考虑天气背景的差异以及天气背景与预测误差极值的关系,因而导致其不确定分析的局限。为了解决现有技术中所存在的上述不足,本发明提供一种风电场预测的不确定度分析方法及系统,将风电场天气背景的部分指标与误差数理统计相结合,通过考虑湍流强度的分位数回归方法进行不确定度分析的算法改进,提高不确定度分析的实用化程度。
本发明提供的技术方案是:一种风电场预测的不确定度分析方法,包括:
将获取的风电场数据根据预设的划分阈值得到湍流强度等级;
基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;
结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度。
优选的,所述将获取的风电场数据根据预设的划分阈值得到湍流强度等级,包括:
对获取的风电场测风塔的瞬时风速进行处理得到数据集;
基于所述数据集得到第一采样周期内的平均风速和第一采样周期内的平均风速标准差;
基于所述第一采样周期内的平均风速、第一采样周期内的平均风速标准差和瞬时风速计算第二采样周期内的平均湍流强度;
由所述第二采样周期内的平均湍流强度构成所述湍流强度集合;
对所述湍流强度集合根据预设的划分阈值得到湍流强度等级。
优选的,所述基于所述风电场测风塔数据计算平均湍流强度,如下式所示:
按下式计算所述第i段第一采样周期内的湍流强度Ii:
按下式计算所述第一采样周期内的平均风速标准差σ:
式中:vj:第j时刻的瞬时风速;m:第一采样周期内的总时刻。
优选的,所述第一采样周期为保证预测功率不确定度分析的适用性设置的湍流强度的初始计算值;
所述第二采样周期为基于所述第一采样周期求取湍流强度平均值。
优选的,所述对预先获取的风电场测风塔的瞬时风速进行处理得到数据集,包括:
剔除所述风电场测风塔的瞬时风速中的不规则数据和超过预设范围的数据,建立数据集;
将所述数据集中所有的数据赋以时间标识。
优选的,所述基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型,包括:
基于实测功率和与所述实测功率对应的预测功率计算预测绝对误差;
由与所述湍流强度同时期的所述实测功率、预测功率和预测绝对误差构成原始数据集合;
基于各湍流强度等级对所述原始数据集合进行划分,获取每一个湍流强度等级下的原始数据子集合;
对湍流强度等级对应的所述原始子集合采用分位数回归方法,构建对应湍流强度等级下的条件分位数回归模型。
优选的,所述对湍流强度等级对应的所述原始子集合采用分位数回归方法,构建对应湍流强度等级下的条件分位数回归模型,包括:
提取各湍流强度等级对应的所述原始子集合中的预测绝对误差;
对所述预测绝对误差采用分位数回归方法获取唯一的分位回归数;
基于所述分位回归数构建对应湍流强度等级下的条件分位数回归模型。
优选的,所述对湍流强度等级对应的所述原始子集合采用分位数回归方法,构建对应湍流强度等级下的条件分位数回归模型,包括:
提取各湍流强度等级对应的所述原始子集合中的预测绝对误差;
基于设定的置信水平和所述预测绝对误差构建对应湍流强度等级下的条件分位数回归模型。
优选的,所述条件分位数回归模型包括如下式的分位数函数:
Q(τ)=inf{y:F(y)≥τ},0<τ<1
式中:Q(τ):分位数函数;τ:置信水平;y:任意实数;F(y):分布函数,由下式确定:
F(y)=P(Y≤y)
式中:P:Y≤y出现的概率;Y:原始子集合中的预测绝对误差。
基于同一发明构思,本发明还提供了一种风电场预测的不确定度分析系统,包括:
划分模块,用于将获取的风电场数据根据预设的划分阈值得到湍流强度等级;
构建模块,用于基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;
结果模块,用于结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度。
优选的,所述划分模块,包括:
处理单元,用于对获取的风电场测风塔的瞬时风速进行处理得到数据集;
第一计算单元,用于基于所述数据集得到第一采样周期内的平均风速和第一采样周期内的平均风速标准差;
第二计算单元,用于基于所述第一采样周期内的平均风速、第一采样周期内的平均风速标准差和瞬时风速计算第二采样周期内的平均湍流强度;
构成单元,用于由所述第二采样周期内的平均湍流强度构成所述湍流强度集合;
划分单元,用于对所述湍流强度集合根据预设的划分阈值得到湍流强度等级。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案,将获取的风电场数据根据预设的划分阈值得到湍流强度等级;基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度,通过分位数回归方法确定不确定度的基础上依据各湍流强度等级下湍流强度变量的统计特征的研究,建立条件分位数回归模型,从而部分地优化原有风电预测不确定分析方法。
本发明提供的技术方案,通过湍流强度与预测误差之间的关系,建立不同湍流强度等级下的条件分位数回归模型,抽离了湍流强度对预测不确定度的影响。
本发明提供的技术方案,应用湍流强度等级划分历史同期风电场预测功率和实测功率的原始数据集合,考虑湍流强度与预测绝对误差之间的对应关系。
本发明提供的技术方案,基于湍流强度等级划分,对不同湍流强度等级下的风电场预测功率和实测功率的原始数据子集合分别进行分位数回归分析,实现考虑湍流强度差异的风电预测不确定度分析。
附图说明
图1为本发明中一种风电场预测的不确定度分析方法流程图;
图2为本发明实施例中不确定度分析方法的详细流程图;
图3为本发明实施例中检验函数示意图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
图1为本发明中一种风电场预测的不确定度分析方法流程图,如图1所示,包括:
S1、基于对预先获取的风电场数据处理得到湍流强度集合;
S2、将所述湍流强度集合根据预设的划分阈值进行划分得到湍流强度等级;
S3、结合所述湍流强度等级以及基于各湍流强度等级构建的条件分位数回归模型,得到各湍流强度等级下风电场预测的不确定度信息。
本发明的算法基础为分位数回归估计,即采用风电预测变量X与风电实测变量Y的条件分位数之间回归模型的思想,增加实测风速所构成的微区域湍流强度变量Z,建立Z变量影响下的X变量与Y变量条件分位数回归模型,从而部分地优化原有风电预测不确定分析方法,应用于风电场功率概率预测。
图2为本实施例中提供的不确定度分析方法的详细流程图,如图2所示,该方法按以下步骤进行:
1.基础数据统计,得到历史同期风电场测风塔实测平均风速、平均风向、风速标准差数据和风电场预测功率、实测功率,进行必要的数据质量控制;
2.风电场区域湍流强度Z计算;
3.依据湍流强度统计值,进行风电场预测功率、实测功率的分类;
4.依据分类后各簇,分别进行Z条件分位数回归;
5.检验以及不同Z条件下的不确定度计算。
实施例2
本发明所涉及输入的风电场数据包括:风电场测风塔数据、预测功率和实测功率,其中本实施例中,第一采样周期设为5min,第二采样周期设为15min,即时间分辨率为15min,其中,风电场测风塔数据、实测功率均为来源于风电场可靠采样点,采用的具体技术步骤包括:
S1、基于对预先获取的风电场数据处理得到湍流强度集合;
(1)基础数据整备。
依据风电预测不确定分析的基础数据集起止时间,提取风电场实时气象观测数据,即风电场风机轮毂高度处测风计给出的瞬时风速、风向和采样周期等信息。
对瞬时风速构成的基础数据集进行预处理得到数据集,即剔除基础数据集中的无效数据。
无效数据包括:缺测数据、不合理数据记录,其中,不合理数据记录指明显不符合常规风速的数据,可以依据经验设定风速范围,剔除超过风速范围的数据。
对数据集中的所有数据在历史同期前提下,赋以统一时间标识t,t=1,…,n。这里赋予时间标识是由于剔除了无效数据后,原有时标有断缺,我们按时间顺序重新赋予时间标识,记录样本总数为n,方便后续计算。
根据数据集中的瞬时风速计算第一采样周期为5min的平均风速和平均风速标准差。
最后用Pt表示采集到的风电场实测功率,Pt′表示通过现有方法计算与实测功率对应的预测功率,根据实测功率和预测功率计算预测绝对误差,由Pt、Pt′和预测绝对误差构成原始数据集合。
(2)湍流强度计算
计算湍流强度时,为保证计算结果在功率预测不确定度分析中的适用性,将湍流强度的初始计算值设置为第一采样周期5min,并依据5min计算值求取第二采样周期15min的湍流强度平均值。
风电场所在微区域,湍流强度的计算采用下式:
考虑风能资源测量设备性能,σ的计算可采用下式:
其中,vj表示第j时刻的瞬时风速;m表示5min内的总时刻,即5*60s。
S2、将所述湍流强度集合根据预设的划分阈值进行划分得到湍流强度等级,包括:
(3)湍流强度等级分类。
本实施例中预先设定初始阈值为0.01,间隔为0.05。构成如下所示的湍流强度等级:
……
其中,在湍流强度集合中小于0.01为低湍流强度,其余阈值选取间隔均为0.05,在不确定度分析的基础数据集起止时间内,确保每一个湍流强度等级区间均有充足样本,以满足分位数回归的基本假设。
(4)基于湍流强度等级的基础数据集细分。
依据步骤(3)中得到的M个湍流强度等级,将湍流强度集合划分为M个湍流强度子集合;
按照湍流强度等级,将原始数据集合中同时期的样本划分为M个原始数据子集合。
在统一时间标识的前提下,得到历史同期的不同湍流强度等级下的M簇由Pt、Pt′和预测绝对误差构成的原始数据子集合;
即应用湍流强度等级划分历史同期风电场预测功率、实测功率和预测绝对误差的原始数据集合,考虑湍流强度与预测绝对误差之间的对应关系。
S3、结合所述湍流强度等级以及基于各湍流强度等级构建的条件分位数回归模型,得到各湍流强度等级下风电场预测的不确定度信息,包括:
(5)基于湍流强度等级对应的原始数据子集合建立分位数回归模型。
针对各个湍流强度等级对应的原始数据子集合中预测绝对误差,分别采用经典的分位数回归方法建立条件分位数回归模型,本方法采用分位数回归方法为了最终获取τ回归分位数,即满足F(y)≥τ的最小的y值。
基于湍流强度等级划分,对不同湍流强度等级下的风电场预测功率、实测功率和预测绝对误差的原始数据子集合分别进行分位数回归分析,实现考虑湍流强度差异的风电预测不确定度分析。
针对分位数回归模型的建立原理作简要说明:
设随机变量Y的所有性质都通过其分布函数F(y)=P(Y≤y)来描述,F(y)的τ分位数函数的定义式为:
Q(τ)=inf{y:F(y)≥τ} (1‐1)
其中,0<τ<1;P(Y≤y)表示的是预测绝对误差的分布函数,反映的是预测误差Y在各个区间段出现的概率,y的定义域是(+∞,-∞);
可以看出:小于分位数函数Q(τ)的变量比例为τ,大于分位数函数Q(τ)的变量比例为1-τ;定义“检验函数”为:
ρ(u)=τul(u)+(τ-1)ul(u) (1‐2)
其中,l(u)为指示函数,当u≥0时,l(u)=0;当u<0时,l(u)=1。
由定义式及图3可以看出,τ相当于直线的斜率,且“检验函数”是非负的分段函数。
设u=y-δ,式(1‐2)可改写为:
ρ(y-δ)=τ(y-δ)l(y-δ≥0)+(τ-1)(y-δ)l(y-δ<0) (1‐3)
在式(1‐3)两边同时取期望,积分得:
再对上式两边同时对δ求导得:
分布函数F是单调增函数,则集合{y:F(δ)=τ}的任意元素都能取得某个区间上的元素使E(ρ(y-δ))最小。
一般的线性条件分位数函数为:Q(τ|x)=x'β(τ)。
对于随机变量Y的一个随机样本{y1,y2,...,yn}通常τ分位数的样本分位数线性回归要求满足:
其中,ρ:检验函数;x′i:功率影响因子;
其中,R:原始子集合中的预测绝对误差;
在本实施例中随机变量Y表示预测功率减去实测功率得到的预测绝对误差。
(6)给出基于湍流强度等级的风电场预测信息不确定度信息。
通过本发明中基于分位数回归模型进行不确定度分析所能得到的直接或间接信息,即湍流强度等级及其对应的不确定度分析信息,以下是各个信息的来源及含义:
需要说明的是:置信水平1-ɑ下的置信区间表示实测功率落在该置信区间的概率为1-ɑ,其中ɑ为显著性水平,取值0-1之间;
1)根据分位数回归模型得到的τ回归分位数,我们可以直观的得到不同置信水平下的置信区间;置信区间的上下限可以直观的反映预测功率可能的波动范围;
2)将不同时刻的波动上下限值连成一条线,得到不确定度分析曲线图,形成该置信水平下的功率预测波动带;
3)基于不确定度验证分位数回归模型的有效性,包括:结合实测功率,计算超出置信区间的数据的超限比例,若与设定的置信水平相吻合,则分位数回归模型有效。
4)将不同湍流等级下的不确定度分析曲线图进行对比,可直观反映湍流强度对预测不确定度的影响。
针对2)举例为:τ已知,某时刻预测模型的输入量已知,则Q(τ)是一个具体的数值。
首先,给定置信水平τ:95%;
然后,求得该条件下的分位数函数;
最后,根据未来时刻的预测值Pprep,即可给出其波动的上限值和下限值:
P(上限)=Pprep+Q(τ)
P(下限)=Pprep+Q(1-τ)
将每一点的上限值连线,下限值连线,即得到了预测结果的不确定度分析曲线。
基于同一发明构思,本实施例还提供了一种风电场预测的不确定度分析系统,包括:
划分模块,用于将获取的风电场数据根据预设的划分阈值得到湍流强度等级;
构建模块,用于基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;
结果模块,用于结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度。
实施例中,所述划分模块,包括:
处理单元,用于对获取的风电场测风塔的瞬时风速进行处理得到数据集;
第一计算单元,用于基于所述数据集得到第一采样周期内的平均风速和第一采样周期内的平均风速标准差;
第二计算单元,用于基于所述第一采样周期内的平均风速、第一采样周期内的平均风速标准差和瞬时风速计算第二采样周期内的平均湍流强度;
构成单元,用于由所述第二采样周期内的平均湍流强度构成所述湍流强度集合;
划分单元,用于对所述湍流强度集合根据预设的划分阈值得到湍流强度等级。
实施例中,所述构建模块,包括:
计算单元,用于基于实测功率和与所述实测功率对应的预测功率计算预测绝对误差;
原始数据集合单元,用于由与所述湍流强度同时期的所述实测功率、预测功率和预测绝对误差构成原始数据集合;
原始数据子集合单元,用于基于各湍流强度等级对所述原始数据集合进行划分,获取每一个湍流强度等级下的原始数据子集合;
构建单元,用于对湍流强度等级对应的所述原始子集合采用分位数回归方法,构建对应湍流强度等级下的条件分位数回归模型。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (7)
1.一种风电场预测的不确定度分析方法,其特征在于,包括:
将获取的风电场数据根据预设的划分阈值得到湍流强度等级;
基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;
结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度;
所述将获取的风电场数据根据预设的划分阈值得到湍流强度等级,包括:
对获取的风电场测风塔的瞬时风速进行处理得到数据集;
基于所述数据集得到第一采样周期内的平均风速和第一采样周期内的平均风速标准差;
基于所述第一采样周期内的平均风速、第一采样周期内的平均风速标准差和瞬时风速计算第二采样周期内的平均湍流强度;
由所述第二采样周期内的平均湍流强度构成湍流强度集合;
对所述湍流强度集合根据预设的划分阈值得到湍流强度等级;
所述基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型,包括:
基于实测功率和与所述实测功率对应的预测功率计算预测绝对误差;
由与湍流强度同时期的所述实测功率、预测功率和预测绝对误差构成原始数据集合;
基于各湍流强度等级对所述原始数据集合进行划分,获取每一个湍流强度等级下的原始子集合;
对湍流强度等级对应的所述原始子集合采用分位数回归方法,构建对应湍流强度等级下的条件分位数回归模型;
所述对湍流强度等级对应的所述原始子集合采用分位数回归方法,构建对应湍流强度等级下的条件分位数回归模型,包括:
提取各湍流强度等级对应的所述原始子集合中的预测绝对误差;
基于设定的置信水平和所述预测绝对误差构建对应湍流强度等级下的条件分位数回归模型。
3.如权利要求1所述的分析方法,其特征在于,所述第一采样周期为保证预测功率不确定度分析的适用性设置的湍流强度的初始计算值;
所述第二采样周期为基于所述第一采样周期求取湍流强度平均值。
4.如权利要求1所述的分析方法,其特征在于,对获取的风电场测风塔的瞬时风速进行处理得到数据集,包括:
剔除所述风电场测风塔的瞬时风速中的不规则数据和超过预设范围的数据,建立数据集;
将所述数据集中所有的数据赋以时间标识。
5.如权利要求1所述的分析方法,其特征在于,所述条件分位数回归模型包括如下式的分位数函数:
Q(τ)=inf{y:F(y)≥τ},0<τ<1
式中:Q(τ):分位数函数;τ:置信水平;y:任意实数;F(y):分布函数,由下式确定:
F(y)=P(Y≤y)
式中:P:Y≤y出现的概率;Y:原始子集合中的预测绝对误差。
6.一种采用如权利要求1-5任一项所述风电场预测的不确定度分析方法的风电场预测的不确定度分析系统,其特征在于,包括:
划分模块,用于将获取的风电场数据根据预设的划分阈值得到湍流强度等级;
构建模块,用于基于湍流强度等级、实测功率和预测功率构建条件分位数回归模型;
结果模块,用于结合所述湍流强度等级以及各湍流强度等级下的条件分位数回归模型,得到所述预测功率的不确定度。
7.如权利要求6所述的分析系统,其特征在于,所述划分模块,包括:
处理单元,用于对获取的风电场测风塔的瞬时风速进行处理得到数据集;
第一计算单元,用于基于所述数据集得到第一采样周期内的平均风速和第一采样周期内的平均风速标准差;
第二计算单元,用于基于所述第一采样周期内的平均风速、第一采样周期内的平均风速标准差和瞬时风速计算第二采样周期内的平均湍流强度;
构成单元,用于由所述第二采样周期内的平均湍流强度构成湍流强度集合;
划分单元,用于对所述湍流强度集合根据预设的划分阈值得到湍流强度等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810560517.4A CN110555543B (zh) | 2018-05-31 | 2018-05-31 | 一种风电场预测的不确定度分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810560517.4A CN110555543B (zh) | 2018-05-31 | 2018-05-31 | 一种风电场预测的不确定度分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555543A CN110555543A (zh) | 2019-12-10 |
CN110555543B true CN110555543B (zh) | 2022-10-21 |
Family
ID=68734063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810560517.4A Active CN110555543B (zh) | 2018-05-31 | 2018-05-31 | 一种风电场预测的不确定度分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555543B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112855464A (zh) * | 2021-01-19 | 2021-05-28 | 浙江运达风电股份有限公司 | 一种基于特定场址湍流分布优化风电机组疲劳载荷的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678940A (zh) * | 2013-12-31 | 2014-03-26 | 哈尔滨工业大学 | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 |
CN107706938A (zh) * | 2017-09-05 | 2018-02-16 | 清华大学 | 一种基于分位点回归的风电功率波动区间分析方法 |
-
2018
- 2018-05-31 CN CN201810560517.4A patent/CN110555543B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678940A (zh) * | 2013-12-31 | 2014-03-26 | 哈尔滨工业大学 | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 |
CN107706938A (zh) * | 2017-09-05 | 2018-02-16 | 清华大学 | 一种基于分位点回归的风电功率波动区间分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110555543A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705772B (zh) | 区域电网风力发电功率预测优化方法和装置 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
WO2020199875A1 (zh) | 一种风廓线数据预测方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
US20220178353A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN115271186A (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN110555543B (zh) | 一种风电场预测的不确定度分析方法及系统 | |
CN114254833A (zh) | 基于多元线性回归和气象数据的水库水位预测及调度方法 | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN116109011B (zh) | 一种智慧园区的能耗管理方法及终端 | |
CN115047544B (zh) | 一种覆冰预警方法及系统 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN115330088A (zh) | 一种小型水库的防洪精细化预测方法 | |
CN114564487A (zh) | 预报预测相结合的气象栅格数据更新方法 | |
CN114565004A (zh) | 一种风电机组功率曲线异常散点剔除方法及装置 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
CN112749820A (zh) | 一种风电功率预测方法及系统 | |
CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN117608005B (zh) | 一种对区域暴雨频次的研判方法及系统 | |
CN112132325B (zh) | 考虑天气置信度的输电线路载流量限额评估方法及装置 |
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 |