CN110909916A - 一种基于熵权法的风力发电月度电量区间预测方法 - Google Patents
一种基于熵权法的风力发电月度电量区间预测方法 Download PDFInfo
- Publication number
- CN110909916A CN110909916A CN201911018178.8A CN201911018178A CN110909916A CN 110909916 A CN110909916 A CN 110909916A CN 201911018178 A CN201911018178 A CN 201911018178A CN 110909916 A CN110909916 A CN 110909916A
- Authority
- CN
- China
- Prior art keywords
- prediction
- power generation
- wind power
- interval
- monthly
- 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 202
- 238000010248 power generation Methods 0.000 title claims abstract description 131
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于风力发电发电量预测技术领域,尤其涉及一种基于熵权法的风力发电月度电量区间预测方法。包括以下步骤:分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数;预测算法选取及实施;输出结果及评价。本发明能够在目前风电预测大多只支持短期预测的前提下,实现风力发电月度电量区间预测。将多种点预测方法采用熵权法进行了加权融合,避免了单一算法整体预测水平过低或过高的问题,尽可能提升了点预测精准度,月平均百分比误差达到16%左右。利用正态区间预测法,选取适当的置信度,能够使区间覆盖率达到83.3%,对于电力系统调峰及月度电能交易计划的制定有一定的参考作用。
Description
技术领域
本发明属于风力发电发电量预测技术领域,尤其涉及一种基于熵权法的风力发电月度电量区间预测方法。
背景技术
随着世界能源的日趋匮乏和科学技术的飞速发展,寻找可再生、环保、清洁的绿色能源是代替石油、天然气等化石能源的解决办法。风能是当前最为符合条件且具有发展前景的一种新型能源。目前,风能在全球电力生产结构中的占比也在逐年提升。据预测,风电装机容量将以每年9.5%的速度稳定上涨,至2020年将占总发电容量的12%。
在我国,风电的发展增速明显。2017年我国风电新装机容量19660MW,位居世界第一;截止2017年底,我国风电总装机容量达到188392MW,位居世界第一。作为我国第三大电力来源,风电占比的逐渐提高,对电力系统的影响也逐渐体现出来。由于风电具有强不确定性和波动性,并且难以参与调峰,作为应对手段之一,提前对风电做出准确预测尤为重要。
自我国电力市场体制改革以来,我国的电力市场逐渐完善,电力交易中心在此过程中起到十分重要的作用。月度电能交易计划是年合同电量计划和日调度发电计划的中间环节,对各发电类型发电量所占比例的管理及电网运行起着重要作用。由于风电等可再生清洁能源有发电优先性,风力计划编制的准确性和合理性将直接影响辽宁电网各发电类型发电量所占比例,因此风电月度发电量的准确预测十分重要。
发明内容
本发明针对上述现有技术中存在的问题,提供一种基于熵权法的风力发电月度电量区间预测方法,目的是为了能够在目前风电预测大多只支持短期预测的前提下,实现风力发电月度电量区间预测。本发明方法采用三种点预测方法,一种点预测融合方法,一种区间预测方法对月度风力发电量进行预测。
为了实现上述发明目的,本发明解决其技术问题所采用的技术方案是:
一种基于熵权法的风力发电月度电量区间预测方法,包括以下步骤:
S1:分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数;
S2:预测算法选取及实施:预测算法包括单元匹配法、时间序列预测法、数据扩充均值法;利用上述天气气象参数,通过预测算法得到三种点预测结果;利用点预测融合算法—熵权法对三种点预测结果进行加权,得到风力发月度电量点预测值;利用数据扩充均值法得到月间风力发电量方差;采用正态区间预测法,得到风力发电月度电量的预测区间;
S3:输出结果及评价:将得到的月度风力发电的预测区间值进行输出,点预测精度由绝对误差百分比评价;区间预测精度由区间覆盖率评价。
所述分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数,包括:
预报信息输入量分为算法中待搜索的特征值及训练样本两部分,采用Spearman秩相关算法进行影响因素分析,得到日风力发电量的主要影响因素:昼夜风速及温度;将昼夜风速及温度作为预测月电厂电站所在地天气预报气象信息的输入量;训练样本中气象信息的选取与算法中待搜索的特征值相同,选取电厂电站历史发电量及电厂电站所在地历史气象信息中昼夜风速及温度作为训练样本。
所述单元匹配法,具体计算公式如下:
其中,Fkd-tree为单元匹配法点预测结果,w1f预测日日间风速,w1i为历史数据日间风速,w2f为预测日夜间风速,w2i为历史数据夜间风速,tf为预测日平均温度,ti为历史数据温度,n为距离相同的历史数据个数。
所述时间序列预测法,具体计算公式如下:
Ftime=Tt×St×It (2)
其中,Ftime为时间序列法点预测结果,Tt为时间序列长期趋势值,St为季节变动值,It为规则变动值。
所述数据扩充均值法,是将已经获得的历史发电量,取当月及前一月后一月的发电量数据随机取出30天重组形成若干个非自然月,利用形成的非自然月得到更为准确可靠的均值及方差,将所得到的数据扩充均值作为点预测的一种预测结果,月间方差供后续区间预测使用;具体计算公式如下:
其中,Faverage为数据扩充均值法点预测结果,Fex,i为数据扩充发电量值,n为数据扩充次数。
所述得到三种点预测结果后,利用熵权法对其进行计算得出的加权系数,加权后得到月度风力发电量点预测值,具体公式如下:
Fsum=w1×Fkd-tree+w2×Ftime+w3×Faverage (7)
式(4)-(6)为熵权法计算加权系数的部分,假设给定了k个指标x1,...,xk,其中每个指标具有n个元素,即xi={x1,x2,...,xn},Yij为标准化后的指标元素;Ej为一组数据的信息熵,其中Wi为计算后各指标权重,i=1,2,...,k;
式(7)中Fsum为加权后点预测值;w1为单元匹配法加权系数,w2为时间序列法加权系数,w3为数据扩充均值法加权系数;Fkd-tree为单元匹配法点预测结果,Ftime为时间序列法点预测结果,Faverage为数据扩充法所得月度发电量均值。
所述正态区间预测法,是指运用统计学中正态总体下的总体参数的置信区间算法,利用数据扩充法得到的月间风力发电量方差,采用正态区间预测法,给定95%至99.99%的置信度,得到月度风力发电的预测区间。
所述预测方法,包括预报信息输入量、预测算法部分、预测输出结果;具体包括以下步骤:
步骤1、预报信息输入量的选取;
(1)预报信息输入量分为算法中待搜索的特征值及训练样本两部分;
(2)其中算法中待搜索的特征值的选取,即寻找影响风力发电量的主要影响因素,采用Spearman秩相关算法进行影响因素分析,得到日风力发电量的主要影响因素——昼夜风速及温度;将昼夜风速及温度作为预测月电厂电站所在地天气预报气象信息的输入量;
(3)训练样本中气象信息的选取应与算法中待搜索的特征值相同,选取电厂电站历史发电量及电厂电站所在地历史气象信息中昼夜风速及温度作为训练样本;
步骤2、预测算法选取及实施;
(1)整体的预测方案包括三种点预测方法及一种区间预测方法,采用熵权法对三种点预测方法进行加权融合;
(2)单元匹配法:首先需要建立包含特征值的历史数据库,在输入量中数据库包含历史发电量、昼夜风速及温度;
(3)单元匹配法在完成建库后,利用实时天气预报的输入量在数据库中进行查找,取相似度最高、数值差距最小的历史数据的发电量平均值作为单元匹配法预测结果;具体计算公式如下:
其中Fkd-tree为单元匹配法点预测结果,w1i为特征指标日间风速,w2i为特征指标夜间风速,ti为特征指标温度,n为距离相同的历史数据个数;
(4)时间序列法需要将历史发电量按时间序列排列成数据序列,具体计算公式如下:
Ftime=Tt×St×It
其中Ftime为时间序列法点预测结果,Tt为时间序列长期趋势值,St为季节变动值,It为规则变动值;
(5)数据扩充均值法:是将已经获得的历史发电量,取当月及前一月后一月的发电量数据随机取出30天重组形成若干个非自然月,利用形成的非自然月得到均值及方差;具体计算公式如下:
其中Faverage为数据扩充均值法点预测结果,Fex,i为数据扩充发电量值,n为数据扩充次数;
(6)在得到三种点预测结果后,利用熵权法对点预测结果进行加权,采用以下公式计算具体加权系数:
(7)利用熵权法计算得出的加权系数,加权后得到风力发电月度电量点预测值,并进行预测,得到平均误差值;
(8)利用数据扩充法得到月间风力发电量方差,采用正态区间预测法给定合适的置信度,得到风力发电月度电量的预测区间;
(9)将得到的风力发电月度电量点预测值及预测区间相结合,作为结果输出;
步骤3、输出结果及评价;
(1)输出结果为区间形式的风力发电月度电量预测值;
(2)评价标准采用区间覆盖率对预测区间精准度评价,采用绝对误差百分比对点预测精度评价。
一种基于熵权法的风力发电月度电量区间预测方法,包括:
分析模块,用于分析风力发电月度电量的影响因素;
预测模块,用于预测算法选取及实施;预测算法包括:单元匹配法、时间序列预测法、数据扩充均值法;
输出模块,用于输出结果及评价。
一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现如前述的一种基于熵权法的风力发电月度电量区间预测方法。
本发明的优点及有益效果为:
本发明能够在目前风电预测大多只支持短期预测的前提下,实现风力发电月度电量区间预测。本发明将多种点预测方法采用熵权法进行了加权融合,避免了单一算法整体预测水平过低或过高的问题,尽可能提升了点预测精准度,月平均百分比误差达到16%左右。利用正态区间预测法,选取适当的置信度,能够使区间覆盖率达到83.3%,对于电力系统调峰及月度电能交易计划的制定有一定的参考作用。
附图说明
下面将结合本发明实施例中的附图,对本发明实例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例,都属于本发明保护的范围。
图1为本发明中整体预测流程结构示意图。
具体实施方式
实施例1:
本发明是一种基于熵权法的风力发电月度电量区间预测方法,如图1所示,采用熵权法对单元匹配法、时间序列预测法、数据扩充均值法三种点预测方法进行融合得到更为精确的点预测结果,包括以下步骤:
S1:分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数;
由于影响风力发电的因素众多,在预测模型中如果输入变量过多会导致算法复杂且数据不足的问题,如果输入变量不足会导致预测结果精度不高的问题,因此需要分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数。
预报信息输入量分为算法中待搜索的特征值及训练样本两部分,采用Spearman秩相关算法进行影响因素分析,得到日风力发电量的主要影响因素——昼夜风速及温度。将昼夜风速及温度作为预测月电厂电站所在地天气预报气象信息的输入量。训练样本中气象信息的选取应与算法中待搜索的特征值相同,选取电厂电站历史发电量及电厂电站所在地历史气象信息中昼夜风速及温度作为训练样本。
所述Spearman秩相关算法,在统计学中,以查尔斯·斯皮尔曼命名的斯皮尔曼等级相关系数,即spearman相关系数。主要用于解决称名数据和顺序数据相关的问题。适用于两列变量,而且具有等级变量性质具有线性关系的资料。由英国心理学家、统计学家斯皮尔曼根据积差相关的概念推导而来,一些人把斯皮尔曼等级相关看做积差相关的特殊形式。
具体计算公式如下:
如果没有相同的秩次则
如果秩次相同
S2:预测算法选取及实施。
本发明的月度风电预测方案采用多种月度风力发电点预测方法熵权法融合再与所述风力发电月度电量区间预测整体结合的方法,其中,多种月度风力发电点预测方法采用传统的月度发电点预测方法,包括:单元匹配法、时间序列预测法、数据扩充均值法;点预测融合算法方法(加权方法)选择熵权法;风力发电月度电量区间预测法选取正态区间预测法。
S21:单元匹配法。
单元匹配法即以天气预报及历史数据中每天的昼夜风速及温度作为特征指标,将历史数据进行归类排序,根据预测日的天气预报,在历史数据中找到特征指标相同或距离最近的n天,以n个历史发电量均值作为预测日发电量。其中,在历史数据查找中,优先匹配日期相近的历史数据,尽可能保证除气象参数外其他外界因素的相似性。具体计算公式如下:
其中,Fkd-tree为单元匹配法点预测结果,w1f预测日日间风速,w1i为历史数据日间风速,w2f为预测日夜间风速,w2i为历史数据夜间风速,tf为预测日平均温度,ti为历史数据温度,n为距离相同的历史数据个数。
S22:时间序列预测法。
时间序列预测法是一种回归预测方法,其基本原理是承认事物发展的延续性,运用过去的时间序列数据进行统计分析,推测出事物的发展趋势,为了消除随机波动产生的影响,利用历史数据进行统计分析,并对数据进行标准化处理,进行趋势预测。时间序列法需要将历史发电量按时间序列排列成数据序列,风力发电量具有一定的时间规律性及连续性,因此可以利用时间序列法对其进行预测。具体计算公式如下:
Ftime=Tt×St×It (2)
其中,Ftime为时间序列法点预测结果,Tt为时间序列长期趋势值,St为季节变动值,It为规则变动值。
S23:数据扩充均值法。
数据扩充均值法是将已经获得的历史发电量,取当月及前一月后一月的发电量数据随机取出30天重组形成若干个非自然月,利用形成的非自然月得到更为准确可靠的均值及方差,将所得到的数据扩充均值作为点预测的一种预测结果,月间方差供后续区间预测使用。具体计算公式如下:
其中,Faverage为数据扩充均值法点预测结果,Fex,i为数据扩充发电量值,n为数据扩充次数。
S24:在步骤S21、S22、S23得到三种点预测结果后,利用熵权法对三种点预测结果进行加权。按照信息论基本原理的解释,信息是系统有序程度的一个度量,熵是系统无序程度的一个度量;如果指标的信息熵越小,该指标提供的信息量越小,在综合评价中所起作用理当越小,权重就应该越低。利用熵权法计算得出的加权系数,加权后得到月度风力发电量点预测值。具体公式如下:
Fsum=w1×Fkd-tree+w2×Ftime+w3×Faverage (7)
式(4)-(6)为熵权法计算加权系数的部分,假设给定了k个指标x1,...,xk,其中每个指标具有n个元素,即xi={x1,x2,...,xn},Yij为标准化后的指标元素。Ej为一组数据的信息熵,其中Wi为计算后各指标权重,i=1,2,...,k;
式(7)中Fsum为加权后点预测值;w1为单元匹配法加权系数,w2为时间序列法加权系数,w3为数据扩充均值法加权系数;Fkd-tree为单元匹配法点预测结果,Ftime为时间序列法点预测结果,Faverage为数据扩充法所得月度发电量均值。
S25:由于风力发电量和风速强相关,发电量与风速等自然信息都服从正态分布,因此可以运用统计学中正态总体下的总体参数的置信区间算法,利用数据扩充均值法得到的月间风力发电量方差,采用正态区间预测法给定95%至99.99%的置信度,得到风力发电月度电量的预测区间。
所述正态区间预测法:
区间估计是在点估计的基础上,给出总体参数估计的一个区间范围,该区间通常由样本统计量加减估计误差得到。与点估计不同,进行区间估计时,根据样本统计量的抽样分布可以对样本统计量与总体参数的接近程度给出一个概率度量。
正态区间估计法的具体计算公式如下:
S3:输出结果及评价。
输出结果为区间形式的风力发电月度电量预测值,点预测精度由绝对误差百分比评价;区间预测精度由区间覆盖率评价。
实施例2:
如图1所示的一种基于熵权法的风力发电月度电量区间预测方法,包括预报信息输入量、预测算法部分、预测输出结果。以某风场数据作为预测算例,该风场建立于2010年,一期工程总装机4.95万千瓦,安装33台风力发电机组。历史发电数据包含2013年至2018年,共六年数据量,其中五年作为训练数据,一年作为测试数据。气象数据采用天气后报网提供的该市历史数据,包含所需昼夜温度及风速。具体包括以下步骤:
1、预报信息输入量的选取。
(1)预报信息输入量分为算法中待搜索的特征值及训练样本两部分。
(2)其中算法中待搜索的特征值的选取,即寻找影响风力发电量的主要影响因素,采用Spearman秩相关算法进行影响因素分析,得到日风力发电量的主要影响因素——昼夜风速及温度。将昼夜风速及温度作为预测月电厂电站所在地天气预报气象信息的输入量。
(3)训练样本中气象信息的选取应与算法中待搜索的特征值相同,选取电厂电站历史发电量及电厂电站所在地历史气象信息中昼夜风速及温度作为训练样本。
2、预测算法选取及实施。
(1)整体的预测方案包括三种点预测方法及一种区间预测方法,采用熵权法对三种点预测方法进行加权融合。
(2)单元匹配法:首先需要建立包含特征值的历史数据库,在输入量中数据库包含历史发电量、昼夜风速及温度。
(3)单元匹配法在完成建库后,利用实时天气预报的输入量在数据库中进行查找,取相似度最高、数值差距最小的历史数据的发电量平均值作为单元匹配法预测结果。具体计算公式如下:
其中Fkd-tree为单元匹配法点预测结果,w1i为特征指标日间风速,w2i为特征指标夜间风速,ti为特征指标温度,n为距离相同的历史数据个数。
(4)时间序列法需要将历史发电量按时间序列排列成数据序列,因为发电量具有一定的时间规律性及连续性,因此可以利用时间序列法对其进行预测。具体计算公式如下:
Ftime=Tt×St×It
其中Ftime为时间序列法点预测结果,Tt为时间序列长期趋势值,St为季节变动值,It为规则变动值。
(5)数据扩充均值法:是将已经获得的历史发电量,取当月及前一月后一月的发电量数据随机取出30天重组形成若干个非自然月,利用形成的非自然月得到更为准确可靠的均值及方差。具体计算公式如下:
其中Faverage为数据扩充均值法点预测结果,Fex,i为数据扩充发电量值,n为数据扩充次数。
(6)在得到三种点预测结果后,利用熵权法对其进行加权。采用以下公式计算具体加权系数:
(7)利用熵权法计算得出的加权系数,加权后得到风力发电月度电量点预测值。对2017年8月至2018年7月发电量采用本发明进行了预测,在12个月的预测中,误差最大月误差为32.75%,误差最小月误差为1.31%,平均误差16.38%。
(8)利用数据扩充法得到的月间风力发电量方差,采用正态区间预测法,给定合适的置信度,得到风力发电月度电量的预测区间。
(9)将得到的风力发电月度电量点预测值及预测区间相结合,作为结果输出。
3、输出结果及评价。
(1)输出结果为区间形式的风力发电月度电量预测值。
(2)评价标准采用区间覆盖率对预测区间精准度评价,采用绝对误差百分比对点预测精度评价。对2017年8月至2018年7月发电量采用本发明进行了预测,12个月份中10个月满足预测区间,区间覆盖率83.3%。
一种基于熵权法的风力发电月度电量区间预测装置,包括:
分析模块,用于分析风力发电月度电量的影响因素;
预测模块,用于预测算法选取及实施;预测算法包括:单元匹配法、时间序列预测法、数据扩充均值法;
输出模块,用于输出结果及评价。
一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现如前述的一种基于熵权法的风力发电月度电量区间预测方法。
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。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围,包括权利要求,被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于熵权法的风力发电月度电量区间预测方法,其特征在于,包括以下步骤:
S1:分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数;
S2:预测算法选取及实施:预测算法包括单元匹配法、时间序列预测法、数据扩充均值法;利用上述天气气象参数,通过预测算法得到三种点预测结果;利用点预测融合算法—熵权法对三种点预测结果进行加权,得到风力发月度电量点预测值;利用数据扩充均值法得到月间风力发电量方差;采用正态区间预测法,得到风力发电月度电量的预测区间;
S3:输出结果及评价:将得到的月度风力发电的预测区间值进行输出,点预测精度由绝对误差百分比评价;区间预测精度由区间覆盖率评价。
2.根据权利要求1所述的一种基于熵权法的风力发电月度电量区间预测方法,其特征在于:所述分析风力发电月度电量的影响因素,确定参与风力发电月度电量预测的天气气象参数,包括:
预报信息输入量分为算法中待搜索的特征值及训练样本两部分,采用Spearman秩相关算法进行影响因素分析,得到日风力发电量的主要影响因素:昼夜风速及温度;将昼夜风速及温度作为预测月电厂电站所在地天气预报气象信息的输入量;训练样本中气象信息的选取与算法中待搜索的特征值相同,选取电厂电站历史发电量及电厂电站所在地历史气象信息中昼夜风速及温度作为训练样本。
4.根据权利要求1所述的一种基于熵权法的风力发电月度电量区间预测方法,其特征在于:所述时间序列预测法,具体计算公式如下:
Ftime=Tt×St×It (2)
其中,Ftime为时间序列法点预测结果,Tt为时间序列长期趋势值,St为季节变动值,It为规则变动值。
6.根据权利要求1所述的一种基于熵权法的风力发电月度电量区间预测方法,其特征在于:所述得到三种点预测结果后,利用熵权法对其进行计算得出的加权系数,加权后得到月度风力发电量点预测值,具体公式如下:
Fsum=w1×Fkd-tree+w2×Ftime+w3×Faverage (7)
式(4)-(6)为熵权法计算加权系数的部分,假设给定了k个指标x1,...,xk,其中每个指标具有n个元素,即xi={x1,x2,...,xn},Yij为标准化后的指标元素;Ej为一组数据的信息熵,其中Wi为计算后各指标权重,i=1,2,...,k;
式(7)中Fsum为加权后点预测值;w1为单元匹配法加权系数,w2为时间序列法加权系数,w3为数据扩充均值法加权系数;Fkd-tree为单元匹配法点预测结果,Ftime为时间序列法点预测结果,Faverage为数据扩充法所得月度发电量均值。
7.根据权利要求1所述的一种基于熵权法的风力发电月度电量区间预测方法,其特征在于:所述正态区间预测法,是指运用统计学中正态总体下的总体参数的置信区间算法,利用数据扩充法得到的月间风力发电量方差,采用正态区间预测法,给定95%至99.99%的置信度,得到月度风力发电的预测区间。
8.根据权利要求1所述的一种基于熵权法的风力发电月度电量区间预测方法,其特征在于:所述预测方法,包括预报信息输入量、预测算法部分、预测输出结果;具体包括以下步骤:
步骤1、预报信息输入量的选取;
(1)预报信息输入量分为算法中待搜索的特征值及训练样本两部分;
(2)其中算法中待搜索的特征值的选取,即寻找影响风力发电量的主要影响因素,采用Spearman秩相关算法进行影响因素分析,得到日风力发电量的主要影响因素——昼夜风速及温度;将昼夜风速及温度作为预测月电厂电站所在地天气预报气象信息的输入量;
(3)训练样本中气象信息的选取应与算法中待搜索的特征值相同,选取电厂电站历史发电量及电厂电站所在地历史气象信息中昼夜风速及温度作为训练样本;
步骤2、预测算法选取及实施;
(1)整体的预测方案包括三种点预测方法及一种区间预测方法,采用熵权法对三种点预测方法进行加权融合;
(2)单元匹配法:首先需要建立包含特征值的历史数据库,在输入量中数据库包含历史发电量、昼夜风速及温度;
(3)单元匹配法在完成建库后,利用实时天气预报的输入量在数据库中进行查找,取相似度最高、数值差距最小的历史数据的发电量平均值作为单元匹配法预测结果;具体计算公式如下:
其中Fkd-tree为单元匹配法点预测结果,w1i为特征指标日间风速,w2i为特征指标夜间风速,ti为特征指标温度,n为距离相同的历史数据个数;
(4)时间序列法需要将历史发电量按时间序列排列成数据序列,具体计算公式如下:
Ftime=Tt×St×It
其中Ftime为时间序列法点预测结果,Tt为时间序列长期趋势值,St为季节变动值,It为规则变动值;
(5)数据扩充均值法:是将已经获得的历史发电量,取当月及前一月后一月的发电量数据随机取出30天重组形成若干个非自然月,利用形成的非自然月得到均值及方差;具体计算公式如下:
其中Faverage为数据扩充均值法点预测结果,Fex,i为数据扩充发电量值,n为数据扩充次数;
(6)在得到三种点预测结果后,利用熵权法对点预测结果进行加权,采用以下公式计算具体加权系数:
(7)利用熵权法计算得出的加权系数,加权后得到风力发电月度电量点预测值,并进行预测,得到平均误差值;
(8)利用数据扩充法得到月间风力发电量方差,采用正态区间预测法给定合适的置信度,得到风力发电月度电量的预测区间;
(9)将得到的风力发电月度电量点预测值及预测区间相结合,作为结果输出;
步骤3、输出结果及评价;
(1)输出结果为区间形式的风力发电月度电量预测值;
(2)评价标准采用区间覆盖率对预测区间精准度评价,采用绝对误差百分比对点预测精度评价。
9.根据权利要求1所述的一种基于熵权法的风力发电月度电量区间预测方法,其特征在于:包括:
分析模块,用于分析风力发电月度电量的影响因素;
预测模块,用于预测算法选取及实施;预测算法包括:单元匹配法、时间序列预测法、数据扩充均值法;
输出模块,用于输出结果及评价。
10.一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现如前述的一种基于熵权法的风力发电月度电量区间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018178.8A CN110909916B (zh) | 2019-10-24 | 2019-10-24 | 一种基于熵权法的风力发电月度电量区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018178.8A CN110909916B (zh) | 2019-10-24 | 2019-10-24 | 一种基于熵权法的风力发电月度电量区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909916A true CN110909916A (zh) | 2020-03-24 |
CN110909916B CN110909916B (zh) | 2023-06-13 |
Family
ID=69815119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018178.8A Active CN110909916B (zh) | 2019-10-24 | 2019-10-24 | 一种基于熵权法的风力发电月度电量区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909916B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379143A (zh) * | 2021-06-23 | 2021-09-10 | 阳光电源股份有限公司 | 一种典型气象年的构建方法、发电量预测方法及相关装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004020019A (ja) * | 2002-06-14 | 2004-01-22 | Daikin Ind Ltd | 設備機器管理装置、設備機器制御方法および設備機器管理システム |
US20070179855A1 (en) * | 2006-01-27 | 2007-08-02 | Constellation Energy Group, Inc. | System for optimizing energy purchase decisions |
JP2011069601A (ja) * | 2009-05-11 | 2011-04-07 | Panasonic Electric Works Co Ltd | 機器マネージメント装置およびプログラム |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN105761163A (zh) * | 2016-02-22 | 2016-07-13 | 国家电网公司 | 一种基于相关性分析和气象因子聚类的调温负荷定量方法 |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和系统 |
WO2018013148A1 (en) * | 2016-07-15 | 2018-01-18 | University Of Connecticut | Systems and methods for outage prediction |
CN108334988A (zh) * | 2018-02-08 | 2018-07-27 | 吕欣 | 一种基于svm的短期电网负荷预测方法 |
CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
-
2019
- 2019-10-24 CN CN201911018178.8A patent/CN110909916B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004020019A (ja) * | 2002-06-14 | 2004-01-22 | Daikin Ind Ltd | 設備機器管理装置、設備機器制御方法および設備機器管理システム |
US20070179855A1 (en) * | 2006-01-27 | 2007-08-02 | Constellation Energy Group, Inc. | System for optimizing energy purchase decisions |
JP2011069601A (ja) * | 2009-05-11 | 2011-04-07 | Panasonic Electric Works Co Ltd | 機器マネージメント装置およびプログラム |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN105761163A (zh) * | 2016-02-22 | 2016-07-13 | 国家电网公司 | 一种基于相关性分析和气象因子聚类的调温负荷定量方法 |
WO2018013148A1 (en) * | 2016-07-15 | 2018-01-18 | University Of Connecticut | Systems and methods for outage prediction |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和系统 |
CN108334988A (zh) * | 2018-02-08 | 2018-07-27 | 吕欣 | 一种基于svm的短期电网负荷预测方法 |
CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
Non-Patent Citations (2)
Title |
---|
王铮,RUI PESTANA,冯双磊,等: "基于加权系数动态修正的短期风电功率组合预测方法" * |
黄磊,舒杰,姜桂秀,等: "基于多维时间序列局部支持向量回归的微网光伏发电预测" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379143A (zh) * | 2021-06-23 | 2021-09-10 | 阳光电源股份有限公司 | 一种典型气象年的构建方法、发电量预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110909916B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Apostolopoulou et al. | Robust optimization for hydroelectric system operation under uncertainty | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Aurangzeb | Short Term Power Load Forecasting using Machine Learning Models for energy management in a smart community | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN104732298A (zh) | 基于决策树和线性回归插值实现ems负荷预测的方法 | |
Kim et al. | Probabilistic solar power forecasting based on bivariate conditional solar irradiation distributions | |
Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
Mite-León et al. | Statistical model for the forecast of hydropower production in Ecuador | |
Amarasinghe et al. | Kernel density estimation based time-dependent approach for analyzing the impact of increasing renewables on generation system adequacy | |
Cervone et al. | Electricity price forecast: A comparison of different models to evaluate the single national price in the Italian energy exchange market | |
CN111062539A (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
Jaisumroum et al. | Forecasting uncertainty of Thailand's electricity consumption compare with using artificial neural network and multiple linear regression methods | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
Baltputnis et al. | ANN-based city heat demand forecast | |
Agga et al. | Convolutional neural network (cnn) extended architectures for photovoltaic power production forecasting | |
Chen et al. | A short term load periodic prediction model based on GBDT | |
Gilbert et al. | A hierarchical approach to probabilistic wind power forecasting | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN115456406A (zh) | 一种综合能源系统的评估方法、装置、设备以及存储介质 | |
Diop et al. | Wind Power Forecasting Using Machine Learning Algorithms | |
Parkash et al. | Hierarchical Structure Based Energy Consumption Forecasting in Top-Down Approach | |
Antoja et al. | Automated short-term load forecasting using modified stochastic hour ahead proportion (SHAP) analysis | |
Lin et al. | Scenarios analysis method based on wind and photovoltaic power output correlation |
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 |