CN110991725B - 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 - Google Patents

一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 Download PDF

Info

Publication number
CN110991725B
CN110991725B CN201911185160.7A CN201911185160A CN110991725B CN 110991725 B CN110991725 B CN 110991725B CN 201911185160 A CN201911185160 A CN 201911185160A CN 110991725 B CN110991725 B CN 110991725B
Authority
CN
China
Prior art keywords
wind speed
power
wind
prediction
predicted
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
Application number
CN201911185160.7A
Other languages
English (en)
Other versions
CN110991725A (zh
Inventor
杨茂
董昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN201911185160.7A priority Critical patent/CN110991725B/zh
Publication of CN110991725A publication Critical patent/CN110991725A/zh
Application granted granted Critical
Publication of CN110991725B publication Critical patent/CN110991725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及风电技术领域，是一种基于风速分频和权值匹配的RBF超短期风电功率预测方法，其特点是：包括风速波动特征的提取、风速区间的划分、径向基神经网络的训练、分频最优权值的分配、仿真计算和误差分析等步骤，与现有的仅考虑历史风电功率数据时序，本发明能跟踪未来的功率趋势，物理意义清晰，并考虑风速的分频特性。具有预测精度高，预测结果有效，适用性和实用性强等优点。

Description

一种基于风速分频和权值匹配的RBF超短期风电功率预测 方法
技术领域
本发明涉及风电技术领域，是一种基于风速分频和权值匹配的RBF超短期风电功率预测方法。
背景技术
风电是最具规模化开发条件的新能源，其出力特征不同于火电、核电，是典型的间歇性电源，主要由风速、风向等气象因素决定，具有显著的反调峰特性和不确定性，大规模风电并网给电力系统运行带来严峻的挑战。如能准确的风电功率预测为电力系统安全运行、电力调度带来积极的影响，从而获得更好的经济和环保效益。
风电功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报，时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线，及时调整有功出力。
现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，对于处理非线性时间序列有很大优势，但无法反映系统的动态特性。总体来说，现有的预测无法跟踪未来的功率趋势。
发明内容
本发明的目的是，克服现有技术的不足，提供一种物理意义清晰、考虑风速分频特性、科学合理、实用价值更高、精度更高、能够满足在线使用要求的基于风速分频和权值匹配的RBF超短期风电功率功率预测方法。
实现本发明目的采用的技术方案是：一种基于风速分频和权值匹配的RBF 超短期风电功率预测方法，其特征在于：它包括以下步骤：
1)不同频率风速特征的提取
数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度等信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解 (EMD)两种方法得到的，具体步骤如下：
①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法原则进行拟合，其拟合函数为
Figure BDA0002292225990000021
式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn； Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数；
②滤波以后得到趋势分量和残差分量。对于趋势分量进行经验模态分解 (EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，就可以直接开始分解；经验模态分解(EMD) 将时间序列x(t)分解成数个本征模函数(IMF)和残余项r(t)，r(t)通常代表时间序列的整体趋势，
x(t)＝∑IMFs+r(t) (2)
③对经验模态分解(EMD)得到的本征模函数(IMF)与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，
Figure BDA0002292225990000022
式中Xi、Yi分别表示两种模态变量第i时刻的对应元素；
通过模态合并能够将数量有限个本征模函数(IMF)合并为两类，将频率最高，幅值最低的一类定义为高频分量；将剩余的一类定义为中频分量；将经验模态(EMD)分接得到的残余项r(t),定义为低频分量；
2)风速区间的划分
通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速-功率散点图，并拟合出风速-功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换；
对于处于切入风速与切出风速之间的数据按照风速大小进行三等分，其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定义为高风速段；
3)径向基函数(RBF)神经网络的训练
首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数(RBF)神经网络的训练集，将后一个月的信息作为径向基函数(RBF)神经网络的测试集；
将步骤1)中得到的100米风速高频分量与对应时刻为未分解的功率作为隐含层的输入进行径向基函数(RBF)网络的训练，进而通过最后一个月的100米风速高频分量对功率进行预测。同理，可以分别预测得到风速中频分量和低频分量对应的功率值；
4)最优权值的选取
通过不同的风速波动分量预测的功率需要根据不同波动分量对整体风速的贡献率进行加权求和，权值的选取步骤如下：
①对预测时刻前一个月不同风速分量预测得到的功率值进行加权相加，得到预测值，以准确率最高为目标函数通过Matlab中Cplex优化程序对权值进行优化，
目标函数：
Figure BDA0002292225990000031
约束条件：
Figure BDA0002292225990000032
式中，PM为加权相加后所得到的预测功率；λi表示通过不同风速预测功率所对应的权值，i＝1，2，3分别表示高频分量，中频分量，低频分量；Pi表示通过不同风速预测功率；PP表示实测功率；R表示预测的准确率；
通过式(4)-式(5)的计算得到一个月各个时刻的对于高频，中频，低频分量的最优权值；
②对于前一个月各个时刻的最优权值按照其对应时刻风速大小按照步骤 2)进行分组，从而能够得到高、中、低不同风速段所对应的的权值序列，分别对不同风速段的高、中、低频分量所对应的权值求取平均值就能够得到高、中、低频分量在不同风速段下的权值，
Figure BDA0002292225990000041
式中，λj表示不同风速段所对应的权重值，λij表示不同风速段各个风速点所对应的权重值，N表示该风速段下风速点的数量；
5)仿真计算
仿真输入量：对电场的实测数据进行分析，确定电场的总装机容量；输入历史数据：待遇测预测时刻所在月前三个月的功率、温度、30m风向、170m风速、 100m风速，输入预测当天NWP数据：温度、30m风向、170m风速、100m风速；数据采样间隔为15min，根据步骤1)至步骤4)，得到该日预测时段的不同波动频率下的三组预测值，之后根据待遇测时刻NWP的100m风速值对三组预测值进行加权相加，从而得到最终的功率超短期预测结果；
6)评价指标
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，第四小时预测准确率定义为式(7)：
Figure BDA0002292225990000042
第四小时预测合格率定义为式(8)：
Figure BDA0002292225990000043
其中若
Figure BDA0002292225990000044
则Bk＝1，若
Figure BDA0002292225990000045
则 Bk＝0
全天预测结果第四小时均方根误差为式(7)：
Figure BDA0002292225990000046
按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤 6)中的误差评价标准式(7)、式(8)、式(9)进行误差计算，求得预测准确率。
本发明提出的一种基于风速分频权值匹配的RBF超短期预测计算方法，采用最小二乘滤波和经验模态分解对风速波动特性进行提取；通过对历史不同波动分量进行预测分析，以准确率最高为目标进行优化得到最优权值；根据预测时刻的NWP风速信息进行最优权重的选取从而实现风电功率的超短期预测等步骤。本发明预测方法科学合理，预测过程简单，预测精度高、物理意义清晰，预测结果有效，实用性强。
附图说明
图1不同频率的风速时间序列；
图2为基于风速分频和权值匹配的RBF超短期预测框架；
图3为预测值与真实值比较示意图。
具体实施方式
下面结合附图和具体实施例，对本发明的一种基于风速分频和权值匹配的 RBF超短期预测方法作进一步说明。
结合图1-图3，本发明的一种基于风速分频和权值匹配的RBF超短期预测方法，包括以下步骤：
1)不同频率风速特征的提取
数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度等信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解 (EMD)两种方法得到的，具体步骤如下：
①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法原则进行拟合，其拟合函数为
Figure BDA0002292225990000051
式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn； Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数。
②滤波以后得到趋势分量和残差分量。对于趋势分量进行经验模态分解(EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，就可以直接开始分解；经验模态分解(EMD) 将时间序列x(t)分解成数个本征模函数(IMF)和残余项r(t)，r(t)通常代表时间序列的整体趋势，
x(t)＝∑IMFs+r(t) (2)
③对经验模态分解(EMD)得到的本征模函数(IMF)与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，
Figure BDA0002292225990000061
式中Xi、Yi分别表示两种模态变量第i时刻的对应元素。
通过模态合并能够将数量较多有限个本征模函数(IMF)合并为两类，将频率最高，幅值最低的一类定义为高频分量；将频率较低，幅值较低的一类定义为中频分量；将经验模态(EMD)分接得到的残余项r(t),定义为低频分量。
2)风速区间的划分
通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速-功率散点图，并拟合出风速-功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换。
对于处于切入风速与切出风速之间的数据按照风速大小进行三等分。其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定义为高风速段。
3)径向基函数(RBF)神经网络的训练
首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数(RBF)神经网络的训练集，将后一个月的信息作为径向基函数(RBF)神经网络的测试集。
将步骤1)中得到的100米风速高频分量与对应时刻为未分解的功率作为隐含层的输入进行径向基函数(RBF)网络的训练，进而通过最后一个月的100米风速高频分量对功率进行预测。同理，可以分别预测得到风速中频分量和低频分量对应的功率值。
4)最优权值的选取
通过不同的风速波动分量预测的功率需要根据不同波动分量对整体风速的贡献率进行加权求和，权值的选取步骤如下：
①对预测时刻前一个月不同风速分量预测得到的功率值进行加权相加，得到预测值，以准确率最高为目标函数通过Matlab中Cplex优化程序对权值进行优化，
目标函数：
Figure BDA0002292225990000071
约束条件：
Figure BDA0002292225990000072
式中，PM为加权相加后所得到的预测功率；λi表示通过不同风速预测功率所对应的权值，i＝1，2，3分别表示高频分量，中频分量，低频分量；Pi表示通过不同风速预测功率；PP表示实测功率；R表示预测的准确率。
通过式(4)-式(5)的计算得到一个月各个时刻的对于高频，中频，低频分量的最优权值。
②对于前一个月各个时刻的最优权值按照其对应时刻风速大小按照步骤2) 进行分组，从而能够得到高、中、低不同风速段所对应的的权值序列，分别对不同风速段的高、中、低频分量所对应的权值求取平均值就能够得到高、中、低频分量在不同风速段下的权值，
Figure BDA0002292225990000073
式中，λj表示不同风速段所对应的权重值，λij表示不同风速段各个风速点所对应的权重值，N表示该风速段下风速点的数量。
5)仿真计算
仿真输入量：对电场的实测数据进行分析，确定电场的总装机容量；输入历史数据：待遇测预测时刻所在月前三个月的功率、温度、30m风向、170m风速、 100m风速，输入预测当天NWP数据：温度、30m风向、170m风速、100m风速；数据采样间隔为15min，根据步骤1)至步骤4)，得到该日预测时段的不同波动频率下的三组预测值，之后根据待遇测时刻NWP的100m风速值对三组预测值进行加权相加，从而得到最终的功率超短期预测结果。
6)评价指标
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，第四小时预测准确率定义为式(7)：
Figure BDA0002292225990000081
第四小时预测合格率定义为式(8)：
Figure BDA0002292225990000082
其中若
Figure BDA0002292225990000083
则Bk＝1，若
Figure BDA0002292225990000084
则 Bk＝0
全天预测结果第四小时均方根误差为式(7)：
Figure BDA0002292225990000085
按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤 6)中的误差评价标准式(7)、式(8)、式(9)进行误差计算，求得预测准确率。
具体算例分析
本发明以某风电站的实测数据以及NWP数据为例进行分析，采样间隔为15 min。该电站的装机容量为55MW；预测结果评价指标如表1和2所示。
表1不同模型4小时预测结果对比
Tab.1 Comparison of 4-hour prediction results of different models
Figure BDA0002292225990000086
Figure BDA0002292225990000091
表2不同模型月预测结果对比
Tab.2 Comparison of monthly forecast results of different models
Figure BDA0002292225990000092
本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (1)

1.一种基于风速分频和权值匹配的RBF超短期风电功率预测方法，其特征在于：它包括以下步骤：
1)不同频率风速特征的提取
数值天气预报信息中包含温度、动量通量、风向、各高度风速、湿度信息，其中由于轮毂高度处的风速信息与功率的联系最为紧密，因此对100米风速信息进行波动特征的提取，对于波动特征的提取是通过最小二乘滤波和经验模态分解(EMD)两种方法得到的，具体步骤如下：
①对四个高度的异常风速数据进行最小二乘滤波处理，最小二乘法是将输入的暂态信号与一预设的含有非周期分量、基波分量和某些整次谐波分量的函数依据最小二乘法原则进行拟合，其拟合函数为
Figure FDA0003491103400000011
式中XRn、XIn分别为n次谐波信号的实部和虚部,即XRn＝Xncosθn,XIn＝Xnsinθn；Xn为信号的幅值，θn为初相角；X0为衰减非周期分量的起始值，Td为时间常数；
②滤波以后得到趋势分量和残差分量,对于趋势分量进行经验模态分解(EMD)，经验模态分解(EMD)主要应用于非线性、非平稳性时间序列的处理与分析，经验模态分解(EMD)能够克服基函数无自适应性的问题，对于一段未知信号，不需要做预先分析和研究，就可以直接开始分解；经验模态分解(EMD)将时间序列x(t)分解成数个本征模函数IMF和残余项r(t)，r(t)通常代表时间序列的整体趋势，
x(t)＝∑IMFs+r(t) (2)
③对经验模态分解(EMD)得到的本征模函数IMF与最小二乘滤波得到的残差分量整合，通过计算各模态分量之间的欧氏距离对其进行层次聚类，
Figure FDA0003491103400000012
式中Xi、Yi分别表示两种模态变量第i时刻的对应元素；
通过模态合并能够将数量有限个本征模函数IMF合并为两类，将频率最高，幅值最低的一类定义为高频分量；将剩余的一类定义为中频分量；将经验模态分解(EMD)得到的残余项r(t),定义为低频分量；
2)风速区间的划分
通过对历史的功率和轮毂高度处的实测风速进行处理，绘制风速-功率散点图，并拟合出风速-功率曲线，从而得到风机的切入风速与切除风速，将风速小于切入风速所对应功率数据置零，将风速大于切出风速所对应的功率数据按照最大输出功率进行替换；
对于处于切入风速与切出风速之间的数据按照风速大小进行三等分，其中，数值最小的风速段定义为低风速段；数值较小的风速段定义为中风速段；数值最大的风速段定义为高风速段；
3)径向基函数RBF神经网络的训练
首先，将待预测时段前三个月中前两个月的数值天气预报100米风速信息与对应功率作为径向基函数RBF神经网络的训练集，将后一个月的信息作为径向基函数RBF神经网络的测试集；
将步骤1)中得到的100米风速高频分量与对应时刻为未分解的功率作为隐含层的输入进行径向基函数RBF网络的训练，进而通过最后一个月的100米风速高频分量对功率进行预测，同理，可以分别预测得到风速中频分量和低频分量对应的功率值；
4)最优权值的选
通过不同的风速波动分量预测的功率需要根据不同波动分量对整体风速的贡献率进行加权求和，权值的选取步骤如下：
①对预测时刻前一个月不同风速分量预测得到的功率值进行加权相加，得到预测值，以准确率最高为目标函数通过Matlab中Cplex优化程序对权值进行优化，
目标函数：
Figure FDA0003491103400000021
约束条件：
Figure FDA0003491103400000022
式中，PM为加权相加后所得到的预测功率；λi表示通过不同风速预测功率所对应的权值，i＝1，2，3分别表示高频分量，中频分量，低频分量；Pi表示通过不同风速预测功率；PP表示实测功率；R表示预测的准确率；
通过式(4)-式(5)的计算得到一个月各个时刻的对于高频，中频，低频分量的最优权值；
②对于前一个月各个时刻的最优权值按照其对应时刻风速大小按照步骤2)进行分组，从而能够得到高、中、低不同风速段所对应的权值序列，分别对不同风速段的高、中、低频分量所对应的权值求取平均值就能够得到高、中、低频分量在不同风速段下的权值，
Figure FDA0003491103400000023
式中，λj表示不同风速段所对应的权重值，λij表示不同风速段各个风速点所对应的权重值，N表示该风速段下风速点的数量；
5)仿真计算
仿真输入量：对电场的实测数据进行分析，确定电场的总装机容量；输入历史数据：待遇测预测时刻所在月前三个月的功率、温度、30m风向、170m风速、100m风速，输入预测当天NWP数据：温度、30m风向、170m风速、100m风速；数据采样间隔为15min，根据步骤1)至步骤4)，得到该日预测时段的不同波动频率下的三组预测值，之后根据待遇测时刻NWP的100m风速值对三组预测值进行加权相加，从而得到最终的功率超短期预测结果；
6)评价指标
设PMk为k时段的实际平均功率，PPk为k时段的预测平均功率，Cap为风电场开机容量，那么，第四小时预测准确率定义为式(7)：
Figure FDA0003491103400000031
第四小时预测合格率定义为式(8)：
Figure FDA0003491103400000032
其中若
Figure FDA0003491103400000033
则Bk＝1，若
Figure FDA0003491103400000034
则Bk＝0
全天预测结果第四小时均方根误差为式(7)：
Figure FDA0003491103400000035
按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(7)、式(8)、式(9)进行误差计算，求得预测准确率。
CN201911185160.7A 2019-11-27 2019-11-27 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 Active CN110991725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911185160.7A CN110991725B (zh) 2019-11-27 2019-11-27 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911185160.7A CN110991725B (zh) 2019-11-27 2019-11-27 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN110991725A CN110991725A (zh) 2020-04-10
CN110991725B true CN110991725B (zh) 2022-03-18

Family

ID=70087521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911185160.7A Active CN110991725B (zh) 2019-11-27 2019-11-27 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN110991725B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516271A (zh) * 2021-04-05 2021-10-19 东北电力大学 一种基于时空神经网络的风电集群功率日前预测方法
CN113591382B (zh) * 2021-08-02 2023-08-04 东北电力大学 一种基于wt-tcn风电功率超短期滚动预测方法
CN115239029B (zh) * 2022-09-23 2023-01-31 山东大学 考虑功率时序及气象相依特性的风电功率预测方法及系统
CN116028838B (zh) * 2023-01-09 2023-09-19 广东电网有限责任公司 一种基于聚类算法的能源数据处理方法、装置及终端设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567636A (zh) * 2011-12-27 2012-07-11 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN108490284A (zh) * 2018-02-12 2018-09-04 国网山东省电力公司电力科学研究院 面向多应用场景的新能源数据采集装置、系统及方法
CN110363338A (zh) * 2019-06-29 2019-10-22 东北电力大学 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9461876B2 (en) * 2012-08-29 2016-10-04 Loci System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567636A (zh) * 2011-12-27 2012-07-11 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN108490284A (zh) * 2018-02-12 2018-09-04 国网山东省电力公司电力科学研究院 面向多应用场景的新能源数据采集装置、系统及方法
CN110363338A (zh) * 2019-06-29 2019-10-22 东北电力大学 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Short-term wind power direct forecasting based on RBF neural network;Ma P 等;《Power System Protection and Control》;20151231;79-82 *
基于MRMR的集合经验模态分解和支持向量机的风电功率实时预测;李国庆 等;《东北电力大学学报》;20170415;第37卷(第2期);39-44 *
基于RBF-BP组合神经网络的短期风电功率预测研究;张靠社 等;《可再生能源》;20140920;第32卷(第9期);1346-1351 *
基于风速分频和权值匹配的RBF超短期风电功率预测方法;杨茂 等;《可再生能源》;20201120;第38卷(第11期);1483-1488 *
多时空尺度的风力发电预测方法综述;姜兆宇 等;《自动化学报》;20181121;第45卷(第1期);51-71 *
计及风速波动特性的风电功率短期不确定性预测研究;董昊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210915(第9期);C042-283 *

Also Published As

Publication number Publication date
CN110991725A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110991725B (zh) 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法
Yan et al. Reviews on uncertainty analysis of wind power forecasting
CN112686464A (zh) 短期风电功率预测方法及装置
CN103117546B (zh) 一种超短期风电功率滑动预测方法
Mao et al. A review of wind power forecasting & prediction
CN105654207A (zh) 基于风速、风向信息的风电功率预测方法
CN107394809B (zh) 基于风速时间周期特征的风电并网系统风险评估方法
CN103996079B (zh) 一种基于条件概率的风电功率加权预测方法
CN107403015B (zh) 一种基于时间序列相似性的短期光功率预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN109787295B (zh) 一种计及风电场状态的风电功率超短期预测计算方法
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
CN102749471B (zh) 一种短期风速、风电功率预测方法
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN103984986A (zh) 实时校正的自学习arma模型风电功率超短期预测方法
CN113111592A (zh) 一种基于emd-lstm的短期风电功率预测方法
Lodge et al. Short term wind speed prediction using artificial neural networks
CN112651560A (zh) 一种超短期风功率预测方法、装置及设备
CN114819385A (zh) 风电功率预测方法、装置、电子设备及存储介质
Xu et al. Interval prediction method for wind power based on VMD-ELM/ARIMA-ADKDE
CN108832623B (zh) 一种物理-统计混合两阶段风电功率预测方法
CN111967660B (zh) 一种基于svr的超短期光伏预测残差修正方法
CN110363338B (zh) 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法
CN111178601A (zh) 一种基于气象数据后处理的风电机组功率预测方法

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
GR01 Patent grant
GR01 Patent grant