CN111062509A - 一种基于改进神经网络的风功率中短期预测方法及系统 - Google Patents

一种基于改进神经网络的风功率中短期预测方法及系统 Download PDF

Info

Publication number
CN111062509A
CN111062509A CN201911101266.4A CN201911101266A CN111062509A CN 111062509 A CN111062509 A CN 111062509A CN 201911101266 A CN201911101266 A CN 201911101266A CN 111062509 A CN111062509 A CN 111062509A
Authority
CN
China
Prior art keywords
wind power
predicted
fans
fan
characteristic data
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
Application number
CN201911101266.4A
Other languages
English (en)
Inventor
包鼎
闫润田
陈基伟
张有金
杨周杰
朱得利
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.)
State Grid Shaanxi New Energy Co ltd
Original Assignee
State Grid Shaanxi New Energy Co ltd
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 State Grid Shaanxi New Energy Co ltd filed Critical State Grid Shaanxi New Energy Co ltd
Priority to CN201911101266.4A priority Critical patent/CN111062509A/zh
Publication of CN111062509A publication Critical patent/CN111062509A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种基于改进神经网络的风功率中短期预测方法及系统，该方法采集风电场的历史特征数据、实时特征数据以及实际风功率；根据历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；采用聚类衡量标准对风机分组结果进行度量；根据历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；对每组风机的预测风功率求和，得到全场预测风功率；本发明的聚类算法分组和分组建模求风功率，成本低、所依赖的数据量少、预测精度高、计算速度快，提高整个电力系统运行的可靠性和安全性。

Description

一种基于改进神经网络的风功率中短期预测方法及系统
技术领域
本发明涉及发电功率预测技术领域，特别涉及一种基于改进神经网络的风功率中短期预测方法及系统。
背景技术
全球气候变暖以及常规化石能源的日益枯竭等一系列的全球性问题，引起了人们对新能源的广泛关注。风电相比其他可再生能源而言，技术更成熟，其效率也更高，发展迅速。截至2014年底，全球风电累计装机容量达到359.7GW，预计2018年以后，伴随着市场的良性发展，全球陆上风电年新增装机容量将超过55GW。
然而，风电具有波动性、间歇性，随着并网风电系统在电网中的比例不断增大，给电力系统的安全稳定运行带来严峻的挑战。做好风力发电预测工作，可有效提高整个电力系统运行的可靠性和安全性，对我国未来更好地开发利用风力发电具有十分重要的意义。风功率预测是风力发电系统中的关键技术，准确地对风电场未来风功率的预测可以有效地减少和避免风电场对电力系统产生的冲击。因此，风功率预测方法对风力发电的可持续发展起着重要的作用。当前的风功率预测方法可以主要分为物理方法、统计学方法、学习方法以及上述方法的混合，每种方法都有各自适应的时间尺度和数据类型。
对风电场平均风功率预测，可以减少电力系统的运行成本和旋转备用，为电力系统的安全,经济和优质运行提供支持。
因此，如何能更准确的进行风力发电预测，提高整个电力系统运行的可靠性和安全性是同行从业人员亟待解决的问题。
发明内容
本发明的目的在于，提出的一种基于改进神经网络的风功率中短期预测方法及系统，准确地对风电场未来风功率的预测，有效地减少和避免风电场对电力系统产生的冲击。
为了解决上述技术问题，第一方面，本发明实施例提供一种基于改进神经网络的风功率中短期预测方法，包括：
S1、采集风电场的历史特征数据、实时特征数据以及实际风功率；
S2、根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；
S3、采用聚类衡量标准对所述风机分组结果进行度量；
S4、根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；
S5、对所述每组风机的预测风功率求和，得到全场预测风功率。
在一个实施例中，所述步骤S1中的特征数据包括：风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置；
所述实时特征数据以及实时特征数据对应的实际风功率间隔第一预设时长采集一次。
在一个实施例中，所述步骤S2包括：
数据集D＝{x1,x2,...,xm}，包含m个无标记风机样本，每个样本xi＝(xi1,xi2,...,xin)是一个n维特征向量；通过聚类划分为C＝{c1,c2,...,cm}，c表示风机所在的子集，分类步骤如下：
S21、从D中选择所有m个样本作为初始均值向量{u1,u2,...,um}；
S22、计算样本xj(1≤j＜＜m)与各均值向量ui(1≤i＜＜m)的距离：
Figure BDA0002269942250000021
S23、根据距离最近的均值向量确定xj的簇标记：
λj＝argmini∈{1,2,...m}dji；
把样本xj划入相应的簇:
Cλj＝Cλj∪{xj}；
其中，
Figure BDA0002269942250000022
是第j个风机样本所在的簇标记，mini∈{1，2，..，m}dji是第j个风机样本到各特征向量的最小距离，arg是变元，即自变量，是让后面的式子达到最小值时，变量i的取值。
S24、循环S22和S23步骤，计算产生的均值向量，作为更新后的均值向量，直到当前均值向量均无更新，则分组完成，得到最终的簇划分。
在一个实施例中，所述步骤S3中的风机分组结果进行度量包括：
聚类性能度量外部指标:(1)Jaaccard系数
Figure BDA0002269942250000023
(2)FM指数
Figure BDA0002269942250000024
(3)Rand指数
Figure BDA0002269942250000031
其中，a表示在C中属于相同簇且在C*中属于相同簇的样本对的数量；b表示在C中属于相同簇且在C*中属于不同簇的样本对的数量；c表示在C中属于不同簇且在C*中属于相同簇的样本对的数量；d表示在C中属于不同簇且在C*中属于不同簇的样本对的数量；m表示样本的总数量；C表示通过原型聚类法获得的簇，C*表示参考模型的簇集合；三种指数的性能度量结果值均在[0,1]区间。
在一个实施例中，所述步骤S3中的风机分组结果进行度还包括：
聚类性能度量内部指标：(1)DB指数
Figure BDA0002269942250000032
(2)Dunn指数
Figure BDA0002269942250000033
其中，agv(ci)对应于分组ci内样本间的平均距离，diam(cl)对应于分组内样本间的最远距离，dmin(ci,cj)对应于分组ci与分组cj最近样本间的距离，dcen(ci,cj)对应于分组ci与分组cj中心点间的距离，k对应于簇的数量。
在一个实施例中，所述步骤S4包括：
S41、设计输入输出层：由每组风机的历史特征向量值，风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置作为输入层，以历史的实际风功率作为输出层，输入层的神经元个数为8，输出层的神经元个数为1；
S42、选取隐形层神经元个数：
Figure BDA0002269942250000034
其中,L为神经元的个数，n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数，选取中间数量作为隐层神经元；
S43、通过步骤S41和S42得到风功率预测模型，将历史特征数据以及实际风功率归一化后代入，对该模型进行训练，进而得到每组风机的预测风功率；
其中，在步骤S43中，每次预测下一次风功率，都使用从预测时刻的前第一预测时长到前第二预测时长内记录的特征数据，作为历史数据来提供预测时需要分析的参数。
在一个实施例中，通过步骤S4中获取的每组风机的预测风功率，取总值，求全风场的预测风功率，公式如下：
Figure BDA0002269942250000041
式中，P为全风场的预测风功率，m为风机分组个数，Pi为分组里的第i个风机的预测风功率；
在一个实施例中，该方法还包括：
S6、任意选取历史数据中的第二预设时长时间内的预测风功率值和实际风功率值绘制拟合曲线，验证风功率预测模型的准确性。
在一个实施例中，所述步骤S6包括：
获取任意第二预设时长时间内的间隔第一预设时长的全风场预测风功率值P1,P2,…,PM和实际风功率值Q1,Q2,…,QM，将这些离散的点标记在二维坐标系中，X轴代表时间，Y轴代表风功率值，用连续曲线进行连接，获得两条曲线；根据实际风功率曲线与预测风功率曲线的拟合程度，确定所述风功率预测模型的准确性。
第二方面，本发明提供的一种基于改进神经网络的风功率中短期预测系统，包括：
采集模块：用于采集风电场的历史特征数据、实时特征数据以及实际风功率；
分组模块：用于根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；
度量模块：用于采用聚类衡量标准对所述风机分组结果进行度量；
输出模块：根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；
计算模块：用于对所述每组风机的预测风功率求和，得到全场预测风功率。
在一个实施例中，所述分组模块中的特征数据包括：风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置；
所述实时特征数据以及实时特征数据对应的实际风功率间隔第一预设时长采集一次。
在一个实施例中，所述分组模块中的分组步骤为：
数据集D＝{x1,x2,...,xm}，包含m个无标记风机样本，每个样本xi＝(xi1,xi2,...,xin)是一个n维特征向量；通过聚类划分为C＝{c1,c2,...,cm}，c表示风机所在的子集，分类步骤如下：
S21、从D中选择所有m个样本作为初始均值向量{u1,u2,...,um}；
S22、计算样本xj(1≤j＜＜m)与各均值向量ui(1≤i＜＜m)的距离：
Figure BDA0002269942250000051
S23、根据距离最近的均值向量确定xj的簇标记：
λj＝argmini∈{1,2,...m}dji；
把样本xj划入相应的簇:
Cλj＝Cλj∪{xj}；
其中，
Figure BDA0002269942250000052
是第j个风机样本所在的簇标记，mini∈{1，2，..，m}dji是第j个风机样本到各特征向量的最小距离，arg是变元，即自变量，是让后面的式子达到最小值时，变量i的取值。
S24、循环S22和S23步骤，计算产生的均值向量，作为更新后的均值向量，直到当前均值向量均无更新，则分组完成，得到最终的簇划分。
在一个实施例中，所述度量模块中对风机的分组结果进行度量包括：聚类性能度量外部指标:(1)Jaaccard系数
Figure BDA0002269942250000053
(2)FM指数
Figure BDA0002269942250000054
(3)Rand指数
Figure BDA0002269942250000055
其中，a表示在C中属于相同簇且在C*中属于相同簇的样本对的数量；b表示在C中属于相同簇且在C*中属于不同簇的样本对的数量；c表示在C中属于不同簇且在C*中属于相同簇的样本对的数量；d表示在C中属于不同簇且在C*中属于不同簇的样本对的数量；m表示样本的总数量；C表示通过原型聚类法获得的簇，C*表示参考模型的簇集合；三种指数的性能度量结果值均在[0,1]区间。
在一个实施例中，对所述度量模块中对风机的分组结果进行度量还包括：聚类性能度量内部指标：(1)DB指数
Figure BDA0002269942250000056
(2)Dunn指数
Figure BDA0002269942250000061
其中，agv(ci)对应于分组ci内样本间的平均距离，diam(cl)对应于分组内样本间的最远距离，dmin(ci,cj)对应于分组ci与分组cj最近样本间的距离，dcen(ci,cj)对应于分组ci与分组cj中心点间的距离，k对应于簇的数量。
在一个实施例中，所述输出模块中风功率的输出过程为：
S41、设计输入输出层：由每组风机的历史特征向量值，风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置作为输入层，以历史的实际风功率作为输出层，输入层的神经元个数为8，输出层的神经元个数为1；
S42、选取隐形层神经元个数：
Figure BDA0002269942250000062
其中,L为神经元的个数，n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数，选取中间数量作为隐层神经元；
S43、通过步骤S41和S42得到风功率预测模型，将历史特征数据以及实际风功率归一化后代入，对该模型进行训练，进而得到每组风机的预测风功率；
其中，在步骤S43中，每次预测下一次风功率，都使用从预测时刻的前第一预测时长到前第二预测时长内记录的特征数据，作为历史数据来提供预测时需要分析的参数。
在一个实施例中，所述计算模块包括：
通过步骤S4中获取的每组风机的预测风功率，取总值，求全风场的预测风功率，公式如下：
Figure BDA0002269942250000063
式中，P为全风场的预测风功率，m为风机分组个数，Pi为分组里的第i个风机的预测风功率；
在一个实施例中，该系统还包括：
验证模块：用于对任意选取历史数据中的第二预设时长时间内的预测风功率值和实际风功率值绘制拟合曲线，验证风功率预测模型的准确性。
在一个实施例中，所述验证模块包括：获取任意第二预设时长时间内的间隔第一预设时长的全风场预测风功率值P1,P2,…,PM和实际风功率值Q1,Q2,…,QM，将这些离散的点标记在二维坐标系中，X轴代表时间，Y轴代表风功率值，用连续曲线进行连接，获得两条曲线；根据实际风功率曲线与预测风功率曲线的拟合程度，确定所述风功率预测模型的准确性。
本发明的优点在于，本发明提供的一种基于改进神经网络的风功率中短期预测方法，该方法包括基于无监督学习对样本进行聚类，选择最优的分组结果，建立预测模型，通过预测模型对风功率进行计算，从而准确地对风电场未来风功率的预测，可以有效地减少和避免风电场对电力系统产生的冲击。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于改进神经网络的风功率中短期预测方法的流程图；
图2为本发明实施例提供的风机分组的流程图；
图3为本发明实施例提供的整个风场中风机的分组结果示意图；
图4为本发明实施例提供的建立风功率预测模型的流程图；
图5为本发明实施例提供的预测风功率值和实际风功率值拟合曲线示意图；
图6为本发明实施例提供的基于改进神经网络的风功率中短期预测系统结构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明实施例提供了一种基于改进神经网络的风功率中短期预测方法，包括：
S1、采集风电场的历史特征数据、实时特征数据以及实际风功率；
S2、根据历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；
S3、采用聚类衡量标准对所述风机分组结果进行度量；
S4、根据历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；
S5、对每组风机的预测风功率求和，得到全场预测风功率。
本实施例中，步骤S1中对整个风场的历史风功率和特征数据进行采集和整理，作为训练数据，同时实时采集当前的数据特征向量、以及与其对应的实际风功率作为之后的历史数据来使用；
步骤S2中，采用"无监督学习"对风机进行聚类，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，通过聚类可将风机划分为若干个不相交的子集，每个子集即为一个分组，每个分组都将与一些潜在的因素具有较强的关联。
步骤S3中，对于分组结果，需要通过某种性能度量来评估其好坏，另外当明确了最终要使用的性能度量，可直接将其作为聚类过程的优化目标，从而更好地得到符合要求的聚类结果。
步骤S4-S5中，根据采集的历史特征数据和实际风功率，采用BP神经网络预测算法建立预测模型；并通过建立的预测模型对每组的风功率进行预测，最后求得全场的预测风功率。
本发明通过聚类算法分组和分组建模求风功率，成本低、预测精度高、计算速度快，实现了对风功率的准确预测，可以有效地减少和避免风电场对电力系统产生的冲击。
具体实施例一
对整个风电场的历史风功率和上面的特征数据进行采集和整理，作为训练数据，同时实时采集当前的数据特征向量、实际风功率作为之后的历史数据来使用；其中，特征数据包括：风电场的风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置，对于实时特征数据以及以及实时特征数据对应的实际风功率间隔第一预设时长采集一次，比如第一预设时长为30分钟，则每隔30分钟采集一次。
进一步地，如图2所示，采用"无监督学习"对风机进行聚类，属于神经网络的一种，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律；通过聚类可将风机划分为若干个不相交的子集，每个子集即为一个分组，每个分组都将与一些潜在的因素具有较强的关联。
对数据集D＝{x1,x2,...,xm}，包含m个无标记风机样本，每个样xi＝(xi1,xi2,...,xin)是一个n维特征向量，即上述中影响风功率的特征向量，则通过聚类划分为C＝{c1,c2,...,cm}，c表示风机所在的子集，这里主要采用k均值算法,步骤如下：
(1)从D中选择所有m个样本作为初始均值向量；{u1,u2,...,um}；
(2)计算样本xj(1≤i＜＜m)与各均值向量ui(1≤i＜＜m)的距离：
Figure BDA0002269942250000091
(3)根据距离最近的均值向量确定xj的簇标记：
λj＝argmini∈{1,2,...m}dji；
把样本xj划入相应的簇:
Cλj＝Cλj∪{xj}；
其中，
Figure BDA0002269942250000092
是第j个风机样本所在的簇标记，mini∈{1，2，..，m}dji是第j个风机样本到各特征向量的最小距离，arg是变元，即自变量，是让后面的式子达到最小值时，变量i的取值。
(4)循环(2)和(3)步骤，计算产生新的均值向量，作为更新后的均值向量，直到当前均值向量均无更新，则分组完成，得到最终的簇划分，得到整个风电场中风机的分组如图3所示。
例如，数据集D＝{x1,x2,...,x30}，通过聚类将其划分为C＝{c1,c2,c3}
分组结果为：
c1＝{x3,x5,x6,x7,x8,x9,x10,x13,x14,x17}
c2＝{x11,x12,x16,x18,x19}
c3＝{x1,x2,x4,x15,x21,x22,x24,x25,x26,x27,x28,x29,x30,x20,x23}。
进一步地，对于上述分组结果，需要通过某种性能度量来评估其好坏，另外当明确了最终要使用的性能度量，可直接将其作为聚类过程的优化目标，从而更好地得到符合要求的聚类结果。
常用的聚类性能度量指标包括外部指标和内部指标两种，其中，外部度量的指标为：
1.Jaaccard系数
Figure BDA0002269942250000093
2.FM指数
Figure BDA0002269942250000094
3.Rand指数
Figure BDA0002269942250000095
外部指标度量需要一个参考模型，这个模型可以由专家给定，也可以是公开的数据集，对于聚类的结果所形成的簇集合(这里叫做簇C)，对于参考模型的簇集合(这里叫做C*)，对这两个模型结果的样本进行两两配对比较，对这里的abcd，不考虑一个样本属于多个簇的情况，因此每个样本都只能出现在一个集合中，所以a+b+c+d＝m(m-1)/2，(m为样本总数)。
其中，a为在C中属于相同簇且在C*中属于相同簇的样本对的数量；b为在C中属于相同簇且在C*中属于不同簇的样本对的数量；c为在C中属于不同簇且在C*中属于相同簇的样本对的数量；d为在C中属于不同簇且在C*中属于不同簇的样本对的数量；上述三种指数的性能度量结果值均在[0,1]区间，且数值越大越好。
此外，聚类性能度量内部指标为：(1)DB指数
Figure BDA0002269942250000101
(2)Dunn指数
Figure BDA0002269942250000102
其中，agv(ci)对应于分组ci内样本间的平均距离，diam(cl)对应于分组内样本间的最远距离，dmin(ci,cj)对应于分组ci与分组cj最近样本间的距离，dcen(ci,cj)对应于分组ci与分组cj中心点间的距离，k对应于簇的数量。
其中，考虑聚类结果的分组结果，C＝{c1,c2,...,cm}，定义：
Figure BDA0002269942250000103
diam(c)＝max1≤i≤j≤|c|dist(xi,xj)
Figure BDA0002269942250000104
dcen(ci,cj)＝dist(ui,uj)；
其中，dist(xi,xj)函数用于计算两个样本之间的距离，u代表分组C的中心点
Figure BDA0002269942250000105
进一步地，如图4所示，本发明采用BP神经网络预测算法来建立，其输入层各神经元来自外界的输入信息，并传递给中间层各神经元，中间层可以设计为单隐层或多隐层结构，最后一个隐层传递到输出层各神经元的信息，考虑到风机分组中，每组风机的特征向量对风功率的影响大小是不同的，所以要对每组风机的历史数据都进行训练，步骤如下：
(1)输入输出层的设计：该模型由每组风机的历史特征向量值，风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置作为输入，以历史的真实风功率作为输出，所以输入层的节点数为8，输出层的节点数为1；
(2)选取隐形神经元个数：
Figure BDA0002269942250000111
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数；根据上式可以计算出神经元个数为4-13个之间，选择靠中间更为合适，即隐层神经元个数为8；
(3)通过步骤S41和S42得到风功率预测模型，将历史特征数据以及实际风功率归一化后代入，对该模型进行训练，进而得到每组风机的预测风功率；
其中，在步骤S43中，每次预测下一次风功率，都使用从预测时刻的前第一预测时长到前第二预测时长内记录的特征数据，作为历史数据来提供预测时需要分析的参数。
进一步地，将预测时刻的前一次每组风机历史数据作为输入层的变量，通过此模型得到预测时刻的风功率；对上述建立的风功率预测模型获取每组风机的预测风功率，取总值，可作为全风场的预测风功率P，m为风机分组个数，Pi为分组里的第i个风机的预测风功率，公式如下：
Figure BDA0002269942250000112
进一步地，如图1所示，为了保证风功率预测模型预测结果的准确性，该方法还需要对该模型进行验证，其验证方法为：找出任意历史数据中的第二预设时长时间如48小时内的间隔第一预设时长如30分钟的全风场预测的风功率值P1,P2,…,PM和实际的风功率值Q1,Q2,…,QM，将这些离散的点标记在二维坐标系中，X轴代表时间，Y轴代表风功率值，用连续曲线进行连接，获得两条曲线，如图5所示；如果实际风功率曲线对预测风功率曲线拟合程度越好，真实风功率与预测风功率靠得越近，则风功率预测模型越准确。
具体实施例二
步骤1：采集某风电场的历史风功率和预测风功率以及影响风功率的特征数据值：风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置。
步骤2：按照神经网络聚类K均值算法，对风电场的风机进行迭代分组。
步骤3：对风机分组结果进行外部和内部度量，如果有外部指标，可以采用Jaccard指数、FM指数、Rand指数，这三个指数值越大说明聚类效果越好；也可选用内部指标DB指数Dunn指数来度量，其中DB越小，Dunn越大聚类分组效果越好。
步骤4：根据历史特征数据值以及真实风功率，采用BP算法建立风机风功率模型，输出预测的风功率。
步骤5：计算每组风机预测风功率，求和得出全场风功率，其中，所需要的历史数据为从需要预测时刻的前30分钟开始，往前到48小时结束，以此对模型进行训练，得到预测风功率，如果周围突然出现大型建筑，风机数目大量增多等未知但对风功率又影响又比较大的情况出现，每次预测都从上一次开始，依次进行预测模型的构建，可以使预测的值更加贴近真实值。
步骤6：随意选取记录的48小时的全场预测功率值和真实功率值，绘制拟合曲线，观察曲线的形态。
基于同一发明构思，本发明实施例还提供了一种基于改进神经网络的风功率中短期预测系统，由于该系统所解决问题的原理与前述方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。
第二方面，本发明还提供一种基于改进神经网络的风功率中短期预测系统，如图6所示，包括:
采集模块61：用于采集风电场的历史特征数据、实时特征数据以及实际风功率；
分组模块62：用于根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；
度量模块63：用于采用聚类衡量标准对所述风机分组结果进行度量；
输出模块64：根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；
计算模块65：用于对所述每组风机的预测风功率求和，得到全场预测风功率。
在一个实施例中，如图6所示，该系统还包括：验证模块66：用于对任意选取历史数据中的第二预设时长时间内的预测风功率值和实际风功率值绘制拟合曲线，验证风功率预测模型的准确性。
本发明提出了一种基于改进神经网络的风功率中短期预测方法及系统，该方法包括基于无监督学习对样本进行聚类，选择最优的分组结果，对每组建立预测模型，通过预测模型对风功率进行计算，从而准确地对风电场未来风功率的预测，可以有效地减少和避免风电场对电力系统产生的冲击。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于改进神经网络的风功率中短期预测方法，其特征在于，包括：
S1、采集风电场的历史特征数据、实时特征数据以及实际风功率；
S2、根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；
S3、采用聚类衡量标准对所述风机分组结果进行度量；
S4、根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；
S5、对所述每组风机的预测风功率求和，得到全场预测风功率。
2.如权利要求1所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S1中的特征数据包括：风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置；
所述实时特征数据以及实时特征数据对应的实际风功率间隔第一预设时长采集一次。
3.如权利要求1所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S2包括：
数据集D＝{x1,x2,...,xm}，包含m个无标记风机样本，每个样本xi＝(xi1,xi2,...,xin)是一个n维特征向量；通过聚类划分为C＝{c1,c2,...,cm}，c表示风机所在的子集，分类步骤如下：
S21、从D中选择所有m个样本作为初始均值向量{u1,u2,...,um}；
S22、计算样本xj(1≤j＜＜m)与各均值向量ui(1≤i＜＜m)的距离：
Figure FDA0002269942240000011
S23、根据距离最近的均值向量确定xj的簇标记：
λj＝argmini∈{1,2,...m}dji；
其中，λj是第j个风机样本所在的簇标记，mini∈{1，2，..，m}dji是第j个风机样本到各特征向量的最小距离，arg是变元，即自变量，是让后面的式子达到最小值时，变量i的取值。
把样本xj划入相应的簇:
Cλj＝Cλj∪{xj}；
S24、循环S22和S23步骤，计算产生均值向量，作为更新后的均值向量，直到当前均值向量均无更新，则分组完成，得到最终的簇划分。
4.如权利要求3所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S3中的风机分组结果进行度量包括：
聚类性能度量外部指标:(1)Jaaccard系数
Figure FDA0002269942240000021
(2)FM指数
Figure FDA0002269942240000022
(3)Rand指数
Figure FDA0002269942240000023
其中，a表示在C中属于相同簇且在C*中属于相同簇的样本对的数量；
b表示在C中属于相同簇且在C*中属于不同簇的样本对的数量；
c表示在C中属于不同簇且在C*中属于相同簇的样本对的数量；
d表示在C中属于不同簇且在C*中属于不同簇的样本对的数量；
m表示样本的总数量；
C表示通过聚类法获得的簇，C*表示参考模型的簇集合；
三种指数的性能度量结果值均在[0,1]区间。
5.如权利要求4所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S3中的风机分组结果进行度量还包括：
聚类性能度量内部指标：(1)DB指数
Figure FDA0002269942240000024
(2)Dunn指数
Figure FDA0002269942240000025
其中，agv(ci)对应于簇ci内样本间的平均距离，diam(cl)对应于簇内样本间的最远距离，dmin(ci,cj)对应于簇ci与簇cj最近样本间的距离，dcen(ci,cj)对应于簇ci与簇cj中心点间的距离，k对应于簇的数量。
6.如权利要求1所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S4包括：
S41、设计输入输出层：由每组风机的历史特征向量值，风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置作为输入层，以历史的实际风功率作为输出层，输入层的神经元个数为8，输出层的神经元个数为1；
S42、选取隐形层神经元个数：
Figure FDA0002269942240000031
其中,L为神经元的个数，n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数，选取中间数量作为隐层神经元；
S43、通过步骤S41和S42得到风功率预测模型，将历史特征数据以及实际风功率归一化后代入，对该模型进行训练，进而得到每组风机的预测风功率；
其中，在步骤S43中，每次预测下一次风功率，都使用从预测时刻的前第一预测时长到前第二预测时长内记录的特征数据，作为历史数据来提供预测时需要分析的参数。
7.如权利要求6所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S5包括：通过步骤S4中获取的每组风机的预测风功率，取总值，求全风场的预测风功率，公式如下：
Figure FDA0002269942240000032
式中，P为全风场的预测风功率，m为风机分组个数，Pi为分组里的第i个风机的预测风功率。
8.如权利要求1所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，该方法还包括：
S6、任意选取历史数据中的第二预设时长时间内的预测风功率值和实际风功率值绘制拟合曲线，验证风功率预测模型的准确性。
9.如权利要求8所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S6包括：
获取任意第二预设时长时间内的间隔第一预设时长的全风场预测风功率值P1,P2,…,PM和实际风功率值Q1,Q2,…,QM，将这些离散的点标记在二维坐标系中，X轴代表时间，Y轴代表风功率值，用连续曲线进行连接，获得两条曲线；根据实际风功率曲线与预测风功率曲线的拟合程度，确定所述风功率预测模型的准确性。
10.一种基于改进神经网络的风功率中短期预测系统，其特征在于，包括：
采集模块：用于采集风电场的历史特征数据、实时特征数据以及实际风功率；
分组模块：用于根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；
度量模块：用于采用聚类衡量标准对所述风机分组结果进行度量；
输出模块：根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；
计算模块：用于对所述每组风机的预测风功率求和，得到全场预测风功率。
CN201911101266.4A 2019-11-12 2019-11-12 一种基于改进神经网络的风功率中短期预测方法及系统 Pending CN111062509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911101266.4A CN111062509A (zh) 2019-11-12 2019-11-12 一种基于改进神经网络的风功率中短期预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911101266.4A CN111062509A (zh) 2019-11-12 2019-11-12 一种基于改进神经网络的风功率中短期预测方法及系统

Publications (1)

Publication Number Publication Date
CN111062509A true CN111062509A (zh) 2020-04-24

Family

ID=70298251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911101266.4A Pending CN111062509A (zh) 2019-11-12 2019-11-12 一种基于改进神经网络的风功率中短期预测方法及系统

Country Status (1)

Country Link
CN (1) CN111062509A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709569A (zh) * 2020-06-11 2020-09-25 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN112836870A (zh) * 2021-01-25 2021-05-25 华北电力大学 预测风电功率的方法、装置、设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217247A (zh) * 2013-05-29 2014-12-17 国际商业机器公司 用于预测风场中的风机的输出功率的方法和装置
CN104299044A (zh) * 2014-07-01 2015-01-21 沈阳工程学院 基于聚类分析的风功率短期预测系统及预测方法
CN106505631A (zh) * 2016-10-29 2017-03-15 塞壬智能科技（北京）有限公司 智能风电风功率预测系统
CN107330248A (zh) * 2017-06-08 2017-11-07 华南理工大学 一种基于改进型神经网络的短期风功率预测方法
US10041475B1 (en) * 2017-02-07 2018-08-07 International Business Machines Corporation Reducing curtailment of wind power generation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217247A (zh) * 2013-05-29 2014-12-17 国际商业机器公司 用于预测风场中的风机的输出功率的方法和装置
CN104299044A (zh) * 2014-07-01 2015-01-21 沈阳工程学院 基于聚类分析的风功率短期预测系统及预测方法
CN106505631A (zh) * 2016-10-29 2017-03-15 塞壬智能科技（北京）有限公司 智能风电风功率预测系统
US10041475B1 (en) * 2017-02-07 2018-08-07 International Business Machines Corporation Reducing curtailment of wind power generation
CN107330248A (zh) * 2017-06-08 2017-11-07 华南理工大学 一种基于改进型神经网络的短期风功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张伟等: "谱聚类分析下粒子群算法优化BP神经网络的风电场功率预测", 《上海电机学院学报》, 25 April 2019 (2019-04-25) *
范强等: "风电功率预测方法研究", 《贵州电力技术》, 21 October 2016 (2016-10-21) *
高小力等: "基于HS-Clustering的风电场机组分组功率预测", pages 12 - 18 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709569A (zh) * 2020-06-11 2020-09-25 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN111709569B (zh) * 2020-06-11 2023-09-22 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN112836870A (zh) * 2021-01-25 2021-05-25 华北电力大学 预测风电功率的方法、装置、设备和计算机可读存储介质
CN112836870B (zh) * 2021-01-25 2023-12-12 华北电力大学 预测风电功率的方法、装置、设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107944622B (zh) 基于连续时段聚类的风电功率预测方法
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN111369070B (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN110007652A (zh) 一种水电机组劣化趋势区间预测方法与系统
CN110619360A (zh) 一种考虑历史样本相似性的超短期风功率预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN103324980A (zh) 一种风电场风速预测方法
CN110263998B (zh) 多源数值天气预报集合双层修正方法
CN112990558B (zh) 一种基于深度迁移学习的气象温度、光照的预测方法
CN106875037A (zh) 风力预测方法及装置
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN113313139A (zh) 基于机组动态特性的风电功率预测不确定性量化方法
CN109902340A (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
CN114298140A (zh) 一种考虑机组分类的风电短期功率预测校正方法
CN111062509A (zh) 一种基于改进神经网络的风功率中短期预测方法及系统
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN116937579A (zh) 一种考虑时空相关性的风电功率区间预测及其可解释方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
Wang et al. A novel multi-layer stacking ensemble wind power prediction model under Tensorflow deep learning framework considering feature enhancement and data hierarchy processing
CN115146742A (zh) 适用于场群控制的海上风电场机组分组与旗舰机选取方法
CN112200346B (zh) 一种天气波动过程划分与匹配的短期风电功率预测方法
CN110991743B (zh) 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法

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