CN111159900B - 风机风速的预测方法及装置 - Google Patents
风机风速的预测方法及装置 Download PDFInfo
- Publication number
- CN111159900B CN111159900B CN201911404106.7A CN201911404106A CN111159900B CN 111159900 B CN111159900 B CN 111159900B CN 201911404106 A CN201911404106 A CN 201911404106A CN 111159900 B CN111159900 B CN 111159900B
- Authority
- CN
- China
- Prior art keywords
- fans
- equivalent
- fan
- connection
- wind speed
- 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 34
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 120
- 239000011159 matrix material Substances 0.000 claims description 86
- 238000005315 distribution function Methods 0.000 claims description 41
- 241000345998 Calamus manan Species 0.000 claims description 38
- 235000012950 rattan cane Nutrition 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 6
- 241000544061 Cuculus canorus Species 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 235000005770 birds nest Nutrition 0.000 description 27
- 235000005765 wild carrot Nutrition 0.000 description 27
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000039077 Copula Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis 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
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Control Of Positive-Displacement Air Blowers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种风机风速的预测方法及装置,涉及风能技术领域,该方法包括:根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,运行历史数据包括历史风机风速;根据聚类后的多类等效风机对应的历史风机风速,建立风机风速的预测模型;将多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间。本申请公开的风机风速的预测方法及装置,提高了对风机风速预测的准确度。
Description
技术领域
本发明涉及风能技术领域,特别涉及一种风机风速的预测方法及装置。
背景技术
风能作为一种可再生能源,受到了人们的广泛关注。推动风电行业的发展,对风速进行准确预测就显得尤为重要。风速是一种复杂的非线性系统,具有随机性、间歇性等特点,且风电场中各风机间的尾流效应会导致风速在风电场不同位置的大小不同,尾流效应也会对风电场中风机的平均风速造成影响。
相关技术中,对风速的时空特性进行建模预测时,大多使用连接函数对影响风速的多维变量进行相关性分析。
在实现本发明的过程中,发明人发现相关技术至少存在以下问题:由于多维变量之间的相关性较为复杂,单纯使用连接函数预测风电场的平均风机风速时,获得的预测结果的准确度难以满足要求。
发明内容
本发明实施例提供了一种风机风速的预测方法及装置,以提高对风机风速预测的准确度。具体技术方案如下:
本申请实施例提供一种风机风速的预测方法,所述方法由计算机执行,所述方法包括:
根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,所述运行历史数据包括历史风机风速;
根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型;
将多类等效风机对应的连续多个采样时刻的所述历史风机风速输入所述预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例的一种实现方式中,所述根据风机的运行历史数据,对风电场内的多台风机进行聚类,包括:
根据所述运行历史数据,计算所述多台风机对应的邻接矩阵和度矩阵;
根据所述邻接矩阵和度矩阵,计算所述多台风机对应的拉普拉斯矩阵;
根据所述拉普拉斯矩阵将所述多台风机聚类。
本申请实施例的一种实现方式中,所述根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型,包括:
根据所述聚类后的多类等效风机对应的所述历史风机风速,确定每类等效风机对应的边缘概率密度函数;
根据所述边缘概率密度函数,计算藤结构对所述多类等效风机的不同连接方式对应的连接函数;
根据所述连接函数,确定所述藤结构对所述多类等效风机的最优连接方式,以获得所述预测模型。
本申请实施例的一种实现方式中,根据核密度估计法确定每类等效风机对应的边缘概率密度函数。
本申请实施例的一种实现方式中,根据布谷鸟算法确定藤结构对所述多类等效风机的最优连接方式。
本申请实施例的一种实现方式中,所述将多类等效风机对应的连续多个采样时刻的所述历史风机风速输入所述预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,包括:
根据每类等效风机对应的连续多个时刻的风机风速,获取所述多类等效风机对应的条件矩阵;
根据所述条件矩阵,计算风机风速的条件概率分布函数及所述条件概率分布函数对应的概率;
根据所述条件概率分布函数、所述条件概率分布函数对应的概率和所述设定置信度,计算与所述设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例还提供一种风机风速的预测装置,包括:
聚类模块,被配置为根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,所述运行历史数据包括历史风机风速;
建模模块,被配置为根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型;
预测模块,被配置为将多类等效风机对应的连续多个采样时刻的所述历史风机风速输入所述预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例的一种实现方式中,所述聚类模块,包括:
第一计算子模块,被配置为根据所述运行历史数据,计算所述多台风机对应的邻接矩阵和度矩阵;
第二计算子模块,被配置为根据所述邻接矩阵和度矩阵,计算所述多台风机对应的拉普拉斯矩阵;
聚类子模块,被配置为根据所述拉普拉斯矩阵将所述多台风机聚类。
本申请实施例的一种实现方式中,所述建模模块,包括:
第一确定子模块,被配置为根据所述聚类后的多类等效风机对应的所述历史风机风速,确定每类等效风机对应的边缘概率密度函数;
第三计算子模块,被配置为根据所述边缘概率密度函数,计算藤结构对所述多类等效风机的不同连接方式对应的连接函数;
第二确定子模块,被配置为根据所述连接函数,确定所述藤结构对所述多类等效风机的最优连接方式,以获得所述预测模型。
本申请实施例的一种实现方式中,所述预测模块,包括:
第一获取子模块,被配置为根据每类等效风机对应的连续多个采样时刻的所述历史风机风速,获取所述多类等效风机对应的条件矩阵;
第四计算子模块,被配置为根据所述条件矩阵,计算风机风速的条件概率分布函数及所述条件概率分布函数对应的概率;
第五计算子模块,被配置为根据所述条件概率分布函数、所述条件概率分布函数对应的概率和所述设定置信度,计算与所述设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例的有益效果至少包括:
本申请实施例提供的风机风速的预测方法及装置,对风电场内的多台风机进行聚类,并将聚类后的多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,该预测模型考虑了聚类后的多类等效风机之间的相关性,提高了对风机风速预测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种风机风速的预测方法的流程示意图;
图2为本发明实施例提供的图1中的步骤S101的流程示意图;
图3为本发明实施例提供的图1中的步骤S102的流程示意图;
图4为本发明实施例提供的图1中的步骤S103的流程示意图;
图5为本发明实施例提供的C藤连接多类等效风机的结构示意图;
图6为本发明实施例提供的D藤连接多类等效风机的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本申请实施例提供一种风速预测方法,该方法由计算机执行。如图1所示,该方法包括以下步骤:
S101、根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,运行历史数据包括历史风机风速。
S102、根据聚类后的多类等效风机对应的历史风机风速,建立风机风速的预测模型。
S103、将多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例中,风机是指风电场中的风电机组。风机风速是指风电机组的小范围区域内的风速,该风机风速与气象数据中的大范围区域对应的风速可能不同。获取风机的运行历史数据时,可以间隔设定时间进行连续采样。该设定时间可以按分钟计算,也可以按小时或按天计算。风机的运行历史数据包括历史风机风速、风机的叶片桨距角和历史发电机转速。其中,叶片桨距角是指在风力发电机组中,将三个桨叶所在的平面作为一个参考面,任意一个叶片与该参考面形成的夹角。由于各风机间的尾流效应,风机风速与气象风速可能不同。本申请实施例中的预测模型最终获取的是风电场中各风机在下一采样时刻的平均风机风速区间。根据该平均风机风速和风电场的风机数量,可以计算该风电场的发电量。
对风电场内的多台风机进行聚类后,获取的每类等效风机可对应多台风机。每类等效风机的运行历史数据可以取该类等效风机对应的多台风机的运行历史数据的平均值。示例性地,其中一类等效风机包括三台风电场中的风机,则该类等效风机的历史风机风速,可以取该三台风电场中的风机对应的历史风机风速的平均值。对风电场内的多台风机进行聚类,并以聚类后的每类等效风机作为研究对象,从而大大减少了计算量。
本申请实施例提供的风机风速的预测方法及装置,对风电场内的多台风机进行聚类,并将聚类后的多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,该预测模型考虑了聚类后的多类等效风机之间的相关性,提高了对风机风速预测的准确度。
本申请实施例中,可以采用谱聚类算法对风电场内的多台风机进行聚类。如图2所示,步骤S101中的根据风机的运行历史数据,对风电场内的多台风机进行聚类,可包括以下步骤:
S201、根据运行历史数据,计算多台风机对应的邻接矩阵和度矩阵。
该步骤中,可以假设风电场中存在n台风机,根据该n台风机对应的运行历史数据,建立样本矩阵D=(X1,X2,…,Xn)。其中,X1,X2,…,Xn分别对应于一个样本点,包括每台风机的运行历史数据。即该样本矩阵的不同列对应风机,该样本矩阵的不同行对应运行历史数据的不同指标。
本申请实施例中,计算多台风机对应的邻接矩阵和度矩阵时,可以首先计算该样本矩阵的特征值和特征向量,并根据该特征值和特征向量获取该样本矩阵的相似矩阵,然后根据该相似矩阵计算邻接矩阵和度矩阵。其中,该样本矩阵的相似矩阵为对角矩阵。
具体地,根据相似矩阵计算邻接矩阵时,可以采用K近邻算法,以获取与每个样本点最近的K个其他样本点作为近邻。在这一过程中,可以计算其中一个样本点与所有其他样本点之间的欧式距离,并取与该样本点的欧式距离最小的前K个其他样本点作为该样本点的近邻。
在样本点Xi和Xj互为K近邻时,保留这两个样本点之间的欧式距离,采用如下公式计算邻接矩阵:
其中,表示样本点Xi和Xj之间距离的平方(即欧式距离的平方);σ为常系数。邻接矩阵可以表示互为K近邻的两个样本点之间的连接权重。
根据相似矩阵计算出邻接矩阵后,可以采用如下公式计算度矩阵:
其中,n为样本点的数量。度矩阵为di组成的n*n对角矩阵。度矩阵可以表示与每个样本点相关的连接权重的和。
本申请的一些实施例中,为提高对风机聚类的准确度,还可以结合风电场中多台风机对应的气象历史数据对风机进行聚类。该气象历史数据包括气象风速、温度、气压和地表粗糙程度等。
S202、根据邻接矩阵和度矩阵,计算多台风机对应的拉普拉斯矩阵。
拉普拉斯矩阵可以定义为邻接矩阵和度矩阵的差。即邻接矩阵为W,度矩阵为D时,拉普拉斯矩阵为L=D-W。
S203、根据拉普拉斯矩阵将多台风机聚类。
该步骤中,得到拉普拉斯矩阵后,计算拉普拉斯矩阵的特征值,并将计算出的特征值从大到小排序。取前K个特征值,并计算该K个特征值对应的特征向量。
假设前K个特征值对应的特征向量为u1,u2,…,uk,则这K个特征向量组成的矩阵为U={u1,u2,…,uk},其中U∈Rn*k。即矩阵U为n*k矩阵。将矩阵U中的行向量yi组成的新样本集Y={y1,y2,…,yn}聚类成K类。即K类样本点C1,C2,…,Ck对应K类等效风机。
具体地,可以选择初始化的K个类别中心a1,a2,…,ak,对于样本yi,将其标记为距离类别中心aj最近的类别j,将所有样本分类完成后,以该类别所有样本的均值作为新的类别中心,重复分类过程。直到达到设定的迭代次数或相邻两次迭代对应的类别中心相同。
本申请实施例中,如图3所示,步骤S102中根据聚类后的多类等效风机对应的历史风机风速,建立风机风速的预测模型,可包括以下步骤:
S301、根据聚类后的多类等效风机对应的历史风机风速,确定每类等效风机对应的边缘概率密度函数。
该步骤中,以等效风机作为研究对象,每类等效风机对应的历史风机风速可以取该类等效风机对应的多台风机的历史风机风速的平均值。
本申请实施例中,可以采用核密度估计法确定每类等效风机对应的边缘概率密度函数。具体地,每类等效风机的历史风机风速可包括连续多个采样时刻的风机风速。以历史风机风速为横坐标,以历史风机风速的出现次数为纵坐标,对每类等效风机的历史风机风速进行统计分布,并根据该分布确定采用的核函数模型。可选地,核函数模型包括均匀核函数、三角核函数、伽马核函数和高斯核函数等。本申请的一些实施例中,可以采用直方图对每类等效风机的历史风机风速进行统计分布。
对于一元连续总体的多个样本,可采用如下公式计算每类等效风机对应的边缘概率密度函数:
其中,为核函数,并满足取值不小于零,且积分为等于1;h称窗宽;t为样本数(即多个采样时刻的数目);xi为该类等效风机的历史风机风速取值。
S302、根据边缘概率密度函数,计算藤结构对多类等效风机的不同连接方式对应的连接函数。
目前常用的藤结构有C藤和D藤两种,其中,C藤适用于其中某一变量与其他变量之间的相关性较强的情况;D藤结构适用于多变量之间的相关程度接近的情况。在变量为四维数据的情况下,C藤连接多类等效风机的结构如图5所示,而D藤连接多类等效风机的结构如图6所示。如图5所示,在变量为四维数据的情况下,C藤中存在三层Tree结构(即树结构)。图5中的数字为变量(即等效风机),23|1表示在1变量存在条件下的2和3变量。连接两个变量的线,为这两个变量之间的连接函数。如图6所示,在变量为四维数据的情况下,D藤中存在三层Tree结构。图6中的数字为变量(即等效风机),13|2表示在2变量存在条件下的1和3变量。从图5和图6可以看出,无论采用C藤结构还是D藤结构,当变量所代表的等效风机在藤结构中的位置发生变化时,将导致整个结构随之变动,而这会影响预测模型的输出结果,即等效风机在藤结构中的连接方式会影响风速预测的准确度。
对于每台等效风机,根据Sklar定理,如果F为边缘连续分布的联合分布函数,F1,F2,…,Fn为随机变量X=[X1,X2,…,Xn]的边缘分布函数,那么存在唯一的Copula函数,对任意X∈Rn均成立F(x1,x2,…,xn)=C(F1(x1),F2(x2),…,Fn(xn))。
联合分布函数对应的导函数可以称为联合概率密度函数,边缘分布函数对应的导函数可以称为边缘概率密度函数。当联合概率密度函数和边缘概率密度函数均存在时,对上式求导,可以得到:
f1,2…,n(X1,X2,…,Xn)=c(F1(X1),F2(X2),…,Fn(Xn))*f1(x1)*…*fn(xn)
其中,c(F1(X1),F2(X2),…,Fn(Xn))为连接函数的概率密度函数。
每类等效风机对应的边缘概率密度函数是一定的,而藤结构对多类等效风机的连接方式不同,会导致每类等效风机对应的连接函数和联合概率密度函数不同,从而影响风速预测的准确度。连接函数也可以称为Copula函数。藤结构对多类等效风机的每种连接方式均对应多个连接函数。
基于此,本申请实施例中,步骤S302可包括以下步骤:
S3021、拟定多种备选连接函数的类型,并根据边缘概率密度函数,计算两类等效风机之间的每种备选连接函数的参数估计值。
该步骤中,首先可以拟定多种备选连接函数的类型,备选连接函数可包括正态连接函数、阿基米德连接函数等。然后采用极大似然估计法确定两类等效风机之间的每种连接函数的参数估计值。
具体地,两类等效风机分别对应为随机变量X和Y,则这两类等效风机对应的边缘分布函数分别为F(x;θ1)和F(y;θ2),边缘概率密度函数分别为f(x;θ2)和f(y;θ2)。选取的备选连接函数的形式为C(x,y;α),该备选连接函数的概率密度函数为其中θ1、θ2和α为未知参数。则随机变量X和Y的联合分布函数可以表示为:
H(x,y;θ1,θ2,α)=C[F(x;θ1),G(y;θ2),α]
联合概率密度函数可以表示为:
则对于样本(Xi,Yi)的似然函数为:
其中,t为样本数(即多个采样时刻的数目)。
对上述似然函数求对数可以得到:
通过对该求对数后的似然函数求最大值,即可得到两类等效风机对应的每种备选连接函数的参数估计值。即
S3022、基于每种备选连接函数的参数估计值和经验连接函数,确定多类等效风机之间的最优连接函数。
该步骤中,确定每种备选连接函数的参数估计值后,需要从多种拟定的连接函数中确定采用的最优连接函数。具体地,可以以欧式距离为指标,以经验连接函数为参照,分别计算多种备选连接函数和经验连接函数之间的距离,选择与经验连接函数的距离最小的备选连接函数作为最优连接函数。该最优连接函数为两类等效风机之间最终采用的连接函数。不同的等效风机之间的连接函数的类型可以相同,也可以不同。
经验连接函数公式如下:
其中,x,y∈[0,1];I的取值为0或1;当F(xi)≤x时,否则
备选连接函数和经验连接函数之间的欧式距离可采用如下公式计算:
其中,Cn备选连接函数的取值;Cp分别表示经验连接函数的取值。
对于藤结构对多类等效风机的每种连接方式,重复上述步骤S3021至S3022,可以获得该种连接方式中两类等效风机的之间的连接函数。
S303、根据连接函数,确定藤结构对多类等效风机的最优连接方式,以获得预测模型。
该步骤中,可以采用布谷鸟算法确定藤结构对多类等效风机的最优连接方式。
具体地,该步骤S303可进一步包括以下步骤:
S3031、随机产生N个鸟巢位置,其中每个鸟巢位置可代表多类等效风机在藤结构中的一种连接方式。计算N个鸟巢位置对应的预测精度,并选择其中预测精度最高的鸟巢位置记录为最优鸟巢位置。
该步骤中,可以将多类聚类风机的历史风机风速输入根据鸟巢位置生成的预测模型中,并将预测得到的风速与实际风速进行比较,以获取每个鸟巢位置对应的预测精度。
S3032、更新鸟巢的位置,并重新确定最优鸟巢位置。
该步骤中,采用如下公式更新鸟巢位置:
其中,α为步长控制量,⊙为点对点乘法,t(γ)为随机搜索路径,且t~u=t-γ,1<γ≤3。
把当前鸟巢位置对应的预测精度与上一代的鸟巢位置对应的预测精度相比,取预测精度更高的鸟巢位置作为最优鸟巢位置。
每个鸟巢位置对应一个随机数,该随机数A∈[0,1],可以表示鸟巢宿主发现外来蛋的几率,即等效风机在藤结构中的某种连接方式被舍弃的概率。将该随机数与设定的发现概率对比,保留小于该发现概率的鸟巢位置,随机改变大于该发现概率的鸟巢位置,以得到一组新的鸟巢位置。将得到的新的鸟巢位置对应的预测精度与上一代的最优鸟巢位置对应的预测精度相比,取预测精度更高的鸟巢位置作为最优鸟巢位置。
S3033、当最优鸟巢位置对应的预测精度为最优精度时,以当前的最优鸟巢位置作为最终鸟巢位置。
该步骤中,当连续设定次数内的最优鸟巢位置对应的预测精度均一致时,则该预测精度为最优精度。最终鸟巢位置确定后,等效风机在藤结构中的连接方式确定。即多类等效风机对应的连接函数和联合概率分布函数确定。
获取预测模型后,可以根据T-t,T-t+1,…,T-1的t个采样时刻对应的历史风机风速获取风机风速的条件概率分布函数,并根据设定置信度,对T采样时刻的平均风机风速区间进行预测。
具体地,如图4所示,步骤S103中的将多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,可包括以下步骤:
S401、根据每类等效风机对应的连续多个采样时刻的历史风机风速,获取多类等效风机对应的条件矩阵。
该步骤中,获取连续t个采样时刻的每类等效风机的历史风机风速,并根据每台等效风机在藤结构中的连接情况,建立如下所示的输入矩阵:
其中,K为样本数(即等效风机的数目);为第K类等效风机和与第K类等效风机在藤结构中相连的多类等效风机在T-t采样时刻的历史风机风速。
该输入矩阵对应的联合分布函数矩阵可以表示为:
其中,联合分布函数的取值均在0~1之间。假设将[0,1]区间分为F个子区间,每个子区间的长度可相同。则t维的风速序列样本共可组成Ft个子空间,联合分布函数矩阵中的任意一行必然会落在其中的一个子空间内。联合分布函数矩阵中的每个元素的取值与该类等效风机在藤结构中的连接方式相关。
基于上述的输入矩阵,确定如下所示的条件矩阵:
其中,N1为样本数。该样本数可与等效风机的数目相同或不同。条件矩阵中的前t-1列组成的新矩阵中,每行对应的子空间都相同。对条件矩阵进行统计,即可得到条件概率分布函数值。对条件矩阵进行统计,即统计条件矩阵对应的样本的风机风速分布。以下步骤S402到S403可为对条件矩阵进行统计的具体步骤。
实际应用中,T-1采样时刻的运行历史数据可以为实时测量的数据,为当前采样时刻的运行历史数据。
S402、根据条件矩阵,计算风机风速的条件概率分布函数及条件概率分布函数对应的概率。
该步骤中,可以首先对条件矩阵中的样本进行分类。具体地,将条件矩阵中第t列中的元素落在相同子区间内的样本归为同类。假设样本最终可分为H类,每一类所包含的样本数分别记为M1,…,Mh,…,MH。每一类所包含的风速序列样本落在同一子空间内。
根据条件矩阵中第t列的数值,获取如下所示的每类样本对应的风机风速的条件概率分布函数:
并通过如下公式计算条件概率分布函数对应的概率:
ph=Mh/N1
S403、根据条件概率分布函数、条件概率分布函数对应的概率和设定置信度,计算与设定置信度对应的下一采样时刻的平均风机风速区间。
该步骤中,将条件概率分布函数按对应的概率从大到小进行排列,将排列后的条件概率分布函数记为其中p(1)最大,p(H)最小。从j=1开始对p(j)进行累加,直至累加和大于等于设定置信度β为止。假设当j=q时,恰好满足/>则认为联合分布函数在设定置信度β下的区间为/>所在子区间的并集。
假设则满足设定置信度β的区间为/>其中Sl和Su可以分别代表每个子区间的左右两侧端点。通过逆函数/>和/>可以计算得到设定置信度对应的T时段的风速区间。
本申请实施例中,通过对当前采样时刻(即T-1采样时刻)的历史风机风速数据进行统计,获取当前采样时刻的不同历史风机风速对应的概率,则将当前采样时刻满足设定置信度的风机风速区间,作为下一采样时刻的平均风机风速区间。
本申请实施例还提供一种风机风速的预测装置,包括:
聚类模块,被配置为根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,运行历史数据包括历史风机风速;
建模模块,被配置为根据聚类后的多类等效风机对应的历史风机风速,建立风机风速的预测模型;
预测模块,被配置为将多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例中,聚类模块,包括:
第一计算子模块,被配置为根据运行历史数据,计算多台风机对应的邻接矩阵和度矩阵;
第二计算子模块,被配置为根据邻接矩阵和度矩阵,计算多台风机对应的拉普拉斯矩阵;
聚类子模块,被配置为根据拉普拉斯矩阵将多台风机聚类。
本申请实施例中,建模模块,包括:
第一确定子模块,被配置为根据聚类后的多类等效风机对应的历史风机风速,确定每类等效风机对应的边缘概率密度函数;
第三计算子模块,被配置为根据边缘概率密度函数,计算藤结构对多类等效风机的不同连接方式对应的连接函数;
第二确定子模块,被配置为根据连接函数,确定藤结构对多类等效风机的最优连接方式,以获得预测模型。
本申请实施例中,预测模块,包括:
第一获取子模块,被配置为根据每类等效风机对应的连续多个采样时刻的历史风机风速,获取多类等效风机对应的条件矩阵;
第四计算子模块,被配置为根据条件矩阵,计算风机风速的条件概率分布函数及条件概率分布函数对应的概率;
第五计算子模块,被配置为根据条件概率分布函数、条件概率分布函数对应的概率和设定置信度,计算与设定置信度对应的下一采样时刻的平均风机风速区间。
本申请实施例提供的风机风速的预测装置,对风电场内的多台风机进行聚类,并将聚类后的多类等效风机对应的连续多个采样时刻的历史风机风速输入预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,该预测模型考虑了聚类后的多类等效风机之间的相关性,提高了对风机风速预测的准确度。
需要说明的是:上述实施例提供的风机风速的预测装置进行可靠度预测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的风机风速的预测装置与风机风速的预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,计算机可读存储介质可以是只读存储器,磁盘或光盘等。例如本发明的风速预测方法可以由计算机设备执行,本发明的风速预测装置也可以为一种计算机设备。计算机设备包括处理器和存储介质,存储介质包括有程序指令,当程序指令被处理器执行时,就可以实现上述实施例的方法。
以上仅为本发明的较佳实施例,并不用以限制本发明的保护范围,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种风机风速的预测方法,其特征在于,所述方法由计算机执行,所述方法包括:
根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,所述运行历史数据包括历史风机风速;
根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型;
将多类等效风机对应的连续多个采样时刻的所述历史风机风速输入所述预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,
其中,所述根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型,包括:
根据所述聚类后的多类等效风机对应的所述历史风机风速,确定每类等效风机对应的边缘概率密度函数;
根据所述边缘概率密度函数,计算藤结构对所述多类等效风机的不同连接方式对应的连接函数;其中,对于所述藤结构对所述多类等效风机的每种连接方式,基于下述步骤确所述连接方式中两类等效风机之间的连接函数:拟定多种备选连接函数的类型,并根据所述边缘概率密度函数,计算两类等效风机之间的每种备选连接函数的参数估计值;基于每种备选连接函数的参数估计值和经验连接函数,确定多类等效风机之间的最优连接函数,所述最优连接函数为所述连接方式中两类等效风机之间最终采用的连接函数;
根据所述连接函数,确定所述藤结构对所述多类等效风机的最优连接方式,以获得所述预测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据风机的运行历史数据,对风电场内的多台风机进行聚类,包括:
根据所述运行历史数据,计算所述多台风机对应的邻接矩阵和度矩阵;
根据所述邻接矩阵和度矩阵,计算所述多台风机对应的拉普拉斯矩阵;
根据所述拉普拉斯矩阵将所述多台风机聚类。
3.根据权利要求1所述的方法,其特征在于,采用极大似然估计法确定两类等效风机之间的每种连接函数的参数估计值。
4.根据权利要求1所述的方法,其特征在于,所述基于每种备选连接函数的参数估计值和经验连接函数,确定多类等效风机之间的最优连接函数,包括:
分别计算多种备选连接函数和所述经验连接函数之间的欧式距离,选择与所述经验连接函数的欧式距离最小的备选连接函数作为所述最优连接函数。
5.根据权利要求1所述的方法,其特征在于,根据核密度估计法确定每类等效风机对应的边缘概率密度函数。
6.根据权利要求1所述的方法,其特征在于,根据布谷鸟算法确定藤结构对所述多类等效风机的最优连接方式。
7.根据权利要求1所述的方法,其特征在于,所述将多类等效风机对应的连续多个采样时刻的所述历史风机风速输入所述预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,包括:
根据每类等效风机对应的连续多个采样时刻的所述历史风机风速,获取所述多类等效风机对应的条件矩阵;
根据所述条件矩阵,计算风机风速的条件概率分布函数及所述条件概率分布函数对应的概率;
根据所述条件概率分布函数、所述条件概率分布函数对应的概率和所述设定置信度,计算与所述设定置信度对应的下一采样时刻的平均风机风速区间。
8.一种风机风速的预测装置,其特征在于,包括:
聚类模块,被配置为根据风机的运行历史数据,对风电场内的多台风机进行聚类,其中,所述运行历史数据包括历史风机风速;
建模模块,被配置为根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型;
预测模块,被配置为将多类等效风机对应的连续多个采样时刻的所述历史风机风速输入所述预测模型,获取与设定置信度对应的下一采样时刻的平均风机风速区间,
其中,所述根据聚类后的多类等效风机对应的所述历史风机风速,建立风机风速的预测模型,包括:
根据所述聚类后的多类等效风机对应的所述历史风机风速,确定每类等效风机对应的边缘概率密度函数;
根据所述边缘概率密度函数,计算藤结构对所述多类等效风机的不同连接方式对应的连接函数;其中,对于所述藤结构对所述多类等效风机的每种连接方式,基于下述步骤确所述连接方式中两类等效风机之间的连接函数:拟定多种备选连接函数的类型,并根据所述边缘概率密度函数,计算两类等效风机之间的每种备选连接函数的参数估计值;基于每种备选连接函数的参数估计值和经验连接函数,确定多类等效风机之间的最优连接函数,所述最优连接函数为所述连接方式中两类等效风机之间最终采用的连接函数;
根据所述连接函数,确定所述藤结构对所述多类等效风机的最优连接方式,以获得所述预测模型。
9.根据权利要求8所述的装置,其特征在于,所述聚类模块,包括:
第一计算子模块,被配置为根据所述运行历史数据,计算所述多台风机对应的邻接矩阵和度矩阵;
第二计算子模块,被配置为根据所述邻接矩阵和度矩阵,计算所述多台风机对应的拉普拉斯矩阵;
聚类子模块,被配置为根据所述拉普拉斯矩阵将所述多台风机聚类。
10.根据权利要求8所述的装置,其特征在于,所述预测模块,包括:
第一获取子模块,被配置为根据每类等效风机对应的连续多个采样时刻的所述历史风机风速,获取所述多类等效风机对应的条件矩阵;
第四计算子模块,被配置为根据所述条件矩阵,计算风机风速的条件概率分布函数及所述条件概率分布函数对应的概率;
第五计算子模块,被配置为根据所述条件概率分布函数、所述条件概率分布函数对应的概率和所述设定置信度,计算与所述设定置信度对应的下一采样时刻的平均风机风速区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404106.7A CN111159900B (zh) | 2019-12-30 | 2019-12-30 | 风机风速的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404106.7A CN111159900B (zh) | 2019-12-30 | 2019-12-30 | 风机风速的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111159900A CN111159900A (zh) | 2020-05-15 |
CN111159900B true CN111159900B (zh) | 2024-02-09 |
Family
ID=70559595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911404106.7A Active CN111159900B (zh) | 2019-12-30 | 2019-12-30 | 风机风速的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159900B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113312836A (zh) * | 2021-05-10 | 2021-08-27 | 国核电力规划设计研究院有限公司 | 一种短期风速预测方法 |
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 |
CN113884705A (zh) * | 2021-09-28 | 2022-01-04 | 上海电气风电集团股份有限公司 | 簇群风机风速计的监测方法及其系统及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354349A (zh) * | 2015-09-17 | 2016-02-24 | 贵州电网有限责任公司电网规划研究中心 | 一种山区大型风电场风速建模方法 |
CN106529700A (zh) * | 2016-10-20 | 2017-03-22 | 华北电力大学(保定) | 一种基于时空相关的风电场预测模型构建方法和系统 |
CN107292439A (zh) * | 2017-06-23 | 2017-10-24 | 广东工业大学 | 一种基于时变混合Copula函数的短期风速预测的方法与装置 |
CN107895202A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 基于多视角风速模式挖掘的短期风速预测方法 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 中南大学 | 一种考虑风向和置信区间的铁路沿线风速预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781651B2 (en) * | 2012-09-21 | 2014-07-15 | Georgia Tech Research Corporation | Systems and methods providing a fuel-efficient RTA implementation with uncertain winds |
-
2019
- 2019-12-30 CN CN201911404106.7A patent/CN111159900B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354349A (zh) * | 2015-09-17 | 2016-02-24 | 贵州电网有限责任公司电网规划研究中心 | 一种山区大型风电场风速建模方法 |
CN106529700A (zh) * | 2016-10-20 | 2017-03-22 | 华北电力大学(保定) | 一种基于时空相关的风电场预测模型构建方法和系统 |
CN107292439A (zh) * | 2017-06-23 | 2017-10-24 | 广东工业大学 | 一种基于时变混合Copula函数的短期风速预测的方法与装置 |
CN107895202A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 基于多视角风速模式挖掘的短期风速预测方法 |
CN109214581A (zh) * | 2018-09-20 | 2019-01-15 | 中南大学 | 一种考虑风向和置信区间的铁路沿线风速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111159900A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111159900B (zh) | 风机风速的预测方法及装置 | |
US20230136352A1 (en) | Method and system for predicting a day-ahead wind power of wind farms | |
CN112529282A (zh) | 基于时空图卷积神经网络的风电场集群短期功率预测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
Wang et al. | Wind power curve modeling with asymmetric error distribution | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN115907195A (zh) | 一种光伏发电功率预测方法、系统、电子设备及介质 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN110705099B (zh) | 一种检定风电场出力相关性的方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及系统 | |
CN116227677A (zh) | 一种考虑光伏功率爬坡特征的功率预测校正方法 | |
CN115660132A (zh) | 一种光伏发电功率预测方法及系统 | |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |