CN111353652A - 一种风电出力短期区间预测方法 - Google Patents

一种风电出力短期区间预测方法 Download PDF

Info

Publication number
CN111353652A
CN111353652A CN202010173041.6A CN202010173041A CN111353652A CN 111353652 A CN111353652 A CN 111353652A CN 202010173041 A CN202010173041 A CN 202010173041A CN 111353652 A CN111353652 A CN 111353652A
Authority
CN
China
Prior art keywords
prediction
formula
wind power
model
estimation
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
Application number
CN202010173041.6A
Other languages
English (en)
Other versions
CN111353652B (zh
Inventor
赵珺
金锋
高兴兴
王霖青
王伟
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010173041.6A priority Critical patent/CN111353652B/zh
Publication of CN111353652A publication Critical patent/CN111353652A/zh
Application granted granted Critical
Publication of CN111353652B publication Critical patent/CN111353652B/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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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

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

Abstract

本发明属于信息技术领域，提供了一种风电出力短期区间预测方法。本发明采用工业真实数据，首先构造多层次的信息粒度非等长分配结构，建立相应优化模型；进而，考虑到模型结构对预测精度的重要性，本发明借助蒙特卡洛方法，对多层次模型的结构参数进行强化学习；最终基于最优的多层粒度计算结构，运用并行计算策略，求得煤气产消量的长期区间预测结果。此方法所得到结果精度较高，且计算效率符合实际应用要求，在钢铁工业其它能源介质系统中亦可推广应用。

Description

一种风电出力短期区间预测方法
技术领域
本发明属于信息技术领域，涉及到信号分解、神经网络建模、非参数估计等技术，是一种结合深度学习与非参数估计的风电出力短期区间预测方法。本发明采用工业实际运行数据，首先提出了一种改进的自适应变分模态分解方法对风速信号进行分解，以降低数据样本的非平稳性。进而，采用样本熵方法将分解后的信号划分为高频部分与低频部分，通过深度置信网络分别进行预测，将各分量预测结果重构得到风速信号预测值、并基于BP神经网络预测风电出力的点基准值。最后，构建了改进的非参数估计模型来计算每个时刻的出力波动概率密度函数，从而给出其置信区间，实现风电出力的区间预测。此方法得到结果精度较高，且计算效率符合实际需求，在可再生能源并网、以及调度领域亦可推广应用。
背景技术
能源与环境问题是现阶段面临的两大全球性问题，而可再生能源的发展为解决这两大问题提供了新思路。在新能源发电技术中，风速发电技术成熟、发电成本低、且易实现大规模产业化发展，现已成为能源与环境可持续发展的主力军。(南晓强.风电预测技术及其运行分析[D].(2013).西南交通大学)风电出力预测的准确性对风电并网的安全性、电力调度方案制定起到了重要作用，因此对风电场的功率进行短期预测，可帮助电力调度部门根据风电功率变化及时调整计划，从而保证电能质量，降低电力系统运行成本。(周松林,茆美琴,苏建徽.风电功率短期预测及非参数区间估计[J].(2011).中国电机工程学报,31(25))。然而，由于风具有间歇性、随机性与波动性等特征，导致风电出力预测的精度难以保证，增加了电网消纳风电的难度，易导致电力调度成本增加、能源浪费等问题。
随着研究工作的广泛开展，风电出力相关的短期预测模型已经有所研究(NimaAmjady,FarshidKeynia,HamidrezaZareipour.(2011).Wind Power Prediction bya New Forecast Engine Composed of Modified Hybrid Neural Network and EnhancedParticle Swarm Optimization[J].IEEE Transactions on Sustainable Energy,2,265-276)(Liu L,Tianyao J I,Mengshi L I,et al.(2018).Short-term local predictionof wind speed and wind power based on singular spectrum analysis andlocality-sensitive hashing[J].Journal of Modern Power Systems&Clean Energy,6,317-329)。然而，上述文献中的方法均是针对数据点的预测，无法满足现场对结果可靠性的需求。近年来，基于极限学习机(Extreme Learning Machine,ELM)(杨锡运,关文渊,刘玉奇,等.基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J].(2015).中国电机工程学报,35(S1):146-153.)、回声状态网络(Echo State Networks，ESN)(Aquino R RB D,Neto O N,Souza R B,et al.Investigating the use of Echo State Networks forprediction of wind power generation[C].(2014).IEEE Symposium on ComputationalIntelligence for Engineering Solutions(CIES))、非参数估计(王彩霞,鲁宗相,乔颖,等.基于非参数回归模型的短期风电功率预测[J].(2010).电力系统自动化,34(16):78-82.)以及深度学习(Shi Z,Liang H,Dinavahi V.(2017).Direct Interval Forecast ofUncertain Wind Power Based on Recurrent Neural Networks[J].IEEE Transactionson Sustainable Energy,PP(99):1-1)的方法广泛被用于区间预测。然而，基于神经网络的模型多采用两个输出节点分别预测出区间的预测上限与下限，未对误差分布进行假设，难以给出不同置信度下的区间预测结果。而采用传统非参数估计方法难以确定窗口宽度，导致估算的概率密度函数曲线与实际曲线相差较大，影响预测精度。
发明内容
本发明主要解决风电出力的短期区间预测问题。采用工业实际运行数据，首先提出了一种改进的自适应变分模态分解方法将风速信号分解为不同频率下的多个模态分量，并依据样本熵将其划分为高频与低频分量，针对高频与低频分量，分别建立深度置信网络的预测模型，将各分量预测结果重构得到风速信号预测值，并通过BP神经网络构建风速与风电出力的关系模型，预测出风电出力每个时刻的基准值；最后构建了改进的自适应非参数估计模型，计算每时刻风电出力波动误差的概率密度函数，并给出置信区间，实现风电出力的区间预测。该区间预测方法可应用于电网调度中，减少系统旋转备用容量，降低电力成本。
本发明的技术方案：
一种风电出力短期区间预测方法，步骤如下：
(1)采用滤波、填补等方法对历史时间段的风速、气压、温度等数据进行预处理，作为基础数据样本；
(2)构建自适应变分模态分解(Adaptive Variational Mode Decomposition,A-VMD)模型对风速信号进行分解，并记分解后的模态分量为k个，将样本数据划分为训练集、测试集、验证集；
(3)计算各模态分量的样本熵数值，并求出k个模态分量各自的样本熵Ei(i＝1,2,…,k)及其平均值
Figure BDA0002409859160000021
若第i个分量的样本熵Ei大于平均样本熵
Figure BDA0002409859160000022
将其划分到高频信号组，否则将其划分到低频信号组；
(4)采用训练集中的高频与低频数据分别构建深度置信网络预测模型(DeepBelief Networks,DBN)，将各预测分量重构后得到风速预测模型；
(5)利用BP神经网络模型拟合出数据集中风速大小与风电出力的关系模型，并将风速信号预测值代入模型得到风电出力预测值；
(6)计算测试集中风电出力误差，并根据功率大小将该误差样本集划分为M段，并提出一种基于NSGA-Ⅱ优化方法的核密度估计方法(NSGA-II-basedKernelDensityEstimation,NSGA-Ⅱ-KDE)，结合K-近邻估计方法计算出每一段的概率密度函数，并求出不同置信度下的误差置信区间，结合风电出力点预测结果得到风电出力区间预测结果；
本发明的有益效果：本发明的区间预测模型提出A-VMD方法将风速信号进行模态分解，降低了样本中存在的非平稳性，所提出的NSGA-Ⅱ-KDE估计方法能够同时保证概率密度函数的平滑性与精度，有效的提高了区间预测的准确性。经实际数据实验验证，本方法在置信度95％的条件下可以获得较窄的区间平均宽度与较高的区间覆盖率，为电力调度方案的制定提供更可靠的支持。
附图说明
图1为本发明应用流程图。
图2为基于A-VMD分解后的各模态与频率图。
图3为基于DBN-DNN的风速预测模型。
图4(a)为改进前的非参数估计的概率密度函数曲线图。
图4(b)为改进后的非参数估计概率密度函数曲线图。
图5(a)为BP-KDE方法下的风电出力区间预测结果图。
图5(b)为ELM-LUBE方法下的风电出力区间预测结果图。
图5(c)为所提方法的风电出力区间预测结果图。
具体实施方式
风电开发起步主要出现在“三北”等地，近年来中部、东部、以及南方各地风电开发规模逐渐增大，风电场建设需要考虑区域电力发展规划、环境制约因素、气象因素、风能资源、地形条件等多种因素。目前风能资源仍为国内风电场选址的首要条件，部分地区具有丰富的风能资源，但这些地区的风电出力值远远大于负荷需求，从而造成资源浪费，且风能的波动性易对电网造成冲击，风电出力区间预测不仅可以用于电力资源调度、减少资源浪费，还可以提前预知波动信息，以便于借助火电等稳定发电方式削弱其波动性，降低对电网的损害。为了更好地理解本发明的技术路线和实施方案，下面以国内某风电场的数据为基础，应用本发明方法构建区间预测模型，具体实施步骤如下：
(1)数据预处理
采集风电出力预测所需样本集，包括风速、风电出力、温度和气压，并做除噪、滤波和填补预处理；
(2)基于A-VMD的风速信号分解
考虑到能量损失与中心频率，提出了一种A-VMD模型。构建变分约束模型如式(1)所示
Figure BDA0002409859160000041
Figure BDA0002409859160000042
其中，ui(t)代表风速信号分解后的第i个模态分量，k为分解后的模态总数，t代表采样时刻，f(t)代表原始风速信号，vi代表第i个模态分量的中心频率，δ(t)为狄拉克分布，j为虚数单位。通过引入拉格朗日乘子将问题转化为无约束优化问题，求解该非约束问题的最优解ui(t)、vi如式(3)和式(4)所示：
Figure BDA0002409859160000043
Figure BDA0002409859160000044
其中
Figure BDA0002409859160000045
为第i个模态分量的维纳滤波结果，其上标n+1代表迭代次数，采用傅里叶逆变换并取其实部即为ui(t)。
Figure BDA0002409859160000046
与
Figure BDA0002409859160000047
分别为原始信号f(t)和拉格朗日乘法算子的傅里叶变换，α表示二次惩罚因子，w代表频率。则基于A-VMD的信号分解步骤如下：
步骤1：初始化k、
Figure BDA0002409859160000048
和
Figure BDA0002409859160000049
令循环次数o＝0；
步骤2：根据式(3)、式(4)迭代计算
Figure BDA00024098591600000410
直到满足式(5)；
Figure BDA00024098591600000411
步骤3：判断式(5)是否成立，若成立则跳转到步骤5，否则跳转到步骤4；
Figure BDA00024098591600000412
其中，E代表信号分解前的总能量，Ei代表第i个模态分量的能量；
步骤4：令o＝o+1，跳转到步骤2；
步骤5：判断式(7)是否成立
Figure BDA00024098591600000413
其中，D(wk-wk-1)代表第k个模态分量的频率与第k-1个模态分量频率的差值，若式(7)成立，则去掉最后一层模态分量，保留前k-1层模态；否则算法结束。
(3)计及样本熵的信号频率划分
样本熵是一种衡量样本时间序列复杂性的方法，它对数据长度的依赖性较小，且具有更好的一致性，分解后的信号可能存在模态分量过多的现象，将分解后的信号按频率划分为高频与低频分量，以降低预测误差累积，其计算步骤如下：
步骤1：计算k个模态分量的样本熵Qi(i＝1,2,…,k)，及各模态分量样本熵的平均值
Figure BDA0002409859160000051
步骤2：遍历k个模态分量，直到第i个分量ui(t)满足式(8)
Figure BDA0002409859160000052
则停止遍历，并将该分量以及其后分量
Figure BDA0002409859160000053
划分到高频分量集合HF，将其他分量划分到低频分量集合LF。
(4)基于深度置信网络的风速预测
DBN是基于概率生成模型的非监督深度学习方法，由多层受限波尔兹曼机组成，在其最后一层引入BP神经网络，将其转化为有监督训练，构成基于深度置信网络的预测模型；基于DBN的风速预测步骤如下：
步骤1：将样本划分为训练集Tr、测试集Ts、验证集Ce，每个集合均为k×l维矩阵，l代表各集合的样本个数；
步骤2：针对训练集样本Tr，用两个DBN分别训练高频分量集合HF与低频分量LF，如式(9)和式(10)所示：
Figure BDA0002409859160000054
Figure BDA0002409859160000055
其中，WL与WH分别代表风速信号低频分量与高频分量预测结果，DL、DH代表深度置信网络模型。T为正整数，t+T代表未来T小时，其风速预测值W(t+T)如式(11)所示：
W(t+T)＝WL(t+T)+WH(t+T) (11)
将该模型用于测试集Ts与验证集Ce得到风速预测结果。
(5)基于BP神经网络的风速-风电出力关系模型构建
利用BP神经网络拟合出训练集中的风速与风电出力关系模型，并将测试集与验证集中风速预测结果带入该模型得到风电出力预测结果；
(6)基于改进非参数估计的误差置信区间构建及区间预测
非参数估计是一种对先验知识要求最少，完全依靠训练数据进行估计，而且用于任意形状密度估计的方法，针对非标准分布数据，其概率密度函数拟合结果优于参数估计方法，核密度估计作为常用的非参数估计方法已广泛应用于置信区间估计，其公式如式(11)：
Figure BDA0002409859160000056
其中，P(x)代表样本集x的概率密度函数，N代表样本个数。K(x)为核函数，通常采用高斯核函数。xc代表第c个样本点的值，h代表窗口宽度。此处h的选择会影响到概率密度函数的平滑性与精度，h过小会造成概率密度函数的波动，h过大会导致估计精度下降，估计误差增大。因此，提出了一种基于NSGA-Ⅱ-KDE估计模型来对h的取值进行优化，考虑曲线平滑性，选取曲率平均值作为目标函数1，如式(12)；考虑概率密度函数的精度，选取基于直方图下的概率密度与基于核密度估计下的概率密度的平均误差作为目标函数2，如式(13)所示：
Figure BDA0002409859160000061
Figure BDA0002409859160000062
在式(12)中，R代表平均曲率，用来衡量曲线平滑程度，y代表基于直方图下的离散概率密度函数，P(x)代表基于非参数估计下的概率密度函数。式(13)中e代表两者的平均误差，用来衡量曲线精度，通过多目标优化算法获得的窗口宽度保证概率密度函数具有较高的平滑程度与精度；
结合式(11)、式(12)、式(13)与K-近邻估计，最终构成改进后的非参数估计形式如式(14)所示：
Figure BDA0002409859160000063
其中，m代表距xc最近的m个点，V在这里代表m个点组成集合的最大距离。则基于改进非参数估计的误差置信区间构建及区间预测步骤如下：
步骤1：求出测试集预测误差，并按风电预测值大小划分为M段，如式(15)所示：
Figure BDA0002409859160000064
其中，L和U分别为测试集风电出力点预测最小值和最大值，并构建集合{FM}，若某一时刻风电出力预测值位于第d(d∈{1,2,...,M})段区间中，则将其对应的预测误差添加到Fd中；
步骤2：基于NSGA-Ⅱ-KDE与K-近邻模型，构建各段风电预测误差集合的概率密度函数；
步骤3：按50％权重叠加上述两个模型组合为概率密度函数，并计算置信区间；
步骤4：找出验证集中每一风电出力预测值所对应式(15)中的区间段，将与其对应的置信区间叠加到点预测结果中得出区间预测结果。
图5为风电出力的短期区间预测结果，预测时长4个小时，其中(a)为基于极限学习机的区间预测模型(ELM-LUBE)，(b)为基于传统BP神经网络点预测模型结合改进前非参数估计的区间预测模型(BP-KDE)，(c)则是本发明方法。采用区间覆盖率(PredictionIntervals Coverage Probability,PICP)，区间平均宽度(Prediction IntervalsNormalized Average Width,PINAW)，区间分数(Interval Score，IS)衡量区间预测效果，PICP、PINAW、IS的定义分别如下：
Figure BDA0002409859160000071
Figure BDA0002409859160000072
Figure BDA0002409859160000073
其中，bi取值为0或1，当真实数据点位于预测区间内时，bi＝1，否则bi＝0；Hi与Li分别为区间预测上限与下限，W代表区间上下限差值的最大值，μ代表置信水平，ri代表i时刻风电出力实际值，采用方法a、方法b、本发明方法对比，取置信度95％下的区间预测结果如表1所示。
综合图表结果可以看出，本发明在区间覆盖率和区间平均宽度、区间分数上均优于其它区间预测方法。
表1 三种方法在95％置信度下区间预测结果对比
预测方法 PICP(％) PINAW(％) IS
BP-KDE 82.4 29.1 -12.84
ELM-LUBE 86.5 25.8 -15.61
本发明 99.5 17.8 -6.02

Claims (1)

1.一种风电出力短期区间预测方法，其特征在于，步骤如下：
(1)数据预处理
采集风电出力预测所需样本集，包括风速、风电出力、温度和气压，并做除噪、滤波和填补预处理；
(2)基于A-VMD的风速信号分解
考虑到能量损失与中心频率，提出了一种A-VMD模型；构建变分约束模型如式(1)所示
Figure FDA0002409859150000011
Figure FDA0002409859150000012
其中，ui(t)代表风速信号分解后的第i个模态分量，k为分解后的模态总数，t代表采样时刻，f(t)代表原始风速信号，vi代表第i个模态分量的中心频率，δ(t)为狄拉克分布，j为虚数单位；通过引入拉格朗日乘子将问题转化为无约束优化问题，求解该非约束问题的最优解ui(t)、vi如式(3)和式(4)所示：
Figure FDA0002409859150000013
Figure FDA0002409859150000014
其中，
Figure FDA0002409859150000015
为第i个模态分量的维纳滤波结果，其上标n+1代表迭代次数，采用傅里叶逆变换并取其实部即为ui(t)；
Figure FDA0002409859150000016
与
Figure FDA0002409859150000017
分别为原始信号f(t)和拉格朗日乘法算子的傅里叶变换，α表示二次惩罚因子，w代表频率；则基于A-VMD的信号分解步骤如下：
步骤1：初始化k、
Figure FDA0002409859150000018
和
Figure FDA0002409859150000019
令循环次数o＝0；
步骤2：根据式(3)、式(4)迭代计算
Figure FDA00024098591500000110
直到满足式(5)；
Figure FDA00024098591500000111
步骤3：判断式(5)是否成立，若成立则跳转到步骤5，否则跳转到步骤4；
Figure FDA00024098591500000112
其中，E代表信号分解前的总能量，Ei代表第i个模态分量的能量；
步骤4：令o＝o+1，跳转到步骤2；
步骤5：判断式(7)是否成立
Figure FDA00024098591500000113
其中，D(wk-wk-1)代表第k个模态分量的频率与第k-1个模态分量频率的差值，若式(7)成立，则去掉最后一层模态分量，保留前k-1层模态；否则算法结束；
(3)计及样本熵的信号频率划分
样本熵是一种衡量样本时间序列复杂性的方法，它对数据长度的依赖性较小，且具有更好的一致性，分解后的信号可能存在模态分量过多的现象，将分解后的信号按频率划分为高频与低频分量，以降低预测误差累积，其计算步骤如下：
步骤1：计算k个模态分量的样本熵Qi(i＝1,2,…,k)，及各模态分量样本熵的平均值
Figure FDA0002409859150000021
步骤2：遍历k个模态分量，直到第i个分量ui(t)满足式(8)
Figure FDA0002409859150000022
则停止遍历，并将该分量以及其后分量
Figure FDA0002409859150000023
划分到高频分量集合HF，将其他分量划分到低频分量集合LF；
(4)基于深度置信网络的风速预测
DBN是基于概率生成模型的非监督深度学习方法，由多层受限波尔兹曼机组成，在其最后一层引入BP神经网络，将其转化为有监督训练，构成基于深度置信网络的预测模型；基于DBN的风速预测步骤如下：
步骤1：将样本划分为训练集Tr、测试集Ts、验证集Ce，每个集合均为k×l维矩阵，l代表各集合的样本个数；
步骤2：针对训练集样本Tr，用两个DBN分别训练高频分量集合HF与低频分量LF，如式(9)和式(10)所示：
Figure FDA0002409859150000024
Figure FDA0002409859150000025
其中，WL与WH分别代表风速信号低频分量与高频分量预测结果，DL、DH代表深度置信网络模型；T为正整数，t+T代表未来T小时，其风速预测值W(t+T)如式(11)所示：
W(t+T)＝WL(t+T)+WH(t+T) (11)
将该模型用于测试集Ts与验证集Ce得到风速预测结果；
(5)基于BP神经网络的风速-风电出力关系模型构建
利用BP神经网络拟合出训练集中的风速与风电出力关系模型，并将测试集与验证集中风速预测结果带入该模型得到风电出力预测结果；
(6)基于改进非参数估计的误差置信区间构建及区间预测
非参数估计是一种对先验知识要求最少，完全依靠训练数据进行估计，而且用于任意形状密度估计的方法，针对非标准分布数据，其概率密度函数拟合结果优于参数估计方法，核密度估计作为常用的非参数估计方法已广泛应用于置信区间估计，其公式如式(11)：
Figure FDA0002409859150000031
其中，P(x)代表样本集x的概率密度函数，N代表样本个数；K(x)为核函数，采用高斯核函数；xc代表第c个样本点的值，h代表窗口宽度；此处h的选择会影响到概率密度函数的平滑性与精度，h过小会造成概率密度函数的波动，h过大会导致估计精度下降，估计误差增大；因此，提出了一种基于NSGA-Ⅱ-KDE估计模型来对h的取值进行优化，考虑曲线平滑性，选取曲率平均值作为目标函数1，如式(12)；考虑概率密度函数的精度，选取基于直方图下的概率密度与基于核密度估计下的概率密度的平均误差作为目标函数2，如式(13)所示：
Figure FDA0002409859150000032
Figure FDA0002409859150000033
在式(12)中，R代表平均曲率，用来衡量曲线平滑程度，y代表基于直方图下的离散概率密度函数，P(x)代表基于非参数估计下的概率密度函数；式(13)中e代表两者的平均误差，用来衡量曲线精度，通过多目标优化算法获得的窗口宽度保证概率密度函数具有较高的平滑程度与精度；
结合式(11)、式(12)、式(13)与K-近邻估计，最终构成改进后的非参数估计形式如式(14)所示：
Figure FDA0002409859150000034
其中，m代表距xc最近的m个点，V在这里代表m个点组成集合的最大距离；则基于改进非参数估计的误差置信区间构建及区间预测步骤如下：
步骤1：求出测试集预测误差，并按风电预测值大小划分为M段，如式(15)所示：
Figure FDA0002409859150000035
其中，L和U分别为测试集风电出力点预测最小值和最大值，并构建集合{FM}，若某一时刻风电出力预测值位于第d(d∈{1,2,...,M})段区间中，则将其对应的预测误差添加到Fd中；
步骤2：基于NSGA-Ⅱ-KDE与K-近邻模型，构建各段风电预测误差集合的概率密度函数；
步骤3：按50％权重叠加上述两个模型组合为概率密度函数，并计算置信区间；
步骤4：找出验证集中每一风电出力预测值所对应式(15)中的区间段，将与其对应的置信区间叠加到点预测结果中得出区间预测结果。
CN202010173041.6A 2020-03-13 2020-03-13 一种风电出力短期区间预测方法 Active CN111353652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010173041.6A CN111353652B (zh) 2020-03-13 2020-03-13 一种风电出力短期区间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010173041.6A CN111353652B (zh) 2020-03-13 2020-03-13 一种风电出力短期区间预测方法

Publications (2)

Publication Number Publication Date
CN111353652A true CN111353652A (zh) 2020-06-30
CN111353652B CN111353652B (zh) 2022-09-16

Family

ID=71196123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010173041.6A Active CN111353652B (zh) 2020-03-13 2020-03-13 一种风电出力短期区间预测方法

Country Status (1)

Country Link
CN (1) CN111353652B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914479A (zh) * 2020-07-03 2020-11-10 天津大学 一种用于大坝基岩的灌浆功率混合区间预测方法
CN112036607A (zh) * 2020-07-30 2020-12-04 南方电网科学研究院有限责任公司 基于出力水平的风电出力波动预测方法、装置及存储介质
CN112365033A (zh) * 2020-10-26 2021-02-12 中南大学 一种风电功率区间预测方法、系统及存储介质
CN113536685A (zh) * 2021-07-23 2021-10-22 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法
CN113572206A (zh) * 2021-07-26 2021-10-29 大连理工大学 一种风电出力区间预测方法
CN113592135A (zh) * 2021-06-16 2021-11-02 四川大学 一种基于prelm的短期风电功率区间预测方法
CN114595879A (zh) * 2022-03-03 2022-06-07 大连理工大学 一种基于特征粒序列lstm的类周期能源长期预测方法
CN114897245A (zh) * 2022-05-12 2022-08-12 国网湖北省电力有限公司电力科学研究院 一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法
CN115049024A (zh) * 2022-08-15 2022-09-13 国能日新科技股份有限公司 风速预测模型的训练方法、装置、电子设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242188A (zh) * 2018-09-12 2019-01-18 大连理工大学 一种钢铁煤气系统长期区间预测及其结构学习方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242188A (zh) * 2018-09-12 2019-01-18 大连理工大学 一种钢铁煤气系统长期区间预测及其结构学习方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张坤等: "基于ASD-KDE算法的超短期风电出力区间预测", 《宁夏电力》 *
杨锡运等: "基于粒子群优化的核极限学习机模型的风电功率区间预测方法", 《中国电机工程学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914479A (zh) * 2020-07-03 2020-11-10 天津大学 一种用于大坝基岩的灌浆功率混合区间预测方法
CN112036607A (zh) * 2020-07-30 2020-12-04 南方电网科学研究院有限责任公司 基于出力水平的风电出力波动预测方法、装置及存储介质
CN112365033A (zh) * 2020-10-26 2021-02-12 中南大学 一种风电功率区间预测方法、系统及存储介质
CN112365033B (zh) * 2020-10-26 2024-03-22 中南大学 一种风电功率区间预测方法、系统及存储介质
CN113592135A (zh) * 2021-06-16 2021-11-02 四川大学 一种基于prelm的短期风电功率区间预测方法
CN113536685B (zh) * 2021-07-23 2023-02-07 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法
CN113536685A (zh) * 2021-07-23 2021-10-22 河北工业大学 一种基于神经网络外推的风速概率模型的建模方法
CN113572206A (zh) * 2021-07-26 2021-10-29 大连理工大学 一种风电出力区间预测方法
CN113572206B (zh) * 2021-07-26 2022-06-14 大连理工大学 一种风电出力区间预测方法
CN114595879A (zh) * 2022-03-03 2022-06-07 大连理工大学 一种基于特征粒序列lstm的类周期能源长期预测方法
CN114595879B (zh) * 2022-03-03 2022-09-06 大连理工大学 一种基于特征粒序列lstm的类周期能源长期预测方法
CN114897245A (zh) * 2022-05-12 2022-08-12 国网湖北省电力有限公司电力科学研究院 一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法
CN114897245B (zh) * 2022-05-12 2024-05-28 国网湖北省电力有限公司电力科学研究院 一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法
CN115049024A (zh) * 2022-08-15 2022-09-13 国能日新科技股份有限公司 风速预测模型的训练方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111353652B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN111353652B (zh) 一种风电出力短期区间预测方法
CN113572206B (zh) 一种风电出力区间预测方法
He et al. A hybrid system for short-term wind speed forecasting
CN106875033B (zh) 一种基于动态自适应的风电集群功率预测方法
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
Xu et al. Natural phase space reconstruction-based broad learning system for short-term wind speed prediction: Case studies of an offshore wind farm
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
CN101871948B (zh) 风电场风速预测系统及方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
CN104036328A (zh) 自适应风电功率预测系统及预测方法
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
Zhang et al. A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction
Xiyun et al. Wind power probability interval prediction based on bootstrap quantile regression method
CN114021830A (zh) 一种基于cnn-lstm的多时间范围风速预测方法
CN107358059A (zh) 短期光伏能量预测方法和装置
Chen et al. Improved progressive optimality algorithm and its application to determination of optimal release trajectory of long-term power generation operation of cascade reservoirs
CN116865343B (zh) 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN113659631A (zh) 考虑时变特性的风光电站群出力描述方法
CN116885691B (zh) 一种风电功率爬坡事件间接预测方法
CN116454875A (zh) 基于集群划分的区域风电场中期功率概率预测方法及系统
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
CN109872248A (zh) 一种风电场集群出力计算方法及系统
Buccafusca et al. Maximizing power in wind turbine arrays with variable wind dynamics

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