CN111626476A - 一种风电场风力发电量预测方法 - Google Patents
一种风电场风力发电量预测方法 Download PDFInfo
- Publication number
- CN111626476A CN111626476A CN202010325962.XA CN202010325962A CN111626476A CN 111626476 A CN111626476 A CN 111626476A CN 202010325962 A CN202010325962 A CN 202010325962A CN 111626476 A CN111626476 A CN 111626476A
- Authority
- CN
- China
- Prior art keywords
- model
- wind power
- gray
- power generation
- sequence
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012937 correction Methods 0.000 claims abstract description 57
- 238000009825 accumulation Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000002087 whitening effect Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000000844 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及一种风电场风力发电量预测方法。
背景技术
风力发电是一种再生能源,其在发电过程中能够有效节省标煤并减少二氧化硫、二氧化碳和氮氧化物等气体排放量。开展风力发电量的短期预测对于电力系统调度人员制定发电计划、安排备用容量、增加系统运行的可靠性、减少对系统稳定性的影响以及规划电力系统的发展和计划检修安排等有着十分重要的意义。
常见的风力发电量预测方法包括灰色预测、神经网络、支持向量机、自回归滑动平均模型等。而风电场风力发电量不仅受天气因素影响大,还与风电场设备运行、调度管理等因素有关。风力发电量时间序列数值波动范围大,建模和预测相对较为困难,现有预测方法的准确性不够高。其中,灰色GM(1,1)模型在小样本数据预测方面取得了一定的成果,但是现有的基于灰色GM(1,1)模型的风力发电量预测方法在数据点较少时直接通过差分代替微分,带来了较大的误差,降低了预测精度。
发明内容
针对现有技术存在的问题,本发明提供一种风电场风力发电量预测方法,能够提高风力发电量预测的精度。
本发明的技术方案为:
一种风电场风力发电量预测方法,其特征在于,包括下述步骤:
步骤1:采集风电场风力发电量历史数据和当日数据,得到风力发电量采集序列 x(0)=(x(0)(1),x(0)(2),…,x(0)(i),…,x(0)(n-1),x(0)(n));其中,n为风力发电量采集序列中的数据点总数,x(0)(i)为数据采集时间段内第i日的风力发电量,第n日为当日;
步骤2:计算风力发电量采集序列x(0)的k阶累加生成序列为 x(1)=(x(1)(1),x(1)(2),…,x(1)(i),...,x(1)(n-1),x(1)(n));其中,k为分数阶累加阶次,Γ()为Gamma函数;
步骤3:基于灰色GM(1,1)模型对生成序列x(1)进行建模,并结合曲线拟合法与最小二乘法求解灰色GM(1,1)模型的参数:
步骤3.2:利用曲线拟合法构建生成序列x(1)的拟合模型为S(i),利用最小二乘法将拟合模型S(i)转换为误差平方和极小值模型:求解所述误差平方和极小值模型得到S(i)的各未知参数;其中,Q为拟合模型的误差平方和;
S'(i)+ax(1)(i)=b i=1,2,...,n
写成矩阵形式为
利用最小二乘法得到[a b]T=(BTB)-1BTY
步骤4:建立基于误差修正的灰色GM(1,1)模型,并利用优化算法求解基于误差修正的灰色GM(1,1)模型的参数:
步骤4.1:建立基于误差修正的灰色GM(1,1)模型为
x(1)(i+1)=βx(1)(i)+αe(i)+λ,i=1,2,…,n-1
对基于误差修正的灰色GM(1,1)模型进行分解,得到分解形式的基于误差修正的灰色 GM(1,1)模型为
x(1)(i+1)=β1x(1)(i)+β2+α1e(i)+α2,i=1,2,…,n-1,
其中,e(1)=0,e(2)=0,α1、α2均为误差修正系数,β1、β2均为灰色GM(1,1)模型的系数;
步骤4.2:求解参数β1、β2:将离散灰色GM(1,1)模型表示为
x(1)(i+1)=β1x(1)(i)+β2,i=1,2,…,n
通过迭代计算得到
步骤4.3:利用优化算法求解参数α1、α2;
进一步的,所述步骤2中,k=1.2。
进一步的,所述步骤3.2包括下述步骤:
步骤3.2.1:利用多项式拟合法构建k阶累加生成序列x(1)的拟合模型为 S(i)=s0+s1i+s2i2+...+smim;其中,m为多项式函数S(i)的次数,m<n,s0、s1、s2、...、sm均为多项式拟合系数;
步骤3.2.2:利用最小二乘法将拟合模型S(i)转换为误差平方和极小值模型:
步骤3.2.3:求解所述误差平方和极小值模型,得到s0、s1、s2、...、sm的值。
进一步的,所述步骤4.3具体包括:利用遗传算法对分解形式的基于误差修正的灰色 GM(1,1)模型进行优化求解,得到误差修正系数α1、α2的最优值;其中,误差修正系数α1、α2的区间范围均设置为[-5,5],优化过程最大迭代次数为M代,适应度函数为
本发明的有益效果为:
本发明基于灰色GM(1,1)模型对生成序列x(1)进行建模,并结合曲线拟合法与最小二乘法求解灰色GM(1,1)模型的参数,在此基础上建立基于误差修正的灰色GM(1,1)模型,并利用优化算法求解基于误差修正的灰色GM(1,1)模型的参数来进行风力发电量预测,提高了利用小样本预测风力发电量的精度。
附图说明
图1为本发明的风电场风力发电量预测方法的流程图。
图2为具体实施方式中风力发电量采集序列的曲线示意图。
图3为具体实施方式中风力发电量生成序列的曲线示意图。
图4为具体实施方式中风力发电量多项式拟合的曲线示意图。
图5为具体实施方式中基于误差修正的灰色GM(1,1)模型对风力发电量采集序列拟合得到的拟合序列的曲线示意图。
图6为具体实施方式中基于误差修正的灰色GM(1,1)模型对风力发电量采集序列拟合的相对误差绝对值的曲线示意图。
图7为具体实施方式中仅采用1.2阶累加生成算法和采用1.2阶累加算法结合多项式拟合算法的灰色GM(1,1)模型对风力发电量采集序列拟合得到的拟合序列的曲线示意图。
图8为具体实施方式中仅采用1.2阶累加生成算法和采用1.2阶累加算法结合多项式拟合算法的灰色GM(1,1)模型对风力发电量采集序列拟合的相对误差绝对值的曲线示意图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
如图1所示,本发明的风电场风力发电量预测方法,包括下述步骤:
步骤1:采集风电场风力发电量历史数据和当日数据,得到风力发电量采集序列 x(0)=(x(0)(1),x(0)(2),...,x(0)(i),...,x(0)(n-1),x(0)(n));其中,n为风力发电量采集序列中的数据点总数,x(0)(i)为数据采集时间段内第i日的风力发电量, (x(0)(1),x(0)(2),...,x(0)(i),...,x(0)(n-1))为风力发电量历史数据,第n日为当日。
本实施例中,采集辽宁省某风电场2019年某月共计10日的风力发电量数据,即获得风力发电量采集序列x(0)=(x(0)(1),x(0)(2),...,x(0)(i),...,x(0)(10)),具体如图2所示。
步骤2:计算风力发电量采集序列x(0)的k阶累加生成序列为 x(1)=(x(1)(1),x(1)(2),...,x(1)(i),…,x(1)(n-1),x(1)(n))。
由于风力的不可控性,通常风力发电量采集序列x(0)的数值波动变化大。通常情况下,生成序列要具有较好的光滑性,因而需要对风力发电量采集序列x(0)进行累加变换,对x(0)分别进行一阶和1.2阶累加生成变换,相应的风力发电量生成序列如图3所示。相比较而言,一阶累加生成序列的光滑性不如1.2阶累加生成序列,因而本实施例中,对风力发电量采集序列x(0)进行1.2阶累加生成变换,获得风力发电量的1.2阶累加生成序列。
步骤3:基于灰色GM(1,1)模型对生成序列x(1)进行建模,并结合曲线拟合法与最小二乘法求解灰色GM(1,1)模型的参数:
步骤3.2:利用曲线拟合法构建生成序列x(1)的拟合模型为S(i),利用最小二乘法将拟合模型S(i)转换为误差平方和极小值模型:求解所述误差平方和极小值模型得到S(i)的各未知参数;其中,Q为拟合模型的误差平方和。
S'(i)+ax(1)(i)=b i=1,2,…,n
写成矩阵形式为
利用最小二乘法得到[a b]T=(BTB)-1BTY
x(1)(i+1)-x(1)(i)+ax(1)(i+1)=b
上式称为灰色GM(1,1)模型的原始形式。
最小二乘法是一种通过误差的平方和最小化寻找数据的最佳函数匹配的方法。利用最小二乘法求得灰色GM(1,1)模型的原始形式中参数a和b,形式为:
[a b]T=(BTB)-1BTY
此外,灰色GM(1,1)模型的基本形式可以表示为
x(1)(i+1)-x(1)(i)+az(1)(i+1)=b
利用最小二乘法求得灰色GM(1,1)模型的基本形式中参数a和b:
[a b]T=(BTB)-1BTY
在白化微分方程的离散化过程中,当风力发电量的生成序列x(1)数据点个数n较少时,直接通过差分代替微分容易带来较大误差。本发明考虑邻近多个数据之间的非线性关系,在灰色GM(1,1)模型基础上,采用曲线拟合并求导代替白化微分方程中的微分项,通过拟合关系式S(i)求解微分项也即采用x(1)(i)的连续关系即利用拟合函数S(i)求解曲线拟合法可以为多项式拟合、指数拟合及非线性最小二乘拟合等。本实施例中,采用多项式拟合法,具体包括下述步骤:
步骤3.2.1:利用多项式拟合法构建k阶累加生成序列x(1)的拟合模型为 S(i)=s0+s1i+s2i2+…+smim;其中,m为多项式函数S(i)的次数,m<n,s0、s1、s2、…、sm均为多项式拟合系数;
步骤3.2.2:利用最小二乘法将拟合模型S(i)转换为误差平方和极小值模型:
步骤3.2.3:求解所述误差平方和极小值模型,得到s0、s1、s2、...、sm的值。
本实施例中,m=4,S(i)=s0+s1i+s2i2+smi3+smi4,通过求解,得到各多项式拟合系数分别为s4=0.1659,s3=-3.6102,s2=28.5288,s1=-37.8166,s0=65.0441,得到的拟合曲线如图4所示。
因而,白化微分方程的离散形式为
s1+2s2i+3s3i2+4s4i3+ax(1)(i)=b i=1,2,...,n
写成矩阵形式为
利用最小二乘法得到[a b]T=(BTB)-1BTY
本实施例中,分别直接使用最小二乘法以及使用本发明的结合曲线拟合法与最小二乘法的方法求解灰色GM(1,1)模型的参数,二者结果如表1所示。
表1
步骤4:建立基于误差修正的灰色GM(1,1)模型,并利用优化算法求解基于误差修正的灰色GM(1,1)模型的参数:
步骤4.1:建立基于误差修正的灰色GM(1,1)模型为
x(1)(i+1)=βx(1)(i)+αe(i)+λ,i=1,2,…,n-1
对基于误差修正的灰色GM(1,1)模型进行分解,得到分解形式的基于误差修正的灰色 GM(1,1)模型为
x(1)(i+1)=β1x(1)(i)+β2+α1e(i)+α2,i=1,2,…,n-1,
其中,e(1)=0,e(2)=0,α1、α2均为误差修正系数,β1、β2均为灰色GM(1,1)模型的系数。
步骤4.2:求解参数β1、β2:将离散灰色GM(1,1)模型(也称作DGM(1,1))表示为
x(1)(i+1)=β1x(1)(i)+β2,i=1,2,…,n
通过迭代计算得到
其中,对e-a根据麦克劳林级数展开,得到
当a的数值足够小时,高次项可以忽略。
步骤4.3:利用优化算法求解参数α1、α2:
本发明先确定参数β1,β2是为了简化求解过程,提高优化参数的能力和效率。本实施例中,利用遗传算法对分解形式的基于误差修正的灰色GM(1,1)模型进行优化求解,得到误差修正系数α1、α2的最优值;其中,误差修正系数α1、α2的区间范围均设置为[-5,5],优化过程最大迭代次数为M=1000代,适应度函数为 可以通过的累减运算得到。利用优化算法得到的结果为α1=0.9257,α2=3.3580,fmin=11.9862%。
在误差修正过程中,以往误差修正模型和灰色模型的建模过程是独立的。以往误差修正模型需要先利用灰色GM(1,1)模型求解风力发电量生成序列x(1)的拟合值再对进行建模和预测,从而对进行修正。即以往误差修正模型中为基于灰色GM(1,1)模型得到风力发电量生成序列x(1)中x(1)(i)的拟合值。而本发明中 为基于误差修正的灰色 GM(1,1)模型得到生成序列x(1)中x(1)(i)的拟合值。可以看到,本发明中误差修正过程和建模过程是同时进行的,误差修正项和模型求解迭代在同一模型方程中。
本实施例中,风力发电量采集序列的拟合值、风力发电量采集序列拟合的相对误差绝对值分别如图5、图6所示。为了验证本发明的有效性,将本发明与另外两种方法包括仅采用 1.2阶累加生成算法的灰色GM(1,1)模型x(1)(i+1)-x(1)(i)+az(1)(i+1)=b、采用1.2阶累加算法结合多项式拟合算法的灰色GM(1,1)模型的实验结果进行对比。另外两种方法下风力发电量采集序列的拟合值、风力发电量采集序列拟合的相对误差绝对值分别如图7、图8所示。本申请与另外两种方法的风力发电量采集序列拟合的相对误差绝对值如表2所示。表2中,平均相对误差绝对值。
其中,拟合的相对误差绝对值Δ的定义为
结合图6和图8以及表2可以看出,相比仅采用1.2阶累加生成算法的灰色GM(1,1)模型和采用1.2阶累加算法结合多项式拟合算法的灰色GM(1,1)模型,本发明的基于误差修正的灰色GM(1,1)模型对风力发电量采集序列拟合的相对误差较小,大大提高了拟合精度。
表2
本实施例中,仅采用1.2阶累加生成算法的灰色GM(1,1)模型、采用1.2阶累加算法结合多项式拟合算法的灰色GM(1,1)模型、本发明的基于误差修正的灰色GM(1,1)模型计算得到的未来一天风力发电量的预测值和预测相对误差绝对值如表3所示。
表3
由表3可以看出,相比仅采用1.2阶累加生成算法的灰色GM(1,1)模型和采用1.2阶累加算法结合多项式拟合算法的灰色GM(1,1)模型,本发明的基于误差修正的灰色GM(1,1)模型对未来一天风力发电量的预测误差较小。
本发明基于灰色GM(1,1)模型对生成序列x(1)进行建模,利用曲线拟合并求导代替白化微分方程中的微分项,并结合最小二乘法求解灰色GM(1,1)模型的参数,在此基础上建立基于误差修正的灰色GM(1,1)模型,并利用优化算法求解基于误差修正的灰色GM(1,1)模型的参数来进行风力发电量预测,误差修正过程和拟合建模过程同时进行,建模更为合理,可靠性更高,大大提高了风力发电量预测的精度。本发明能够有效提高灰色GM(1,1)模型在波动变化大的小样本时间序列中建模和预测的能力,能够应用于电力负荷的建模、分析和预测,尤其适用于其它小样本时间序列的建模、分析和预测问题,能够为风电场风力管理、电力调度提供决策支持、降低运行和维护成本,最大限度地利用风力发电、提高电网稳定性和风力发电站运营管理效率。
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (4)
1.一种风电场风力发电量预测方法,其特征在于,包括下述步骤:
步骤1:采集风电场风力发电量历史数据和当日数据,得到风力发电量采集序列x(0)=(x(0)(1),x(0)(2),...,x(0)(i),...,x(0)(n-1),x(0)(n));其中,n为风力发电量采集序列中的数据点总数,x(0)(i)为数据采集时间段内第i日的风力发电量,第n日为当日;
步骤2:计算风力发电量采集序列x(0)的k阶累加生成序列为x(1)=(x(1)(1),x(1)(2),...,x(1)(i),...,x(1)(n-1),x(1)(n));其中,k为分数阶累加阶次,Γ()为Gamma函数;
步骤3:基于灰色GM(1,1)模型对生成序列x(1)进行建模,并结合曲线拟合法与最小二乘法求解灰色GM(1,1)模型的参数:
步骤3.2:利用曲线拟合法构建生成序列x(1)的拟合模型为S(i),利用最小二乘法将拟合模型S(i)转换为误差平方和极小值模型:求解所述误差平方和极小值模型得到S(i)的各未知参数;其中,Q为拟合模型的误差平方和;
S'(i)+ax(1)(i)=b i=1,2,...,n
写成矩阵形式为
利用最小二乘法得到[a b]T=(BTB)-1BTY
步骤4:建立基于误差修正的灰色GM(1,1)模型,并利用优化算法求解基于误差修正的灰色GM(1,1)模型的参数:
步骤4.1:建立基于误差修正的灰色GM(1,1)模型为
x(1)(i+1)=βx(1)(i)+αe(i)+λ,i=1,2,…,n-1
对基于误差修正的灰色GM(1,1)模型进行分解,得到分解形式的基于误差修正的灰色GM(1,1)模型为
x(1)(i+1)=β1x(1)(i)+β2+α1e(i)+α2,i=1,2,…,n-1,
其中,e(1)=0,e(2)=0,α1、α2均为误差修正系数,β1、β2均为灰色GM(1,1)模型的系数;
步骤4.2:求解参数β1、β2:将离散灰色GM(1,1)模型表示为
x(1)(i+1)=β1x(1)(i)+β2,i=1,2,…,n
通过迭代计算得到
步骤4.3:利用优化算法求解参数α1、α2;
2.根据权利要求1所述的风电场风力发电量预测方法,其特征在于,所述步骤2中,k=1.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010325962.XA CN111626476B (zh) | 2020-04-23 | 2020-04-23 | 一种风电场风力发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010325962.XA CN111626476B (zh) | 2020-04-23 | 2020-04-23 | 一种风电场风力发电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626476A true CN111626476A (zh) | 2020-09-04 |
CN111626476B CN111626476B (zh) | 2023-04-07 |
Family
ID=72271641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010325962.XA Active CN111626476B (zh) | 2020-04-23 | 2020-04-23 | 一种风电场风力发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626476B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798738A (zh) * | 2020-12-28 | 2021-05-14 | 汉威科技集团股份有限公司 | 基于传感器特性曲线的响应模型及浓度补偿方法 |
CN114881379A (zh) * | 2022-07-12 | 2022-08-09 | 东方电气风电股份有限公司 | 风电场应发电量估测方法、装置、设备及存储介质 |
CN115660228A (zh) * | 2022-12-14 | 2023-01-31 | 湖南能源大数据中心有限责任公司 | 发电负荷预测模型训练方法、预测方法、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187510A1 (en) * | 2008-01-22 | 2009-07-23 | Kung-Hsiung Chang | Calculating Method for Systematic Risk |
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN105631550A (zh) * | 2015-12-29 | 2016-06-01 | 吉林大学 | 一种短时风电功率的组合预测方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm(1,1)模型变压器故障预测方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
CN109558981A (zh) * | 2018-12-03 | 2019-04-02 | 渤海大学 | 一种核电负荷的预测方法 |
-
2020
- 2020-04-23 CN CN202010325962.XA patent/CN111626476B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090187510A1 (en) * | 2008-01-22 | 2009-07-23 | Kung-Hsiung Chang | Calculating Method for Systematic Risk |
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN105631550A (zh) * | 2015-12-29 | 2016-06-01 | 吉林大学 | 一种短时风电功率的组合预测方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN107203690A (zh) * | 2017-04-21 | 2017-09-26 | 南京理工大学 | 一种gm(1,1)模型变压器故障预测方法 |
CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 |
CN109558981A (zh) * | 2018-12-03 | 2019-04-02 | 渤海大学 | 一种核电负荷的预测方法 |
Non-Patent Citations (1)
Title |
---|
孟伟等: "基于互逆分数阶算子的离散灰色模型及阶数优化", 《控制与决策》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112798738A (zh) * | 2020-12-28 | 2021-05-14 | 汉威科技集团股份有限公司 | 基于传感器特性曲线的响应模型及浓度补偿方法 |
CN114881379A (zh) * | 2022-07-12 | 2022-08-09 | 东方电气风电股份有限公司 | 风电场应发电量估测方法、装置、设备及存储介质 |
CN114881379B (zh) * | 2022-07-12 | 2022-10-14 | 东方电气风电股份有限公司 | 风电场应发电量估测方法、装置、设备及存储介质 |
CN115660228A (zh) * | 2022-12-14 | 2023-01-31 | 湖南能源大数据中心有限责任公司 | 发电负荷预测模型训练方法、预测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111626476B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626476B (zh) | 一种风电场风力发电量预测方法 | |
CN110045606B (zh) | 一种用于分布式参数系统在线建模的增量时空学习方法 | |
CN111222707B (zh) | 一种基于时间序列突变误差校正的风速预测方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN108062598A (zh) | 一种多情景下的新态势负荷潜力预测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN111340305A (zh) | 一种建筑运行能耗预测方法 | |
CN110807490A (zh) | 一种基于单基塔的输电线路工程造价智能预测方法 | |
CN115081597A (zh) | 一种基于机器学习的以电核碳方法、系统、设备和介质 | |
CN110874802A (zh) | 一种基于arma和svm模型组合的用电量预测方法 | |
Ding et al. | Forecast of pv power generation based on residual correction of markov chain | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN112949918A (zh) | 基于dgm-rnn的日前光伏功率预测方法及系统 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN116050579A (zh) | 基于深度特征融合网络的建筑能耗预测方法及系统 | |
CN113095951B (zh) | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 | |
CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
Yuan et al. | A novel hybrid short-term wind power prediction framework based on singular spectrum analysis and deep belief network utilized improved adaptive genetic algorithm | |
CN113723693A (zh) | 多因素模糊时间序列算法对设备指标进行预测的方法 | |
CN112926653A (zh) | 基于小时级天气类型校正的光伏功率短期预测方法及系统 | |
CN112508239A (zh) | 一种基于vae-cgan的储能出力预测方法 | |
Qiu et al. | Short term photovoltaic power generation prediction model based on improved GA-LSTM neural network | |
CN110751342B (zh) | 基于mbg优化的电力负荷时间序列预测方法 | |
CN114675349B (zh) | 数值模式产品分段式订正预报方法及系统 | |
CN116776935B (zh) | 一种基于改进micn的光伏功率预测方法 |
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 |