CN111815039A - 基于天气分类的周尺度风电功率概率预测方法及系统 - Google Patents
基于天气分类的周尺度风电功率概率预测方法及系统 Download PDFInfo
- Publication number
- CN111815039A CN111815039A CN202010597420.8A CN202010597420A CN111815039A CN 111815039 A CN111815039 A CN 111815039A CN 202010597420 A CN202010597420 A CN 202010597420A CN 111815039 A CN111815039 A CN 111815039A
- Authority
- CN
- China
- Prior art keywords
- weather
- wind power
- prediction
- classification
- probability prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000003442 weekly effect Effects 0.000 title claims description 22
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 239000002245 particle Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000010248 power generation Methods 0.000 abstract description 6
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 238000005457 optimization Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 108090000672 Annexin A5 Proteins 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于天气分类的周尺度风电功率概率预测方法及系统,采集风电场运行和数值天气预报数据,基于历史数值天气预报数据形成日气象特征向量,并进行天气类型的聚类;在每一种天气类型下建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型;根据实时风电场数值天气预报数据,形成预测样本的日气象特征向量,将预测样本归为相应的天气类型,并利用其所属天气类型对应的组合概率预测模型进行风电功率预测,输出预测值;本公开能够提高风电功率预测精度,并延长风电功率预测时长,进而为风电场检修排程或者水火电系统发电计划制定等提供有用信息。
Description
技术领域
本公开属于新能源发电过程中风电功率预测技术领域,具体涉及一种基于天气分类的周尺度风电功率概率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着经济的快速发展,传统的化石能源已经无法满足人类的需求,新能源逐渐代替传统的化石能源成为社会未来能源的基石,其中风能具有无污染、可再生、资源广泛等优点被许多国家大力开发应用,风能发电功率的准确预测对电网调度的计划安排具有重要意义,但是风电输出功率具有随机性、波动性,其大规模接入电网会给电力系统安全运行带来严重威胁,因此提高风电功率预测精度变得至关重要。
根据预测的时间尺度分类,风电场输出功率预测方法可以分为超短期、短期以及中长期预测,其中短期风电功率预测主要预测未来几小时到几天的风电功率。短期风电功率预测具有重要意义,在进行经济调度时,基于短期风电功率预测曲线对常规机组的出力进行优化,可以提高风电的消纳能力、进一步降低电网的运行成本;根据风电场短期输出功率的变化规律可以提高电力系统的安全性和可控性;在含有风电的电力市场中,基于风电场短期输出功率预测结果,电网侧可以通过优化决策保证电力系统的安全经济运行。
发明人发现,目前国内外短期风电功率预测研究大多预测风电场未来几小时或者三天的风电功率概率分布,但是我国电源以燃煤火电为主,调节灵活度不足,机组的启停周期一般为5-7天,当前风电功率预测的时间尺度与火电的启停周期不相匹配,难以指导风电功率有效纳入机组的启停机计划。其次,随着我国早期投运风电机组运行时长的增加,风电场运维检修压力增大,无序的检修停运将造成风电场营运收益的显著降低,影响风电产业的健康发展。所以有效的周尺度风电功率预测,对于优化风电场运维检修排程、提高风电利用率起到重要的指导作用。
而且,目前的研究方法并未考虑到数值天气预报在不同的天气类型下具有不同的预测能力,而是对不同的天气类型进行集中训练,这种采用统一模型进行预测的方法很难准确预测不同天气状态下的风电功率。
发明内容
本公开为了解决上述问题,提出了一种基于天气分类的周尺度风电功率概率预测方法及系统,本公开能够提高风电功率预测精度,并延长风电功率预测时长,进而为风电场检修排程或者水火电系统发电计划制定等提供有用信息。
根据一些实施例,本公开采用如下技术方案:
一种基于天气分类的周尺度风电功率概率预测方法,包括以下步骤:
采集风电场运行和数值天气预报数据,基于历史数值天气预报数据形成日气象特征向量,并进行天气类型的聚类;
在每一种天气类型下建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型;
根据实时风电场数值天气预报数据,形成预测样本的日气象特征向量,将预测样本归为相应的天气类型,并利用其所属天气类型对应的组合概率预测模型进行风电功率预测,输出预测值。
作为可能的一些实现方式,所述风电场运行和历史数值天气预报数据包括但不限于风电场的发电功率、风向、风速、温度、湿度和气压等。
作为可能的一些实现方式,采用基于减法聚类的GK模糊聚类算法实现天气类型的分类。
作为进一步的限定,基于历史数值天气预报数据,提取每天不同设定时刻的气象信息来构造日气象特征向量X,并对X进行归一化处理得到处理后的日气象特征向量X’,基于X’利用基于减法聚类的GK模糊聚类算法得到最优天气类型数。
作为可能的一些实现方式,在获得每一种天气类型所对应的组合概率预测模型时,在每一种天气类型下分别训练稀疏贝叶斯、核密度估计以及贝塔分贝三个子模型,然后利用粒子群算法以连续排名概率得分最小为目标为每个子模型分配相应权重,进而获得每一种天气类型对应的组合概率预测模型。
作为可能的一些实现方式,在对预测样本进行预测时,首先基于预测样本的数值天气预报,提取预测样本不同设定时刻的气象信息来构造预测样本的日气象特征向量,然后利用高斯指标法计算预测样本与各天气样本集的相似度,把预测样本归为相似度最高的天气类型样本集里面,并由此天气类型对应的组合概率预测模型进行预测。
作为可能的一些实现方式,将预测样本归为相应的天气类型时,利用高斯指标法把预测样本归为相似度最高的天气类型样本集。
一种基于天气分类的周尺度风电功率概率预测系统,包括:
数据采集模块,被配置为采集风电场运行和数值天气预报数据;
聚类模块,被配置为基于历史数值天气预报数据形成日气象特征向量,并进行天气类型的聚类;
模型构建模块,被配置为在每一种天气类型下建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型;
预测模块,被配置为根据实时风电场数值天气预报数据,形成预测样本的日气象特征向量,将预测样本归为相应的天气类型,并利用其所属天气类型对应的组合概率预测模型进行风电功率预测,输出预测值。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于天气分类的周尺度风电功率概率预测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于天气分类的周尺度风电功率概率预测方法。
与现有技术相比,本公开的有益效果为:
1、本公开充分考虑数值天气预报的预报特性,基于数值天气预报把天气划分为几种典型天气类型,并且在每一种天气类型下训练此天气类型对应的组合概率预测模型,该方法采用天气分类的思想提高了风电功率预测精度,避免了目前风电功率预测研究对不同天气类型进行模型集中训练并采用统一模型进行预测的缺点。
2、本公开选用基于减法聚类的GK模糊聚类算法实现天气类型的自动化分,首先通过减法聚类找到聚类数目的上限,然后采用聚类有效性函数确定合理的聚类类别,实现对天气样本的自动分类,该方法避免了人为主观确定聚类数的缺点,不仅避免陷入局部最优聚类数而且可以提高聚类速度。
3、本公开在每一种天气类型下分别训练综合参数以及非参数预测模型优势的组合概率预测模型,该方法避免了单一预测模型在某些测量点处预测误差较大的缺点,提高了风电功率预测精度。
4、本公开利用高斯指标法计算预测样本与各天气样本集的相似度,此方法利用高斯转换代替传统的欧氏距离,提高了预测样本归类的可靠性。
5、本公开采用天气分类的方法延长了短期风电功率预测时长至一周,为水火电系统发电计划制定等提供更多有用信息,对于优化风电场运维检修排程、提高风电利用率起到重要的指导作用。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1所述的基于天气分类的周尺度风电功率概率预测方法流程图。
图2为本公开实施例1所述的组合概率预测模型流程图。
图3为本公开实施例1所述的粒子群算法的流程图。
图4为本公开实施例1所述的各预测模型可靠性比较。
图5为本公开实施例1所述的各预测模型敏锐性比较。
图6为本公开实施例1所述的基于天气分类的周尺度风电功率概率预测结果。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1:
如图1所示,本公开实施例1提供了一种基于天气分类的周尺度风电功率概率预测方法,步骤如下:
采集风电场运行和数值天气预报数据,基于历史数值天气预报形成日气象特征向量,并采用基于减法聚类的GK模糊聚类算法实现天气类型的自动划分。
基于贝叶斯模型平均,在每一种天气类型下建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型。
实时采集风电场的数值天气预报数据形成预测样本日气象特征向量,采用高斯指标法计算预测样本与各天气样本集的相似度,把预测样本归为相似度最高的天气类型,并利用其所属天气类型对应的组合概率预测模型进行风电功率预测。
本实施例充分考虑数值天气预报(NWP)在不同天气类型下具有不同的预报能力,提出了一种基于天气分类的周尺度风电功率概率预测方法,该方法采用基于减法聚类的GK模糊聚类算法将天气划分为几种典型天气类型,并且在每一种天气类型下训练其对应的组合概率预测模型,然后利用高斯指标法把预测样本归为相似度最高的天气样本集,并利用此天气类型对应的组合概率预测模型进行预测,该方法采用天气分类的思想提高了风电功率预测精度,并且延长了风电功率预测时长,为风电场检修排程或者水火电系统发电计划制定等所需的周尺度风电功率预测提供了一种具体的解决方案。
详细方法如下:
(1)数据预处理
天气类型需要通过时间断面的信息来确定,因此为了确定某一天的天气类型,则以每日的NWP数据为基础,提取每天北京时间00:00、04:00、08:00、12:00、16:00、20:00以及24:00共7个时刻的风速v、风向u等气象信息来构造日气象特征向量X:
为了方便数据的后续处理以及提高收敛速度,对样本集X进行归一化处理,得到数据处理后的气象特征向量X’为:
其中,n为聚类样本包括的天数,s为气象特征向量包含的元素个数。
(2)天气种类分类
模糊聚类技术广泛应用于大数据挖掘、分析以及图像处理等领域,具有重要的理论与实际应用价值,本公开利用聚类的思想实现天气类型的划分,在模糊聚类算法中GK算法是目前应用较为广泛的算法之一,但是此算法必须人为给定其聚类个数,而此主观确定的聚类数并不一定符合数据集自身的特点,所以此算法调节能力差,容易陷入局部最优,因此基于已处理的样本集的气象特征向量X’,本公开首先通过减法聚类找到聚类数目的上限,然后采用聚类有效性函数确定合理的聚类类别,实现对天气样本的自动分类,此方法不仅可以避免陷入局部最优而且可以提高聚类速度。
本公开采用基于减法聚类的GK聚类算法进行天气分类,此算法的应用步骤如下:
1)基于数据处理后的样本集的气象特征向量X’,利用减法聚类得到聚类上限cmax;
2)初始化模糊划分矩阵Uini_c,通过GK聚类算法求出理想的划分矩阵Uc,并求出Uc对应的聚类有效性函数vFP(U;c);
3)满足有效性评判条件的聚类类别数c*和模糊划分矩阵U*即为最优有效聚类,其中c*即为天气类型数,对于模糊划分矩阵U*,若其第j列中Uij *(i=1,2,...,c*;j=1,2,...,n)最大,则样本j属于第i种天气类型,以此类推可以获得每种天气对应的样本集合Qi(i=1,2,...,c*);
4)获取每个天气集合的中心oij(i=1,2,...,c*;j=1,2,...,n),最后求出c*个天气类型的的模式向量cent。
其中,qi为第i类天气所含样本数,s为模式向量个数。
其中,c*为天气类型数,s为模式向量个数。
(3)组合预测模型
组合模型预测方法是对多种预测模型进行加权组合的一种方法,其可以充分利用各子模型所提供的信息,实现多种预测模型的优势互补,有效克服单一预测模型在某些关键测量点处预测误差较大的缺点。基于贝叶斯模型平均,本公开综合利用参数以及非参数预测模型的优势,提出了融合稀疏贝叶斯(SBL)、核密度估计(KDE)以及贝塔分布(BDE)三个子模型预测优势的组合概率预测模型。SBL是一种非线性稀疏参数预测模型,其可以自动平衡模型的经验风险和泛化能力,此算法具有较好的模型稀疏度。KDE是非参数概率预测模型,此模型输出不需要服从任何预定的分布类型,而是完全由数据样本出发研究样本的分布特性。BDE可以根据贝塔分布来估计风电功率的概率密度函数,此模型训练速度比较快。基于每一种天气类型样本集,本公开首先训练SBL,KDE和BDE三个子模型,然后利用粒子群算法(PSO)以连续排名概率得分(CRPS)最小为目标为每个子模型设置合理的权重,最后可以得到每一种天气类型对应的组合概率预测模型,此组合预测模型研究思路如图2所示。
下面分别介绍组合预测各模型方法的基本理论。
SBL预测理论
稀疏贝叶斯学习模型是一种参数预测方法,此模型突破支持向量机模型固有的局限,使模型稀疏度更好。SBL模型中含有符合正态分布N(0,σ2)的误差项ξ,其数学表达式如下:
由上式可得,在SBL模型中,给定任意输入,其输出为符合正态分布的函数。模型训练的过程即对权值参数w、误差项ξ的方差σ2求解的过程,对于N个独立的试验样本,其似然函数可表示为:
利用贝叶斯推断可求解得到权值参数w的均值与方差分别:
其中,σ2 MP为σ2的极大似然估计值。
在得到权值参数w和误差项ξ的后验分布后,即可得到SBL预测模型。此时,给定一个新的输入x,其对应的目标量y仍然服从正态分布,且其均值与方差可表示为:
则SBL模型得到的目标值的概率密度函数可表示为:
KDE预测理论
其中,K(·)为核函数,本公开采用Gaussian核函数,且
其中,Hx=diag(H1,H2,...,Hd),d表示输入变量x的维数,Hx和hy表示控制KDE函数平滑度的带宽,Hx控制解释变量的的平滑度,hy控制目标量的平滑度。核密度估计的效果优劣依赖于其对核函数K(·)、带宽Hx和hy的选取。
BDE预测理论
贝塔分布估计模型是一种参数性回归统计技术,其通过调整模型参数逼近多种形式的分布,计算速度快。
贝塔分贝的概率密度函数可以表示为:
其中,αt和βt是形状参数,并且满足αt,βt.>0,B(αt,βt)是贝塔函数.
则其期望值μ和方差σ2的关系以及形状参数αt和βt可以表示为:
PSO理论
为每一个子模型合理地分配权重是多模型组合预测理论的关键,因每个模型的最优权值是不确定的,所以采用随机优化算法为每个子模型分配权重更加合理,而粒子群算法作为随机优化算法的一种,拥有较强的稳健性并具有自组织和进化性以及记忆功能,所以本公开采用粒子群优化算法为每个子模型合理的分配权重。粒子群优化算法是一种迭代优化算法,子模型权重的部分可行解构成所有的粒子,将组合模型概率预测结果的连续排名概率得分最小作为每个粒子的适应度,选出全局最优粒子。在每次迭代过程中,更新粒子的迭代速度与取值,全部粒子便追寻着当前有着最优适应度的最优粒子在解空间中搜索。当满足收敛条件时,便可得到使得预测结果评价得分最优的子模型权重分配结果,粒子群优化算法流程图如图3所示。
(4)预测样本归类
为了实现预测样本的归类,首先提取预测样本北京时间00:00、04:00、08:00、12:00、16:00、20:00以及24:00共7个时刻的风速风向等气象信息来构造日气象特征向量,然后利用高斯指标法将预测样本进行归类,最后由其所属天气类型对应的组合概率预测模型进行预测,高斯指标法是利用高斯转换代替传统欧式距离来计算相似度的方法,其计算步骤如下:
首先计算预测样本b和聚类集a的第j个指标的欧式距离为:
其中,Xaj是聚类中心的第j个因素,Xbj是预测样本b的第j个因素。
则第j个因素的高斯指标为:
σj=σ×(jmax-jmin) (16)
其中,a为聚类集,b为预测样本,jmax是第j个因素的最大值,jmin是第j个因素的最小值,σj是挠曲点,σ为常数且满足0<σ<1。
预测样本与样本集的相似度为:
其中,s为样本集指标个数,wj是第j个指标对应的权重,R(a,b)数值越大说明预测样本和该样本集相似度越高,最后将预测样本归为相似度最高的样本集中。
本实施例还提供了相应的预测评价指标,具体如下:
确定性预测评价指标
本实施例选择了平均绝对误差(NMAE)作为确定性预测评价指标,可以描述为:
其中,PMi为i时刻的实际功率,PPi为i时刻的预测功率,Capi为i时刻的开机总容量,n为样本个数。
概率预测结果可以从可靠性、敏锐性以及综合可靠性与敏锐性的综合评价指标进行评价,如下所述:
可靠性
可靠性即指预测的区间对真实值的覆盖能力,可由预测区间覆盖率(PICP)来评价,如果预测模型在置信度1-α下获得的预测区间为[L,U],则PICP表示为:
其中,N为预测总次数,yi为t时刻待预测量的实际观测值,Ui和Li分别是预测区间的上下限,1(yi∈[Li,Ui])为示性函数,可以表示为:
PICP值应该等于或者接近给定的置信度1-α,即理想情况下PICP与1-α的差值RACE应该为0,RACE表示为:
RACE=PICP-(1-α) (21)
1)敏锐性
敏锐性量化了预测的区间概率的非精确性程度,可由预测区间带宽PINAW指标来评价,PINAW定义如下:
其中,N为预测总次数,Ui和Li分别是预测区间的上下限。
如果预测区间的宽度较大则预测结果提供的信息就比较少,概率预测的效果也将会受到影响,因此PINAW值越小表明模型的敏锐性更高。
2)综合评价
CRPS是评价概率式预测性能的综合指标,此指标可以同时评价预测模型的可靠性以及敏锐性,CRPS值越小说明模型概率预测性能越好,CRPS定义为:
其中,下标k表示进行前瞻k小时预测测试,CRPSk为前瞻时段k的连续排名概率得分指标值,N为试验次数,Fk,n(p)为第n次预测给出的风电功率累积分布函数,pk,n为第n次实验的风电功率测量值,p代表以装机容量为基准值标幺化的风电功率随机变量。
预测结果如下:
本实施的算例分析选取新疆某装机容量为200MW的风电场进行周尺度风电功率预测,数据样本集时间范围为2018年1月1日到2019年12月31日,时间分辨率为15min。
利用基于减法聚类的GK模糊聚类算法将天气进行划分得到五种天气类型,为了进一步评估该模型的性能,本研究在考虑天气分类与不考虑天气分类时分别利用SBL,KDE、BDE和MMC进行周尺度风电功率预测。
(1)确定性预测结果对比
本实施例用NMAE对各模型确定性预测精度进行评价,结果见表1。
表1各预测模型的NMAE值
由表1数据可以看出,无论考虑天气分类还是不考虑天气分类,采用MMC模型进行预测时预测精度都要比其他三个子模型的预测精度高,但是本实施例提出的基于天气分类的预测模型的预测精度最高,这是因为本实施例考虑了NWP在不同天气类型下具有不同的预报能力,采用天气分类的思想提高了风电功率预测精度。
(2)概率预测结果对比
图4展示了在考虑天气分类与不考虑天气分类时MMC、SBL、KDE和BDE四种模型在10%-90%置信区间下的可靠性,其中曲线1-4为考虑天气分类时分别利用MMC、SBL、KDE和BDE四种模型进行预测时模型可靠性随置信度的变化情况,曲线5-8为在不考虑天气分类时分别利用MMC、SBL、KDE和BDE四种模型进行预测时模型可靠性随置信度的变化情况。本实施例所提预测模型的可靠性偏差为4.83%,由图4可以看出采用本实施例所提模型在各置信区间下的可靠性偏差大多低于5%,而其他模型方法在某些置信度下的偏差绝对值甚至超过10%,由结果也可以发现本实施例所提模型方法具有较高的可靠性。
图5展示了在考虑天气分类与不考虑天气分类时MMC、SBL、KDE和BDE四种模型在10%-90%置信区间下的敏锐性,从图中结果可以看出各模型的PINAW值随着置信度的增加逐渐增加,对于同一种模型在相同置信度下考虑天气分类的敏锐度要比不考虑天气分类的敏锐度高,并且从图4可以看出本实施例所提模型的敏锐度较高。
表2给出了各模型的CRPS得分值,从表2中各模型的CRPS值可以看出,本实例所提模型的CRPS值最小,代表本实例所提基于天气分类的周尺度风电功率预测模型具有优异的概率预测性能。
表2各预测模型的CRPS值
为了直观说明预测效果,图6给出了采用本实例所提模型进行单次预报得到的未来一周的风电功率概率预测结果,从图中结果可以看出大部分真实值落在90%置信区间,这表明本实例所提模型预测结果具有合理性。
总的来说,本实例提出的模型在点预测和概率预测方面均取得了良好的预测效果。本实例考虑NWP在不同天气类型下具有不同的预报能力,采用天气分类的思想,对天气类型进行划分并且在每一种天气类型下训练其对应的组合概率预测模型,算例结果分析说明了该方法的有效性,比较结果表明,本实例所提模型方法能提高风电功率预测精度,延长风电功率预测时长,进而为风电场检修排程或者水火电系统发电计划制定等提供更多有用信息。
实施例2:
本公开提供了一种基于天气分类的周尺度风电功率预测系统,包括:
数据采集,被配置为:采集风电场运行和数值天气预报。
数据预处理模块,被配置为:基于历史数值天气预报,提取每天北京时间00:00、04:00、08:00、12:00、16:00、20:00以及24:00共7个时刻的气象信息来构造日气象特征向量X,并对其进行归一化处理,然后利用基于减法聚类的GK模糊聚类算法将天气分为几种典型类型。
模型构建模块,被配置为:在每一种天气类型下分别建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型。
预测模块,被配置为:基于预测样本的数值天气预报形成预测样本的日气象特征向量,利用高斯指标法把预测样本归为相似度最高的天气类型样本集,并由其所在天气类型对应的组合概率预测模型进行预测,进而得到预测时段的风电功率概率预测结果。
实施例3:
本公开提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可以实现本公开实施例1所述的基于天气分类的周尺度风电功率概率预测方法中的步骤。
实施例4:
本公开提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本公开实施例1所述的基于天气分类的周尺度风电功率概率预测方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于天气分类的周尺度风电功率概率预测方法,其特征是:包括以下步骤:
采集风电场运行和数值天气预报数据,基于历史数值天气预报数据形成日气象特征向量,并进行天气类型的聚类;
在每一种天气类型下建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型;
根据实时风电场数值天气预报数据,形成预测样本的日气象特征向量,将预测样本归为相应的天气类型,并利用其所属天气类型对应的组合概率预测模型进行风电功率预测,输出预测值。
2.如权利要求1所述的一种基于天气分类的周尺度风电功率概率预测方法,其特征是:所述风电场运行和历史数值天气预报数据包括但不限于风电场的发电功率、风向、风速、温度、湿度和气压等。
3.如权利要求1所述的一种基于天气分类的周尺度风电功率概率预测方法,其特征是:采用基于减法聚类的GK模糊聚类算法实现天气类型的分类。
4.如权利要求1所述的一种基于天气分类的周尺度风电功率概率预测方法,其特征是:基于历史数值天气预报数据,提取每天不同设定时刻的气象信息来构造日气象特征向量X,并对X进行归一化处理得到处理后的日气象特征向量X’,基于X’利用基于减法聚类的GK模糊聚类算法得到最优天气类型数。
5.如权利要求1所述的一种基于天气分类的周尺度风电功率概率预测方法,其特征是:在获得每一种天气类型所对应的组合概率预测模型时,在每一种天气类型下分别训练稀疏贝叶斯、核密度估计以及贝塔分贝三个子模型,然后利用粒子群算法以连续排名概率得分最小为目标为每个子模型分配相应权重,进而获得每一种天气类型对应的组合概率预测模型。
6.如权利要求1所述的一种基于天气分类的周尺度风电功率概率预测方法,其特征是:在对预测样本进行预测时,首先基于预测样本的数值天气预报,提取预测样本不同设定时刻的气象信息来构造预测样本的日气象特征向量,然后利用高斯指标法计算预测样本与各天气样本集的相似度,把预测样本归为相似度最高的天气类型样本集里面,并由此天气类型对应的组合概率预测模型进行预测。
7.如权利要求1所述的一种基于天气分类的周尺度风电功率概率预测方法,其特征是:将预测样本归为相应的天气类型时,利用高斯指标法把预测样本归为相似度最高的天气类型样本集。
8.一种基于天气分类的周尺度风电功率概率预测系统,其特征是:包括:
数据采集模块,被配置为采集风电场运行和数值天气预报数据;
聚类模块,被配置为基于历史数值天气预报数据形成日气象特征向量,并进行天气类型的聚类;
模型构建模块,被配置为在每一种天气类型下建立由稀疏贝叶斯、核密度估计以及贝塔分布三个子模型构成的组合概率预测模型;
预测模块,被配置为根据实时风电场数值天气预报数据,形成预测样本的日气象特征向量,将预测样本归为相应的天气类型,并利用其所属天气类型对应的组合概率预测模型进行风电功率预测,输出预测值。
9.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种基于天气分类的周尺度风电功率概率预测方法。
10.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种基于天气分类的周尺度风电功率概率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597420.8A CN111815039A (zh) | 2020-06-28 | 2020-06-28 | 基于天气分类的周尺度风电功率概率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597420.8A CN111815039A (zh) | 2020-06-28 | 2020-06-28 | 基于天气分类的周尺度风电功率概率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815039A true CN111815039A (zh) | 2020-10-23 |
Family
ID=72855603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597420.8A Pending CN111815039A (zh) | 2020-06-28 | 2020-06-28 | 基于天气分类的周尺度风电功率概率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815039A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN113657662A (zh) * | 2021-08-13 | 2021-11-16 | 浙江大学 | 一种基于数据融合的降尺度风电功率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
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 |
CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及系统 |
-
2020
- 2020-06-28 CN CN202010597420.8A patent/CN111815039A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
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 |
CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨家然 等: "基于数值天气预报及模糊聚类的风电功率智能组合预测", 《太阳能学报》, vol. 2017, no. 03, pages 669 - 674 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN113657662A (zh) * | 2021-08-13 | 2021-11-16 | 浙江大学 | 一种基于数据融合的降尺度风电功率预测方法 |
CN113657662B (zh) * | 2021-08-13 | 2022-06-28 | 浙江大学 | 一种基于数据融合的降尺度风电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Forecasting building energy consumption: Adaptive long-short term memory neural networks driven by genetic algorithm | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
CN113572206A (zh) | 一种风电出力区间预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
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 | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
CN112232575A (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Yu et al. | An integrated AMPSO-CLSTM model for photovoltaic power generation prediction | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
Ramsami et al. | Neural network frameworks for electricity forecasting in mauritius and rodrigues Islands | |
Yang et al. | Wind-storage combined system based on just-in-time-learning prediction model with dynamic error compensation | |
Reddy et al. | Forecasting energy consumption using deep echo state networks optimized with genetic algorithm | |
Panapakidis et al. | Deep learning approach based on LSTM model for short-term solar generation forecasting | |
Ding et al. | Week-ahead Predictions of Wind Power Based on Weather Classification |
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 |