CN111861023B - 基于统计学的混合风电功率预测方法、装置 - Google Patents

基于统计学的混合风电功率预测方法、装置 Download PDF

Info

Publication number
CN111861023B
CN111861023B CN202010737028.9A CN202010737028A CN111861023B CN 111861023 B CN111861023 B CN 111861023B CN 202010737028 A CN202010737028 A CN 202010737028A CN 111861023 B CN111861023 B CN 111861023B
Authority
CN
China
Prior art keywords
data
wind power
historical
weather forecast
source 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.)
Active
Application number
CN202010737028.9A
Other languages
English (en)
Other versions
CN111861023A (zh
Inventor
雷金勇
陈旭
袁智勇
杨雄平
叶琳浩
白浩
周长城
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.)
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
China Southern Power Grid 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 China South Power Grid International Co ltd, China Southern Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202010737028.9A priority Critical patent/CN111861023B/zh
Publication of CN111861023A publication Critical patent/CN111861023A/zh
Application granted granted Critical
Publication of CN111861023B publication Critical patent/CN111861023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • 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
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供的基于统计学的混合风电功率预测方法、装置、存储介质和计算机设备，利用各类历史数值天气预报源数据以及历史功率数据对预测模型进行训练，该训练过程只需使用较短时间内的历史数据，对训练数据的要求较低，训练周期较短；并且，训练结束后，利用各类历史数值天气预报源数据提供的第二预设时段内的预测气象数据对训练后的预测模型进行测试，以验证训练阶段中各项参数之间的关系是否成立，保证预测模型的预测准确度；在各项参数之间的关系成立的情况下，再对各类预测气象数据的风电功率进行预测，最后将各类预测结果组合后得到最终的风电功率预测结果，使得预测模型在拥有较少历史数据的情况下，也能够获得更为准确的预测结果。

Description

基于统计学的混合风电功率预测方法、装置
技术领域
本发明涉及风能发电技术领域，尤其涉及一种基于统计学的混合风电功率预测方法、装置、存储介质和计算机设备。
背景技术
随着世界人口的不断增长，作为主要能源提供者的不可再生能源日益减少，因此，世界各国都在努力提高可再生能源的利用效率。风能作为最重要的可再生能源之一，与其他可再生能源相比，其波动性较大，因此需要对风力发电进行评估和规划。
目前，现有技术中的预测模型一般是基于人工神经网络(ANN)、支持向量机(SVM)和线性回归；ANN模型主要是通过神经系统的逻辑来预测通过历史数据获得的感知的原理；支持向量机模型类似于人工神经网络模型，但得到的是一个用于分类问题的超平面解，该分类问题被转化至超平面，并在不同的空间中求解。但是，这些预测模型对训练数据的要求较高，通常需要1-2年的历史数据来构造数学模型，且训练周期较长，对于新建风电场，由于缺少历史数据，无法通过传统的预测方法对风电进行预测。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中预测模型对训练数据的要求较高，且训练周期较长，对于新建的风电场来说，预测准确度较低的技术缺陷。
本发明实施例提供了一种基于统计学的混合风电功率预测方法，包括：
获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果；
获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立；
若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果。
可选地，所述第一预设时段的多类历史数值天气预报源数据包括单个季度周期中每小时的多类历史数值天气预报源数据；
所述多类历史数值天气预报源数据包括DMI数据、GFS数据以及ECMWF数据中的至少两种；
所述第二预设时段的取值范围依据所述训练结果中与所述第一预设时段对应的分析单元的时段值。
可选地，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练的步骤之前，还包括：
对所述历史功率数据的间隔时间进行插值处理，得到与所述历史数值天气预报源数据对应间隔时长的风电功率数据；
对所述历史数值天气预报源数据和所述风电功率数据进行清理操作，去除丢失的数据；
通过清理操作后的历史数值天气预报源数据以及风电功率数据确定所述风电场区域内各个网格点对应的平均绝对误差率，并根据所述平均绝对误差率确定所述风电场区域内的初始代表网格点；
其中，所述初始代表网格点为各个网格点中平均绝对误差率最小的网格点。
可选地，所述历史数值天气预报源数据包括所述风电场区域内各个网格点对应的水平风速分量、垂直风速分量和压力；
所述通过清理操作后的历史数值天气预报源数据以及风电功率数据确定所述风电场区域内各个网格点对应的平均绝对误差率的步骤，包括：
通过所述水平风速分量和所述垂直风速分量计算所述历史数值天气预报源数据对应的预测风速和预测风向，并利用所述预测风速和预测风向计算风电功率预测值；
利用线性回归方程对所述风电功率预测值以及所述风电功率数据进行求解，得到所述风电场区域内各个网格点对应的平均绝对误差率。
可选地，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果的步骤，包括：
获取所述初始代表网格点在所述第一预设时段的各类历史数值天气预报源数据，并将所述历史数值天气预报源数据中的水平风速分量、垂直风速分量和压力组成数据集；
利用主成分分析法对所述数据集进行压缩，得到第一压缩数据矩阵，并确定所述第一压缩数据矩阵中的每个元素与所述数据集中的水平风速分量、垂直风速分量以及压力之间的第一相关系数矩阵；
对所述第一压缩数据矩阵进行动态聚类，得到若干类第一天气事件，并确定各类第一天气事件的聚类中心值以及类相关系数；
通过所述第一相关系数矩阵、聚类中心值以及类相关系数得到训练结果。
可选地，所述预测气象数据包括所述初始代表网格点在所述第二预设时段对应的第一数值天气预报源数据，以及所述第一天气事件在所述第二预设时段对应的第二数值天气预报源数据；
利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立的步骤，包括：
将所述第一数值天气预报源数据中的水平风速分量、垂直风速分量和压力组成数据集，并利用所述主成分分析法中的最显著特征向量对所述数据集进行压缩，得到第二压缩数据矩阵；
确定所述第二压缩数据矩阵中的每个元素与所述数据集中的水平风速分量、垂直风速分量以及压力之间的第二相关系数矩阵；
通过所述第二相关系数矩阵验证所述第一相关系数矩阵，判断所述第一相关系数矩阵是否成立。
可选地，所述若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测的步骤，包括：
若所述第一相关系数矩阵成立，则利用所述聚类中心值对所述第二压缩数据矩阵进行动态聚类，确定所述第一数值天气预报源数据在所述第二预设时段对应的若干类第二天气事件；
根据所述第二数值天气预报源数据以及所述类相关系数确定所述第二天气事件对应的风速预测值和风向预测值；
将所述风速预测值和所述风向预测值传递到所述第二天气事件对应的风电场功率曲线上，得到所述第二预设时段的风电功率预测结果。
本发明实施例还提供了一种基于统计学的混合风电功率预测装置，包括：
训练模块，用于获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果；
测试模块，用于获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立；
组合模块，用于若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于统计学的混合风电功率预测方法的步骤。
本发明实施例还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于统计学的混合风电功率预测方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供的基于统计学的混合风电功率预测方法、装置、存储介质和计算机设备，首先获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果；然后获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立；若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果。
本发明利用各类历史数值天气预报源数据以及历史功率数据对预测模型进行训练，该训练过程只需使用较短时间内的历史数据进行训练，对训练数据的要求较低，训练周期较短；并且，训练结束后，利用各类历史数值天气预报源数据提供的未来的第二预设时段内的预测气象数据对训练后的预测模型进行测试，以验证训练阶段中各项参数之间的关系是否成立，保证预测模型的预测准确度；在各项参数之间的关系成立的情况下，再对各类预测气象数据的风电功率进行预测，最后将各类预测结果组合后得到最终的风电功率预测结果，使得预测模型在拥有较少的历史数据的情况下，也能够获得更为准确的预测结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于统计学的混合风电功率预测方法的流程示意图；
图2为本发明实施例提供的主成分分析法的实施流程示意图；
图3为本发明实施例提供的一种基于统计学的混合风电功率预测装置的结构示意图；
图4为本发明实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像本申请实施例中一样被特定定义，否则不会用理想化或过于正式的含义来解释。
请参阅图1，图1为本发明实施例提供的一种基于统计学的混合风电功率预测方法的流程示意图，如图1所示，本发明提供了一种基于统计学的混合风电功率预测方法，具体包括如下步骤：
S110：获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果。
本申请中，由于一些新建的风电场缺少历史数据，在对该类新建的风电场的风电功率进行预测时，使用传统的预测模型来进行预测，得到的结果准确度不高。
因此，本申请提出了一种预测模型，该预测模型包括训练阶段、测试阶段以及组合阶段，在训练阶段主要输入的是历史数值天气预报源数据以及历史功率数据，并将训练阶段的输出作为测试阶段的主要输入，对训练后的预测模型进行测试，以便得到更准确的预测结果。
本步骤中，采用不同类型的数值天气预报(NWP)源数据对预测模型进行训练，以提高训练结果的准确度；当然，这里的不同类型的数值天气预报源数据主要是对风电场区域内的各个网格点进行扫描并获得的。
举例来说，当需要获得DMI、GFS以及ECMWF这三种数值天气预报源数据时，由于DMI、GFS和ECMWF是3种不同的数值天气预报系统，他们的预测空间精度不一样，其中DMI的网格点间距是4km，GFS和ECMWF的网格间距是6km。
不同的NWP系统对应的网格大小不一样，一般来说，风电场的占地面积不大于10km2，因此扫描风电场区域内10×10的网格点(DMI为1600km2，GFS和ECMWF为3600km2)就足够了。
对于风电场区域内的所有的网格点，获得了第一预设时段内的各类历史数值天气预报源数据后，进一步地，通过数据库获取风电场的历史功率数据，该历史功率数据指的是风电场在第一预设时段内的历史风电功率数据。
当得到第一预设时段内的各类历史数值天气预报源数据以及历史功率数据后，需要将两者输入到预测模型中进行训练，该训练过程包括但不限于根据历史功率数据选取风电场的各个网格点中最具代表的网格点对应的各类历史数值天气预报源数据，并对该历史数值天气预报源数据进行分组，以确定风电场区域中的不同天气情况。
依据上述训练过程得到的训练结果包括但不限于对历史数值天气预报源数据进行分组时确定的各项参数，以及各项参数之间对应的关系。
S120：获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立。
本步骤中，通过步骤S110对预测模型进行训练后，可进一步获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，对训练后的预测模型进行测试。
具体地，当通过历史数值天气预报源数据以及历史功率数据对预测模型进行训练后，该预测模型中已存在相关的模型参数，此时，再获取与各类历史数值天气预报源数据对应的预测气象数据，来对该预测模型中的相关的模型参数进行测试，能够保证该预测模型的精确度。
举例来说，当通过第一预设时段内的各类历史数值天气预报源数据以及历史功率数据对预测模型进行训练后，可得到与该训练过程相关的各项参数之间对应的关系；例如，对风电场的各个网格点中最具代表的网格点对应的各类历史数值天气预报源数据进行分组时，可得到与该分组过程相关的各项参数之间的对应关系，当获取到第二预设时段的预测气象数据后，可根据该预测气象数据来验证训练阶段得到的各项参数之间的对应关系是否成立，以此来进一步使用该预测气象数据对风电功率进行预测。
S130：若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果。
本步骤中，通过步骤S120中对第一阶段的训练结果进行测试并验证后，在验证结果成立的情况下，可利用各项参数之间的关系对各类预测气象数据的风电功率分别进行预测。
例如，利用各项参数之间的关系对预测气象数据进行分组，并确定风电场区域中的不同的天气情况，再利用各类不同天气情况下对应的参数以及预测气象数据中已知的天气预报参数，来计算各类不同天气情况下的风电功率，并通过所有类不同天气情况下的风电场功率曲线构建与第二预设时段对应的风电功率预测结果。
接着，对各类预测气象数据分别按上述过程进行预测，最终得到各类预测结果，然后对各类预测结果进行组合后得到最终的风电功率预测结果。
其中，对各类预测结果进行组合的过程包括但不限于对各类预测结果进行加权融合，该加权融合的权重系数通过测试阶段进行拟合得到的。
上述实施例中，利用各类历史数值天气预报源数据以及历史功率数据对预测模型进行训练，该训练过程只需使用较短时间内的历史数据进行训练，对训练数据的要求较低，训练周期较短；并且，训练结束后，利用各类历史数值天气预报源数据提供的未来的第二预设时段内的预测气象数据对训练后的预测模型进行测试，以验证训练阶段中各项参数之间的关系是否成立，保证预测模型的预测准确度；在各项参数之间的关系成立的情况下，再对各类预测气象数据的风电功率进行预测，最后将各类预测结果组合后得到最终的风电功率预测结果，使得预测模型在拥有较少的历史数据的情况下，也能够获得更为准确的预测结果。
在一个实施例中，所述第一预设时段的多类历史数值天气预报源数据包括单个季度周期中每小时的多类历史数值天气预报源数据；所述多类历史数值天气预报源数据包括DMI数据、GFS数据以及ECMWF数据中的至少两种；所述第二预设时段的取值范围依据所述训练结果中与所述第一预设时段对应的分析单元的时段值。
本实施例中，在步骤S110中获取的第一预设时段的多类历史数值天气预报源数据，该第一预设时段的多类历史数值天气预报源数据具体指的是单个季度周期中的单位时间内的多类历史数值天气预报源数据，且该单个季度周期优选为距离当前最近的季度周期，以提高数据准确度。
并且，这里的多类历史数值天气预报源数据包括但不限于DMI数据、GFS数据以及ECMWF数据。
这里的第二预设时段是通过训练过程中对第一预设时段中的数值天气预报源数据进行分组后，得到的单个分析单元对应的时段值，并且，这里在第二预设时段内获取到的数据指的是通过历史数值天气预报源数据预测得到的未来第二预设时段内的预测气象数据，该预测气象数据包括但不限于DMI数据、GFS数据以及ECMWF数据。
举例来说，最初在训练阶段可通过第一预设时段获取风电场中90天每个小时的历史数值天气预报源数据，即90×24个数据点，该数据点是一维向量；然后将第一预设时段中的每48小时作为一个分析单元，即第二预设时段可设置为提取历史数值天气预报源数据在未来48小时的预测气象数据，得到45个单元，每个单元包括48个数据点，再把这45个单元进行分类，分成k类，即可得到每类数据对应的天气事件。
在一个实施例中，步骤S110中通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练的步骤之前，还可以包括：
S101：对所述历史功率数据的间隔时间进行插值处理，得到与所述历史数值天气预报源数据对应间隔时长的风电功率数据；
S102：对所述历史数值天气预报源数据和所述风电功率数据进行清理操作，去除丢失的数据；
S103：通过清理操作后的历史数值天气预报源数据以及风电功率数据确定所述风电场区域内各个网格点对应的平均绝对误差率，并根据所述平均绝对误差率确定所述风电场区域内的初始代表网格点；
S104：其中，所述初始代表网格点为各个网格点中平均绝对误差率最小的网格点。
本实施例中，在对数据进行训练之前，还需要对数据进行预处理操作，其中预处理操作的过程包括但不限于插值处理以及清理操作。
具体地，通过数据库获取到的风电场的历史功率数据的分辨率与历史数值天气预报源数据的分辨率不同，因此，需要对历史功率数据的间隔时间进行插值处理，将其转换为与历史数值天气预报源数据采集的间隔时长一致的风电功率数据。
当对历史功率数据进行插值处理得到风电功率数据后，还需要对风电功率数据以及历史数值天气预报源数据进行清理操作，以去除丢失的数据；如，在排查采集的数据对应的采集时间是否有缺失时，可采用特定的数值来标记当前缺失的数据，并在构造模型时不使用这些缺失的数据，以使获取的数据在时间上连续。
当得到清理操作后的历史数值天气预报源数据以及风电功率数据，可计算风电场的各个网格点对应的平均绝对误差率，并将各个网格点中平均绝对误差率最小的网格点作为初始代表网格点，这样更便于在预测模型中进行风电功率预测。
在一个实施例中，所述历史数值天气预报源数据包括所述风电场区域内各个网格点对应的水平风速分量、垂直风速分量和压力；步骤S103中通过清理操作后的历史数值天气预报源数据以及风电功率数据确定所述风电场区域内各个网格点对应的平均绝对误差率的步骤，可以包括：
S1031：通过所述水平风速分量和所述垂直风速分量计算所述历史数值天气预报源数据对应的预测风速和预测风向，并利用所述预测风速和预测风向计算风电功率预测值；
S1032：利用线性回归方程对所述风电功率预测值以及所述风电功率数据进行求解，得到所述风电场区域内各个网格点对应的平均绝对误差率。
本实施例中，对于风电场区域中的每个网格点，通过计算预测风速()的线性回归求得其平均绝对误差(NMAE)率；具体地，模型中的NWP数据包含了水平风速分量(u)、垂直风速分量(v)、压力(p)和温度(t)等参数，对预测风速(s)和预测风向(d)值进行计算时，可通过公式(1)和公式(2)得到，具体如下：
d＝(arctan(u/v)×180)/Π+180 (2)
进一步地，当得到历史数值天气预报源数据的预测风速和预测风向后，可根据风电机组的型号计算出对应的风电功率预测值，然后利用线性回归方程对风电功率预测值以及历史功率数据进行求解，得到各个网格点对应的平均绝对误差(NMAE)率，如公式(3)所示：
其中，C为最大功率，这里作分母，让整个计算结果在0-1内，便于后续分析；N为第一预设时段对应的总小时数，yi为第i小时的风电功率预测值，xi为第i小时的历史功率数据。
在一个实施例中，步骤S110中通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果的步骤，包括：
S111：获取所述初始代表网格点在所述第一预设时段的各类历史数值天气预报源数据，并将所述历史数值天气预报源数据中的水平风速分量、垂直风速分量和压力组成数据集；
S112：利用主成分分析法对所述数据集进行压缩，得到第一压缩数据矩阵，并确定所述第一压缩数据矩阵中的每个元素与所述数据集中的水平风速分量、垂直风速分量以及压力之间的第一相关系数矩阵；
S113：对所述第一压缩数据矩阵进行动态聚类，得到若干类第一天气事件，并确定各类第一天气事件的聚类中心值以及类相关系数；
S114：通过所述第一相关系数矩阵、聚类中心值以及类相关系数得到训练结果。
本实施例中，当通过平均绝对误差率筛选出风电场区域中的初始代表网格点后，需要根据该初始代表网格点在第一预设时段内的各类历史数值天气预报源数据，以便将各类历史数值天气预报源数据分别进行分组，以确定风电场区域中的不同天气情况。
为了对历史数值天气预报源数据进行分组，需要从历史数值天气预报源数据中选择最重要的天气参数作为代表，由于历史数值天气预报源数据中的温度值不会突然变化，因此，在对天气情况进行分组时不考虑温度值的影响，并通过水平风速分量、垂直风速分量和压力组成历史数值天气预报源数据对应的数据集。
当选择好数据集后，可采用k-means进行动态聚类，由于风电场的预报数据的最优k值在2-7之间变化，且k值很小，因此采用k-means比采用层次聚类算法更适合对数据进行分割。
但是，由于数据集中有三个不同的参数(u、v和p)，因此首先需要对数据集应用主成分分析法(principal component analysis，PCA)来压缩数据，并且也不会丢失太多信息。
如图2所示，图2为本发明实施例提供的主成分分析法的实施流程示意图；图2中，主成分分析法(PCA)独立地应用于历史数值天气预报源数据，首先，根据数据集形成如公式(4)所示的原始矩阵M，M为一个N×3矩阵，其中，N是在训练阶段处理的历史数值天气预报源数据对应的总小时数；然后，根据公式(5)中给出的M矩阵及其转置矩阵计算协方差矩阵C，得到3×3矩阵，该协方差矩阵的最显著特征向量E被提取为3×1矩阵以形成压缩数据；最后，通过矩阵M和最显著特征向量矩阵E计算出最终的第一压缩数据矩阵X，如公式(6)所示：
C＝MT×M (5)
X＝M×E (6)
上述公式中，原始矩阵M为一个N×3矩阵，分别代表u、v、p的原始时间序列，然后通过主成分分析法得到第一压缩数据矩阵X，变成了N×1矩阵，相当于把u、v、p三个变量对风电功率的影响融合成了1个变量的影响；对于X中每一个元素x而言，x与u、v、p之间的关系如公式(7)所示：
x＝a×u+b×v+c×p (7)
其中，N个a、b、c即构成了第一压缩数据矩阵X的第一相关系数矩阵；k-means动态聚类，进一步将第一压缩数据矩阵X变成若干类第一天气事件，每一类第一天气事件都有一个聚类中心值和对应的类相关系数。
在一个实施例中，所述预测气象数据包括所述初始代表网格点在所述第二预设时段对应的第一数值天气预报源数据，以及所述第一天气事件在所述第二预设时段对应的第二数值天气预报源数据。
步骤S120中利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立的步骤，可以包括：
S121：将所述第一数值天气预报源数据中的水平风速分量、垂直风速分量和压力组成数据集，并利用所述主成分分析法中的最显著特征向量对所述数据集进行压缩，得到第二压缩数据矩阵；
S122：确定所述第二压缩数据矩阵中的每个元素与所述数据集中的水平风速分量、垂直风速分量以及压力之间的第二相关系数矩阵；
S123：通过所述第二相关系数矩阵验证所述第一相关系数矩阵，判断所述第一相关系数矩阵是否成立。
本实施例中，当通过训练阶段对预测模型进行训练后，得到相应的训练结果，该训练结果中包含第一相关系数矩阵、聚类中心值以及类相关系数等表示各项参数之间关系的特征，因此，需要通过测试阶段来对训练后的预测模型进行测试，以验证各项参数之间的关系是否成立。
具体地，可再次通过初始代表网格点获取第二预设时段对应的第一数值天气预报源数据，并将该第一数值天气预报源数据中的天气参数组成相应的数据集后，通过上述训练阶段得到的主成分分析法中的最显著特征向量将数据集进行压缩，以得到第二压缩数据矩阵。
得到第二压缩数据矩阵后，可根据该第二压缩数据矩阵中的每个元素与第一数值天气预报源数据中的天气参数之间的对应关系得到第二相关系数矩阵，并由该第二相关系数矩阵验证训练阶段得到的第一相关系数矩阵中的对应关系是否成立。
在一个实施例中，步骤S130中，若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测的步骤，可以包括：
S131：若所述第一相关系数矩阵成立，则利用所述聚类中心值对所述第二压缩数据矩阵进行动态聚类，确定所述第一数值天气预报源数据在所述第二预设时段对应的若干类第二天气事件；
S132：根据所述第二数值天气预报源数据以及所述类相关系数确定所述第二天气事件对应的风速预测值和风向预测值；
S133：将所述风速预测值和所述风向预测值传递到所述第二天气事件对应的风电场功率曲线上，得到所述第二预设时段的风电功率预测结果。
本实施例中，若第一相关系数矩阵中的对应关系成立，即通过主成分分析法提取出来的相关系数矩阵能够真实反映出风速和气象数据之间对应关系，那么，可继续利用训练阶段得到的聚类中心值以及类相关系数来得到风电功率预测结果。
具体地，当得到第二压缩数据矩阵后，可利用训练阶段得到的聚类中心值对第二压缩数据矩阵进行动态聚类，如根据第二压缩数据矩阵中的数据与聚类中心值之间的最小欧式距离，将第二预设时段的每小时数据分配给一个聚类集。
举例来说，若第一预设时段获取风电场中90天每个小时的历史数值天气预报源数据，即90×24个数据点，该数据点是一维向量；然后将第一预设时段中的每48小时作为一个分析单元，即第二预设时段可设置为提取历史数值天气预报源数据在未来48小时的预测气象数据，得到45个单元，每个单元包括48个数据点，再把这45个单元进行分类，分成k类，即可得到每类数据对应的天气事件。
然后根据聚类中心值将48个小时中的每小时对应的数据分配给一个聚类集后，可确定48×1维中的一个集群标记矩阵，且该矩阵中包含每小时映射到的最相似的第二天气事件。
接着，获取训练阶段得到的每类天气事件的代表网格点对应的第二数值天气预报源数据，使用该第二数值天气预报源数据中的水平风速分量和垂直风速分量来计算风速值和风向值，可参考公式(1)和公式(2)；当得到风速值和风向值后，可根据训练阶段得到的类相关系数计算风速预测值和风向预测值，如将风速值乘以类相关系数即可得到风速预测值。
得到风速预测值和风向预测值后，可将风速预测值和风向预测值传递到风电场功率曲线上，以建立风电场的48小时的风电功率预报。
在一个实施例中，如图3所示，图3为本发明实施例提供的一种基于统计学的混合风电功率预测装置的结构示意图，包括训练模块110、测试模块120和组合模块130：
训练模块110，用于获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果；
测试模块120，用于获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立；
组合模块130，用于若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果。
上述实施例中，利用各类历史数值天气预报源数据以及历史功率数据对预测模型进行训练，该训练过程只需使用较短时间内的历史数据进行训练，对训练数据的要求较低，训练周期较短；并且，训练结束后，利用各类历史数值天气预报源数据提供的未来的第二预设时段内的预测气象数据对训练后的预测模型进行测试，以验证训练阶段中各项参数之间的关系是否成立，保证预测模型的预测准确度；在各项参数之间的关系成立的情况下，再对各类预测气象数据的风电功率进行预测，最后将各类预测结果组合后得到最终的风电功率预测结果，使得预测模型在拥有较少的历史数据的情况下，也能够获得更为准确的预测结果。
关于基于统计学的混合风电功率预测装置的具体限定可以参见上文中对于基于统计学的混合风电功率预测方法的限定，在此不再赘述。上述基于统计学的混合风电功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端设备中的处理器中，也可以以软件形式存储于终端设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于统计学的混合风电功率预测方法的步骤。
在一个实施例中，提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于统计学的混合风电功率预测方法的步骤。
图4为本发明实施例提供的一种计算机设备的内部结构示意图，该计算机设备200可以被提供为一服务器。参照图4，计算机设备200包括处理组件202，其进一步包括一个或多个处理器，以及由存储器201所代表的存储器资源，用于存储可由处理组件202的执行的指令，例如应用程序。存储器201中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件202被配置为执行指令，以执行上述任意实施例的基于统计学的混合风电功率预测方法。
计算机设备200还可以包括一个电源组件203被配置为执行计算机设备200的电源管理，一个有线或无线网络接口204被配置为将计算机设备200连接到网络，和一个输入输出(I/O)接口205。计算机设备200可以操作基于存储在存储器201的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于统计学的混合风电功率预测方法，其特征在于，包括：
获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果；
获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立；
若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果；
所述通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练的步骤之前，还包括：
对所述历史功率数据的间隔时间进行插值处理，得到与所述历史数值天气预报源数据对应间隔时长的风电功率数据；
对所述历史数值天气预报源数据和所述风电功率数据进行清理操作，去除丢失的数据；其中，所述历史数值天气预报源数据包括所述风电场区域内各个网格点对应的水平风速分量、垂直风速分量和压力；
通过所述水平风速分量和所述垂直风速分量计算所述历史数值天气预报源数据对应的预测风速和预测风向，并利用所述预测风速和预测风向计算风电功率预测值；
利用线性回归方程对所述风电功率预测值以及所述风电功率数据进行求解，得到所述风电场区域内各个网格点对应的平均绝对误差率，并根据所述平均绝对误差率确定所述风电场区域内的初始代表网格点；其中，所述初始代表网格点为各个网格点中平均绝对误差率最小的网格点。
2.根据权利要求1所述的基于统计学的混合风电功率预测方法，其特征在于，所述第一预设时段的多类历史数值天气预报源数据包括单个季度周期中每小时的多类历史数值天气预报源数据；
所述多类历史数值天气预报源数据包括DMI数据、GFS数据以及ECMWF数据中的至少两种；
所述第二预设时段的取值范围依据所述训练结果中与所述第一预设时段对应的分析单元的时段值。
3.根据权利要求1所述的基于统计学的混合风电功率预测方法，其特征在于，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果的步骤，包括：
获取所述初始代表网格点在所述第一预设时段的各类历史数值天气预报源数据，并将所述历史数值天气预报源数据中的水平风速分量、垂直风速分量和压力组成数据集；
利用主成分分析法对所述数据集进行压缩，得到第一压缩数据矩阵，并确定所述第一压缩数据矩阵中的每个元素与所述数据集中的水平风速分量、垂直风速分量以及压力之间的第一相关系数矩阵；
对所述第一压缩数据矩阵进行动态聚类，得到若干类第一天气事件，并确定各类第一天气事件的聚类中心值以及类相关系数；
通过所述第一相关系数矩阵、聚类中心值以及类相关系数得到训练结果。
4.根据权利要求3所述的基于统计学的混合风电功率预测方法，其特征在于，所述预测气象数据包括所述初始代表网格点在所述第二预设时段对应的第一数值天气预报源数据，以及所述第一天气事件在所述第二预设时段对应的第二数值天气预报源数据；
利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立的步骤，包括：
将所述第一数值天气预报源数据中的水平风速分量、垂直风速分量和压力组成数据集，并利用所述主成分分析法中的最显著特征向量对所述数据集进行压缩，得到第二压缩数据矩阵；
确定所述第二压缩数据矩阵中的每个元素与所述数据集中的水平风速分量、垂直风速分量以及压力之间的第二相关系数矩阵；
通过所述第二相关系数矩阵验证所述第一相关系数矩阵，判断所述第一相关系数矩阵是否成立。
5.根据权利要求4所述的基于统计学的混合风电功率预测方法，其特征在于，所述若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测的步骤，包括：
若所述第一相关系数矩阵成立，则利用所述聚类中心值对所述第二压缩数据矩阵进行动态聚类，确定所述第一数值天气预报源数据在所述第二预设时段对应的若干类第二天气事件；
根据所述第二数值天气预报源数据以及所述类相关系数确定所述第二天气事件对应的风速预测值和风向预测值；
将所述风速预测值和所述风向预测值传递到所述第二天气事件对应的风电场功率曲线上，得到所述第二预设时段的风电功率预测结果。
6.一种基于统计学的混合风电功率预测装置，其特征在于，包括：
训练模块，用于获取风电场区域内第一预设时段的多类历史数值天气预报源数据，以及数据库中保存的历史功率数据，通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练，得到训练结果；
测试模块，用于获取与各类历史数值天气预报源数据对应的第二预设时段的预测气象数据，并利用各类预测气象数据分别对训练后的预测模型进行测试，根据测试结果验证所述训练结果中各项参数之间的关系是否成立；
组合模块，用于若成立，则根据各项参数之间的关系分别对各类预测气象数据的风电功率进行预测，并将各类预测结果进行组合后得到与所述第二预设时段对应的最终的风电功率预测结果；
所述训练模块中通过所述历史数值天气预报源数据以及所述历史功率数据对预测模型进行训练之前，还包括：
对所述历史功率数据的间隔时间进行插值处理，得到与所述历史数值天气预报源数据对应间隔时长的风电功率数据；
对所述历史数值天气预报源数据和所述风电功率数据进行清理操作，去除丢失的数据；其中，所述历史数值天气预报源数据包括所述风电场区域内各个网格点对应的水平风速分量、垂直风速分量和压力；
通过所述水平风速分量和所述垂直风速分量计算所述历史数值天气预报源数据对应的预测风速和预测风向，并利用所述预测风速和预测风向计算风电功率预测值；
利用线性回归方程对所述风电功率预测值以及所述风电功率数据进行求解，得到所述风电场区域内各个网格点对应的平均绝对误差率，并根据所述平均绝对误差率确定所述风电场区域内的初始代表网格点；其中，所述初始代表网格点为各个网格点中平均绝对误差率最小的网格点。
7.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项所述基于统计学的混合风电功率预测方法的步骤。
8.一种计算机设备，其特征在于：所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项所述基于统计学的混合风电功率预测方法的步骤。
CN202010737028.9A 2020-07-28 2020-07-28 基于统计学的混合风电功率预测方法、装置 Active CN111861023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010737028.9A CN111861023B (zh) 2020-07-28 2020-07-28 基于统计学的混合风电功率预测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010737028.9A CN111861023B (zh) 2020-07-28 2020-07-28 基于统计学的混合风电功率预测方法、装置

Publications (2)

Publication Number Publication Date
CN111861023A CN111861023A (zh) 2020-10-30
CN111861023B true CN111861023B (zh) 2024-02-09

Family

ID=72948483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010737028.9A Active CN111861023B (zh) 2020-07-28 2020-07-28 基于统计学的混合风电功率预测方法、装置

Country Status (1)

Country Link
CN (1) CN111861023B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348292B (zh) * 2021-01-07 2021-08-06 中国电力科学研究院有限公司 一种基于深度学习网络的短期风电功率预测方法和系统
CN113205210B (zh) * 2021-04-29 2023-07-21 西安热工研究院有限公司 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
CN113591332B (zh) * 2021-09-29 2022-04-05 中国电力科学研究院有限公司 一种短期风电功率预测方法、装置、存储介质及处理器
CN113937763B (zh) * 2021-10-14 2023-09-26 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质
CN116760006A (zh) * 2023-04-28 2023-09-15 觐联(上海)工业技术有限公司 一种风电功率预测方法、装置、设备及存储介质
CN117332897A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 人工智能驱动的新能源小时间尺度功率插值集成预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104933489A (zh) * 2015-06-29 2015-09-23 东北电力大学 基于自适应神经模糊推理系统的风电功率实时高精度预测方法
CN107451697A (zh) * 2017-08-07 2017-12-08 南京金水尚阳信息技术有限公司 一种基于复合数据修复的风功率预测方法
CN109325607A (zh) * 2017-08-01 2019-02-12 中国电力科学研究院 一种短期风电功率预测方法及系统
CN109523084A (zh) * 2018-11-23 2019-03-26 东北大学 一种基于主元分析和机器学习的风电功率超短期预测方法
CN110619360A (zh) * 2019-09-09 2019-12-27 国家电网有限公司 一种考虑历史样本相似性的超短期风功率预测方法
AU2019101413A4 (en) * 2019-11-18 2020-01-02 China Electric Power Research Institute Company Limited Method for evaluating and regulating consumption capacity of regional power grid for renewable energy sources
CN110705772A (zh) * 2019-09-26 2020-01-17 国家电网公司华北分部 区域电网风力发电功率预测优化方法和装置
DE102018125465A1 (de) * 2018-10-15 2020-04-16 Wobben Properties Gmbh Verfahren und Windpark zum Einspeisen elektrischer Leistung in ein elektrisches Versorgungsnetz

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7228235B2 (en) * 2005-02-01 2007-06-05 Windlogics, Inc. System and method for enhanced measure-correlate-predict for a wind farm location
US10181101B2 (en) * 2012-12-17 2019-01-15 Arizona Board Of Regents On Behalf Of Arizona State University Support vector machine enhanced models for short-term wind farm generation forecasting
CN107341569B (zh) * 2017-06-26 2020-04-24 清华大学 结合光伏功率物理模型与数据驱动的光伏功率预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104933489A (zh) * 2015-06-29 2015-09-23 东北电力大学 基于自适应神经模糊推理系统的风电功率实时高精度预测方法
CN109325607A (zh) * 2017-08-01 2019-02-12 中国电力科学研究院 一种短期风电功率预测方法及系统
CN107451697A (zh) * 2017-08-07 2017-12-08 南京金水尚阳信息技术有限公司 一种基于复合数据修复的风功率预测方法
DE102018125465A1 (de) * 2018-10-15 2020-04-16 Wobben Properties Gmbh Verfahren und Windpark zum Einspeisen elektrischer Leistung in ein elektrisches Versorgungsnetz
CN109523084A (zh) * 2018-11-23 2019-03-26 东北大学 一种基于主元分析和机器学习的风电功率超短期预测方法
CN110619360A (zh) * 2019-09-09 2019-12-27 国家电网有限公司 一种考虑历史样本相似性的超短期风功率预测方法
CN110705772A (zh) * 2019-09-26 2020-01-17 国家电网公司华北分部 区域电网风力发电功率预测优化方法和装置
AU2019101413A4 (en) * 2019-11-18 2020-01-02 China Electric Power Research Institute Company Limited Method for evaluating and regulating consumption capacity of regional power grid for renewable energy sources

Also Published As

Publication number Publication date
CN111861023A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111861023B (zh) 基于统计学的混合风电功率预测方法、装置
Alencar et al. Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil
CN115345076B (zh) 一种风速订正处理方法及装置
US20240063637A1 (en) Grid supply load predicting method, system using the same, and storage medium
CN113222210B (zh) 一种基于多模态生成对抗的台风短期预测方法及装置
CN118100171B (zh) 能源转换系统的功率预测方法、系统和电子设备
CN112633632A (zh) 一种基于信号分解技术的集成短期风电集群功率预测方法
CN114498619A (zh) 一种风电功率预测方法及装置
CN111179108A (zh) 用电能耗的预测方法和装置
CN113779892B (zh) 一种风速和风向的预测方法
CN115936238B (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
CN116634030A (zh) 一种光伏电站功率预测的网关机及分布式电站拓扑结构
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN114861993A (zh) 基于联邦学习与深度神经网络的区域光伏发电预测方法
CN111507495B (zh) 缺失的测风数据的预测方法及装置
Bremnes et al. Evaluation of forecasts by a global data-driven weather model with and without probabilistic post-processing at Norwegian stations
CN112561153A (zh) 一种基于模型集成的景区人群聚集预测方法
CN112990274A (zh) 一种基于大数据的风电场异常数据自动辨识方法
Wang et al. Short-term wind power probabilistic forecasting considering spatial correlation
CN117688367B (zh) 一种基于即时学习的风力发电超短期功率预测方法及装置
CN117748500B (zh) 光伏功率预测方法、装置、设备及介质
CN117893030B (zh) 基于大数据的电力系统风险预警方法
CN116911414A (zh) 用电量预测方法、装置、设备以及计算机存储介质
CN118313495A (zh) 基于分布式新能源功率预测的Al数据建模方法

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