CN112036595B - 基于多位置数值天气预报短期风电功率预测方法和系统 - Google Patents

基于多位置数值天气预报短期风电功率预测方法和系统 Download PDF

Info

Publication number
CN112036595B
CN112036595B CN201911257421.1A CN201911257421A CN112036595B CN 112036595 B CN112036595 B CN 112036595B CN 201911257421 A CN201911257421 A CN 201911257421A CN 112036595 B CN112036595 B CN 112036595B
Authority
CN
China
Prior art keywords
data
wind speed
dimension
wind
corrected
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
CN201911257421.1A
Other languages
English (en)
Other versions
CN112036595A (zh
Inventor
王丽婕
王铮
林因
黄道姗
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 Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Beijing Information Science and Technology University
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Beijing Information Science and Technology University
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 Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, Beijing Information Science and Technology University filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN201911257421.1A priority Critical patent/CN112036595B/zh
Publication of CN112036595A publication Critical patent/CN112036595A/zh
Application granted granted Critical
Publication of CN112036595B publication Critical patent/CN112036595B/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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于多位置数值天气预报短期风电功率预测方法和系统。该方法包括：获取多位置数值天气预报的信息数据；对各信息数据进行降维处理，得到降维处理后的信息数据；对降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；根据修正后的风速样本数据、降维后的温度数据、降维后的风向数据和降维后的气压数据，确定训练模型；根据修正后的风速样本数据，确定预测日的风速数据；根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；根据预测日的风速数据、预报温度数据、预报风向数据、预报气压数据和训练模型，预测风电功率。本发明能够提高短期风电功率的预测精度。

Description

基于多位置数值天气预报短期风电功率预测方法和系统
技术领域
本发明涉及短期风电功率预测领域，特别是涉及一种基于多位置数值天气预报短期风电功率预测方法和系统。
背景技术
目前，全球传统能源短缺及气候变暖问题在日益威胁着人类的生存，人们都在寻求一条以新能源为主的发展道路。新能源包括风能、太阳能、核能、生物质能、潮汐能、地热能等能源。在这些新能源中，最具有商业开发及利用价值的是风能。风能作为一种清洁的能源，资源丰富，储蓄量大，并且具有无需开采、运输等优点，因此多个国家把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的主要措施之一，纳入国家能源发展规划。
但随着风电装机容量不断增长的同时，风电也带来了一定的问题。风力发电的置信度与传统能源有很大不同，因为风力发电在很大程度上依赖于气象条件，风向和风速的变化会导致风力发电量上下波动，当风电单机容量和并网型风电场的规模不断增加，在电力需求中所占比例也越来越大。一旦超过某个比例(这个比例目前并无定论，但一般认为它不能一概而论，而是取决于许多因素，例如电网网络结构、调度运行模式等)，风速的间歇性和波动性将会对电力系统的安全稳定运行以及电能质量带来不利影响。如果能对风速和风电功率进行比较准确的预测，则有利于电力系统调度部门及时调整调度计划，合理制定风电场控制策略，使风电成为可调度的电源；可以减轻风电不稳定性对电网的影响，大幅降低电网旋转备用容量，有效降低风力发电系统成本，可以为风电场参与发电竞价奠定基础。
发明内容
本发明的目的是提供一种基于多位置数值天气预报短期风电功率预测方法和系统，能够提高短期风电功率的预测精度。
为实现上述目的，本发明提供了如下方案：
一种基于多位置数值天气预报短期风电功率预测方法，包括：
获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；
对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；
对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；
根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；
根据所述修正后的风速样本数据，确定预测日的风速数据；
根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；
根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率。
可选的，所述对各所述信息数据进行降维处理，得到降维处理后的信息数据，具体包括：
对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。
可选的，所述对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据，具体包括：
设定卡尔曼滤波器的状态方程和量测方程；
根据所述状态方程和所述量测方程，确定最优状态估计矩阵；
获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据。
可选的，所述根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型，具体包括：
将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；
获取所述训练样本对应的风电功率；
根据所述训练样本和所述风电功率，确定训练模型。
可选的，所述根据所述修正后的风速样本数据，确定预测日的风速数据，具体包括：
根据多位置数值天气预报，得到天气预报预测的风速数据；
基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。
一种基于多位置数值天气预报短期风电功率预测系统，包括：
信息数据获取模块，用于获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；
降维处理模块，用于对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；
修正模块，用于对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；
训练模块，用于根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；
预测日的风速数据确定模块，用于根据所述修正后的风速样本数据，确定预测日的风速数据；
其他数据确定模块，用于根据多位置数值天气预报，确定预报温度数据、预报风向数据和预报气压数据；
风电功率预测模块，用于根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率。
可选的，所述降维处理模块，具体包括：
降维处理单元，用于对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。
可选的，所述修正模块，具体包括：
方程设定单元，用于设定卡尔曼滤波器的状态方程和量测方程；
最优状态估计矩阵确定单元，用于根据所述状态方程和所述量测方程，确定最优状态估计矩阵；
获取单元，用于获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
修正后的风速样本数据确定单元，用于根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据。
可选的，所述训练模块，具体包括：
训练样本确定单元，用于将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；
风电功率确定单元，用于获取所述训练样本对应的风电功率；
训练模型确定单元，用于根据所述训练样本和所述风电功率，确定训练模型。
可选的，所述预测日的风速数据确定模块，具体包括：
风速数据获取单元，用于根据多位置数值天气预报，得到天气预报预测的风速数据；
风速数据修正单元，用于基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于多位置数值天气预报短期风电功率预测方法和系统，将多位置数值天气预报信息经奇异值分解降维后，使用卡尔曼滤波算法对数值天气预报风速进行修正降低系统误差，以极端随机森林算法为基础，利用修正的数值天气预报数据进行短期风电功率预测，能够提高短期风电功率的预测精度。
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他的附图。
图1为本发明基于多位置数值天气预报短期风电功率预测方法流程图；
图2为本发明基于多位置数值天气预报短期风电功率预测系统结构图；
图3为本发明实施例训练日前500个时刻修正风速；
图4为本发明实施例预测日修正风速；
图5为本发明各预测模型的预测结果。
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。
本发明的目的是提供一种基于多位置数值天气预报短期风电功率预测方法和系统，能够提高短期风电功率的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于多位置数值天气预报短期风电功率预测方法流程图。如图1所示，一种基于多位置数值天气预报短期风电功率预测方法包括：
步骤101：获取多位置数值天气预报的信息数据，信息数据包括：温度数据、风向数据、风速数据和气压数据。
步骤102：对各信息数据进行降维处理，得到降维处理后的信息数据，降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据，具体包括：
对各信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。
多位置数值天气预报信息来自于风电场多个区域中的多个高度，主要由某风电场n天不同区域不同高度的温度、风向、风速、气压组成，因此具有维数高、特征多的问题，将其直接作为预测模型的输入量，则会增加模型计算复杂度，导致预测模型的泛化能力降低。因此采用奇异值分解(Singular Value Decomposition，SVD)技术对样本数据先进行特征筛选与降维。根据奇异值分解原理，将多位置数值天气预报样本维数降至一定的数目，降维后的数据样本称为SVD样本集。
SVD是一种提取数据特征的数学方法，它在提取高维数据特征的同时，还可对数据矩阵进行维数约减。其过程分为两部分：分解与重构。
假设原始矩阵A由m个n维多位置NWP信息组成，A的奇异值分解则可表达为
A＝USVT   (1)
式中，U是左奇异向量矩阵，大小为m×m；VT是右奇异向量矩阵，大小为n×n；S是一个大小为m×n的奇异值矩阵，除对角线上的元素为A的奇异值外，其余元素都是0。
在SVD分解过程中，左奇异向量矩阵U由AAT的特征向量组成。将式(1)转置后，等式两边同时右乘AT，可得：
AT＝VSTUT   (2)
AAT＝USVTVSTUT＝US2UT   (3)
右奇异矩阵V由ATA的特征向量组成，将式(1)转置后，等式两边同时左乘AT，可得：
ATA＝VSTUTUSVT＝VS2VT   (4)
奇异值矩阵S是一个m×n的矩阵，求解方法为：将式(1)左右乘以V可得：
AV＝USVTV   (5)
AV＝US   (6)
S＝AV/U   (7)
在S矩阵中，奇异值由大到小降序排列，数值大小代表包含数据信息的多少。特征筛选与降维依据是按顺序累计奇异值的平方值，直到累计值占总奇异值平方和的90％或90％以上为止。假设经计算后前r个奇异值的平方值可达到保留信息的要求，则新的A'矩阵为：
A'＝US'(VT)'   (8)
式中，S'是m×r奇异值矩阵，(VT)'是r×r矩阵，A'是降维后新的NWP信息矩阵m×r。
步骤103：对降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据，具体包括：
设定卡尔曼滤波器的状态方程和量测方程；
根据状态方程和量测方程，确定最优状态估计矩阵；
获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
根据最优状态估计矩阵、预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，修正后的卡尔曼滤波风速为修正后的风速样本数据。
由于数值天气预报系统本身存在着难以消除的系统误差，其预报精度直接影响着功率预测的准确性。其中，风速预报误差对风电功率预测精度影响最为严重。据统计，在风电场非满发状态时，功率对风速的变化非常敏感，当风速为8m/s时，若预测风速仅偏差1m/s，功率预测误差就会达到20.5％。因此，本发明只对降维处理后的风速数据采用卡尔曼滤波法进行修，而降维后的风向数据、降维后的风速数据和降维后的气压数据不做修正处理。步骤103采用卡尔曼滤波算法尽量减小数值天气预报系统误差对风电功率预测精度带来的影响。将步骤102中SVD处理后的训练日的数值天气预报的预报风速进行卡尔曼滤波修正。选取SVD样本集的前n-1天数据作为训练日数据，根据卡尔曼算法原理对数值天气预报的预报风速进行修正。
卡尔曼滤波算法是一种有效的以最小二乘法为基础来估计系统状态的计算方法，即将前一时刻的预报误差反馈到当前时刻的预报方程，及时修正预报方程系数，以提高下一时刻的预报精度。在卡尔曼滤波修正风速过程中，分为两步进行。
第一步是设定卡尔曼滤波器的状态方程和量测方程。在风电功率预测中，状态方程由卡尔曼滤波器的待估计的状态向量xt＝[x0,t x1,t x2,t … xn-1,t]T组成，具体计算方法由公式(9)所示。
xt＝xt-1+wt   (9)
在公式(9)中，xt-1为上一时刻的状态向量，wt为噪声系统误差。
量测方程则由预测误差、状态向量、和t时刻产生的高斯非线性系统误差组成，计算方法为：设mt是数值天气预报模型在t时刻输出的预报风速，ot是同一时刻的风电场观测风速，yt是t时刻两者的预测误差，即yt＝mt-ot，yt用一个x和m的n阶多项式来描述，如公式(10)所示。
yt＝x0,t+x1,tmt+x2,tmt 2+…+xn,tmt n+vt   (10)
式中，xi,t为卡尔曼滤波器待估计的系数；vt为该时刻产生的高斯非线性系统误差。将yt作为观测向量。则量测方程为
yt＝Htxt+vt   (11)
在公式(11)中，观测矩阵
Figure BDA0002310669950000081
由1和数值天气预报模型在t时刻输出风速的1次方至n次方组成。
设定好状态方程和量测方程后，进行卡尔曼滤波修正。首先基于前一时刻的系统状态和协方差矩阵，得到该时刻的预估系统状态以及协方差矩阵。如公式(12)、(13)所示。
xt/(t-1)＝Ftxt-1   (12)
Figure BDA0002310669950000082
式中，Ft为系统矩阵，其数值设为单位矩阵。xt-1、Pt-1为t-1时刻的系统状态和协方差矩阵；xt/(t-1)、Pt/(t-1)为该时刻t的预估系统状态以及协方差矩阵；Qt为过程激励噪声协方差向量。
然后计算卡尔曼滤波增益，根据卡尔曼滤波增益得到t时刻最优的系统状态xt和最优协方差矩阵Pt见公式(14)至公式(16)。
Figure BDA0002310669950000091
xt＝xt/t-1+Kt(yt-Htxt/(t-1))   (15)
Pt＝(I-KtHt)Pt/(t-1)   (16)
公式(14)-(16)分别为卡尔曼滤波增益方程、最优状态估计方程和最优协方差估计矩阵。式中，Kt为卡尔曼增益；xt为最优状态估计矩阵；Pt为最优状态估计矩阵；Rt为系统测量噪声协方差向量；I单位矩阵，阶数与系统阶数一致。
得到最优状态估计矩阵xt后，根据量测方程计算修正的偏差y't，则修正后的卡尔曼滤波风速为mt+y't。
过程噪声协方差矩阵Qt和量测噪声协方差矩阵Rt分别用该时刻前7个wt＝xt-xt-1和vt＝zt-Htxt进行计算。公式见(17)、(18)。
Figure BDA0002310669950000092
Figure BDA0002310669950000093
步骤104：根据修正后的风速样本数据、降维后的温度数据、降维后的风向数据和降维后的气压数据，确定训练模型，具体包括：
将修正后的风速样本数据、降维后的温度数据、降维后的风向数据和降维后的气压数据作为训练样本；
获取训练样本对应的风电功率；
根据训练样本和风电功率，确定训练模型。
所有样本经修正后，基于极端随机森林算法搭建风电功率预测模型。这里模型的输入是奇异值分解和卡尔曼滤波处理后的风速以及数值天气预报预测的风向、温度、气压等物理量，模型输出是对应时刻的功率值。具体的训练过程如下：
a.首先将修正后的风速样本数据、降维后的温度数据、降维后的风向数据、降维后的气压数据即训练日的风速、风向、温度、气压作为模型的输入量，训练日的风电功率即训练样本对应的风电功率作为输出量；确定样本训练集D；
b.选用m棵CART树作为基学习器；
c.确定训练轮数T；
d.根据训练轮数T以每棵树的训练结果，确定训练模型。
步骤105：根据修正后的风速样本数据，确定预测日的风速数据，具体包括：
根据多位置数值天气预报，得到天气预报预测的风速数据；
基于修正后的风速样本数据，对天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。
将第n天数据作为预测日数据，卡尔曼滤波在修正过程中需要用到风速的实际观测量，预测日的实际风速无法提前观测到，故预测日的风速修正不采用卡尔曼滤波方法，而是根据欧氏距离原理，在训练日原始数值天气预报中，寻找与预测时刻最为相近的n个点，将步骤103处理后这n个点对应的卡尔曼滤波修正风速取平均值，作为预测日的修正NWP风速。
定义预测日某时刻与训练日原始NWP的欧氏距离为：
Figure BDA0002310669950000101
式中，xp为预测日某时刻的NWP信息向量；xq为训练日原始NWP的向量；n为NWP信息的维数，取决于步骤1中SVD降维的目标个数；i为训练日数据的个数，取决于选取训练日的天数。
计算预测日每个时刻与训练日每个时刻的数值天气预报向量的欧氏距离后，确定出与预测日每个时刻距离最小的100个点，将100个点所对应的的训练日中的数值天气预报风速均值作为预测日修正风速。
步骤106：根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；
步骤107：根据预测日的风速数据、预报温度数据、预报风向数据、预报气压数据和训练模型，预测风电功率。
将预测日的风速数据、预报温度数据、预报风向数据和预报气压数据作为训练模型的输入量，利用经训练模型，进行风电功率预测。
图2为本发明基于多位置数值天气预报短期风电功率预测系统结构图。如图2所示，一种基于多位置数值天气预报短期风电功率预测系统包括：
信息数据获取模块201，用于获取多位置数值天气预报的信息数据，信息数据包括：温度数据、风向数据、风速数据和气压数据；
降维处理模块202，用于对各信息数据进行降维处理，得到降维处理后的信息数据，降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；
修正模块203，用于对降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；
训练模块204，用于根据修正后的风速样本数据、降维后的温度数据、降维后的风向数据和降维后的气压数据，确定训练模型；
预测日的风速数据确定模块205，用于根据修正后的风速样本数据，确定预测日的风速数据；
其他数据确定模块206，用于根据多位置数值天气预报，确定预报温度数据、预报风向数据和预报气压数据；
风电功率预测模块207，用于根据预测日的风速数据、预报温度数据、预报风向数据、预报气压数据和训练模型，预测风电功率。
降维处理模块202，具体包括：
降维处理单元，用于对各信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。
修正模块203，具体包括：
方程设定单元，用于设定卡尔曼滤波器的状态方程和量测方程；
最优状态估计矩阵确定单元，用于根据状态方程和量测方程，确定最优状态估计矩阵；
获取单元，用于获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
修正后的风速样本数据确定单元，用于根据最优状态估计矩阵、预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，修正后的卡尔曼滤波风速为修正后的风速样本数据。
训练模块204，具体包括：
训练样本确定单元，用于将修正后的风速样本数据、降维后的温度数据、降维后的风向数据和降维后的气压数据作为训练样本；
风电功率确定单元，用于获取训练样本对应的风电功率；
训练模型确定单元，用于根据训练样本和风电功率，确定训练模型。
预测日的风速数据确定模块205，具体包括：
风速数据获取单元，用于根据多位置数值天气预报，得到天气预报预测的风速数据；
风速数据修正单元，用于基于修正后的风速样本数据，对天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。
本发明的多位置数值天气预报信息经奇异值分解降维后，使用卡尔曼滤波算法对数值天气预报风速进行修正降低系统误差，以极端随机森林算法为基础，利用修正的数值天气预报数据进行短期风电功率预测。具有的优点如下：
优点1：采用不同位置下的不同高度下的NWP进行功率预测
数值天气预报(numerical weather prediction，NWP)作为短期风电功率预测模型的主要输入，其预报数据对功率预测发挥着重要作用，如何有效地利用NWP信息建立预测模型是一个关键问题。基于单位置NWP建立预测模型，会因风电场内部气象差异性而导致预测准确度过低，利用多位置NWP信息建模则可以改善这一问题。目前，大多数短期风功率预测都是基于单点NWP进行的，虽然也有一些预测模型是基于多位置的，但是没有考虑同位置下不同高度的NWP信息，本发明则采取多个位置下不同高度的气象数据，提高了预测模型的精度。
优点2：采用奇异值分解对多位置NWP信息进行预处理
奇异值分解(SVD)就是一种高效的提取数据特征的方法，在提取高维数据特征的同时，对高维数据进行维数约减。目前，奇异值分解在智能信息处理的研究领域中具有非常广阔的应用前景和十分重要的应用价值。与目前的主成分分析算法相比，虽然主成分分析可以解决样本数据特征多、维数高的问题，但该方法需对原始数据作零均值化处理和计算协方差矩阵的特征向量，在一定程度上会消去平稳出力的重要特征，增加计算复杂度产生舍入误差。而奇异值分解技术的优点在于不需要进行以上主成分分析的实现步骤，操作简单且具有较强的计算稳定性。
实施例：
采用黑龙江依兰风电场2月3日-3月17日的多位置NWP信息为实验数据，欧洲中尺度气象预报中心提供了依兰风电场四个典型位置的NWP数据，位置1所处的经度为130.500，纬度为44.375；位置2所处的经度为130.375，纬度为44.375；位置3所处的经度为130.500，纬度为44.250；位置4所处的经度为130.375，纬度为44.250。每个位置分为3个高度(34m、67m、112m)。每个高度包括风速、气温、风向3个信息，气压信息不分位置，所以整个风电场的某一时刻的NWP信息为37个：1个气压、12个风速、12个气温、12个风向。时间分辨率为15min，一天共96个数据采集点。由于数据样本维数高，特征冗余，故第一步先采用奇异值分解对多位置NWP信息进行预处理。
根据SVD原理对多位置NWP信息进行降维处理。已知多位置NWP信息包含37个特征，因在同一气压下获得的NWP信息，故气压P不参与SVD降维处理，将其直接作为预测模型的一个输入量。v1-v12依次表示区域1高度为34m、67m和112m的风速、区域2高度为34m、67m和112m的风速、区域3高度为34m、67m和112m的风速、区域4高度为34m、67m和112m的风速。气温、风向的表示形式则类似于风速，分别记为t1-t12、d1-d12。
根据SVD分解和降维原理，分别将12维的风速、温度、风向进行降维。计算出的各奇异值、奇异值平方以及累计奇异值平方和占总奇异值平方和的比重，结果如表1至表3所示。从表1-表3可以看出，风速，温度，风向的第一个奇异值平方占总奇异值平方和的比重已达到90％以上，故12维风速，12维温度，12维风向分别降至1维。分别记为Vsvd，Tsvd，Dsvd，与气压P组输入量为[Vsvd，Tsvd，Dsvd，P]的SVD样本集。
表1风速奇异值及所占比重
Figure BDA0002310669950000141
表2温度奇异值及所占比重
Figure BDA0002310669950000142
Figure BDA0002310669950000151
表3风向奇异值及所占比重
Figure BDA0002310669950000152
根据卡尔曼滤波修正风速分为两个部分进行：
1)训练日风速修正结果
选取SVD样本集的2月3日-3月16日数据作为训练日数据，根据卡尔曼滤波修正原理和设定的参数，对NWP风速进行修正，前500个时刻修正前后的风速曲线如图3所示。从图3可以看出，由于系统误差的存在，原始NWP预测风速无法实时跟踪实际风速的变化,数值上普遍实际风速低，预报误差较大。而经卡尔曼滤波修正的预报风速可以跟踪实际风速的变化，很好地减小了两者存在的误差。表4给出了修正前后的平均误差(MAE)、均方根误差(RMSE)、相关系数的对比结果，从表中可以看出NWP风速经修正后，平均误差和平均绝对误差分别降低了2.56％和3.15％，相关系数则由修正前的0.72提高到了0.99，修正后风速与实际风速呈现出高相关性，表明卡尔曼滤波算法能够有效地改善天气预报模型的系统误差。
表4训练日NWP风速修正误差结果
Figure BDA0002310669950000161
2)预测日风速修正结果
选取SVD样本集的3月17日数据作为预测日数据，由于预测日的预报风速无法使用卡尔曼滤波修正，故利用预测日与训练日的前n个NWP风速最小差值，在经卡尔曼修正的风速中，找出与预测日NWP风速最相似的n个修正风速，将n个修正风速的均值代替为预测日NWP风速修正值。取n＝500。利用前500个风速最小差值修正的预测日NWP风速如图4所示。从图5中可以看出，原始的NWP风速只是趋势和实际风速大体相同，但数值明显比实际风速偏小。修正后的风速则在趋势更加接近的基础上，增大了风速，减小了NWP风速与实际风速的差值。具体误差结果如表5所示，由表5可以看出，经卡尔曼滤波修正后的MAE和RMSE分别降低了0.34％和0.61％，相关系数由修正前的0.76提高到了0.81，修正后的风速更接近实际风速。
表5预测日NWP风速修正误差结果
Figure BDA0002310669950000162
选取处理后的风速、风向、温度、气压作为预测模型的输入量，基于极端随机森林算法搭建预测模型，极端随机森林算法的最小切分样本数和叶子最小样本数分别设定为10和3。选取修正的2月3日-3月16日数据对模型进行训练，得到训练模型，利用训练模型预测3月17日的出力情况。为了验证奇异值分解和卡尔曼滤波修正的有效性，将多位置NWP数据进行不同处理，建立多个预测模型，预测结果如图4所示。
其中，未降维预测模型就是直接利用原始的37维NWP数据建立的预测模型，降维后的预测模型是对多位置NWP数据只进行了奇异值分解处理，降维修正后的预测模型是对多位置NWP数据进行了奇异值分解和卡尔曼滤波处理。通过对比未降维预测模型和降维预测模型的结果，可以看出原始多位置NWP包含的信息多而杂，基于该数据建立的预测模型的预测误差最大，预测功率值与实际功率值最不接近。降维预测模型的预测结果较未降维模型的有所改善，但预测功率曲线趋势与实际功率曲线相似度不高。而降维修正的预测模型，功率预测曲线变化趋势不仅与实际功率保持一致，功率值也较接近于实际值，由此可见卡尔曼滤波算法有效地改善了因NWP系统误差导致的预测误差大的问题。
评价短期风功率预测模型准确度的指标主要是由平均绝对误差(MAE)和均方根误差(RMSE)分别占风电场总装机容量的比例值大小来进行评价，分别用NMAE和NRMSE表示。表6列出了各预测模型的NMAE和NRMSE结果。由表6可以看出，单位置NWP预测模型的误差最大，与基于多位置NWP各预测模型相比NMAE高出了1.85％-5.33％，NRMSE高出了2.71％-7.76％。随着不断对多位置NWP信息进行处理，预测误差在逐渐减小；降维多位置预测模型与未降维多位置预测模型相比，NMAE和NRMSE降低了1.48％和0.97％；降维修正预测模型与降维预测模型相比，NMAE和NRMSE分别降低了2％和4.08％。预测结果表明，基于多位置NWP搭建的预测模型可充分考虑风电场的气象因素，使预测功率值更接近实际值，SVD能有效提取多位NWP信息特征，对样本数据做降维处理，卡尔曼滤波可有效减小数值天气预报系统的误差，提高预测精度。
表6预测模型的误差对比
Figure BDA0002310669950000181
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.一种基于多位置数值天气预报短期风电功率预测方法，其特征在于，包括：
获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；
对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；
对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；
根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；
根据所述修正后的风速样本数据，确定预测日的风速数据；
根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；
根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率；
所述对各所述信息数据进行降维处理，得到降维处理后的信息数据，具体包括：
对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据；
所述对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据，具体包括：
设定卡尔曼滤波器的状态方程和量测方程；在风电功率预测中，状态方程由卡尔曼滤波器的待估计的状态向量xt＝[x0，t x1，t x2，t … xn-1，t]T组成，具体计算公式为xt＝xt-1+wt，其中，xt-1为上一时刻的状态向量，wt为噪声系统误差；
量测方程则由预测误差、状态向量、和t时刻产生的高斯非线性系统误差组成，计算方法为：设mt是数值天气预报模型在t时刻输出的预报风速，ot是同一时刻的风电场观测风速，yt是t时刻两者的预测误差yt＝mt-ot，yt用一个x和m的n阶多项式来描述，
Figure FDA0004123355810000021
式中，xi，t为卡尔曼滤波器待估计的系数；vt为该时刻产生的高斯非线性系统误差；将yt作为观测向量，则量测方程为yt＝Htxt+vt；式中，观测矩阵
Figure FDA0004123355810000022
由1和数值天气预报模型在t时刻输出风速的1次方至n次方组成；
根据所述状态方程和所述量测方程，确定最优状态估计矩阵：具体如下：
设定好状态方程和量测方程后，进行卡尔曼滤波修正：首先基于前一时刻的系统状态和协方差矩阵，得到该时刻的预估系统状态以及协方差矩阵
Figure FDA0004123355810000023
式中，Ft为系统矩阵，其数值设为单位矩阵；xt-1、Pt-1为t-1时刻的系统状态和协方差矩阵；xt/(t-1)、Pt/(t-1)为该时刻t的预估系统状态以及协方差矩阵；Qt为过程激励噪声协方差向量；
然后计算卡尔曼滤波增益，根据卡尔曼滤波增益得到t时刻最优的系统状态xt和最优协方差矩阵Pt：
Figure FDA0004123355810000024
式中，Kt为卡尔曼增益；xt为最优状态估计矩阵；Pt为最优协方差矩阵；Rt为系统测量噪声协方差向量；I单位矩阵，阶数与系统阶数一致；
获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据；得到最优状态估计矩阵xt后，根据量测方程计算修正的偏差y′t，则修正后的卡尔曼滤波风速为mt+y′t；
所述根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型，具体包括：
将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；
获取所述训练样本对应的风电功率；
根据所述训练样本和所述风电功率，确定训练模型；具体的训练过程如下：
首先将修正后的风速样本数据、降维后的温度数据、降维后的风向数据、降维后的气压数据作为模型的输入量，训练样本对应的风电功率作为输出量，确定样本训练集；
选用m棵CART树作为基学习器；
确定训练轮数；
根据训练轮数以每棵树的训练结果，确定训练模型；
所述根据所述修正后的风速样本数据，确定预测日的风速数据，具体包括：
根据多位置数值天气预报，得到天气预报预测的风速数据；
基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。
2.一种基于多位置数值天气预报短期风电功率预测系统，其特征在于，包括：
信息数据获取模块，用于获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；
降维处理模块，用于对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；
修正模块，用于对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；
训练模块，用于根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；
预测日的风速数据确定模块，用于根据所述修正后的风速样本数据，确定预测日的风速数据；
其他数据确定模块，用于根据多位置数值天气预报，确定预报温度数据、预报风向数据和预报气压数据；
风电功率预测模块，用于根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率；
所述降维处理模块，具体包括：
降维处理单元，用于对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据；
所述修正模块，具体包括：
方程设定单元，用于设定卡尔曼滤波器的状态方程和量测方程；在风电功率预测中，状态方程由卡尔曼滤波器的待估计的状态向量xt＝[x0，t x1，t x2，t … xn-1，t]T组成，具体计算公式为xt＝xt-1+wt，其中，xt-1为上一时刻的状态向量，wt为噪声系统误差；
量测方程则由预测误差、状态向量、和t时刻产生的高斯非线性系统误差组成，计算方法为：设mt是数值天气预报模型在t时刻输出的预报风速，ot是同一时刻的风电场观测风速，yt是t时刻两者的预测误差yt＝mt-ot，yt用一个x和m的n阶多项式来描述，
Figure FDA0004123355810000051
式中，xi，t为卡尔曼滤波器待估计的系数；vt为该时刻产生的高斯非线性系统误差；将yt作为观测向量，则量测方程为yt＝Htxt+vt；式中，观测矩阵
Figure FDA0004123355810000052
由1和数值天气预报模型在t时刻输出风速的1次方至n次方组成；
最优状态估计矩阵确定单元，用于根据所述状态方程和所述量测方程，确定最优状态估计矩阵：具体如下：
设定好状态方程和量测方程后，进行卡尔曼滤波修正：首先基于前一时刻的系统状态和协方差矩阵，得到该时刻的预估系统状态以及协方差矩阵
Figure FDA0004123355810000053
式中，Ft为系统矩阵，其数值设为单位矩阵；xt-1、Pt-1为t-1时刻的系统状态和协方差矩阵；xt/(t-1)、Pt/(t-1)为该时刻t的预估系统状态以及协方差矩阵；Qt为过程激励噪声协方差向量；
然后计算卡尔曼滤波增益，根据卡尔曼滤波增益得到t时刻最优的系统状态xt和最优协方差矩阵Pt：
Figure FDA0004123355810000054
式中，Kt为卡尔曼增益；xt为最优状态估计矩阵；Pt为最优协方差矩阵；Rt为系统测量噪声协方差向量；I单位矩阵，阶数与系统阶数一致；
获取单元，用于获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
修正后的风速样本数据确定单元，用于根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据；得到最优状态估计矩阵xt后，根据量测方程计算修正的偏差y′t，则修正后的卡尔曼滤波风速为mt+y′t；
所述训练模块，具体包括：
训练样本确定单元，用于将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；
风电功率确定单元，用于获取所述训练样本对应的风电功率；
训练模型确定单元，用于根据所述训练样本和所述风电功率，确定训练模型；具体的训练过程如下：
首先将修正后的风速样本数据、降维后的温度数据、降维后的风向数据、降维后的气压数据作为模型的输入量，训练样本对应的风电功率作为输出量，确定样本训练集；
选用m棵CART树作为基学习器；
确定训练轮数；
根据训练轮数以每棵树的训练结果，确定训练模型；
所述预测日的风速数据确定模块，具体包括：
风速数据获取单元，用于根据多位置数值天气预报，得到天气预报预测的风速数据；
风速数据修正单元，用于基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。
CN201911257421.1A 2019-12-10 2019-12-10 基于多位置数值天气预报短期风电功率预测方法和系统 Active CN112036595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911257421.1A CN112036595B (zh) 2019-12-10 2019-12-10 基于多位置数值天气预报短期风电功率预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911257421.1A CN112036595B (zh) 2019-12-10 2019-12-10 基于多位置数值天气预报短期风电功率预测方法和系统

Publications (2)

Publication Number Publication Date
CN112036595A CN112036595A (zh) 2020-12-04
CN112036595B true CN112036595B (zh) 2023-05-12

Family

ID=73576466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911257421.1A Active CN112036595B (zh) 2019-12-10 2019-12-10 基于多位置数值天气预报短期风电功率预测方法和系统

Country Status (1)

Country Link
CN (1) CN112036595B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033016B (zh) * 2021-04-12 2021-10-22 北京信息科技大学 基于混合式的中央空调负荷预测方法和装置
CN113379142B (zh) * 2021-06-23 2023-08-15 西安理工大学 一种基于风速修正和融合模型的短期风电功率预测方法
CN113537598A (zh) * 2021-07-17 2021-10-22 沈阳工程学院 一种基于nwp-lstm的短期光功率预测方法
CN116388184B (zh) * 2023-06-05 2023-08-15 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及系统
CN102708305A (zh) * 2012-06-20 2012-10-03 天津工业大学 一种基于卡尔曼滤波融合的风速序列预测方法
CN103530527A (zh) * 2013-10-30 2014-01-22 国家电网公司 基于数值天气预报集合预报结果的风电功率概率预测方法
CN104933483A (zh) * 2015-06-17 2015-09-23 中国电力科学研究院 一种基于天气过程划分的风电功率预测方法
CN106803129A (zh) * 2015-11-26 2017-06-06 中国电力科学研究院 一种基于多源数值天气预报的风电功率集合预测方法
CN106909983A (zh) * 2017-01-03 2017-06-30 北京国能日新系统控制技术有限公司 基于卡尔曼滤波器多气象源超短期风速预测方法及装置
CN110020462A (zh) * 2019-03-07 2019-07-16 江苏无线电厂有限公司 一种对气象数据进行融合处理并生成数值天气预报的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10331089B2 (en) * 2016-10-07 2019-06-25 International Business Machines Corporation Forecasting solar power generation using weather forecasts

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及系统
CN102708305A (zh) * 2012-06-20 2012-10-03 天津工业大学 一种基于卡尔曼滤波融合的风速序列预测方法
CN103530527A (zh) * 2013-10-30 2014-01-22 国家电网公司 基于数值天气预报集合预报结果的风电功率概率预测方法
CN104933483A (zh) * 2015-06-17 2015-09-23 中国电力科学研究院 一种基于天气过程划分的风电功率预测方法
CN106803129A (zh) * 2015-11-26 2017-06-06 中国电力科学研究院 一种基于多源数值天气预报的风电功率集合预测方法
CN106909983A (zh) * 2017-01-03 2017-06-30 北京国能日新系统控制技术有限公司 基于卡尔曼滤波器多气象源超短期风速预测方法及装置
CN110020462A (zh) * 2019-03-07 2019-07-16 江苏无线电厂有限公司 一种对气象数据进行融合处理并生成数值天气预报的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Maria V.Kulikova；Julia V.Tsyganova.Improved Discrete-Time Kalman Filtering within Singular Value Decomposition.《IET Control Theory and Application》.2017,第11卷(第15期),第2412-2418页. *
Tianmeng Liu ; Lijie Wang ; Zheng Wang.SHORT-TERM WIND POWER PREDICTION BASED ON SINGULAR VALUE DECOMPOSITION AND MULTI-POSITION NWP.《8th Renewable Power Generation Conference (RPG 2019)》.2019,第1-6页. *
卿湘运 ; 杨富文 ; 王行愚 ; .采用贝叶斯克里金卡尔曼模型的多风电场风速短期预测.中国电机工程学报.2012,第32卷(第35期),第47-51页. *
赵攀 ; 戴义平 ; 夏俊荣 ; 盛迎新 ; .卡尔曼滤波修正的风电场短期功率预测模型.西安交通大学学报.2011,第45卷(第05期),第107-114页. *

Also Published As

Publication number Publication date
CN112036595A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112036595B (zh) 基于多位置数值天气预报短期风电功率预测方法和系统
CN109802430B (zh) 一种基于LSTM-Attention网络的风电电网控制方法
Liu et al. Forecasting power output of photovoltaic system using a BP network method
Karasu et al. Recognition model for solar radiation time series based on random forest with feature selection approach
Wu et al. A novel hybrid model for short-term forecasting in PV power generation
CN106920007B (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
Tiwari et al. Short term solar irradiance forecast using numerical weather prediction (NWP) with gradient boost regression
Kou et al. Photovoltaic power forecasting based on artificial neural network and meteorological data
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN110334870B (zh) 基于门控循环单元网络的光伏电站短期功率预测方法
Kayri et al. Predicting power production from a photovoltaic panel through artificial neural networks using atmospheric indicators
CN115689055A (zh) 一种短期太阳辐照度预测方法及装置
Zhu et al. Short-term PV power forecast methodology based on multi-scale fluctuation characteristics extraction
CN109388863B (zh) 一种基于arima模型的分布式光伏出力功率预测方法
Xu et al. A short-term photovoltaic power forecasting model based on a radial basis function neural network and similar days
CN113920349A (zh) 基于密度峰值-fcm的含气象数据的风光典型场景构造方法
CN113991711A (zh) 一种光伏电站储能系统容量配置方法
CN113111592A (zh) 一种基于emd-lstm的短期风电功率预测方法
CN117060407A (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN112734073A (zh) 一种基于长短期记忆网络的光伏发电功率短期预测方法
Naser et al. Estimation of Global Solar Radiation using Back Propagation Neural Network: A case study Tripoli, Libya
Liu et al. Prediction of short-term output of photovoltaic system based on generalized regression neural network
Jahic et al. Photovoltaic power output forecasting with ANFIS
Gupta et al. Single Step-Ahead Solar Irradiation Forecasting Based on Empirical Mode Decomposition with Back Propagation Neural Network
CN110674605A (zh) 一种基于运行参数的风机功率建模方法

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