CN112200346B - 一种天气波动过程划分与匹配的短期风电功率预测方法 - Google Patents
一种天气波动过程划分与匹配的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN112200346B CN112200346B CN202010928043.1A CN202010928043A CN112200346B CN 112200346 B CN112200346 B CN 112200346B CN 202010928043 A CN202010928043 A CN 202010928043A CN 112200346 B CN112200346 B CN 112200346B
- Authority
- CN
- China
- Prior art keywords
- weather
- historical
- weather fluctuation
- fluctuation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 255
- 230000008569 process Effects 0.000 title claims abstract description 206
- 230000002776 aggregation Effects 0.000 claims abstract description 44
- 238000004220 aggregation Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 54
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种天气波动过程划分与匹配的短期风电功率预测方法，首先，构建用于天气波动过程划分的历史数据集、当前数据集；其次，构建历史组合天气波动特征矩阵并作为聚类对象；然后，构建当前天气波动特征矩阵；再后，计算当前天气波动过程与各历史天气波动过程聚合的隶属度，确定最佳匹配的历史天气波动过程聚合；最后，基于人工智能预测算法预测当前天气波动过程下的风电功率；得到当前循环天的从次日零时起3天的风电功率。本发明，实现了天气波动过程的精细化划分，实现了多维波动特征参数提取与天气波动特征矩阵构建，实现了为短期风电功率预测提供了更加准确的训练样本，获得较为精确的从次日零时起3天的短期风电功率预测值。
Description
技术领域
本发明涉及电力系统运行与控制领域，具体说是一种天气波动过程划分与匹配的短期风电功率预测方法。
背景技术
作为近年来发展最为迅速的可再生能源发电形式之一，风电已成为推动我国能源生产和消费革命，实现能源与电力可持续发展的最佳选择。然而，风资源的波动性决定了风电功率也具有很强的波动性与间歇性，并且，随着风电装机容量的不断增加，大量的风电功率并入电网势必会对电网的安全稳定运行带来巨大的挑战。因此，这就需要对风电功率进行准确的预测，以降低风电接入电网带来的不确定性，进一步提高风电的消纳能力。
短期风电功率预测主要用于安排风电机组的出力计划、优化机组组合方式，实现电网调峰与日前调度。在短期风电功率预测领域，数值天气预报仍是主要的输入气象数据，数值天气预报的精度已成为影响短期风电功率预测精度提升的关键因素。然而，由于风电场的地理位置、地形地貌，以及不同的数值天气预报模式等因素影响，短期内数值天气预报的精度很难得到提升，这就需要在现有数值天气预报的精度条件下，研究提升短期风电功率预测精度的方法。
目前，短期风电功率预测的方法大致可以分为：统计预测方法、物理预测方法与组合预测方法，其中组合预测方法已成为当前风电功率预测领域发展的主流。
在自然界中，风资源的波动性具有很强的不确定性，这种特性外在的表现为天气变化过程的波动性，直观的表现为风速的波动性。相比于实测风速，数值天气预报中的风速，其波动趋势相对平缓，这为提取天气变化过程的波动趋势提供了可能。然而，现有的研究往往忽视了数值天气预报中的风速的这种特性，并没有对该特性进行深入挖掘，并运用到短期风电功率预测中。
此外，短期风电功率预测要求得到风电场或风电集群的从次日零时起3天的预测有功功率，而现有的短期风电功率预测的预测时间尺度大多限定在日前1天或日前12小时。由于自然界中的天气变化过程往往持续数天，考虑到风资源的波动性与延续性，如果选取较短的预测时间尺度很难捕捉持续且动态的天气变化过程，从而使得风电功率预测的训练样本集选取不当，导致短期风电功率预测的精度较低，同时也不利于电网调度部门对风电场制定发电规划以及调度运行。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构建已为本领域技术人员所公知的现有技术。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种天气波动过程划分与匹配的短期风电功率预测方法，实现了天气波动过程的精细化划分，实现了刻画天气波动过程的多维波动特征参数提取与天气波动特征矩阵构建，实现了与当前天气波动过程相匹配的历史天气波动过程的聚合，为短期风电功率预测提供了更加准确的训练样本，获得较为精确的从次日零时起3天的短期风电功率预测值。
为达到以上目的，本发明采取的技术方案是：
一种天气波动过程划分与匹配的短期风电功率预测方法，其特征在于，包括如下步骤：
步骤1，构建用于天气波动过程划分的历史数据集、当前数据集；
步骤2，解析历史数据集，对其中的单个历史循环天，构建该单个历史循环天内的、不同的历史天气波动过程的天气波动特征向量；
基于历史数据集中所有单个历史循环天的天气波动特征向量，构建历史数据集中所有不同天气波动过程的历史组合天气波动特征矩阵，并以该波动特征矩阵为聚类对象，实现对历史数据集中的所有不同天气波动过程的聚合；
步骤3，解析当前数据集，对其中的当前循环天，构建当前循环天的、不同的当前天气波动过程的天气波动特征向量；
基于这些天气波动特征向量，构建当前数据集中不同天气波动过程的当前天气波动特征矩阵；
步骤4，基于步骤2、3的结果，分别计算当前天气波动过程与不同的历史天气波动过程聚合之间的隶属度，选取最小隶属度值对应的历史天气波动过程聚合，将其确定为最佳匹配的历史天气波动过程聚合；
步骤5，基于人工智能预测算法，从所述最佳匹配的历史天气波动过程聚合中提取对应的风速序列，并将对应的风速序列逐次单向顺序连接构建预测模型训练的输入数据，并提取与风速序列在时序上相对应的历史风电功率序列构建预测模型训练的输出数据，以与该历史天气波动过程聚合相匹配的当前天气波动过程下的风速序列为预测模型预测的输入数据，预测得到当前天气波动过程下的风电功率；
分别求得当前循环天的所有不同天气波动过程下的风电功率预测值，并在时序上连接，截取得到当前循环天的从次日零时起3天的风电功率预测结果。
在上述技术方案的基础上，步骤1中，基于数值天气预报中的风速数据，以及实测风电功率数据，构建用于天气波动过程划分的历史数据集、当前数据集；
历史数据集包含N个历史循环天，当前数据集只包含1个当前循环天，定义预报时刻至未来第4天零时的时间段即为1个单个历史循环天。
在上述技术方案的基础上，针对风电场或风电集群，统计至少从预报时刻至未来第4天零时的数值天气预报风速数据，构建用于天气波动过程划分的历史数据集与当前数据集；
针对风电场或风电集群，统计历史实测风电功率数据，用于构建历史数据集；
历史数据集构建如式(1)所示，
当前数据集构建如式(2)所示，
(WS1,…,WSt，…,WST)(2)
式(1)中，
为历史数据集中某一单个历史循环天的风速序列，相应的/>为与该风速序列时序上相对应的历史实测风电功率序列；
t为单个历史循环天内风速序列的时间点标签，T为该风速序列内包含的时间点数量，N为历史数据集包含的所有循环天数量，以当天预报时刻至未来第4天零时的时间段为单位依次更新；
式(2)中，
(WS1,…,WSt，…,WST)为当前数值天气预报的风速序列，所含的时间点数同样为T，但只包含1个循环天，持续时间为从预报时刻至未来第4天零时。
在上述技术方案的基础上，滤除风速序列包含的不利于波动趋势提取的波动噪声，并将滤波后的风速序列识别为多个波动序列段，将其定义为反映天气波动变化的天气波动过程；
提取表征天气波动过程的特征参数时，选取相对长度RL、相对高度RH、波动上升趋势RRU与波动下降趋势RRD这4类形状特征参数，以及波动序列均值AV、波动序列方差SD这2类序列特征参数，共计6类波动特征参数作为表征天气波动过程的多维波动特征参数；
将上述6类波动特征参数构建的向量(RL RH RRU RRD AV SD)定义为天气波动特征向量。
在上述技术方案的基础上，提取该单个历史循环天的风速序列的所有不同天气波动过程的天气波动特征向量，并构建单个历史循环天的天气波动特征矩阵：
式中，
k为风速序列中包含的天气波动过程数量；对于不同的单个历史循环天的风速序列，k值往往不同；
进一步划分历史数据集中所有单个历史循环天中的数值天气预报风速序列的所有不同天气波动过程，并提取多维波动特征参数与构建天气波动特征向量，进而构建历史所有循环天的历史组合天气波动特征矩阵：
式中，
向量为第m个单个历史循环天内的第km个天气波动过程的对应的波动特征向量；K为历史数据集中包含的所有不同天气波动过程的数量，满足/>其中km为单个历史循环天的风速序列/>所含的天气波动过程数量；
以式(4)所述的历史组合天气波动特征矩阵为聚类对象，将历史天气波动过程进行聚类，得到波动变化趋势相似的天气波动过程聚合。假设通过聚类有效性指标确定的聚类数量为M，则聚类中心记为(center1,center2,…,centerx,…,centerM)，其中centerx表示某一聚合的聚类中心向量；则历史不同天气波动过程的聚类集合为(cluster1,cluster2,…,clusterx,…,clusterM)，其中clusterx表示聚类中心centerx对应的某类天气波动过程的聚合；
对当前数据集的风速序列(WS1,…,WSt，…,WST)的天气波动过程进行划分，并提取多维波动特征参数，进而构建当前循环天的天气波动特征矩阵，表示如下：
式中，
s为当前风速序列包含的天气波动过程的数量；
该当前天气波动特征矩阵可进一步简化为[f1；f2；…；fi；…；fs]，其中f为当前天气特征矩阵对应的天气波动特征行量。
在上述技术方案的基础上，计算式(5)中各个向量与历史天气波动过程聚类中心向量之间的隶属度，计算公式如下：
式中，
||fi-centerx||表示特征向量fi与聚类中心向量centerx之间的欧式距离；μix表示向量fi与向量centerx之间的亲密度，取值范围满足μix∈(0,1)；m’是隶属度控制参数，取2；
隶属度Iix的值越小，表示当前天气波动过程与向量centerx代表的历史天气波动过程聚合越亲密，两者之间的波动变化趋势相似性越高。因此，选取使隶属度Iix达到最小值的历史天气波动过程聚合作为最佳匹配聚合。
在上述技术方案的基础上，将上述得到的与当前数据集中的某一天气波动过程最佳匹配的历史天气波动过程聚合下的风速序列逐次单向顺序连接，并提取与该风速序列时序上相对应的风电功率序列，将两者分别作为人工智能预测算法训练集的输入数据、输出数据，训练预测模型；此外，为了得到更加精确的训练参数，选取训练集的30％数据作为验证集；
将上述当前数据集中的某一天气波动过程下的风速序列作为预测模型的输入，预测得到该天气波动过程下的风电功率，即：
式中，
(WSn)为当前数据集中某一天气波动过程下的风速序列，满足(WSn)＝{WS|waven}；n表示当前数据集中所划分的天气波动过程{waven}的序号；为该天气波动过程下的风电功率预测序列；f(·)表示已训练好的预测模型。
在上述技术方案的基础上，进一步分别计算当前数据集中风速序列(WS1,…,WSt，…,WST)中其余不同天气波动过程的风电功率预测值，并在时序上进行组合，得到了从预报时刻至未来第4天零时的预测风电功率，即：
截取风电功率预测序列(WPpre)中的不变时间点T2对应的风电功率预测序列，即可得到从次日零时起3天的短期风电功率预测结果。
本发明所述的一种天气波动过程划分与匹配的短期风电功率预测方法，具有以下有益效果：
1、实现了天气波动过程的精细化划分，为短期风电功率预测提供了更加准确的训练样本，进而避免了训练样本选取不当导致的短期风电功率预测精度较低的问题。
2、根据数值天气预报中风速的波动变化趋势，划分了影响短期风电功率预测的天气波动过程，基于天气波动过程的波动变化特征，提取了刻画天气波动过程的多维波动特征参数，进而构建了天气波动特征向量，实现了将持续时间不同的天气波动过程量化为具有相同维度的天气波动特征向量。
3、划分全部单个历史循环天内的天气波动过程并提取天气波动特征向量，进而构建历史组合天气波动特征矩阵，进一步基于该波动特征矩阵，通过聚类算法对全部单个历史循环天内的天气波动过程进行了聚类，得到了变化趋势相似的历史天气波动过程聚合。
此外，通过同样的方式得到了当前循环天的不同天气波动过程的天气波动特征向量与矩阵。
4、通过筛选与匹配过程，获得了与当前天气波动过程相匹配的历史天气波动过程聚合，进一步基于人工智能预测算法，以匹配的历史天气波动过程聚合对应的数据为训练集，预测得到当前循环天的不同天气波动过程下的风电功率预测值。将当前循环天的所有不同天气波动过程下的风电功率预测值按时序进行组合，截取得到从次日零时起3天的短期风电功率预测值。
附图说明
本发明有如下附图：
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1本发明的流程示意图。
图2本发明所述的循环天选取示意图。
图3本发明所述的天气波动过程划分示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。所述详细说明，为结合本发明的示范性实施例做出的说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本发明所述的天气波动过程划分与匹配的短期风电功率预测方法，包括如下步骤：
步骤1，构建用于天气波动过程划分的历史数据集、当前数据集；
作为可选择的实施方案之一，基于数值天气预报中的风速数据，以及实测风电功率数据，构建用于天气波动过程划分的历史数据集、当前数据集；
所述数值天气预报中的风速数据，以及实测风电功率数据，均是针对风电场或风电集群统计得到的数据；
通过步骤1得到历史数据集、当前数据集后，本发明通过设定“循环天”，完成对历史数据集及当前数据集的解析及处理，具体如下：
步骤2，解析历史数据集，以其中的单个历史循环天为例，先提取历史数值天气预报中的风速序列，再分析该风速序列的波动变化趋势，然后基于该风速序列划分得到不同的历史天气波动过程，进一步量化得到表征历史天气波动过程的多维波动特征参数，进而构建该单个历史循环天内的、不同的历史天气波动过程的天气波动特征向量；
基于历史数据集中所有单个历史循环天内的、不同的历史天气波动过程的天气波动特征向量，构建历史数据集中所有不同天气波动过程的历史组合天气波动特征矩阵，并以该波动特征矩阵为聚类对象，实现对历史数据集中的所有不同天气波动过程的聚合；
步骤3，解析当前数据集，对其中的当前循环天对应的当前数值天气预报中的当前风速序列，先分析该当前风速序列的波动变化趋势，然后基于该当前风速序列划分得到不同的当前天气波动过程，进一步量化得到表征当前天气波动过程的多维波动特征参数，进而构建当前循环天的、不同的当前天气波动过程的天气波动特征向量；
基于当前数据集中当前循环天的、不同的当前天气波动过程的天气波动特征向量，构建当前数据集中所有不同天气波动过程的当前天气波动特征矩阵；
需要说明的是，步骤3中提出的“当前循环天”，与步骤2中提到的“历史循环天”，从本质上说都是单个循环天，之所以描述为“当前循环天”、“历史循环天”，是为了区分现在(当前)与过去(历史)的时间概念上的区别，此外，步骤2中引出“单个历史循环天”是为了便于说明“单个历史循环天”内的天气波动过程的划分方法与天气波动特征提取的思路；
历史数据集中的单个历史循环天的处理方法，与当前数据集的当前循环天处理方法是相同的，不同的是，历史数据集包含N个历史循环天，当前数据集只包含1个当前循环天；因此，对历史数据集、当前数据集最后量化得到的结果是不同的：
历史数据集得到的是波动变化相似的历史天气波动过程聚合；
当前数据集得到的是当前循环天的天气波动特征向量构建的当前天气波动特征矩阵；
步骤4，基于历史天气波动过程聚合对应的聚类中心向量和当前天气波动特征矩阵对应的不同天气波动特征向量，分别计算当前天气波动过程与不同的历史天气波动过程聚合之间的隶属度，选取最小隶属度值对应的历史天气波动过程聚合，将其确定为最佳匹配的历史天气波动过程聚合；
步骤5，基于人工智能预测算法，从所述最佳匹配的历史天气波动过程聚合中提取对应的风速序列，并将对应的风速序列逐次单向顺序连接构建预测模型训练的输入数据，并提取与风速序列在时序上相对应的历史风电功率序列构建预测模型训练的输出数据，以与该历史天气波动过程聚合相匹配的当前天气波动过程下的风速序列为预测模型预测的输入数据，预测得到当前天气波动过程下的风电功率；
分别求得当前循环天的所有不同天气波动过程下的风电功率预测值，并在时序上连接，截取得到当前循环天的从次日零时起3天的风电功率预测结果。
在上述技术方案的基础上，针对风电场或风电集群，统计至少从预报时刻至未来第4天零时的数值天气预报风速数据，构建用于天气波动过程划分的历史数据集与当前数据集；
针对风电场或风电集群，统计历史实测风电功率数据，用于构建历史数据集。
在上述技术方案的基础上，历史数据集构建如式(1)所示，
当前数据集构建如式(2)所示，
(WS1,…,WSt，…,WST)(2)
式(1)中，
为历史数据集中某一单个历史循环天的风速序列，相应的/>为与该风速序列时序上相对应的历史实测风电功率序列；
t为单个历史循环天内风速序列的时间点标签，T为该风速序列内包含的时间点数量，N为历史数据集包含的所有循环天数量，以当天预报时刻至未来第4天零时的时间段为单位依次更新；
式(2)中，
(WS1,…,WSt，…,WST)为当前数值天气预报的风速序列，所含的时间点数同样为T，但只包含1个循环天，持续时间为从预报时刻至未来第4天零时。
在上述定义中，引入了“循环天”的概念，该概念是依据数值天气预报中风速的波动变化特点以及短期风电功率预测时间尺度确定的。“循环天”具体定义为：从预报时刻至未来第4天零时的时间段；
以单个历史循环天的风速序列为例，序列中包含的时间点数(时间点数量)T由两部分构建：
从预报时刻至次日零时的时间点数T1，次日零时至未来第4天零时的时间点数T2，满足T＝T1+T2；
具体划分细节详见图2所示的循环天选取示意图，其中：
t10:循环天1的预报时刻，t11:循环天1的次日零时，t12:循环天1的第4天零时，
t20:循环天2的预报时刻，t21:循环天2的次日零时，t22:循环天2的第4天零时，
t30:循环天3的预报时刻，t31:循环天3的次日零时，t32:循环天3的第4天零时；
则：循环天1中包括：
T1，对应t10至t11，即循环天1的预报时刻至循环天1的次日零时；T2，对应t11至t12，即循环天1的次日零时至循环天1的第4天零时；
循环天2中包括：
T1，对应t20至t21，即循环天2的预报时刻至循环天2的次日零时；T2，对应t21至t22，即循环天2的次日零时至循环天2的第4天零时；
以此类推；
由于不同的数值天气预报模式的起始预报时间不同，因此会得到不同的时间点数T1，称为可变时间点数；
由于时间点数T2为已选定的固定时间段，若以每15min为一个采样周期，1天24小时共96个采样点，则次日零时至未来第4天零时共3天，所包含的时间点数为96*3＝288，则时间点数T2称为固定时间点数；
单一风电场的数值天气预报风速数据来自与该风电场地理位置相近的预报网格点，预报高度选取接近风机轮毂的高度，实测风电功率数据取该风电场并入电网的有功功率；
风电集群的数值天气预报风速数据来自集群内参考预报网格点，预报高度选取接近风机轮毂的高度，实测风电功率数据取集群中所有风电场并入电网的有功功率总和。
在上述技术方案的基础上，以某一单个历史循环天的风速序列为例，由于该风速序列可能包含不利于波动趋势提取的波动噪声，需要对其进行滤波处理，常见的滤波方法有盒滤波法、均值滤波法、卡尔曼滤波法、小波滤波法等，记滤波后的该循环天的风速序列为/>
如图3所示，滤波后的风速序列包含多个波动序列段，因此将单个波动序列段识别为反映天气波动变化的波动过程，其变化规律满足：从左侧局部极小值开始，波动增大的中部极大值，再波动递减到右侧局部极小值结束；
天气波动过程数学表达如下：
式中，
分别为滤波风速序列中某一波动序列段wave的左侧局部极小值、中部极大值、右侧局部极小值；
如图3所示，风速序列中包含多个天气波动过程，然而不同波动过程的波动长度、波动幅值、波动上升/下降的变化率等刻画波动过程的特征参数区别较大，不利于区分不同的天气波动过程类型，因此需要提取表征天气波动过程的特征参数；
选取相对长度RL、相对高度RH、波动上升趋势RRU与波动下降趋势RRD这4类形状特征参数，以及波动序列均值AV、波动序列方差SD这2类序列特征参数，共计6类波动特征参数作为表征天气波动过程的多维波动特征参数，具体计算如下：
式中，
tA,tB,tC分别为点A，点B，点C对应的时间点；分别为点A，点B，点C对应的风速序列/>的风速值；风速序列/>为某一天气波动过程的归一化风速序列段，是风速序列/>的归一化结果；/>为风速序列/>内的第i个风速值，为风速序列/>包含的样本量；
将上述6类波动特征参数构建的向量(RL RH RRU RRD AV SD)定义为天气波动特征向量；
依次类推，提取该单个历史循环天的风速序列的所有不同天气波动过程的波动特征向量，并构建单个历史循环天的天气波动特征矩阵：
式中，
k为风速序列中包含的天气波动过程数量；对于不同的单个历史循环天的风速序列，k值往往不同。
在上述技术方案的基础上，根据上述对单个历史循环天风速序列的天气波动过程划分与天气波动特征参数提取的方法，进一步划分历史数据集中所有单个历史循环天中的数值天气预报风速序列/>的所有不同天气波动过程，并提取多维波动特征参数，并构建天气波动特征向量，进而构建历史所有循环天的历史组合天气波动特征矩阵：
式中，
向量为第m个单个历史循环天内的第km个天气波动过程的对应的波动特征向量；K为历史数据集中包含的所有不同天气波动过程的数量，满足/>其中km为某一单个历史循环天的风速序列所含的天气波动过程数量。
式(5)表示的是历史数据集中某一单个历史循环天的风速序列内包含的天气波动过程的波动特征矩阵，行向量为天气波动特征向量；式(6)表示历史数据集中所有单个历史循环天内的天气波动过程的波动特征矩阵。式(6)为式(5)的集合，两者存在递进关系。
在上述技术方案的基础上，以式(6)所述的历史所有循环天的历史组合天气波动特征矩阵为聚类对象，将历史天气波动过程进行聚类，得到波动变化趋势相似的天气波动过程聚合。
目前常用的聚类算法有K-means聚类，模糊C均值聚类等，以及基于遗传算法或灰狼算法等优化的K-means或模糊C均值聚类等算法，此外还有基于人工神经网络的聚类算法等。
聚类个数可通过聚类有效性指标确定，目前常见的有效性指标多从类内紧密度、类间离散度、类间重叠度等出发确定最佳的聚类数，如DB指标、XB指标以及PC指标等。
假设通过聚类有效性指标确定的聚类数量为M，则聚类中心记为(center1,center2,…,centerx,…,centerM)，其中centerx表示某一聚合的聚类中心向量。则历史不同天气波动过程的聚类集合为(cluster1,cluster2,…,clusterx,…,clusterM)，其中clusterx表示聚类中心centerx对应的某类天气波动过程的聚合。
在上述技术方案的基础上，依照单个历史循环天对的数值天气预报风速序列的处理方法，对当前数据集的风速序列(WS1,…,WSt，…,WST)的天气波动过程进行划分，并提取多维波动特征参数，进而构建当前循环天的天气波动特征矩阵，表示如下：
式中，
s为当前风速序列包含的天气波动过程的数量；
该当前天气波动特征矩阵可进一步简化为[f1；f2；…；fi；…；fs]，其中f为当前天气特征矩阵对应的天气波动特征行量。
在上述技术方案的基础上，计算式(7)中各个当前天气波动特征向量与历史天气波动过程聚类中心向量之间的隶属度，计算公式如下：
式中，
||fi-centerx||表示当前天气波动特征向量fi与聚类中心向量centerx之间的欧式距离；μix表示向量fi与向量centerx之间的亲密度，取值范围满足μix∈(0,1)；m’是隶属度控制参数，取2；
隶属度Iix的值越小，表示当前天气波动过程与向量centerx代表的历史天气波动过程聚合越亲密，两者之间的波动变化趋势相似性越高。因此，选取使隶属度Iix达到最小值的历史天气波动过程聚合作为最佳匹配聚合。
在上述技术方案的基础上，将上述得到的与当前数据集中的某一天气波动过程最佳匹配的历史天气波动过程聚合下的风速序列逐次单向顺序连接，并提取与该风速序列时序上相对应的风电功率序列，将两者分别作为人工智能预测算法训练集的输入数据、输出数据，训练预测模型；此外，为了得到更加精确的训练参数，选取训练集的30％数据作为验证集；
目前，常见的人工智能预测算法包括支持向量机、人工神经网络以及基于优化算法的人工神经网络组合预测算法等；
选取恰当的智能预测算法，经预测模型的训练、验证之后，将上述当前数据集中的某一天气波动过程下的风速序列作为预测模型的输入，预测得到该天气波动过程下的风电功率，即：
式中，
(WSn)为当前数据集中某一天气波动过程下的风速序列，满足(WSn)＝{WS|waven}；n表示当前数据集中所划分的天气波动过程{waven}的序号；为该天气波动过程下的风电功率预测序列；f(·)表示已训练好的预测模型；
进一步分别计算当前数据集中风速序列(WS1,…,WSt，…,WST)中其余不同天气波动过程的风电功率预测值，并在时序上进行组合，得到了从预报时刻至未来第4天零时的预测风电功率，即：
截取风电功率预测序列(WPpre)中的不变时间点T2对应的风电功率预测序列，即可得到从次日零时起3天的短期风电功率预测结果。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
Claims (5)
1.一种天气波动过程划分与匹配的短期风电功率预测方法，其特征在于，包括如下步骤：
步骤1，构建用于天气波动过程划分的历史数据集、当前数据集；
步骤2，解析历史数据集，对其中的单个历史循环天，构建该单个历史循环天内的、不同的历史天气波动过程的天气波动特征向量；
基于历史数据集中所有单个历史循环天的天气波动特征向量，构建历史数据集中所有不同天气波动过程的历史组合天气波动特征矩阵，并以该波动特征矩阵为聚类对象，实现对历史数据集中的所有不同天气波动过程的聚合；
步骤3，解析当前数据集，对其中的当前循环天，构建当前循环天的、不同的当前天气波动过程的天气波动特征向量；
基于这些天气波动特征向量，构建当前数据集中不同天气波动过程的当前天气波动特征矩阵；
步骤4，基于步骤2、3的结果，分别计算当前天气波动过程与不同的历史天气波动过程聚合之间的隶属度，选取最小隶属度值对应的历史天气波动过程聚合，将其确定为最佳匹配的历史天气波动过程聚合；
步骤5，基于人工智能预测算法，从所述最佳匹配的历史天气波动过程聚合中提取对应的风速序列，并将对应的风速序列逐次单向顺序连接构建预测模型训练的输入数据，并提取与风速序列在时序上相对应的历史风电功率序列构建预测模型训练的输出数据，以与该历史天气波动过程聚合相匹配的当前天气波动过程下的风速序列为预测模型预测的输入数据，预测得到当前天气波动过程下的风电功率；
分别求得当前循环天的所有不同天气波动过程下的风电功率预测值，并在时序上连接，截取得到当前循环天的从次日零时起3天的风电功率预测结果；其中，
步骤1中，基于数值天气预报中的风速数据，以及实测风电功率数据，构建用于天气波动过程划分的历史数据集、当前数据集；
历史数据集包含N个历史循环天，当前数据集只包含1个当前循环天，“单个循环天”具体定义为：从预报时刻至未来第4天零时的时间段；步骤3中提出的“当前循环天”，与步骤2中提到的“历史循环天”，从本质上说都是单个循环天；
针对风电场或风电集群，统计至少从预报时刻至未来第4天零时的数值天气预报风速数据，构建用于天气波动过程划分的历史数据集与当前数据集；
针对风电场或风电集群，统计历史实测风电功率数据，用于构建历史数据集；
历史数据集构建如式(1)所示，
当前数据集构建如式(2)所示，
(WS1,…,WSt，…,WST)(2)式(1)中，
为历史数据集中某一单个历史循环天的风速序列，相应的为与该风速序列时序上相对应的历史实测风电功率序列；
t为单个历史循环天内风速序列的时间点标签，T为该风速序列内包含的时间点数量，N为历史数据集包含的所有循环天数量，以当天预报时刻至未来第4天零时的时间段为单位依次更新；
式(2)中，
(WS1,…,WSt，…,WST)为当前数值天气预报的风速序列，所含的时间点数同样为T，但只包含1个循环天，持续时间为从预报时刻至未来第4天零时；
滤除风速序列包含的不利于波动趋势提取的波动噪声，并将滤波后的风速序列识别为多个波动序列段，将其定义为反映天气波动变化的天气波动过程；
提取表征天气波动过程的特征参数时，选取相对长度RL、相对高度RH、波动上升趋势RRU与波动下降趋势RRD这4类形状特征参数，以及波动序列均值AV、波动序列方差SD这2类序列特征参数，共计6类波动特征参数作为表征天气波动过程的多维波动特征参数；
将上述6类波动特征参数构建的向量(RL RH RRU RRD AV SD)定义为天气波动特征向量。
2.如权利要求1所述的天气波动过程划分与匹配的短期风电功率预测方法，其特征在于，提取该单个历史循环天的风速序列的所有不同天气波动过程的天气波动特征向量，并构建单个历史循环天的天气波动特征矩阵：
式中，
k为风速序列中包含的天气波动过程数量；对于不同的单个历史循环天的风速序列，k值往往不同；
进一步划分历史数据集中所有单个历史循环天中的数值天气预报风速序列的所有不同天气波动过程，并提取多维波动特征参数与构建天气波动特征向量，进而构建历史所有循环天的历史组合天气波动特征矩阵：
式中，
向量为第m个单个历史循环天内的第km个天气波动过程的对应的波动特征向量；K为历史数据集中包含的所有不同天气波动过程的数量，满足/>其中km为单个历史循环天的风速序列/>所含的天气波动过程数量；
以式(4)所述的历史组合天气波动特征矩阵为聚类对象，将历史天气波动过程进行聚类，得到波动变化趋势相似的天气波动过程聚合；假设通过聚类有效性指标确定的聚类数量为M，则聚类中心记为(center1,center2,…,centerx,…,centerM)，其中centerx表示某一聚合的聚类中心向量；则历史不同天气波动过程的聚类集合为(cluster1,cluster2,…,clusterx,…,clusterM)，其中clusterx表示聚类中心centerx对应的某类天气波动过程的聚合；
对当前数据集的风速序列(WS1,…,WSt，…,WST)的天气波动过程进行划分，并提取多维波动特征参数，进而构建当前循环天的天气波动特征矩阵，表示如下：
式中，
s为当前风速序列包含的天气波动过程的数量；
该当前天气波动特征矩阵可进一步简化为[f1；f2；…；fi；…；fs]，其中f为当前天气特征矩阵对应的天气波动特征行量。
3.如权利要求2所述的天气波动过程划分与匹配的短期风电功率预测方法，其特征在于，计算式(5)中各个向量与历史天气波动过程聚类中心向量之间的隶属度，计算公式如下：
式中，
||fi-centerx||表示特征向量fi与聚类中心向量centerx之间的欧式距离；μix表示向量fi与向量centerx之间的亲密度，取值范围满足μix∈(0,1)；m’是隶属度控制参数，取2；
隶属度Iix的值越小，表示当前天气波动过程与向量centerx代表的历史天气波动过程聚合越亲密，两者之间的波动变化趋势相似性越高；因此，选取使隶属度Iix达到最小值的历史天气波动过程聚合作为最佳匹配聚合。
4.如权利要求3所述的天气波动过程划分与匹配的短期风电功率预测方法，其特征在于，将上述得到的与当前数据集中的某一天气波动过程最佳匹配的历史天气波动过程聚合下的风速序列逐次单向顺序连接，并提取与该风速序列时序上相对应的风电功率序列，将两者分别作为人工智能预测算法训练集的输入数据、输出数据，训练预测模型；此外，为了得到更加精确的训练参数，选取训练集的30％数据作为验证集；
将上述当前数据集中的某一天气波动过程下的风速序列作为预测模型的输入，预测得到该天气波动过程下的风电功率，即：
式中，
(WSn)为当前数据集中某一天气波动过程下的风速序列，满足(WSn)＝{WS|waven}；n表示当前数据集中所划分的天气波动过程{waven}的序号；为该天气波动过程下的风电功率预测序列；f(·)表示已训练好的预测模型。
5.如权利要求4所述的天气波动过程划分与匹配的短期风电功率预测方法，其特征在于，进一步分别计算当前数据集中风速序列(WS1,…,WSt，…,WST)中其余不同天气波动过程的风电功率预测值，并在时序上进行组合，得到了从预报时刻至未来第4天零时的预测风电功率，即：
截取风电功率预测序列(WPpre)中的不变时间点T2对应的风电功率预测序列，即可得到从次日零时起3天的短期风电功率预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928043.1A CN112200346B (zh) | 2020-09-07 | 2020-09-07 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928043.1A CN112200346B (zh) | 2020-09-07 | 2020-09-07 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200346A CN112200346A (zh) | 2021-01-08 |
| CN112200346B true CN112200346B (zh) | 2024-03-26 |
Family
ID=74005729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010928043.1A Active CN112200346B (zh) | 2020-09-07 | 2020-09-07 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200346B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988360B (zh) * | 2021-09-10 | 2024-07-12 | 国网江苏省电力有限公司电力科学研究院 | 一种基于风速波动特征分型的风电功率预测方法及装置 |
| CN117114213B (zh) * | 2023-10-25 | 2023-12-26 | 北京国旺盛源智能终端科技有限公司 | 一种村网共建便民网络服务方法及系统 |
| CN118095145B (zh) * | 2024-04-29 | 2024-07-16 | 中国船舶集团风电发展有限公司 | 基于cfsr的预期发电量序列的分析方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013120395A1 (zh) * | 2012-02-13 | 2013-08-22 | 国家电网公司 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN103400039A (zh) * | 2013-07-31 | 2013-11-20 | 武汉大学 | 一种基于大风气象分类的风功率爬坡预测模型切换方法 |
| CN104102951A (zh) * | 2014-05-05 | 2014-10-15 | 南方电网科学研究院有限责任公司 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
| CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
| CN108428015A (zh) * | 2018-04-03 | 2018-08-21 | 上海电力学院 | 一种基于历史气象数据和随机模拟的风电功率预测方法 |
| CN108549962A (zh) * | 2018-06-04 | 2018-09-18 | 中国农业大学 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
| CN110210675A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 基于局地动力相似的风电场中期功率的预测方法及系统 |
| CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
| 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 |
| CN111008725A (zh) * | 2019-10-23 | 2020-04-14 | 中国农业大学 | 一种用于短期风电功率预测的气象因素波动特征提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6858953B2 (en) * | 2002-12-20 | 2005-02-22 | Hawaiian Electric Company, Inc. | Power control interface between a wind farm and a power transmission system |
-
2020
- 2020-09-07 CN CN202010928043.1A patent/CN112200346B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013120395A1 (zh) * | 2012-02-13 | 2013-08-22 | 国家电网公司 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN103400039A (zh) * | 2013-07-31 | 2013-11-20 | 武汉大学 | 一种基于大风气象分类的风功率爬坡预测模型切换方法 |
| CN104102951A (zh) * | 2014-05-05 | 2014-10-15 | 南方电网科学研究院有限责任公司 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
| CN105184391A (zh) * | 2015-08-19 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 基于小波分解和支持向量机的风电场风速与功率预测方法 |
| CN108428015A (zh) * | 2018-04-03 | 2018-08-21 | 上海电力学院 | 一种基于历史气象数据和随机模拟的风电功率预测方法 |
| CN108549962A (zh) * | 2018-06-04 | 2018-09-18 | 中国农业大学 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
| CN110210675A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 基于局地动力相似的风电场中期功率的预测方法及系统 |
| CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
| 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 |
| CN111008725A (zh) * | 2019-10-23 | 2020-04-14 | 中国农业大学 | 一种用于短期风电功率预测的气象因素波动特征提取方法 |
Non-Patent Citations (7)
| Title |
|---|
| Data-Driven Correction Approach to Refine Power Curve of Wind Farm Under Wind Curtailment;Yongzhi Zhao等;《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》;全文 * |
| LSTM-RF的中长期风电功率组合预测方法;何健伟;曹渝昆;;上海电力大学学报(第04期);全文 * |
| 基于模糊神经网络的风电功率预测;喻晓;;重庆理工大学学报(自然科学)(第09期);全文 * |
| 基于相似日和WNN的光伏发电功率超短期预测模型;宋人杰;刘福盛;马冬梅;王林;;电测与仪表(第07期);全文 * |
| 基于遗传算法优化BP神经网络的光伏阵列短期功率预测;付宗见;梁明亮;王艳萍;;电子器件(第03期);全文 * |
| 基于风速云模型相似日的短期风电功率预测方法;阎洁;许成志;刘永前;韩爽;李莉;;电力系统自动化(第06期);全文 * |
| 基点气象相似聚合的短期风电功率预测方法;文明;王志忠;郑岳怀;江辉;彭建春;;电测与仪表(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200346A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200346B (zh) | 一种天气波动过程划分与匹配的短期风电功率预测方法 | |
| US11043808B2 (en) | Method for identifying pattern of load cycle | |
| CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
| CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
| CN102663513B (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
| CN111860600B (zh) | 一种基于最大相关最小冗余判据的用户用电特征选择方法 | |
| CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
| CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| CN109767043A (zh) | 一种电力负荷时间序列大数据智能建模与预测方法 | |
| CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN110555628A (zh) | 一种新能源发电出力与负荷特性匹配程度的综合评价方法 | |
| CN117648647A (zh) | 一种多能源配电网用户数据优化分类方法 | |
| CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
| CN111062509A (zh) | 一种基于改进神经网络的风功率中短期预测方法及系统 | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
| CN114036845B (zh) | 一种风电场群模型构建方法 | |
| CN112949948B (zh) | 电动汽车分时段换电需求区间预测的集成学习方法及系统 | |
| CN114944645A (zh) | 一种计及资源时空相关性的新能源发电集群划分方法 | |
| CN115081533A (zh) | 基于两级聚类和mgru-at的客户侧负荷预测方法与系统 |
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 |