CN112613674B - 中长期风电发电量预测方法、装置、电子设备及存储介质 - Google Patents
中长期风电发电量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112613674B CN112613674B CN202011591300.3A CN202011591300A CN112613674B CN 112613674 B CN112613674 B CN 112613674B CN 202011591300 A CN202011591300 A CN 202011591300A CN 112613674 B CN112613674 B CN 112613674B
- Authority
- CN
- China
- Prior art keywords
- historical
- power generation
- wind speed
- wind power
- preset
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- 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)
Abstract
本发明实施例提供一种中长期风电发电量预测方法、装置、电子设备及存储介质。该方法包括:按照预设时间单位获取特定风电场的预设历史时间段内的历史观测风速、历史实际风速以及历史风电发电量;基于历史实际风速对历史观测风速进行基线校正;对校正后的历史观测风速进行小波分解以形成小波基函数;基于小波基函数预测预设未来时间的预设时间单位的预测观测风速;以及基于预设时间单位的预测观测风速,使用风电发电量预测模型来预测预设未来时间的预设时间单位的预测发电量,其中风电发电量预测模型是基于校正后的历史观测风速和历史风电发电量训练得到。该方法基于小波分解可以准确预测中长期未来时间的风电发电量。
Description
技术领域
本发明涉及风电发电技术领域,尤其涉及一种中长期风电发电量预测方法、装置、电子设备及存储介质。
背景技术
风力发电作为一种清洁的能源,越来越受到世界各国的重视。但是由于风速的不确定性和波动性,大规模的风电场并网会给电力系统带来严重的影响。为了减轻风电接入后对电力系统的不利影响,迫切需要对风电发电功率和发电量进行合理的准确预测。
对风电发电功率和发电量的预测分为短期和超短期预测以及中长期预测。其中中长期预测一般指一个月以上的时间段预测。中长期电量预测是调度部门和交易中心进行发电指标分配及定价的重要依据。而在现阶段,对中长期风电发电量预测的研究较少,并且仅有地方气象局具备风资源的中长期预测功能,但地方气象局的预测数据分辨率低,无法针对风电场实现区域精准预测,从而导致中长期风电发电量的预测准确率低。
发明内容
针对现有技术中的问题,本发明实施例提供一种中长期风电发电量预测方法、装置、电子设备及存储介质,用以解决现有技术中中长期风电发电量的预测准确率低的缺陷,实现准确的中长期风电发电量预测。
具体地,本发明实施例提供了以下技术方案:
第一方面,本发明实施例提供了一种中长期风电发电量预测方法,包括按照预设时间单位获取特定风电场的预设历史时间段内的历史观测风速、历史实际风速以及历史风电发电量;基于所述历史实际风速对所述历史观测风速进行基线校正;对校正后的所述历史观测风速进行小波分解以形成小波基函数;基于所述小波基函数预测预设未来时间的所述预设时间单位的预测观测风速;以及基于所述预设未来时间的所述预设时间单位的所述预测观测风速,使用风电发电量预测模型来预测所述预设未来时间的所述预设时间单位的预测发电量,其中所述风电发电量预测模型是基于校正后的所述历史观测风速和所述历史风电发电量训练得到。
进一步地,在对所述历史观测风速进行基线校正之前,所述中长期风电发电量预测方法进一步包括对所述历史实际风速和所述历史风电发电量进行数据清洗。
进一步地,所述数据清洗包括去除所述历史实际风速和所述历史风电发电量中的死值和/或异常值。
进一步地,基于以下公式对所述历史观测风速进行基线校正:
其中,为校正后的所述历史观测风速,/>为所述历史实际风速,/>为所述预设历史时间段内的所有所述历史实际风速的平均值,/>为所述预设历史时间段内的所有所述历史观测风速的平均值,/>为所述预设历史时间段内的所有所述历史实际风速的中位值,为所述预设历史时间段内的所有所述历史观测风速的中位值。
进一步地,所述对校正后的所述历史观测风速进行小波分解以形成小波基函数包括:生成校正后的所述历史观测风速与年份的数列;以及将所述数列进行小波分解以生成所述小波基函数。
进一步地,按照如下公式将所述数列进行小波分解以生成所述小波基函数:
其中,f(t)为所述小波基函数,其中t表示年份,是父小波,ψ(t)是母小波,ck为使所述父小波内积等于1的变量,dj,k为使所述母小波内积等于1的变量,j和k为变量。
进一步地,所述父小波如下:
所述母小波如下:
ψ(t)=2j/2ψ(2jt-k)。
进一步地,所述风电发电量预测模型为非线性回归模型。
第二方面,本发明还提供一种中长期风电发电量预测装置,包括:获取模块,用于按照预设时间单位,获取预定风电场的预设历史时间段内的历史观测风速、历史实际风速以及所述预设时间单位内的历史风电发电量;校正模块,用于基于所述历史实际风速对所述历史观测风速进行基线校正;小波分解模块,用于对校正后的所述历史观测风速进行小波分解以形成小波基函数;预测观测风速预测模块,用于基于所述小波基函数预测预设未来时间的所述预设时间单位的预测观测风速;以及预测发电量预测模块,用于基于所述预设时间单位的所述预测观测风速,使用风电发电量预测模型来预测所述预设未来时间的所述预设时间单位的预测发电量,其中所述风电发电量预测模型是基于校正后的所述历史观测风速和所述历史风电发电量训练得到。
进一步地,所述中长期风电发电量预测装置进一步包括:数据清洗模块,用于在对所述历史观测风速进行基线校正之前,对所述历史实际风速和所述历史风电发电量进行数据清洗。
第三方面,本发明提供一种电子设备,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如上所述中长期风电发电量预测方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述中长期风电发电量预测方法的步骤。
第五方面,本发明提供一种计算机程序产品,所计算机程序产品包括有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述中长期风电发电量预测方法的步骤。
本发明提供的中长期风电发电量预测方法、装置、电子设备及存储介质,基于小波分解方法对特定风电场的历史观测风速进行分解和分析,从而得出小波基函数,基于小波基函数对未来中长期时间的观测风速进行预测,并且基于通过历史观测风速和历史风电发电量训练得到的风电发电量预测模型来预测未来中长期时间的风电发电量。该方法基于小波分解和风电发电量预测模型,可以准确地预测未来中长期的风电发电量,从而对调度部门和交易中心进行发电指标分配及定价提供可靠依据。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明一实施例提供的中长期风电发电量预测方法的流程图;
图2为本发明一实施例提供的中长期风电发电量预测装置的结构示意图;
图3为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
如上所述,现有技术中对于风电发电量中长期预测的研究较少,导致不能准确地预测中长期风电发电量,从而影响风电发电的中长期规划和调度,限制风电发电的进一步推广和应用。为此,本发明提供一种中长期风电发电量预测方法、装置、电子设备及存储介质。下面将参照附图和具体实施例详细描述本发明提供的内容。
图1为本发明一实施例提供的中长期风电发电量预测方法的流程图。参照图1,本发明一实施例提供的中长期风电发电量预测方法包括以下步骤:
步骤101:按照预设时间单位获取特定风电场的预设历史时间段内的历史观测风速、历史实际风速以及历史风电发电量;
步骤102:基于所述历史实际风速对所述历史观测风速进行基线校正;
步骤103:对校正后的所述历史观测风速进行小波分解以形成小波基函数;
步骤104:基于所述小波基函数预测预设未来时间的所述预设时间单位的预测观测风速;以及
步骤105:基于所述预设未来时间的所述预设时间单位的所述预测观测风速,使用风电发电量预测模型来预测所述预设未来时间的所述预设时间单位的预测发电量,其中所述风电发电量预测模型是基于校正后的所述历史观测风速和所述历史风电发电量训练得到。
在本实施例中,需要说明的是,预设历史时间段可以根据需要进行选择,例如,可以将预设历史时间段设置为历史10年、20年、30年等。其中,历史时间段越长,则所获得的历史观测风速、历史实际风速和历史风电发电量的数据量越多,使得最终的预测结果准确率和精度越高。但是获取的数据量越多,则会导致处理量增加,增加处理难度。因此,预设历史时间段可以根据时间需求来选择和调整。预设时间单位可以为周、月、季度、半年、年等。预设时间单位可以根据需求来选择和调整。在本实施例中,以预设时间单位为月,预设历史时间段为历史30年为示例进行描述。但是,应注意的是,本发明不限于此,并且可以适用于其它预设时间单位和预设历史时间段。
在预设时间单位为月并且预设历史时间段为历史30年的示例中,按照月份来获取特定风电场的历史30年内的历史观测风速、历史实际风速和历史风电发电量。也就是说,可以针对每个月份来获取相应数据,针对12个月份,可以获取12组数据。其中历史风电发电量可以为相应月份的历史风电发电量,可以通过将相应月份的历史风电发电功率进行累积来计算。本发明的实施例提供的中长期风电发电量预测方法可以对每个月份的数据进行处理和分析后来预测未来年份的相应月份的风电发电量。例如,本发明的实施例可以对1月份的数据进行分析和处理,并且基于分析和处理结果来预测未来年份的1月份的发电量。
在本实施例中,需要说明的是,所获取的历史观测风速、历史实际风速可以为相应预设时间单位的平均历史观测风速、平均历史实际风速。例如,所获取的历史观测风速可以为月平均历史观测风速,历史实际风速可以为月平均历史实际风速。
在本实施例中,需要说明的是,所获取的历史实际风速和历史风电发电量需要进行数据清洗,然后才能用于后续的处理和分析。具体地,数据清洗包括去除历史实际风速和历史风电发电量中的死值和/或异常值,以避免死值和/或异常值影响预测结构。在本发明中不限制数据清洗的具体方法。
在本实施例中,需要说明的是,基于历史实际风速对历史观测风速进行基线校正中所使用的历史实际风速为上述经过数据清洗后的历史实际风速。其中对历史实际风速的基线校正可以采用如下公式:
其中,为校正后的历史观测风速,/>为历史实际风速,/>为预设历史时间段内的所有历史实际风速的平均值,/>为预设历史时间段内的所有历史观测风速的平均值,/>为预设历史时间段内的所有历史实际风速的中位值,/>为预设历史时间段内的所有历史观测风速的中位值。
在预设时间单位为月并且预设历史时间段为历史30年的示例中,以1月份为例,为1月份校正后的月平均历史观测风速,/>为1月份的月平均历史实际风速,/>为历史30年的所有1月份的月平均历史实际风速的平均值,/>为历史30年的所有1月份的月平均历史观测风速的平均值,/>为历史30年的所有1月份的月平均历史实际风速的中位值,/>为历史30年的所有1月份的月平均历史观测风速的中位值。通过上述公式可以获得校正后的历史观测风速。
在本实施例中,需要说明的是,对校正后的历史观测风速进行小波分解以形成小波基函数包括:生成校正后的历史观测风速与对应年份的数列;以及将数列进行小波分解以生成小波基函数。如上所述,在预设时间单位为月并且预设历史时间段为历史30年的示例中,以1月份为例,可以获得30个1月份的校正后的历史观测风速,每个校正后的历史观测风速对应于一个年份,即形成校正后的历史观测风速与对应年份的数列。对该数列进行小波分解可以生成小波基函数。也就是说,进行小波分解后形成由多个母小波和多个父小波组合的小波基函数,在该小波基函数中,以年份为变量,对应的函数值即为观测风速。当年份为历史年份时,函数值为历史观测风速,当年份为未来年份时,对应的函数值为预测观测风速。基于历史30年的历史观测风速与对应年份的数列,形成的小波基函数,然后输入未来年份可以用于预测未来年份的1月份的预测观测风速。
生成的小波基函数如下:
其中,f(t)为所述小波基函数,其中t表示年份并且对应的函数值表示预设时间单位的预测观测风速,是父小波,ψ(t)是母小波,ck为使父小波内积等于1的变量,dj,k为使母小波内积等于1的变量,j和k为变量。
在预设时间单位为月并且预设历史时间段为历史30年的示例中,以1月份为例,基于上述小波基函数,输入未来年份,例如t=2030,所获取的f(t)即为2030年1月份的预测观测风速。
其中父小波如下:
其中母小波如下:
ψ(t)=2j/2ψ(2jt-k)
其中,是父小波,ψ(t)是母小波,t表示年份,j和k为变量。
如上所述,基于历史30年的历史观测风速与年份的数列进行小波分解从而得到小波基函数,基于小波基函数在时间维度上的延伸得到未来年份对应月份的预测观测风速。通过小波分解,可以更准确地对中长期风电发电量进行预测。
如上所述,在获得未来年份对应月份的预测观测风速后,可以基于风电发电量预测模型来预测未来年份对应月份的预测发电量。其中风电发电量预测模型是基于校正后的历史观测风速和历史风电发电量训练得到的。
在预设时间单位为月并且预设历史时间段为历史30年的示例中,以1月份为例,在输入t=2030而获取f(2030),即为2030年1月份的预测观测风速后,将f(2030)输入到风电发电量预测模型中来获得2030年1月份的预测发电量。
在本实施例中,需要说明的是,风电发电量预测模型可以为非线性回归模型,在该风电发电量预测模型的训练中,将历史观测风速作为输入,将风电发电量作为输出来训练风电发电量预测模型。
如上所述,基于预设历史时间段的历史观测风速和历史年份的数列,通过小波分解形成小波基函数,利用所生成的小波基函数来进行预测未来年份的预测观测风速。并且通过历史观测风速和历史实际风速训练得到的风电发电量预测模型,通过输入预测观测风速来获取预测发电量,可以更准确预测未来中长期的风电发电量。
图2为本发明一实施例提供的中长期风电发电量预测装置的结构示意图。参照图2,本发明一实施例提供的中长期风电发电量预测装置包括:
获取模块201,用于按照预设时间单位,获取预定风电场的预设历史时间段内的历史观测风速、历史实际风速以及所述预设时间单位内的历史风电发电量;
校正模块202,用于基于所述历史实际风速对所述历史观测风速进行基线校正;
小波分解模块203,用于对校正后的所述历史观测风速进行小波分解以形成小波基函数;
预测观测风速预测模块204,用于基于所述小波基函数预测预设未来时间的所述预设时间单位的预测观测风速;以及
预测发电量预测模块205,用于基于所述预设时间单位的所述预测观测风速,使用风电发电量预测模型来预测所述预设未来时间的所述预设时间单位的预测发电量,其中所述风电发电量预测模型是基于校正后的所述历史观测风速和所述历史风电发电量训练得到。
由于本发明实施例提供的中长期风电发电量预测装置,可以用于执行上述实施例所述的中长期风电发电量预测方法,其工作原理和有益效果类似,故此处不再详述,具体内容可参见上述实施例的介绍。
在本实施例中,需要说明的是,本发明实施例的装置中的各个模块可以集成于一体,也可以分离部署。上述模块可以合并为一个模块,也可以进一步拆分成多个子模块。
基于相同的发明构思,本发明又一实施例提供了一种电子设备,参见图3,所述电子设备具体包括如下内容:处理器1001、存储器1002、通信接口1003和通信总线1004;
其中,所述处理器1001、存储器1002、通信接口1003通过所述通信总线1004完成相互间的通信;
所述处理器1001用于调用所述存储器1002中的计算机程序,所述处理器执行所述计算机程序时实现上述中长期风电发电量预测方法的全部步骤。
可以理解的是,所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
基于相同的发明构思,本发明又一实施例提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现中长期风电发电量预测方法全部步骤。
可以理解的是,所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
基于相同的发明构思,本发明又一实施例提供了一种计算机程序产品,所计算机程序产品包括有计算机程序,该计算机程序被处理器执行时实现上述实现上中长期风电发电量预测方法的全部步骤。
可以理解的是,所述计算机程序可以执行的细化功能和扩展功能可参照上面实施例的描述。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的中长期风电发电量预测方法。
此外,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外,在本发明中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上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 (9)
1.一种中长期风电发电量预测方法,其特征在于,包括:
按照预设时间单位获取特定风电场的预设历史时间段内的历史观测风速、历史实际风速以及历史风电发电量;
基于所述历史实际风速对所述历史观测风速进行基线校正;
对校正后的所述历史观测风速进行小波分解以形成小波基函数;
基于所述小波基函数预测预设未来时间的所述预设时间单位的预测观测风速;以及
基于所述预设未来时间的所述预设时间单位的所述预测观测风速,使用风电发电量预测模型来预测所述预设未来时间的所述预设时间单位的预测发电量,其中所述风电发电量预测模型是基于校正后的所述历史观测风速和所述历史风电发电量训练得到;
基于以下公式对所述历史观测风速进行基线校正:
其中,为校正后的所述历史观测风速,/>为所述历史实际风速,/>为所述预设历史时间段内的所有所述历史实际风速的平均值,/>为所述预设历史时间段内的所有所述历史观测风速的平均值,/>为所述预设历史时间段内的所有所述历史实际风速的中位值,/>为所述预设历史时间段内的所有所述历史观测风速的中位值;
所述对校正后的所述历史观测风速进行小波分解以形成小波基函数包括:
生成校正后的所述历史观测风速与年份的数列;以及
将所述数列进行小波分解以生成所述小波基函数;
其中,按照如下公式将所述数列进行小波分解以生成所述小波基函数:
其中,f(t)为所述小波基函数,其中t表示年份,是父小波,ψ(t)是母小波,ck为使所述父小波内积等于1的变量,dj,k为使所述母小波内积等于1的变量,j和k为变量;
所述父小波如下:
所述母小波如下:
2.根据权利要求1所述的中长期风电发电量预测方法,其特征在于,
在对所述历史观测风速进行基线校正之前,所述中长期风电发电量预测方法进一步包括对所述历史实际风速和所述历史风电发电量进行数据清洗。
3.根据权利要求2所述的中长期风电发电量预测方法,其特征在于,
所述数据清洗包括去除所述历史实际风速和所述历史风电发电量中的死值和/或异常值。
4.根据权利要求1所述的中长期风电发电量预测方法,其特征在于,
所述风电发电量预测模型为非线性回归模型。
5.一种中长期风电发电量预测装置,其特征在于,包括:
获取模块,用于按照预设时间单位,获取预定风电场的预设历史时间段内的历史观测风速、历史实际风速以及所述预设时间单位内的历史风电发电量;
校正模块,用于基于所述历史实际风速对所述历史观测风速进行基线校正;
小波分解模块,用于对校正后的所述历史观测风速进行小波分解以形成小波基函数;
预测观测风速预测模块,用于基于所述小波基函数预测预设未来时间的所述预设时间单位的预测观测风速;以及
预测发电量预测模块,用于基于所述预设时间单位的所述预测观测风速,使用风电发电量预测模型来预测所述预设未来时间的所述预设时间单位的预测发电量,其中所述风电发电量预测模型是基于校正后的所述历史观测风速和所述历史风电发电量训练得到;
其中,校正后的所述历史观测风速是根据以下公式得到的:
其中,为校正后的所述历史观测风速,/>为所述历史实际风速,/>为所述预设历史时间段内的所有所述历史实际风速的平均值,/>为所述预设历史时间段内的所有所述历史观测风速的平均值,/>为所述预设历史时间段内的所有所述历史实际风速的中位值,/>为所述预设历史时间段内的所有所述历史观测风速的中位值;
所述小波分解模块具体用于:生成校正后的所述历史观测风速与年份的数列;以及将所述数列进行小波分解以生成所述小波基函数;
所述小波基函数是根据以下公式生成的:
其中,f(t)为所述小波基函数,其中t表示年份,是父小波,ψ(t)是母小波,ck为使所述父小波内积等于1的变量,dj,k为使所述母小波内积等于1的变量,j和k为变量;
所述父小波如下:
所述母小波如下:
ψ(t)=2J/2ψ(2jt-k)。
6.根据权利要求5所述的中长期风电发电量预测装置,其特征在于,所述中长期风电发电量预测装置进一步包括:
数据清洗模块,用于在对所述历史观测风速进行基线校正之前,对所述历史实际风速和所述历史风电发电量进行数据清洗。
7.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1~4任一项所述中长期风电发电量预测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~4任一项所述中长期风电发电量预测方法的步骤。
9.一种计算机程序产品,所计算机程序产品包括有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~4任一项所述中长期风电发电量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011591300.3A CN112613674B (zh) | 2020-12-29 | 2020-12-29 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011591300.3A CN112613674B (zh) | 2020-12-29 | 2020-12-29 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613674A CN112613674A (zh) | 2021-04-06 |
CN112613674B true CN112613674B (zh) | 2024-03-08 |
Family
ID=75248711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011591300.3A Active CN112613674B (zh) | 2020-12-29 | 2020-12-29 | 中长期风电发电量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613674B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115186907B (zh) * | 2022-07-14 | 2024-06-18 | 华润电力技术研究院有限公司 | 风电场中长期发电量的预测方法、系统、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102478584A (zh) * | 2010-11-26 | 2012-05-30 | 香港理工大学 | 基于小波分析的风电场风速预测方法及系统 |
CN103345227A (zh) * | 2013-07-02 | 2013-10-09 | 东南大学 | 一种微电网监测与能量管理装置及方法 |
CN103389341A (zh) * | 2012-05-10 | 2013-11-13 | 沈阳工业大学 | 风力机叶片裂纹检测方法 |
CN104200290A (zh) * | 2014-09-26 | 2014-12-10 | 国家电网公司 | 一种风电功率预测方法 |
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 |
CN105576650A (zh) * | 2015-12-29 | 2016-05-11 | 北京国能日新系统控制技术有限公司 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
US10041475B1 (en) * | 2017-02-07 | 2018-08-07 | International Business Machines Corporation | Reducing curtailment of wind power generation |
JP2018185171A (ja) * | 2017-04-24 | 2018-11-22 | 株式会社東芝 | 風車発電機の疲労寿命解析装置、風力発電システム、及び風車発電機の疲労寿命解析方法 |
CN109886488A (zh) * | 2019-02-21 | 2019-06-14 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
CN110088463A (zh) * | 2016-12-21 | 2019-08-02 | 诺迈士科技有限公司 | 风力涡轮电场级载荷管理控制 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN111667093A (zh) * | 2020-04-22 | 2020-09-15 | 华北电力科学研究院有限责任公司 | 中长期风电发电计算方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2148225B1 (en) * | 2008-07-22 | 2016-11-02 | Siemens Aktiengesellschaft | Method and arrangement for the forecast of wind-resources |
US9606518B2 (en) * | 2011-12-28 | 2017-03-28 | General Electric Company | Control system and method of predicting wind turbine power generation |
CA2837414C (en) * | 2012-12-14 | 2022-12-13 | Battelle Memorial Institute | Transactive control and coordination framework and associated toolkit functions |
CN104021424B (zh) * | 2013-02-28 | 2018-12-07 | 乌托巴斯洞察公司 | 用于预测风场中的风机的输出功率的方法和装置 |
CN104156575B (zh) * | 2014-07-28 | 2017-09-05 | 国家电网公司 | 基于测风塔数据外推法的风电场理论功率计算方法 |
US11300106B2 (en) * | 2018-07-18 | 2022-04-12 | Poseidon Systems, LLC | System and method for utilizing wear debris sensor to reduce damage and extend remaining useful life of gearboxes |
-
2020
- 2020-12-29 CN CN202011591300.3A patent/CN112613674B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102478584A (zh) * | 2010-11-26 | 2012-05-30 | 香港理工大学 | 基于小波分析的风电场风速预测方法及系统 |
CN103389341A (zh) * | 2012-05-10 | 2013-11-13 | 沈阳工业大学 | 风力机叶片裂纹检测方法 |
CN103345227A (zh) * | 2013-07-02 | 2013-10-09 | 东南大学 | 一种微电网监测与能量管理装置及方法 |
CN104200290A (zh) * | 2014-09-26 | 2014-12-10 | 国家电网公司 | 一种风电功率预测方法 |
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 |
CN105576650A (zh) * | 2015-12-29 | 2016-05-11 | 北京国能日新系统控制技术有限公司 | 基于同化技术与同风带理论的风电功率预测方法及系统 |
CN110088463A (zh) * | 2016-12-21 | 2019-08-02 | 诺迈士科技有限公司 | 风力涡轮电场级载荷管理控制 |
US10041475B1 (en) * | 2017-02-07 | 2018-08-07 | International Business Machines Corporation | Reducing curtailment of wind power generation |
JP2018185171A (ja) * | 2017-04-24 | 2018-11-22 | 株式会社東芝 | 風車発電機の疲労寿命解析装置、風力発電システム、及び風車発電機の疲労寿命解析方法 |
CN109886488A (zh) * | 2019-02-21 | 2019-06-14 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN111667093A (zh) * | 2020-04-22 | 2020-09-15 | 华北电力科学研究院有限责任公司 | 中长期风电发电计算方法及装置 |
Non-Patent Citations (2)
Title |
---|
"河西地区风速变化特征及风能预测方法研究";仝纪龙;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第04期);C042-16 * |
"风电场功率短期预测方法优化的研究";杨志凌;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第09期);C042-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613674A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220045509A1 (en) | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima | |
Wang et al. | Sequence transfer correction algorithm for numerical weather prediction wind speed and its application in a wind power forecasting system | |
Qian et al. | A review and discussion of decomposition-based hybrid models for wind energy forecasting applications | |
CN111950805B (zh) | 中长期电力负荷预测方法、装置、计算机设备及存储介质 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN104601104B (zh) | 基于lssvm带arma修正的超短期光伏预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
CN112613674B (zh) | 中长期风电发电量预测方法、装置、电子设备及存储介质 | |
Zou et al. | A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN112270439B (zh) | 超短期风电功率预测方法、装置、电子设备及存储介质 | |
CN113869604A (zh) | 基于wrf风速预测的风电功率预测方法及系统 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Liu et al. | A novel interval forecasting system for uncertainty modeling based on multi-input multi-output theory: A case study on modern wind stations | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN106815659B (zh) | 一种基于混合模型的超短期太阳辐射预测方法及其装置 | |
Phan et al. | Application of a new Transformer-based model and XGBoost to improve one-day-ahead solar power forecasts | |
Ye et al. | Wind speed and power prediction approaches: classifications, methodologies, and comments | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及系统 | |
CN116523540A (zh) | 基于自适应lgbm的超短期电价预测方法 | |
CN115907158A (zh) | 一种基于启发式配置的负荷预测方法、设备及存储介质 | |
CN116205123A (zh) | 一种超短期风电场功率预测方法及系统 | |
CN110781569B (zh) | 一种基于多分辨率网格划分的异常检测方法和系统 | |
CN114239920A (zh) | 一种风电功率短期预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |