CN112669168B - 一种风电功率短期预测方法 - Google Patents
一种风电功率短期预测方法 Download PDFInfo
- Publication number
- CN112669168B CN112669168B CN202011478162.8A CN202011478162A CN112669168B CN 112669168 B CN112669168 B CN 112669168B CN 202011478162 A CN202011478162 A CN 202011478162A CN 112669168 B CN112669168 B CN 112669168B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind power
- data
- elm
- neural network
- 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
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
一种风电功率短期预测方法,属于新能源发电技术领域,包括如下步骤:采用集合经验模态分解将原始风速时间序列进行模态分解,再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分;对得到的全部子序列进行相空间重构,分别进行建模预测,对每个子序列的风速数据作为模型的训练样本,建立EM‑AD‑ELM模型确定ELM隐含层的具体数目;采用风速‑风功率转化曲线建立数学模型,结合风速预测值求得风电功率的预测值。本发明通过二次集合经验模态分解解决了第一个本征模态函数高复杂度的问题,并且建立EM‑AD‑ELM模型,从而确定了ELM的网络结构即隐含层的个数并且降低了其过拟合的机会。
Description
技术领域
本发明属于新能源发电技术领域,具体涉及一种风电功率短期预测方法。
背景技术
风电的大规模发展虽然有效地缓解了能源危机和环境污染问题,但是由于影响风能的因素众多,导致风机出力存在随机性、波动性和不稳定性,带来了不完全可控的特点,而大规模风电接入给电力系统的稳定运行和调度带来影响,因此精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。
对于风电功率预测,主要是基于风电场的历史数据、数值天气预报NWP(NumericalWeather Prediction)、风速-风功率转化特性,结合物理、统计及组合等预测模型,实现多时尺度的预测。采用物理模型必须依靠成熟的NWP体系,量化分析处理风电场风速、风向、温度、大气湿度和气压等历史气象数据,并将其代入功率曲线求出实际功率,此方法受限于NWP更新速度,适合风电功率的中短期预测,因此在风机检修、调试等场合较为常见。
统计学习法基于机器学习的思想,弥补了统计法的不足,提高了模型的灵活性。目前研究的重点是风电功率对风速、风向的波动响应,对于风速的研究是今后发展的重点。基于气象监测站提供的数据,建立风电功率短期预测模型,采用集合经验模态分解EEMD,避免了波形分解过程中可能出现的模态混叠现象,提高了模型预测的健壮性,改善了风电功率预测的精度。
发明内容
基于上述技术问题,本发明提出了一种风电功率短期预测方法,通过二次集合经验模态分解的方法解决了第一个本征模态函数高复杂度的问题,并且建立EM-AD-ELM模型,从而确定了ELM的网络结构即隐含层的个数并且降低了其过拟合的机会,解决了隐含层神经元设计过少,不能对序列进行很好的拟合,设计过多会造成运算成本的提升的问题并减少了过拟合的机会,进而提高了预测的精度。
本发明采用如下技术方案:
一种风电功率短期预测方法,包括如下步骤:
(Ⅰ)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解,再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分,得到多个不同频段的稳定的风速子序列,具体步骤如下:
(1)首先对第一个本征模态函数添加的白噪声产生新的序列y1(t),由控制,r为迭代的次数;α为白噪声的幅值;er是误差的标准偏差;
(2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线,并求出其上下包络线的平均值h1(t);
(3)令m1(t)=y1(t)-h1(t),并检查{m1(t)}是否是IMF分量,用剩余的r1(t)=y1(t)-h1(t)代替{y(t)},否则,将{y1(t)}替换为{m1(t)},并重复步骤(2);
(4)重复以上步骤中的过程共n次,直到不能再计算得到IMF并且剩余部分r1n(t)变成单调函数,最后将n次分解得到的全部分量集成平均后作为最终的结果;
(Ⅱ)对得到的全部子序列进行相空间重构,分别进行建模预测,对每个子序列的风速数据作为模型的训练样本,建立EM-AD-ELM模型确定ELM隐含层的具体数目,具体步骤如下:
(1)初始化一个有L0个隐节点的单隐层前向神经网络,L0为一个人为设定小的正整数;
(2)计算隐藏层输出矩阵H1;
(3)计算相应残差E(H1);
(4)设置k=0,ε=0.01,当/>且E(Hk)>ε,进行以下迭代:①k=k+1;②随机增加δLk-1个隐节点,总隐节点数目为:Lk=Lk-1+δLk-1,相应隐藏层输出矩阵Hk+1=[Hk,δHk];③计算残差E(Hk+1);
迭代结束后,确定了极限学习机隐藏层神经元的数目,
(5)使用历史数据对神经网络进行训练,训练输入数据是wi,w,…,wi-m+1,输出数据是wi+1,运用EM-ELM算法进行训练神经网络;
(6)用自适应度量标准来进行欧氏空间距离度量,以方程为基础,将数据集wi,wi-1,…,wi-m+1和时间序列的其他部分进行比较;
(7)运用k近邻方法,并在方程的基础上获得初始化神经网络的输入数据根据方程来实现,神经网络的输入数据为/>
(8)通过神经网络获得结果Outputv=av,v=1,2,…,k,然后再运用方程获得预测结果wt+1,将同样的数据反复进行s次,之后得到预测序列/>并运用式/> 计算得到的预测序列平均值作为最终预测数据;
(Ⅲ)采用风速-风功率转化曲线建立数学模型,结合风速预测值求得风电功率的预测值,数学模型如下:
本发明的优点与效果为:
本发明为一种风力发电短期功率预测的方法,采用集合经验模态分解(EnsembleEmpirical Mode Decomposition,EEMD)的方法将原始风速信号分解为频域稳定的子序列,考虑到得到的第一个本征模态函数(Intrinsic Mode Function,IMF)还具有不稳定的特点,本方法对一次集合经验模态分解得到的第一个本征模态函数采用二次集合经验模态分解,获得更加平稳的风速子序列。使用改进的极限学习机(Extreme Learning Machine,ELM)对各序列分别建模预测,极限学习机的拟合性能在一定程度上受到网络结构和输入数据的影响,从而建立EM-AD-ELM模型可以确定其隐含层的具体数目并且减少过拟合的机会,根据风速的预测模型及风速-功率转换关系,进而预测出风电功率。
附图说明
图1为本发明风电功率预测流程图;
图2为本发明风电功率短期及超短期预测流程图;
图3为风速时间序列图;
图4为隐含层神经元个数。
具体实施方式
下面结合附图及实施例对本发明作进一步描述。
本发明为一种基于EEMD-EM-AD-ELM风电功率短期预测方法,采用如下步骤:
1.(1)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解。考虑到得到的第一个本征模态函数仍然具有不稳定性,本文提出再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分,得到多个不同频段的稳定的风速子序列。
(2)对得到的全部子序列进行相空间重构。分别进行建模预测,对每个子序列的风速数据作为模型的训练样本,考虑到ELM隐含层神经元设计过少,不能对序列进行很好的拟合,设计过多会造成运算成本的提升以及防止网络结构过于复杂出现过度拟合的问题,从而本文提出了一种EM-AD-ELM模型可以确定ELM隐含层的具体数目并且大大减小了过拟合的机会。
(3)采用风速-风功率转化曲线建立数学模型,结合风速预测值从而可求得风电功率的预测值。
2.(1)首先对第一个本征模态函数添加的白噪声产生新的序列y1(t),由控制,r为迭代的次数;α为白噪声的幅值;er是误差的标准偏差。
(2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线,并求出其上下包络线的平均值h1(t)。
(3)令m1(t)=y1(t)-h1(t),并检查{m1(t)}是否是IMF分量。用剩余的r1(t)=y1(t)-h1(t)代替{y(t)}。否则,将{y1(t)}替换为{m1(t)},并重复步骤(2)。
(4)重复以上步骤中的过程共n次,直到不能再计算得到IMF并且剩余部分r1n(t)变成单调函数。最后将n次分解得到的全部分量集成平均后作为最终的结果。此时得到的子序列会更加稳定,提高了短期风电功率预测的精度。
3.(1)初始化一个有L0个隐节点的单隐层前向神经网络,L0为一人为设定小的正整数;
(2)计算隐藏层输出矩阵H1;
(3)计算相应残差E(H1)。
(4)本文设置k=0,ε=0.01,当/>且E(Hk)>ε,进行以下迭代:①k=k+1;②随机增加δLk-1个隐节点,总隐节点数目为:Lk=Lk-1+δLk-1,相应隐藏层输出矩阵Hk+1=[Hk,δHk];③计算残差E(Hk+1)。
迭代结束后,此时便可以确定了极限学习机隐藏层神经元的数目。
(5)当训练数据与输入数据相差很大的时候,这时的预测结果就可能不准确,需要使用历史数据对神经网络进行训练。训练输入数据是wi,w,…,wi-m+1,输出数据是wi+1。运用EM-ELM算法进行训练神经网络。
(6)用自适应度量标准来进行欧氏空间距离度量,以方程为基础。将数据集wi,wi-1,…,wi-m+1和时间序列的其他部分进行比较。
(7)运用k近邻算法,并在方程的基础上获得初始化神经网络的输入数据根据方程来实现。神经网络的输入数据为/>
(8)通过神经网络获得结果Outputv=av,v=1,2,…,k。然后再运用方程获得预测结果wt+1。将同样的数据反复进行s次,之后得到预测序列/>并运用式/>计算得到的预测序列平均值作为最终预测数据。
4.风速-风功率转化曲线建立数学模型后,结合风速预测值便可求得风电功率的预测值。
附图1和附图2为本发明预测风电功率的风电预测的流程。在数据预处理部分中,数据采集与监控系统提供的风机运行的历史数据作为样本数据。对原始数据进行预处理,将缺失数据补充完整,异常数据合理替换,以保证能够符合预测模型的运行要求。当风速值小于切入风速时,现实情况下风机输出功率为0,但实际数据不为0,设输出功率为0,将所有风速值为负的置为0;当存在缺失数据时,采用线性插值法补充完整。
第二个部分为风速预测部分,基于信号尺度分解降维的思想,风速信号采用EEMD的方法建立预测模型,从而得到若干个IMF以及一个残差分量rn,有效地处理了非线性的时序风电信号,提高了功率预测的精度。本方法的一个重要创新点是提出一种新颖的二次混合分解方法用于原始风电功率时间序列的预处理。该方法以集合经验模态分解作为原始风速数据的主要分解方式,接着再次采用集合经验模态分解对IMF1进行二次分解,然后对分解得到的全部子序列进行建模。解决了基本集合经验模态分解高频子序列IMF1预测精度地的问题,有效提高了风电功率的预测精度。由相空间重构将时间序列延拓成m维的相空间,接下来用混沌时间序列的嵌入维数m作为网络的输入层节点,每个输入数据之间时间相差τ个时间点,得到网络的输入输出结构,然后选择学习样本构成训练集,对网络进行训练,直到达到误差要求为止,网络训练成功以后,选取预测时间点运用前面建立好的预测模型进行预测。第三部分为风电功率预测部分,对于以上预测出的风速,可以建立风速-风功率数学模型进行风电功率的预测,分为初始低风速阶段、中风速上升阶段、高风速饱和阶段以及风机停止运行阶段,运用数学模型预测出具体的风电功率值。
实施例1
本发明基于EEMD-AD-ELM的短期风电功率预测方法,包括以下内容:
考虑对风电功率影响最大的因素,选用风速作为风电输出功率的环境影响因素,并令其作为输入进行仿真研究。本实施例中风速时间序列如图3所示,采集数据以15min作为间隔,包括了2020年9月1日至2020年10月1日的数据。将9月1日至9月30日的数据作为模型训练集,10月1日的数据作为测试集,预测10月1日的风电输出功率,然后与预测时刻相同时间实际测量的数据进行对比。
首先预处理风速数据,风速值为负的数据设为0,大于切出风速值设为等于切出风速。规定前2784个数据样本点为训练集,后97个数据样本点为测试集,采用EEMD将SCADA系统记录的原始风速时间序列进行模态分解,代入式(1)优化得到的参数值ε=0.17、e=200。对得到的IMF1进行二次集合经验模态分解,得到8个本征模态函数和一个残余分量。将得到的全部子序列进行相空间重构,将得到的序列带入到EM-AD-ELM中进行训练,最终确定隐含层的数目如图4所示,最终得到预测结果。最后利用下式得到风电功率,
Claims (1)
1.一种风电功率短期预测方法,其特征在于:包括如下步骤:
(Ⅰ)采用集合经验模态分解将SCADA系统记录的原始风速时间序列进行模态分解,再次应用EEMD对一次集合经验模态分解得到的IMF1分量进行二次剖分,得到多个不同频段的稳定的风速子序列,具体步骤如下:
(1)首先对第一个本征模态函数添加的白噪声产生新的序列y1(t),由控制,r为迭代的次数;α为白噪声的幅值;er是误差的标准偏差;
(2)使用三次样条插值的办法分别求出加入白噪声后的序列的上、下包络线,并求出其上下包络线的平均值h1(t);
(3)令m1(t)=y1(t)-h1(t),并检查{m1(t)}是否是IMF分量,用剩余的r1(t)=y1(t)-h1(t)代替{y(t)},否则,将{y1(t)}替换为{m1(t)},并重复步骤(2);
(4)重复以上步骤中的过程共n次,直到不能再计算得到IMF并且剩余部分r1n(t)变成单调函数,最后将n次分解得到的全部分量集成平均后作为最终的结果;
(Ⅱ)对得到的全部子序列进行相空间重构,分别进行建模预测,对每个子序列的风速数据作为模型的训练样本,建立EM-AD-ELM模型确定ELM隐含层的具体数目,具体步骤如下:
(1)初始化一个有L0个隐节点的单隐层前向神经网络,L0为一个人为设定小的正整数;
(2)计算隐藏层输出矩阵H1;
(3)计算相应残差E(H1);
(4)设置k=0,ε=0.01,当/>且E(Hk)>ε,进行以下迭代:①k=k+1;②随机增加δLk-1个隐节点,总隐节点数目为:Lk=Lk-1+δLk-1,相应隐藏层输出矩阵Hk+1=[Hk,δHk];③计算残差E(Hk+1);
迭代结束后,确定了极限学习机隐藏层神经元的数目,
(5)使用历史数据对神经网络进行训练,训练输入数据是wi,w,…,wi-m+1,输出数据是wi+1,运用EM-ELM算法进行训练神经网络;
(6)用自适应度量标准来进行欧氏空间距离度量,以方程为基础,将数据集wi,wi-1,…,wi-m+1和时间序列的其他部分进行比较;
(7)运用k近邻方法,并在方程的基础上获得初始化神经网络的输入数据根据方程来实现,神经网络的输入数据为/>
(8)通过神经网络获得结果Outputv=av,v=1,2,…,k,然后再运用方程获得预测结果wt+1,将同样的数据反复进行s次,之后得到预测序列/>并运用式/> 计算得到的预测序列平均值作为最终预测数据;
(Ⅲ)采用风速-风功率转化曲线建立数学模型,结合风速预测值求得风电功率的预测值,数学模型如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478162.8A CN112669168B (zh) | 2020-12-15 | 2020-12-15 | 一种风电功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478162.8A CN112669168B (zh) | 2020-12-15 | 2020-12-15 | 一种风电功率短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669168A CN112669168A (zh) | 2021-04-16 |
CN112669168B true CN112669168B (zh) | 2023-09-05 |
Family
ID=75406131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011478162.8A Active CN112669168B (zh) | 2020-12-15 | 2020-12-15 | 一种风电功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669168B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117748501B (zh) * | 2024-02-19 | 2024-05-07 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573876A (zh) * | 2015-01-28 | 2015-04-29 | 华北电力大学(保定) | 基于时序长记忆模型的风电场短期风速预测方法 |
CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN110458316A (zh) * | 2019-05-21 | 2019-11-15 | 武汉大学 | 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 |
-
2020
- 2020-12-15 CN CN202011478162.8A patent/CN112669168B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573876A (zh) * | 2015-01-28 | 2015-04-29 | 华北电力大学(保定) | 基于时序长记忆模型的风电场短期风速预测方法 |
CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
CN110458316A (zh) * | 2019-05-21 | 2019-11-15 | 武汉大学 | 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法 |
Non-Patent Citations (1)
Title |
---|
基于EEMD和LS-SVM模型的风电功率短期预测方法;程启明;陈路;程尹曼;张强;高杰;;电力自动化设备(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669168A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109802430B (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
CN102562469B (zh) | 基于校正算法的短期风力发电机输出功率预测方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN112508246B (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
Niu et al. | Short-term wind speed hybrid forecasting model based on bias correcting study and its application | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN112669168B (zh) | 一种风电功率短期预测方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN113205228A (zh) | 一种短期风力发电输出功率的预测方法 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN111967652A (zh) | 一种双层协同实时校正光伏预测方法 | |
CN115081681B (zh) | 一种基于prophet算法的风电功率预测方法 | |
CN111815051A (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN115239029B (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
CN104091041B (zh) | 基于高阶矩的发电功率估算方法和系统 | |
CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及系统 | |
CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 123000 No. 53 Jiefang street, Haizhou District, Fuxin City, Liaoning Province Applicant after: STATE GRID FUXIN ELECTRIC POWER SUPPLY Co. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 123200 No. 53 Jiefang street, Haizhou District, Fuxin City, Liaoning Province Applicant before: STATE GRID FUXIN ELECTRIC POWER SUPPLY Co. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |