CN112766583A - 基于爬坡事件特征识别的风电功率短期预测方法和系统 - Google Patents
基于爬坡事件特征识别的风电功率短期预测方法和系统 Download PDFInfo
- Publication number
- CN112766583A CN112766583A CN202110098335.1A CN202110098335A CN112766583A CN 112766583 A CN112766583 A CN 112766583A CN 202110098335 A CN202110098335 A CN 202110098335A CN 112766583 A CN112766583 A CN 112766583A
- Authority
- CN
- China
- Prior art keywords
- climbing
- wind power
- power
- event
- climbing event
- 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.)
- Granted
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NSRVTWFLOSHWDX-UHFFFAOYSA-N Tremulin Natural products CC12CCCC(C)(C1CCC34CC(C(O)CC23)C(=C)C4=O)C(=O)O NSRVTWFLOSHWDX-UHFFFAOYSA-N 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于爬坡事件特征识别的风电功率短期预测方法和系统,预测方法包括以下步骤:利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段;利用移动滑窗算法进行爬坡趋势段的整合,识别爬坡事件;对识别出的爬坡事件进行分类;建立风电功率爬坡事件预测模型,进行爬坡事件功率预测;建立短期风电功率预测模型,获取初步风电功率预测结果;利用爬坡事件功率预测结果对初步风电功率预测结果进行订正,得到最终的短期风电功率预测结果。本发明结合风电爬坡事件识别进行风电功率短期预测,能够准确的预测出因转折性天气、极端气候事件造成的风电功率爬坡事件,从而有效提高风电功率短期预测准确率。
Description
技术领域
本发明属于风电功率预测领域,具体涉及一种基于爬坡事件特征识别的风电功率短期预测方法和系统。
背景技术
风电作为可再生能源,在全球范围内已得到了大力的发展。随着风电在电网中渗透率的提高,其随机性和波动性会严重影响电力系统的安全和稳定运行,因此,开展风电功率预测非常重要。对于电网侧来说,准确的功率预测结果能够指导电网提前预留旋转备用容量,及时调峰,保障电网的安全稳定运行。风电功率预测有助于风电企业合理安排检修计划,提高经济效益和盈利能力。此外,风电作为并网电源,需要参与日前电力市场竞价,因此,对风电功率预测的依赖性和需求度越来越高。根据国家能源局的相关文件,具备风电功率预测已经成为风电场发电并网运行的强制性要求。风电场需要每日向电网申报发电计划,上报功率预测结果,如果预测误差不达标,风电场将面临高额的经济惩罚。
风电功率预测的准确性通常基于精准的数值天气预测和功率预测方法。然而,随着天气条件、风电机组运行等不确定性因素的增加,关于风电功率预测准确性的提高逐渐进入瓶颈。传统的风电功率预测方法通常基于单一的机器学习方法或统计学方法,由于大气系统的噪声环境和混沌特性,传统方法难以识别短期风电功率预测中固有的非线性和高度复杂特性,且当数据量较大时,容易出现陷入局部极小值,收敛速度困难等问题,训练过程容易出现震荡,并导致预测结果不稳定。已有研究表明风电功率爬坡事件是造成电网安全事故的重要因素之一,也是影响风电功率预测准确率的主要因素之一,以往的风电功率预测方法难以准确预测出爬坡事件。准确识别爬坡事件特征,将有利于开展风电功率预测。但现有的风电功率爬坡事件识别方法要么过于复杂导致算法执行效率过低,要么识别精度不高,从而影响后续的功率预测精度。因此,探寻更加准确有效的风电功率预测方法具有重要的现实意义。
[1]叶林,路朋,滕景竹,等.考虑风电功率爬坡的功率预测-校正模型[J].电力系统自动化,2019,43(06):70-79.
[2]李俊卿,李秋佳.基于Kriging和长短期记忆网络的风电功率预测方法[J].太阳能学报,2020,41(11):241-247.
[3]崔杨,陈正洪,许沛华.基于机器学习的集群式风光一体短期功率预测技术[J].中国电力,2020,53(03):1-7.
发明内容
本发明的目的在于针对上述现有技术中风电功率爬坡事件识别方法复杂且识别精度不高的问题,提供一种基于爬坡事件特征识别的风电功率短期预测方法和系统,能够有效提高短期风电功率预测准确率,并适用于多种地形和气候条件下的风电功率预测。
为了实现上述目的,本发明有如下的技术方案:
一种基于爬坡事件特征识别的风电功率短期预测方法,包括以下步骤:
步骤一、利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段;
步骤二、利用移动滑窗算法进行爬坡趋势段的整合,识别爬坡事件;
步骤三、对识别出的爬坡事件进行分类;
步骤四、建立风电功率爬坡事件预测模型,进行爬坡事件功率预测;
步骤五、建立短期风电功率预测模型,获取初步风电功率预测结果;利用爬坡事件功率预测结果对初步风电功率预测结果进行订正,得到最终的短期风电功率预测结果。
所述的步骤一具体包括以下步骤:
1.1)建立最优旋转门算法模型:
Pd<Pc<Pu;
其中,Pd和Pu是当前功率点旁边的较大值功率点与较小值功率点;Pc是当前功率点所对应的功率值;Pg是与当前旋转门相交的功率值;Ps是最优旋转门算法所识别到的爬坡功率段的起点;tc是当前功率点所对应的时间;
1.2)确定最优旋转门算法的门宽:
根据功率数据集的特征,规定可能的最大门宽和最小门宽,设定门宽增值为0.1,执行步骤1)中的最优旋转门算法模型,每次执行结束后都计算出相应的爬坡事件评价指标,并与前一次计算出的爬坡事件评价指标进行对比,标记爬坡事件评价指标中的较大者,再依次将门宽增加0.1后继续执行最优旋转门算法模型,直到达到最大门宽后结束;最终,最佳的评价指标所对应的门宽即为旋转门算法的最优门宽。
所述的爬坡事件评价指标如下表所示:
其中,TP表示爬坡事件被检测到并发生了,FP表示爬坡事件被检测到但没有发生,FN表示爬坡事件发生了但没有被检测到,TN表示爬坡事件没有发生且没有检测到;
通过以下多项评价指标验证爬坡事件的检测效果:
DA表示正确检测到实际发生的爬坡事件百分比,其计算表达式如下:
RC表示检测到实际发生的爬坡事件百分比,其计算表达式如下:
CSI表示正确检测到的爬坡事件百分比,其计算表达式如下:
Acc表示正确检测到的爬坡事件和非爬坡事件百分比,其计算表达式如下:
所述的爬坡事件评价指标为最佳的判断方法为:
在步骤1.2)中,每一次最优旋转门算法模型执行结束后,均计算出对应的4个评价指标验证爬坡事件的检测效果,将每个评价指标所对应的首次计算结果初始化为最优指标,当门宽每增加0.1时,均再次计算出对应的4个评价指标验证爬坡事件的检测效果,并按照DA、RC、CSI和Acc的顺序与最优指标进行对比,如果某评价指标大于对应的最优值,则更新该指标为最优指标,并进行下一个评价指标的判断,如果判断结果小于最优值,则取消此次判断;如果当前门宽小于最大门宽,则将当前门宽增加0.1后,重复执行最优旋转门算法模型并进行评价指标的判断,如果当前门宽等于最大门宽,则判断结束。
所述风电功率爬坡事件的判断依据为如下表达式:
式中,P(i)为功率值,Pthreshold为爬坡事件中功率变化的阈值,功率变化的阈值为最大功率与最小功率间的差值,PCapacity为风电场装机容量,n为功率变化阈值百分比,tstart为爬坡事件开始时间,tend为爬坡事件结束时间,T为最大持续时间。
所述的步骤二具体包括以下步骤:
2.1)数据状态标记;
利用下式判断为上爬坡还是下爬坡:
式中,pstart为爬坡事件开始时的功率值,pend爬坡事件结束时的功率值;
如果当前数据趋势段满足风电功率爬坡事件的判断依据且为上爬坡,则标记为1,若为下爬坡则标记为-1;如果当前数据趋势段不满足风电功率爬坡事件的判断依据且为上爬坡,则标记为10,若为下爬坡,则标记为-10;其余未被识别为爬坡事件的点标记为0;
2.2)爬坡趋势段整合;
设定爬坡持续时间窗,以某一爬坡趋势段为起点,将时间窗内的爬坡事件进行整合,如果时间窗内的最大功率值与最小功率值之差大于爬坡阈值,则被整合为爬坡事件,若判断为上爬坡事件,则将最大最小功率点间的数据状态更新为1,反之,更新为-1。
所述的步骤2.2)中,如果判断为上爬坡事件,则将最小值之前的点更新为0,下一次爬坡事件的判断从最大值之后的点开始;而如果判断为下爬坡事件,则将最大值之前的点更新为0,下一次爬坡事件的判断从最小值之后的点开始。
所述的步骤三利用模糊C均值算法对爬坡事件进行分类,此处设定均分为4类;步骤四利用获取得到的爬坡事件分类结果,结合同时期数值预报中的风速、气温、相对湿度以及气压预测结果,分别对4类风电功率爬坡事件建立LSTM预测模型,进行爬坡事件功率预测。
建立短期风电功率预测模型的步骤如下:利用过去15天的经过订正的风速、气温、相对湿度、气压气象要素结合同期的历史功率作为训练数据,利用预测未来三天的气象要素驱动LSTM模型并得到预测未来三天的短期风电功率预测模型;预报气象要素的订正采用多元线性回归法对过去15天的各预测要素和对应的实测要素进行建模,得到相应的订正系数权值。
本发明还提供一种基于爬坡事件特征识别的风电功率短期预测系统,包括:
爬坡事件识别模块,利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段,并利用移动滑窗算法进行爬坡趋势段的整合,识别爬坡事件;
爬坡事件分类模块,对识别出的爬坡事件进行分类;
预测模型建立模块,用于建立风电功率爬坡事件预测模型;
爬坡事件功率预测及订正输出模块,通过风电功率爬坡事件预测模型进行爬坡事件功率预测,并对对初步风电功率预测结果进行订正,得到最终的短期风电功率预测结果。
相较于现有技术,本发明具有如下的有益效果:
风电爬坡事件的识别准确率高,执行速度快,能够应用于电网和电力调度部门,开展风电场历史发电量数据的分析,指导未来发电量预测。此外,本发明能够有效识别历史数据中的突发事件,不仅可以用于风电功率预测领域,还能够应用于其他数据变化具有不稳定性特征的领域,如光伏发电、电力负荷预测等。本发明结合风电爬坡事件识别进行风电功率短期预测,能够准确预测出因转折性天气、极端气候事件造成的风电功率爬坡事件,从而有效提高风电功率短期预测准确率。本发明能够为电网、电力调度部门以及风电场提供未来3天的短期发电功率预测结果,指导电网及调度部门提前下达发电计划、安排旋转备用容量,保障电网的安全、稳定运行,也能够指导风电场开展检修计划,减少经济损失。
附图说明
图1本发明最优旋转门算法计算最优门宽的流程图;
图2本发明进行爬坡事件识别的整体流程图;
图3本发明考虑爬坡事件识别的风电功率预测流程图;
图4本发明风电功率短期预测系统应用实例示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
目前的短期风电功率预测方法难以准确预测因特殊天气现象或物理过程(阵风、雷暴、低空急流、台风等)造成的发电功率突然上升或下降的情况(风电功率爬坡事件),进而导致整体风电功率预测准确率降低。针对此问题,本发明提供一种基于爬坡事件特征识别的风电功率短期预测方法和系统,基于爬坡事件特征识别的风电功率短期预测方法包括以下步骤:
步骤一、规定风电功率爬坡事件的定义。风电功率爬坡事件的定义因不同气候条件、地形和风电场规模的影响而不同,通常规定为在一特定时间段内,功率变化幅值需超过给定的功率阈值,如式(1)所示:
其中,P(i)为功率值,Pthreshold为爬坡事件中功率变化的阈值,即为最大功率与最小功率间的差值,PCapacity为风电场装机容量,n为功率变化阈值百分比,tstart为爬坡事件开始时间,tend为爬坡事件结束时间,T为最大持续时间。其中,爬坡事件持续时间T和功率阈值n可通过对历史风电功率数据进行分析,经综合判断后给定。
步骤二、建立爬坡事件评价指标。
利用表1判断风电功率爬坡事件的识别结果。
表1观测与检测爬坡事件列联表
其中,TP表示爬坡事件被检测到并发生了,FP表示爬坡事件被检测到但没有发生,FN表示爬坡事件发生了但没有被检测到,TN表示爬坡事件没有发生且没有检测到。
通过多项评价指标验证爬坡事件的检测效果,如式(2)~式(5)所示:
DA表示正确检测到实际发生的爬坡事件百分比:
RC表示检测到实际发生的爬坡事件百分比:
CSI表示正确检测到的爬坡事件百分比:
Acc表示正确检测到的爬坡事件和非爬坡事件百分比:
步骤三、风电功率爬坡事件识别:
第一步,利用最优旋转门算法(swinging door algorithm,SDA)识别出历史风电功率中具有爬坡趋势的功率段。
1.1)建立最优旋转门算法模型。
Pd<Pc<Pu (6)
其中,Pd和Pu是当前功率点旁边的较大值功率点和较小值功率点;Pc是当前功率点所对应的功率值;Pg是与当前旋转门相交的功率值;Ps是最优旋转门算法所识别到的爬坡功率段的起点;tc是当前功率点所对应的时间。
1.2)确定最优旋转门算法的门宽。
根据功率数据集的特征,规定可能的最大门宽和最小门宽,设定门宽增值为0.1,执行1.1)中的最优旋转门算法模型,每次执行结束后都计算出相应的爬坡事件评价指标,并将门宽增加0.1后继续执行最优旋转门算法模型,直到达到最大门宽后结束。最终,最佳评价指标所对应的门宽即为最优旋转门算法对应的最优门宽。针对某特定实例,最优门宽的确定仅在首次使用该方法时执行,后续执行算法均采用首次确定的最优门宽结果。如图1所示。
在上述步骤1.2)中,每一次最优旋转门算法模型执行结束后,均计算出对应的4个评价指标验证爬坡事件的检测效果,将每个评价指标所对应的首次计算结果初始化为最优指标,当门宽每增加0.1时,均再次计算出对应的4个评价指标验证爬坡事件的检测效果,并按照DA、RC、CSI和Acc的顺序与最优指标进行对比,如果某评价指标大于对应的最优值,则更新该指标为最优指标,并进行下一个评价指标的判断,如果判断结果小于最优值,则取消此次判断;如果当前门宽小于最大门宽,则将当前门宽增加0.1后,重复执行最优旋转门算法模型并进行评价指标的判断,如果当前门宽等于最大门宽,则判断结束。
第二步,利用移动滑窗算法(Sliding Window,SW)进行爬坡趋势段的整合。
SDA所识别的结果为具有特定上升或下降趋势的爬坡趋势段,并不能构成完整的爬坡事件,因此利用SW算法的原理对数据段进行整合。
2.1)数据状态标记。利用式(9)判断是上爬坡还是下爬坡。如果当前数据趋势段满足式(1)且为上爬坡,则标记为1,若为下爬坡则标记为-1;如果当前数据趋势段不满足式(1)且为上爬坡,则标记为10,若为下爬坡,则标记为-10;其余未被识别为爬坡事件的点标记为0。
式中,pstart为爬坡事件开始时的功率值,pend爬坡事件结束时的功率值。
2.2)爬坡趋势段整合。设定爬坡持续时间窗,以某一爬坡趋势段为起点,将时间窗内的爬坡事件进行整合,如果时间窗内的最大功率值与最小功率值之差大于爬坡阈值Pthreshold,则被整合为爬坡事件,通过式(9)判断为上爬坡事件,则将最大最小功率点间的数据状态更新为1,反之,更新为-1。如果为上爬坡事件,则将最小值之前的点更新为0,下一次爬坡事件的判断从最大值之后的点开始;如果为下爬坡事件,则将最大值之前的点更新为0,下一次爬坡事件的判断从最小值之后的点开始。所述爬坡事件识别的整体流程如图2所示:
步骤四、数值天气预测要素订正。为了得到更好的预测结果,需要对原始数值预测数据中的风速(m/s)、气温(℃)、相对湿度(%)和气压(hPa)进行订正。利用多元线性回归法对过去15天的各预测要素和测风塔对应的实测要素进行建模,得到相应的订正系数权值。
步骤五、建立短期风电功率预测模型。利用过去15天的经过订正的风速、气温、相对湿度、气压等气象要素结合同期历史功率作为训练数据,利用预测未来三天的气象要素驱动LSTM模型,并得到预测未来三天的短期风电功率预测模型。
步骤六、爬坡事件识别。利用步骤一至步骤3中的方法,分别对训练数据和风电功率初步预测结果进行爬坡事件识别。
步骤七、爬坡事件分类。利用模糊C均值算法分别对训练数据和预测结果中所识别的爬坡事件进行分类,此处设定均分为4类。
步骤八、建立风电功率爬坡事件预测模型。利用4种获取的爬坡事件分类结果,结合同时期的风速(m/s)、气温(℃)、相对湿度(%)和气压(hPa)预测结果,分别对4类风电功率爬坡事件建立LSTM预测模型,开展爬坡事件功率预测。
步骤九、风电功率预测结果订正。利用爬坡事件的预测结果对步骤五得到的初步风电功率预测结果进行订正,并得到最终的短期风电功率预测结果。风电功率预测流程如图3所示。
本发明还提供一种基于爬坡事件特征识别的风电功率短期预测系统,包括:
爬坡事件识别模块,利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段,并利用移动滑窗算法进行爬坡趋势段的整合,识别爬坡事件;
爬坡事件分类模块,对识别出的爬坡事件进行分类;
预测模型建立模块,用于建立风电功率爬坡事件预测模型;
爬坡事件功率预测及订正输出模块,通过风电功率爬坡事件预测模型进行爬坡事件功率预测,并对对初步风电功率预测结果进行订正,得到最终的短期风电功率预测结果。
本发明风电功率短期预测系统实例已试验应用于湖北省某220MW风电项目中,将该基于爬坡事件特征识别的风电功率短期预测方法集成在预测系统中,该预测系统运行于功率预测服务器,数值天气预测在外网服务器接收,通过反向隔离装置传入功率预测服务器,再通过对应的电力规约将预测结果上传至本地电网,同时在本地服务器中完成备份。
以上所述的仅仅是本发明的较佳实施例,并不用以对本发明的技术方案进行任何限制,本领域技术人员应当理解的是,在不脱离本发明精神和原则的前提下,该技术方案还可以进行若干简单的修改和替换,这些修改和替换也均属于权利要求书涵盖的保护范围之内。
Claims (10)
1.一种基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,包括以下步骤:
步骤一、利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段;
步骤二、利用移动滑窗算法进行爬坡趋势段的整合,识别爬坡事件;
步骤三、对识别出的爬坡事件进行分类;
步骤四、建立风电功率爬坡事件预测模型,进行爬坡事件功率预测;
步骤五、建立短期风电功率预测模型,获取初步风电功率预测结果;利用爬坡事件功率预测结果对初步风电功率预测结果进行订正,得到最终的短期风电功率预测结果。
2.根据权利要求1所述基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,所述的步骤一具体包括以下步骤:
1.1)建立最优旋转门算法模型:
Pd<Pc<Pu;
其中,Pd和Pu是当前功率点旁边的较大值功率点与较小值功率点;Pc是当前功率点所对应的功率值;Pg是与当前旋转门相交的功率值;Ps是最优旋转门算法所识别到的爬坡功率段的起点;tc是当前功率点所对应的时间;
1.2)确定最优旋转门算法的门宽:
根据功率数据集的特征,规定可能的最大门宽和最小门宽,设定门宽增值为0.1,执行步骤1)中的最优旋转门算法模型,每次执行结束后都计算出相应的爬坡事件评价指标,并与前一次计算出的爬坡事件评价指标进行对比,标记爬坡事件评价指标中的较大者,再依次将门宽增加0.1后继续执行最优旋转门算法模型,直到达到最大门宽后结束;最终,最佳的评价指标所对应的门宽即为旋转门算法的最优门宽。
4.根据权利要求3所述基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,所述的爬坡事件评价指标为最佳的判断方法为:
在步骤1.2)中,每一次最优旋转门算法模型执行结束后,均计算出对应的4个评价指标验证爬坡事件的检测效果,将每个评价指标所对应的首次计算结果初始化为最优指标,当门宽每增加0.1时,均再次计算出对应的4个评价指标验证爬坡事件的检测效果,并按照DA、RC、CSI和Acc的顺序与最优指标进行对比,如果某评价指标大于对应的最优值,则更新该指标为最优指标,并进行下一个评价指标的判断,如果判断结果小于最优值,则取消此次判断;如果当前门宽小于最大门宽,则将当前门宽增加0.1后,重复执行最优旋转门算法模型并进行评价指标的判断,如果当前门宽等于最大门宽,则判断结束。
6.根据权利要求1所述基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,所述的步骤二具体包括以下步骤:
2.1)数据状态标记;
利用下式判断为上爬坡还是下爬坡:
式中,pstart为爬坡事件开始时的功率值,pend爬坡事件结束时的功率值;
如果当前数据趋势段满足风电功率爬坡事件的判断依据且为上爬坡,则标记为1,若为下爬坡则标记为-1;如果当前数据趋势段不满足风电功率爬坡事件的判断依据且为上爬坡,则标记为10,若为下爬坡,则标记为-10;其余未被识别为爬坡事件的点标记为0;
2.2)爬坡趋势段整合;
设定爬坡持续时间窗,以某一爬坡趋势段为起点,将时间窗内的爬坡事件进行整合,如果时间窗内的最大功率值与最小功率值之差大于爬坡阈值,则被整合为爬坡事件,若判断为上爬坡事件,则将最大最小功率点间的数据状态更新为1,反之,更新为-1。
7.根据权利要求6所述基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,所述的步骤2.2)中,如果判断为上爬坡事件,则将最小值之前的点更新为0,下一次爬坡事件的判断从最大值之后的点开始;而如果判断为下爬坡事件,则将最大值之前的点更新为0,下一次爬坡事件的判断从最小值之后的点开始。
8.根据权利要求1所述基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,所述的步骤三利用模糊C均值算法对爬坡事件进行分类,此处设定均分为4类;所述的步骤四利用获取得到的爬坡事件分类结果,结合同时期数值预报中的风速、气温、相对湿度以及气压预测结果,分别对4类风电功率爬坡事件建立LSTM预测模型,进行爬坡事件功率预测。
9.根据权利要求1所述基于爬坡事件特征识别的风电功率短期预测方法,其特征在于,建立短期风电功率预测模型的步骤如下:利用过去15天的经过订正的风速、气温、相对湿度、气压气象要素结合同期的历史功率作为训练数据,利用预测未来三天的气象要素驱动LSTM模型,并得到预测未来三天的短期风电功率预测模型;预报气象要素的订正采用多元线性回归法对过去15天的各预测要素和对应的实测要素进行建模,得到相应的订正系数权值。
10.一种基于爬坡事件特征识别的风电功率短期预测系统,其特征在于,包括:
爬坡事件识别模块,利用最优旋转门算法识别出历史风电功率中具有爬坡趋势的功率段,并利用移动滑窗算法进行爬坡趋势段的整合,识别爬坡事件;
爬坡事件分类模块,对识别出的爬坡事件进行分类;
预测模型建立模块,用于建立风电功率爬坡事件预测模型;
爬坡事件功率预测及订正输出模块,通过风电功率爬坡事件预测模型进行爬坡事件功率预测,并对对初步风电功率预测结果进行订正,得到最终的短期风电功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098335.1A CN112766583B (zh) | 2021-01-25 | 2021-01-25 | 基于爬坡事件特征识别的风电功率短期预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098335.1A CN112766583B (zh) | 2021-01-25 | 2021-01-25 | 基于爬坡事件特征识别的风电功率短期预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766583A true CN112766583A (zh) | 2021-05-07 |
CN112766583B CN112766583B (zh) | 2024-02-02 |
Family
ID=75707181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110098335.1A Active CN112766583B (zh) | 2021-01-25 | 2021-01-25 | 基于爬坡事件特征识别的风电功率短期预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766583B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170130A (zh) * | 2011-04-26 | 2011-08-31 | 华北电力大学 | 一种风电功率短期预测方法 |
CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
CN110245866A (zh) * | 2019-06-14 | 2019-09-17 | 南京信息工程大学 | 一种风电功率爬坡事件检测方法 |
CN110348637A (zh) * | 2019-07-12 | 2019-10-18 | 哈尔滨工业大学 | 一种考虑场-网因素的风电爬坡事件预警方法 |
CN111582544A (zh) * | 2020-04-08 | 2020-08-25 | 湖北省气象服务中心(湖北省专业气象服务台) | 新能源并网条件下的电网负荷预测方法、装置和系统 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN114429409A (zh) * | 2022-01-06 | 2022-05-03 | 华北电力大学(保定) | 一种优化旋转门算法的储能型风电场爬坡事件检测方法 |
-
2021
- 2021-01-25 CN CN202110098335.1A patent/CN112766583B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170130A (zh) * | 2011-04-26 | 2011-08-31 | 华北电力大学 | 一种风电功率短期预测方法 |
CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
CN110245866A (zh) * | 2019-06-14 | 2019-09-17 | 南京信息工程大学 | 一种风电功率爬坡事件检测方法 |
CN110348637A (zh) * | 2019-07-12 | 2019-10-18 | 哈尔滨工业大学 | 一种考虑场-网因素的风电爬坡事件预警方法 |
CN111582544A (zh) * | 2020-04-08 | 2020-08-25 | 湖北省气象服务中心(湖北省专业气象服务台) | 新能源并网条件下的电网负荷预测方法、装置和系统 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN114429409A (zh) * | 2022-01-06 | 2022-05-03 | 华北电力大学(保定) | 一种优化旋转门算法的储能型风电场爬坡事件检测方法 |
Non-Patent Citations (14)
Title |
---|
任双雪;王毅钊;张寓涵;于继来;: "风电功率爬坡事件的滑动窗检测与实例分析", 电网与清洁能源, no. 01 * |
叶林等: "考虑风电功率爬坡的功率预测—校正模型", 电力系统自动化, vol. 43, no. 6, pages 49 * |
屈尹鹏等: "基于频繁模式挖掘的风电爬坡事件统计特性建模及预测", 电力系统自动化, vol. 45, no. 1, pages 37 * |
崔明建等: "风电功率爬坡事件问题研究", 中国博士学位论文全文数据库(工程科技Ⅱ辑), pages 33 * |
张东英等: "风电爬坡事件研究综述及展望", 电网技术, vol. 42, no. 6, pages 1787 * |
张颖超;宗阳;邓华;成金杰;章璇;: "基于趋势特征的风电功率爬坡事件检测方法", 电测与仪表, no. 18 * |
杨茂;马剑;李大勇;刘红柳;孙涌;: "超短期风电功率爬坡事件检测和统计分析", 电力系统保护与控制, vol. 46, no. 06, pages 63 * |
欧阳庭辉;查晓明;秦亮;熊一;朱小帆;: "风电功率爬坡事件预测时间窗口的选取", 电网技术, no. 02 * |
欧阳庭辉;查晓明;秦亮;熊一;黄鹤鸣;: "基于相似性修正的风电功率爬坡事件预测方法", 中国电机工程学报, no. 02 * |
王勃;汪步惟;杨明;赵元春;朱文立;: "风电爬坡事件的非精确条件概率预测", 山东大学学报(工学版), no. 01 * |
赵鹏;涂菁菁;杨锡运;: "基于PSO-KELM的风功率预测研究", 电测与仪表, no. 11 * |
郭燕玲;赵晶;周林;张文煜;郭振海;: "山东半岛风电爬坡事件的识别与天气分析研究", 气候与环境研究, no. 01 * |
钱政;裴岩;曹利宵;王婧怡;荆博;: "风电功率预测方法综述", 高电压技术, no. 04 * |
陶玉波;陈昊;秦晓辉;孟昭军;: "短期风电功率预测概念和模型与方法", 电力工程技术, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766583B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN103440541A (zh) | 多风电场短期输出功率的联合概率密度预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN102496927A (zh) | 基于误差统计修正的风电场功率预测方法 | |
CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN110110912A (zh) | 一种光伏功率多模型区间预测方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
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 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN110309978B (zh) | 基于二次动态调整的神经网络光伏功率预测模型及方法 | |
CN112766583B (zh) | 基于爬坡事件特征识别的风电功率短期预测方法和系统 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
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 |