CN112819189A - 一种基于历史预测值的风力出力预测方法 - Google Patents
一种基于历史预测值的风力出力预测方法 Download PDFInfo
- Publication number
- CN112819189A CN112819189A CN201911116363.0A CN201911116363A CN112819189A CN 112819189 A CN112819189 A CN 112819189A CN 201911116363 A CN201911116363 A CN 201911116363A CN 112819189 A CN112819189 A CN 112819189A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- value
- neural network
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims abstract description 17
- 230000007774 longterm Effects 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000013467 fragmentation Methods 0.000 claims abstract description 3
- 238000006062 fragmentation reaction Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012546 transfer 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及风力预测技术领域，尤其是一种基于历史预测值的风力出力预测方法，具体步骤如下：S1、建立BP神经网络模型，对历史实测数据进行数据质量分析；S2、根据数据RMSE，nMAE，验证BP神经网络算例指标；S3、指标验证通过后，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正；S4、待参数模型修正好后，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证。本发明的预测值与实际值更为接近，符合现发展的需要。
Description
技术领域
本发明涉及风力预测技术领域，尤其涉及一种基于历史预测值的风力出力预测方法。
背景技术
新能源然具有环保性、灵活性优点，但是由于其特殊的网络结构，在接入电网后将使得传统的辐射式电网结构变成一种电源和用户互联的交互式网络。电网中的潮流也不再如过去一样从电网单向流到负荷处，同样的也可能从用户侧的分布式新能源电源处反向流向电网。这种不确定的潮流流向，将使得电网的负荷具有更多的不确定性，从而更加难以预测。大量新能源的接入不仅复杂化了电力需求的预测过程，而且也使得电网的规划人员对于负荷的增长情况难以把握。此外，由于风力电发电方一般接入配电网，由于受天气环境影响大，电源的随机性强，这就增加了电网负荷的随机性，使得电力负荷预测的难度增加。同时负荷预测准确率的偏低也给电网规划、负荷分析预测工作和市场营销工作带来了诸多困难。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于历史预测值的风力出力预测方法。
为了实现上述目的，本发明采用了如下技术方案：
设计一种基于历史预测值的风力出力预测方法，利用电力系统中各风能电站入网侧的各类实测数据，预测数据内容进行汇总与分析，并基于时间跨度的不同，将风力出力预测划分为超短期预测，短期预测，中期预测，长期预测四类，具体步骤如下：
S1、根据预测周期不同，在风电场并网变电站中取出其风电逐小时出力数据，预处理后建立BP神经网络模型，对历史实测数据进行数据质量分析。
S2、根据数据RMSE(均方根误差)，nMAE(标准化平均误差相对误差)，验证BP神经网络算例指标，RMSE和nMAE的计算式分别为：
其中，fi为风电功率实际值，t′i为预测值，tm为风电场的额定装机容量，n为测试点数。
S3、指标验证通过后，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正。
S4、待参数模型修正好后，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证。
优选的，在步骤S1中，在风电场并网变电站中取出其风电逐小时出力数据，预处理后建立BP神经网络模型，包括：
(1)、预处理风电数据，根据公式
将输入数据归一化，转换为[0，1]区间的数据。其中p*代表归一化后处理的数据，p为原始数据，pmin和pmax为发电功率的最小值和最大值。
(2)确定神经网络拓补结构。
(3)根据PSO优化算法确定初始BP神经网络权值阈值长度。
(4)根据PSO算法，获取最优权值和阈值，然后根据搭建的神经网络模型获取预测结果。
优选的，在步骤S3中，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正，具体包括：
(1)随机初始化每个粒子，设置种群规模、位置边界[Xmin，Xmax]、速度最小值和速度最大值[Vmin，Vmax]、惯性权重、最大迭代次数和学习因子，并初始化粒子的位置X与速度V。
(2)根据输入和输出样本，利用式
算出每个粒子适应度的函数值，同时调整并记录粒子的最优解pbest和种群的最优解gbest。其中，n为样本数量，c为神经元输出数量，yij为第i个样本的第j次输出期望值；lij为第i个样本的第j次输出实际值。
(3)根据式vi＝ω*vi+c1*rand()*(pbesti-xi)+c2*rand()*(gbesti-xi)和式xi＝xi+vi更新粒子的速度和位置。其中，ω叫做惯性因子，i＝1，2，...，N，N是此群中粒子的总数；vi：是粒子的速度，Rand()：介于(0，1)之间的随机数，xi：粒子的当前位置，c1和c2：是学习因子，通常c1＝c2＝2。
(4)判断粒子的速度和位置是否超过设定范围：若vi＞vmax，则vi＝vmax；若vi＜vmax，则vi＝vmin；若xi＞xmax，则xi＝xmax；若xi＜xmin，则xi＝xmin；
(5)再次计算粒子适应度。
(6)若粒子此时寻找的极值位置或迭代次数达到预定误差标准，就结束，否则继续进行步骤(3)。
优选的，在步骤S4中，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证，包括：
(1)将影响风力发电的影响因素风速s，风向d，温度t，湿度h，气压a作为输入，对应时间点的发电功率p作为输入，根据建立好的模型进行训练；
(2)根据评价指标nMAE和RMSE验证预测值和实际值的精准度。
优选的，在步骤S2中，根据数据RMSE(均方根误差)，nMAE(标准化平均误差相对误差)，验证BP神经网络算例指标，其中，如果不通过，则返回到步骤S1中，对粒子和速度重新初始化，获取BP神经网络的最优的权重和阈值。
本发明提出的一种基于历史预测值的风力出力预测方法，有益效果在于：
该基于历史预测值的风力出力预测方法采用人工智能优化算法来优化神经网络的参数，但常规智能优化算法如粒子群算法(PSO)在面对如此大规模的参数优化问题时同样存在维局部最优大的情况，而本项目组曾经发明的纵横交叉算法首次提出维度层面的交叉算子，可以有效避免维度层面的局部最优问题。
BP神经网络模型的预测值整体略小于实际值，PSO-BP模型较BP模型的预测值与实际值更为接近，但中间预测点的预测值与BP模型相差不大，而CSO-BP模型在短期的预测中，各预测点的预测值与实际值均较为接近，CSO-BP模型表现出最优良的预测结果。CSO-BP预测模型的精度为95.83％，预测结果能够满足短期风电功率预测的需求。
附图说明
图1为本发明提出的一种基于历史预测值的风力出力预测方法的PSO训练神经网络流程图。
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。
本发明提供了一种基于历史预测值的风力出力预测方法，利用电力系统中各风能电站入网侧的各类实测数据，预测数据内容进行汇总与分析，并基于时间跨度的不同，将风力出力预测划分为超短期预测，短期预测，中期预测，长期预测四类，具体步骤如下：
S1、根据预测周期不同，在风电场并网变电站中取出其风电逐小时出力数据，预处理后建立BP神经网络模型，对历史实测数据进行数据质量分析，在风电场并网变电站中取出其风电逐小时出力数据，预处理后建立BP神经网络模型，包括：
(1)、预处理风电数据，根据公式
将输入数据归一化，转换为[0，1]区间的数据。其中，p*代表归一化后处理的数据，p为原始数据，pmin和pmax为发电功率的最小值和最大值；
(2)、确定神经网络拓补结构；
(3)、根据PSO优化算法确定初始BP神经网络权值阈值长度；
(4)、根据PSO算法，获取最优权值和阈值，然后根据搭建的神经网络模型获取预测结果；
PSO相对于其他优化算法，PSO在参数选取、收敛速度等方面具有一定的优势。该算法源于对鸟群捕食行为的研究。基本思想是通过群体中个体之间的信息传递及信息共享来寻找最优解。其算法如下所示：
式中，各个参数的含义如下：
1)“i”表示第i个粒子，i＝1，2，...，M，M是该群体中粒子的总数。
2)下标“d”表示微粒的第d维，即算法所优化的第d个参数。
3)w为惯性权重因子，其值非负，值的大小影响整体寻优能力，为了避免出现早熟收敛，保证其收敛到全局最优，一般采用权值w在最大值wmax与最小值wmin之间线性递减变化的方法。通常选取wmax＝0.9，wmin＝0.4。
4)k表示此时优化的代数；
5)vkid表示k时刻粒子i在d维的空间速度。
6)c1和c2为加速因子，通常选取c1＝c2＝2。
7)r1和r2，为2个[0～1]之间变化的相对独立的随机函数。
8)pkid为粒子i的历史最优解的d维值，即单个粒子i在所优化的第d个参数中的历史最优解。
9)pkgd＝min{pkid}是所有粒子在k时刻的历史最好解(群体最优)的d维值，即所有粒子在所优化的第d个参数中的历史最优解。
10)Xkid为k时刻粒子i在j维空间的位置。
在每一次迭代过程中，每个粒子都需要根据目标函数来计算其适应值大小，目标函数可以是均方误差、方差、标准差等。然后根据适应值来确定当前粒子最优位置pkid及群体最优位置pkgd，根据式(3)和式(4)调整各个粒子的速度及位置。其结束条件为迭代次数达到设定值kmax或者群体迄今为止搜索到的最优位置满足预设最小适应值。本文选取kmax＝300。
如图1所示，PSO训练神经网络的过程概括如下：
1)根据给定的训练样本，确定神经网络拓扑结构和各层的节点数，并进行实数编码；
2)确定种群规模M、最大迭代次数kmax、惯性权重因子和加速因子，在编码的解空间中，随机产生初始种群X；
3)k置1，利用式(3-4)对群体中每个粒子进行适应度评价，找出个体最优值pkid和全局最优值pkgd；
4)根据式(3)计算出每个粒子的当前飞行速度；
5)根据式(4)更新所有粒子位置；
6)利用式(3-4)对群体中每个粒子进行适应度评价，更新个体最优值pkid和全局最优值pkgd；
7)判断终止条件是否满足。如果迭代次数大于设定的最大值时，则迭代终止并将全局最优值pkgd转换为神经网络对应的权值和阈值。否则，k+1转到4)进行新一轮迭代。
S2、根据数据RMSE(均方根误差)，nMAE(标准化平均误差相对误差)，验证BP神经网络算例指标，根据数据RMSE(均方根误差)，nMAE(标准化平均误差相对误差)，验证BP神经网络算例指标，其中，如果不通过，则返回到步骤S1中，对粒子和速度重新初始化，获取BP神经网络的最优的权重和阈值。RMSE和nMAE的计算式分别为：
其中，fi为风电功率实际值，t′i为预测值，tm为风电场的额定装机容量，n为测试点数。
S3、指标验证通过后，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正，具体包括：
(1)随机初始化每个粒子，设置种群规模、位置边界[Xmin，Xmax]、速度最小值和速度最大值[Vmin，Vmax]、惯性权重、最大迭代次数和学习因子，并初始化粒子的位置X与速度V。
(2)根据输入和输出样本，利用式
算出每个粒子适应度的函数值，同时调整并记录粒子的最优解pbest和种群的最优解gbest。其中，n为样本数量，c为神经元输出数量，yij为第i个样本的第j次输出期望值；lij为第i个样本的第j次输出实际值。
(3)根据式vi＝ω*vi+c1*rand()*(pbesti-xi)+c2*rand()*(gbesti-xi)和式xi＝xi+vi更新粒子的速度和位置。其中，ω叫做惯性因子，i＝1，2，...，N，N是此群中粒子的总数；vi：是粒子的速度；Rand()：介于(0，1)之间的随机数；xi：粒子的当前位置，c1和c2：是学习因子，通常c1＝c2＝2；
(4)判断粒子的速度和位置是否超过设定范围：若vi＞vmax，则vi＝vmax右vi＜vmax，则vi＝vmin；若xi＞xmax，则xi＝xmax；若xi＜xmin，则xi＝xmin；
(5)再次计算粒子适应度；
(6)若粒子此时寻找的极值位置或迭代次数达到预定误差标准，就结束，否则继续进行步骤(3)；
S4、待参数模型修正好后，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证，包括：
(1)将影响风力发电的影响因素风速s，风向d，温度t，湿度h，气压a作为输入，对应时间点的发电功率p作为输入，根据建立好的模型进行训练；
(2)根据评价指标nMAE和RMSE验证预测值和实际值的精准度。
BP网络是一种全局逼近网络，其通过若干简单非线性处理单元的复合映射，实现了从输入空间到输出空间的非线性映射，从而可获得复杂的非线性处理能力。
虽然BP算法理论上可以逼近任意非线性函数，有很强的学习能力，但是BP算法在实际负荷预测中主要存在两方面的局限性：(1)收敛速度慢。BP算法中权值参数的调整是沿误差函数梯度下降方向进行的，但由于网络误差函数矩阵的严重病态性，使这一梯度最速下降方向偏离面向误差曲面的最小点方向，从而急剧加长了权值参数到最小点的搜素路径，自然大大增加了BP算法的学习时间，这也造成了BP算法收敛速度慢。(2)易于陷入局部极小点。BP算法用的是最速下降法，从理论上看，其训练是沿着误差曲面的斜面向下逼近的，对于一个复杂的网络来说，其中分布着许多局部极小点。在网络训练过程中，一旦陷入了这样的局部极小点，用目前的算法是很难逃离出来的，实际上常得到的是局部最优点。所以传统BP算法的局限性严重影响了神经网络的泛化能力。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于历史预测值的风力出力预测方法，其特征在于，利用电力系统中各风能电站入网侧的各类实测数据，预测数据内容进行汇总与分析，并基于时间跨度的不同，将风力出力预测划分为超短期预测，短期预测，中期预测，长期预测四类，具体步骤如下：
S1、根据预测周期不同，在风电场并网变电站中取出其风电逐小时出力数据，预处理后建立BP神经网络模型，对历史实测数据进行数据质量分析；
S2、根据数据RMSE(均方根误差)，nMAE(标准化平均误差相对误差)，验证BP神经网络算例指标，RMSE和nMAE的计算式分别为：
其中fi为风电功率实际值，ti′为预测值，tm为风电场的额定装机容量，n为测试点数；
S3、指标验证通过后，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正；
S4、待参数模型修正好后，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证。
2.根据权利要求1所述的一种基于历史预测值的风力出力预测方法，其特征在于，在步骤S1中，在风电场并网变电站中取出其风电逐小时出力数据，预处理后建立BP神经网络模型，包括：
(1)、预处理风电数据，根据公式
将输入数据归一化，转换为[0，1]区间的数据；
其中p*代表归一化后处理的数据，p为原始数据，pmin和pmax为发电功率的最小值和最大值；
(2)、确定神经网络拓补结构；
(3)、根据PSO优化算法确定初始BP神经网络权值阈值长度；
(4)、根据PSO算法，获取最优权值和阈值，然后根据搭建的神经网络模型获取预测结果。
3.根据权利要求1所述的一种基于历史预测值的风力出力预测方法，其特征在于，在步骤S3中，将采集到的长期历史数据按时间进行分片，利用粒子群算法优化神经元阈值，利用历史数据分片迭代过程进行网络迭代神经元参数修正，具体包括：
(1)、随机初始化每个粒子，设置种群规模、位置边界[Xmin，Xmax]、速度最小值和速度最大值[Vmin，Vmax]、惯性权重、最大迭代次数和学习因子，并初始化粒子的位置X；与速度V；
(2)、根据输入和输出样本，利用式
算出每个粒子适应度的函数值，同时调整并记录粒子的最优解pbest和种群的最优解gbest；
其中，n为样本数量，c为神经元输出数量，yij为第i个样本的第j次输出期望值；lij为第i个样本的第j次输出实际值；
(3)、根据式vi＝ω*vi+c1*rand()*(pbesti-xi)+c2*rand()*(gbesti-xi)和式xi＝xi+vi更新粒子的速度和位置；
其中，ω叫做惯性因子，i＝1，2，..，N，N是此群中粒子的总数，vi：是粒子的速度，Rand()：介于(0，1)之间的随机数，xi：粒子的当前位置，c1和c2：是学习因子，通常c1＝c2＝2；
(4)、判断粒子的速度和位置是否超过设定范围：若vi＞vmax，则vi＝vmax右vi＜vmax，则vi＝vmin；若xi＞xmax，则xi＝xmax；若xi＜xmin，则xi＝xmin；
(5)再次计算粒子适应度；
(6)若粒子此时寻找的极值位置或迭代次数达到预定误差标准，就结束，否则继续进行步骤(3)。
4.根据权利要求1所述的一种基于历史预测值的风力出力预测方法，其特征在于，在步骤S4中，根据实际需求确认预测出力时间段，同时对历史数据及风电场自身的风力预测值进行时序串联，串联后的结果作为神经网络模型的输入，进行实际预测值输出与验证，包括：
(1)将影响风力发电的影响因素风速s，风向d，温度t，湿度h，气压a作为输入，对应时间点的发电功率p作为输入，根据建立好的模型进行训练；
(2)根据评价指标nMAE和RMSE验证预测值和实际值的精准度。
5.根据权利要求1所述的一种基于历史预测值的风力出力预测方法，其特征在于，在步骤S2中，根据数据RMSE(均方根误差)，nMAE(标准化平均误差相对误差)，验证BP神经网络算例指标，其中，如果不通过，则返回到步骤S1中，对粒子和速度重新初始化，获取BP神经网络的最优的权重和阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911116363.0A CN112819189A (zh) | 2019-11-15 | 2019-11-15 | 一种基于历史预测值的风力出力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911116363.0A CN112819189A (zh) | 2019-11-15 | 2019-11-15 | 一种基于历史预测值的风力出力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819189A true CN112819189A (zh) | 2021-05-18 |
Family
ID=75851824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911116363.0A Pending CN112819189A (zh) | 2019-11-15 | 2019-11-15 | 一种基于历史预测值的风力出力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819189A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114744623A (zh) * | 2022-06-09 | 2022-07-12 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
| CN115964347A (zh) * | 2023-03-16 | 2023-04-14 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
| CN116295611A (zh) * | 2023-02-01 | 2023-06-23 | 广东省国瑞质量检验有限公司 | 实验数据采集方法、装置、设备及存储介质 |
| CN117039895A (zh) * | 2023-10-09 | 2023-11-10 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512745A (zh) * | 2015-11-05 | 2016-04-20 | 天津大学 | 基于粒子群—bp神经网络的风电功率区间预测方法 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN108092319A (zh) * | 2017-12-13 | 2018-05-29 | 国家电网公司 | 一种短期风电功率预测的不确定性分析方法及装置 |
| CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
-
2019
- 2019-11-15 CN CN201911116363.0A patent/CN112819189A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512745A (zh) * | 2015-11-05 | 2016-04-20 | 天津大学 | 基于粒子群—bp神经网络的风电功率区间预测方法 |
| CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
| CN108092319A (zh) * | 2017-12-13 | 2018-05-29 | 国家电网公司 | 一种短期风电功率预测的不确定性分析方法及装置 |
| CN109146121A (zh) * | 2018-06-25 | 2019-01-04 | 华北电力大学 | 基于pso-bp模型的停限产情况下的电量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈朋: "基于云计算和智能算法的风电功率预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114744623A (zh) * | 2022-06-09 | 2022-07-12 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
| CN116295611A (zh) * | 2023-02-01 | 2023-06-23 | 广东省国瑞质量检验有限公司 | 实验数据采集方法、装置、设备及存储介质 |
| CN116295611B (zh) * | 2023-02-01 | 2023-10-13 | 广东省国瑞质量检验有限公司 | 实验数据采集方法、装置、设备及存储介质 |
| CN115964347A (zh) * | 2023-03-16 | 2023-04-14 | 菏泽市产品检验检测研究院 | 一种市场监管监测中心数据的智能存储方法 |
| CN117039895A (zh) * | 2023-10-09 | 2023-11-10 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及系统 |
| CN117039895B (zh) * | 2023-10-09 | 2024-01-26 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
| Wang et al. | Wind power interval prediction based on improved PSO and BP neural network | |
| CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
| CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN109214566A (zh) | 基于长短期记忆网络的风电功率短期预测方法 | |
| CN110765700A (zh) | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 | |
| CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
| CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
| Cui et al. | Statistical scenarios forecasting method for wind power ramp events using modified neural networks | |
| CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
| CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
| CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
| CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
| CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
| CN114118596A (zh) | 一种光伏发电量预测方法和装置 | |
| CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
| CN112101626A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210518 |
|
| WD01 | Invention patent application deemed withdrawn after publication |