CN112990533B - 一种稀疏约束和动态权重分配的风电集群功率预测方法 - Google Patents
一种稀疏约束和动态权重分配的风电集群功率预测方法 Download PDFInfo
- Publication number
- CN112990533B CN112990533B CN202110068084.2A CN202110068084A CN112990533B CN 112990533 B CN112990533 B CN 112990533B CN 202110068084 A CN202110068084 A CN 202110068084A CN 112990533 B CN112990533 B CN 112990533B
- Authority
- CN
- China
- Prior art keywords
- wind power
- cluster
- wind
- power
- power plant
- 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 55
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 16
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 229910003460 diamond Inorganic materials 0.000 claims 1
- 239000010432 diamond Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种稀疏约束和动态权重分配的风电集群功率预测方法,具体的步骤为:包括集群内各个风电场间功率空间相关性分析、集群内各个风电场空间相关风电场的确定,用于风电集群功率预测的集群参考风电场确定、风电集群功率预测模型的建立、功率预测误差的校正,为了克服风电集群功率预测精度低、效率低的弊端,本发明的目的在于提供一种稀疏约束和动态权重分配的风电集群功率预测方法,可显著减小风电集群功率的预测误差、提升风电集群功率预测的效率。
Description
技术领域
本发明涉及电力系统运行与控制领域,特别是涉及一种稀疏约束和动态权重分配的风电集群功率预测方法。
背景技术
随着煤炭、石油等一次能源的匮乏,可再生能源的发展更具有必要性。其中风能资源是可再生能源的重要组成部分,并且风力发电技术已经成熟并得到广泛应用。
但是现阶段我国风电的弃风率较高,其主要原因在于,一方面,风能资源不可控,具有较大的不确定性;另一方面,风能资源具有间歇性,导致风电功率波动性大,强波动的风电功率接入电网将会影响电网的安全运行,给调度部门带来巨大挑战。因此风电功率预测可以有效缓解电力系统调频、调峰的压力,进而可以促进风电的消纳。
风电功率预测的研究对象按照空间尺度从小到大的顺序,分别为风机、风电场及风电集群。其中风电集群的功率预测对于电力系统的规划、调度有着至关重要的作用。传统风电集群功率预测主要分为两种,一是统计升尺度预测,即根据集群内所有风电场的功率预测结果,叠加之后得到风电集群功率。二是直接升尺度预测,即建立集群内所有风电场数值天气预报与集群功率的映射关系。这两种方案都存在效率低、精度低的特点,其根本原因就是用于风电集群功率预测的信息冗余,导致预测模型无法准确捕捉到对集群功率预测有用的信息。
发明内容
为了提升风电集群功率预测的效率和精度,本发明需要解决的技术问题是:一方面,风电集群功率预测模型通常是利用深度学习算法,将集群内全部风电场的历史功率数据和历史气象数据作为预测模型的训练集数据,这样会使得预测模型数据冗余,计算效率低且精度低;另一方面,现有的风电集群功率预测模型由于计算效率的限制,通常假定只有临近的历史功率数据和气象数据才对待预测功率具有相关性,限制了用于集群风电功率预测的信息源。
为此目的,本发明提出了一种稀疏约束和动态权重分配的风电集群功率预测方法,该方法包括以下步骤:
步骤A:对集群内各个风电场的输出功率进行归一化处理,分析集群内每个风电场的输出功率与集群内其它风电场输出功率的空间相关性,确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数。
步骤B:根据步骤A计算得到的输出功率的空间相关判别指数,以风电场间输出功率的空间相关性约束和风电场功率匹配权重下限约束为条件,建立风电场功率匹配权重优化求解模型,计算集群内各个风电场与其空间相关风电场加权输出功率的残差平方和,迭代求解最优匹配权重使得残差平方和最小,将集群内各个风电场的非零权重相关风电场定义为该风电场的空间相关风电场,最终得到集群内各个风电场的空间相关风电场集合及其最优匹配权重。
步骤C:根据步骤B计算得到的集群内各个风电场的空间相关风电场集合及其最优匹配权重,综合考虑风电场装机容量在集群中的占比、风电场的空间相关风电场集合总装机容量在集群中的占比以及风电场的空间相关风电场匹配权重,定义场-群空间相关判别指数,按照判别指数降序,以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标,确定集群参考风电场的最优个数,从而最终确定集群参考风电场集合。
步骤D:根据集群参考风电场的输出功率,以参考风电场对集群的贡献权重稀疏约束和参考风电场对集群的贡献权重下限约束为约束条件,建立集群参考风电场的贡献权重矩阵优化求解模型,计算风电集群功率实际值与集群参考风电场加权功率拟合值的残差平方和,迭代求解最优贡献权重使得残差平方和最小,得到集群参考风电场的动态贡献权重矩阵,每15min更新动态贡献权重矩阵;最终建立以集群参考风电场功率预测值为输入,以风电集群功率预测值为输出的风电集群功率预测模型。
步骤E:将步骤D得到的风电集群功率预测值与风电集群功率实际值做差,得到风电集群功率预测的误差序列,定义预测误差趋势因子,根据预测误差趋势因子判断预测误差趋势,若预测误差呈递增趋势,则返回步骤B,在下一预测时刻更新集群参考风电场集合;若预测误差呈递减或正常波动趋势,则在下一预测时刻维持集群参考风电场集合不变。
在上述方案的基础上,步骤A所述的对集群内各个风电场的输出功率进行归一化处理的过程为:利用公式(1)将集群内各个风电场的输出功率归一化至[0,1]区间内:
式中,Pi,t是风电场i实测功率序列在t时刻的值,Pi,min和Pi,max分别为风电场i实测功率序列中的最小值和最大值,是数据归一化后风电场i实测功率序列在t时刻的值。
在上述方案的基础上,步骤A利用相关系数判别原则分析集群内每个风电场的输出功率与集群内其它风电场输出功率的空间相关性,如公式(2)所示;并用公式(3)确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数;
式中,指的是风电场i和风电场j的输出功率相关系数;/>指的是将归一化输出功率/>按照降序排列后,t时刻下列表里的位置,即序列/>的秩序列;/>分别指的是风电场i、j的输出功率秩序列;T指的是15分钟分辨率下输出功率序列的时间点数量。
式中,指的是风电场i和风电场j的输出功率的空间相关判别指数,γ指的是两风电场输出功率序列之间的相关判别阈值。
在上述方案的基础上,步骤B所述的风电场功率匹配权重优化求解模型如公式(4)所示,利用式(4)分别寻找各个风电场的空间相关风电场集合并确定最优匹配权重,以使得集群内各个风电场与其空间相关风电场加权输出功率的残差平方和最小。
若风电场j的匹配权重则风电场j被视为风电场i的空间相关风电场;反之,风电场j被视为风电场i的非空间相关风电场;
式中,Pj,t是风电场j实测功率序列在t时刻的值,是指风电场j对风电场i的输出功率匹配权重;N是指集群内所有风电场的数量;λ是指松弛因子,用于控制公式(4)求解的收敛性。
在上述方案的基础上,步骤B中,利用公式(5)-(7)对公式(4)进行约束:公式(5)对风电场i和风电场j输出功率的空间相关性进行约束,若风电场i和风电场j输出功率的空间相关判别指数为0,则风电场j对风电场i的输出功率匹配权重一定为0;
公式(6)限制了空间相关判别指数为1的风电场数量,从而确定判别阈值。
公式(7)对风电场功率匹配权重的下限进行约束,使得最终被确定为空间相关风电场的输出功率对于目标风电场有一定的贡献度,进一步限制了空间相关风电场的数量。
式中,I={1,2,...,N},New是指空间相关判别指数为1的风电场数量,是指匹配权重/>的下限。
在上述方案的基础上,步骤C所述的场-群空间相关判别指数利用公式(8)定义:
式中,是指风电场i的场-群空间相关判别指数,/>是指风电场i的空间相关风电场l对其功率的匹配权重;Nm是指风电场i的空间相关风电场数量;PN,i是指风电场i的装机容量;PN,l是指风电场i的空间相关风电场l的装机容量;PN,clu是指风电集群总装机容量。
在上述方案的基础上,步骤C中,利用公式(9)按照判别指数降序排列集群内风电场序号k={1,2,…,K},以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标,最终确定集群参考风电场的最优个数Nclu,并确定集群参考风电场集合{P1,P2,…,PNclu}。
式中,是指第k个风电场在时刻t处的功率值,a1、a2分别指前一组(k=1,2,…K-1)风电场功率序列拟合系数与后一组(k=1,2,…K)风电场功率序列拟合系数。
在上述方案的基础上,步骤D中,利用公式(10)建立求解最优集群参考风电场动态贡献权重矩阵的目标函数,式中的t0为动态贡献权重更新的步长,每个时间间隔t0之后,更新集群参考风电场的贡献权重,并且使数据总量T不变。公式(11)为集群参考风电场的动态贡献权重矩阵的表达形式。
式中,是指风电集群输出功率序列在时刻t+t0处的值;/>是指集群参考风电场n输出功率序列在时刻t+t0处的值;/>是指集群参考风电场n在动态预测时刻t+t0处的贡献权重值;/>是指在动态预测时刻t+t0处的松弛因子,控制目标函数求解的收敛性;Nclu是指集群参考风电场的数量。
式中,Γτ是指集群参考风电场的动态贡献权重矩阵在动态预测时刻τ处的值,τ=t+t0;γn,τ是指集群参考风电场n在动态预测时刻τ处的贡献权重值。
在上述方案的基础上,步骤D中,利用公式(12)-(13)对集群参考风电场的动态贡献权重矩阵,即式(11)进行约束:
公式(12)是对公式(11)求解动态贡献权重矩阵的优化可行域的描绘,由于公式(11)是不同贡献权重γn组合下对应的模型拟合残差平方和,求解区域是椭圆轮廓线,而公式(12)描绘的是贡献权重γn,τ绝对值之和相加后的菱形轮廓线,优化目标是辨识、寻找椭圆轮廓线与菱形轮廓线的最近的相切点。对于菱形的可行域来讲,贡献权重的估计值序列γn中必然存在位于可行域顶点处的最优估计值即一定存在值为0的最优估计值,从而使得求解模型稀疏化。
公式(13)是对贡献权重的下限进行约束,如果计算求解出的贡献权重γn,τ在区间(-∞,ζn,τ)内,则强制使贡献权重γn,τ置零。
式中,Iclu={1,2,...,Nclu},Nclu为集群参考风电场的数量,Tlag是指动态预测时刻的集合,Tlag={1,2,...tl},其中,tl为贡献权重的动态更新次数;
集群参考风电场n在动态预测时刻τ处的贡献权重绝对值求和上限ξ为收缩参数,其目的是限制所有系数估计值绝对值总和的大小。
式中,ζn,τ是指集群参考风电场n在动态预测时刻τ处的贡献权重下限。
在上述方案的基础上,步骤D中,利用公式(14)-(15)对风电集群输出功率进行预测,动态贡献权重矩阵与集群参考风电场的预测功率相乘后即得到风电集群功率预测值。
式中,是指预测时刻τ处的风电集群功率预测值;Pfore是指集群参考风电场预测功率向量;/>是指集群参考风电场n(n=1,2,…,Nclu)的功率预测值。
在上述方案的基础上,步骤E中,利用公式(16)定义预测误差趋势因子,如果errv≥0,则连续五个预测点的误差呈递增趋势,需要返回步骤B重新确定集群参考风电场;如果errv<0,则连续五个预测点的误差呈现正常的波动趋势或递减趋势,维持既定集群参考风电场不变。
式中,errv是指在t时刻的风电集群功率预测误差趋势因子;min{·}表示序列中的最小值;是指风电集群功率在t-m、t-m-1时刻的预测误差。
本发明的有益效果:
本发明所述的一种稀疏约束和动态权重分配的风电集群功率预测方法,因考虑了风电集群内各风电场间出力的相关性,采用稀疏约束建立预测模型,降低了用于风电集群功率预测数据的冗余度,能够有效提升预测效率;根据预测误差及时反馈优化预测模型,动态分配用于集群功率预测的相关风电场贡献权重,能够降低预测模型的误差,因此本发明能够有效地提升风电集群功率预测的精度和效率。
附图说明
本发明有如下附图:
图1为本发明的流程示意图。
具体实施方式
以下结合附图1对本发明作进一步详细说明。
一种稀疏约束和动态权重分配的风电集群功率预测方法,该方法包括以下步骤:
步骤A.对集群内各个风电场的输出功率进行归一化处理,将集群内每个风电场的输出功率与集群内其它风电场进行空间相关性分析,确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数。
步骤B.根据步骤A计算得到的输出功率的空间相关判别指数,以风电场间输出功率的空间相关性约束和风电场功率匹配权重下限约束为条件,建立风电场功率匹配权重优化求解模型,计算集群内各个风电场与其空间相关风电场加权输出功率的残差平方和,迭代求解最优匹配权重使得残差平方和最小,将集群内各个风电场的非零权重相关风电场定义为该风电场的空间相关风电场,最终得到集群内各个风电场的空间相关风电场集合及其最优匹配权重。
步骤C.根据步骤B计算得到的集群内各个风电场的空间相关风电场集合及其最优匹配权重,综合考虑风电场装机容量在集群中的占比、风电场的空间相关风电场集合总装机容量在集群中的占比以及风电场的空间相关风电场匹配权重,定义场-群空间相关判别指数,按照判别指数降序,以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标,确定集群参考风电场的最优个数,从而最终确定集群参考风电场集合。
步骤D.根据集群参考风电场的功率数据,以参考风电场对集群的贡献权重稀疏约束和参考风电场对集群的贡献权重下限约束为约束条件,建立集群参考风电场的贡献权重矩阵优化求解模型,计算风电集群功率实际值与集群参考风电场加权功率拟合值的残差平方和,迭代求解最优贡献权重使得残差平方和最小,得到集群参考风电场的动态贡献权重矩阵,每15min更新动态贡献权重矩阵。最终建立以集群参考风电场功率预测值为输入,以风电集群功率预测值为输出的风电集群功率预测模型。
步骤E.将步骤D得到的风电集群功率预测值与风电集群功率实际值做差,得到风电集群功率预测的误差序列,定义预测误差趋势因子,根据预测误差趋势因子判断预测误差趋势,若预测误差呈递增趋势,则返回步骤B,在下一预测时刻更新集群参考风电场集合;若预测误差呈递减或正常波动趋势,则在下一预测时刻维持集群参考风电场集合不变。
在上述方案的基础上,步骤A中,对集群内各个风电场的输出功率进行归一化处理的过程为:利用公式(1)将集群内各个风电场的输出功率归一化至[0,1]区间内。
式中,Pi,t是风电场i实测功率序列在t时刻的值,Pi,min和Pi,max分别为风电场i实测功率序列中的最小值和最大值,是数据归一化后风电场i实测功率序列在t时刻的值。
在上述方案的基础上,步骤A中,利用相关系数判别原则分析集群内各个风电场的输出功率与集群内其它风电场输出功率的空间相关性,具体步骤为:用公式(2)对集群内各个风电场和集群内其他风电场的输出功率进行相关性分析。并用公式(3)确定集群内每个风电场对于集群内其它风电场的功率空间相关判别指数。
式中,指的是风电场i和风电场j的输出功率相关系数;/>指的是将归一化输出功率/>按照降序排列后,t时刻下列表里的位置,即序列/>的秩序列;/>分别指的是风电场i、j的输出功率秩序列;T指的是15分钟分辨率下输出功率序列的时间点数量。
式中,指的是风电场i和风电场j的输出功率的空间相关判别指数,γ指的是两风电场输出功率序列之间的相关判别阈值。
在上述方案的基础上,步骤B中,所述的风电场功率匹配权重优化求解模型如公式(4)所示,利用公式(4)分别寻找各个风电场的空间相关风电场集合并确定最优匹配权重,以使得集群内各个风电场与其空间相关风电场加权输出功率的残差平方和最小。
若风电场j的匹配权重则风电场j被视为风电场i的空间相关风电场;反正,风电场j被视为风电场i的非空间相关风电场。
式中,Pj,t是风电场j实测功率序列在t时刻的值,是指风电场j对风电场i的输出功率匹配权重;N是指集群内所有风电场的数量;λ是指松弛因子,用于控制公式(4)求解的收敛性。
在上述方案的基础上,步骤B中,利用公式(5)-(8)对公式(4)进行约束:公式(5)对风电场i和风电场j输出功率的空间相关性进行约束,若风电场i和风电场j输出功率的空间相关判别指数为0,则风电场j对风电场i的输出功率匹配权重一定为0;
公式(6)限制了空间相关判别指数为1的风电场数量,从而确定了相关判别阈值。
公式(7)对匹配权重的下限进行约束,使得最终被确定为空间相关风电场的输出功率对于目标风电场有一定的贡献度,进一步限制了空间相关风电场的数量。
式中,I={1,2,...,N},New是指空间相关判别指数为1的风电场数量,是指匹配权重/>的下限。
在上述方案的基础上,步骤C中,利用公式(8)定义场-群空间相关判别指数:
式中,是指风电场i的场-群空间相关判别指数,/>是指风电场i的空间相关风电场l对其功率的匹配权重;Nm是指风电场i的空间相关风电场数量;PN,i是指风电场i的装机容量;PN,l是指风电场i的空间相关风电场l的装机容量;PN,clu是指风电集群总装机容量。
在上述方案的基础上,步骤C中,利用公式(9)按照判别指数降序排列集群内风电场序号k={1,2,…,K},以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标,最终确定集群参考风电场的最优个数Nclu,并确定集群参考风电场集合{P1,P2,…,PNclu}
式中,是指第k个风电场在时刻t处的功率值,a1、a2分别指前一组(k=1,2,…K-1)风电场功率序列拟合系数与后一组(k=1,2,…K)风电场功率序列拟合系数。
在上述方案的基础上,步骤D中,利用公式(10)建立求解最优集群参考风电场动态贡献权重矩阵的目标函数,式中的t0为动态贡献权重更新的步长,每个时间间隔t0之后,更新集群参考风电场的贡献权重,并且使数据总量T不变。公式(11)为集群参考风电场的动态贡献权重矩阵的表达形式。
式中,是指风电集群功率序列在时刻t+t0处的值;/>是指集群参考风电场n功率序列在时刻t+t0处的值;/>是指集群参考风电场n在动态预测时刻t+t0处的贡献权重值;/>是指在动态预测时刻t+t0处的松弛因子,控制目标函数求解的收敛性;Nclu是指集群参考风电场的数量。
式中,Γτ是指集群参考风电场的动态贡献权重矩阵在动态预测时刻τ处的值,τ=t+t0。
在上述方案的基础上,步骤D中,利用公式(12)-(13)对目标函数(11)进行约束:
公式(12)是对目标函数求解动态贡献权重矩阵的优化可行域的描绘,由于目标函数是不同贡献权重γn组合下对应的模型拟合残差平方和,其求解区域是椭圆轮廓线,而公式(12)描绘的是贡献权重γn,τ绝对值之和相加后的菱形轮廓线,优化目标是辨识、寻找椭圆轮廓线与菱形轮廓线的最近的相切点。对于菱形的可行域来讲,贡献权重的估计值序列γn中必然存在位于可行域顶点处的最优估计值即一定存在值为0的最优估计值,从而使得求解模型稀疏化。
公式(13)是对贡献权重的下限进行约束,如果计算求解出的贡献权重γn,τ在区间(-∞,ζn,τ)内,则强制使贡献权重γn,τ置零。
式中,Iclu={1,2,...,Nclu},Tlag={1,2,...tl};集群参考风电场n在动态预测时刻τ处的贡献权重绝对值求和上限ξ为收缩参数,其目的是限制所有系数估计值绝对值总和的大小。
式中,ζn,τ是指集群参考风电场n在动态预测时刻τ处的贡献权重下限。
在上述方案的基础上,步骤D中,利用公式(14)-(15)对风电集群功率进行预测,动态贡献权重矩阵与集群参考风电场的预测功率序列相乘后即得到风电集群功率预测值。
式中,是指预测时刻τ处的风电集群功率预测值;Pfore是指集群参考风电场预测功率向量;/>是指集群参考风电场n的功率预测值。
在上述方案的基础上,步骤E中,利用公式(16)定义预测误差趋势因子,如果errv≥0,则连续五个预测点的误差呈递增趋势,需要返回步骤B重新确定集群参考风电场;如果errv<0,则连续五个预测点的误差呈现正常的波动趋势或递减趋势,维持既定集群参考风电场不变。
式中,errτ是指在τ时刻的风电集群功率预测误差趋势因子;min{·}表示序列中的最小值。
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。
Claims (10)
1.一种稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,包括以下步骤:
步骤A:对集群内各个风电场的输出功率进行归一化处理,分析集群内每个风电场的输出功率与集群内其它风电场输出功率的空间相关性,确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数;
步骤B:根据步骤A计算得到的输出功率的空间相关判别指数,以风电场间输出功率的空间相关性约束和风电场功率匹配权重下限约束为条件,建立风电场功率匹配权重优化求解模型,计算集群内各个风电场与其空间相关风电场加权输出功率的残差平方和,迭代求解最优匹配权重使得残差平方和最小,将集群内各个风电场的非零权重相关风电场定义为该风电场的空间相关风电场,最终得到集群内各个风电场的空间相关风电场集合及其最优匹配权重;
步骤C:根据步骤B计算得到的集群内各个风电场的空间相关风电场集合及其最优匹配权重,综合考虑风电场装机容量在集群中的占比、风电场的空间相关风电场集合总装机容量在集群中的占比以及风电场的空间相关风电场匹配权重,定义场-群空间相关判别指数,按照判别指数降序,以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标,确定集群参考风电场的最优个数,从而最终确定集群参考风电场集合;
步骤D:根据集群参考风电场的输出功率,以参考风电场对集群的贡献权重稀疏约束和参考风电场对集群的贡献权重下限约束为约束条件,建立集群参考风电场的贡献权重矩阵优化求解模型,计算风电集群功率实际值与集群参考风电场加权功率拟合值的残差平方和,迭代求解最优贡献权重使得残差平方和最小,得到集群参考风电场的动态贡献权重矩阵,每15min更新动态贡献权重矩阵;最终建立以集群参考风电场功率预测值为输入,以风电集群功率预测值为输出的风电集群功率预测模型;
步骤E:将步骤D得到的风电集群功率预测值与风电集群功率实际值做差,得到风电集群功率预测的误差序列,定义预测误差趋势因子,根据预测误差趋势因子判断预测误差趋势,若预测误差呈递增趋势,则返回步骤B,在下一预测时刻更新集群参考风电场集合;若预测误差呈递减或正常波动趋势,则在下一预测时刻维持集群参考风电场集合不变。
2.如权利要求1所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤A所述的对集群内各个风电场的输出功率进行归一化处理的过程为:利用公式(1)将集群内各个风电场的输出功率归一化至[0,1]区间内:
式中,Pi,t是风电场i实测功率序列在t时刻的值,Pi,min和Pi,max分别为风电场i实测功率序列中的最小值和最大值,是数据归一化后风电场i实测功率序列在t时刻的值。
3.如权利要求2所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤A利用相关系数判别原则分析集群内每个风电场的输出功率与集群内其它风电场输出功率的空间相关性,如公式(2)所示;并用公式(3)确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数;
式中,指的是风电场i和风电场j的输出功率相关系数;/>指的是将归一化输出功率按照降序排列后,t时刻下列表里的位置,为序列/>的秩序列;/>分别指的是风电场i、j的输出功率秩序列;T指的是15分钟分辨率下输出功率序列的时间点数量;
式中,指的是风电场i和风电场j的输出功率的空间相关判别指数,γ指的是两风电场输出功率序列之间的相关判别阈值。
4.如权利要求3所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤B所述的风电场功率匹配权重优化求解模型如公式(4)所示,利用式(4)分别寻找各个风电场的空间相关风电场集合并确定最优匹配权重,以使得集群内各个风电场与其空间相关风电场加权输出功率的残差平方和最小;
若风电场j的匹配权重则风电场j被视为风电场i的空间相关风电场;反之,风电场j被视为风电场i的非空间相关风电场;
式中,Pj,t是风电场j实测功率序列在t时刻的值,是指风电场j对风电场i的输出功率匹配权重;N是指集群内所有风电场的数量;λ是指松弛因子,用于控制公式(4)求解的收敛性。
5.如权利要求4所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤B中,利用公式(5)-(7)对公式(4)进行约束:公式(5)对风电场i和风电场j输出功率的空间相关性进行约束,若风电场i和风电场j输出功率的空间相关判别指数为0,则风电场j对风电场i的输出功率匹配权重一定为0;
公式(6)限制了空间相关判别指数为1的风电场数量,从而确定判别阈值;
公式(7)对风电场功率匹配权重的下限进行约束,使得最终被确定为空间相关风电场的输出功率对于目标风电场有一定的贡献度,进一步限制了空间相关风电场的数量;
式中,I={1,2,...,N},New是指空间相关判别指数为1的风电场数量,是指匹配权重的下限。
6.如权利要求5所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤C所述的场-群空间相关判别指数利用公式(8)定义:
式中,是指风电场i的场-群空间相关判别指数,/>是指风电场i的空间相关风电场l对其功率的匹配权重;Nm是指风电场i的空间相关风电场数量;PN,i是指风电场i的装机容量;PN,l是指风电场i的空间相关风电场l的装机容量;PN,clu是指风电集群总装机容量;
步骤C中,利用公式(9)按照判别指数降序排列集群内风电场序号k={1,2,…,K},以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标,最终确定集群参考风电场的最优个数Nclu,并确定集群参考风电场集合{P1,P2,…,PNclu};
式中,是指第k个风电场在时刻t处的功率值,a1、a2分别指前一组(k=1,2,…K-1)风电场功率序列拟合系数与后一组(k=1,2,…K)风电场功率序列拟合系数。
7.如权利要求6所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤D中,利用公式(10)建立求解最优集群参考风电场动态贡献权重矩阵的目标函数,式中的t0为动态贡献权重更新的步长,每个时间间隔t0之后,更新集群参考风电场的贡献权重,并且使数据总量T不变;公式(11)为集群参考风电场的动态贡献权重矩阵的表达形式;
式中,是指风电集群输出功率序列在时刻t+t0处的值;/>是指集群参考风电场n输出功率序列在时刻t+t0处的值;/>是指集群参考风电场n在动态预测时刻t+t0处的贡献权重值;/>是指在动态预测时刻t+t0处的松弛因子,控制目标函数求解的收敛性;Nclu是指集群参考风电场的数量;
式中,Γτ是指集群参考风电场的动态贡献权重矩阵在动态预测时刻τ处的值,τ=t+t0;γn,τ是指集群参考风电场n在动态预测时刻τ处的贡献权重值。
8.如权利要求7所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤D中,利用公式(12)-(13)对集群参考风电场的动态贡献权重矩阵进行约束:
公式(12)是对公式(11)求解动态贡献权重矩阵的优化可行域的描绘,由于公式(11)是不同贡献权重γn组合下对应的模型拟合残差平方和,求解区域是椭圆轮廓线,而公式(12)描绘的是贡献权重γn,τ绝对值之和相加后的菱形轮廓线,优化目标是辨识、寻找椭圆轮廓线与菱形轮廓线的最近的相切点,对于菱形的可行域来讲,贡献权重的估计值序列γn中必然存在位于可行域顶点处的最优估计值一定存在值为0的最优估计值,从而使得求解模型稀疏化,
公式(13)是对贡献权重的下限进行约束,如果计算求解出的贡献权重γn,τ在区间(-∞,ζn,τ)内,则强制使贡献权重γn,τ置零,
式中,Iclu={1,2,...,Nclu},Nclu为集群参考风电场的数量,Tlag是指动态预测时刻的集合,Tlag={1,2,...tl},其中,tl为贡献权重的动态更新次数;
集群参考风电场n在动态预测时刻τ处的贡献权重绝对值求和上限ξ为收缩参数,其目的是限制所有系数估计值绝对值总和的大小,
式中,ζn,τ是指集群参考风电场n在动态预测时刻τ处的贡献权重下限。
9.如权利要求8所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤D中,利用公式(14)-(15)对风电集群输出功率进行预测,动态贡献权重矩阵与集群参考风电场的预测功率相乘后得到风电集群功率预测值,
式中,是指预测时刻τ处的风电集群功率预测值;Pfore是指集群参考风电场预测功率向量;/>是指集群参考风电场n(n=1,2,…,Nclu)的功率预测值。
10.如权利要求9所述的稀疏约束和动态权重分配的风电集群功率预测方法,其特征在于,步骤E中,利用公式(16)定义预测误差趋势因子,如果errv≥0,则连续五个预测点的误差呈递增趋势,需要返回步骤B重新确定集群参考风电场;如果errv<0,则连续五个预测点的误差呈现正常的波动趋势或递减趋势,维持既定集群参考风电场不变,
式中,errv是指在t时刻的风电集群功率预测误差趋势因子;min{·}表示序列中的最小值;是指风电集群功率在t-m、t-m-1时刻的预测误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068084.2A CN112990533B (zh) | 2021-01-19 | 2021-01-19 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110068084.2A CN112990533B (zh) | 2021-01-19 | 2021-01-19 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990533A CN112990533A (zh) | 2021-06-18 |
CN112990533B true CN112990533B (zh) | 2024-01-05 |
Family
ID=76344458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110068084.2A Active CN112990533B (zh) | 2021-01-19 | 2021-01-19 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990533B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494315B (zh) * | 2021-12-31 | 2022-11-08 | 中铁建华南建设有限公司 | 隧道横断面特征提取方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
WO2014173081A1 (zh) * | 2013-04-27 | 2014-10-30 | 国家电网公司 | 一种风电场集群无功电压优化控制方法 |
CN105225006A (zh) * | 2015-09-30 | 2016-01-06 | 杨明 | 一种短期风电功率非参数概率预测方法 |
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN107769254A (zh) * | 2017-08-01 | 2018-03-06 | 中国农业大学 | 一种风电集群轨迹预测与分层控制方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
-
2021
- 2021-01-19 CN CN202110068084.2A patent/CN112990533B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014173081A1 (zh) * | 2013-04-27 | 2014-10-30 | 国家电网公司 | 一种风电场集群无功电压优化控制方法 |
CN103903067A (zh) * | 2014-04-09 | 2014-07-02 | 上海电机学院 | 风电功率短期组合预测方法 |
CN105225006A (zh) * | 2015-09-30 | 2016-01-06 | 杨明 | 一种短期风电功率非参数概率预测方法 |
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN107769254A (zh) * | 2017-08-01 | 2018-03-06 | 中国农业大学 | 一种风电集群轨迹预测与分层控制方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
Non-Patent Citations (1)
Title |
---|
基于模型预测控制的风电集群多时间尺度有功功率优化调度策略研究;路朋;叶林;汤涌;张慈杭;仲悟之;孙舶皓;翟丙旭;曲莹;刘新元;中国电机工程学报(第022期);6572-6583 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990533A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564206B (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN103023065A (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
CN110298494A (zh) | 一种基于分段聚类及组合优化的风电功率预测方法 | |
CN112990533B (zh) | 一种稀疏约束和动态权重分配的风电集群功率预测方法 | |
CN115759465A (zh) | 基于多目标协同训练和nwp隐式校正的风电功率预测方法 | |
CN115640874A (zh) | 基于改进型灰色模型理论的变压器状态预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN110598896A (zh) | 基于预测误差校正的光伏功率预测方法 | |
CN111967660A (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
CN111476437A (zh) | 一种光伏发电功率超短期区间预测的方法及设备 | |
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 | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 |
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 |