CN113507118A - 一种风电功率预测方法及系统 - Google Patents

一种风电功率预测方法及系统 Download PDF

Info

Publication number
CN113507118A
CN113507118A CN202110781394.9A CN202110781394A CN113507118A CN 113507118 A CN113507118 A CN 113507118A CN 202110781394 A CN202110781394 A CN 202110781394A CN 113507118 A CN113507118 A CN 113507118A
Authority
CN
China
Prior art keywords
wind power
correlation
power prediction
data
coefficient
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
Application number
CN202110781394.9A
Other languages
English (en)
Other versions
CN113507118B (zh
Inventor
唐新姿
顾能伟
彭锐涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202110781394.9A priority Critical patent/CN113507118B/zh
Publication of CN113507118A publication Critical patent/CN113507118A/zh
Application granted granted Critical
Publication of CN113507118B publication Critical patent/CN113507118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (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)

Abstract

本发明公开了一种风电功率预测方法及系统。所述方法包括：获得原始SCADA系统数据，对其进行预处理；基于数据挖掘技术和多种单一相关性评价指标，建立综合关联系数评价准则；基于综合关联系数评价准则和最大相关最低冗余特征选择方法，获得预选参数和非预选参数；采用特征融合方法，将所述非预选参数融合为一个综合影响参数，与所述预选参数共同作为输入参数，同时将风电功率作为输出参数，建立风电功率预测模型；采用人工智能学习算法，对所述风电功率预测模型进行训练，最终输出风电功率预测结果。本发明还涉及一种风电功率预测系统。本发明的预测方法简化了模型维度和复杂程度，在保证精度的前提下，节省了计算成本，模型泛化能力强。

Description

一种风电功率预测方法及系统
技术领域
本发明涉及风电技术领域，具体地，涉及一种风电功率预测方法及系统。
背景技术
由于风的强随机性、波动性、间歇性等自然特性，风电出力具有不可抗拒的随机性、间歇性和不确定性，这对风电并网、电力调度和能源消费提出了巨大挑战，因此，风电预测对于缓解电网调峰压力、减少电力系统备用容量、提高风电注入水平和系统可靠性具有必然的重要意义。
风力发电预测方法主要分为两类：物理方法和统计方法。统计方法是以数据为基础，以学习算法为基础，通过一种或多种算法建立数值天气预报数据、历史数据和实时数据与实测历史数据的功率输出关系，该统计方法在理论上具有较高的准确性，被广泛用于短期风电预测。
在统计方法中，一方面需要考虑尽可能多的因素，全面映射输入特征与风功率输出之间的关系，以提高预测精度；但另一方面，避免输入维度数目过多，造成模型训练困难以及过拟合现在的“维数灾难”现象；合理选择预测模型的输入特征可以减少冗余信息对模型训练和准确性的影响。
主成分分析是一种解决数据降维的方法，但具有以下缺点，一方面主成分各个特征维度的含义具有一定的模糊性，不如原始样本特征的解释性强。方差小的非主成分也可能含有对样本差异的重要信息，因降维丢弃可能对后续数据处理有影响，原始数据的信息遭到破坏；而基于优化算法和相关性分析的输入参数选择是考虑了强相关因素和输入维度的数量影响，但这两种特征选择方式，往往忽略了弱相关因素的影响。而且这两种特征方式不能解决输入因素间的冗余性问题。
因此，如何在不降低模型精度前提下合理选择参数实现模型降维，是目前风电功率预测统计法领域急需解决的问题。
发明内容
本发明的目的是为了解决模型精度和维度之间的矛盾，在不降低模型精度前提下合理选择参数实现模型降维，从而提供一种有效的风电功率预测方法及系统。
为实现上述目的，本发明提供了一种风电功率预测方法，该方法包括以下步骤：
对原始SCADA数据进行预处理，获得风电功率及其相关参数的样本数据；
采用数据挖掘技术和多种单一相关性评价系数，建立综合关联系数评价准则，所述的综合关联系数按下式计算：
Figure BDA0003157300850000021
其中，CREI为非预选参数的综合关联系数，EIi为所述的多种单一相关性评价系数，NEI为所述的多种单一相关性评价系数的总个数，ωi为所述的每个单一相关性评价指标的权重系数，ωi＝1/NEI；
将所述的综合关联系数作为相关性评价准则，对所述的样本数据进行相关性评价，采用最大相关最低冗余特征选择方法，筛选出与所述的风电功率相关性最大且所述的相关参数之间相关性最弱的参数作为预选参数，其他为非预选参数；
采用特征融合方法，将所述的非预选参数融合为一个综合影响参数，与所述的预选参数共同作为输入参数，同时将所述的风电功率作为输出参数，建立风电功率预测模型，所述的综合影响参数的计算如下式所示：
Figure BDA0003157300850000022
式中，m为所述的预选参数的个数，n为所述的相关参数的总个数，n-m为所述的非预选参数的个数，Xi为第i个所述的非预选参数，IC为所述的综合影响参数，CREIi和CREIj分别为第i个和第j个所述的非预选参数的综合关联系数；
采用人工智能学习算法，对所述的风电功率预测模型进行训练，直至达到预测精度要求，最终输出风电功率预测结果。
可选的，所述的数据挖掘技术包括：关联分析、自组织映射、相关性分析和总变差分析；所述的多种单一相关性评价系数包括：Pearson系数、Spearman系数、Kendall系数、互信息熵以及灰色关联度；所述的人工智能学习算法包括：BP神经网络、卷积神经网络、随机深林数、长短期记忆神经网络和门控循环神经网络；所述的预测精度要求的指标包括：归一化最大误差，归一化平均绝对误差、归一化均方根误差和决定系数。
可选的，所述的风电功率预测模型由不同学习算法的风电功率预测子模型加权组合而成，所述的风电功率预测子模型的权重系数由所述的风电功率预测子模型的前t时刻的误差计算得到，即如下式所示：
Figure BDA0003157300850000031
Figure BDA0003157300850000032
式中，
Figure BDA0003157300850000033
表示第l个所述的风电功率预测子模型在第q时刻的误差，所述的误差为第l个所述的风电功率预测子模型在第q时刻下，所述的风电功率预测值和实际值的偏差，ul和uo分别表示第l个和第o个功率子模型的前t时刻的平均误差的倒数，λl为第l个所述的风电功率预测子模型的权重系数，k为所述的风电功率预测子模型的总个数。
所述的数据预处理的步骤包括；
采用四分位数法进行数据检测，判断是否有异常数据以及缺失数据，若有异常数据，则对异常数据进行清洗，若无，进入下一步；
判断是否有缺失数据，若有缺失数据，利用插值法对缺失数据进行重构，若无，进入下一步；
对清洗后或重构后的数据进行归一化处理，获得风电功率及其相关参数的样本数据。
可选的，所述的多种单一相关性评价系数按照以下原则进行归一化处理：所述的Pearson系数、所述的Spearman系数和所述的Kendall系数取绝对值；所述的灰色关联度无需处理；所述的互信息熵根据以下公式进行归一化处理：
Figure BDA0003157300850000041
其中，x表示所述的相关参数，P表示所述的风电功率，I(x，P)表示所述的相关参数和所述的风电功率的互信息熵，H(x)、H(P)分别为所述的相关参数和所述的风电功率的信息熵，IxP表示所述的相关参数和所述的风电功率的归一化互信息熵。
本发明还提供了一种风电功率预测系统，该系统包括：
数据预处理模块，用于对SCADA数据进行检测、清洗以及重构，并将所有数据进行归一化处理，获得风电功率及其相关参数的样本数据；
相关性评价模块，用于采用数据挖掘技术和多种单一相关性评价指标，建立综合关联系数评价准则，将所述的综合关联系数作为相关性评价准则，对所述的样本数据进行相关性评价，所述的综合关联系数按下式计算：
Figure BDA0003157300850000042
其中，CREI为所述非预选参数的综合关联系数，EIi为所述的多种单一相关性评价系数，NEI为所述的多种单一相关性评价系数的总个数，ωi为所述的多种单一相关性评价指标的权重系数，ωi＝1/NEI；
特征选择模块，用于采用综合关联系数评价准则和最大相关最低冗余特征选择方法，获得预选参数和非预选参数；
特征融合模块，用于将上述的非预选参数融合为一个综合影响参数，与所述的预选参数共同作为输入参数，同时将所述的风电功率作为输出参数，建立风电功率预测模型，所述的综合影响参数的计算如下式所示：
Figure BDA0003157300850000051
其中，m为所述的预选参数的个数，n为所述的相关参数的总个数，n-m为所述的非预选参数的个数，Xi为第i个所述的非预选参数，IC为所述的综合影响参数，CREIi和CREIj分别为第i个和第j个所述的非预选参数的综合关联系数；
预测模块，用于采用人工智能学习算法，对所述的风电功率预测模型进行训练，直至达到预测精度要求，最终输出风电功率预测结果。
所述的数据挖掘技术包括：关联分析、自组织映射、相关性分析和总变差分析；所述的多种单一相关性评价系数包括：Pearson系数、Spearman系数、Kendall系数、互信息熵以及灰色关联度；所述的人工智能学习算法包括：BP神经网络、卷积神经网络、随机深林数、长短期记忆神经网络和门控循环神经网络；所述的预测精度要求的指标包括：归一化最大误差，归一化平均绝对误差、归一化均方根误差和决定系数。
所述的风电功率预测模型由不同学习算法的风电功率预测子模型加权组合而成，所述的风电功率预测子模型的权重系数由所述的风电功率预测子模型的前t时刻的误差计算得到，即如下式所示：
Figure BDA0003157300850000052
Figure BDA0003157300850000053
式中，
Figure BDA0003157300850000054
表示第l个所述的风电功率预测子模型在第q时刻的误差，所述的误差为第l个所述的风电功率预测子模型在第q时刻下，所述的风电功率预测值和实际值的偏差，ul和uo分别表示第l个和第o个功率子模型的前t时刻的平均误差的倒数，λl为第l个所述的风电功率预测子模型的权重系数，k为所述的风电功率预测子模型的总个数。
所述的数据预处理模块包括：
数据检测清洗单元，用于采用四分位数法进行数据检测，判断是否有异常数据以及缺失数据，若有异常数据，则对异常数据进行清洗，若无，进入下一步；
数据重构单元，用于判断是否有缺失数据，若有缺失数据，利用插值法对缺失数据进行重构，若无，进入下一步；
数据归一化单元，对清洗后或重构后的数据进行归一化处理，获得风电功率及其相关参数的样本数据。
所述的多种单一相关性评价系数按照以下原则进行归一化处理：可选的，所述的Pearson系数、所述的Spearman系数和所述的Kendall系数取绝对值；所述的灰色关联度无需处理；所述的互信息熵按以下公式进行归一化处理：
Figure BDA0003157300850000061
式中，x表示所述的相关参数，P表示所述的风电功率，I(x，P)表示所述的相关参数和所述的风电功率的互信息熵，H(x)、H(P)分别为所述的相关参数和所述的风电功率的信息熵，IxP表示所述的相关参数和所述的风电功率的归一化互信息熵；
根据本发明提供的具体实施例，本发明公开了以下技术效果；
1、本发明提出的综合关联系数，相对于单一的相关性评价指标，能够更加全面地描述参数之间的关联性；与最大相关最低冗余特征选择方法结合在一起，可以有效降低风电功率预测模型输入参数的冗余性，使得模型的计算量降低，模型的泛化能力更强。
2、本发明利用数据特征融合方法将非预选参数融合为一个综合影响特征，既能考虑到非预选参数对预测模型的影响，又能简化预测模型的维度和复杂性，解决了模型输入的高纬度问题。。
3、本发明提出的基于综合关联系数评价准则和最大相关最低冗余特征选择方法和数据特征融合方法，能够全面考虑各个参数对预测模型的影响，又能简化和降低预测模型的输入数量和冗余性问题，在保持模型精度的前提下，节省了计算成本。
4、本发明提出的功率预测组合模型，通过不断更新预测子模型的误差，从而更新功率预测组合模型的权重系数，相对于固定权重的功率预测组合模型，本发明提供的预测模型泛化能力更强，鲁棒性更高。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的风电功率预测方法及系统的实施例的流程图。
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。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明的目的是提供一种风电功率预测方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明的风电功率预测方法及系统的实施例包括以下步骤：
步骤S1，获得原始SCADA系统数据，可选的，所述的SCADA系统数据包括：历史输出功率参数(P1，P2，...，Ps)；历史风速参数(WS1，WS2，...，WSs)；历史风向参数(WD1，WD2，...，WDs)，历史温度参数(T1，T2，...，Ts)，历史气压参数(AP1，AP2，...，APs)，历史湿度参数(H1，H2，...，Hs)，历史湍流参数(TI1，TI2，...，TIs)，历史风剪切参数(WSh1，WSh2，...，WShs)以及空气密度参数(Rho1，Rho2，...，Rhos)等气象参数；以及历史偏航误差参数(YE1，YE2，...，YEs)，历史桨距角参数(PA1，PA2，...，PAs)等风力机控制相关参数特征，其中s表示历史数据的长度；对原始SCADA数据进行数据预处理，获得风电功率及其相关参数的样本数据；
步骤S2，采用数据挖掘技术和多种单一相关性评价系数，建立综合关联系数评价准则；
步骤S3，将所述的综合关联系数作为相关性评价准则，对所述的样本数据进行相关性评价，采用最大相关最低冗余特征选择方法，筛选出与所述的风电功率相关性最大且所述的相关参数之间相关性最弱的参数作为预选参数，其他为非预选参数；
步骤S4，采用特征融合方法，将所述的非预选参数融合为一个综合影响参数，与所述的预选参数共同作为输入参数，同时将所述的风电功率作为输出参数，建立风电功率预测模型；
步骤S5，采用人工智能学习算法，对所述的风电功率预测模型进行训练，直至达到预测精度要求，最终输出风电功率预测结果。
下面对各个步骤进行详细的介绍：
可选的，所述的步骤S1，具体步骤包括：
步骤S10，利用四分位数法对数据进行检测，判断是否有无异常数据以及缺失数据，若有异常数据，则需要对异常数据进行清洗，若无，则无需清洗；
步骤S11，判断是否有缺失数据，若有缺失数据，则利用插值法和缺失点临近的四个数据点，对缺失数据进行插值重构；
步骤S12，对修正后的数据按照[0，1]进行归一化处理，获得风电功率及其相关参数的样本数据。
所述的步骤S2，具体步骤包括：
步骤S20，可选的所述的数据挖掘技术，如关联分析、自组织映射、相关性分析和总变差分析，分析所述的风电功率及其相关参数的关联程度以及相关性。
步骤S21，所述的多种单一相关性评价系数，可选的，Pearson系数、Spearman系数、Kendall系数、互信息熵以及灰色关联度计算综合关联系数评价准则；
步骤S22，所述的多种单一相关性评价指标需要进行归一化处理，具体步骤为：所述的Pearson系数、所述的Spearman系数和所述的Kendall系数取绝对值；所述的灰色关联度无需处理；所述的互信息熵按下式进行归一化处理：
Figure BDA0003157300850000091
其中，x表示所述的相关参数，P表示所述的风电功率，I(x，P)表示所述的相关参数和所述的风电功率的互信息熵，H(x)、H(P)分别为所述的相关参数和所述的风电功率的信息熵，IxP表示所述的相关参数和所述的风电功率的归一化互信息熵。
步骤S23，所述的综合关联系数按以下公式计算：
Figure BDA0003157300850000092
其中，CREI为所述非预选参数的综合关联系数，EIi为所述的多种单一相关性评价系数，NEI为所述的多种单一相关性评价系数的总个数，ωi为所述的每个单一相关性评价指标的权重系数，ωi＝1/NEI。
所述的步骤S3，将所述的综合关联系数作为相关性评价准则，，对所述的样本数据进行相关性评价，采用最大相关最低冗余特征选择方法，筛选出与所述的风电功率相关性最大且所述的相关参数之间相关性最弱的参数作为预选参数，其他为非预选参数；可选的，所述的预选参数为历史风速参数(WS1，WS2，...，WSs)，历史风向参数(WD1，WD2，...，WDs)和历史桨距角参数(PA1，PA2，…，PAs)。
所述的步骤S4，采用特征融合方法，将上述的非预选参数融合为一个综合影响参数，与所述的预选参数特征共同作为输入参数，同时将所述的风电功率作为输出参数，建立风电功率预测模型，所述的综合影响参数的计算如下式所示：
Figure BDA0003157300850000101
式中，m为所述的预选参数的个数，n为所述的相关参数的总个数，n-m为所述的非预选参数的个数，Xi为第i个所述的非预选参数，IC为所述的综合影响参数，CREIi和CREIj分别为第i个和第j个所述的非预选参数的综合关联系数。
所述的步骤S5，具体步骤包括；
步骤S50，首先由不同学习算法建立的所述的风电功率预测子模型；可选的，所述的不同学习算法为BP神经网络、卷积神经网络、随机深林数、长短期记忆神经网络和门控循环神经网络；
步骤S51，所述的风电功率预测模型由所述的风电功率预测子模型加权组合而成，所述的风电功率预测子模型的权重系数由所述的风电功率预测子模型的前t时刻的误差计算得到，计算公式如下式所示：
Figure BDA0003157300850000102
Figure BDA0003157300850000103
式中，
Figure BDA0003157300850000104
表示第l所述的风电功率预测子模型在第q时刻的误差，所述的误差为第l个所述的风电功率预测子模型在第q时刻下，所述的风电功率预测值和实际值的偏差，ul和uo分别表示第l个和第o个所述的风电功率子模型的前t时刻的平均误差的倒数，λl为第l个所述的风电功率预测子模型的权重系数；k为所述的风电功率预测子模型的总个数；
步骤S52，利用所述的预测精度要求的指标对所述的风电功率预测模型进行评价，可选的，所述的预测精度要求的指标包括：所述的归一化最大误差，所述的归一化平均绝对误差、所述的归一化均方根误差和所述的决定系数等。
基于同一发明构思，本发明实施例还提供了一种风电功率预测系统，由于这些设备解决问题的原理与一种风电功率概率预测方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (10)

1.一种风电功率预测方法及系统，其特征在于，包括以下步骤：
对原始SCADA数据进行预处理，获得风电功率及其相关参数的样本数据；
采用数据挖掘技术和多种单一相关性评价系数，建立综合关联系数评价准则，所述的综合关联系数按公式(1)计算：
Figure FDA0003157300840000011
式中，CREI为所述综合关联系数，EIi为所述的多种单一相关性评价系数，NEI为所述的多种单一相关性评价系数的总个数，ωi为所述的多种单一相关性评价系数的权重系数，ωi＝1/NEI；
将所述的综合关联系数作为相关性评价准则，对所述的样本数据进行相关性评价，采用最大相关最低冗余特征选择方法，筛选出与所述的风电功率相关性最大且所述的相关参数之间相关性最弱的参数作为预选参数，其他为非预选参数；
采用特征融合方法，将所述的非预选参数融合为一个综合影响参数，与所述的预选参数共同作为输入参数，同时将所述的风电功率作为输出参数，建立风电功率预测模型，所述的综合影响参数的计算如公式(2)所示：
Figure FDA0003157300840000012
式中，m为所述的预选参数的个数，n为所述的相关参数的总个数，n-m为所述的非预选参数的个数，Xi为第i个所述的非预选参数，IC为所述的综合影响参数，CREIi和CREIj分别为第i个和第j个所述的非预选参数的综合关联系数；
采用人工智能学习算法，对所述的风电功率预测模型进行训练，直至达到预测精度要求，最终输出风电功率预测结果。
2.根据权利要求1所述的风电功率预测方法，其特征在于，所述的数据挖掘技术包括：关联分析、自组织映射、相关性分析和总变差分析；所述的多种单一相关性评价系数包括：Pearson系数、Spearman系数、Kendall系数、互信息熵以及灰色关联度；所述的人工智能学习算法包括：BP神经网络、卷积神经网络、随机深林数、长短期记忆神经网络和门控循环神经网络；所述的预测精度要求的指标包括：归一化最大误差，归一化平均绝对误差、归一化均方根误差和决定系数。
3.根据权利要求1所述的风电功率预测方法，其特征在于，所述的风电功率预测模型由不同学习算法的风电功率预测子模型加权组合而成，所述的风电功率预测子模型的权重系数由所述的风电功率预测子模型的前t时刻的误差计算得到，即按照公式(3)和公式(4)计算得到：
Figure FDA0003157300840000021
Figure FDA0003157300840000022
式中，
Figure FDA0003157300840000023
表示第l个所述的风电功率预测子模型在第q时刻的误差，所述的误差为第l个所述的风电功率预测子模型在第q时刻下，所述的风电功率预测值和实际值的偏差，ul和uo分别表示第l个和第o个所述的风电功率预测子模型的前t时刻的平均误差的倒数，λl为第l个所述的风电功率预测子模型的权重系数，k为所述的风电功率预测子模型的总个数。
4.根据权利要求1所述的风电功率预测方法，其特征在于，所述的数据预处理的步骤包括：
采用四分位数法进行数据检测，判断是否有异常数据以及缺失数据，若有异常数据，则对异常数据进行清洗，若无，进入下一步；
判断是否有缺失数据，若有缺失数据，利用插值法对缺失数据进行重构，若无，进入下一步；
对清洗后或重构后的数据进行归一化处理，获得风电功率及其相关参数的样本数据。
5.根据权利要求2所述的风电功率预测方法，其特征在于，所述的多种单一相关性评价系数按照以下原则进行归一化处理：所述的Pearson系数、所述的Spearman系数和所述的Kendall系数取绝对值；所述的灰色关联度无需处理；所述的互信息熵按公式(5)进行归一化处理：
Figure FDA0003157300840000031
式中，x表示所述的相关参数，P表示所述的风电功率，I(x，P)表示所述的相关参数和所述的风电功率的互信息熵，H(x)、H(P)分别为所述的相关参数和所述的风电功率的信息熵，IxP表示所述的相关参数和所述的风电功率的归一化互信息熵。
6.一种风电功率预测系统，其特征在于，所述系统包括：
数据预处理模块，用于对SCADA数据进行检测、清洗以及重构，并将所有数据进行归一化处理，获得风电功率及其相关参数的样本数据；
相关性评价模块，用于采用数据挖掘技术和多种单一相关性评价指标，建立综合关联系数评价准则，将所述的综合关联系数作为相关性评价准则，对所述的样本数据进行相关性评价，所述的综合关联系数按公式(6)计算：
Figure FDA0003157300840000032
式中，CREI为所述非预选参数的综合关联系数，EIi为所述的多种单一相关性评价系数，NEI为所述的多种单一相关性评价系数的总个数，ωi为所述的多种单一相关性评价指标的权重系数，ωi＝1/NEI；
特征选择模块，用于采用综合关联系数评价准则和最大相关最低冗余特征选择方法，获得预选参数和非预选参数；
特征融合模块，用于将上述的非预选参数融合为一个综合影响参数，与所述的预选参数共同作为输入参数，同时将所述的风电功率作为输出参数，建立风电功率预测模型，所述的综合影响参数的计算如公式(7)所示：
Figure FDA0003157300840000041
式中，m为所述的预选参数的个数，n为所述的相关参数的总个数，n-m为所述的非预选参数的个数，Xi为第i个所述的非预选参数，IC为所述的综合影响参数，CREIi和CREIj分别为第i个和第j个所述的非预选参数的综合关联系数；
预测模块，用于采用人工智能学习算法，对所述的风电功率预测模型进行训练，直至达到预测精度要求，最终输出风电功率预测结果。
7.根据权利要求6所述的风电功率预测系统，其特征在于，所述的数据挖掘技术包括：关联分析、自组织映射、相关性分析和总变差分析；所述的多种单一相关性评价系数包括：Pearson系数、Spearman系数、Kendall系数、互信息熵以及灰色关联度；所述的人工智能学习算法包括：BP神经网络、卷积神经网络、随机深林数、长短期记忆神经网络和门控循环神经网络；所述的预测精度要求的指标包括：归一化最大误差，归一化平均绝对误差、归一化均方根误差和决定系数。
8.根据权利要求6所述的风电功率预测系统，其特征在于，所述的风电功率预测模型由不同学习算法的风电功率预测子模型加权组合而成，所述的风电功率预测子模型的权重系数由所述的风电功率预测子模型的前t时刻的误差计算得到，即按照公式(8)和公式(9)计算得到：
Figure FDA0003157300840000042
Figure FDA0003157300840000043
式中，
Figure FDA0003157300840000044
表示第l个所述的风电功率预测子模型在第q时刻的误差，所述的误差为第l个所述的风电功率预测子模型在第q时刻下，所述的风电功率预测值和实际值的偏差，ul和uo分别表示第l个和第o个所述的风电功率预测子模型的前t时刻的平均误差的倒数，λl为第l个所述的风电功率预测子模型的权重系数，k为所述的风电功率预测子模型的总个数。
9.根据权利要求6所述的风电功率预测系统，其特征在于，所述的数据预处理模块包括：
数据检测清洗单元，用于采用四分位数法进行数据检测，判断是否有异常数据以及缺失数据，若有异常数据，则对异常数据进行清洗，若无，进入下一步；
数据重构单元，用于判断是否有缺失数据，若有缺失数据，利用插值法对缺失数据进行重构，若无，进入下一步；
数据归一化单元，对清洗后或重构后的数据进行归一化处理，获得风电功率及其相关参数的样本数据。
10.根据权利要求6所述的风电功率预测系统，其特征在于，所述的多种单一相关性评价系数按照以下原则进行归一化处理：所述的Pearson系数、所述的Spearman系数和所述的Kendall系数取绝对值；所述的灰色关联度无需处理；所述的互信息熵按公式(10)进行归一化处理：
Figure FDA0003157300840000051
式中，x表示所述的相关参数，P表示所述的风电功率，I(x，P)表示所述的相关参数和所述的风电功率的互信息熵，H(x)、H(P)分别为所述的相关参数和所述的风电功率的信息熵，IxP表示所述的相关参数和所述的风电功率的归一化互信息熵。
CN202110781394.9A 2021-07-11 2021-07-11 一种风电功率预测方法及系统 Active CN113507118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110781394.9A CN113507118B (zh) 2021-07-11 2021-07-11 一种风电功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110781394.9A CN113507118B (zh) 2021-07-11 2021-07-11 一种风电功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN113507118A true CN113507118A (zh) 2021-10-15
CN113507118B CN113507118B (zh) 2022-05-13

Family

ID=78012234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110781394.9A Active CN113507118B (zh) 2021-07-11 2021-07-11 一种风电功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN113507118B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
CN114358192A (zh) * 2022-01-06 2022-04-15 长安大学 一种多源异构滑坡数据监测融合方法
CN115222024A (zh) * 2022-09-05 2022-10-21 广东电网有限责任公司湛江供电局 基于深度特征选择网络的短期光伏发电预测方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2223406A2 (en) * 2007-12-19 2010-09-01 Vestas Wind Systems A/S Event-based control system for wind turbine generators
CA2846288A1 (en) * 2011-08-31 2013-03-07 Tollgrade Communications, Inc. Methods and apparatus for determining conditions of power lines
CN109117864A (zh) * 2018-07-13 2019-01-01 华南理工大学 基于异构特征融合的冠心病风险预测方法、模型及系统
US20190129959A1 (en) * 2017-10-30 2019-05-02 Bank Of America Corporation Performing database file management using statistics maintenance and column similarity
CN110458344A (zh) * 2019-07-26 2019-11-15 湘潭大学 一种自适应时间分辨率的超短期风电功率预测方法
CN111600300A (zh) * 2020-05-21 2020-08-28 云南电网有限责任公司大理供电局 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法
CN111697621A (zh) * 2020-06-23 2020-09-22 石家庄铁道大学 基于ewt-pdbn组合的短期风电功率预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2223406A2 (en) * 2007-12-19 2010-09-01 Vestas Wind Systems A/S Event-based control system for wind turbine generators
CA2846288A1 (en) * 2011-08-31 2013-03-07 Tollgrade Communications, Inc. Methods and apparatus for determining conditions of power lines
US20190129959A1 (en) * 2017-10-30 2019-05-02 Bank Of America Corporation Performing database file management using statistics maintenance and column similarity
CN109117864A (zh) * 2018-07-13 2019-01-01 华南理工大学 基于异构特征融合的冠心病风险预测方法、模型及系统
CN110458344A (zh) * 2019-07-26 2019-11-15 湘潭大学 一种自适应时间分辨率的超短期风电功率预测方法
CN111600300A (zh) * 2020-05-21 2020-08-28 云南电网有限责任公司大理供电局 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法
CN111697621A (zh) * 2020-06-23 2020-09-22 石家庄铁道大学 基于ewt-pdbn组合的短期风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHANGTONG WANG: "Hybrid Deep Learning Model for Short-Term Wind Speed Forecasting Based on Time Series Decomposition and Gated Recurrent Unit", 《COMPLEX SYSTEM MODELING AND SIMULATION 》 *
唐新姿等: "风速不确定性对风力机气动力影响量化研究", 《力学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358192A (zh) * 2022-01-06 2022-04-15 长安大学 一种多源异构滑坡数据监测融合方法
CN114358192B (zh) * 2022-01-06 2022-11-25 长安大学 一种多源异构滑坡数据监测融合方法
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
WO2023134478A1 (zh) * 2022-01-13 2023-07-20 广东电网有限责任公司揭阳供电局 超短期风电功率预测方法和装置
CN115222024A (zh) * 2022-09-05 2022-10-21 广东电网有限责任公司湛江供电局 基于深度特征选择网络的短期光伏发电预测方法和系统
CN115222024B (zh) * 2022-09-05 2023-01-24 广东电网有限责任公司湛江供电局 基于深度特征选择网络的短期光伏发电预测方法和系统

Also Published As

Publication number Publication date
CN113507118B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN113507118B (zh) 一种风电功率预测方法及系统
Xiaoyun et al. Short-term prediction of wind power based on deep long short-term memory
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN106529719B (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN112598248B (zh) 负荷预测方法、装置、计算机设备和存储介质
Hu et al. Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
CN115688579A (zh) 一种基于生成对抗网络的流域多点水位预测预警方法
CN113409167B (zh) 一种水质异常分析方法及装置
CN114912077B (zh) 一种融合随机搜索与混合分解误差订正的海浪预报方法
CN112803398A (zh) 基于经验模态分解和深度神经网络的负荷预测方法及系统
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
CN115238948A (zh) 小水电发电量预测方法及装置
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
He et al. Similar day selecting based neural network model and its application in short-term load forecasting
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
CN111292121A (zh) 一种基于园区画像的园区负荷预测方法及系统
CN116307287B (zh) 一种光伏发电有效时段的预测方法、系统及预测终端
CN113361776A (zh) 一种基于用户用电行为聚类的电力负荷概率预测方法
CN117195114A (zh) 一种化工产线状态识别方法及系统
CN116885699A (zh) 基于双重注意力机制的电力负荷预测方法
CN115423091A (zh) 一种条件对抗神经网络训练方法、场景生成方法和系统
CN112446550B (zh) 一种短期建筑负荷概率密度预测方法
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法

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