CN113887839A - 一种基于聚类的风电场超短期风功率预测方法及系统 - Google Patents
一种基于聚类的风电场超短期风功率预测方法及系统 Download PDFInfo
- Publication number
- CN113887839A CN113887839A CN202111334102.3A CN202111334102A CN113887839A CN 113887839 A CN113887839 A CN 113887839A CN 202111334102 A CN202111334102 A CN 202111334102A CN 113887839 A CN113887839 A CN 113887839A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction model
- equivalent
- wind
- wind turbine
- 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 52
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010223 real-time analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于聚类的风电场超短期风功率预测方法及系统,其中,方法包括:获取风电场的基本数据和实时测量数据;根据基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;根据多个等值风电机组预测模型,建立风电场的组合预测模型;根据实时测量数据和组合预测模型,得到风电场的超短期风功率实时预测值。本发明对风电场中的全部风电机组进行聚类处理并分别建立预测模型,减少了超短期风功率值预测模型的构建数量,提高了超短期风功率预测的精度。
Description
技术领域
本发明涉及风电场风力发电技术领域,特别是涉及一种基于聚类的风电场超短期风功率预测方法及系统。
背景技术
风力发电作为目前最为经济和成熟的一种可再生能源发电受到世界各国的高度重视。近年来,我国大规模风电场的集中开发与利用成为了风力发电的主流方向,但大规模风电的并网运行给电力系统调度带来了一定的困难,进而造成了风电弃风的现象。造成风电弃风的主要原因是风电场的风功率预测精度不够,使得传统的火电机组无法满足风力发电带来的不确定性。
目前,风电场风功率预测方法主要包括数值天气预报预测方法(NWP)、物理预测方法和统计预测方法。其中,数值天气预报预测方法是以大气的实际情况为依据,利用数值计算方法对天气的演变进行描述,以此对未来的天气进行预测,进而预测风电功率的输出;物理预测方法通过利用气象参数、风电场的地理信息等数据,对风电机组轮毂位置的风向、风速进行计算,再结合风电场输出功率曲线随风速的变化情况计算风电输出功率,进而获得功率的预测值;统计预测方法是在风电场测量数据、数值气象预报模型等输入数值和风电功率之间构建一映射关系,从而预测风电功率;随着风电场规模不断扩大,以上三种预测模型的预测精度均不高,很难满足现实风电场并网运行情况的需要。因此,亟需高精度的风电场风功率预测技术。
发明内容
本发明的目的是提供一种基于聚类的风电场超短期风功率预测方法及系统,对风电场中的全部风电机组进行聚类处理并分别建立预测模型,减少了超短期风功率值预测模型的构建数量,提高了超短期风功率预测的精度。
为实现上述目的,本发明提供了如下方案:
一种基于聚类的风电场超短期风功率预测方法,包括:
获取风电场的基本数据和实时测量数据;所述基本数据为风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据;所述实时测量数据为气象预报数据、气象实时数据、测风塔实时数据;
根据所述基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;
将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;
根据多个所述等值风电机组预测模型,建立风电场的组合预测模型;
根据所述实时测量数据和所述组合预测模型,得到风电场的超短期风功率实时预测值。
可选的,所述根据多个所述等值风电机组预测模型,建立风电场的组合预测模型,具体包括:
获取风电场的历史测量数据;
根据所述历史测量数据,确定每个等值风电机组预测模型的权重;
根据所述权重和多个所述等值风电机组预测模型,建立所述组合预测模型。
可选的,所述等值风电机组预测模型为BP预测模型、LSSVM预测模型、GA-LSSVM预测模型、ARIMA预测模型或KALMAN滤波预测模型中的一种。
可选的,所述根据所述历史测量数据,确定每个等值风电机组预测模型的权重,具体包括:
将所述历史测量数据分别输入每个所述等值风电机组预测模型中,得到多个等值风电机组的风功率历史预测值;
分别计算每个等值风电机组风功率历史预测值与风功率历史值的方差;
其中,σ为多个等值风电机组的风功率历史预测值与风功率历史值的方差和,n为等值风电机组预测模型的总数,ki为第i个等值风电机组预测模型的权重系数,i=1,...n;ξi为第i个等值风电机组的风功率历史预测值与风功率历史值的方差;ei为第i个等值风电机组预测模型的预测误差;ξj为第j个等值风电机组的风功率历史预测值与风功率历史值的方差,i=1,...n且i≠j;ej为第j个等值风电机组预测模型的预测误差;λ为拉格朗日常数。
其中,P为风电场的超短期风功率实时预测值,Pi为第i个等值风电机组预测模型的风功率实时预测值;所述风功率实时预测值是将所述实时测量数据输入等值风电机组预测模型中得到的。
一种基于聚类的风电场超短期风功率预测系统,包括:
数据获取模块,用于获取风电场的基本数据和实时测量数据;所述基本数据为风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据;所述实时测量数据为气象预报数据、气象实时数据、测风塔实时数据;
风电机组簇确定模块,用于根据所述基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;
等值风电机组预测模型建立模块,用于将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;
组合预测模型建立模块,用于根据多个所述等值风电机组预测模型,建立风电场的组合预测模型;
超短期风功率实时预测值确定模块,用于根据所述实时测量数据和所述组合预测模型,得到风电场的超短期风功率实时预测值。
可选的,所述组合预测模型建立模块,具体包括:
历史测量数据获取单元,用于获取风电场的历史测量数据;
权重确定单元,用于根据所述历史测量数据,确定每个等值风电机组预测模型的权重;
组合预测模型建立单元,用于根据所述权重和多个所述等值风电机组预测模型,建立所述组合预测模型。
可选的,所述等值风电机组预测模型为BP预测模型、LSSVM预测模型、GA-LSSVM预测模型、ARIMA预测模型或KALMAN滤波预测模型中的一种。
可选的,所述权重确定单元,具体包括:
风功率历史预测值确定子单元,用于将所述历史测量数据分别输入每个所述等值风电机组预测模型中,得到多个等值风电机组的风功率历史预测值;
计算子单元,用于分别计算每个等值风电机组风功率历史预测值与风功率历史值的方差;
其中,σ为多个等值风电机组的风功率历史预测值与风功率历史值的方差和,n为等值风电机组预测模型的总数,ki为第i个等值风电机组预测模型的权重系数,i=1,...n;ξi为第i个等值风电机组的风功率历史预测值与风功率历史值的方差;ei为第i个等值风电机组预测模型的预测误差;ξj为第j个等值风电机组的风功率历史预测值与风功率历史值的方差,i=1,...n且i≠j;ej为第j个等值风电机组预测模型的预测误差;λ为拉格朗日常数。
其中,P为风电场的超短期风功率实时预测值,Pi为第i个等值风电机组预测模型的风功率实时预测值;所述风功率实时预测值是将所述实时测量数据输入等值风电机组预测模型中得到的。
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:
本发明公开了一种基于聚类的风电场超短期风功率预测方法及系统,其中,方法包括:获取风电场的基本数据和实时测量数据;根据基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;根据多个等值风电机组预测模型,建立风电场的组合预测模型;根据实时测量数据和组合预测模型,得到风电场的超短期风功率实时预测值。本发明对风电场中的全部风电机组进行聚类处理并分别建立预测模型,减少了超短期风功率值预测模型的构建数量,提高了超短期风功率预测的精度。
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为本发明实施例中基于聚类的风电场超短期风功率预测方法流程图;
图2为本发明实施例中风电场风速风向测量装置结构示意图;
图3为本发明实施例中风电场现场数据采集单元结构示意图;
图4为本发明实施例中的超短期风功率预测结果;
图5为本发明实施例中基于聚类的风电场超短期风功率预测系统结构示意。
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基于聚类的风电场超短期风功率预测方法及系统,对风电场中的全部风电机组进行聚类处理并分别建立预测模型,减少了超短期风功率值预测模型的构建数量,提高了超短期风功率预测的精度。
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。
图1为本发明实施例中基于聚类的风电场超短期风功率预测方法流程图,如图1,本发明提供了一种基于聚类的风电场超短期风功率预测方法,包括:
步骤101:获取风电场的基本数据和实时测量数据;基本数据为风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据;实时测量数据为气象预报数据、气象实时数据、测风塔实时数据;
步骤102:根据基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;
步骤103:将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;
步骤104:根据多个等值风电机组预测模型,建立风电场的组合预测模型;
步骤105:根据实时测量数据和组合预测模型,得到风电场的超短期风功率实时预测值。
步骤104,具体包括:
获取风电场的历史测量数据;
根据历史测量数据,确定每个等值风电机组预测模型的权重;
根据权重和多个等值风电机组预测模型,建立组合预测模型。
其中,等值风电机组预测模型为BP预测模型、LSSVM预测模型、GA-LSSVM预测模型、ARIMA预测模型或KALMAN滤波预测模型中的一种。
具体的,根据历史测量数据,确定每个等值风电机组预测模型的权重,具体包括:
将历史测量数据分别输入每个等值风电机组预测模型中,得到多个等值风电机组的风功率历史预测值;
分别计算每个等值风电机组风功率历史预测值与风功率历史值的方差;
其中,σ为多个等值风电机组的风功率历史预测值与风功率历史值的方差和,n为等值风电机组预测模型的总数,ki为第i个等值风电机组预测模型的权重系数,i=1,...n;ξi为第i个等值风电机组的风功率历史预测值与风功率历史值的方差;ei为第i个等值风电机组预测模型的预测误差;ξj为第j个等值风电机组的风功率历史预测值与风功率历史值的方差,i=1,...n且i≠j;ej为第j个等值风电机组预测模型的预测误差;λ为拉格朗日常数。
其中,P为风电场的超短期风功率实时预测值,Pi为第i个等值风电机组预测模型的风功率实时预测值;风功率实时预测值是将实时测量数据输入等值风电机组预测模型中得到的。
具体的,根据风电场内所有风电机组风功率的实测数据样本,采用基于高斯混合模型的方法对风电场内所有风电机组进行聚类分群,将大量的风电机组分群为若干个簇,有效避免了K-means方法聚类分群个数难以选择的问题。。按照等值机组的特点,将每一簇的风电机组群等值为一台风电机组。将风电场内的大量机组等值为若干台风电机组,风电场的风功率预测简化为仅对等值机组进行预测即可,大大提高了计算效率。采用组合预测模型对等值风电机组进行预测。组合预测模型就是将多个预测模型按照线性叠加的方法构成,组合预测模型的数学模型为:
其中,n为组合预测模型的总数,k1,k2,…,ki,…,kn为预测模型对应的权重系数,P1,P2,…,Pi,…,Pn为预测模型对应的输出预测功率值。
本发明为了提高风电场风电机组聚类分群的准确性,较佳的技术方案是,聚类分群时采用的历史数据包括风电机组的风速、气压、湿度、温度以及功率,其中,数据的采样周期为15分钟。根据风电场和气象部门提供的数据特征,提出多种预测模型组合的预测方案,并利用实测数据实时修正各模型的权重,直至预测精度达到最佳,并输出未来4小时的预测结果。为了降低成本,提高风电场内数据传输的可靠性和实时性,采用无线通信网络RoLa将数据送至风电场服务器,而气象部门与风电场距离较远,采用无线网络5G将气象数据送至风电场服务器。为了提高风电场超短期风功率预测的精度,采用了近5年的历史气象数据和风电场数据,同时,风功率预测系统中存储着5种超短期风功率预测模型组成的组合方案,根据实时分析数据特征,选择最佳的组合预测方案,即实时动态调整组合模型的权重系数。
图2为本发明实施例中风电场风速风向测量装置结构示意图;如图2所示,是本发明提供的一种超短期风功率预测方法及流程,首先读取风电场历史数据和实测数据,具体包括风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据,气象预报数据、气象实时数据、测风塔实时数据和风机风功率实时数据。根据读取的数据,采用基于高斯混合模型的方法对风电场内所有风电机组进行聚类分群,将风电场内所有风电机组分群为n簇。然后,根据分群后的等值机群进行风功率预测,为了提高风功率预测的速度,将每一簇机群等值为一台机组进行预测,即对风电场内n台等值机组进行预测。最后,根据实测数据动态调整组合预测模型中每一台等值机组的权重系数,并完成风功率预测值的计算,通过将n台等值机组的风功率预测结果叠加计算实现对整个风电场的风功率预测。通过预测误差的最小化方差之和为目标计算每一台等值机组的权重系数,利用实测数据和历史数据不断修正组合预测模型的权重系数,通过动态实时优化修正的方式提高预测精度。
图3为本发明实施例中风电场现场数据采集单元结构示意图;如图3,本发明,包括数据模块、数据处理模块以及组合预测模型模块,其中数据模块中风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据直接存入预测系统中,而气象预报数据、气象实时数据、测风塔实时数据、风机风功率实时数据则通过无线通信网络传输至风功率预测系统。数据处理模块是对历史数据和实测数据进行清洗,剔除不良数据,提高数据的保真度,结合处理后的数据对风电场的风电机组进行聚类分群。针对分群后的风电机组簇进行等值处理,将每一簇风电机群等值为一台机组。然后,对每一台等值机组进行风功率预测,并结合实测数据特征实时修正组合预测模型的权重系数,实时输出等值机组的风功率预测值,将所有等值机组的风功率预测值叠加获得整个风电场的超短期风功率预测结果并输出。
本发明根据风电场近5年每年三月份采集风功率序列为实验样本数据,数据采样周期为15分钟,通过数预处理、聚类分群、权重系数分配完成预测。其中,选取每台等值风机第5年三月份最后四个小时16个输出风功率采样点作为测试数据,其余数据均为实验数据进行风功率预测,将预测值与测试数据进行对比,验证本发明风功率预测的有效性。预测结果如图4所示,本发明除了以曲线的形式给出超短期风功率预测值,还可以报表、柱图的形式给出。
本发明的优点和有益效果为:
1、本发明采用了大量的数据,包括预报数据、实测数据、历史数据以及固有属性数据,如地形地貌数据、风电机组参数数据,通过对大量的数据进行分析,为风功率预测提供最佳的模型及方法。
2、本发明采用了多种组合预测模型,根据不同的天气工况下,动态分配组合预测模型的权重系数,有效提高风功率预测精度。
3、本发明采用无线通信网络方式进行数据传输,降低了风电场风功率预测系统的成本。
图5为本发明实施例中基于聚类的风电场超短期风功率预测系统结构示意图,如图5,本发明还提供了一种基于聚类的风电场超短期风功率预测系统,包括:
数据获取模块501,用于获取风电场的基本数据和实时测量数据;基本数据为风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据;实时测量数据为气象预报数据、气象实时数据、测风塔实时数据;
风电机组簇确定模块502,用于根据基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;
等值风电机组预测模型建立模块503,用于将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;
组合预测模型建立模块504,用于根据多个等值风电机组预测模型,建立风电场的组合预测模型;
超短期风功率实时预测值确定模块505,用于根据实时测量数据和组合预测模型,得到风电场的超短期风功率实时预测值。
组合预测模型建立模块,具体包括:
历史测量数据获取单元,用于获取风电场的历史测量数据;
权重确定单元,用于根据历史测量数据,确定每个等值风电机组预测模型的权重;
组合预测模型建立单元,用于根据权重和多个等值风电机组预测模型,建立组合预测模型。
等值风电机组预测模型为BP预测模型、LSSVM预测模型、GA-LSSVM预测模型、ARIMA预测模型或KALMAN滤波预测模型中的一种。
权重确定单元,具体包括:
风功率历史预测值确定子单元,用于将历史测量数据分别输入每个等值风电机组预测模型中,得到多个等值风电机组的风功率历史预测值;
计算子单元,用于分别计算每个等值风电机组风功率历史预测值与风功率历史值的方差;
其中,σ为多个等值风电机组的风功率历史预测值与风功率历史值的方差和,n为等值风电机组预测模型的总数,ki为第i个等值风电机组预测模型的权重系数,i=1,...n;ξi为第i个等值风电机组的风功率历史预测值与风功率历史值的方差;ei为第i个等值风电机组预测模型的预测误差;ξj为第j个等值风电机组的风功率历史预测值与风功率历史值的方差,i=1,...n且i≠j;ej为第j个等值风电机组预测模型的预测误差;λ为拉格朗日常数。
其中,P为风电场的超短期风功率实时预测值,Pi为第i个等值风电机组预测模型的风功率实时预测值;风功率实时预测值是将实时测量数据输入等值风电机组预测模型中得到的。
本发明提供的基于聚类的风电场超短期风功率预测系统还包括数据预处理模块,为了防止数据传输过程中存在丢失或测量误差,对风电场和气象部门提供的实时数据进行集中处理,剔除不良数据,保证数据的真实性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于聚类的风电场超短期风功率预测方法,其特征在于,所述方法,包括:
获取风电场的基本数据和实时测量数据;所述基本数据为风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据;所述实时测量数据为气象预报数据、气象实时数据、测风塔实时数据;
根据所述基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;
将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;
根据多个所述等值风电机组预测模型,建立风电场的组合预测模型;
根据所述实时测量数据和所述组合预测模型,得到风电场的超短期风功率实时预测值。
2.根据权利要求1所述的基于聚类的风电场超短期风功率预测方法,其特征在于,所述根据多个所述等值风电机组预测模型,建立风电场的组合预测模型,具体包括:
获取风电场的历史测量数据;
根据所述历史测量数据,确定每个等值风电机组预测模型的权重;
根据所述权重和多个所述等值风电机组预测模型,建立所述组合预测模型。
3.根据权利要求2所述的基于聚类的风电场超短期风功率预测方法,其特征在于,所述等值风电机组预测模型为BP预测模型、LSSVM预测模型、GA-LSSVM预测模型、ARIMA预测模型或KALMAN滤波预测模型中的一种。
4.根据权利要求2所述的基于聚类的风电场超短期风功率预测方法,其特征在于,所述根据所述历史测量数据,确定每个等值风电机组预测模型的权重,具体包括:
将所述历史测量数据分别输入每个所述等值风电机组预测模型中,得到多个等值风电机组的风功率历史预测值;
分别计算每个等值风电机组风功率历史预测值与风功率历史值的方差;
其中,σ为多个等值风电机组的风功率历史预测值与风功率历史值的方差和,n为等值风电机组预测模型的总数,ki为第i个等值风电机组预测模型的权重系数,i=1,...n;ξi为第i个等值风电机组的风功率历史预测值与风功率历史值的方差;ei为第i个等值风电机组预测模型的预测误差;ξj为第j个等值风电机组的风功率历史预测值与风功率历史值的方差,i=1,...n且i≠j;ej为第j个等值风电机组预测模型的预测误差;λ为拉格朗日常数。
6.一种基于聚类的风电场超短期风功率预测系统,其特征在于,所述系统,包括:
数据获取模块,用于获取风电场的基本数据和实时测量数据;所述基本数据为风机参数数据、风机风功率历史数据、气候背景数据、地形地貌数据;所述实时测量数据为气象预报数据、气象实时数据、测风塔实时数据;
风电机组簇确定模块,用于根据所述基本数据,利用高斯混合模型对风电场中的全部风电机组进行聚类处理,得到多个风电机组簇;
等值风电机组预测模型建立模块,用于将每个风电机组簇均等值为一台等值风电机组,建立多个等值风电机组预测模型;
组合预测模型建立模块,用于根据多个所述等值风电机组预测模型,建立风电场的组合预测模型;
超短期风功率实时预测值确定模块,用于根据所述实时测量数据和所述组合预测模型,得到风电场的超短期风功率实时预测值。
7.根据权利要求6所述的基于聚类的风电场超短期风功率预测系统,其特征在于,所述组合预测模型建立模块,具体包括:
历史测量数据获取单元,用于获取风电场的历史测量数据;
权重确定单元,用于根据所述历史测量数据,确定每个等值风电机组预测模型的权重;
组合预测模型建立单元,用于根据所述权重和多个所述等值风电机组预测模型,建立所述组合预测模型。
8.根据权利要求7所述的基于聚类的风电场超短期风功率预测系统,其特征在于,所述等值风电机组预测模型为BP预测模型、LSSVM预测模型、GA-LSSVM预测模型、ARIMA预测模型或KALMAN滤波预测模型中的一种。
9.根据权利要求7所述的基于聚类的风电场超短期风功率预测系统,其特征在于,所述权重确定单元,具体包括:
风功率历史预测值确定子单元,用于将所述历史测量数据分别输入每个所述等值风电机组预测模型中,得到多个等值风电机组的风功率历史预测值;
计算子单元,用于分别计算每个等值风电机组风功率历史预测值与风功率历史值的方差;
其中,σ为多个等值风电机组的风功率历史预测值与风功率历史值的方差和,n为等值风电机组预测模型的总数,ki为第i个等值风电机组预测模型的权重系数,i=1,...n;ξi为第i个等值风电机组的风功率历史预测值与风功率历史值的方差;ei为第i个等值风电机组预测模型的预测误差;ξj为第j个等值风电机组的风功率历史预测值与风功率历史值的方差,i=1,...n且i≠j;ej为第j个等值风电机组预测模型的预测误差;λ为拉格朗日常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334102.3A CN113887839A (zh) | 2021-11-11 | 2021-11-11 | 一种基于聚类的风电场超短期风功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334102.3A CN113887839A (zh) | 2021-11-11 | 2021-11-11 | 一种基于聚类的风电场超短期风功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887839A true CN113887839A (zh) | 2022-01-04 |
Family
ID=79017272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111334102.3A Pending CN113887839A (zh) | 2021-11-11 | 2021-11-11 | 一种基于聚类的风电场超短期风功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887839A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
-
2021
- 2021-11-11 CN CN202111334102.3A patent/CN113887839A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434878A (zh) * | 2022-11-09 | 2022-12-06 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
CN115434878B (zh) * | 2022-11-09 | 2023-02-03 | 东方电气风电股份有限公司 | 风力发电机组温度集群管控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
CN106779226B (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN109784563B (zh) | 一种基于虚拟测风塔技术的超短期功率预测方法 | |
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 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN101741085A (zh) | 一种短期风电功率预报方法 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN101794996A (zh) | 风电场出力实时预测方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN112231361A (zh) | 一种基于风机运行数据的风电项目发电量评估方法 | |
CN115358606B (zh) | 一种平缓地形下在役风电场能效评估方法及系统 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN110263998A (zh) | 多源数值天气预报集合双层修正方法 | |
CN115345076A (zh) | 一种风速订正处理方法及装置 | |
CN113379142A (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN115481772A (zh) | 一种光伏发电量预测方法及装置 | |
CN109190845B (zh) | 一种两阶段动态优化短期风电功率预测方法 | |
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 |
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 |