CN113919573A - 一种风力、光伏发电系统输出功率短期预测应用软件及其方法 - Google Patents
一种风力、光伏发电系统输出功率短期预测应用软件及其方法 Download PDFInfo
- Publication number
- CN113919573A CN113919573A CN202111198743.0A CN202111198743A CN113919573A CN 113919573 A CN113919573 A CN 113919573A CN 202111198743 A CN202111198743 A CN 202111198743A CN 113919573 A CN113919573 A CN 113919573A
- Authority
- CN
- China
- Prior art keywords
- data
- output power
- wind
- wind power
- engineering
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010248 power generation Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000012937 correction Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 230000008676 import Effects 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风力、光伏发电系统输出功率短期预测应用软件及其方法,该基于关联规则及BP神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理，采用改进k－means聚类算法对温度/风速气象数据进行聚类分析，使用Aprior算法挖掘风电场输出功率与气象因素间的关联规则，将关联规则应用于BP神经网络，该文方法的最大相对误差、最小相对误差、平均相对误差均最小，该方法能提高风电场输出功率预测的准确度，具有有效性，该软件主要功能包括工程数据导入、辐射量计算、修正参数计算、用户管理，通过软件设计，软件的有效性和准确性会得到进一步的提高，增大了可再生能源的推广。
Description
技术领域
发明涉及可再生能源发电的领域,尤其涉及一种风力、光伏发电系统输出功率短期预测应用软件及其方法。
背景技术
随着经济的发展，能源短缺与环境污染问题越来越严重，风力发电是可再生能源领域中最成熟、最具规模开发条件的发电方式之一，风电场输出功率预测是保障风能安全、稳定、高效的技术手段.根据采集的实时气象、输出功率等数据，分析、挖掘数据特征，预测风电场输出功率，对全网电力平衡及保障系统安全稳定运行具有重要意义，气象因素的不确定性、不稳定性及数据间的相关性增加了风电场输出功率预测的难度，电网智能化使数据数量增加、质量下降，在一定程度上降低了风电场输出功率预测的准确度。
随着光伏组件成本的下降及光伏上网电价的调整,光伏发电在我国能源结构中的比例逐渐加大,在我国西部太阳能资源一类地区正在建设容量在几十兆瓦及以上的大型光伏电站。一个大型光伏电站通常由若干方阵组成,每个方阵由若干阵列单元组成,因此光伏阵列单元是光伏电站的基本组成单元,也是工程设计人员在进行电站设计时的基本设计单元。光伏阵列单元的设计是否合理,直接影响整个电站的运行性能.但是光伏阵列单元的设计需要综合考虑天文、气象、电气、机械等多领域的计算,因此完全凭借设计人员的经验很难达到满意的设计性能。
常用的输出功率预测方法有：时间序列法、灰色预测法和卡尔曼滤波、BP神经网络、支持向量机、回归预测等。在复杂的风电场运行环境下，单一的气象因素不能准确反映气象对输出功率的影响，且在数据存储和传输的过程中会出现数据异常或空缺的情况，降低了预测的准确度。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种风力、光伏发电系统输出功率短期预测应用软件及其方法。
本发明所采用的技术方案是，该方法利用改进K－means算法、改进Apriori算法及BP神经网络，基于关联规则及BP神经网络的风电场输出功率预测方法，将关联规则引入BP神经网络，用BP神经网络预测输出功率，基于关联规则及BP神经网络的输出功率预测的具体步骤如下：
(1)对数据进行归一化处理；
(2)采用改进的K－means聚类算法对温度/风速气象数据进行聚类；
(3)使用改进的Apriori算法挖掘温度/风速与输出功率间的关联规则；
(4)将关联规则中的支持度和可信度赋值给对应的初始权值，取学习速率γ＝0.1、训练期望误差ε＝0.01；
(5)输入历史气象数据，将其作为训练样本，计算各层的输出；
(6)计算理论输出与实际输出间的误差；
(7)误差大于设定误差时，通过输出误差与权值的负梯度修正权值，使误差减小；
(8)检查误差是否低于期望误差，若是，则输出风电场输出功率预测结果；若否，则继续训练、预测，直至符合期望误差的要求。
进一步地，使用聚类分析及数据间的关联规则，结合BP神经网络预测风电场的输出功率，在功率预测前，对历史数据进行预处理，输出功率变化值超出波动范围时，计算数据偏离度，将其与设定的波动阈值进行比较，找出数据异常值和缺失值，并将异常值设为空值.偏离度及其相关参量的表达式是：
其中：p为偏离度，xl为某点样本值，E为样本均值，N为样本数，l为数据点的序号，σ为标准差.将所得数据与前一天同一时段数据进行对比，采用拉格朗日插值法得到插补的风电输出功率,利用Pearson相关系数对风电场输出功率与各数据特征值间的相关程度进行计算。
进一步地，相关系数及其有关参量的表达式为：
其中：p为相关系数，xi为某点的风电场输出功率，yi为某点的气象数据。
进一步地，所述改进的K－means算法，对测量的数据按照风速和温度特征进行聚类，具体步骤如下：
A.计算所有数据点与原点(0,0)距离di.将Rj作为初始聚类中心集合M(a)，a的初始值取为1；
B.使用欧式距离计算公式计算xi与Rj间的距离，其表达式为
C.计算各组新的聚类中心集合(M)a+1；
D.若(M)a+1＝(M)a，则迭代结束，(M)a为聚类中心.否则，进行B步，直到迭代结束；
该改进算法对温度/风速气象数据进行聚类分析，减少重复扫描，降低寻找频繁项的时间，提高算法的效率。
进一步地，所述改进的Apriori算法，Apriori算法通过循环搜索寻找频繁项，挖掘数据库中各项的相关性，Apriori算法完成以下两个任务：
将两个u项频繁集连接为候选的(u+1)项频繁集；
通过设定的最小支持度排除不必要的中间结果，获得最高的频繁集.
改进的Apriori算法，通过将关联规则中的支持度和可信度赋值给对应的初始权值，该改进算法发现样本中不同数据类型间的联系，进而找到风电场输出功率与气象因素间的关联规则，将关联规则应用于风电场功率预测，减少权值更迭的次数以及降低误差，提升风电场输出功率的预测准确度。
进一步地，该软件主要功能包括工程数据导入、辐射量计算、修正参数计算、用户管理；
该软件利用java语言的计算函数库，对公式进行高精度的准确实现，把整个计算过程流程化，为用户直接呈现结果集数据。
进一步地，登录，系统登陆用户登陆，用户成功登陆的必要条件是名称和密码正确，账号处在使用状态，如果正确账号不能使用则联系管理员用户查看异常账号，并且用户登陆时间超过系统规定时间则会重新登陆；
用户管理，功能菜单中的用户管理，对系统所有用户进行增、删、改、查基本操作，这项功能只在采用管理员账户登录后使用，使用普通用户账户登录后无法使用。
进一步地，工程管理：
工程建立，通过菜单栏在系统中添加新的工程信息，对已存在的工程进行数据导入，导入过程中选工程类型、手动输入工程名称、工程经纬度，工程数据通过外部文件导入，文件格式TXT；
工程编辑，通过菜单栏的编辑功能，对系统中的全部工程信息进行管理，实现工程查询、导出工程、工程编辑、工程删除，工程删除和工程编辑功能只在采用管理员账户登录后使用，使用普通用户账户登录后无法使用；
工程查询，通过在工具栏中选择工程类型，来进行查询。
进一步地，计算：
辐射量计算，首先选择要计算的工程，然后选择计算用参数a、b值进行计算，得到结果；
导出结果，点击工具栏的导出结果，得到EXCEL格式的文档，文档中包含详细的计算过程数据；
修正参数计算，通过系统中录入的工程信息，作为计算的原始数据，得到修正参数a、b值的计算结果；
设定：修正参数设定：点击菜单栏的修正参数设定，管理系统中的修正参数信息，实现修正参数a、b值的新增、编辑、删除；
辐射量修正参数设定，点击菜单栏的辐射量修正参数设定，对系统中辐射量修正参数进行编辑。
本发明基于关联规则及BP神经网络的风电场输出功率预测应用软件及其方法，对异常和缺失数据进行处理，采用改进k－means聚类算法对温度/风速气象数据进行聚类分析，使用Aprior算法挖掘风电场输出功率与气象因素间的关联规则，将关联规则应用于BP神经网络，该文方法的最大相对误差、最小相对误差、平均相对误差均最小，软件主要功能包括工程数据导入、辐射量计算、修正参数计算、用户管理，该方法能提高风电场输出功率预测的准确度，具有有效性。
附图说明
图1为本发明软件总体架构图；
图2为本发明的模块结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
一种风力、光伏发电系统输出功率短期预测应用软件及其方法，该方法利用改进K－means算法、改进Apriori算法及BP神经网络，基于关联规则及BP神经网络的风电场输出功率预测方法，将关联规则引入BP神经网络，用BP神经网络预测输出功率，基于关联规则及BP神经网络的输出功率预测的具体步骤如下：
(1)对数据进行归一化处理；
(2)采用改进的K－means聚类算法对温度/风速气象数据进行聚类；
(3)使用改进的Apriori算法挖掘温度/风速与输出功率间的关联规则；
(4)将关联规则中的支持度和可信度赋值给对应的初始权值，取学习速率γ＝0.1、训练期望误差ε＝0.01；
(5)输入历史气象数据，将其作为训练样本，计算各层的输出；
(6)计算理论输出与实际输出间的误差；
(7)误差大于设定误差时，通过输出误差与权值的负梯度修正权值，使误差减小；
(8)检查误差是否低于期望误差，若是，则输出风电场输出功率预测结果；若否，则继续训练、预测，直至符合期望误差的要求。
使用聚类分析及数据间的关联规则，结合BP神经网络预测风电场的输出功率，在功率预测前，对历史数据进行预处理，输出功率变化值超出波动范围时，计算数据偏离度，将其与设定的波动阈值进行比较，找出数据异常值和缺失值，并将异常值设为空值.偏离度及其相关参量的表达式是：
其中：p为偏离度，xl为某点样本值，E为样本均值，N为样本数，l为数据点的序号，σ为标准差.将所得数据与前一天同一时段数据进行对比，采用拉格朗日插值法得到插补的风电输出功率,利用Pearson相关系数对风电场输出功率与各数据特征值间的相关程度进行计算。
相关系数及其有关参量的表达式为：
其中：p为相关系数，xi为某点的风电场输出功率，yi为某点的气象数据。
K－means算法是基于距离的动态聚类算法，通过聚类判定两对象间的相似度，距离越近，相似度越大，传统的K－means算法一般将开始的样本作为初始聚类中心，这种方式具有随机性和不确定性，易导致误差大、迭代次数多的问题出现，针对该问题，利用改进的K－means算法。数据集A＝{(x1，y1)，(x2，y2)，…，(xn，yn)}，数据点与原点(0，0)的距离为
把极差与聚类数K值的商记为单位聚类数的距离，其表达式为
其中：dmax，dmin为分别距离的最大、最小值
把第j(j＝1，2，…，k)类聚类中心的位置矢量的大小记为Rj，其表达式为：
Rj＝j×r
误差平方和(SSE)是手肘法判定最佳聚类数的核心指标，SSE的表达式为
其中：ci表示样本的第i簇；q是ci中某样本点的位置矢量，mi是聚类中心的位置矢量。
改进的K-means算法，对测量的数据按照风速和温度特征进行聚类，具体步骤如下：
A.计算所有数据点与原点(0，0)距离di.将Rj作为初始聚类中心集合M(a)，a的初始值取为1；
B.使用欧式距离计算公式计算xi与Rj间的距离，其表达式为
C.计算各组新的聚类中心集合(M)a+1；
D.若(M)a+1＝(M)a，则迭代结束，(M)a为聚类中心.否则，进行B步，直到迭代结束；
该改进算法对温度/风速气象数据进行聚类分析，减少重复扫描，降低寻找频繁项的时间，提高算法的效率。
改进的Apriori算法，Apriori算法通过循环搜索寻找频繁项，挖掘数据库中各项的相关性，Apriori算法完成以下两个任务：
将两个u项频繁集连接为候选的(u+1)项频繁集；
通过设定的最小支持度排除不必要的中间结果，获得最高的频繁集.
改进的Apriori算法，通过将关联规则中的支持度和可信度赋值给对应的初始权值，该改进算法发现样本中不同数据类型间的联系，进而找到风电场输出功率与气象因素间的关联规则，将关联规则应用于风电场功率预测，减少权值更迭的次数以及降低误差，提升风电场输出功率的预测准确度。
大型光伏电站工程设计与仿真分析系统是一套覆盖光伏电站工程设计全过程的大型工程设计软件,其覆盖了电站设计中资源评估、电站设计、经济评估、运行仿真、建设施工等几个阶段。
软件为用户提供交互式的阵列单元设计界面和设备数据库访问接口,完成光伏电站阵列单元信息模型的建立.其它软件子系统,使用该软件完成的模型进行相关计算和分析.软件从电气设计软件子系统获得光伏组件与逆变器的组串匹配设计信息,基于此信息完成电气线路的设计；方阵设计软件子系统以该软件设计完成的信息模型为基础,进行电站方阵的设计.各个子系统之间相互指导,进而完成电站的优化设计,形成整个光伏发电系统信息模型。
光伏电站阵列单元设计软件主要功能是,使设计人员可以在一个交互式的图形环境下完成光伏电站阵列单元信息模型的建立,该模型应该符合电站设计的各种性能指标要求,能够为其它软件子系统的分析计算所使用.因此该软件应具备如下功能。
(1)阵列采光表面的组件排布设计在指定功率或面积的约束条件下,根据电气设计方案中选择的组件电气和结构特性,完成组件在采光表面的布局设计.进而得到布局方案、组件数量、采光面面积等设计参数.
(2)光伏组件的布线设计在(1)的设计基础上,完成光伏组件电缆的连接及延长线的布线设计.进而得到光伏组件接线方案、电缆长度、电缆型号、阵列单元接线盒位置等设计信息.
(3)阵列支架的结构设计结合选择地点的环境参数及支架材质、倾角结构的信息进行固定荷重、风压荷重、积雪荷重等分析,得出较为合理的设计方案.
(4)阴影遮挡对阵列单元电气特性的影响分析可对阵列单元采光表面,进行阴影设置,根据不同的阴影覆盖位置和面积,对阵列单元的电气特性进行分析.
(5)阵列单元的PV及IV特性分析根据选定的光伏组件型号和电缆接线方式,给出PV和IV特性曲线。
本软件采用三层架构设计,将模块按照功能和类
型划分为界面交互层、逻辑控制层和数据模型层,如
图1所示，界面交互层为用户提供了多样化的数据展示方式和友善易用的人机界面.逻辑控制层包含了阵列单元设计的业务逻辑.数据模型层负责保持和维护数据及阵列单元信息模型。软件的模块结构如图2所示。该软件主要功能包括工程数据导入、辐射量计算、修正参数计算、用户管理；
该软件利用java语言的计算函数库，对公式进行高精度的准确实现，把整个计算过程流程化，为用户直接呈现结果集数据。
登录，系统登陆用户登陆，用户成功登陆的必要条件是名称和密码正确，账号处在使用状态，如果正确账号不能使用则联系管理员用户查看异常账号，并且用户登陆时间超过系统规定时间则会重新登陆；
用户管理，功能菜单中的用户管理，对系统所有用户进行增、删、改、查基本操作，这项功能只在采用管理员账户登录后使用，使用普通用户账户登录后无法使用。
工程管理：工程建立，通过菜单栏在系统中添加新的工程信息，对已存在的工程进行数据导入，导入过程中选工程类型、手动输入工程名称、工程经纬度，工程数据通过外部文件导入，文件格式TXT；
工程编辑，通过菜单栏的编辑功能，对系统中的全部工程信息进行管理，实现工程查询、导出工程、工程编辑、工程删除，工程删除和工程编辑功能只在采用管理员账户登录后使用，使用普通用户账户登录后无法使用；
工程查询，通过在工具栏中选择工程类型，来进行查询。
计算：辐射量计算，首先选择要计算的工程，然后选择计算用参数a、b值进行计算，得到结果；
导出结果，点击工具栏的导出结果，得到EXCEL格式的文档，文档中包含详细的计算过程数据；
修正参数计算，通过系统中录入的工程信息，作为计算的原始数据，得到修正参数a、b值的计算结果；
设定：修正参数设定：点击菜单栏的修正参数设定，管理系统中的修正参数信息，实现修正参数a、b值的新增、编辑、删除；
辐射量修正参数设定，点击菜单栏的辐射量修正参数设定，对系统中辐射量修正参数进行编辑。
本发明基于关联规则及BP神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理，采用改进k－means聚类算法对温度/风速气象数据进行聚类分析，使用Aprior算法挖掘风电场输出功率与气象因素间的关联规则，将关联规则应用于BP神经网络，该文方法的最大相对误差、最小相对误差、平均相对误差均最小，该方法能提高风电场输出功率预测的准确度，具有有效性。
通过软件设计，将工程中繁琐的计算过程简化为程序化计算，同时通过建立工程数据库和修正参数数据库，实现对工程数据和修正数据的快速准确的管理和再利用，对于光伏电站工程的太阳能资源评价提供了有效的帮助，通过后续工程使用，软件的有效性和准确性会得到进一步的提高。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (9)
1.一种风力、光伏发电系统输出功率短期预测方法，其特征在于,该方法利用改进K－means算法、改进Apriori算法及BP神经网络，基于关联规则及BP神经网络的风电场输出功率预测方法，将关联规则引入BP神经网络，用BP神经网络预测输出功率，基于关联规则及BP神经网络的输出功率预测的具体步骤如下：
(1)对数据进行归一化处理；
(2)采用改进的K－means聚类算法对温度/风速气象数据进行聚类；
(3)使用改进的Apriori算法挖掘温度/风速与输出功率间的关联规则；
(4)将关联规则中的支持度和可信度赋值给对应的初始权值，取学习速率γ＝0.1、训练期望误差ε＝0.01；
(5)输入历史气象数据，将其作为训练样本，计算各层的输出；
(6)计算理论输出与实际输出间的误差；
(7)误差大于设定误差时，通过输出误差与权值的负梯度修正权值，使误差减小；
(8)检查误差是否低于期望误差，若是，则输出风电场输出功率预测结果；若否，则继续训练、预测，直至符合期望误差的要求。
2.如权利要求1所述的一种风力、光伏发电系统输出功率短期预测方法，其特征在于，使用聚类分析及数据间的关联规则，结合BP神经网络预测风电场的输出功率，在功率预测前，对历史数据进行预处理，输出功率变化值超出波动范围时，计算数据偏离度，将其与设定的波动阈值进行比较，找出数据异常值和缺失值，并将异常值设为空值.偏离度及其相关参量的表达式是：
其中：p为偏离度，xl为样本值，E为样本均值，N为样本数，l为数据点的序号，σ为标准差.将所得数据与前一天同一时段数据进行对比，采用拉格朗日插值法得到插补的风电输出功率,利用Pearson相关系数对风电场输出功率与各数据特征值间的相关程度进行计算。
3.如权利要求2所述的一种风力、光伏发电系统输出功率短期预测方法，其特征在于，相关系数及其有关参量的表达式为：
其中：p为相关系数，xi风电场输出功率，yi为气象数据。
4.如权利要求1所述的一种风力、光伏发电系统输出功率短期预测方法，其特征在于，所述改进的K－means算法，对测量的数据按照风速和温度特征进行聚类，具体步骤如下：
A.计算所有数据点与原点(0,0)距离di.将Rj作为初始聚类中心集合M(a)，a的初始值取为1；
B.使用欧式距离计算公式计算xi与Rj间的距离，其表达式为
C.计算各组新的聚类中心集合(M)a+1；
D.若(M)a+1＝(M)a，则迭代结束，(M)a为聚类中心.否则，进行B步，直到迭代结束；
该改进算法对温度/风速气象数据进行聚类分析，减少重复扫描，降低寻找频繁项的时间，提高算法的效率。
5.如权利要求1所述的一种风力、光伏发电系统输出功率短期预测方法，其特征在于，所述改进的Apriori算法，Apriori算法通过循环搜索寻找频繁项，挖掘数据库中各项的相关性，Apriori算法完成以下两个任务：
将两个u项频繁集连接为候选的(u+1)项频繁集；
通过设定的最小支持度排除不必要的中间结果，获得最高的频繁集.
改进的Apriori算法，通过将关联规则中的支持度和可信度赋值给对应的初始权值，该改进算法发现样本中不同数据类型间的联系，进而找到风电场输出功率与气象因素间的关联规则，将关联规则应用于风电场功率预测，减少权值更迭的次数以及降低误差，提升风电场输出功率的预测准确度。
6.一种风力、光伏发电系统输出功率短期预测应用软件，其特征在于，该软件主要功能包括工程数据导入、辐射量计算、修正参数计算、用户管理；
该软件利用java语言的计算函数库，对公式进行高精度的准确实现，把整个计算过程流程化，为用户直接呈现结果集数据。
7.如权利要求6所述的一种风力、光伏发电系统输出功率短期预测应用软件，其特征在于，登录，系统登陆用户登陆，用户成功登陆的必要条件是名称和密码正确，账号处在使用状态，如果正确账号不能使用则联系管理员用户查看异常账号，并且用户登陆时间超过系统规定时间则会重新登陆；
用户管理，功能菜单中的用户管理，对系统所有用户进行增、删、改、查基本操作，这项功能只在采用管理员账户登录后使用，使用普通用户账户登录后无法使用。
8.如权利要求1所述的一种风力、光伏发电系统输出功率短期预测应用软件，其特征在于，工程管理：
工程建立，通过菜单栏在系统中添加新的工程信息，对已存在的工程进行数据导入，导入过程中选工程类型、手动输入工程名称、工程经纬度，工程数据通过外部文件导入，文件格式TXT；
工程编辑，通过菜单栏的编辑功能，对系统中的全部工程信息进行管理，实现工程查询、导出工程、工程编辑、工程删除，工程删除和工程编辑功能只在采用管理员账户登录后使用，使用普通用户账户登录后无法使用；
工程查询，通过在工具栏中选择工程类型，来进行查询。
9.如权利要求1所述的一种风力、光伏发电系统输出功率短期预测应用软件，其特征在于，计算：
辐射量计算，首先选择要计算的工程，然后选择计算用参数a、b值进行计算，得到结果；
导出结果，点击工具栏的导出结果，得到EXCEL格式的文档，文档中包含详细的计算过程数据；
修正参数计算，通过系统中录入的工程信息，作为计算的原始数据，得到修正参数a、b值的计算结果；
设定：修正参数设定：点击菜单栏的修正参数设定，管理系统中的修正参数信息，实现修正参数a、b值的新增、编辑、删除；
辐射量修正参数设定，点击菜单栏的辐射量修正参数设定，对系统中辐射量修正参数进行编辑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111198743.0A CN113919573A (zh) | 2021-10-14 | 2021-10-14 | 一种风力、光伏发电系统输出功率短期预测应用软件及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111198743.0A CN113919573A (zh) | 2021-10-14 | 2021-10-14 | 一种风力、光伏发电系统输出功率短期预测应用软件及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919573A true CN113919573A (zh) | 2022-01-11 |
Family
ID=79240313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111198743.0A Withdrawn CN113919573A (zh) | 2021-10-14 | 2021-10-14 | 一种风力、光伏发电系统输出功率短期预测应用软件及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919573A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307287A (zh) * | 2023-05-19 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种光伏发电有效时段的预测方法、系统及预测终端 |
-
2021
- 2021-10-14 CN CN202111198743.0A patent/CN113919573A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307287A (zh) * | 2023-05-19 | 2023-06-23 | 国网信息通信产业集团有限公司 | 一种光伏发电有效时段的预测方法、系统及预测终端 |
| CN116307287B (zh) * | 2023-05-19 | 2023-08-01 | 国网信息通信产业集团有限公司 | 一种光伏发电有效时段的预测方法、系统及预测终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Graditi et al. | Comparison of Photovoltaic plant power production prediction methods using a large measured dataset | |
| Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
| CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
| CN106228278A (zh) | 光伏功率预测系统 | |
| CN108336739A (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
| CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
| CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
| CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
| CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
| CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
| CN113919573A (zh) | 一种风力、光伏发电系统输出功率短期预测应用软件及其方法 | |
| CN113991856B (zh) | 一种微能网多适应性μPMU最优布点方法 | |
| 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 | |
| Dhaked et al. | Power output forecasting of solar photovoltaic plant using LSTM | |
| CN116957356B (zh) | 一种基于大数据的景区碳中和管理方法和系统 | |
| CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
| Xue et al. | Short-term Photovoltaic Power Prediction of Bi-LSTM Based on MIC | |
| CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
| Hu et al. | Scenario reduction based on correlation sensitivity and its application in microgrid optimization | |
| 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 | |
| Hui et al. | Ultra-short-term prediction of wind power based on fuzzy clustering and RBF neural network | |
| CN115456235A (zh) | 一种基于多模态融合的光伏功率预测系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220111 |
|
| WW01 | Invention patent application withdrawn after publication |