CN114048930B - 一种超短期风电功率预测方法和装置 - Google Patents
一种超短期风电功率预测方法和装置 Download PDFInfo
- Publication number
- CN114048930B CN114048930B CN202210034461.5A CN202210034461A CN114048930B CN 114048930 B CN114048930 B CN 114048930B CN 202210034461 A CN202210034461 A CN 202210034461A CN 114048930 B CN114048930 B CN 114048930B
- Authority
- CN
- China
- Prior art keywords
- wind
- correlation coefficient
- power
- wind power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 14
- 239000013535 sea water Substances 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 239000002245 particle Substances 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种超短期风电功率预测方法和装置。该方法包括:获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;根据每台风力发电机的特征矩阵计算各台风力发电机之间的多种相关系数;根据各台风力发电机之间的多种相关系数构建各台风力发电机之间的综合相关系数矩阵;根据各台风力发电机之间的综合相关系数矩阵确定每台风力发电机功率预测所需的输入特征参数;根据每台风力发电机功率预测所需的输入特征参数建立多种预测模型;根据各预测模型训练得到对应的功率预测结果,并采用聚类算法求解得到最优功率预测结果。
Description
技术领域
本发明实施例涉及风电功率预测技术领域,尤其涉及一种超短期风电功率预测方法和装置。
背景技术
传统的风电功率预测方法分为物理模型和统计模型,随着大数据技术的发展,人工智能技术被应用于风电预测中。但针对海上风电功率预测的研究却较少,由于海水比热容大、风浪、风机尾流的影响明显,陆地风电场的预测方法难以适应海上风电预测。近年来深度学习模型也逐渐被应用于海上风电功率预测中,但大多是将风电场作为一个整体进行预测,并未考虑风电场内风机尾流的影响。因此,急需一种应用于海上风电功率预测的预测方法。
发明内容
本发明提供一种超短期风电功率预测方法和装置,以实现对海上风电的功率预测,并提高预测的精度。
第一方面,本发明实施例提供了一种超短期风电功率预测方法,超短期风电功率预测方法包括:
获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;
根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;
根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;
根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;
根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
可选地,所述多种相关系数至少包括:Pearson相关系数、Spearman相关系数、R2系数和欧式距离;
所述根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵,包括:
根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数式;
根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数;并基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
可选地,所述各台风力发电机之间的综合相关系数式为:
其中,为各台风力发电机之间的Pearson相关系数;为所对应的系数;为各台风力发电机之间的Spearman相关系数;为所对应的系数;为各台
风力发电机之间的R2系数;为所对应的系数;为各台风力发电机之间的欧式
距离;为所对应的系数;
所述各台风力发电机之间的综合相关系数矩阵为:
可选地,所述根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数,包括:
依次判断所述综合相关系数矩阵中的各个元素是否满足预设阈值;若是,则将对应的元素值置1;若否,则将对应的元素值置0;并得到标准化的综合相关系数矩阵;
根据所述标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数。
可选地,所述根据所述标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数,包括:
将所述标准化的综合相关系数矩阵中的每一列的各个元素,按照预设筛选规则筛选出满足预设筛选条件的特征元素,并作为对应列的风力发电机的功率预测所需的输入特征参数;
其中,所述标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量。
可选地,所述预设筛选规则为:
计算每台风力发电机在所述标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数;
根据Pearson相关系数的计算结果,判断是否保留对应的特征元素。
可选地,所述特征数据至少包括每台风力发电机的周围环境风速、风向和温度,每台风力发电机的叶片角度,以及每台风力发电机的周围海水的流速、流向和温度。
可选地,所述多种预测模型至少包括:BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
第二方面,本发明实施例还提供了一种超短期风电功率预测装置,该超短期风电功率预测装置包括:
历史功率数据获取模块,用于获取每台风力电机的历史功率数据;
特征数据获取模块,用于获取每台风力电机的影响风电功率的各种特征数据;
特征矩阵建立模块,用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
多种相关系数计算模块,用于根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
综合相关系数矩阵构建模块,用于根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;
输入特征参数确定模块,用于根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;
多种预测模型建立模块,用于根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;
功率预测结果获得模块,用于根据各预测模型训练得到对应的功率预测结果;
最优功率预测结果求解模块,用于根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
本发明通过提供一种超短期风电功率预测方法和装置,该超短期风电功率预测方法包括:获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。通过该方法可以实现对海上风力发电机的功率进行预测,且全面地考虑影响海上风电预测的各种特征数据,并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵,基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数,从而提高预测的精度。
附图说明
图1是本发明实施例一中的一种超短期风电功率预测方法的流程图;
图2是本发明实施例二中的一种超短期风电功率预测方法的流程图;
图3是本发明实施例三中的一种超短期风电功率预测装置的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一中提供的一种超短期风电功率预测方法的流程图,本实施例可适用于在海上风电管理平台中,实现提高超短期风电功率预测精度的方法,该方法可以由超短期风电功率预测装置来执行,该装置可以由软件和/或硬件的方式来实现,该装置可配置于管理平台的服务器中,参考图1,具体包括如下步骤:
步骤110、获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;
通常,海上风电功率预测受到众多因素的影响,例如大气温度、风速、海水温度、风机轮翼处风速、风机叶片与风向的夹角等。虽然由众多的因数都会影响海上风机功率的输出,但每个因素的影响程度不一,有的因素甚至可以直接忽略。因此,影响风电功率的各种特征数据是指除去可以直接忽略的因素以外的因素。
其中,每台风力电机的历史功率数据可以从海上风电场的数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)获取各台风力发电机的功率时间序列。每台风力电机的影响风电功率的各种特征数据可以通过数据采集设备或传感器等进行采集,例如,温度可以采用温度传感器采集。将采集到的每台风力电机的历史功率数据和影响风电功率的各种特征数据都发送到数据存储设备进行存储。因而,服务器可以直接从数据存储设备获取每台风力电机的历史功率数据和影响风电功率的各种特征数据。
步骤120、根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
其中,在获取每台风力电机的影响风电功率的各种特征数据后,为了统一样本数据的统计分布性,方便后续处理,需要对各种特征数据做归一化处理,即将每台风力发电机的周围环境风速、风向和温度,以及每台风力发电机的周围海水的流速、流向和温度都进行归一化处理。并将归一化处理后的每台风力发电机的各种特征数据与对应的历史功率数据拼接为每台风力发电机的特征矩阵X。
其中,归一化处理采用min-max归一化方法,将数据归一化至[0,1],具体公式为:
步骤130、根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
其中,各台风力发电机之间存在一定的相关性。因此,基于各台风力发电机的特征矩阵,计算得到的各台风力发电机之间的相关系数可以反应各台风力发电机之间在不同的特征或维度方面的相关性。
其中,相关系数可以采用多种方式去表征,例如,Pearson相关系数可以根据波形来确定各台风力发电机之间的相关性;Spearman相关系数可以根据单调性来确定各台风力发电机之间的相关性;R2相关系数可以说明各台风力发电机相互间的影响程度;欧氏距离用来确定两个海上风力发电机的特征间的关联程度。此外,相关系数还可以包括其他种类,具体可根据实际情况进行设置,在此不做具体的限定。
步骤140、根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;
其中,各台风力发电机之间的多种相关系数可以从多种不同的角度反应各台风力发电机之间特征的相关性。不同相关系数计算方法表现出不同的特征,考虑到不同的相关系数的侧重点不同,因此,为了提高预测的精度,在评估海上风力发电机间的相关性时,结合多种相关系数,并对各种相关系数进行加权,构建各台风力发电机之间的综合相关系数矩阵,以更为准确的反映海上风力发电机组之间特征的相互影响,例如,风力发电机组之间尾流的相互影响。
步骤150、根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;
其中,每台风力发电机功率预测所需的输入特征参数是各种功率预测模型进行训练的基础参数,为了提高每台风力发电机功率预测的准确性,必须要确保输入到功率预测模型进行训练的输入特征参数为影响风力发电机功率变化的重要因素特征。因此,在根据预测模型训练之前,需要对预测所需的输入特征参数进行特征筛选,即根据各台风力发电机之间的综合相关系数矩阵可以确定每台风力发电机功率预测最终需要输入的特征参数。
步骤160、根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;
具体的,基于每台风力发电机功率预测所需的输入特征参数,对每台风力发电机建立多种预测模型,并将每台风力发电机功率预测所需的输入特征参数输入到每台风力发电机的各个预测模型,进行训练,得到对应的风力发电机的各个预测模型的功率预测结果。其中,针对每台风力发电机都建立多种预测模型,并根据各个预测模型进行训练,是为了得到每台风力发电机在多种预测模型下的训练情况,以便后续将多种预测模型的预测结果进行耦合,实现将多种预测模型的优点进行耦合,以得到最优的预测结果,从而提高功率预测的精度和可靠性。
步骤170、根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
其中,将多种预测模型的预测结果采用聚类算法进行耦合求解最优预测结果,充分保留了不同预测模型的优点,采用聚类算法与其有机结合使得预测模型的预测精度得到了进一步的提升,具有重要的实际工程意义。
在本实施例的技术方案中,该超短期风电功率预测方法的工作原理为:首选先,获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。由此可知,通过全面地考虑影响海上风电预测的各种特征数据,并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵,基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数,从而提高预测的精度。且通过聚类算法将多种预测模型的预测结果进行耦合,在充分保留不同预测模型的优点的同时,将聚类算法与各种预测模型有机结合使得预测精度得到了进一步的提升。
本实施例的技术方案,通过提供一种超短期风电功率预测方法,该超短期风电功率预测方法包括:获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。通过该方法可以实现对海上风力发电机的功率进行预测,且全面地考虑影响海上风电预测的各种特征数据,并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵,基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数,从而提高预测的精度。
在上述技术方案的基础上,可选地,特征数据至少包括每台风力发电机的周围环境风速、风向和温度,每台风力发电机的叶片角度,以及每台风力发电机的周围海水的流速、流向和温度。
其中,每台风力发电机的周围环境风速和风向会影响海上风力发电机的尾流。而海上风力发电机的尾流因素会在一定程度上影响风力发电机的功率预测,因此,为了提高风力发电机的功率预测的精度,需要考虑每台风力发电机的周围环境风速和风向这两个特征数据。
可选地,在获取到每台风力电机的影响风电功率的各种特征数据后,需要对部分
数据进行预处理,以提高数据的准确性。例如,对于每台风力发电机的周围环境的风速和风
向数据,假设风速为,风向为,将其分解为经向风速和纬向风速,其
计算公式如下:
实施例二
图2是本发明实施例二中提供的一种超短期风电功率预测方法的流程图。在上述实施例一的基础上,可选地,多种相关系数至少包括:Pearson相关系数、Spearman相关系数、R2系数和欧式距离。
其中,对各台风力发电机之间的Pearson相关系数的计算公式为:
其中,对各台风力发电机之间的Spearman相关系数的计算公式为:
其中,对各台风力发电机之间的R2系数的计算公式为:
其中,对各台风力发电机之间的欧式距离的计算公式为:
进一步地,参考图2,该超短期风电功率预测方法具体包括如下步骤:
步骤210、获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;
步骤220、根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
步骤230、根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
步骤240、根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数式;
其中,可选地,各台风力发电机之间的综合相关系数式为:
其中,为各台风力发电机之间的Pearson相关系数;为所对应的系数;为各台风力发电机之间的Spearman相关系数;为所对应的系数;为各台
风力发电机之间的R2系数;为所对应的系数;为各台风力发电机之间的欧式
距离;为所对应的系数;
示例性的,设矩阵A为:
步骤250、根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数;并基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
其中,各台风力发电机之间的综合相关系数矩阵为:
步骤260、依次判断综合相关系数矩阵中的各个元素是否满足预设阈值;若是,则将对应的元素值置1;若否,则将对应的元素值置0;并得到标准化的综合相关系数矩阵。
具体的,依次判断综合相关系数矩阵中的各个元素是否超过预设阈值k,若超
过,则将对应的元素值置为1;若未超过,则将对应的元素值置为0,由此将综合相关系数矩
阵中的所有元素的值标准化为只有1和/或0的标准化的综合相关系数矩阵。其中,标准
化的综合相关系数矩阵中的每一列表示一台风力发电机,且每一列中元素值为1的元素
对应该列风力发电机的一个特征数据,即每一列中元素值为1的个数表示该列风力发电机
在预测时所用到的风机特征的总数。换句话说,通过将综合相关系数矩阵按照预设阈值进
行标准化处理后,相当于对每台风力发电机的预测模型所需的输入特征进行了一次筛选,
即根据每台风力发电机的实际情况选择其对应所需的特征输入到预测模型进行功率预测
(因为每台风力发电机由于周围风速、风向、海水流速、流向等影响因素或影响程度可能不
同,对其功率预测的影响也就不同,因此,每台风力发电机进行功率预测所需考虑的特征数
据也不一定相同),从而可以提高预测的精度。
其中,预设阈值k可根据实际情况进行设置,在此不做具体的限定。
步骤270、根据标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数。
其中,将综合相关系数矩阵按照预设阈值进行标准化处理,只是对每台风力发电机的预测模型所需的输入特征进行了初次筛选,为了提高输入特征筛选的可靠性和提高预测的精度,按照预设筛选规则对标准化的综合相关系数矩阵进行二次筛选,以确定每台风力发电机功率预测最终所需的输入特征参数。
可选地,将标准化的综合相关系数矩阵中的每一列的各个元素,按照预设筛选规则筛选出满足预设筛选条件的特征元素,并作为对应列的风力发电机的功率预测所需的输入特征参数;
其中,标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量。
示例性的,假设标准化的综合相关系数矩阵中的第i列对应第n台风力发电机,设
第i列为,其中,Y中的各个元素值为0或1,Y中的各个元素值为1的元素表示
第n台风力发电机的一个特征。则将Y中的各个元素按照预设筛选规则筛选出满足预设筛选
条件的特征元素,假设Y中的元素的值为1,且满足预设筛选条件,则将元素作为第n台
风力发电机的功率预测所需的一个输入特征参数。按照预设筛选规则筛选出列矩阵Y中所
有满足预设条件的元素,即筛选出第n台风力发电机的功率预测所需的所有输入特征参数。
可选地,预设筛选规则为:
计算每台风力发电机在标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数;
根据Pearson相关系数的计算结果,判断是否保留对应的特征元素。
示例性的,仍以上述第n台风力发电机为例,且设第n台风力发电机的历史功率数据为P,分别计算列矩阵Y中的各个元素与第n台风力发电机的历史功率数据P之间的Pearson相关系数;根据Pearson相关系数的计算结果,判断是否保留对应的特征元素。若该元素与历史功率数据的Pearson相关系数表现为强相关性则保留该元素,即保留该元素对应的风力发电机的特征元素;若否,则移除该元素,即移除该元素对应的风力发电机的特征元素。
其中,Pearson相关系数表现为强相关性是指Pearson相关系数的绝对值达到预设系数阈值及以上则为具有相关性,且Pearson相关系数的绝对值系数越大,相关性越强。其中,预设系数阈值可以为0.6,具体可根据实际情况进行设置,在此不做具体的限定。
步骤280、根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;
步骤290、根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
可选地,多种预测模型至少包括:BP神经网络模型、卷积神经网络模型(Convolutional Neural Networks,CNN)、门控循环神经网络模型(Recurrent NeuralNetwork, RNN)和CNN-GRU模型。
具体的,根据每台风力发电机功率预测所需的输入特征参数,分别建立每台风力发电机的BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
其中,每台风力发电机所对应的BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型的建立和训练方法分别如下:
对于BP神经网络模型:首先,建立三层BP神经网络,示例性的,将神经元数量依次
设置为64,128,256,以构建BP神经网络模型;然后,根据上述最终确定的风力发电机的输入
特征参数,训练BP神经网络模型,最后输出海上风力发电机的预测功率。
对于卷积神经网络模型:首先,建立两层CNN模型,示例性的,将神经元数量依次设
置为4和8,以构建卷积神经网络模型;然后,根据上述最终确定的风力发电机的输入特征参
数,训练卷积神经网络模型,最后输出海上风力发电机的预测功率。
对于门控循环神经网络模型:首先,建立两层GRU模型,示例性的,将神经元数量依
次设置为4和8,以构建门控循环神经网络模型;然后,根据上述最终确定的风力发电机的输
入特征参数,训练门控循环神经网络模型,最后输出海上风力发电机的预测功率。
对于CNN-GRU模型:首先,建立一层CNN和两层GRU的组合模型,示例性的,将神经元
数量依次设置为4,8,4,以构建CNN-GRU模型;然后,根据上述最终确定的风力发电机的输入
特征参数,训练CNN-GRU模型,最后输出海上风力发电机的预测功率。
可选地,根据各种预测模型得到的功率预测结果,采用粒子群算法(Particleswarm optimization,PSO)求解得到最优功率预测结果。具体求解过程如下:
首先,将4种预测模型的预测结果进行加权,并求和得到综合模型的最终预测结果,其关系式如下:
其次,执行PSO算法的粒子位置与速度更新公式,得到新的粒子的位置与速度;
其中,目标函数的表达式为:
其中,粒子群算法的更新公式如下:
其中,
实施例三
图3是本发明实施例三中提供的一种超短期风电功率预测装置的结构框图。本发明实施例三提供了一种超短期风电功率预测装置,参考图3,该装置100包括:
历史功率数据获取模块10,用于获取每台风力电机的历史功率数据;
特征数据获取模块20,用于获取每台风力电机的影响风电功率的各种特征数据;
特征矩阵建立模块30,用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
多种相关系数计算模块40,用于根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
综合相关系数矩阵构建模块50,用于根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;
输入特征参数确定模块60,用于根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;
多种预测模型建立模块70,用于根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;
功率预测结果获得模块80,用于根据各预测模型训练得到对应的功率预测结果;
最优功率预测结果求解模块90,用于根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
本实施例的技术方案,通过提供一种超短期风电功率预测装置,该超短期风电功率预测装置包括:历史功率数据获取模块,用于获取每台风力电机的历史功率数据;特征数据获取模块,用于获取每台风力电机的影响风电功率的各种特征数据;特征矩阵建立模块,用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;多种相关系数计算模块,用于根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;综合相关系数矩阵构建模块,用于根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;输入特征参数确定模块,用于根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;多种预测模型建立模块,用于根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;功率预测结果获得模块,用于根据各预测模型训练得到对应的功率预测结果;最优功率预测结果求解模块,用于根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。通过该装置可以实现对海上风力发电机的功率进行预测,且全面地考虑影响海上风电预测的各种特征数据,并结合每台风力电机的历史功率数据生成每台风力发电机的特征矩阵,基于特征矩阵构建各台风力发电机之间的综合相关系数矩阵并根据综合相关系数矩阵确定最终输入到预测模型的输入特征参数,从而提高预测的精度。
可选地,多种相关系数至少包括:Pearson相关系数、Spearman相关系数、R2系数和欧式距离;
综合相关系数矩阵构建模块50,包括:
综合相关系数式构建单元,用于根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数式;
综合相关系数计算单元,用于根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数;
综合相关系数矩阵形成单元,用于基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
可选地,各台风力发电机之间的综合相关系数式为:
其中,为各台风力发电机之间的Pearson相关系数;为所对应的系数;为各台风力发电机之间的Spearman相关系数;为所对应的系数;为各台
风力发电机之间的R2系数;为所对应的系数;为各台风力发电机之间的欧式
距离;为所对应的系数;
各台风力发电机之间的综合相关系数矩阵为:
可选地,输入特征参数确定模块60,包括:
标准化的综合相关系数矩阵获得单元,用于根据综合相关系数矩阵依次判断综合相关系数矩阵中的各个元素是否满足预设阈值;若是,则将对应的元素值置1;若否,则将对应的元素值置0;并得到标准化的综合相关系数矩阵;
输入特征参数确定单元,用于根据标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数。
可选地,输入特征参数确定单元还用于:将标准化的综合相关系数矩阵中的每一列的各个元素,按照预设筛选规则筛选出满足预设筛选条件的特征元素,并作为对应列的风力发电机的功率预测所需的输入特征参数;
其中,标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量。
可选地,预设筛选规则为:
计算每台风力发电机在标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数;
根据Pearson相关系数的计算结果,判断是否保留对应的特征元素。
可选地,特征数据至少包括每台风力发电机的周围环境风速、风向和温度,每台风力发电机的叶片角度,以及每台风力发电机的周围海水的流速、流向和温度。
可选地,多种预测模型至少包括:BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
本发明实施例所提供的超短期风电功率预测装置可执行本发明任意实施例所提供的超短期风电功率预测方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种超短期风电功率预测方法,其特征在于,包括:
获取每台风力电机的历史功率数据和影响风电功率的各种特征数据;
根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;
根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;其中,所述根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数,包括:依次判断所述综合相关系数矩阵中的各个元素是否满足预设阈值;若是,则将对应的元素值置1;若否,则将对应的元素值置0;并得到标准化的综合相关系数矩阵;根据所述标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数;其中,所述根据所述标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数,包括:将所述标准化的综合相关系数矩阵中的每一列的各个元素,按照预设筛选规则筛选出满足预设筛选条件的特征元素,并作为对应列的风力发电机的功率预测所需的输入特征参数;其中,所述标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量;
根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;并根据各预测模型训练得到对应的功率预测结果;
根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
2.根据权利要求1所述的超短期风电功率预测方法,其特征在于,所述多种相关系数至少包括:Pearson相关系数、Spearman相关系数、R2系数和欧式距离;
所述根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵,包括:
根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数式;
根据各台风力发电机之间的综合相关系数式计算各台风力发电机之间的综合相关系数;并基于各台风力发电机之间的综合相关系数形成各台风力发电机之间的综合相关系数矩阵。
5.根据权利要求1所述的超短期风电功率预测方法,其特征在于,所述预设筛选规则为:
计算每台风力发电机在所述标准化的综合相关系数矩阵中对应列的每个特征元素与对应的风力电机的历史功率数据之间的Pearson相关系数;
根据Pearson相关系数的计算结果,判断是否保留对应的特征元素。
6.根据权利要求1所述的超短期风电功率预测方法,其特征在于,所述特征数据至少包括每台风力发电机的周围环境风速、风向和温度,每台风力发电机的叶片角度,以及每台风力发电机的周围海水的流速、流向和温度。
7.根据权利要求1所述的超短期风电功率预测方法,其特征在于,所述多种预测模型至少包括:BP神经网络模型、卷积神经网络模型、门控循环神经网络模型和CNN-GRU模型。
8.一种超短期风电功率预测装置,其特征在于,包括:
历史功率数据获取模块,用于获取每台风力电机的历史功率数据;
特征数据获取模块,用于获取每台风力电机的影响风电功率的各种特征数据;
特征矩阵建立模块,用于根据每台风力电机的历史功率数据和影响风电功率的各种特征数据建立每台风力发电机的特征矩阵;
多种相关系数计算模块,用于根据每台风力发电机的特征矩阵,计算各台风力发电机之间的多种相关系数;
综合相关系数矩阵构建模块,用于根据各台风力发电机之间的多种相关系数,构建各台风力发电机之间的综合相关系数矩阵;
输入特征参数确定模块,用于根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数;其中,所述根据各台风力发电机之间的综合相关系数矩阵,确定每台风力发电机功率预测所需的输入特征参数,包括:依次判断所述综合相关系数矩阵中的各个元素是否满足预设阈值;若是,则将对应的元素值置1;若否,则将对应的元素值置0;并得到标准化的综合相关系数矩阵;根据所述标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数;其中,所述根据所述标准化的综合相关系数矩阵,按照预设筛选规则确定每台风力发电机功率预测所需的输入特征参数,包括:将所述标准化的综合相关系数矩阵中的每一列的各个元素,按照预设筛选规则筛选出满足预设筛选条件的特征元素,并作为对应列的风力发电机的功率预测所需的输入特征参数;其中,所述标准化的综合相关系数矩阵中的每一列向量表示一台风力发电机的特征参数向量;
多种预测模型建立模块,用于根据每台风力发电机功率预测所需的输入特征参数,建立多种预测模型;
功率预测结果获得模块,用于根据各预测模型训练得到对应的功率预测结果;
最优功率预测结果求解模块,用于根据各功率预测结果,采用聚类算法求解得到最优功率预测结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034461.5A CN114048930B (zh) | 2022-01-13 | 2022-01-13 | 一种超短期风电功率预测方法和装置 |
PCT/CN2022/144103 WO2023134478A1 (zh) | 2022-01-13 | 2022-12-30 | 超短期风电功率预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034461.5A CN114048930B (zh) | 2022-01-13 | 2022-01-13 | 一种超短期风电功率预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048930A CN114048930A (zh) | 2022-02-15 |
CN114048930B true CN114048930B (zh) | 2022-05-17 |
Family
ID=80196387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034461.5A Active CN114048930B (zh) | 2022-01-13 | 2022-01-13 | 一种超短期风电功率预测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114048930B (zh) |
WO (1) | WO2023134478A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048930B (zh) * | 2022-01-13 | 2022-05-17 | 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 |
CN115204522B (zh) * | 2022-09-13 | 2023-01-24 | 华北电力大学 | 区域发电功率预测方法、装置、设备及存储介质 |
CN116128130B (zh) * | 2023-01-31 | 2023-10-24 | 广东电网有限责任公司 | 一种基于图神经网络的短期风能数据预测方法及装置 |
CN117763314B (zh) * | 2024-02-22 | 2024-05-17 | 安徽大学 | 一种基于时空相关性挖掘的风电功率预测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004285858A (ja) * | 2003-03-19 | 2004-10-14 | Mitsubishi Electric Corp | 風力発電システムおよび風力発電機の制御方法 |
CN103268366B (zh) * | 2013-03-06 | 2017-09-29 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
US10598157B2 (en) * | 2017-02-07 | 2020-03-24 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN109102101B (zh) * | 2017-06-21 | 2021-01-26 | 北京金风科创风电设备有限公司 | 风电场风速的预测方法和系统 |
CN109146192B (zh) * | 2018-09-03 | 2021-09-03 | 贵州电网有限责任公司 | 一种考虑风电机组运行工况的风电功率预测方法 |
CN110188939B (zh) * | 2019-05-24 | 2023-12-12 | 上海电气风电集团股份有限公司 | 风电场的风功率的预测方法、系统、设备和存储介质 |
CN110991743B (zh) * | 2019-12-05 | 2022-08-19 | 河海大学 | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 |
CN111310972B (zh) * | 2020-01-17 | 2022-06-03 | 上海电力大学 | 一种考虑尾流效应的海上风电机组维护路径随机规划方法 |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
CN113159452B (zh) * | 2021-05-17 | 2022-03-01 | 河北工业大学 | 基于时空相关性的风电集群功率预测方法 |
CN113507118B (zh) * | 2021-07-11 | 2022-05-13 | 湘潭大学 | 一种风电功率预测方法及系统 |
CN114048930B (zh) * | 2022-01-13 | 2022-05-17 | 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 |
-
2022
- 2022-01-13 CN CN202210034461.5A patent/CN114048930B/zh active Active
- 2022-12-30 WO PCT/CN2022/144103 patent/WO2023134478A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
CN114048930A (zh) | 2022-02-15 |
WO2023134478A1 (zh) | 2023-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048930B (zh) | 一种超短期风电功率预测方法和装置 | |
Wang et al. | Wind power interval prediction based on improved PSO and BP neural network | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
Park et al. | Bayesian ascent: A data-driven optimization scheme for real-time control with application to wind farm power maximization | |
CN112116162B (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
US20220186709A1 (en) | Reinforcement learning-based real time robust variable pitch control of wind turbine systems | |
Ellefsen et al. | Validation of data-driven labeling approaches using a novel deep network structure for remaining useful life predictions | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN115630101A (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
Li et al. | Rolling bearing fault diagnosis under variable working conditions based on joint distribution adaptation and SVM | |
CN109886488B (zh) | 考虑风速时滞性的分散式风电场分层混合短期预测方法 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
Bouhelal et al. | Blade element momentum theory coupled with machine learning to predict wind turbine aerodynamic performances | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN117096871A (zh) | 一种基于时空分布的风电功率概率密度的预测方法 | |
CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN116792256A (zh) | 一种风速预测变桨控制系统及控制方法 | |
CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
Ziaei et al. | Short-Term Wind Characteristics Forecasting Using Stacked LSTM Networks | |
CN110826290B (zh) | 一种海上浮式系统安全预警方法 | |
Safavieh et al. | A new integrated approach for very short-term wind speed prediction using wavelet networks and PSO |
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 |