CN114169252B - 一种动态选择代表风电场的短期区域风电功率预测方法 - Google Patents

一种动态选择代表风电场的短期区域风电功率预测方法 Download PDF

Info

Publication number
CN114169252B
CN114169252B CN202111620744.XA CN202111620744A CN114169252B CN 114169252 B CN114169252 B CN 114169252B CN 202111620744 A CN202111620744 A CN 202111620744A CN 114169252 B CN114169252 B CN 114169252B
Authority
CN
China
Prior art keywords
wind power
power plant
wind
population
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
Application number
CN202111620744.XA
Other languages
English (en)
Other versions
CN114169252A (zh
Inventor
殷豪
王陈恩
孟安波
陈顺
朱梓彬
张铮
冼梓康
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111620744.XA priority Critical patent/CN114169252B/zh
Publication of CN114169252A publication Critical patent/CN114169252A/zh
Application granted granted Critical
Publication of CN114169252B publication Critical patent/CN114169252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种动态选择代表风电场的短期区域风电功率预测方法，先获取区域内各个风电场的数值天气预报数据，然后对数值天气预报数据作初步的预处理，并在时间段T内构建各个风电场的特征序列，之后以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，再采用纵横交叉优化算法优化，并根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，然后根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率，最后建立深度学习的升尺度预测模型，将各个代表风电场的功率输入模型，即可获得区域风电功率序列。该方法能够有效的提升区域内短期风电功率的预测精度。

Description

一种动态选择代表风电场的短期区域风电功率预测方法
技术领域
本发明涉及风电功率预测，尤其涉及一种动态选择代表风电场的短期区域风电功率预测方法。
背景技术
风力发电具有很强的随机性和波动性，给电力系统的安全经济调度带来了很大影响。随着我国风电并网装机容量的不断增加，风力发电对电力系统的影响将会越来越显著。区域风电功率预测的重要性日益突出，准确的区域风电功率预测，可以有效降低大规模风电接入的不确定性，减小不必要的备用容量，为电网的安全、经济调度提供支撑。
在区域风电功率预测方法上，常用的有累加法、空间资源匹配法、升尺度法。升尺度法又可以分为物理法和统计法两类。相比于物理方法对数据的高要求和算法的复杂程度，统计法更为适用于区域风电功率预测。已有的统计升尺度方法，在刻画代表风电场与区域风电功率出力关系时，均是基于历史功率的代表风电场选择方法，容易出现预测的滞后性，导致预测精度不高。
发明内容
本发明提供了一种动态选择代表风电场的短期区域风电功率预测方法，以实现区域风电功率预测中代表风电场的动态选取，提高区域风电功率预测的精度。
本发明的技术方案如下：
一种动态选择代表风电场的短期区域风电功率预测方法，包括以下步骤：
S1：获取区域内各个风电场的数值天气预报(numerical weather prediction，NWP)数据；
S2：对数值天气预报数据作初步的预处理，并在预测时间段内按相同的时间间隔划分出若干个时间段T，构建各个风电场在时间段T内的特征序列；
S3：以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列；
S4：采用纵横交叉优化算法(crisscross optimization algorithm，CSO)优化参考风电场的特征序列；
S5：根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场；
S6：根据选择的代表风电场，采用GRU(门控循环单元，gated recurrent unit,GRU)网络预测各个代表风电场的功率；
S7：建立深度学习的升尺度预测模型，将GRU网络预测得到的各个代表风电场的功率输入训练好的预测模型中进行预测，获得区域风电功率序列。
进一步，在步骤S2中，对数据的预处理及构建特征序列的具体过程如下：
S21：对于数值天气预报数据中存在的异常值，采用前后时刻的平均值替代；
S22：对所有数据做min-max归一化处理；
S23：构建各个风电场在时间段T内的特征序列如下：
Figure BDA0003437420510000021
式中，
Figure BDA0003437420510000022
表示区域内第m个风电场在t-T到t时刻的特征序列，
Figure BDA0003437420510000023
为t-T到t时刻第m个风电场在30米、70米、100米的预报风速，
Figure BDA0003437420510000024
为t-T到t时刻第m个风电场在30米、70米、100米的预报风向，
Figure BDA0003437420510000025
为t-T到t时刻第m个风电场在2米处的预报温度，
Figure BDA0003437420510000026
为t-T到t时刻第m个风电场的预报动量通量。
进一步，步骤S3中，以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，关系表达式如下：
Figure BDA0003437420510000027
式中，
Figure BDA0003437420510000028
表示参考风电场在t-T到t时刻的特征序列，αm表示第m个风电场在t-T到t时刻的特征序列的权值。
进一步，步骤S4中，采用纵横交叉优化算法优化参考风电场的特征序列的具体步骤如下：
S41：以参考风电场与区域内各个风电场的欧式距离最小为纵横交叉优化算法的目标函数；
S42：以α1、α2…αm为纵横交叉优化算法的优化参数构成种群H，确立参数的边界条件，其中边界条件为；
Figure BDA0003437420510000031
S43：执行纵向交叉，得到子种群Qvc，利用目标函数，更新种群H；
S44：执行横向交叉，得到子种群Qhc，利用目标函数，更新种群H；
S45：根据设定的迭代次数，往复执行步骤S43和步骤S44，达到设定的迭代次数则停止迭代。
进一步，步骤S41中，纵横交叉优化算法的目标函数为：
Figure BDA0003437420510000032
式中，fobj为优化目标，
Figure BDA0003437420510000033
为寻优所得的参考风电场的特征序列。
进一步，步骤S43中，纵向交叉的更新包括以下步骤：
S431：对种群H的每一维度进行归一化；
Figure BDA0003437420510000034
式中，H(i,d)为种群H中粒子H(i)第d维的值，H(:,d)max为种群H第d维的最大值，H(:,d)min为种群H第d维的最小值，N为种群的维度数；
S432：根据纵向交叉公式，对种群H进行纵向交叉操作,得到子种群Qvc；
Qvc(i,d1)＝rand()×H(i,d1)+[1-rand()]×H(i,d2),d1,d2∈[1,N]
式中，rand()为[0,1]的随机数，Qvc(i,d1)为种群H的第d1、d2维交叉的结果；
S433：对得到的Qvc(i,d1)进行反归一化：
Qvc(i,d1)＝Qvc(i,d1)×(H(:,d1)max-H(:,d1)min)+H(:,d1)min
S434：根据Qvc(i)更新种群H，更新公式如下：
H＝Gbest←min[fobj(H(i)),fobj(Qvc(i))]
式中，Gbest为粒子H(i)和粒子Qvc(i)根据目标函数计算出的粒子。
进一步，步骤S44中，横向交叉的更新包括以下步骤：
S441：根据横向交叉公式，对种群H做横向交叉操作，得到子种群Qhc；
Figure BDA0003437420510000041
式中，r1、r2为[0,1]的随机数，c1、c2为[-1,1]的随机数，Qhc(i,d)、Qhc(j,d)为H(i,d)与H(j,d)交叉得到的子种群；
S442：根据Qhc(i)更新种群H，更新公式如下：
H＝Lbest←min[fobj(H(i)),fobj(Qhc(i))]
式中，Lbest为粒子H(i)和粒子Qhc(i)根据目标函数计算出的粒子。
进一步，在步骤S5中，时间段T内代表风电场的选取方法具体包括以下步骤：
S51：计算时间段T内各个风电场与参考风电场的相关系数：
Figure BDA0003437420510000042
式中，Corri表示第i个风电场与参考风电场的相关系数，
Figure BDA0003437420510000043
表示第i个风电场在t-T到t时刻的特征序列的均值，
Figure BDA0003437420510000044
表示参考风电场在t-T到t时刻的特征序列的均值；
S52：根据计算得到的相关系数，使各个风电场按相关系数从大到小的顺序进行排列，选取排序后的前k个风电场为时间段T内的代表风电场，其中，k<m，m为区域内风电场的总数，且k个风电场的装机容量和占区域风电总装机容量的30％～70％。
进一步，步骤S6中，代表风电场的功率预测具体包括以下步骤：
S61：采用两层神经网络的GRU网络对各个代表风电场进行功率预测，神经元数量依次为4和16；
S62：将时间段T内的k个代表风电场的特征序列
Figure BDA0003437420510000051
输入至GRU网络中挖掘隐含关系，最后输出各个代表风电场的预测功率
Figure BDA0003437420510000052
其中，特征序列
Figure BDA0003437420510000053
在GRU网络中挖掘隐含关系的具体公式如下：
Figure BDA0003437420510000054
式中，σ为Sigmoid函数，tanh()为双曲正切函数，⊙为哈达玛乘积，ωj,r、ωj,z、ωj,h、ωj,o为第j个代表风电场对应的权重参数矩阵，bj,r、bj,z、bj,h、bj,y为第j个代表风电场对应的偏置参数矩阵，rj,t为第j个风电场对应的重置门，zj,t为第j个风电场对应的更新门，xj,t为第j个风电场当前时刻的输入状态，hj,t-1为第j个风电场前一时刻的隐含状态，
Figure BDA0003437420510000055
为第j个风电场当前时刻的隐含层候选状态，hj,t为第j个风电场当前时刻的隐含状态，
Figure BDA0003437420510000056
为第j个风电场当前时刻的预测结果。
进一步，步骤S7中，建立深度学习的升尺度预测模型具体包括以下步骤；
S71：以三层反向传播神经网络为预测模型，神经元数量依次为k,16,1；
S72：以各个代表风电场的预测功率
Figure BDA0003437420510000061
为输入，通过预测模型进行预测并输出，即能获得由区域内各个风电场的预测功率形成的区域风电功率序列ypred。
与现有技术相比，本发明具有如下显著的效果：
本发明的预测方法建立参考风电场的特征序列，并通过纵横交叉优化算法进行优化，之后根据参考风电场的特征序列动态选择代表风电场，本发明在适应选择时不依赖于功率数据，所构建的参考风电场的特征序列能够最大的反应区域风电功率的情况，然后通过GRU网络预测得到各个代表风电场的功率，最后结合深度学习的升尺度预测模型获得区域风电功率序列。本发明能够有效提升区域风电功率的预测精度，对提高区域风电功率预测精度具有重要的工程实际意义。
附图说明
图1为本发明短期区域风电功率预测方法的流程示意图；
图2为本发明短期区域风电功率预测方法的模型示意图；
图3为区域风电功率序列的预测效果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
实施例1：
如图1和图2所示，一种动态选择代表风电场的短期区域风电功率预测方法，包括以下步骤：
S1：获取区域内各个风电场的数值天气预报数据；
S2：对数值天气预报数据作初步的预处理，并在预测时间段内按相同的时间间隔划分出若干个时间段T，构建各个风电场在时间段T内的特征序列；
具体包括以下步骤：
S21：对于数值天气预报数据中存在的异常值，采用前后时刻的平均值替代；
S22：对所有数据做min-max归一化处理；
S23：构建各个风电场在时间段T内的特征序列如下：
Figure BDA0003437420510000071
式中，
Figure BDA0003437420510000072
表示区域内第m个风电场在t-T到t时刻的特征序列，
Figure BDA0003437420510000073
为t-T到t时刻第m个风电场在30米、70米、100米的预报风速，
Figure BDA0003437420510000074
为t-T到t时刻第m个风电场在30米、70米、100米的预报风向，
Figure BDA0003437420510000075
为t-T到t时刻第m个风电场在2米处的预报温度，
Figure BDA0003437420510000076
为t-T到t时刻第m个风电场的预报动量通量；
S3：以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，关系表达式如下：
Figure BDA0003437420510000077
式中，
Figure BDA0003437420510000078
表示参考风电场在t-T到t时刻的特征序列，αm表示第m个风电场在t-T到t时刻的特征序列的权值；
S4：采用纵横交叉优化算法优化参考风电场的特征序列；
具体步骤如下：
S41：以参考风电场与区域内各个风电场的欧式距离最小为纵横交叉优化算法的目标函数；
S42：以α1、α2…αm为纵横交叉优化算法的优化参数构成种群H，确立参数的边界条件，其中边界条件为；
Figure BDA0003437420510000081
S43：执行纵向交叉，得到子种群Qvc，利用目标函数，更新种群H；
S44：执行横向交叉，得到子种群Qhc，利用目标函数，更新种群H；
S45：根据设定的迭代次数，往复执行步骤S43和步骤S44，达到设定的迭代次数则停止迭代；
其中，步骤S41中，纵横交叉优化算法的目标函数为：
Figure BDA0003437420510000082
式中，fobj为优化目标，
Figure BDA0003437420510000083
为寻优所得的参考风电场的特征序列。
步骤S43中，纵向交叉的更新包括以下步骤：
S431：对种群H的每一维度进行归一化；
Figure BDA0003437420510000084
式中，H(i,d)为种群H中粒子H(i)第d维的值，H(:,d)max为种群H第d维的最大值，H(:,d)min为种群H第d维的最小值，N为种群的维度数；
S432：根据纵向交叉公式，对种群H进行纵向交叉操作,得到子种群Qvc；
Qvc(i,d1)＝rand()×H(i,d1)+[1-rand()]×H(i,d2),d1,d2∈[1,N]
式中，rand()为[0,1]的随机数，Qvc(i,d1)为种群H的第d1、d2维交叉的结果；
S433：对得到的Qvc(i,d1)进行反归一化：
Qvc(i,d1)＝Qvc(i,d1)×(H(:,d1)max-H(:,d1)min)+H(:,d1)min
S434：根据Qvc(i)更新种群H，更新公式如下：
H＝Gbest←min[fobj(H(i)),fobj(Qvc(i))]
式中，Gbest为粒子H(i)和粒子Qvc(i)根据目标函数计算出的粒子。
步骤S44中，横向交叉的更新包括以下步骤：
S441：根据横向交叉公式，对种群H做横向交叉操作，得到子种群Qhc；
Figure BDA0003437420510000091
式中，r1、r2为[0,1]的随机数，c1、c2为[-1,1]的随机数，Qhc(i,d)、Qhc(j,d)为H(i,d)与H(j,d)交叉得到的子种群；
S442：根据Qhc(i)更新种群H，更新公式如下：
H＝Lbest←min[fobj(H(i)),fobj(Qhc(i))]
式中，Lbest为粒子H(i)和粒子Qhc(i)根据目标函数计算出的粒子；
S5：根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场；
具体包括以下步骤：
S51：计算时间段T内各个风电场与参考风电场的相关系数：
Figure BDA0003437420510000092
式中，Corri表示第i个风电场与参考风电场的相关系数，
Figure BDA0003437420510000093
表示第i个风电场在t-T到t时刻的特征序列的均值，
Figure BDA0003437420510000094
表示参考风电场在t-T到t时刻的特征序列的均值；
S52：根据计算得到的相关系数，使各个风电场按相关系数从大到小的顺序进行排列，选取排序后的前k个风电场为时间段T内的代表风电场，其中，k<m，m为区域内风电场的总数，且k个风电场的装机容量和占区域风电总装机容量的30％～70％；
S6：根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率；
具体包括以下步骤：
S61：采用两层神经网络的GRU网络对各个代表风电场进行功率预测，神经元数量依次为4和16；
S62：将时间段T内的k个代表风电场的特征序列
Figure BDA0003437420510000101
输入至GRU网络中挖掘隐含关系，最后输出各个代表风电场的预测功率
Figure BDA0003437420510000102
其中，特征序列
Figure BDA0003437420510000103
在GRU网络中挖掘隐含关系的具体公式如下：
Figure BDA0003437420510000104
式中，σ为Sigmoid函数，tanh()为双曲正切函数，⊙为哈达玛乘积，ωj,r、ωj,z、ωj,h、ωj,o为第j个代表风电场对应的权重参数矩阵，bj,r、bj,z、bj,h、bj,y为第j个代表风电场对应的偏置参数矩阵，rj,t为第j个风电场对应的重置门，zj,t为第j个风电场对应的更新门，xj,t为第j个风电场当前时刻的输入状态，hj,t-1为第j个风电场前一时刻的隐含状态，
Figure BDA0003437420510000105
为第j个风电场当前时刻的隐含层候选状态，hj,t为第j个风电场当前时刻的隐含状态，
Figure BDA0003437420510000106
为第j个风电场当前时刻的预测结果；
S7：建立深度学习的升尺度预测模型，将GRU网络预测得到的各个代表风电场的功率输入训练好的预测模型中进行预测，获得区域风电功率序列；
具体包括以下步骤；
S71：以三层反向传播神经网络为预测模型，神经元数量依次为k,16,1；
S72：以各个代表风电场的预测功率
Figure BDA0003437420510000111
为输入，通过预测模型进行预测并输出，即能获得由区域内各个风电场的预测功率形成的区域风电功率序列ypred。
本发明的预测方法建立参考风电场的特征序列，并通过纵横交叉优化算法进行优化，之后根据参考风电场的特征序列动态选择代表风电场，本发明在适应选择时不依赖于功率数据，所构建的参考风电场的特征序列能够最大的反应区域风电功率的情况，然后通过GRU网络预测得到各个代表风电场的功率，最后结合深度学习的升尺度预测模型获得区域风电功率序列。本发明能够有效提升区域风电功率的预测精度，对提高区域风电功率预测精度具有重要的工程实际意义。
实施例2：
本实施例对2018年某区域内39个风电场以实施例1中的预测方法进行预测；
在步骤S1中，采集2018年某区域内39个风电场的数值天气预报数据，时间间隔为15min；
在步骤S2中，预测时间段为6月1日至6月3日，以1.5h的时间间隔划分时间段T，即每个时间段T为1.5h，区域内风电场的数目m＝39；
在步骤S431中，N＝25；
在步骤S52中，k＝10，即选取相关系数最大的10个风电场为时间段T内的代表风电场；
根据上述设置的条件，通过上述实施例1中的短期区域风电功率预测方法可以得到如图3所示的预测效果，由图可知，本实施例能够在短期区域风电功率预测中取得较好的预测精度。
实施例3：
本实施例与实施例1相似，所不同之处在于，本实施例提供一种动态选择代表风电场的短期区域风电功率预测系统，包括：
获取模块，用于获取区域内各个风电场的数值天气预报数据；
数据处理模块，用于对数值天气预报数据作初步的预处理，并在预测时间段内按相同的时间间隔划分出若干个时间段T，构建各个风电场在时间段T内的特征序列，同时以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，且采用纵横交叉优化算法优化参考风电场的特征序列；
预测模块，用于根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，且根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率；
输出模块，用于建立深度学习的升尺度预测模型，将GRU网络预测得到的各个代表风电场的功率输入训练好的预测模型中进行预测，获得区域风电功率序列。
上述系统中的获取模块、数据处理模块、预测模块和输出模块可通过无线或有线的方式进行通信连接，且能够集成在同一个电路板或处理器上，以实现动态选择代表风电场的短期区域风电功率预测方法。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种动态选择代表风电场的短期区域风电功率预测方法，其特征在于，包括以下步骤：
S1：获取区域内各个风电场的数值天气预报数据；
S2：对数值天气预报数据作初步的预处理，并在预测时间段内按相同的时间间隔划分出若干个时间段T，构建各个风电场在时间段T内的特征序列；
S3：以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列；
S4：采用纵横交叉优化算法优化参考风电场的特征序列；
S5：根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场；
S51：计算时间段T内各个风电场与参考风电场的相关系数：
Figure FDA0003858975840000011
式中，Corri表示第i个风电场与参考风电场的相关系数，
Figure FDA0003858975840000012
表示第i个风电场在t-T到t时刻的特征序列，
Figure FDA0003858975840000013
表示第i个风电场在t-T到t时刻的特征序列的均值，
Figure FDA0003858975840000014
表示参考风电场在t-T到t时刻的特征序列，
Figure FDA0003858975840000015
表示参考风电场在t-T到t时刻的特征序列的均值；
S52：根据计算得到的相关系数，使各个风电场按相关系数从大到小的顺序进行排列，选取排序后的前k个风电场为时间段T内的代表风电场，其中，k<m，m为区域内风电场的总数，且k个风电场的装机容量和占区域风电总装机容量的30％～70％；
S6：根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率；
S7：建立深度学习的升尺度预测模型，将GRU网络预测得到的各个代表风电场的功率输入训练好的预测模型中进行预测，获得区域风电功率序列。
2.根据权利要求1所述的短期区域风电功率预测方法，其特征在于，在步骤
S2中，对数据的预处理及构建特征序列的具体过程如下：
S21：对于数值天气预报数据中存在的异常值，采用前后时刻的平均值替代；
S22：对所有数据做min-max归一化处理；
S23：构建各个风电场在时间段T内的特征序列如下：
Figure FDA0003858975840000021
式中，
Figure FDA0003858975840000022
表示区域内第m个风电场在t-T到t时刻的特征序列，
Figure FDA0003858975840000023
为t-T到t时刻第m个风电场在30米、70米、100米的预报风速，
Figure FDA0003858975840000024
为t-T到t时刻第m个风电场在30米、70米、100米的预报风向，
Figure FDA0003858975840000025
为t-T到t时刻第m个风电场在2米处的预报温度，
Figure FDA0003858975840000026
为t-T到t时刻第m个风电场的预报动量通量。
3.根据权利要求2所述的短期区域风电功率预测方法，其特征在于，步骤S3中，以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，关系表达式如下：
Figure FDA0003858975840000027
式中，
Figure FDA0003858975840000028
表示参考风电场在t-T到t时刻的特征序列，αm表示第m个风电场在t-T到t时刻的特征序列的权值。
4.根据权利要求3所述的短期区域风电功率预测方法，其特征在于，步骤S4中，采用纵横交叉优化算法优化参考风电场的特征序列的具体步骤如下：
S41：以参考风电场的特征序列与区域内各个风电场的特征序列的欧式距离最小为纵横交叉优化算法的目标函数；
S42：以α1、α2···αm为纵横交叉优化算法的优化参数构成种群H，确立参数的边界条件，其中边界条件为；
Figure FDA0003858975840000029
S43：执行纵向交叉，得到子种群Qvc，利用目标函数，更新种群H；
S44：执行横向交叉，得到子种群Qhc，利用目标函数，更新种群H；
S45：根据设定的迭代次数，往复执行步骤S43和步骤S44，达到设定的迭代次数则停止迭代。
5.根据权利要求4所述的短期区域风电功率预测方法，其特征在于，步骤S41中，纵横交叉优化算法的目标函数为：
Figure FDA0003858975840000031
式中，fobj为优化目标，
Figure FDA0003858975840000032
为寻优所得的参考风电场的特征序列。
6.根据权利要求5所述的短期区域风电功率预测方法，其特征在于，步骤
S43中，纵向交叉的更新包括以下步骤：
S431：对种群H的每一维度进行归一化；
Figure FDA0003858975840000033
式中，H(i,d)为种群H中粒子H(i)第d维的值，H(:,d)max为种群H第d维的最大值，H(:,d)min为种群H第d维的最小值，N为种群的维度数；
S432：根据纵向交叉公式，对种群H进行纵向交叉操作,得到子种群Qvc；
Qvc(i,d1)＝rand()×H(i,d1)+[1-rand()]×H(i,d2),d1,d2∈[1,N]
式中，rand()为[0,1]的随机数，Qvc(i,d1)为种群H的第d1、d2维交叉的结果；
S433：对得到的Qvc(i,d1)进行反归一化：
Qvc(i,d1)＝Qvc(i,d1)×(H(:,d1)max-H(:,d1)min)+H(:,d1)min
S434：根据Qvc(i)更新种群H，更新公式如下：
H＝Gbest←min[fobj(H(i)),fobj(Qvc(i))]
式中，Gbest为粒子H(i)和粒子Qvc(i)根据目标函数计算出的粒子。
7.根据权利要求6所述的短期区域风电功率预测方法，其特征在于，步骤
S44中，横向交叉的更新包括以下步骤：
S441：根据横向交叉公式，对种群H做横向交叉操作，得到子种群Qhc；
Figure FDA0003858975840000041
式中，r1、r2为[0,1]的随机数，c1、c2为[-1,1]的随机数，Qhc(i,d)、Qhc(j,d)为H(i,d)与H(j,d)交叉得到的子种群；
S442：根据Qhc(i)更新种群H，更新公式如下：
H＝Lbest←min[fobj(H(i)),fobj(Qhc(i))]
式中，Lbest为粒子H(i)和粒子Qhc(i)根据目标函数计算出的粒子。
8.根据权利要求7所述的短期区域风电功率预测方法，其特征在于，步骤
S6中，代表风电场的功率预测具体包括以下步骤：
S61：采用两层神经网络的GRU网络对各个代表风电场进行功率预测，神经元数量依次为4和16；
S62：将时间段T内的k个代表风电场的特征序列
Figure FDA0003858975840000042
输入至GRU网络中挖掘隐含关系，最后输出各个代表风电场的预测功率
Figure FDA0003858975840000043
其中，特征序列
Figure FDA0003858975840000044
在GRU网络中挖掘隐含关系的具体公式如下：
Figure FDA0003858975840000045
式中，σ为Sigmoid函数，tanh()为双曲正切函数，⊙为哈达玛乘积，ωj,r、ωj,z、ωj,h、ωj,o为第j个代表风电场对应的权重参数矩阵，bj,r、bj,z、bj,h、bj,y为第j个代表风电场对应的偏置参数矩阵，rj,t为第j个风电场对应的重置门，zj,t为第j个风电场对应的更新门，xj,t为第j个风电场当前时刻的输入状态，hj,t-1为第j个风电场前一时刻的隐含状态，
Figure FDA0003858975840000051
为第j个风电场当前时刻的隐含层候选状态，hj,t为第j个风电场当前时刻的隐含状态，
Figure FDA0003858975840000052
为第j个风电场当前时刻的预测结果。
9.根据权利要求8所述的短期区域风电功率预测方法，其特征在于，步骤
S7中，建立深度学习的升尺度预测模型具体包括以下步骤；
S71：以三层反向传播神经网络为预测模型，神经元数量依次为k,16,1；
S72：以各个代表风电场的预测功率
Figure FDA0003858975840000053
为输入，通过预测模型进行预测并输出，即能获得由区域内各个风电场的预测功率形成的区域风电功率序列ypred。
CN202111620744.XA 2021-12-27 2021-12-27 一种动态选择代表风电场的短期区域风电功率预测方法 Active CN114169252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111620744.XA CN114169252B (zh) 2021-12-27 2021-12-27 一种动态选择代表风电场的短期区域风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111620744.XA CN114169252B (zh) 2021-12-27 2021-12-27 一种动态选择代表风电场的短期区域风电功率预测方法

Publications (2)

Publication Number Publication Date
CN114169252A CN114169252A (zh) 2022-03-11
CN114169252B true CN114169252B (zh) 2022-11-29

Family

ID=80488206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111620744.XA Active CN114169252B (zh) 2021-12-27 2021-12-27 一种动态选择代表风电场的短期区域风电功率预测方法

Country Status (1)

Country Link
CN (1) CN114169252B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114784784B (zh) * 2022-03-31 2022-11-22 广东工业大学 一种基于纵横交叉算法的直流微电网稳定性趋优控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063915A (zh) * 2018-08-10 2018-12-21 广东工业大学 短期风速预测方法、装置、设备、系统及存储介质
CN110674965A (zh) * 2019-05-15 2020-01-10 中国电建集团华东勘测设计研究院有限公司 基于动态特征选取的多时间步长风功率预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991285A (zh) * 2017-04-01 2017-07-28 广东工业大学 一种短期风速多步预测方法及装置
CN112819238A (zh) * 2021-02-19 2021-05-18 河海大学 基于混沌鸡群优化算法的短期风电功率预测方法
CN113379126A (zh) * 2021-06-11 2021-09-10 西安理工大学 基于混合互相关熵长短期记忆网络的风电功率预测方法
CN113537566B (zh) * 2021-06-16 2022-05-06 广东工业大学 一种基于dccso优化深度学习模型的超短期风电功率预测方法
CN113673307B (zh) * 2021-07-05 2024-03-29 浙江工业大学 一种轻量型的视频动作识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063915A (zh) * 2018-08-10 2018-12-21 广东工业大学 短期风速预测方法、装置、设备、系统及存储介质
CN110674965A (zh) * 2019-05-15 2020-01-10 中国电建集团华东勘测设计研究院有限公司 基于动态特征选取的多时间步长风功率预测方法

Also Published As

Publication number Publication date
CN114169252A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
Adedeji et al. Wind turbine power output very short-term forecast: A comparative study of data clustering techniques in a PSO-ANFIS model
Fu Deep belief network based ensemble approach for cooling load forecasting of air-conditioning system
Heng et al. Research and application of a combined model based on frequent pattern growth algorithm and multi-objective optimization for solar radiation forecasting
Wang et al. Research on assembly sequence planning and optimization of precast concrete buildings
He et al. Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
CN105447509A (zh) 一种光伏发电系统的短期功率预测方法
Kolhe et al. GA-ANN for short-term wind energy prediction
CN114169252B (zh) 一种动态选择代表风电场的短期区域风电功率预测方法
CN105447572A (zh) 一种基于遗传算法优化神经网络的风电功率预测系统及方法
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN107909221A (zh) 基于组合神经网络的电力系统短期负荷预测方法
CN103927460A (zh) 一种基于rbf的风电场短期风速预测方法
Zhang et al. An improved OIF Elman neural network based on CSO algorithm and its applications
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN116187565A (zh) 基于改进原子搜索优化bp网络的办公建筑能耗预测方法
Çakır Renewable energy generation forecasting in Turkey via intuitionistic fuzzy time series approach
CN109902743A (zh) 一种风电机组输出功率预测方法
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及系统
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN114372634B (zh) 基于神经网络不平衡优化的短期风电功率预测方法及系统
CN110059871A (zh) 光伏发电功率预测方法
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法

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