CN114881363A - 一种长短期结合的风力发电预测方法 - Google Patents

一种长短期结合的风力发电预测方法 Download PDF

Info

Publication number
CN114881363A
CN114881363A CN202210639816.3A CN202210639816A CN114881363A CN 114881363 A CN114881363 A CN 114881363A CN 202210639816 A CN202210639816 A CN 202210639816A CN 114881363 A CN114881363 A CN 114881363A
Authority
CN
China
Prior art keywords
power generation
wind power
day
generation sequence
predicted
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
Application number
CN202210639816.3A
Other languages
English (en)
Inventor
王哲
赵宏大
马龙鹏
朱铭霞
王昕�
夏寅泳
杨冬海
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.)
CEIEC ELECTRIC TECHNOLOGY Inc
State Grid Jiangsu Electric Power Design Consultation Co ltd
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
CEIEC ELECTRIC TECHNOLOGY Inc
State Grid Jiangsu Electric Power Design Consultation Co ltd
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 CEIEC ELECTRIC TECHNOLOGY Inc, State Grid Jiangsu Electric Power Design Consultation Co ltd, Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical CEIEC ELECTRIC TECHNOLOGY Inc
Priority to CN202210639816.3A priority Critical patent/CN114881363A/zh
Publication of CN114881363A publication Critical patent/CN114881363A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (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)

Abstract

本发明公开了一种长短期结合的风力发电预测方法，该方法结合了三个不同时间尺度风力发电数据，通过层层递进优化和更新最新预测发电功率，不仅能提高预测精度，也可使用不同场景的风力发电预测需求，比如日间、小时的并网功率预测。本发明的风力发电预测方法的预测精度高，可以为电网制定有效消纳提供依据，从而缓解弃风问题，并有保障电网运行安全。

Description

一种长短期结合的风力发电预测方法
技术领域：
本发明涉及一种长短期结合的风力发电预测方法，属于电力系统发电领域。
背景技术：
风能是除水电以外，规模较大、商业化发展前景较好、开发技术较为成熟可再生能源。积极开发利用风电资源，对调整能源结构、减少环境污染、应对气候变化等具有重要意义。
然而风力发电出力具有波动性和间歇性，导致风力发电的预测不够准确，难以进行调度管理，使得对风力消纳非常不利，同时也会导致大量弃风问题，并且也会对电网安全运行产生不利影响。
目前常见的风力发电预测方法采用单一时间尺度的数据源利用神经网络或基于电网模型开展预测，然而神经网络预测方法计算复杂度高且机理不清晰，而基于电网模型的方法其精度严重依赖电网模型准确度；虽然，也有个别预测方法结合了多种时间尺度的数据源，但这些方法并未考虑各时间尺度下的数据互相影响，独立对待不同时间尺度的数据，进而将不同时间尺度的预测值进行加权平均，因此并未真正意义上利用不同时间尺度的数据特性，难以提高预测准确性。
发明内容：
为了解决起风问题，本发明提供一种长短期结合的风力发电预测方法，该方法结合了三个不同时间尺度风力发电数据作为数据源，可以准确风力发电精度，为电网安全运行打下基础。
本发明的技术方案如下：
一种长短期结合的风力发电预测方法，包括：
根据上一年度的风力发电序列以及天气类型数据，分别构建各季节下不同天气类型的典型日风力发电序列；
根据预测日所在季节以及预测日的预报天气类型，确定预测日对应的典型日风力发电序列；
根据预测日对应的典型日风力发电序列与预测日前一周内各天的风力发电序列的相关性，对预测日的风力发电序列进行预测；
根据预测日实际实时发电序列对预测得到的预测日的风力发电序列进行修正。
进一步地，所述各季节下不同天气类型的典型日风力发电序列的构建方法包括：
获取上一年度的每日风力发电序列以及每日天气类型数据；按季节将所述上一年度的每日风力发电序列进行划分，形成四个季节的数据集合；再根据上一年度的每日天气类型数据，分别对每个季节的数据集合内的每日风力发电序列按照当日的天气类型进行划分，形成多个子集；各子集中的元素记为
Figure BDA0003683369510000021
Figure BDA0003683369510000022
为第sea季节中第j天气类型第i天的风力发电序列；sea为季节数，sea∈[1,4]；j为天气类型序号，j∈[1,J]，J为天气类型总数；i为第j天气类型中的天数序号；t为风力发电序列的序列号，t取[1,T]，T为风力发电序列的序列总数；
采用DBSCAN算法对各子集中具有相同天气类型的风力发电序列
Figure BDA0003683369510000023
进行聚类合并，根据聚类结果确定各子集下的典型日。
进一步地，所述天气类型包括阴、晴、多云、晴转多云、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪和冰雹共14种，天气类型总数J取14。
进一步地，所述DBSCAN算法用于找到样本点的全部密集区域，并把密集区域分别做为一个聚类簇，邻域半径R内样本点的数量大于等于minpoints的点记为核心点，不属于核心点但在某个核心点的邻域内的点记为边界点；既不是核心点也不是边界点的记为噪声点；所述DBSCAN算法包括如下两个步骤：
步骤1：寻找核心点形成临时聚类簇；
扫描全部样本点，如果某个样本点R半径范围内点数目大于等于MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇；
步骤2：合并临时聚类簇得到聚类簇；
对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇；
重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成为聚类簇；
继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理；
进一步地，所述邻域半径R取风机发电的额定功率的2％，最少点数目minpoints取10或视功率序列情况调整。
进一步地，所述根据聚类结果确定各子集下的典型日的具体步骤包括：
读取聚类结果中包含天数最多的类，设其包含Z天，分别计算每天的累计功率X(z)＝[X1...XZ]，再对计算的累计功率X(z)从小到大排序，选择中位数对应的风力发电序列作为季节为sea、天气类型为j的典型日功率序列Psea,j typ(t)，即典型日风力发电序列；其中，第z天的累计功率X(z)的计算公式如下：
Figure BDA0003683369510000031
式中，Pz(t)为第z天的风力发电序列，z取值为[1,Z]。
进一步地，所述对预测日的风力发电序列进行预测的具体步骤包括：
按下式求取预测日对应的典型日风力发电序列与最近一周内各天的风力发电序列相似度：
Figure BDA0003683369510000032
式中，Pcc(n)为预测日对应的典型日风力发电序列与最近一周内第n天的风力发电序列相似度,n的取值为1到7；Pwek,n(t)为最近一周内第n天的风力发电序列；Psea,j typ(t)为预测日对应的典型日风力发电序列；
选择Pcc(n)中最大的三个值对应的风力发电序列，并记为Ppcc,r(t)，r＝1,2,3，按下式对预测日的风力发电序列进行预测：
Figure BDA0003683369510000033
Figure BDA0003683369510000034
Figure BDA0003683369510000041
Figure BDA0003683369510000042
式中，Pnew1(t)为预测得到的预测日的风力发电序列；
Figure BDA0003683369510000043
为临近周修正系数，
Figure BDA0003683369510000044
的取值范围为[-1,1]；Pad(t)为基于Ppcc,r(t)计算出的预测日的风力发电序列；wr为Ppcc,r(t)对应的权重，dr为Pcc(n)中最大的三个值对应的风力发电序列分别与预测日对应的典型日风力发电序列Psea,j typ(t)的距离；
进一步地，所述对预测得到的预测日的风力发电序列进行修正的具体步骤如下：
获取预测日实际实时发电序列，求取预测得到的预测日的风力发电序列与实际实时发电序列的累计偏差Δ，所述累积偏差Δ的计算公式如下：
Figure BDA0003683369510000045
式中，Δ为预测得到的预测日的风力发电序列与实际实时发电序列的累计偏差；Preal(t)为预测日的实际实时发电序列，t的取值范围为[1,L]，L为预测日已实际发电的最大时间序列，L<T；Pnew1(t)为预测得到的预测日的风力发电序列；
若累计偏差Δ小于设定阈值τ，则预测得到的预测日的风力发电序列保持不变；
若累积偏差Δ超过设定阈值τ，则基于所计算的累积偏差修正预测得到的预测日的风力发电序列，得到修正后的预测日的风力发电序列Pnew2(t)，修正公式如下：
Figure BDA0003683369510000046
式中，Pnew2(t)为修正后的预测日的风力发电序列，t的取值范围为[L,T]；τ取风力发电机额定功率的1％。
本发明相比于现有技术具有如下有益效果
本发明的长短期结合的风力发电预测方法结合了三个不同时间尺度风力发电数据，通过层层递进优化和更新最新预测发电功率，不仅能提高预测精度，也可使用不同场景的风力发电预测需求，比如日间、小时的并网功率预测。
本发明的风力发电预测方法的预测精度高，可以为电网制定有效消纳提供依据，从而缓解弃风问题，并有保障电网运行安全。
附图说明：
通过参照附图的本发明的优选的非限制性实施方式的详细说明，本发明的所述的及其他的特征将变得更加清楚，其中：
图1为长短期结合的风力发电预测方法流程图；
图2为典型日风力发电序列构建流程图；
图3为预测日的风力发电序列的预测流程图；
图4为预测日的风力发电序列的修正流程图。
具体实施方式：
下面结合具体实施例及对应附图对本发明作进一步说明。
实施例一：
本发明的一种长短期结合的风力发电预测方法，包括如下具体步骤：
1)根据上一年度的风力发电序列以及天气类型数据，分别构建各季节下不同天气类型的典型日风力发电序列；具体步骤包括：
首先，获取上一年度的每日风力发电数据以及对应的天气类型数据，其中，每日风力发电数据采用每日风力发电序列；按春夏秋冬四个季节将上一年度的风力发电序列进行划分，形成四个季节的数据集合；季节可以采用天文法、节气法、农历法、气温法、气象划分法等多种划分方式进行划分，本例采用气象划分法进行划分，即3月～5月为春季，6月～8月为夏季，9月～11月为秋季，12月～2月为冬季。再根据上一年度的每日风力发电序列，分别对每个季节的数据集合内的风力发电数据按照当日的天气类型进行划分，形成多个子集；各子集中的元素记为
Figure BDA0003683369510000051
为第sea季节中第j天气类型第i天的风力发电序列；sea为季节数，sea∈[1,4]，分别对应表示春季、夏季、秋季、冬季；j为天气类型序号，j∈[1,J]，J为天气类型总数；本例中天气类型包括阴、晴、多云、晴转多云、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪和冰雹共14种，即天气类型总数J取14；i为第j天气类型中的天数序号，i的取值取决于去年发生的j类天数的数量，比如第j类天气类型总共有25天，那么i的取值范围就是从1到25；t为风力发电序列的序列号，t取[1,T]，T为风力发电序列的序列总数，例如，以每天15分钟间隔产生一功率，则T＝96，t的取值范围是[1,96]，此时每天有96个功率序列；
采用DBSCAN算法对各子集中具有相同天气类型的风力发电序列
Figure BDA0003683369510000061
进行聚类合并，得到k类；其中，DBSCAN算法可以找到样本点的全部密集区域，并把密集区域分别做为一个聚类簇，邻域半径R内样本点的数量大于等于minpoints的点记为核心点，不属于核心点但在某个核心点的邻域内的点记为边界点；既不是核心点也不是边界点的记为噪声点；DBSCAN算法包括如下两个步骤：
步骤1：寻找核心点形成临时聚类簇；
扫描全部样本点，如果某个样本点R半径范围内点数目≥MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇；
步骤2：合并临时聚类簇得到聚类簇；
对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇；
重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成为聚类簇；
继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理；
本例中邻域半径R取风机发电的额定功率的2％，最少点数目minpoints为10，也可以视风电发力序列情况调整；
上述方法中根据聚类结果确定各子集下的典型日的具体步骤包括：
读取聚类结果中包含天数最多的类，设其包含Z天，分别计算每天的累计功率X(z)＝[X1...XZ]，再对计算的累计功率X(z)从小到大排序，选择中位数对应的风力发电序列作为季节为sea、天气类型为j的典型日功率序列Psea,j typ(t)，即典型日风力发电序列；其中，第z天的累计功率X(z)的计算公式如下：
Figure BDA0003683369510000062
式中，Pz(t)为第z天的风力发电序列，z取值为[1,Z]；
2)根据预测日所在季节以及预测日的预报天气类型，确定预测日对应的典型日风力发电序列；例如，预测日为5月1日，天气预报预测出的预测日为阴天，且阴天对应的天气类型序号为1，则该预测日对应的典型日风力发电序列表示为
Figure BDA0003683369510000071
即夏季天气类型为1的典型日风力发电序列
3)根据预测日对应的典型日风力发电序列与前一周(预测日向前推7天)内各天的风力发电序列的相关性，对预测日的风力发电序列进行预测；具体步骤包括：
按下式求取预测日对应的典型日风力发电序列与最近一周内各天的风力发电序列相似度：
Figure BDA0003683369510000072
式中，Pcc(n)为预测日对应的典型日风力发电序列与最近一周内第n天的风力发电序列相似度,n的取值为1到7；Pwek,n(t)为最近一周内第n天的风力发电序列；Psea,j typ(t)为预测日对应的典型日风力发电序列；
选择Pcc(n)中最大的三个值对应的风力发电序列，并记为Ppcc,r(t)，r＝1,2,3，按下式预测预测日的风力发电序列：
Figure BDA0003683369510000073
Figure BDA0003683369510000074
Figure BDA0003683369510000075
Figure BDA0003683369510000076
式中，Pnew1(t)为预测得到的预测日的风力发电序列；
Figure BDA0003683369510000077
为临近周修正系数，
Figure BDA0003683369510000078
的取值范围为[-1,1]；Pad(t)为基于Ppcc,r(t)得计算出的预测日的风力发电序列；wr为Ppcc,r(t)对应的权重，dr为Pcc(n)中最大的三个值对应的风力发电序列分别与预测日对应的典型日风力发电序列Psea,j typ(t)的距离；
4)根据预测日实际实时发电序列对预测得到的预测日的风力发电序列进行修正，具体步骤如下：
获取预测日实际实时发电序列，求取预测得到的预测日的风力发电序列与实际实时发电序列的累计偏差Δ，累积偏差Δ的计算公式如下：
Figure BDA0003683369510000081
式中，Δ为预测得到的预测日的风力发电序列与实际实时发电序列的累计偏差；Preal(t)为预测日的实际实时发电序列，t的取值范围为[1,L]，L为预测日已实际发电的最大时间序列，L<T；
若累计偏差Δ小于设定阈值τ，则预测得到的预测日的风力发电序列保持不变；
若累积偏差Δ超过设定阈值τ，则基于所计算的累积偏差修正预测得到的预测日的风力发电序列，得到修正后的预测日的风力发电序列Pnew2(t)，修正公式如下：
Figure BDA0003683369510000082
式中，Pnew2(t)为修正后的预测日的风力发电序列，t的取值范围为[L,T]；τ取风力发电机额定功率的1％。

Claims (8)

1.一种长短期结合的风力发电预测方法，其特征在于：包括：
根据上一年度的风力发电序列以及天气类型数据，分别构建各季节下不同天气类型的典型日风力发电序列；
根据预测日所在季节以及预测日的预报天气类型，确定预测日对应的典型日风力发电序列；
根据预测日对应的典型日风力发电序列与预测日前一周内各天的风力发电序列的相关性，对预测日的风力发电序列进行预测；
根据预测日实际实时发电序列对预测得到的预测日的风力发电序列进行修正。
2.根据权利要求1所述的长短期结合的风力发电预测方法，其特征在于：所述各季节下不同天气类型的典型日风力发电序列的构建方法包括：
获取上一年度的每日风力发电序列以及每日天气类型数据；按季节将所述上一年度的每日风力发电序列进行划分，形成四个季节的数据集合；再根据上一年度的每日天气类型数据，分别对每个季节的数据集合内的每日风力发电序列按照当日的天气类型进行划分，形成多个子集；各子集中的元素记为
Figure FDA0003683369500000011
Figure FDA0003683369500000012
为第sea季节中第j天气类型第i天的风力发电序列；sea为季节数，sea∈[1,4]；j为天气类型序号，j∈[1,J]，J为天气类型总数；i为第j天气类型中的天数序号；t为风力发电序列的序列号，t取[1,T]，T为风力发电序列的序列总数；
采用DBSCAN算法对各子集中具有相同天气类型的风力发电序列
Figure FDA0003683369500000013
进行聚类合并，根据聚类结果确定各子集下的典型日。
3.根据权利要求2所述的长短期结合的风力发电预测方法，其特征在于：所述天气类型包括阴、晴、多云、晴转多云、雨夹雪、雷阵雨、小雨、大雨、中雨、暴雨、大雪、小雪、中雪和冰雹共14种，天气类型总数J取14。
4.根据权利要求2所述的长短期结合的风力发电预测方法，其特征在于：所述DBSCAN算法用于找到样本点的全部密集区域，并把密集区域分别做为一个聚类簇，邻域半径R内样本点的数量大于等于minpoints的点记为核心点，不属于核心点但在某个核心点的邻域内的点记为边界点；既不是核心点也不是边界点的记为噪声点；所述DBSCAN算法包括如下两个步骤：
步骤1：寻找核心点形成临时聚类簇；
扫描全部样本点，如果某个样本点R半径范围内点数目大于等于MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇；
步骤2：合并临时聚类簇得到聚类簇；
对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇；
重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成为聚类簇；
继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理。
5.根据权利要求4所述的长短期结合的风力发电预测方法，其特征在于：所述邻域半径R取风机发电的额定功率的2％，最少点数目minpoints取10。
6.根据权利要求1所述的长短期结合的风力发电预测方法，其特征在于：所述根据聚类结果确定各子集下的典型日的具体步骤包括：
读取聚类结果中包含天数最多的类，设其包含Z天，分别计算每天的累计功率X(z)＝[X1...XZ]，再对计算的累计功率X(z)从小到大排序，选择中位数对应的风力发电序列作为季节为sea、天气类型为j的典型日功率序列Psea,j typ(t)，即典型日风力发电序列；其中，第z天的累计功率X(z)的计算公式如下：
Figure FDA0003683369500000021
式中，Pz(t)为第z天的风力发电序列，z取值为[1,Z]。
7.根据权利要求1所述的长短期结合的风力发电预测方法，其特征在于：所述对预测日的风力发电序列进行预测的具体步骤包括：
按下式求取预测日对应的典型日风力发电序列与最近一周内各天的风力发电序列相似度：
Figure FDA0003683369500000022
式中，Pcc(n)为预测日对应的典型日风力发电序列与最近一周内第n天的风力发电序列相似度，n的取值为1到7；Pwek,n(t)为最近一周内第n天的风力发电序列；Psea,j typ(t)为预测日对应的典型日风力发电序列；
选择Pcc(n)中最大的三个值对应的风力发电序列，并记为Ppcc,r(t)，r＝1,2,3，按下式对预测日的风力发电序列进行预测：
Figure FDA0003683369500000031
Figure FDA0003683369500000032
Figure FDA0003683369500000033
Figure FDA0003683369500000034
式中，Pnew1(t)为预测得到的预测日的风力发电序列；
Figure FDA0003683369500000037
为临近周修正系数，
Figure FDA0003683369500000035
的取值范围为[-1,1]；Pad(t)为基于Ppcc,r(t)计算出的预测日的风力发电序列；wr为Ppcc,r(t)对应的权重，dr为Pcc(n)中最大的三个值对应的风力发电序列分别与预测日对应的典型日风力发电序列Psea,j typ(t)的距离。
8.根据权利要求1所述的长短期结合的风力发电预测方法，其特征在于：所述对预测得到的预测日的风力发电序列进行修正的具体步骤如下：
获取预测日实际实时发电序列，求取预测得到的预测日的风力发电序列与实际实时发电序列的累计偏差Δ，所述累积偏差Δ的计算公式如下：
Figure FDA0003683369500000036
式中，Δ为预测得到的预测日的风力发电序列与实际实时发电序列的累计偏差；Preal(t)为预测日的实际实时发电序列，t的取值范围为[1,L]，L为预测日已实际发电的最大时间序列，L＜T；Pnew1(t)为预测得到的预测日的风力发电序列；
若累计偏差Δ小于设定阈值τ，则预测得到的预测日的风力发电序列保持不变；
若累积偏差Δ超过设定阈值τ，则基于所计算的累积偏差修正预测得到的预测日的风力发电序列，得到修正后的预测日的风力发电序列Pnew2(t)，修正公式如下：
Figure FDA0003683369500000041
式中，Pnew2(t)为修正后的预测日的风力发电序列，t的取值范围为[L,T]；τ取风力发电机额定功率的1％。
CN202210639816.3A 2022-06-08 2022-06-08 一种长短期结合的风力发电预测方法 Pending CN114881363A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210639816.3A CN114881363A (zh) 2022-06-08 2022-06-08 一种长短期结合的风力发电预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210639816.3A CN114881363A (zh) 2022-06-08 2022-06-08 一种长短期结合的风力发电预测方法

Publications (1)

Publication Number Publication Date
CN114881363A true CN114881363A (zh) 2022-08-09

Family

ID=82678928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210639816.3A Pending CN114881363A (zh) 2022-06-08 2022-06-08 一种长短期结合的风力发电预测方法

Country Status (1)

Country Link
CN (1) CN114881363A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170336534A1 (en) * 2016-05-19 2017-11-23 The Catholic University Of America System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法
CN108205717A (zh) * 2017-12-30 2018-06-26 国网江苏省电力公司无锡供电公司 一种光伏发电功率多时间尺度预测方法
CN113705086A (zh) * 2021-08-05 2021-11-26 陶帝文 一种基于Elman误差修正的超短期风电功率预测方法
CN114444378A (zh) * 2021-12-27 2022-05-06 上海电力大学 一种区域风电集群的短期功率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170336534A1 (en) * 2016-05-19 2017-11-23 The Catholic University Of America System and methods for improving the accuracy of solar energy and wind energy forecasts for an electric utility grid
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法
CN108205717A (zh) * 2017-12-30 2018-06-26 国网江苏省电力公司无锡供电公司 一种光伏发电功率多时间尺度预测方法
CN113705086A (zh) * 2021-08-05 2021-11-26 陶帝文 一种基于Elman误差修正的超短期风电功率预测方法
CN114444378A (zh) * 2021-12-27 2022-05-06 上海电力大学 一种区域风电集群的短期功率预测方法

Similar Documents

Publication Publication Date Title
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN108388956B (zh) 考虑辐射衰减的光伏功率预测方法
CN103390202B (zh) 一种基于相似数据选取的光伏电站输出功率预测方法
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN110111003A (zh) 一种基于改进fcm聚类算法的新能源典型场景构建方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN111525552B (zh) 一种基于特征信息的三阶段短期风电场群功率预测方法
WO2023201552A1 (en) County-wide photovoltaic prediction method based on cluster division and data enhancement
CN112508246B (zh) 一种基于相似日的光伏发电功率预测方法
CN106786791B (zh) 一种风电出力场景的生成方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN115441447B (zh) 一种新能源发电功率预测方法
CN111092451A (zh) 一种基于配电网网格的光伏消纳预警方法
CN114336762A (zh) 风光发电及电网负荷波动日前调度储能配置优化方法
CN110112779B (zh) 基于多状态概率分布的电采暖消纳风电测算模型
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法
CN110991747A (zh) 一种计及风电场功率的短期负荷预测方法
CN110729767A (zh) 一种含水电的地区电网风光容量优化配置方法
CN114243696A (zh) 光伏发电典型日光伏出力的大概率场景生成方法
CN117574197A (zh) 基于数据驱动的光伏电站集群划分方法
CN114881363A (zh) 一种长短期结合的风力发电预测方法
CN109274124B (zh) 基于场景马尔科夫法的风电就地消纳能力预测方法
CN118278783B (zh) 梯级水光互补发电系统优化调度方法、装置、设备及介质
CN115189421B (zh) 基于光伏电站出力特性分析的晴空日判定方法
CN117291299B (zh) 一种考虑多种影响因素的月度电量预测方法

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