CN115310648A - 一种基于多气象变量模型识别的中长期风电功率组合预测方法 - Google Patents
一种基于多气象变量模型识别的中长期风电功率组合预测方法 Download PDFInfo
- Publication number
- CN115310648A CN115310648A CN202210142363.3A CN202210142363A CN115310648A CN 115310648 A CN115310648 A CN 115310648A CN 202210142363 A CN202210142363 A CN 202210142363A CN 115310648 A CN115310648 A CN 115310648A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- wind
- wind speed
- nwp
- 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 110
- 230000008569 process Effects 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010835 comparative analysis Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000001105 regulatory 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
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (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
本发明公开了一种基于多气象变量模型识别的中长期风电功率组合预测方法,包括:读取风电场a的历史数据和NWP中的多种气象因素的数据;采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;风速空间相关性分析得到风电场a在t时刻的风电功率P3和P4;建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;进行模型评价分析。还公开了对应的系统、电子设备和计算机可读存储介质。
Description
技术领域
本发明涉及新能源发电功率预测技术领域,尤其涉及一种基于多气象变量模型识别的中长期风电功率组合预测方法、系统和电子设备。
背景技术
新能源的开发与利用是实现社会可持续发展的要求,风力发电因其自身所特有的优越性比较成为新能源发电的重要形式,在风力发电中准确地预测风力发电功率,特别是在特殊气象组合条件下的发电功率至关重要。
风电功率常用的统计学预测方法有时间序列分析(time series analysis,TSA)方法、人工神经网络(artificial neutral network,ANN)方法和支持向量机(supportvector machine,SVM)邓,具有建模简单、计算迅速的优点。现有技术还包括:计入风速的时序性,研究ANN方法对于风电功率预测的准确度;基于改进Elman神经网络的风电功率预测方法,有效改善预测精度。上述方法均采用历史数据,无法适用于较长时间尺度的预测,且未考虑地理位置和地形对风电场的影响,将会影响模型的适用性。基于数值天气预报(numerical weather prediction,NWP)的风速、风向等气象数据,并结合风速-功率曲线间接性预测风电功率的物理方法,可以改善统计学方法数据不足的问题。现有技术还有采用NWP数据,同时考虑尾流效应的影响进行风电功率预测,有效改善预测效果。利用流场预计算模型对不同流场进行计算,构成流场特性数据库,并将NWP作为输入,对风速进行预测,在提高精度的同时减少预测时长。
当仅使用单个风电场数据时,可能会存在数据缺乏或信息获取不及时等问题,从而降低预测效率,而使用相邻风电场的数据,挖掘出其风速之间的空间相关性,可以避免这个问题。空间相关性方法是利用相邻风电场的气象信息对目标风电场进行预测;利用空间相关性,对风电场异常数据识别并进行测试,较好体现了地理位置对风电功率的影响。基于空间相关性方法的预测模型,在一定程度上可以解决由风速突变引起的精度较低的问题。
为改进单一统计学或物理模型在风电功率预测方面的局限性,提高准确性与实用性,将小波基函数加入到ANN的神经元节点中,并结合空间相关性进行风电功率预测;同时为解决NWP不准确性带来的预测精度问题,将改进后的NWP作为ANN的输入,预测精度进一步提升,但是所应用的统计学方法,如ANN方法存在收敛速度较慢,容易陷入局部最优的缺点,且均没有同时考虑风电预测的时序性、空间性与NWP的不准确性因素。
发明内容
为了解决现有技术中存在的问题,本发明提供了如下技术方案,计及NWP的风速偏差修正和相邻风电场区域的风速空间相关性,采用基于多气象变量模型识别的高斯过程下的组合加权风电功率组合预测方法,其中,考虑风向、温度、湿度、气压等多种气象因素,通过自动相关判定(automatic relevance determination,ARD)算法筛选关键因素,建立基于NWP的风速偏差修正模型,提高模型的泛化能力。同时,考虑空间地理位置和地形对风速的影响,分析上、下相邻风电场的风速时间序列数据,求解相关性最强的时间差,建立风速空间相关性模型。进一步建立基于上述模型的组合加权预测模型,并通过拉格朗日乘子法求得权值系数,从而将NWP气象数据偏差修正法和空间相关性模型有效结合,实现风电功率预测。
本发明一方面提供了一种基于多气象变量模型识别的中长期风电功率组合预测方法,包括:
步骤1,读取风电场a的历史数据和NWP中的风速、风向、温度、气压、湿度多种气象因素的数据;
步骤2,在NWP数据中,不同因素对风电功率预测的影响程度不同,采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;
步骤3,利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;
步骤4,风速空间相关性分析,分别计算风电场b1和风电场b2与风电场a的皮尔逊空间相关系数以及其相应的延迟时间Δt,选取相关系数最大的点作为最佳延迟时间;分别通过风电场b1和b2的历史风速预测风电场a在t时刻的风速v3和v4;加入风电场a在t时刻的其他气象因素,包括风向、温度、气压、湿度,建立多维预测模型,得到风电场a在t时刻的风电功率P3和P4;
步骤5,建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;
步骤6,分别求解基于NWP预测模型、2个空间相关性预测模型和结合上述模型的组合加权预测模型的标准均方根误差,平均绝对百分比误差和标准平均绝对误差3个误差评价指标,并进行对比分析,得到误差精度最小的风电功率预测值。
优选的,所述步骤2所述建立基于高斯过程的预测模型包括使用高斯回归过程进行风电功率预测,包括:
步骤21,输入风电场各个因素的历史监测数据以及NWP给定的各个气象因素的预测值;
步骤22,确定预测模型的训练集数据和测试集数据;
步骤23,考虑不同情况,选择对应的核函数,基于平方协方差函数,并利用所选取训练集的输入、输出数据,求得核函数的超参数;
步骤24,采用训练好的高斯模型,对测试集进行风电功率预测,并根据预测值与实际值,求得相应得误差评价指标,对比分析,从而判断预测方法的准确性。
优选的,所述建立基于高斯过程的预测模型包括:
设置输入集X,输出集y,输入集和输出集的组合d={X,y}作为高斯回归预测过程的训练集,待预测函数为f(x),服从高斯分布,其表达式为:
f(x)~N(m(x),k(x,x′)) (1)
式中,x,x∈′R为X中的任意随机变量;m(x)表示均值函数,表达式如式(2)所示;k(x,x′)表示协方差函数,表达式如式(3)所示;
m(x)=E(f(x)) (2)
k(x,x′)=E{(f(x)-m(x))(f(x′)-m(x′))} (3);
式中,E(·)表示期望函数;
假设d为训练集,由n个观测值组成,在高斯过程中,目标输出一般包含高斯白噪声,服从均值为0,方差一定的高斯分布,加入高斯白噪声的含噪序列也服从高斯分布;训练集的输出y和预测值f*的联合鲜艳分布为高斯过程;在新输入值给定后,新输出值y*的后验概率分布如式(4)所示:
根据联合高斯分布原理,获得基于高斯过程进行预测的结果的均值和协方差分别为式(5)和式(6):
cov(f*)=K(x*,x*)-(K*)T(K+ζ2I)-1K* (6);
式中K为高斯过程的核函数,使用标准的基于非线性梯度的优化算法可以最大化此函数。
优选的,所述ARD算法包括:
将协方差函数表示为式(8):
优选的,所述步骤3的所述风速修正模型建立包括:
步骤31,建立基于NWP的多气象变量风电功率预测模型:NWP根据大气实际情况,对描述天气流体力学和热力学的方程组进行求解,从而预测未来的天气现象,包括采用全球天气预报信息模型,包含风速、风向、温度、湿度和气压多气象变量。
步骤32,建立基于NWP的风速修正模型:将NWP的风速预测结果与实测的风速结果之间建立一个风速修正模型,从而提高风速预测的准确性,包括:
步骤321:基于ARD算法筛选出NWP的气象数据中对风速影响最大的因素作为所述基于NWP的风速修正模型的输入;
步骤322:将风速作为所述基于NWP的风速修正模型的输入,基于高斯过程进行建模,得到修正之后的风速数据,修正后的NWP风速将更接近实际风速。
优选的,所述步骤4包括:
步骤41,确定空间相关性方法:选择的待预测目标的风电场区域量测点命名为a,相邻风电场的区域量测点命名为b1,b2和b3,所选取的某区域量测点附近的风速曲线形态变化情况具有一定的相似性和延时性,即存在空间相关性,风电场之间的风速关系为:
步骤42,确定风速时间序列的空间相关性:选取皮尔逊相关性系数ηv作为判断不同风电场的相关性指标,范围为[-1,1],计算公式如式(11)所示:
式中:N为风速相关性分析样本个数;
相关系数越接近1,正相关性越强;根据同一时间间隔,将相邻风电场的历史风速数据进行分组,分别求取不同时间差的皮尔逊相关系数,取相关系数极大值的点作为最佳时间差,从而获取相邻风电场之间空间相关性较高的历史风速数据。
优选的,所述步骤5包括:
步骤51,建立组合加权基础预测模型:不同预测模型对预测值的贡献程度不同,根据贡献程度的大小进行加权处理。假设有h种风电功率预测模型,预测的功率分别为P1,P2,…,Ph,对应的权值系数为β1,β2,…,βh,组合加权预测模型的表达式为:
步骤52,获得权值系数形成最终的组合加权预测模型:各个预测方法中风电功率的误差为ε1,ε2,…,εh,并求出方差ζ1,ζ2,…,ζh,组合模型在进行权值分配时以最小化预测方差和σ为目标函数,满足:
式中:cov(βmεm,βjεj)表示各个预测方法误差相互之间的协方差;
通过拉格朗日法求出预测误差方差的最小值,从而求出组合加权模型中的各个权值系数。引入拉格朗日函数为:
分别对βm和拉格朗日乘子λ求偏导数,令其偏导数为零,,求得权重系数β1,β2,…,βh。
本发明的第二方面,提供一种基于多气象变量模型识别的中长期风电功率组合预测系统,包括:
数据读取模块,用于读取风电场a的历史数据和NWP中的风速、风向、温度、气压、湿度多种气象因素的数据;
高斯预测模型建立模块,用于在NWP数据中,不同因素对风电功率预测的影响程度不同,采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;
风速修正模型建立模块,用于利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;
风速空间相关性分析模块,用于进行风速空间相关性分析,分别计算风电场b1和风电场b2与风电场a的皮尔逊空间相关系数以及其相应的延迟时间Δt,选取相关系数最大的点作为最佳延迟时间;分别通过风电场b1和b2的历史风速预测风电场a在t时刻的风速v3和v4;加入风电场a在t时刻的其他气象因素,包括风向、温度、气压、湿度,建立多维预测模型,得到风电场a在t时刻的风电功率P3和P4;
组合加权风电预测模型建立模块,用于建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;
中长期风电功率组合预测模块,用于分别求解基于NWP预测模型、2个空间相关性预测模型和上述模型的组合加权预测模型的标准均方根误差,平均绝对百分比误差和标准平均绝对误差3个误差评价指标,并进行对比分析,得到误差精度最小的风电功率预测值。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明具有如下有益效果:
计及NWP的风速偏差修正和相邻风电场区域的风速空间相关性,采用基于多气象变量模型识别的高斯过程下的组合加权风电功率组合预测方法,其中,考虑风向、温度、湿度、气压等多种气象因素,通过自动相关判定(automatic relevance determination,ARD)算法筛选关键因素,建立基于NWP的风速偏差修正模型,提高模型的泛化能力。同时,考虑空间地理位置和地形对风速的影响,分析上、下相邻风电场的风速时间序列数据,求解相关性最强的时间差,建立风速空间相关性模型。进一步建立基于上述模型的组合加权预测模型,并通过拉格朗日乘子法求得权值系数,从而将NWP气象数据偏差修正法和空间相关性模型有效结合,实现风电功率预测。
附图说明
图1为本发明所述方法流程示意图。
图2为本发明提供的电子设备实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,该终端可以包括一个或多个如下部件:处理器、存储器和显示屏。其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
如图1所示,本实施例提供了一种基于多气象变量模型识别的中长期风电功率组合预测方法,包括:
步骤1,读取风电场a的历史数据和NWP中的风速、风向、温度、气压、湿度等多种气象因素的数据;
步骤2,在NWP数据中,不同因素对风电功率预测的影响程度不同,采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;
步骤3,利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;
步骤4,风速空间相关性分析,分别计算风电场b1和风电场b2与风电场a的皮尔逊空间相关系数以及其相应的延迟时间Δt,选取相关系数最大的点作为最佳延迟时间;分别通过风电场b1和b2的历史风速预测风电场a在t时刻的风速v3和v4;加入风电场a在t时刻的其他气象因素,包括风向、温度、气压、湿度,建立多维预测模型,得到风电场a在t时刻的风电功率P3和P4;
步骤5,建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;
步骤6,分别求解基于NWP预测模型、2个空间相关性预测模型和结合上述模型的组合加权预测模型的标准均方根误差(NRMSE),平均绝对百分比误差(MAPE)和标准平均绝对误差(NMAE)这3个误差评价指标,并进行对比分析,得到误差精度最小的风电功率预测值。
作为优选的实施方式,所述步骤2所述建立基于高斯过程的预测模型包括使用高斯回归过程进行风电功率预测,包括:
步骤21,输入风电场各个因素的历史监测数据以及NWP给定的各个气象因素的预测值;
步骤22,确定预测模型的训练集数据和测试集数据;
步骤23,考虑不同情况,选择对应的核函数,基于平方协方差函数,并利用所选取训练集的输入、输出数据,求得核函数的超参数;
步骤24,采用训练好的高斯模型,对测试集进行风电功率预测,并根据预测值与实际值,求得相应得误差评价指标,对比分析,从而判断预测方法的准确性。
作为优选的实施方式,所述建立基于高斯过程的预测模型包括:
高斯过程是建立在以贝叶斯理论为基础的一种无参数及其学习算法,能自适应的求取其最优超参数、预测结果及其置信区间,具有训练速度快、适合处理高维数、非线性等复杂数据的优点。
设置输入集X,输出集y,输入集和输出集的组合d={X,y}作为高斯回归预测过程的训练集,待预测函数为f(x),服从高斯分布,其表达式为:
f(x)~N(m(x),k(x,x′)) (1)
式中,x,x′∈R为X中的任意随机变量;m(x)表示均值函数,表达式如式(2)所示;k(x,x′)表示协方差函数,表达式如式(3)所示。
m(x)=E(f(x)) (2)
k(x,x′)=E{(f(x)-m(x))(f(x′)-m(x′))} (3);
式中,E(·)表示期望函数。
假设d为训练集,由n个观测值组成,在高斯过程中,目标输出一般包含高斯白噪声,服从均值为0,方差一定的高斯分布,加入高斯白噪声的含噪序列也服从高斯分布。训练集的输出y和预测值f*的联合鲜艳分布为高斯过程。在新输入值给定后,新输出值y*的后验概率分布如式(4)所示。
根据联合高斯分布原理,获得基于高斯过程进行预测的结果的均值和协方差分别为式(5)和式(6):
cov(f*)=K(x*,x*)-(K*)T(K+ζ2I)-1K* (6);
式中K为高斯过程的核函数,使用标准的基于非线性梯度的优化算法可以最大化此函数。
作为优选的实施方式,所述ARD算法包括:实际上,高斯过程协方差函数中的超参数是未知的,是从观察到的数据中推断出的,其超参数的学习通过极大似然估计算法完成,如式(7)所示。
最大似然函数可以确定高斯过程中的参数值,通过为每个输入变量合并一个单独的长度比例参数来进行扩展,可以从观察到的数据中推断出不同输入的相对重要性,采用ARD算法,将协方差函数表示为式(8):
作为优选的实施方式,所述步骤3的所述风速修正模型建立包括:
步骤31,建立基于NWP的多气象变量风电功率预测模型:利用历史数据对风电功率进行预测的时间尺度一般在12h以内,而基于NWP的风电功率预测,可以减小对风电场历史数据的依赖性,增大预测的时间尺度;NWP根据大气实际情况,对描述天气流体力学和热力学的方程组进行求解,从而预测未来的天气现象,包括采用全球天气预报信息模型,包含风速、风向、温度、湿度和气压多气象变量。
步骤32,建立基于NWP的风速修正模型:NWP数据的质量在很大程度上影响着风电功率预测的准确性,然而天气系统式不稳定的动力系统,与真实值有一定的偏差;同时许多风电场与气象台站距离较远,获取的数据与当地实际值存在一定偏差。因此将NWP的风速预测结果与实测的风速结果之间建立一个风速修正模型,从而提高风速预测的准确性,包括:
步骤321:基于ARD算法筛选出NWP的气象数据中对风速影响最大的因素作为所述基于NWP的风速修正模型的输入;
步骤322:将风速作为所述基于NWP的风速修正模型的输入,基于高斯过程进行建模,得到修正之后的风速数据,修正后的NWP风速将更接近实际风速。
作为优选的实施方式,所述步骤4包括:
步骤41,确定空间相关性方法:目标风电场与周边地区的风速信息存在一定的空间相关性,选取何时的相邻风电场进行空间相关性风电功率预测,能够有效提高风电功率预测的准确性。且当目标风电场的数据缺失时,可以利用相邻风场的数据对目标风电场进行预测,同时依靠自身很难反应由于地理位置和地形造成的风速突变对预测的影响,利用相邻地区数据进行预测以解决该技术问题。本实施例选择的待预测目标的风电场区域量测点命名为a,相邻风电场的区域量测点命名为b1,b2和b3,所选取的某区域量测点附近的风速曲线形态变化情况具有一定的相似性和延时性,即存在空间相关性。风电场之间的风速关系为:
步骤42,确定风速时间序列的空间相关性:空间相关性分析中,将待预测风电场与周边风电场的大量历史风速数据进行预处理,选取空间相关性较强的风电场数据作为训练样本。选取皮尔逊相关性系数ηv作为判断不同风电场的相关性指标,范围为[-1,1],计算公式如式(11)所示:
式中:N为风速相关性分析样本个数。
相关系数越接近1,正相关性越强。根据同一时间间隔,将相邻风电场的历史风速数据进行分组,分别求取不同时间差的皮尔逊相关系数,取相关系数极大值的点作为最佳时间差,从而获取相邻风电场之间空间相关性较高的历史风速数据。
作为优选的实施方式,所述步骤5包括:
步骤51,建立组合加权基础预测模型:不同预测模型对预测值的贡献程度不同,根据贡献程度的大小进行加权处理。假设有h种风电功率预测模型,预测的功率分别为P1,P2,…,Ph,对应的权值系数为β1,β2,…,βh,组合加权预测模型的表达式为:
步骤52,获得权值系数形成最终的组合加权预测模型:各个预测方法中风电功率的误差为ε1,ε2,…,εh,并求出方差ζ1,ζ2,…,ζh,组合模型在进行权值分配时以最小化预测方差和σ为目标函数,满足:
式中:cov(βmεm,βjεj)表示各个预测方法误差相互之间的协方差;
通过拉格朗日法求出预测误差方差的最小值,从而求出组合加权模型中的各个权值系数。引入拉格朗日函数为:
分别对βm和拉格朗日乘子λ求偏导数,令其偏导数为零,,求得权重系数β1,β2,…,βh。
本实施例还提供一种基于多气象变量模型识别的中长期风电功率组合预测系统,包括:
数据读取模块,用于读取风电场a的历史数据和NWP中的风速、风向、温度、气压、湿度多种气象因素的数据;
高斯预测模型建立模块,用于在NWP数据中,不同因素对风电功率预测的影响程度不同,采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;
风速修正模型建立模块,用于利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;
风速空间相关性分析模块,用于进行风速空间相关性分析,分别计算风电场b1和风电场b2与风电场a的皮尔逊空间相关系数以及其相应的延迟时间Δt,选取相关系数最大的点作为最佳延迟时间;分别通过风电场b1和b2的历史风速预测风电场a在t时刻的风速v3和v4;加入风电场a在t时刻的其他气象因素,包括风向、温度、气压、湿度,建立多维预测模型,得到风电场a在t时刻的风电功率P3和P4;
组合加权风电预测模型建立模块,用于建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;
中长期风电功率组合预测模块,用于分别求解基于NWP预测模型、2个空间相关性预测模型和结合上述模型的组合加权预测模型的标准均方根误差(NRMSE),平均绝对百分比误差(MAPE)和标准平均绝对误差(NMAE)这3个误差评价指标,并进行对比分析,得到误差精度最小的风电功率预测值。
本发明还提供了一种存储器,存储有多条指令,指令用于实现如实施例的方法。
如图2所示,本发明还提供了一种电子设备,包括处理器301和与处理器301连接的存储器302,存储器302存储有多条指令,指令可被处理器加载并执行,以使处理器能够执行如实施例的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多气象变量模型识别的中长期风电功率组合预测方法,其特征在于,包括:
步骤1,读取风电场a的历史数据和NWP中的风速、风向、温度、气压、湿度多种气象因素的数据;
步骤2,在NWP数据中,不同因素对风电功率预测的影响程度不同,采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;
步骤3,利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;
步骤4,风速空间相关性分析,分别计算风电场b1和风电场b2与风电场a的皮尔逊空间相关系数以及其相应的延迟时间Δt,选取相关系数最大的点作为最佳延迟时间;分别通过风电场b1和b2的历史风速预测风电场a在t时刻的风速v3和v4;加入风电场a在t时刻的其他气象因素,包括风向、温度、气压、湿度,建立多维预测模型,得到风电场a在t时刻的风电功率P3和P4;
步骤5,建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;
步骤6,分别求解基于NWP预测模型、2个空间相关性预测模型和结合上述模型的组合加权预测模型的标准均方根误差,平均绝对百分比误差和标准平均绝对误差3个误差评价指标,并进行对比分析,得到误差精度最小的风电功率预测值。
2.根据权利要求1所述的一种基于多气象变量模型识别的中长期风电功率组合预测方法,其特征在于,所述步骤2所述建立基于高斯过程的预测模型包括使用高斯回归过程进行风电功率预测,包括:
步骤21,输入风电场各个因素的历史监测数据以及NWP给定的各个气象因素的预测值;
步骤22,确定预测模型的训练集数据和测试集数据;
步骤23,考虑不同情况,选择对应的核函数,基于平方协方差函数,并利用所选取训练集的输入、输出数据,求得核函数的超参数;
步骤24,采用训练好的高斯模型,对测试集进行风电功率预测,并根据预测值与实际值,求得相应得误差评价指标,对比分析,从而判断预测方法的准确性。
3.根据权利要求2所述的一种基于多气象变量模型识别的中长期风电功率组合预测方法,其特征在于,所述建立基于高斯过程的预测模型包括:
设置输入集X,输出集y,输入集和输出集的组合d={X,y}作为高斯回归预测过程的训练集,待预测函数为f(x),服从高斯分布,其表达式为:
m(x)=E(f(x)) (2)
式中,E(·)表示期望函数;
假设d为训练集,由n个观测值组成,在高斯过程中,目标输出一般包含高斯白噪声,服从均值为0,方差一定的高斯分布,加入高斯白噪声的含噪序列也服从高斯分布;训练集的输出y和预测值f*的联合鲜艳分布为高斯过程;在新输入值给定后,新输出值y*的后验概率分布如式(4)所示:
根据联合高斯分布原理,获得基于高斯过程进行预测的结果的均值和协方差分别为式(5)和式(6):
cov(f*)=K(x*,x*)-(K*)T(K+ζ2I)-1K* (6);
式中K为高斯过程的核函数,使用标准的基于非线性梯度的优化算法可以最大化此函数。
5.根据权利要求1所述的一种基于多气象变量模型识别的中长期风电功率组合预测方法,其特征在于,所述步骤3的所述风速修正模型建立包括:
步骤31,建立基于NWP的多气象变量风电功率预测模型:NWP根据大气实际情况,对描述天气流体力学和热力学的方程组进行求解,从而预测未来的天气现象,包括采用全球天气预报信息模型,包含风速、风向、温度、湿度和气压多气象变量。
步骤32,建立基于NWP的风速修正模型:将NWP的风速预测结果与实测的风速结果之间建立一个风速修正模型,从而提高风速预测的准确性,包括:
步骤321:基于ARD算法筛选出NWP的气象数据中对风速影响最大的因素作为所述基于NWP的风速修正模型的输入;
步骤322:将风速作为所述基于NWP的风速修正模型的输入,基于高斯过程进行建模,得到修正之后的风速数据,修正后的NWP风速将更接近实际风速。
6.根据权利要求1所述的一种基于多气象变量模型识别的中长期风电功率组合预测方法,其特征在于,所述步骤4包括:
步骤41,确定空间相关性方法:选择的待预测目标的风电场区域量测点命名为a,相邻风电场的区域量测点命名为b1,b2和b3,所选取的某区域量测点附近的风速曲线形态变化情况具有一定的相似性和延时性,即存在空间相关性,风电场之间的风速关系为:
步骤42,确定风速时间序列的空间相关性:选取皮尔逊相关性系数ηv作为判断不同风电场的相关性指标,范围为[-1,1],计算公式如式(11)所示:
式中:N为风速相关性分析样本个数;
相关系数越接近1,正相关性越强;根据同一时间间隔,将相邻风电场的历史风速数据进行分组,分别求取不同时间差的皮尔逊相关系数,取相关系数极大值的点作为最佳时间差,从而获取相邻风电场之间空间相关性较高的历史风速数据。
7.根据权利要求1所述的一种基于多气象变量模型识别的中长期风电功率组合预测方法,其特征在于,所述步骤5包括:
步骤51,建立组合加权基础预测模型:不同预测模型对预测值的贡献程度不同,根据贡献程度的大小进行加权处理。假设有h种风电功率预测模型,预测的功率分别为P1,P2,…,Ph,对应的权值系数为β1,β2,…,βh,组合加权预测模型的表达式为:
步骤52,获得权值系数形成最终的组合加权预测模型:各个预测方法中风电功率的误差为ε1,ε2,…,εh,并求出方差ζ1,ζ2,…,ζh,组合模型在进行权值分配时以最小化预测方差和σ为目标函数,满足:
式中:cov(βmεm,βjεj)表示各个预测方法误差相互之间的协方差;
通过拉格朗日法求出预测误差方差的最小值,从而求出组合加权模型中的各个权值系数。引入拉格朗日函数为:
分别对βm和拉格朗日乘子λ求偏导数,令其偏导数为零,,求得权重系数β1,β2,…,βh。
8.一种实施权利要求1-7任一所述方法的基于多气象变量模型识别的中长期风电功率组合预测系统,其特征在于,包括:
数据读取模块,用于读取风电场a的历史数据和NWP中的风速、风向、温度、气压、湿度多种气象因素的数据;
高斯预测模型建立模块,用于在NWP数据中,不同因素对风电功率预测的影响程度不同,采用ARD算法筛选出NWP的气象数据中与风电功率的相关性较强的因素作为输入变量,建立基于高斯过程的预测模型,得到预测值P1;
风速修正模型建立模块,用于利用NWP风速预测数据与实际风速建立风速修正模型,利用修正后的NWP风速作为输入,再进行基于高斯过程的风电预测,得到预测结果P2;
风速空间相关性分析模块,用于进行风速空间相关性分析,分别计算风电场b1和风电场b2与风电场a的皮尔逊空间相关系数以及其相应的延迟时间Δt,选取相关系数最大的点作为最佳延迟时间;分别通过风电场b1和b2的历史风速预测风电场a在t时刻的风速v3和v4;加入风电场a在t时刻的其他气象因素,包括风向、温度、气压、湿度,建立多维预测模型,得到风电场a在t时刻的风电功率P3和P4;
组合加权风电预测模型建立模块,用于建立P2、P3和P4的组合模型,使用拉格朗日乘子法求解各种预测模型的权值系数,建立组合加权风电预测模型;
中长期风电功率组合预测模块,用于分别求解基于NWP预测模型、2个空间相关性预测模型和上述模型的组合加权预测模型的标准均方根误差,平均绝对百分比误差和标准平均绝对误差3个误差评价指标,并进行对比分析,得到误差精度最小的风电功率预测值。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210142363.3A CN115310648A (zh) | 2022-02-16 | 2022-02-16 | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210142363.3A CN115310648A (zh) | 2022-02-16 | 2022-02-16 | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310648A true CN115310648A (zh) | 2022-11-08 |
Family
ID=83855419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210142363.3A Pending CN115310648A (zh) | 2022-02-16 | 2022-02-16 | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310648A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195751A (zh) * | 2023-11-07 | 2023-12-08 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
CN118070685A (zh) * | 2024-04-22 | 2024-05-24 | 江西泰豪军工集团有限公司 | 一种隐身电站设计的优化方法及系统 |
-
2022
- 2022-02-16 CN CN202210142363.3A patent/CN115310648A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195751A (zh) * | 2023-11-07 | 2023-12-08 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
CN117195751B (zh) * | 2023-11-07 | 2024-03-15 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
CN118070685A (zh) * | 2024-04-22 | 2024-05-24 | 江西泰豪军工集团有限公司 | 一种隐身电站设计的优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Ezzat et al. | Spatio-temporal short-term wind forecast: A calibrated regime-switching method | |
Foley et al. | Current methods and advances in forecasting of wind power generation | |
CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN111553394B (zh) | 基于循环神经网络和关注机制的水库水位预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
CN109523077B (zh) | 一种风电功率预测方法 | |
Manoj et al. | FWS-DL: forecasting wind speed based on deep learning algorithms | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
SPäTH et al. | Time-consistent calibration of short-term regional wind power ensemble forecasts | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |