CN115423174A - 一种计及波动过程划分的短期风电功率预测方法 - Google Patents
一种计及波动过程划分的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN115423174A CN115423174A CN202211044880.3A CN202211044880A CN115423174A CN 115423174 A CN115423174 A CN 115423174A CN 202211044880 A CN202211044880 A CN 202211044880A CN 115423174 A CN115423174 A CN 115423174A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- power
- data
- value
- 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 58
- 230000008569 process Effects 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000001502 supplementing effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 241000039077 Copula Species 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009467 reduction 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
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
Abstract
本发明涉及风电技术领域,是一种计及波动过程划分的短期风电功率预测方法,其特点是:能够根据风机出力特性分析结果与风速‑功率物理转换模型,提取波动特征,进而提出一种针对风电功率预测改进的K均值聚类方法,并基于分类结果,建立不同波动过程下的异常数据处理模型及短期风电功率预测模型。经过仿真计算验证了本发明预测方法科学合理,预测过程简单,预测精度高、物理意义清晰,预测结果有效,实用性强。
Description
技术领域
本发明涉及风电功率预测技术领域,一种计及波动过程划分的短期风电功率预测方法。
背景技术
风能作为最具发展潜力的可再生能源,已经成为我国能源发展的重要方向。然而风能的时变性导致风力发电具有极强的不确定性,风电大规模并网运行将会严重威胁电力系统稳定性。因此提升风电功率预测精度就显得极为重要,电网调度部门可根据预测结果提前安排调度计划,避免风电并网造成的诸多不良影响,有效减少弃风限电的现象出现。
短期风电功率预测能为电力系统优化日发电计划及制定检修计划提供参考。风电功率短期预测方法多利用时序法或神经网络法构建气象信息(风速为最主要气象信息)与风电功率之间的非线性转换模型,再以数值天气预报(Numerical Weather Prediction,NWP)等预测时段的气象信息作为模型输入,从而进行风电功率预测。然而不同风速变化特征下风速-功率转换关系具有明显差异,单一的风速-功率转换模型难以精准的刻画风速与功率之间的非线性关系。
本发明根据风力发电原理详细分析了风速变化对风速-功率转换关系的影响,不同风速变化特征对应的风速-功率转换关系有着明显差异。基于上述理论,本发明计及风速变化特征,进行短期风电功率组合预测。
发明内容
本发明的目的是,克服现有技术的不足,提供一种计及波动过程划分的短期风电功率预测方法。
实现本发明目的采用的技术方案是:一种计及波动过程划分的短期风电功率预测方法,其特征在于:它包括以下步骤:
1)异常数据剔除与补齐:
首先,对风速进行滤波,如风速存在异常值点,则滤波误差大,再利用肖维勒法识别滤波误差异常值点,剔除对应的风速异常数据,其次,利用灰色关联法寻找与缺失数据上一时段的风速数据相关性最强的风电机组,并利用所述风电机组的同时段风速补齐缺失数据,若风电场内全部风电机组同时段均存在异常,则利用三次样条插值法补齐缺失数据,再次,利用Copula函数拟合风功率概率分布,并对可疑概率的异常值点进行识别与剔除,然后,利用灰色关联法寻找缺失数据同一时段的风速数据相关性最强的风电机组,并利用所述风电机组的同时段功率数据补齐缺失数据,若全部风电机组出力异常则利用支持向量机进行数据重构,最后利用各风电机组处理后的数据得到风电场风速及整场发电功率;
2)风速变化特征识别:
风速变化特征对功率的影响不仅与风速的变化趋势有关,还与风速的变化幅度有着密切的联系,风速的变化幅度越大,风电机组出力就越偏离标准值,
根据流体力学原理,风电机组实际输出机械功率PM与风速v的对应关系为:
其中,CP表示风能利用系数;vin表示机组切入风速;vn表示机组额定风速;vout表示机组切出风速;ρ表示空气密度;S表示叶轮扫掠面积;
当v<vin或v>vn时,风电机组输出功率为固定值,因此在这两段风速区间内不同风速变化特征对功率的影响并无差异,但对于风电场整场而言,由于风速具有空间分散性,v<vin时也会存在P>0的情况,因此设定小风时段上限vsmall_max应小于vin,同理,v>vn时也会有P<Pn的情况出现,对大风时段下限vlarge_min的设定应大于vn;
Δvi=vi-vi-1 (2)
采用设计改进的K均值聚类算法对风速变化特征进行识别:
①初始聚类中心的选择
i.基于风速变化特征识别结果存在“波动”,需要对不同升降幅度的变化特征解析,因此设置(vw,0)为第一个初始聚类中心X1,其中vw为对风速样本概率分布拟合的威布尔函数顶点对应风速值;
ii.计算任意两个聚类样本xi和xj之间的欧式距离dij,并将距离最大的两个样本点作为第二、三个初始聚类中心,由于向量vi和向量相比数值小,因此距离最远的两个样本点对应向量为一正值和一负值,选取为正时的样本点作为X2,为负时的样本点作为X3,其中dij计算公式为:
iii.在剩余的聚类样本中,选取为正时与X1、X2距离乘积最大的样本点作为X4;选取为负时与X1、X3距离乘积最大的样本点作为X5;依次推出剩余(K-5)个初始聚类中心,为保持风速变化特征识别的对称性,设定K值只能为奇数;
②最优K值的选取
Elbow法是判定最优聚类数目K的有效手段,当K值小于最优聚类数目时,随着K值的增加,各类别内的样本相似度迅速提升,SSE大幅下降,但随着K值增大,SSE下降幅度逐渐减小,其变化曲线类似于手肘的形状,最优聚类数目K就是肘部对应的K值,其中误差平方和SSE的表达式为:
因风速-功率转换特性能通过风速-功率散点分布得以体现,在以二维向量进行K-means聚类后,将与风速vi对应的同时序功率数据Pi按聚类结果进行划分,构建n组二维向量(vi,Pi),并利用公式(5)计算其SSE;
基于改进K均值聚类算法的风速变化特征识别为:
3)基于极限学习机的短期风电功率预测模型:
极限学习机(Extreme Learning Machine,ELM)能够随机生成初始权值及隐含层节点参数,并利用最小二乘法计算其输出层的权值,但为获得最优解,ELM神经网络需要调节隐含层神经元个数,
如有N组训练样本(xi,ti),其中输入向量xi=[xi1,xi2,…,xin]T∈Rn,输出向量ti=[ti1,ti2,…,tim]∈Rm,则据有L个隐藏节点,激活函数为g(xi)的ELM神经网络模型记为:
其中βi为输出层节点权重;ωi为输入层节点权重;bi为第i个隐藏层节点偏置;yj为网络最终输出,N代表样本数量,
ELM神经网络的训练目标是得到最小输出误差,即:
其中ti代表样本i训练过程中的期望;
由公式(6)、(7)可知ELM神经网络的目标函数为:
若以H代表隐含层输出矩阵,则公式(8)的矩阵形式表示为:
βH=T (9)
ELM神经网络在训练时维持H不变,β可通过求解下式的最小二乘解求得:
min||βH-T|| (10)
其中H+为H的Moore-Penrose广义逆矩阵,以ELM作为预测器,得出短期风电功率预测结果。
本发明提出的一种计及波动过程划分的短期风电功率预测方法,根据风机出力特性分析结果与风速-功率物理转换模型,提取波动特征,进而提出一种针对风电功率预测改进的K均值聚类方法,并基于分类结果,建立不同波动过程下的异常数据处理模型及短期风电功率预测模型。经过仿真计算验证了本发明预测方法科学合理,预测过程简单,预测精度高、物理意义清晰,预测结果有效,实用性强。
附图说明
图1异常数据剔除与补齐流程方框图;
图2ELM基本结构示意图;
图3风速变化特征识别结果曲线图;
图4风速-功率散点曲线图;
图5风电功率预测结果曲线图;
图6风电功率组合预测结果方框图。
具体实施方式
下面结合附图和具体实施例,对本发明的一种计及波动过程划分的短期风电功率预测方法做进一步描述。
结合图1-图6,本发明的一种计及波动过程划分的短期风电功率预测方法,包括以下步骤:
1)异常数据剔除与补齐:
如图1所示,首先,对风速进行滤波,如风速存在异常值点,则滤波误差大,再利用肖维勒法识别滤波误差异常值点,剔除对应的风速异常数据,其次,利用灰色关联法寻找与缺失数据上一时段的风速数据相关性最强的风电机组,并利用所述风电机组的同时段风速补齐缺失数据,若风电场内全部风电机组同时段均存在异常,则利用三次样条插值法补齐缺失数据,再次,利用Copula函数拟合风功率概率分布,并对可疑概率的异常值点进行识别与剔除,然后,利用灰色关联法寻找缺失数据同一时段的风速数据相关性最强的风电机组,并利用所述风电机组的同时段功率数据补齐缺失数据,若全部风电机组出力异常则利用支持向量机进行数据重构,最后利用各风电机组处理后的数据得到风电场风速及整场发电功率。
2)风速变化特征识别:
风速变化特征对功率的影响不仅与风速的变化趋势有关,还与风速的变化幅度有着密切的联系,风速的变化幅度越大,风电机组出力就越偏离标准值。
根据流体力学原理,风电机组实际输出机械功率PM与风速v的对应关系为:
其中,CP表示风能利用系数;vin表示机组切入风速;vn表示机组额定风速;vout表示机组切出风速;ρ表示空气密度;S表示叶轮扫掠面积。
当v<vin或v>vn时,风电机组输出功率为固定值,因此在这两段风速区间内不同风速变化特征对功率的影响并无差异,但对于风电场整场而言,由于风速具有空间分散性,v<vin时也会存在P>0的情况,因此设定小风时段上限vsmall_max应小于vin,同理,v>vn时也会有P<Pn的情况出现,对大风时段下限vlarge_min的设定应大于vn。
Δvi=vi-vi-1 (13)
采用设计改进的K均值聚类算法对风速变化特征进行识别:
③初始聚类中心的选择
i.基于风速变化特征识别结果存在“波动”,需要对不同升降幅度的变化特征解析,因此设置(vw,0)为第一个初始聚类中心X1,其中vw为对风速样本概率分布拟合的威布尔函数顶点对应风速值;
ii.计算任意两个聚类样本xi和xj之间的欧式距离dij,并将距离最大的两个样本点作为第二、三个初始聚类中心,由于向量vi和向量相比数值小,因此距离最远的两个样本点对应向量为一正值和一负值,选取为正时的样本点作为X2,为负时的样本点作为X3,其中dij计算公式为:
iii.在剩余的聚类样本中,选取为正时与X1、X2距离乘积最大的样本点作为X4;选取为负时与X1、X3距离乘积最大的样本点作为X5;依次推出剩余(K-5)个初始聚类中心,为保持风速变化特征识别的对称性,设定K值只能为奇数。
④最优K值的选取
Elbow法是判定最优聚类数目K的有效手段,当K值小于最优聚类数目时,随着K值的增加,各类别内的样本相似度迅速提升,SSE大幅下降,但随着K值增大,SSE下降幅度逐渐减小,其变化曲线类似于手肘的形状,最优聚类数目K就是肘部对应的K值,其中误差平方和SSE的表达式为:
因风速-功率转换特性能通过风速-功率散点分布得以体现,在以二维向量进行K-means聚类后,将与风速vi对应的同时序功率数据Pi按聚类结果进行划分,构建n组二维向量(vi,Pi),并利用公式(5)计算其SSE。
基于改进K均值聚类算法的风速变化特征识别为:
3)基于极限学习机的短期风电功率预测模型:
如图2所示,极限学习机(Extreme Learning Machine,ELM)在预测领域得到广泛应用,其能够随机生成初始权值及隐含层节点参数,并利用最小二乘法计算其输出层的权值,这消除了传统神将网络确定网络参数时的迭代过程,极大缩短了调节网络参数的时间,增加了学习速度,并有效避免陷入局部最优解的情况出现。但为获得最优解,ELM神经网络需要调节隐含层神经元个数。
如有N组训练样本(xi,ti),其中输入向量xi=[xi1,xi2,…,xin]T∈Rn,输出向量ti=[ti1,ti2,…,tim]∈Rm,则据有L个隐藏节点,激活函数为g(xi)的ELM神经网络模型记为:
其中βi为输出层节点权重;ωi为输入层节点权重;bi为第i个隐藏层节点偏置;yj为网络最终输出,N代表样本数量。
ELM神经网络的训练目标是得到最小输出误差,即:
其中ti代表样本i训练过程中的期望。
由公式(6)、(7)可知ELM神经网络的目标函数为:
若以H代表隐含层输出矩阵,则公式(8)的矩阵形式表示为:
βH=T (20)
ELM神经网络在训练时维持H不变,β可通过求解下式的最小二乘解求得:
min||βH-T|| (21)
其中H+为H的Moore-Penrose广义逆矩阵,以ELM作为预测器,得出短期风电功率预测结果。
(4)仿真计算
如图6所示,为了探究风速变化特征识别对短期风电功率预测的影响,在某装机容量为250MW的风电场进行仿真实验分析,数据分辨率为15分钟。基于改进的K均值聚类算法将风速按变化特征分为小风波动、中风波动、大风波动、小幅上升、小幅下降、中幅上升、中幅下降、大幅上升、大幅下降共九类。对各类波动经数据异常处理后。采用ELM对各类风速波动下场景进行短期预测建模,并将各子模型得出的预测结果在时序上进行重构,得出最终预测结果。依据均方根误差(RMSE)和平均绝对误差(MAE)对预测结果进行评价分析。
具体算例分析
如图3所示,将风速按变化特征分为小风波动、中风波动、大风波动、小幅上升、小幅下降、中幅上升、中幅下降、大幅上升、大幅下降共九类。图4给出了按风速变化特征识别结果进行数据集划分后,不同风速变化特征对应的风速-功率散点图。从图中可明显看出不同风速特征对应的散点分布位置差异明显,即可理解为不同风速变化特征下风速-功率转换关系差异显著。
基础预测模型为ELM神经网络,同时将BP神经网络作为对比模型。各模型预测结果取10次均值,神经元个数从5逐渐递增至50,展示最优结果。综合上文分析,对各风速波动特征数据分别建立预测模型,对各风速升降特征数据添加特征值向量作为预测模型输入,将最终预测结果按时序重新组合。改进后的组合预测模型分别记为G-ELM和G-BP,并与单一预测模型ELM和BP进行预测结果对比分析。图5给出了某日预测结果,从图中能明显看出组合预测模型较单一预测模型更贴近真实值。
表1给出了各预测时段的风电功率预测误差分析结果。由表可知,6月和9月预测精度较高,G-ELM的RMSE较ELM降低了0.86%与0.89%,MAE降低了0.76%与1.08%。同时G-BP预测精度较BP也有明显改善。3月和12月预测精度偏低,G-ELM的RMSE较ELM降低了0.44%与0.26%,MAE降低了0.44%与0.3%。G-BP预测精度并未得到明显提升,但MAE降低了0.33%与0.21%。总体而言本发明所提方法能明显改善风电功率预测精度。
表1风电功率预测误差统计情况
本发明具体实施方式并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。
Claims (1)
1.一种计及波动过程划分的短期风电功率预测方法,其特征在于:它包括以下步骤:
1)异常数据剔除与补齐:
首先,对风速进行滤波,如风速存在异常值点,则滤波误差大,再利用肖维勒法识别滤波误差异常值点,剔除对应的风速异常数据,其次,利用灰色关联法寻找与缺失数据上一时段的风速数据相关性最强的风电机组,并利用所述风电机组的同时段风速补齐缺失数据,若风电场内全部风电机组同时段均存在异常,则利用三次样条插值法补齐缺失数据,再次,利用Copula函数拟合风功率概率分布,并对可疑概率的异常值点进行识别与剔除,然后,利用灰色关联法寻找缺失数据同一时段的风速数据相关性最强的风电机组,并利用所述风电机组的同时段功率数据补齐缺失数据,若全部风电机组出力异常则利用支持向量机进行数据重构,最后利用各风电机组处理后的数据得到风电场风速及整场发电功率;
2)风速变化特征识别:
风速变化特征对功率的影响不仅与风速的变化趋势有关,还与风速的变化幅度有着密切的联系,风速的变化幅度越大,风电机组出力就越偏离标准值,
根据流体力学原理,风电机组实际输出机械功率PM与风速v的对应关系为:
其中,CP表示风能利用系数;vin表示机组切入风速;vn表示机组额定风速;vout表示机组切出风速;ρ表示空气密度;S表示叶轮扫掠面积;
当v<vin或v>vn时,风电机组输出功率为固定值,因此在这两段风速区间内不同风速变化特征对功率的影响并无差异,但对于风电场整场而言,由于风速具有空间分散性,v<vin时也会存在P>0的情况,因此设定小风时段上限vsmall_max应小于vin,同理,v>vn时也会有P<Pn的情况出现,对大风时段下限vlarge_min的设定应大于vn;
采用设计改进的K均值聚类算法对风速变化特征进行识别:
①初始聚类中心的选择
i.基于风速变化特征识别结果存在“波动”,需要对不同升降幅度的变化特征解析,因此设置(vw,0)为第一个初始聚类中心X1,其中vw为对风速样本概率分布拟合的威布尔函数顶点对应风速值;
ii.计算任意两个聚类样本xi和xj之间的欧式距离dij,并将距离最大的两个样本点作为第二、三个初始聚类中心,由于向量vi和向量相比数值小,因此距离最远的两个样本点对应向量为一正值和一负值,选取为正时的样本点作为X2,为负时的样本点作为X3,其中dij计算公式为:
iii.在剩余的聚类样本中,选取为正时与X1、X2距离乘积最大的样本点作为X4;选取为负时与X1、X3距离乘积最大的样本点作为X5;依次推出剩余(K-5)个初始聚类中心,为保持风速变化特征识别的对称性,设定K值只能为奇数;
②最优K值的选取
Elbow法是判定最优聚类数目K的有效手段,当K值小于最优聚类数目时,随着K值的增加,各类别内的样本相似度迅速提升,SSE大幅下降,但随着K值增大,SSE下降幅度逐渐减小,其变化曲线类似于手肘的形状,最优聚类数目K就是肘部对应的K值,其中误差平方和SSE的表达式为:
因风速-功率转换特性能通过风速-功率散点分布得以体现,在以二维向量进行K-means聚类后,将与风速vi对应的同时序功率数据Pi按聚类结果进行划分,构建n组二维向量(vi,Pi),并利用公式(5)计算其SSE;
基于改进K均值聚类算法的风速变化特征识别为:
3)基于极限学习机的短期风电功率预测模型:
极限学习机(Extreme Learning Machine,ELM)能够随机生成初始权值及隐含层节点参数,并利用最小二乘法计算其输出层的权值,但为获得最优解,ELM神经网络需要调节隐含层神经元个数,
如有N组训练样本(xi,ti),其中输入向量xi=[xi1,xi2,…,xin]T∈Rn,输出向量ti=[ti1,ti2,…,tim]∈Rm,则据有L个隐藏节点,激活函数为g(xi)的ELM神经网络模型记为:
其中βi为输出层节点权重;ωi为输入层节点权重;bi为第i个隐藏层节点偏置;yj为网络最终输出,N代表样本数量,
ELM神经网络的训练目标是得到最小输出误差,即:
其中ti代表样本i训练过程中的期望;
由公式(6)、(7)可知ELM神经网络的目标函数为:
若以H代表隐含层输出矩阵,则公式(8)的矩阵形式表示为:
βH=T (9)
ELM神经网络在训练时维持H不变,β可通过求解下式的最小二乘解求得:
min||βH-T|| (10)
其中H+为H的Moore-Penrose广义逆矩阵,以ELM作为预测器,得出短期风电功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044880.3A CN115423174A (zh) | 2022-08-30 | 2022-08-30 | 一种计及波动过程划分的短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211044880.3A CN115423174A (zh) | 2022-08-30 | 2022-08-30 | 一种计及波动过程划分的短期风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423174A true CN115423174A (zh) | 2022-12-02 |
Family
ID=84200964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211044880.3A Pending CN115423174A (zh) | 2022-08-30 | 2022-08-30 | 一种计及波动过程划分的短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600119A (zh) * | 2022-12-13 | 2023-01-13 | 青岛左岸数据科技有限公司(Cn) | 适用于风力发电的数据处理方法及系统 |
-
2022
- 2022-08-30 CN CN202211044880.3A patent/CN115423174A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600119A (zh) * | 2022-12-13 | 2023-01-13 | 青岛左岸数据科技有限公司(Cn) | 适用于风力发电的数据处理方法及系统 |
CN115600119B (zh) * | 2022-12-13 | 2023-06-16 | 青岛左岸数据科技有限公司 | 适用于风力发电的数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN106779226B (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110880062B (zh) | 一种配电设备状态检修时间的确定方法 | |
CN107895202B (zh) | 基于多视角风速模式挖掘的短期风速预测方法 | |
Wang et al. | Wind speed forecasting based on hybrid model with model selection and wind energy conversion | |
CN112580874A (zh) | 一种基于随机森林算法和tcn的短期风电功率预测方法 | |
CN115034670A (zh) | 一种基于模糊场景聚类的微电网容量优化配置方法 | |
CN115423174A (zh) | 一种计及波动过程划分的短期风电功率预测方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN113435595B (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
Dong et al. | Day-ahead prediction of wind power based on conditional generative adversarial network | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN114298136A (zh) | 一种基于局域均值分解和深度学习神经网络的风速预测方法 | |
CN112330051A (zh) | 一种基于Kmeans与FR-DBN的短期负荷预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN117060407A (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN111798055A (zh) | 基于灰色关联度的变权重组合光伏出力预测方法 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN110991743B (zh) | 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 | |
CN113705086A (zh) | 一种基于Elman误差修正的超短期风电功率预测方法 | |
Wang et al. | Impact of the accuracy of NWP wind speed forecasts on wind power forecasting |
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 |