CN115511657A - 一种基于组合预测模型的风电出力与光伏出力评估的方法 - Google Patents
一种基于组合预测模型的风电出力与光伏出力评估的方法 Download PDFInfo
- Publication number
- CN115511657A CN115511657A CN202211013068.4A CN202211013068A CN115511657A CN 115511657 A CN115511657 A CN 115511657A CN 202211013068 A CN202211013068 A CN 202211013068A CN 115511657 A CN115511657 A CN 115511657A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- decomposition
- power output
- model
- 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
- 238000011156 evaluation Methods 0.000 title claims description 24
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 claims abstract description 9
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 17
- 238000010248 power generation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于新能源并网技术控制领域，应用于新能源场站并网技术，具体涉及一种基于组合预测模型对风电出力与光伏出力进行评估的方法。包括：数据相关性及耦合性量化分析；数据的分解与变换；模型的训练与预测；得出最终结果：将各个子序列的预测结果进行重构，得到最终的预测值，进行误差分析。本发明是是一种预测更容易，且不易造成数据丢失，因此可有效提高出力超短期预测精度的基于组合预测模型对风电出力与光伏出力进行评估的方法。
Description
技术领域
本发明属于新能源并网技术控制领域，应用于新能源场站并网技术，具体涉及一种基于组合预测模型对风电出力与光伏出力进行评估的方法。
背景技术
源于风光电源的强随机性和波动性特点，电网调度运行中如何充分考虑其不确定性并筹措灵活资源以应对，成为重大的技术挑战。而新能源场群发电能力评估，成为把握新能源电源的资源和出力特性的重要手段，也是调度辅助决策的核心基础。目前新能源场群环境观测、发电运行监测等信息彼此孤立，新能源场群发电能力评估精度和实效性难以满足调度运行需要。同时，基于黑盒理论的新能源发电能力评估方法，其评估过程不可参与，因此亟需一种可实时模拟新能源场站出力过程的仿真技术手段，如果没有准确的预测，很可能威胁到电网的稳定性。太阳能和风能资源的可变性和与预测相关的不确定性是维护电网稳定所必须解决的大多数问题的根源。
自然资源的可变性和预测的不确定性间接导致了电力系统中运营储备的存在，以解决需求与生产之间的差异。资源的可变性会导致斜坡事件，大型工厂无法跟上事件发生，交易块也无法考虑(时间单位为15分钟)。此外，由于气象因素引起的变化可能会导致额外的电力需求，因为它们会改变供需状况。然而，这不是自动的：高准确度的考虑功率预测的变化将不会得到额外的功率储备，除非该时间梯度较高。为了缓和上述需求与生产之间差异所导致的矛盾，预测评估发电产生功率成为关键。
基于此，提出一种基于组合预测模型的风电出力与光伏出力评估的方法。
发明内容
本发明的目的是提供一种基于组合预测模型的风电出力与光伏出力评估的方法，以解决现有技术中新能源场群环境观测、发电运行监测等信息彼此孤立，新能源场群发电能力评估精度和实效性难以满足调度运行需要的问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于组合预测模型的风电出力与光伏出力评估的方法，包括：
S1.数据相关性及耦合性量化分析；
S2.数据的分解与变换；
S3.模型的训练与预测；
S4.得出最终结果：将各个子序列的预测结果进行重构，得到最终的预测值，进行误差分析。
进一步地，所述数据相关性及耦合性量化分析包括：从波动性和相关性两个维度分析环境因素间的耦合关系，使用时间滞后互相关(TCLL)方法得到变量间的局部相关性系数，通过基于Pearson相关性系数的相关性分析算法对多维气象因子进行分析，提取其中相关性较大的气象因子组成气象数据输入序列。
进一步地，所述数据的分解与变换包括：对不平稳的时序输入数据通过 CEEMDAN(自适应完备总体经验模态分解算法)进行数据分解，分离成多个平稳的子序列，对分解后得到的多个IMF分量使用游程统计法分为高频、中频、低频三个频段，基于各频段的波动特点和变化规律分频段建立预测模型。
进一步地，所述模型的训练与预测包括：基于每个频段分量序列使用训练集分别建立起训练子模型，应用LSTM-BP、GA-BP、GA-ACO其中的一种或者多种优化算法对其模型参数进行优化，在滚动训练同时利用交叉验证集实时计算误差评价指标，若不满足各误差评价指标，重新训练该层次子模型。
进一步地，选取LSTM-BP混合模型优化算法进行参数优化，其中LSTM-BP 混合模型由LSTM和BP神经网络组成，LSTM组件的输入集A主要包括连续时序数据及周期时序数据,作为主要输入；BP神经网络输入数据集B包括气象数据, 作为辅助输入；LSTM的作用为从历史功率数据学习功率变化规律，BP神经网络的作用为根据环境监测数据，建立从环境数据到功率的映射；最终两个模型的预测结果加权取和。
进一步地，所述CEEMDAN(自适应完备总体经验模态分解算法)包括以下步骤：
S2.1.计算第一阶分量IMFi1和残差ri1(t)；
S2.2.定义算子；
S2.3.计算最终残余量。
进一步地，所述S2.1中，在原始信号u(t)中添加白噪声ε0ni(t)，其中ε0为第一次添加的白噪声幅值系数，则第i次信号可以表示为ui(t)＝u(t)+ε0ni(t)，对各ui(t)通过EMD分解，得到各个信号第一阶分量IMFi1和残差ri1(t)；
根据式1可知，第一阶分量为
残余信号r1(t)＝u(t)-IMF1。
进一步地，所述S2.2中，Ei(·)为使用EMD后的第j个分量，对r1(t)中添加白噪声ε1E1[ni(t)]，然后进行分解得到第二阶分量：
以此类推，第k个残余信号为rk(t)＝rk-1(t)-IMFk，可知第k+1阶分量为
进一步地，所述S2.3中，重复步骤S2.2，直到信号无法继续分解，运算终止，共得到k个分量，最终残余量为
此时，原始信号可表示为
且综上所述，由于采用了上述技术方案，发明的有益技术效果是：
一种基于组合预测模型的风电出力与光伏出力评估的方法，由于风速及辐照度变化的不平稳性和随机性，加上发电机组之间的相互影响，作为影响出力的决定性因素，风速及辐照度的频繁波动导致历史出力数据也具有不平稳性和随机性。非平稳的时间序列数据将影响预测精度，给预测带来困难。对于这种时间序列一般有两种处理方式：(1)通过滤波器对原始数据进行滤波，滤波后的时间序列将变得光滑、平稳，但是由于舍弃了部分时刻的极值，造成了高频数据的丢失，必然对预测结果造成不利影响。(2)利用信号分解算法，将原始数据分解为多个平稳但频率不同的序列，再对每个序列单独训练预测器，最后将子序列进行叠加求得最终预测结果。
由于平稳的成分更容易预测，且未造成数据的丢失，因此可有效提高出力超短期预测的精度。
附图说明
图1为EMD算法流程图。
图2为原始出力数据及EMD分解结果。
图3为EMD分解结果对应的频谱图。
图4为原始出力数据及CEEMDAN分解结果。
图5为CEEMDAN分解结果对应的频谱图。
图6为游程计算方法。
图7为游程判定法流程。
图8为GA-ACO-LSTM模型的预测流程。
图9为不同预测模型结果对比。
图10为LSTM-BP混合模型。
图11为LSTM-BP混合模型。
具体实施方式
为了使发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释发明，并不用于限定发明。
1.风电出力评估技术
目前被大量用于信号分解的算法包括小波分解(Wavelet Transform，WT)、经验模态分解(Empirical Mode Decomposition,EMD)和变分模态分解 (Variational ModeDecomposition，VMD)。通过对多种数据分解算法分别进行尝试并将优缺点进行对比，最终选择在经验模态分解的基础上进行改进，作为组合预测模型中最终的数据分解与变换算法。经验模态分解EMD的信号处理过程也类似于“滤波”的过程，通过不断的过滤来实现对信号的分解，其过程如下：
设有一个待处理风电出力信号x(t),确定该信号的所有极值点：
1)通过插值的方法，得到信号的上下包络线分别设为φ(t)和ω(t)。基于此可算出上下包络线之间的均值
2)得到x(t)去掉均值μ(t)之后的信号余量γ(t)，查看此信号余量是否满足 IMF的两个条件，若否，则以γ(t)作为待处理信号，重复如上步骤，最后得到第一个分量c1(t)＝γ(t)。
3)以剩余信号θ(t)＝x(t)-c1(t)为待处理信号，重复如上步骤，可以得到其他分量，直到满足终止条件为止。
通过上面的分解过程，可以得到一个带分解信号x(t)可以表示为：
其中σo(t)为残量。基于上述算法过程，其流程图1所示：
相比变分模态分解，经验模态分解算法更高效简洁，其分解层数不需人为指定，而是在函数迭代的过程中根据原始序列自身特性来得到，但是该算法的分解过程是经验式的，理论研究还不够深入，数学理论还缺乏支撑，并且在分解时由于插值来求取信号两端点处的上下包络线时会表现出发散的迹象，将出现拟合误差，这种现象称为端点飞翼。同时对于光伏风电出力序列这类非平稳序列，经验模态分解算法无法真正有效分离不同振荡特征的信号，导致在同一个本征模态分量中会同时含有不同振荡特性的信号，即所谓的模态混叠现象，影响最终预测结果。针对EMD算法存在的这些缺点，目前有很多改进，比如集合经验模态分解EEMD和完备经验模态分解CEEMD，以及拟采用的自适应完备集合经验模态分解CEEMDAN，通过引入辅助噪声等方式来解决模态混叠等问题。
完备总体经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN) 是经验模态分解的一种重要改进。EMD具有良好的时频分辨率和自适应性，避免了很多冗杂且不易控制的过程，且能够完美的重构原始信号。但在对含有间断性高频振动信号的序列进行分解时，会出现模态混叠的现象，由于数据的随机性和非平稳性，导致历史出力序列数据常常含有间歇性的高频振动信号，相比其他序列数据更容易出现模态混叠现象。针对经验模态分解这一现象，有学者提出了集合经验模态分解EEMD这一改进算法，EEMD在信号中数次添加相等幅度的高斯白噪声，让每条迹线都包含信号的分解结果以及有限幅度的白噪声，使原信号在不同的尺度上具有一定的连续性，最后把添加噪声分解后的各个本征模态分量进行整体平均运算即可得到信号分解的结果。
EEMD需要在信号的分解中不断添加高斯白噪声，这样造成分解得到的本征模态分量会被添加的噪声污染，增加了计算量，而且其不具有完备性。为解决 EEMD存在的问题，完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)应运而生，其是在添加辅助高斯白噪声时，添加的噪声是正负成对的，这样在最后的集合平均运算时正负白噪声会相互抵消，这样减轻了辅助高斯白噪声对分解的本征模态分量的污染问题，并且该算法重构的误差较小，计算效率较高。然而CEEMD方法分解效果依赖于每次添加的噪声，参数设置不当容易在信号中产生错误成分。法国学者Torres等人提出了自适应完备总体经验模态分解CEEMDAN,该方法在分解的过程中添加特定的噪声，并通过计算唯一残差来获得每个分量。此方法相比完备集合经验模态分解算法，迭代次数更少，计算成本更低。完备集合经验模态分解算法的流程如下图1所述：
1)设符号Ej(·)为经EMD分解产生第j个IMF算子，且设在原始历史出力序列u(t)中加入辅助的正负成对形式的高斯白噪声，得到对应的含噪声信号， uni(t)＝u(t)+αni(t)，i＝1，2，3，…，1，其中ni(t)为辅助噪声，α为参数，对该含噪声信号进行模态分解，即Ej(uni(t))，重复多次过程，直到得到多个个本征模态分
对着多个本征模态分量求均值，最终得到第一阶本征模态分量IMF1，由于添加的是符号相反的高斯白噪声，所以在此求均值的过程中会相互抵消，故而残留的辅助噪声量会很少。
2)得到第一阶的本征模态分量之后，可以求出剩下的信号余量，记做r1(t), 对信号添加正负的经EMD分解后的噪声分量Ej(ni(t)),对添加后的信号进行模态分解，和上面的步骤相同，首先经过多次的模态分解得到多个本征模态分量，再通过求均值，得到第二阶IMF2。
3)在以后的每个阶段，先计算剩余信号的余量，在此余量信号上添加Ej(ni(t))，并多次模态分解，最终求得第j阶的均值本征模态分量。
4)重复以上过程，直至余量信号不能够被模态分解为止。
自适应完备总体经验模态分解算法的流程如下：
1)在原始信号u(t)中添加白噪声ε0ni(t)，其中ε0为第一次添加的白噪声幅值系数，则第i次信号可以表示为ui(t)＝u(t)+ε0ni(t)，对各ui(t)通过EMD分解，得到各个信号第一阶分量IMFi1和残差ri1(t):
所以第一阶分量
残余信号r1(t)＝u(t)-IMF1。
2)定义算子Ei(·)为使用EMD后的第j个分量，对r1(t)中添加白噪声ε1E1[ni(t)]，然后进行分解得到第二阶分量：
以此类推，第k个残余信号为rk(t)＝rk-1(t)-IMFk。
3)第k+1阶分量为
4)重复步骤2)和3)，直到信号无法继续分解，运算终止，共得到k个分量，最终残余量为
此时，原始信号可表示为
CEEMDAN的分解过程是完备的，能对原始信号进行精确的重构，并且可以通过前面的辅助噪声系数∝来选择合适的噪声大小。为了验证CEEMDAN算法的有效性，使用甘肃甘北第二风电场2020年9月上旬的历史出力数据(1536条数据，时间点间隔15min)分别使用EMD和CEEMDAN进行测试与分析。
如上图2所示为原始数据经过EMD分解，自适应得到8个IMF分量，所需时间为1.276567秒，图3所示为对应的频谱图，通过频谱图可以看到EMD能够较好地分离各个频率段，但根据EMD分解结果图可看到IMF2和IMF3分量中间段出现了模态混叠，即在IMF2中出现了与其他信号尺度分布不同的信号，而这个信号尺度与IMF3相近，由此造成了IMF分量不精确，失去了原有的物理意义。
接下来使用CEEMDAN算法进行分解，其中参数：Nstd(噪声标准差)、MaxIter(允许的最大筛选迭代数)、和NR(实现的数量)分别取为经验值0.2、 5000和500，得到结果如下：
如上图4所示为原始出力数据经过CEEMDAN算法分解，自适应得到5个IMF 分量，所需时间为2.843793秒。可以看到CEEMDAN分解有效消除了模态混叠现象，各个IMF分量内部尺度分布相近，不同IMF分量间尺度分布区分明确。一般的，低频分量多体现了数据的趋势。低频表现上，两种分解方法对于出力数据的趋势都有着明显的显示，均在IMF5分量上体现了原始序列的整体趋势，但 EMD分解的低频项较多，还具有IMF6、IMF7、IMF8分量，CEEMDAN分解的低频项较少，分量数更少，简化了算法，由于后续将对每一个分量分别建立预测模型，因此减少了计算量，提高了总体时间效率。
如图5所示为CEEMDAN分解结果对应的频谱图，可以看到与EMD分解对应的频谱图相比，频率区分更明确，重叠更少，分解效果更好。
为了解决自适应分解后的分量数量随工况变化以及模型数量过多的问题，利用分组预测的思想，使用游程判定法将变化规律和平稳程度相近的功率分量进行归类重组，通过设定游程阈值将其划分为低频、中频、高频三个频段，使得相近的特征信息更加集中，且不同特征的分量互不影响。
首先计算已知IMF分量数据序列的平均值，然后将序列中的观测值与平均值逐个进行比较，大于平均值的标记为+，小于平均值的标记为-，由此对于每个分量可以得到一个符号序列。将每个连续相同符号的标记段为一个游程，统计出每个IMF分量的游程总数，计算方法如图6所示(标记为相同颜色的为一个游程)。
由此可见游程数量的多少反映了数据序列的波动程度，游程数量越少代表序列越平稳，游程数量越多代表序列波动程度越大。进一步通过人为设定两个游程阈值X和Y，将IMF分量划分为高中低频三组。游程判定法的主要步骤如图 7所示：
对非平稳时序数据序列进行CEEMDAN分解和游程统计完成频段划分后，得到低频、中频、高频三组序列，其中高频序列反映了电站出力的不确定波动项，中频序列反映了电站出力的短期变化趋势，低频序列反映了电站出力的长期变化趋势。通过游程判定将不同波动特征的分量进行分组，对每类特征单独建立预测模型，能更有效提取出时序数据映射关系，提高预测精度，同时避免了模型数量过多的问题。
选择LSTM的优化模型作为出力评估模型进行预测。传统的LSTM网络中，隐藏层神经元个数和学习率的选择通常采用经验值或实验法，隐藏层神经元的个数影响模型的训练效果，而学习率则影响代价函数的收敛过程，若学习率过大，可能导致代价函数在最优值附近震荡，无法收敛；若学习率过小，则可能导致收敛速度过慢，降低时间效率。尝试使用GA-ACO对LSTM网络隐藏层神经元个数和学习率的选取进行优化，主要流程如下图8所示：
使用GA-ACO优化的LSTM模型，分别在是否使用CEEMDAN算法进行数据分解和变换下得到的不同的预测结果，可以看到相对于未使用CEEMDAN分解的模型，使用了CEEMDAN算法将原出力序列分解为多个平稳序列再做预测的模型得到的精度有了较大的改善。同时可以看到，不使用CEEMDAN算法的预测结果中存在较多突变点，这是因为风速的随机波动导致的，直接对不平稳的序列做预测，会导致在突变点处产生较大误差，从而影响整体效果，图9为不同预测模型结果对比。
表1风电出力预测评价指标结果对比表
2.光伏电站出力评估技术
综合上述内容介绍，得到组合预测模型流程。具体步骤如下：
1)数据相关性及耦合性量化分析：得到的数据主要包括原始光伏及风电站出力序列、原始风速数据以及气温、压强、辐照度等其他气象数据，从波动性和相关性两个维度分析环境因素间的耦合关系。使用时间滞后互相关(TCLL)方法得到变量间的局部相关性系数，通过基于Pearson相关性系数的相关性分析算法对多维气象因子进行分析，提取其中相关性较大的气象因子组成气象数据输入序列。
2)数据的分解与变换：对不平稳的时序输入数据通过CEEMDAN分解算法进行数据分解，分离成多个平稳的子序列，对分解后得到的多个IMF分量使用游程统计法分为高频、中频、低频三个频段，基于各频段的波动特点和变化规律分频段建立预测模型。
3)模型的训练与预测：基于每个频段分量序列使用训练集分别建立起训练子模型，并应用LSTM-BP、GA-BP、GA-ACO等优化算法对其模型参数进行优化，提高预测精度。在滚动训练同时利用交叉验证集实时计算误差评价指标，若不满足各误差评价指标，重新训练该层次子模型。
4)得出最终结果：将各个子序列的预测结果进行重构，得到最终的预测值，进行误差分析。
项目前期已经尝试建立了多种不同的预测模型，包括DBN、LSTM、GA-BP等，通过对比不同模型的预测结果及预测性能，从预测精度、响应速度和鲁棒性考虑，选取表现较好的LSTM模型进行优化。尝试使用混合模型，结合BP网络进行优化。
首先实验证明LSTM算法预测精度较高，其中一部分原因来自于其本身结构所决定的对时序数据特征的周期性数据挖掘。因此进一步设计了LSTM-BP混合模型，模型由两个组件组成，分别为LSTM和BP神经网络组件。LSTM组件的输入集A主要包括连续时序数据及周期时序数据,作为主要输入；BP神经网络输入数据集B包括气象数据,作为辅助输入。LSTM的作用为从历史功率数据学习功率变化规律，BP神经网络的作用为根据环境监测数据，建立从环境数据到功率的映射。最终两个模型的预测结果加权取和。算法模型如图10所示：
使用上述优化模型对光伏电站的出力进行预测，最终预测结果如图11所示，平均绝对百分比误差为8.21％。
以上所述为发明的较佳实施例，并不用以限制发明，凡在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，均应包含在发明的保护范围之内。
Claims (9)
1.一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于；包括：
S1.数据相关性及耦合性量化分析；
S2.数据的分解与变换；
S3.模型的训练与预测；
S4.得出最终结果：将各个子序列的预测结果进行重构，得到最终的预测值，进行误差分析。
2.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述数据相关性及耦合性量化分析包括：从波动性和相关性两个维度分析环境因素间的耦合关系，使用时间滞后互相关(TCLL)方法得到变量间的局部相关性系数，通过基于Pearson相关性系数的相关性分析算法对多维气象因子进行分析，提取其中相关性较大的气象因子组成气象数据输入序列。
3.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述数据的分解与变换包括：对不平稳的时序输入数据通过CEEMDAN(自适应完备总体经验模态分解算法)进行数据分解，分离成多个平稳的子序列，对分解后得到的多个IMF分量使用游程统计法分为高频、中频、低频三个频段，基于各频段的波动特点和变化规律分频段建立预测模型。
4.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述模型的训练与预测包括：基于每个频段分量序列使用训练集分别建立起训练子模型，应用LSTM-BP、GA-BP、GA-ACO其中的一种或者多种优化算法对其模型参数进行优化，在滚动训练同时利用交叉验证集实时计算误差评价指标，若不满足各误差评价指标，重新训练该层次子模型。
5.根据权利要求4所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：选取LSTM-BP混合模型优化算法进行参数优化，其中LSTM-BP混合模型由LSTM和BP神经网络组成，LSTM组件的输入集A主要包括连续时序数据及周期时序数据，作为主要输入；BP神经网络输入数据集B包括气象数据，作为辅助输入；LSTM的作用为从历史功率数据学习功率变化规律，BP神经网络的作用为根据环境监测数据，建立从环境数据到功率的映射；最终两个模型的预测结果加权取和。
6.根据权利要求3所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述CEEMDAN(自适应完备总体经验模态分解算法)包括以下步骤：
S2.1.计算第一阶分量IMFi1和残差ri1(t)；
S2.2.定义算子；
S2.3.计算最终残余量。
7.根据权利要求1所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述S2.1中，在原始信号u(t)中添加白噪声ε0ni(t)，其中ε0为第一次添加的白噪声幅值系数，则第i次信号可以表示为ui(t)＝u(t)+ε0ni(t)，对各ui(t)通过EMD分解，得到各个信号第一阶分量IMFi1和残差ri1(t)；
根据式1可知，第一阶分量为
残余信号r1(t)＝u(t)-IMF1。
8.根据权利要求6所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述S2.2中，Ei(·)为使用EMD后的第j个分量，对r1(t)中添加白噪声ε1E1[ni(t)]，然后进行分解得到第二阶分量：
以此类推，第k个残余信号为rk(t)＝rk-1(t)-IMFk，可知第k+1阶分量为
9.根据权利要求6所述的一种基于组合预测模型的风电出力与光伏出力评估的方法，其特征在于：所述S2.3中，重复步骤S2.2，直到信号无法继续分解，运算终止，共得到k个分量，最终残余量为
此时，原始信号可表示为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211013068.4A CN115511657A (zh) | 2022-08-23 | 2022-08-23 | 一种基于组合预测模型的风电出力与光伏出力评估的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211013068.4A CN115511657A (zh) | 2022-08-23 | 2022-08-23 | 一种基于组合预测模型的风电出力与光伏出力评估的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511657A true CN115511657A (zh) | 2022-12-23 |
Family
ID=84502165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211013068.4A Pending CN115511657A (zh) | 2022-08-23 | 2022-08-23 | 一种基于组合预测模型的风电出力与光伏出力评估的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511657A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
| CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
| CN118070977A (zh) * | 2024-04-17 | 2024-05-24 | 山东大学 | 考虑空间波动传播的新能源缺失数据估算方法及系统 |
-
2022
- 2022-08-23 CN CN202211013068.4A patent/CN115511657A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
| CN117744893A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
| CN117744893B (zh) * | 2024-02-19 | 2024-05-17 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风速预测方法和系统 |
| CN118070977A (zh) * | 2024-04-17 | 2024-05-24 | 山东大学 | 考虑空间波动传播的新能源缺失数据估算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
| CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
| CN110414045A (zh) | 基于vmd-gru的短期风速预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| Chen et al. | Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN | |
| CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
| CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
| CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
| CN110543929A (zh) | 一种基于Lorenz系统的风速区间预测方法及系统 | |
| CN109902340B (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
| CN109904878B (zh) | 一种多风电场发电时序模拟场景构建方法 | |
| CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
| CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
| CN112669168B (zh) | 一种风电功率短期预测方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN115239029B (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
| CN117114160A (zh) | 一种短期光伏功率预测方法 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN111563631A (zh) | 基于变分模态分解的风力发电功率预测方法及设备 | |
| CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
| CN117239722A (zh) | 一种考虑多元负荷影响的系统风荷短期预测方法 | |
| CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |