CN116388184A - 一种基于风速日波动特征的超短期风速修订方法、系统 - Google Patents

一种基于风速日波动特征的超短期风速修订方法、系统 Download PDF

Info

Publication number
CN116388184A
CN116388184A CN202310653736.8A CN202310653736A CN116388184A CN 116388184 A CN116388184 A CN 116388184A CN 202310653736 A CN202310653736 A CN 202310653736A CN 116388184 A CN116388184 A CN 116388184A
Authority
CN
China
Prior art keywords
wind speed
data
fluctuation
model
day
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.)
Granted
Application number
CN202310653736.8A
Other languages
English (en)
Other versions
CN116388184B (zh
Inventor
熊雄
邹瑞麟
王翼虎
陈一鸣
杨旺
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310653736.8A priority Critical patent/CN116388184B/zh
Publication of CN116388184A publication Critical patent/CN116388184A/zh
Application granted granted Critical
Publication of CN116388184B publication Critical patent/CN116388184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于风速日波动特征的超短期风速修订方法、系统，该方法为：通过构建VSDA模型对历史风速数据进行风速日分段、波动特征提取以及分类，为风速修订算法提供风速日数据与风速波动标记，高度概括了风速间的相关性与风速波动特征；而后将过往风速日数据、对应波动标记与数值天气预报风速预测数据作为模型输入，结合经过贝叶斯优化的长短期记忆神经网络算法实现对数值天气预报风速预测值修订。本发明提出的修订方法可有效地提高风速预测值的准确度，使得风速预测值可靠性大幅提升，增强了风电功率预测的准确度，具有一定的实用价值。

Description

一种基于风速日波动特征的超短期风速修订方法、系统
技术领域
本发明属于风电功率预测风速修订领域，尤其涉及一种基于风速日波动特征的超短期风速修订方法、系统。
背景技术
现阶段风能成为了替代化石能源在传统能源结构中重要地位的首要选择。然而，风能具有间歇性、波动性与随机性，这三项特征给风电大规模安全并网带来了巨大的挑战。因此，风电功率预测是风电大规模运用的前提保障，风电功率预测的准确度直接影响了电网的稳定运营与有效调度。
风电功率预测在过去的几十年中受到了研究界的大量关注，相关研究可以根据研究内容的重点分为两个方面，一方面是根据现有的风速预测数据实现预测风速转化为预测风电功率；另一方面是根据风速预测与实际风速间的误差，对风速预测值进行修订，从而实现风电功率预测精度的提升。
目前风电功率预测的风速预测数据均由NWP（Numerical Weather Prediction,数值天气预报）提供，但受限于其物理参数化方案不完善、分辨率较低、地形不够精确等因素的影响，导致数值天气预报的预报结果误差较大、预报结果具有不确定性，不能满足风电场对风速预报的要求，因而有必要对NWP提供的预测风速进行修订，进一步提高超短期风速预测的准确度。因此，本发明的研究重点集中于第二个方面，使用机器学习算法对NWP风速预测值进行修订。
发明内容
本发明所要解决的技术问题：提供一种基于风速日波动特征的超短期风速修订方法，将过往风速日数据、对应波动情况与NWP风速预测数据作为风速订正模型输入，并结合经过BO（Bayesian Optimization, 贝叶斯优化算法）的LSTM（LongShort-Term Memorynetworks, 长短期记忆神经网络）算法实现对NWP风速预测值的修订，能有效提高风速预测值的准确度。
本发明为解决以上技术问题而采用以下技术方案：
本发明提出的一种基于风速日波动特征的超短期风速修订方法，包括以下步骤：
S1、收集风场SCADA系统记录的历史实测风速数据与NWP模型输出的对应风速预测数据。
S2、利用风速波动特征统计方法和K-means聚类分析算法，构建VSDA模型（Volatility Stable Day, 风速日波动特征提取模型）。
S3、将历史实测风速数据输入VSDA模型，进行风速日分段、提取风速日数据段中风速波动特征，并根据风速日波动特征对风速段进行标记，为风速修订提供风速间的相关性与风速波动特征。
S4、考虑到风速的随机性与间歇性使得风速数据非线性极强，将经过VSDA模型生成的风速日数据与对应的波动标记和NWP风速预测数据作为风速订正模型输入，构建LSTM神经网络模型，并采用贝叶斯优化算法对LSTM神经网络的各个层数、神经元与训练步骤进行优化，建立BO-LSTM网络。
进一步的，步骤S3中，对风速段进行标记的具体步骤为：
S301、以采样窗宽为24小时（96个数据点）、采样间隔为4小时（16个数据点）为采样标准，利用VSDA模型对历史实测风速数据进行分段，得到大量风速日数据段。
S302、将分段所得风速日数据段视作为一种时间序列数据，利用VSDA模型提取风速脉冲强度和相似熵两类波动特征，描述过往风速时间序列数据的波动情况。
S303、在一定高度上，用风速脉动值的均方根表示风速脉冲强度，反映了该时段风速波动的振幅情况，具体公式为：
Figure SMS_1
；
其中，
Figure SMS_2
为脉冲强度，u为瞬时风速，/>
Figure SMS_3
为平均风速，/>
Figure SMS_4
为风速脉动值，n为采集风速的样本数。
S304、相似熵是一种全新的时间序列复杂性测度方法，该方法把皮尔逊相关系数作为衡量时间序列内部相关性的手段。不同于样本熵中采用欧氏距离作为评判指标，相似熵采用的皮尔逊相关系数的取值在-1与1之间，因而可更加直观表现时间序列内部真实存在的相关性。相似熵在VSDA模型中表征风速日数据的时序复杂度，反映风速的无序变化程度，提取相似熵的具体过程如下：
S3041、构建一组维数为m的向量：
Figure SMS_5
；
其中，x(i)为第i时刻的风速，i=1,2,…,N-m+1；N为风速段总时刻长度；m为维数，通常取4。
定义向量X(i)与X(j)之间的相关系数为：
Figure SMS_6
；
其中，
Figure SMS_7
；
S3042、计算每个i值下
Figure SMS_8
的数目，即为/>
Figure SMS_9
，具体公式为：
Figure SMS_10
。
其中，
Figure SMS_11
为相关性阈值，取值范围为0.4~0.6；num( )为计数函数；i=1,2,…,N-m+1。
S3043、对
Figure SMS_12
取平均值，记为/>
Figure SMS_13
，具体公式为：
Figure SMS_14
。
S3044、将维数m增加1，重复步骤S3041- S3043，计算
Figure SMS_15
的平均值，具体公式为：
Figure SMS_16
。
S3045、计算时间序列相似熵
Figure SMS_17
，具体公式为：
Figure SMS_18
。
S305、使用K-means聚类分析算法，根据各个数据段的两类波动特征进行聚类处理，得出风速段区中的平稳日与波动日的分类标准，将平稳日与波动日分别标记为0与1，以此作为风速波动标记，用于反映风速波动情况。
进一步的，还包括步骤S5：利用建立的BO-LSTM网络对预测数据进行修订，得到修订后的风速预测数据。
进一步的，本发明还提出了一种基于风速日波动特征的超短期风速修订系统，包括：
数据收集模块，用于收集风场历史实测风速数据与对应数值天气预报风速预测数据。
风速日波动特征标记模块，用于利用风速波动特征统计方法和K-means聚类分析算法，构建VSDA模型；将历史实测风速数据输入VSDA模型，进行风速日分段、提取风速日数据段中风速波动特征，并对风速段进行标记。
LSTM模型优化模块，用于将经过VSDA模型生成的风速日数据、对应的波动标记与数值天气预报风速预测数据作为风速订正模型输入，构建LSTM模型，并采用贝叶斯优化算法对LSTM模型的各个层数、神经元与训练步骤进行优化。
进一步的，数据收集模块中，被配置以执行以下动作：风场历史实测风速数据来自SCADA系统，天气预报风速预测数据由NWP模型输出。
进一步的，风速日波动特征标记模块中，被配置以执行以下动作：
步骤1、以采样窗宽为24小时、采样间隔为4小时作为采样标准，利用VSDA模型对历史实测风速数据进行分段，得到大量风速日数据段。
步骤2、将分段所得风速日数据作为一种时间序列数据，利用VSDA模型提取风速脉冲强度和相似熵两类波动特征。
步骤3、在一定高度上，用风速脉动值的均方根表示风速脉冲强度，具体公式为：
Figure SMS_19
；
其中，
Figure SMS_20
为脉冲强度，u为瞬时风速，/>
Figure SMS_21
为平均风速，/>
Figure SMS_22
为风速脉动值，n为采集风速的样本数。
步骤4、提取相似熵的具体过程如下：
步骤401、构建一组维数为m的向量：
Figure SMS_23
；
其中，x(i)为第i时刻的风速，i=1,2,…,N-m+1，N为风速段总时刻长度。
定义向量X(i)与X(j)之间的相关系数为：
Figure SMS_24
。
其中，
Figure SMS_25
；
步骤402、计算每个i值下
Figure SMS_26
的数目，即为/>
Figure SMS_27
，具体公式为：
Figure SMS_28
；
其中，
Figure SMS_29
为相关性阈值，num( )为计数函数，i=1,2,…,N-m+1。
步骤403、对
Figure SMS_30
取平均值，记为/>
Figure SMS_31
，具体公式为：
Figure SMS_32
。
步骤404、将维数m增加1，重复步骤S3041- S3043，计算
Figure SMS_33
的平均值，具体公式为：
Figure SMS_34
。
步骤405、计算时间序列相似熵
Figure SMS_35
，具体公式为：
Figure SMS_36
。
步骤5、使用K-means聚类分析算法，根据各个数据段的两类波动特征进行聚类处理，得出风速段区中的平稳日与波动日的分类标准，将平稳日与波动日分别标记为0与1，以此作为风速波动标记，用于反映风速波动情况。
进一步的，本发明还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前文所述的基于风速日波动特征的超短期风速修订方法的步骤。
进一步的，本发明还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的基于风速日波动特征的超短期风速修订方法。
本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：
本发明提出的基于风速日波动特征的超短期风速修订方法（VSDA-BO-LSTM），通过VSDA模型有效提取风速的波动特征与历史相关性并将其输出结果，即风速波动标记与风速日数据作为风速修订模型的部分输入；利用贝叶斯优化算法优化LSTM神经网络提高修订结果的可靠度。VSDA模型与贝叶斯优化算法均可有效地提高风速预测值的准确度，使得直接输入风电功率预测模型的风速预测值可靠性大幅提升，增强了风电功率预测的准确度。
附图说明
图1是本发明的整体流程图。
图2是本发明实施例中经过VSDA模型处理后的数据分布情况。
图3是VSDA-BO-LSTM模型的2020年4月10-12日修订效果图。
图4是VSDA-BO-LSTM模型的2020年7月10-12日修订效果图。
图5是VSDA-BO-LSTM模型的2020年10月10-12日修订效果图。
图6是VSDA-BO-LSTM模型的2021年1月10-12日修订效果图。
图7是NWP风速预测值与VSDA-BO-LSTM模型、VSDA-LSTM模型以及BO-LSTM模型对四组数据的风速修订值与实际风速值的绝对误差分布图。
具体实施方式
下面结合附图和实例对本发明的技术方案作进一步的说明。
为实现上述目的，本发明提出了一种基于风速日波动特征的超短期风速修订方法（VSDA-BO-LSTM），如图1所示，包括以下步骤：
S1、收集风场SCADA系统记录的历史实测风速数据与NWP模型输出的对应风速预测数据。
S2、利用风速波动特征统计方法和K-means聚类分析算法，构建VSDA模型。
S3、将历史实测风速数据输入VSDA模型，进行风速日分段、提取风速日数据段中风速波动特征，并对风速日波动特征进行标记，具体步骤为：
S301、以采样窗宽为24小时（96个数据点）、采样间隔为4小时（16个数据点）为采样标准，利用VSDA模型对历史实测风速数据进行分段，得到大量风速日数据段。
S302、将分段所得风速日数据作为一种时间序列数据，利用VSDA模型提取风速脉冲强度和相似熵两类波动特征，描述过往风速时间序列数据的波动情况。
S303、在一定高度上，用风速脉动值的均方根表示风速脉冲强度，反映了该时段风速波动的振幅情况，具体公式为：
Figure SMS_37
；
其中，
Figure SMS_38
为脉冲强度，u为瞬时风速，/>
Figure SMS_39
为平均风速，/>
Figure SMS_40
为风速脉动值，n为采集风速的样本数。
S304、相似熵在VSDA模型中表征风速日数据的时序复杂度，反映风速的无序变化程度，提取相似熵的具体过程如下：
S3041、构建一组维数为m的向量：
Figure SMS_41
；
其中，x(i)为第i时刻的风速，i=1,2,…,N-m+1，N为风速段总时刻长度。
定义向量X(i)与X(j)之间的相关系数为：
Figure SMS_42
。
其中，
Figure SMS_43
；
S3042、计算每个i值下
Figure SMS_44
的数目，即为/>
Figure SMS_45
，具体公式为：
Figure SMS_46
。
其中，
Figure SMS_47
为相关性阈值，取值范围为0.4~0.6；num( )为计数函数；i=1,2,…,N-m+1。
S3043、对
Figure SMS_48
取平均值，记为/>
Figure SMS_49
，具体公式为：
Figure SMS_50
。
S3044、将维数m增加1，重复步骤S3041-S3043计算得到
Figure SMS_51
的平均值，具体公式为：
Figure SMS_52
。
S3045、计算时间序列相似熵
Figure SMS_53
，具体公式为：
Figure SMS_54
。
S305、使用K-means聚类算法，根据各个数据段的两类波动特征进行聚类处理，得出风速段区中的平稳日与波动日的分类标准，将平稳日与波动日分别标记为0与1，以此作为风速波动标记，用于反映风速波动情况。
S5、利用步骤S4建立的优化LSTM模型对预测数据进行修订，得到修订后的风速预测数据。
本实施例中，数据来源于江苏如东某风电场2020年4月至2021年1月近十个月的实测数据与NWP预测数据，经过VSDA模型处理后共计有529条稳定日数据与502条波动日数据，其分布情况如图2所示。为了检验本专利所提出模型的鲁棒性与各个模块的有效性，进行以下实验，实例验证具体为：
一、验证本发明提出的VSDA-BO-LSTM超短期风速修订模型的鲁棒性
为了验证本发明提出的VSDA-BO-LSTM超短期风速修订模型的鲁棒性，本实验选取各个季节的数据即4月、7月、10月、次年1月中随机三天的风速预测数据进行修订，将该模型修订后结果与真实值及NWP风速预测值进行对比分析。
图3~图6为四季风速修订前后对比结果折线图，从图中可以看出，NWP风速预测数据仅反映出了实际风速的变化趋势，却无法反映出实际风速的时序复杂性与波动性，难以体现风速本身具有的随机性、间歇性与波动性的特点。而本发明提出的VSDA-BO-LSTM超短期风速修订模型在一年四季均有较为优秀的修订效果，具体表现在VSDA-BO-LSTM模型在实际工程运用中，保留了NWP风速预测的趋势特征的同时大幅提高了预测风速的准确性，使得修订值准确率远高于NWP风速预测结果，更加贴合实际的真实风速值。
二、验证本发明提出的VSDA-BO-LSTM超短期风速修订模型中各模块的有效性
为了验证所提模型的各个模块的有效性，分别将四组数据的VSDA-LSTM模型、BO-LSTM模型、NWP风速预测值以及VSDA-BO-LSTM模型的四季风速值修订误差统计对比，同样采用了相对平均绝对误差（r MAE ）、相对均方根误差（r RMSE ）和平均绝对误差（MAE）的三种误差评价指标来评价每组数据不同模型的预测结果精度。
图7为四组数据经过各个模型修订后风速值与实际风速值的绝对误差分布图。由图可知VSDA-BO-LSTM风速修订模型误差均值远低于其他两种模型；同时相比于其他算法，VSDA-BO-LSTM的误差分布集中情况最好，25%-75%误差分布区间起止点最小且区间长度最短。分析可得，VSDA-BO-LSTM模型有效地调整了风速修订的误差分布，使得原本呈均匀分布的NWP风速预测值的误差经过修订后分布更为集中。
表1为NWP模式、VSDA-BO-LSTM模型、VSDA-LSTM模型以及BO-LSTM模型在四组试验数据下的平均绝对误差（MAE）、相对均方根误差（r RMSE ）以及相对平均绝对误差（r MAE ）结果对比。
表1 NWP模式及三种模型风速预测修订误差
Figure SMS_55
从表1中可以看出，经过本发明提出的VSDA-BO-LSTM超短期风速修订模型修订后的风速数据对比未经修订前数据在准确度方面有巨大的提升，该算法将NWP模式风速数据误差降低超过50%以上；尤其在秋冬两季本文所提出的方法在修订风速预测值的能力上更加有效；同时，与VSDA-LSTM和BO-LSTM模型相比，VSDA-BO-LSTM模型在MAE、r MAE 与r RMSE 三项误差评价指标上数值最小。结果也证明了本发明所提出的基于风速日波动特征的超短期风速修订方法（VSDA-BO-LSTM）对NWP风速预测值的修订效果显著，说明了有效提取风速波动特征的VSDA模型对NWP风速预测值的修订效果有着重要提升，使得修订后的风速值更加贴近真实风速，使得风速预报的精确度得到显著提高，证明了本发明所提模型的优越性。
本发明实施例还提出一种基于风速日波动特征的超短期风速修订系统包括数据收集模块、风速日波动特征标记模块、LSTM模型优化模块及可在处理器上运行的计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.一种基于风速日波动特征的超短期风速修订方法，其特征在于，包括以下步骤：
S1、收集风场历史实测风速数据与对应数值天气预报风速预测数据；
S2、利用风速波动特征统计方法和K-means聚类分析算法，构建VSDA模型；
S3、将历史实测风速数据输入VSDA模型，进行风速日分段、提取风速日数据段中风速波动特征，并对风速段进行标记；
S4、将经过VSDA模型生成的风速日数据、对应的波动标记与数值天气预报风速预测数据作为风速订正模型输入，构建LSTM模型，并采用贝叶斯优化算法对LSTM模型的各个层数、神经元与训练步骤进行优化。
2.根据权利要求1所述的基于风速日波动特征的超短期风速修订方法，其特征在于，步骤S1中，风场历史实测风速数据来自SCADA系统，天气预报风速预测数据由NWP模型输出。
3.根据权利要求1所述的基于风速日波动特征的超短期风速修订方法，其特征在于，步骤S3中，对风速波动特征进行标记的具体步骤为：
S301、以采样窗宽为24小时、采样间隔为4小时作为采样标准，利用VSDA模型对历史实测风速数据进行分段，得到大量风速日数据段；
S302、将分段所得风速日数据作为一种时间序列数据，利用VSDA模型提取风速脉冲强度和相似熵两类波动特征；
S303、在一定高度上，风速脉动值的均方根表示风速脉冲强度，具体公式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为脉冲强度，u为瞬时风速，/>
Figure QLYQS_3
为平均风速，/>
Figure QLYQS_4
为风速脉动值，n为采集风速的样本数；
S304、提取相似熵的具体过程如下：
S3041、构建一组维数为m的向量：
Figure QLYQS_5
；
其中，x(i)为第i时刻的风速，i=1,2,…,N-m+1，N为风速段总时刻长度；
定义向量X(i)与 X(j)之间的相关系数为：
Figure QLYQS_6
；
其中，
Figure QLYQS_7
；
S3042、计算每个i值下
Figure QLYQS_8
的数目，即为/>
Figure QLYQS_9
，具体公式为：
Figure QLYQS_10
；
其中，
Figure QLYQS_11
为相关性阈值，num( )为计数函数, i=1,2,…, N-m+1；
S3043、对
Figure QLYQS_12
取平均值，记为/>
Figure QLYQS_13
，具体公式为：
Figure QLYQS_14
；
S3044、将维数m增加1，重复步骤S3041-S3043，计算
Figure QLYQS_15
的平均值，具体公式为：
Figure QLYQS_16
；
S3045、计算时间序列相似熵
Figure QLYQS_17
，具体公式为：
Figure QLYQS_18
；
S305、使用K-means聚类分析算法，根据各个数据段的两类波动特征进行聚类处理，得出风速段区中的平稳日与波动日的分类标准，将平稳日与波动日分别标记为0与1，以此作为风速波动标记，用于反映风速波动情况。
4.根据权利要求1所述的基于风速日波动特征的超短期风速修订方法，其特征在于，还包括步骤S5：利用步骤S4建立的优化LSTM模型对预测数据进行修订，得到修订后的风速预测数据。
5.一种基于风速日波动特征的超短期风速修订系统，其特征在于，包括：
数据收集模块，用于收集风场历史实测风速数据与对应数值天气预报风速预测数据；
风速日波动特征标记模块，用于利用风速波动特征统计方法和K-means聚类分析算法，构建VSDA模型；将历史实测风速数据输入VSDA模型，进行风速日分段、提取风速日数据段中风速波动特征，并对风速段进行标记；
LSTM模型优化模块，用于将经过VSDA模型生成的风速日数据、对应的波动标记与数值天气预报风速预测数据作为风速订正模型输入，构建LSTM模型，并采用贝叶斯优化算法对LSTM模型的各个层数、神经元与训练步骤进行优化。
6.根据权利要求5所述的基于风速日波动特征的超短期风速修订系统，其特征在于，数据收集模块中，被配置以执行以下动作：风场历史实测风速数据来自SCADA系统，天气预报风速预测数据由NWP模型输出。
7.根据权利要求5所述的基于风速日波动特征的超短期风速修订系统，其特征在于，风速日波动特征标记模块中，被配置以执行以下动作：
步骤1、以采样窗宽为24小时、采样间隔为4小时作为采样标准，利用VSDA模型对历史实测风速数据进行分段，得到大量风速日数据段；
步骤2、将分段所得风速日数据作为一种时间序列数据，利用VSDA模型提取风速脉冲强度和相似熵两类波动特征；
步骤3、在一定高度上，用风速脉动值的均方根表示风速脉冲强度，具体公式为：
Figure QLYQS_19
；
其中，
Figure QLYQS_20
为脉冲强度，u为瞬时风速，/>
Figure QLYQS_21
为平均风速，/>
Figure QLYQS_22
为风速脉动值，n为采集风速的样本数；
步骤4、提取相似熵的具体过程如下：
步骤401、构建一组维数为m的向量：
Figure QLYQS_23
；
其中，x(i)为第i时刻的风速，i=1,2,…,N-m+1，N为风速段总时刻长度；
定义向量X(i)与 X(j)之间的相关系数为：
Figure QLYQS_24
；
其中，
Figure QLYQS_25
；
步骤402、计算每个i值下
Figure QLYQS_26
的数目，即为/>
Figure QLYQS_27
，具体公式为：
Figure QLYQS_28
；
其中，
Figure QLYQS_29
为相关性阈值，num( )为计数函数, i=1,2,…, N-m+1；
步骤403、对
Figure QLYQS_30
取平均值，记为/>
Figure QLYQS_31
，具体公式为：
Figure QLYQS_32
；
步骤404、将维数m增加1，重复步骤S3041- S3043，计算
Figure QLYQS_33
的平均值，具体公式为：
Figure QLYQS_34
；
步骤405、计算时间序列相似熵
Figure QLYQS_35
，具体公式为：
Figure QLYQS_36
；
步骤5、使用K-means聚类分析算法，根据各个数据段的两类波动特征进行聚类处理，得出风速段区中的平稳日与波动日的分类标准，将平稳日与波动日分别标记为0与1，以此作为风速波动标记，用于反映风速波动情况。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
9.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至4中任一项所述的方法。
CN202310653736.8A 2023-06-05 2023-06-05 一种基于风速日波动特征的超短期风速修订方法、系统 Active CN116388184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310653736.8A CN116388184B (zh) 2023-06-05 2023-06-05 一种基于风速日波动特征的超短期风速修订方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310653736.8A CN116388184B (zh) 2023-06-05 2023-06-05 一种基于风速日波动特征的超短期风速修订方法、系统

Publications (2)

Publication Number Publication Date
CN116388184A true CN116388184A (zh) 2023-07-04
CN116388184B CN116388184B (zh) 2023-08-15

Family

ID=86967903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310653736.8A Active CN116388184B (zh) 2023-06-05 2023-06-05 一种基于风速日波动特征的超短期风速修订方法、系统

Country Status (1)

Country Link
CN (1) CN116388184B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117878933A (zh) * 2024-03-13 2024-04-12 南京信息工程大学 一种基于突变气象环境识别的风电功率预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039228A1 (en) * 2012-02-13 2015-02-05 State Grid Corporation Of China Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses
CN109190845A (zh) * 2018-09-29 2019-01-11 南京信息工程大学 一种两阶段动态优化短期风电功率预测方法
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN111915092A (zh) * 2020-08-11 2020-11-10 东北大学 基于长短时记忆神经网络的超短期风电功率预测方法
CN112036595A (zh) * 2019-12-10 2020-12-04 北京信息科技大学 基于多位置数值天气预报短期风电功率预测方法和系统
CN113505938A (zh) * 2021-07-26 2021-10-15 中国电力科学研究院有限公司 一种超短期风电功率组合预测方法及系统
CN113569892A (zh) * 2021-01-29 2021-10-29 腾讯科技（深圳）有限公司 图像描述信息生成方法、装置、计算机设备及存储介质
CN114077929A (zh) * 2021-11-24 2022-02-22 山东大学 基于is-arima-lstm预测模型的风电功率预测方法及系统
CN114358398A (zh) * 2021-12-17 2022-04-15 中国长江三峡集团有限公司 一种基于深度神经网络的数值天气预报风速修正方法
CN114757427A (zh) * 2022-04-22 2022-07-15 大连理工大学 自回归修正的lstm智能风电场超短期功率预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039228A1 (en) * 2012-02-13 2015-02-05 State Grid Corporation Of China Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN109190845A (zh) * 2018-09-29 2019-01-11 南京信息工程大学 一种两阶段动态优化短期风电功率预测方法
CN112036595A (zh) * 2019-12-10 2020-12-04 北京信息科技大学 基于多位置数值天气预报短期风电功率预测方法和系统
CN111915092A (zh) * 2020-08-11 2020-11-10 东北大学 基于长短时记忆神经网络的超短期风电功率预测方法
CN113569892A (zh) * 2021-01-29 2021-10-29 腾讯科技（深圳）有限公司 图像描述信息生成方法、装置、计算机设备及存储介质
CN113505938A (zh) * 2021-07-26 2021-10-15 中国电力科学研究院有限公司 一种超短期风电功率组合预测方法及系统
CN114077929A (zh) * 2021-11-24 2022-02-22 山东大学 基于is-arima-lstm预测模型的风电功率预测方法及系统
CN114358398A (zh) * 2021-12-17 2022-04-15 中国长江三峡集团有限公司 一种基于深度神经网络的数值天气预报风速修正方法
CN114757427A (zh) * 2022-04-22 2022-07-15 大连理工大学 自回归修正的lstm智能风电场超短期功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴息;王彬滨;周海;余江;崔方;: "基于神经网络的风电场超短期风速数值预报的动态修订", 科技导报, no. 34, pages 39 - 44 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117878933A (zh) * 2024-03-13 2024-04-12 南京信息工程大学 一种基于突变气象环境识别的风电功率预测方法
CN117878933B (zh) * 2024-03-13 2024-05-28 南京信息工程大学 一种基于突变气象环境识别的风电功率预测方法

Also Published As

Publication number Publication date
CN116388184B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN116388184B (zh) 一种基于风速日波动特征的超短期风速修订方法、系统
CN114358213B (zh) 非线性时序数据预测的误差消融处理方法及系统与介质
CN111369057A (zh) 一种基于深度学习的空气质量预测优化方法及系统
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN116911806B (zh) 基于互联网+的电力企业能源信息管理系统
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN114792156A (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
CN115204444A (zh) 基于改进聚类分析和融合集成算法的光伏功率预测方法
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN115115090A (zh) 一种基于改进lstm-cnn的风功率短期预测方法
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN114595762A (zh) 一种光伏电站异常数据序列提取方法
CN113095547A (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
CN116739172A (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN115983095A (zh) 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法
CN111177973B (zh) 一种基于强化学习的光伏阵列在线建模方法
CN115048863A (zh) 一种光伏阵列在线建模方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN112036713A (zh) 一种基于主成分分析的煤改电综合效益评价方法和系统
CN111539577A (zh) 基于风速变化率和高斯过程回归的短期风电功率预测方法
CN112633565A (zh) 一种光伏功率集合区间预测方法
CN113536664B (zh) 一种海上风电出力的电量平衡计算方法、装置及系统
CN112348702B (zh) 基于窗口移动机器学习的电力负荷预测方法

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