CN116454875A - 基于集群划分的区域风电场中期功率概率预测方法及系统 - Google Patents
基于集群划分的区域风电场中期功率概率预测方法及系统 Download PDFInfo
- Publication number
- CN116454875A CN116454875A CN202310414289.0A CN202310414289A CN116454875A CN 116454875 A CN116454875 A CN 116454875A CN 202310414289 A CN202310414289 A CN 202310414289A CN 116454875 A CN116454875 A CN 116454875A
- Authority
- CN
- China
- Prior art keywords
- power
- cluster
- wind
- prediction
- wind farm
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 19
- 238000005314 correlation function Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002015 leaf growth Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- 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
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集群划分的区域风电场中期功率概率预测方法及系统,包括:获取待预测区域设定时间段的历史气象特征参数;以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;获取每个子集群的功率预测误差,采用非参数核密度估计方法计算功率预测误差的概率密度分布,进而得到区域风电场功率概率预测结果。本发明利用减法聚类算法进行风电集群划分,可以有效提取风电功率信息的时序相依特性,对风电集群进行合理划分。
Description
技术领域
本发明涉及风电功率预测技术领域,尤其涉及一种基于集群划分的区域风电场中期功率概率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
区域风电功率预测对区域风电优化调度意义重大,现有的区域风电功率预测方法未考虑由于气象资源时空分布不同导致的时序差异性波动,也未按此对集群进行合理划分。同时由于风电具有的随机性和高波动性特点,风电功率预测还需要对预测中的不确定性进行合理的评估。
截止日前,风电区域功率预测的研究大都集中在短期和超短期,但是由于调度侧新能源保供电需求,现需要将预测尺度提升到中期。同时由于风电固有的间歇性和波动性,点预测会因数据不完整和模型不准确性而对预测结果产生不可避免的影响。相比于点预测,对风电区域进行概率预测不仅可以预测未来风电的期望值,还可以量化风电功率预测的不确定性信息。
但是,传统统计方法和人工智能方法等集群预测方法并没有同时考虑风电场输出功率的时空关联特征,对风电集群聚类划分,并开展中期尺度概率预测。
发明内容
为了解决上述问题,本发明提出了一种基于集群划分的区域风电场中期功率概率预测方法及系统,基于集群划分结果,利用LightGBM算法对每个集群建立中期风电功率预测模型,对功率预测误差采用非参数核密度估计方法计算概率密度分布,最终建立基于集群划分小时区域风电中期概率预测模型,有效提高了区域风电中期概率预测的精度。
在一些实施方式中,采用如下技术方案:
一种基于集群划分的区域风电场中期功率概率预测方法,包括:
获取待预测区域设定时间段的历史气象特征参数;
以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;
根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;
获取每个子集群的功率预测误差,采用非参数核密度估计方法计算功率预测误差的概率密度分布,进而得到区域风电场功率概率预测结果。
作为进一步地方案,获取待预测区域设定时间段的历史气象特征参数,具体为:
获取风速、风向、温度和湿度气象特征参数,采用互相关函数对气象数据和风电场功率数据进行相关性检验,筛选出与功率数据相关的气象特征参数。
作为进一步地方案,采用K-最邻近插补法对历史气象特征参数和风电场历史功率序列进行插补和清洗,然后对历史气象特征参数和风电场历史功率序列进行归一化处理。
作为进一步地方案,基于减法聚类算法对风电场集群进行划分,具体包括:
计算不同风电场功率序列间的欧式距离,以集群内距离最小化、集群间距离最大化为优化目标,实现对风电场集群的划分。
作为进一步地方案,对每个子集群建立基于lightGBM算法的中期风电场功率预测模型,具体为:
其中,表示功率预测值/>与功率真实值yi之间的误差函数,Ω(fk)为正则项;
其中:γ和λ为正则项的惩罚系数,T和ωj分别为第k棵CART的叶子数目和权重;L为预测得到的功率。
作为进一步地方案,采用非参数核密度估计方法计算功率预测误差的概率密度分布,具体为:
对于误差数据多变量的核密度估计的形式为:
其中,K(·)为核函数,且满足:
式中,Hx=diag(H1,H2,…,Hd);Hx和hy用于控制解释变量和目标量函数平滑度的带宽;表示为第i个风电场、第k个时间节点的预测功率,yi表示真实功率,为输入变量,xn表示输入的功率预测误差,p(y|M2)为输出变量,表示计算出的概率分布、N为输入数据维度。
在另一些实施方式中,采用如下技术方案:
一种基于集群划分的区域风电场中期功率概率预测系统,包括:
数据获取模块,用于获取待预测区域设定时间段的历史气象特征参数;
集群划分模块,用于以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;
功率预测模块,用于根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;
功率概率预测模块,用于获取每个子集群的功率预测误差,采用非参数核密度估计方法计算功率预测误差的概率密度分布,进而得到区域风电场功率概率预测结果。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于集群划分的区域风电场中期功率概率预测方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于集群划分的区域风电场中期功率概率预测方法。
与现有技术相比,本发明的有益效果是:
(1)本发明利用减法聚类算法进行风电集群划分,可以有效提取风电功率信息的时序相依特性,对风电集群进行合理划分。采用机器学习LightGBM算法和非参数核密度估计方法,利用各子集群功率预测误差拟合风电集群功率概率预测结果,相比于传统统计方法和人工智能方法,有效避免了通过合并单一风电场的预测结果而导致的累积误差,提高了预测的有效性。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1为本发明实施例中的基于集群划分的区域风电场中期功率概率预测方法过程示意图;
图2(a)-(b)分别为集群中5个风电场的实测功率和实测风速示意图;
图3为本发明实施例中的lightGBM算法流程图;
图4为本发明实施例中直方图算法示意图;
图5为本发明实施例中按叶子生长算法示意图;
图6为本发明实施例中风电集群划分地域图;
图7(a)-(d)分别为本发明实施例中子集群1、子集群2、子集群3和总集群的功率预测结果;
图8中的(a)-(d)分别为本发明实施例中不同采样点下误差概率分布情况;
图9为本发明实施例中风电功率概率预测结果示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于集群划分的区域风电场中期功率概率预测方法,采用互相关函数对空间气象特征参数进行有效识别,然后对风电集群出力波动性进行研究,利用减法聚类对风电场集群进行合理划分。然后基于集群划分结果,利用LightGBM算法对每个集群建立中期(通常为240h)风电功率预测模型,对功率预测误差采用非参数核密度估计方法计算概率密度分布,最终建立基于集群划分小时区域风电中期概率预测模型,有效提高了区域风电中期概率预测的精度。
结合图1,本实施方法具体包括以下过程:
(1)获取待预测区域设定时间段的历史气象特征参数;
本实施例中,历史气象特征参数具体包括:历史风速,温度,湿度,风向数据。
(2)以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;
本实施例中,由于所处地理环境和电网属性等原因,风电集群具有时序差异性波动,将风电集群通过聚类划分为多个相似子集群,再对各个子集群单独建模,可以有效减小因时空分布特性和局部效应引起的随机波动,保证集群风电功率预测精度。
图2(a)-(b)分别展示了集群中5个风电场的实测功率和风速对比情况,可以看出1号风电场的平均功率只有20KW左右,远低于装机容量的50%,而142号风电场的波动范围介于切入和满发之间。因此,由于风电场的地域分布等原因引起的风电场出力特性差异非常显著。
如上所述,区域风电功率在保持一定规律性的同时,在不同的地理环境下会呈现较大的差异性。合理的集群划分方案应满足以下条件:
1、保证同一集群内的风电场站属于同一电网区域;
2、根据风电场所处区域的地理位置、气候环境特征,依据相似的出力特性进行划分;
3、尽量减少子集群划分数量,提高建模的效率。
本实施例采用减法聚类方法,以设定时间段内与历史气象特征参数相对应的风电场功率序列为基础。通过计算不同功率序列间的距离,以集群内距离最小化、集群间距离最大化为优化目标,实现对风电场集群的划分。减法聚类方法将每个数据点作为潜在的聚类中心,通过不断减去已完成的聚类中心,再次寻找聚类。
记输入真实功率数据矩阵为:
式中yi=[yi1,yi2...yik],yik为第i个风电场,第k个时间节点的功率。
聚类中心和迭代更新方法如下:
通过(2)式发现高密度聚类中心Di后,定义Dc1为下一个密度最高的聚类中心,通过(3)式不断迭代新聚类中心的密度值,直到满足(4)式停止迭代。δ为手动输入的阈值。
ra为邻域半径,作用为控制每个簇的大小,为手动设置,本实施例默认选择为1。rb表示密度减小后的邻域半径,目的是去除当前聚类中心对其他样本的影响,本实施例根据经验值设定为1.25倍ra。
(3)根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;
具体地,LightGBM是基于boosting的机器学习算法,采用损失函数的负梯度作为当前决策树的残差近似值,去拟合新的决策树。LightGBM采用基于直方图的决策树算法和带深度限制的Leaf-wise的叶子生长策略,算法流程图如图3。
其中,结合图4,基于直方图的决策树算法将连续的浮点型特征值离散化为整数形式,同时构造宽度为K的直方图,根据离散化后的值作为索引在直方图中累积统计量,遍历寻找最优的分割点。
LightGBM抛弃了大多数GBDT工具使用的按层生长(level-wise)的决策树生长策略,而使用了带有深度限制的按叶子生长(leaf-wise)算法,如图5所示;在分裂次数相同的情况下,Leaf-wise可以降低更多的误差,得到更好的精度,其增加了一个最大深度的限制,在保证高效率的同时防止过拟合。
本实施例中,LightGBM模型的目标函数可以表示为:
其中:第一部分为预测值/>与真实值yi之间的误差函数,第二部分Ω(fk)为正则项,作用是减少模型的复杂度,即:
其中:γ和λ为正则项的惩罚系数,T和ω分别为第k棵CART的叶子数目和权重。
利用前向分布算法来训练目标函数,对于第t次迭代,二次求导后目标函数为:
其中:Ij={i∣q(xi)=j}表示叶子节点的样本集合。gi、hi为LightGBM模型二次求导后产生的系数。
可以看出,目标函数等价于求取关于权值wj的一元二次函数的最小值。
对wj求偏导可得叶子节点的最优权重:
Gi表示子结点j所包含样本的一阶偏导数累加之和,Hi表示一阶偏导数累加之和。带入目标函数可以求出最优目标值:
L*即为每个子集群的功率预测结果。
(4)根据基于LightGBM算法,对每个风电场子集群建模得到的功率预测进行误差分析,得到子集群功率预测误差,作为基于非参数核密度估计的概率预测模型输入,进而得到区域风电场功率概率预测结果。
本实施例采用非参数核密度估计来建立风电功率预测误差的概率分布(PDF)模型。不同于参数估计方法,非参数核密度估计方法不需要对功率预测数据提前做出假设作为先验分布,而是依赖于数据的特征获取其分布情况,其函数形状完全依靠样本数据的拟合;比起参数估计的方法具有更准确的表述能力。
采用非参数核密度估计方法计算功率预测误差的概率密度分布的具体过程如下:
对于输入数据xn表示输入的功率预测误差,n表示第n个风电场,多变量的核密度估计的形式为:
其中,K(·)为核函数,本实施例采用高斯核函数,且满足:
式中,Hx=diag(H1,H2,…,Hd);d表示输入变量x的维数;Hx和hy用于控制解释变量和目标量函数平滑度的带宽。核密度估计的效果优劣依赖于其对核函数和带宽的选取。
核密度估计曲线反映观测数据在曲线生成中的占比,其平滑程度是通过带宽来体现的,带宽选择的不同会直接导致估计结果存在差异。目前,求取带宽主要基于MSE准测、ISE准则和MISE准则,前两者容易受到单点和样本性质的影响,而MISE相比于前两者更具有全局性的衡量。因此,为避免因带宽的选择不合适而造成预测效果差,本实施例采用MISE准则来衡量带宽的合适度。
单点功率预测得到的是一个点的功率,每个时刻一个值。概率预测得到的是一个区间,因为风电气象和功率数据具有很强的波动性,单点的预测准确率不能满足需求,所有预测功率存在的一个区范围,就是概率预测。
本实施例通过对风电功率预测误差,采用核密度估计等数据分析方法直接计算出概率密度函数。基于风电功率概率预测,可以衡量由于风电的波动性和随机性导致的不确定性误差,为电力系统经济调度、检修计划、市场交易等优化决策提供更为全面的信息。
本实施例采用宁夏自治区20个风电场的实际风电数据。该数据集包含20个风电场2017年1月1日至2017年12月31日,共1个完整年的风力发电、数值天气预报数据。时间分辨率是15分钟。
为了确定预测模型的输入,本实施例采用互相关函数(CCF)对气象数据和风电功率数据进行相关性检验。其相关性系数计算公式如下所示:
式中,ρxy为相关性系数;X和Y分别表示两个时间序列的平均值;N为所检验时间序列的样本数。
由于实际运行中大多数风电场站存储的数据都会存在异常和缺失的情况。根据风电数据相邻时段的天气过程和风电功率具有的相似性。本实施例采用K-最邻近插补法对数据集进行的插补和清洗之后,对风电功率和气象特征变量均进行归一化处理。
集群的动态划分结果如下表1所示。集群1包含11个风电场,主要分布在宁夏中部河流沿岸区域,分布较为集中;集群2有5个风电场,主要分布在宁夏西部;集群3包含4个风电场,主要分布在宁夏东北区域。
表1集群划分结果
如图6所示,其展示了风电集群的位置分布,其中星型、正方形和三角形分别对应由聚类得到的3个集群。每一组划分结果中各个子集群内的风电场均处于相邻或相似的地理位置,满足聚类算法中簇内样本高度相似,簇间差异较大的原则。在分析验证了风电资源具有时空连续性特点的同时,也证明了采用聚类算法进行集群划分的合理性。
以集群划分结果为基础,采用LightGBM算法进行中期风电功率预测,记本实施例采用方法为方案1,为了验证方法效果,分别采用其他两种方案进行对比。
方案2:对各风电场分别建立模型进行预测,最终集群预测结果通过20个风电场加权得到。
方案3:以各风电场功率总加和为目标,选择所有风电场的空间几何中心处对应NWP为特征气象预报,并以此建立预测模型。
基于LightGBM的集群风电中期功率预测如图7(a)-(d)所示,其中,图7(a)-图7(c)为三个子集群的归一化功率预测结果,图7(d)为集群总预测结果。表2展示了第十天预测的评价指标可以看出:由于单一NWP气象平均值作为输入,无法准确反映整个集群的气象特征,因此方案3精度较差。方案1和2的结果较为接近,但是方案1精度较方案2更好,而且显著减少建模工作量。
表2第十天预测预测评价指标
按照基于LightGBM的功率预测方法对各个集群算例分别模拟生成240小时的风电曲线随机场景,并根据各个采样点风电模拟样本值分布情况,统计不同置信度下的风电功率置信区间。图8中的(a)-(d)分别展示了不同采样点下误差概率分布情况。图9给出了10%-90%置信度下总集群预测结果的风电功率置信区间、确定性预测值与实际值的对比。
本实施例为提高区域风电中期概率预测准确性,首先采用互相关函数对空间气象特征参数进行有效识别,然后对风电集群出力波动性进行研究。采用减法聚类算法对风电集群进行合理划分。然后基于集群划分结果,利用lightGBM算法对每个集群建立中期风电功率预测模型,对功率预测误差采用非参数核密度估计方法计算概率密度分布,最终建立基于集群划分的区域风电中期概率预测模型。实例分析表明,该减法聚类算法对风电集群进行合理有效划分,避免了通过合并单一风电场的预测结果而导致的累积误差。对各个子集群进行分别建模,有效提高了中期风电概率预测的预测精度。
实施例二
在一个或多个实施方式中,公开了一种基于集群划分的区域风电场中期功率概率预测系统,包括:
数据获取模块,用于获取待预测区域设定时间段的历史气象特征参数;
集群划分模块,用于以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;
功率预测模块,用于根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;
功率概率预测模块,用于获取每个子集群的功率预测误差,采用非参数核密度估计方法计算功率预测误差的概率密度分布,进而得到区域风电场功率概率预测结果。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了详细的说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、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程序时实现实施例一中的基于集群划分的区域风电场中期功率概率预测方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于集群划分的区域风电场中期功率概率预测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于集群划分的区域风电场中期功率概率预测方法,其特征在于,包括:
获取待预测区域设定时间段的历史气象特征参数;
以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;
根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;
获取每个子集群的功率预测误差,采用非参数核密度估计方法计算功率预测误差的概率密度分布,进而得到区域风电场功率概率预测结果。
2.如权利要求1所述的一种基于集群划分的区域风电场中期功率概率预测方法,其特征在于,获取待预测区域设定时间段的历史气象特征参数,具体为:
获取风速、风向、温度和湿度气象特征参数,采用互相关函数对气象数据和风电场功率数据进行相关性检验,筛选出与功率数据相关的气象特征参数。
3.如权利要求1所述的一种基于集群划分的区域风电场中期功率概率预测方法,其特征在于,采用K-最邻近插补法对历史气象特征参数和风电场历史功率序列进行插补和清洗,然后对历史气象特征参数和风电场历史功率序列进行归一化处理。
4.如权利要求1所述的一种基于集群划分的区域风电场中期功率概率预测方法,其特征在于,基于减法聚类算法对风电场集群进行划分,具体包括:
计算不同风电场功率序列间的欧式距离,以集群内距离最小化、集群间距离最大化为优化目标,实现对风电场集群的划分。
5.如权利要求1所述的一种基于集群划分的区域风电场中期功率概率预测方法,其特征在于,对每个子集群建立基于lightGBM算法的中期风电场功率预测模型,具体为:
其中,表示功率预测值/>与功率真实值yi之间的误差函数,Ω(fk)为正则项;
其中:γ和λ为正则项的惩罚系数,T和ωj分别为第k棵CART的叶子数目和权重;L为预测得到的功率。
6.如权利要求1所述的一种基于集群划分的区域风电场中期功率概率预测方法,其特征在于,采用非参数核密度估计方法计算功率预测误差的概率密度分布,具体为:
对于误差数据多变量的核密度估计的形式为:
其中,K(·)为核函数,且满足:
式中,Hx=diag(H1,H2,…,Hd);Hx和hy用于控制解释变量和目标量函数平滑度的带宽;表示为第i个风电场、第k个时间节点的预测功率,yi表示真实功率,为输入变量,xn表示输入的功率预测误差,p(y|M2)为输出变量,表示计算出的概率分布、N为输入数据维度。
7.一种基于集群划分的区域风电场中期功率概率预测系统,其特征在于,包括:
数据获取模块,用于获取待预测区域设定时间段的历史气象特征参数;
集群划分模块,用于以相应时间段内的风电场历史功率序列为基础,基于减法聚类算法对风电场集群进行划分;
功率预测模块,用于根据风电场集群划分结果,对每个子集群建立基于lightGBM算法的风电场中期功率预测模型,得到每个子集群的功率预测结果;
功率概率预测模块,用于获取每个子集群的功率预测误差,采用非参数核密度估计方法计算功率预测误差的概率密度分布,进而得到区域风电场功率概率预测结果。
8.一种终端设备,其包括处理器和存储器,处理器用于实现指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于集群划分的区域风电场中期功率概率预测方法。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的基于集群划分的区域风电场中期功率概率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310414289.0A CN116454875A (zh) | 2023-04-17 | 2023-04-17 | 基于集群划分的区域风电场中期功率概率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310414289.0A CN116454875A (zh) | 2023-04-17 | 2023-04-17 | 基于集群划分的区域风电场中期功率概率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116454875A true CN116454875A (zh) | 2023-07-18 |
Family
ID=87131725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310414289.0A Withdrawn CN116454875A (zh) | 2023-04-17 | 2023-04-17 | 基于集群划分的区域风电场中期功率概率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116454875A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934208A (zh) * | 2024-03-18 | 2024-04-26 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
CN118608874A (zh) * | 2024-08-06 | 2024-09-06 | 东北大学 | 阳极炉精炼还原期采样点判断方法、装置、设备及介质 |
-
2023
- 2023-04-17 CN CN202310414289.0A patent/CN116454875A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934208A (zh) * | 2024-03-18 | 2024-04-26 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
CN117934208B (zh) * | 2024-03-18 | 2024-06-11 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
CN118608874A (zh) * | 2024-08-06 | 2024-09-06 | 东北大学 | 阳极炉精炼还原期采样点判断方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Luo et al. | Forecasting building energy consumption: Adaptive long-short term memory neural networks driven by genetic algorithm | |
CN113572206B (zh) | 一种风电出力区间预测方法 | |
CN116454875A (zh) | 基于集群划分的区域风电场中期功率概率预测方法及系统 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN117076738A (zh) | 基于变网格模型的中长期气象预测方法、系统及介质 | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
CN117350421A (zh) | 基于改进tcn-lstm模型的风电超短期预测方法及系统 | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
Heydari et al. | A new combined PV output power forecasting model based on optimized LSTM network | |
Jankauskas et al. | Short-term wind energy forecasting with advanced recurrent neural network models: a comparative study | |
CN112417768A (zh) | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 | |
Li et al. | A short-term photovoltaic output prediction method based on improved PSO-RVM algorithm | |
Yang et al. | A hybrid vmd-based ARIMA-LSTM model for day-ahead pv prediction and uncertainty analysis | |
Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
Alay et al. | A Comparative Study of Data Mining Methods for Solar Radiation and Temperature Forecasting Models | |
CN118300104B (zh) | 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质 | |
CN114742258B (zh) | 可迁移的居民家庭用电负荷场景预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230718 |
|
WW01 | Invention patent application withdrawn after publication |