CN116485004A - 一种基于功率热图和卷积神经网络的风电功率预测方法 - Google Patents
一种基于功率热图和卷积神经网络的风电功率预测方法 Download PDFInfo
- Publication number
- CN116485004A CN116485004A CN202310239392.6A CN202310239392A CN116485004A CN 116485004 A CN116485004 A CN 116485004A CN 202310239392 A CN202310239392 A CN 202310239392A CN 116485004 A CN116485004 A CN 116485004A
- Authority
- CN
- China
- Prior art keywords
- power
- wind power
- wind
- value
- prediction
- 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 38
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (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功率热图和卷积神经网络的风电功率预测方法,包括以下步骤:一、对风电集群分布图进行网格化;二、对空白单元格内的数据进行填充;三、将功率数值转化为相应颜色的像素点,进而生成功率热图;四、利用CNN模型进行风电集群综合功率预测,根据预测结果对功率热图的分辨率进行调整。本发明将风电集群分布图进行网格化,利用插值法在相应单元格中填入功率数值,利用颜色参数将功率数值转化成相应颜色的像素点生成功率热图,将功率热图作为CNN模型输入。因此,本发明能够很好的利用CNN模型进行风电集群综合功率预测。
Description
技术领域
本发明涉及风力发电功率预测的技术领域,具体涉及一种基于功率热图和卷积神经网络的风电功率预测方法。
背景技术
随着世界经济快速发展,环境问题日益突出,传统的不可再生资源如煤炭、石油等日益枯竭、供应渐趋紧张。风能作为一种清洁廉价的可再生能源对于环境保护以及气候缓解问题具有积极作用。近年来,在国家政策的大力支持下,我国风力发电事业正在快速发展。然而由于自然界风能的间歇性特征导致了风电功率具有强的波动性,因此大规模的风电接入电网,给电力系统的安全稳定运行带来了一定的影响。解决这一问题的关键就是对风速和风电功率的准确预测。
目前风电功率预测模型可大致分为三类:时间序列模型,传统机器学习模型和组合模型。对于线性、平稳的数据,时间序列模型的预测效果较好,为提高对于非平稳、非线性的数据的预测结果,机器学习模型如CNN卷积神经网络,LSTM长短期记忆神经网络等被用于风电功率预测。CNN卷积神经网络模型具有较好的特征提取能力,通常用于图像识别领域,单一的将时间序列作为CNN模型输入,模型的预测结果有待进一步提高。
发明内容
为了解决上述技术问题,本发明提出一种基于功率热图和卷积神经网络的风电功率预测方法,包括下述步骤:
对风电集群分布图进行网格化,在所述分布图中填入各风电场的功率数值;
对空白单元格进行数据填充;
将功率数值转化为相应颜色的像素点,生成功率热图;
对风电集群综合功率进行预测,根据预测结果对功率热图的分辨率进行调整,直到预测结果满足预期精度。
在上述方案的基础上,所述对风电集群分布图进行网格化,在所述分布图中填入各风电场的功率数值具体为:
根据风电集群待求区域内风电场所处经纬度利用DBSCAN算法,对风电场进行聚类;
计算各风电场之间的地理位置距离,比较所有类别中风电场地理位置距离,选出最小距离;
按照风电集群分布图的比例尺对该值进行缩放,类比模拟图像离散化的思想,得到网格化风电集群分布图的初始采样间隔;
D=min{d1,d2,…di}
其中di为第i类别中风电场间地理位置距离最小值;
r=D*l
其中r为初始采样间隔,l为风电集群分布图的比例尺;
根据初始采样间隔对风电集群分布图进行网格化;
若网格化后在一个单元格中出现两个风电场,则重复上述步骤对采样间隔进行调整,计算两个风电场之间地理位置距离按照比例尺对距离值进行缩放,以缩放后的距离值为新采样间隔;
再次对图片进行网格化,直到每个单元格中只存在一个风电场。
在上述方案的基础上,所述风电集群分布图每行每列的单元格数量不少于500。
在上述方案的基础上,所述对空白单元格进行数据填充具体为:
考虑相邻风电场间风电功率的相关性,根据风电场所处单元格位置,计算与该单元格相邻的一定范围内风电场之间的时空互相关性权重;
通过CCF互相关系数,考虑超短期风电功率预测周期,指定滞后时间k,计算两两风电场功率序列之间的互相关权重;
互相关权重计算表达式如下:
其中mpi和mpj为第i个风电场功率序列和第j个风电场功率序列的均值;si和sj为第i个风电场功率序列和第j个风电场功率序列的方差;pit为风电场i的历史t时刻功率序列,pjt+k为风电场j历史t+k时刻的功率序列;互相关权重系数在自相关权重系数的基础上引入时间滞后参数k;
考虑风电功率的时空相关性,将相邻风电场和自身多天历史统计数据作为风电功率的插值样本,构建考虑时空相关性的插值模型,其表达式为:
其中,p(t)为考虑时空相关性的线性插值法所求功率数值;pii(t)为风电场自身历史t时刻功率数据;pij(t)为与该风电场相邻的第j个风电场t时刻的风电功率数据;c为常数项,a为考虑自身功率的插值估算值的系数,b为考虑相邻风电场功率的插值估算值的系数;
采用最小二乘法求解出最优的a,b,c参数;
对于经过上述步骤后仍数据空缺的单元格,采用双线性插值法对单元格内数据进行填充。
在上述方案的基础上,所述将功率数值转化为相应颜色的像素点,生成功率热图具体为:
将t时刻功率数据表中的每一格代表一个像素,将单元格内的功率数据转化为相应像素值的颜色代码,进而生成t时刻的功率云图,步骤如下:
考虑一般风电场的功率区间,规定功率数据表中功率数值为Pmax时对应的颜色代码为(RH,GH,BH),功率数值为Pmin时对应的颜色代码为(RL,GL,BL)。对于功率数据Pi,计算得到功率云图中对应像素点Oi的颜色代码(Ri,Gi,Bi);
若功率数值大于Pmax,则像素点Oi采用Pmax对应的颜色代码(RH,GH,BH),即Ri=RH,Gi=GH,Bi=BH;
若功率数值小于Pmin,则像素点Oi采用Pmin对应的颜色代码(RL,GL,BL),即Ri=RL,Gi=GL,Bi=BL;
若功率数值处于[Pmin,Pmax]范围内,则像素点Oi采用的颜色代码(Ri,Gi,Bi)计算公式如下:
其中Pi为第i个功率数值。
在上述方案的基础上,所述对风电集群综合功率进行预测具体为:
利用CNN模型,以功率热图作为输入,以所有风电场功率作为输出,实现对风电集群综合功率预测;
其中为风电集群综合功率预测值;f为CNN模型;[h,w,(R,G,B)]为由功率云图图像高度,图像宽度,RGB三通道构成的三维输入矩阵;
以MSE作为评价预测精度的指标,根据预测值对网格化的采样间隔进行调整,直到预测结果满足预期精度;
其中Pi为风电集群功率实测值;为风电集群功率预测值;n为预测点个数;r为采样间隔;Δr为采样间隔调整值;MSE*为预期精度。
另一方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述方案的基础上所对应方法的步骤。
另一方面,一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述方案的基础上所对应方法的步骤。
本发明还提供了一种基于功率热图和卷积神经网络的风电功率预测系统,采用基于功率热图和卷积神经网络的风电功率预测方法,预测系统包括:
第一模块:对风电集群分布图进行网格化,在所述分布图中填入各风电场的功率数值;
第二模块:对空白单元格进行数据填充;
第三模块:将功率数值转化为相应颜色的像素点,生成功率热图;
第四模块:对风电集群综合功率进行预测,根据预测结果对功率热图的分辨率进行调整,直到预测结果满足预期精度。
本发明的有益效果:
本方法不仅将风电场历史功率数据作为输入,而且利用CNN模型进行风电集群综合功率预测,根据预测结果对功率热图的分辨率进行调整,直到预测结果满足预期精度,使得预测精度进一步的提高。
附图说明
本发明有如下附图:
图1一种基于功率云图和卷积神经网络的风电功率预测方法的流程示意图;
图2网格化风电集群分布图过程示意图。
具体实施方式
为使本发明的目的、优点和特征更加显而易见,下面结合附图1-2和具体实施方式对本发明进行进一步的详细说明。
一种具体的实施方式为:
步骤A:对风电集群分布图进行网格化,类比模拟图像离散化的思想,在图中风电场所处网格内填入各风电场的功率数值。
根据风电集群待求区域内风电场所处经纬度利用DBSCAN算法,对风电场进行聚类。计算各风电场之间的地理位置距离,比较所有类别中风电场地理位置距离,选出最小距离,并按照风电集群分布图的比例尺对该值进行缩放,类比模拟图像离散化的思想,得到网格化风电集群分布图的初始采样间隔。
D=min{d1,d2,…di} (1)
其中di为第i类别中风电场间地理位置距离最小值。
r=D*l (2)
其中r为初始采样间隔,l为风电集群分布图的比例尺。
根据初始采样间隔对风电集群分布图进行网格化,若网格化后在一个单元格中出现两个风电场,则重复上述步骤对采样间隔进行调整,计算两个风电场之间地理位置距离按照比例尺对距离值进行缩放,以缩放后的距离值为新采样间隔,再次对图片进行网格化,直到每个单元格中只存在一个风电场该过程如图1所示。同时为保证所得功率热图过渡平滑,要求每行每列的单元格数量不少于500。在风电场所在单元格内填入t时刻风电场对应功率。
步骤B:对空白单元格内的数据进行填充。首先针对已知风电场附近的单元格,利用考虑时空相关性的线性插值法进行数据填充;对其余空白单元格利用双线性插值法进行数据填充。
考虑相邻风电场间风电功率的相关性,根据风电场所处单元格位置,计算与该单元格相邻的一定范围内风电场之间的时空互相关性权重;通过CCF互相关系数,考虑超短期风电功率预测周期,指定滞后时间k,计算两两风电场功率序列之间的互相关权重;
互相关权重计算表达式如下:
其中mpi和mpj为第i个风电场功率序列和第j个风电场功率序列的均值;si和sj为第i个风电场功率序列和第j个风电场功率序列的方差;pit为风电场i的历史t时刻功率序列,pjt+k为风电场j历史t+k时刻的功率序列;互相关权重系数在自相关权重系数的基础上引入时间滞后参数k;
考虑风电功率的时空相关性,将相邻风电场和自身多天历史统计数据作为风电功率的插值样本,构建考虑时空相关性的插值模型,其表达式为:
其中,p(t)为考虑时空相关性的线性插值法所求功率数值;pii(t)为风电场自身历史t时刻功率数据;pij(t)为与该风电场相邻的第j个风电场t时刻的风电功率数据;c为常数项,a为考虑自身功率的插值估算值的系数,b为考虑相邻风电场功率的插值估算值的系数;
采用最小二乘法求解出最优的a,b,c参数;
对于经过上述步骤后仍数据空缺的单元格,采用双线性插值法对单元格内数据进行填充。
步骤C:根据颜色参数,将功率数值转化为相应颜色的像素点,进而生成功率热图。
将t时刻功率数据表中的每一格代表一个像素,将单元格内的功率数据转化为相应像素值的颜色代码,进而生成t时刻的功率云图,步骤如下:
考虑一般风电场的功率区间,规定功率数据表中功率数值为Pmax时对应的颜色代码为(RH,GH,BH),功率数值为Pmin时对应的颜色代码为(RL,GL,BL)。对于功率数据Pi,计算得到功率云图中对应像素点Oi的颜色代码(Ri,Gi,Bi);
若功率数值大于Pmax,则像素点Oi采用Pmax对应的颜色代码(RH,GH,BH),即Ri=RH,Gi=GH,Bi=BH;
若功率数值小于Pmin,则像素点Oi采用Pmin对应的颜色代码(RL,GL,BL),即Ri=RL,Gi=GL,Bi=BL;
若功率数值处于[Pmin,Pmax]范围内,则像素点Oi采用的颜色代码(Ri,Gi,Bi)计算公式如下:
其中Pi为第i个功率数值。
步骤D:所得功率热图作为输入,利用CNN模型进行对风电集群综合功率预测,根据预测结果对功率热图的分辨率进行调整,直到预测结果满足预期精度。
利用CNN模型,以功率热图作为输入,以所有风电场功率作为输出,实现对风电集群综合功率预测;
其中为风电集群综合功率预测值;f为CNN模型;[h,w,(R,G,B)]为由功率云图图像高度,图像宽度,RGB三通道构成的三维输入矩阵;
以MSE作为评价预测精度的指标,根据预测值对网格化的采样间隔进行调整,直到预测结果满足预期精度。
其中Pi为风电集群功率实测值;为风电集群功率预测值;n为预测点个数;r为采样间隔;Δr为采样间隔调整值;MSE*为预期精度。
以上实施方式仅用于说明本发明专利,而并非对本发明专利的限制,有关技术领域的普通技术人员,在不脱离本发明专利的实质和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明专利的范畴,本发明专利的专利保护范围应由权利要求限定。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种基于功率热图和卷积神经网络的风电功率预测方法,其特征在于,包括下述步骤:
对风电集群分布图进行网格化,在所述分布图中填入各风电场的功率数值;
对空白单元格进行数据填充;
将功率数值转化为相应颜色的像素点,生成功率热图;
对风电集群综合功率进行预测,根据预测结果对功率热图的分辨率进行调整,直到预测结果满足预期精度。
2.根据权利要求1所述的一种基于功率热图和卷积神经网络的风电功率预测方法,其特征在于,所述对风电集群分布图进行网格化,在所述分布图中填入各风电场的功率数值具体为:
根据风电集群待求区域内风电场所处经纬度利用DBSCAN算法,对风电场进行聚类;
计算各风电场之间的地理位置距离,比较所有类别中风电场地理位置距离,选出最小距离;
按照风电集群分布图的比例尺对所述功率数值进行缩放,类比模拟图像离散化的思想,得到网格化风电集群分布图的初始采样间隔;
D=min{d1,d2,…di}
其中di为第i类别中风电场间地理位置距离最小值;
r=D*l
其中r为初始采样间隔,l为风电集群分布图的比例尺;
根据初始采样间隔对风电集群分布图进行网格化;
若网格化后在一个单元格中出现两个风电场,则重复上述步骤对采样间隔进行调整,计算两个风电场之间地理位置距离按照比例尺对距离值进行缩放,以缩放后的距离值为新采样间隔;
再次对图片进行网格化,直到每个单元格中只存在一个风电场。
3.根据权利要求2所述的一种基于功率热图和卷积神经网络的风电功率预测方法,其特征在于,所述风电集群分布图每行每列的单元格数量不少于500。
4.根据权利要求1所述的一种基于功率热图和卷积神经网络的风电功率预测方法,其特征在于,所述对空白单元格进行数据填充具体为:
考虑相邻风电场间风电功率的相关性,根据风电场所处单元格位置,计算与该单元格相邻的一定范围内风电场之间的时空互相关性权重;
通过CCF互相关系数,考虑超短期风电功率预测周期,指定滞后时间k,计算两两风电场功率序列之间的互相关权重;
互相关权重计算表达式如下:
其中mpi和mpj为第i个风电场功率序列和第j个风电场功率序列的均值;si和sj为第i个风电场功率序列和第j个风电场功率序列的方差;pit为风电场i的历史t时刻功率序列,pjt+k为风电场j历史t+k时刻的功率序列;
互相关权重系数在自相关权重系数的基础上引入时间滞后参数k;
考虑风电功率的时空相关性,将相邻风电场和自身多天历史统计数据作为风电功率的插值样本,构建考虑时空相关性的插值模型,其表达式为:
其中,p(t)为考虑时空相关性的线性插值法所求功率数值;pii(t)为风电场自身历史t时刻功率数据;pij(t)为与该风电场相邻的第j个风电场t时刻的风电功率数据;c为常数项,a为考虑自身功率的插值估算值的系数,b为考虑相邻风电场功率的插值估算值的系数;
采用最小二乘法求解出最优的a,b,c参数;
对于经过上述步骤后仍数据空缺的单元格,采用双线性插值法对单元格内数据进行填充。
5.根据权利要求1所述的一种基于功率热图和卷积神经网络的风电功率预测方法,其特征在于,所述将功率数值转化为相应颜色的像素点,生成功率热图具体为:
将t时刻功率数据表中的每一格代表一个像素,将单元格内的功率数据转化为相应像素值的颜色代码,进而生成t时刻的功率云图,步骤如下:
考虑一般风电场的功率区间,规定功率数据表中功率数值为Pmax时对应的颜色代码为(RH,GH,BH),功率数值为Pmin时对应的颜色代码为(RL,GL,BL)。对于功率数据Pi,计算得到功率云图中对应像素点Oi的颜色代码(Ri,Gi,Bi);
若功率数值大于Pmax,则像素点Oi采用Pmax对应的颜色代码(RH,GH,BH),即Ri=RH,Gi=GH,Bi=BH;
若功率数值小于Pmin,则像素点Oi采用Pmin对应的颜色代码(RL,GL,BL),即Ri=RL,Gi=GL,Bi=BL;
若功率数值处于[Pmin,Pmax]范围内,则像素点Oi采用的颜色代码(Ri,Gi,Bi)计算公式如下:
其中Pi为第i个功率数值。
6.根据权利要求1所述的一种基于功率热图和卷积神经网络的风电功率预测方法,其特征在于,所述对风电集群综合功率进行预测具体为:
利用CNN模型,以功率热图作为输入,以所有风电场功率作为输出,实现对风电集群综合功率预测;
其中为风电集群综合功率预测值;f为CNN模型;[h,w,(R,G,B)]为由功率云图图像高度,图像宽度,RGB三通道构成的三维输入矩阵;
以MSE作为评价预测精度的指标,根据预测值对网格化的采样间隔进行调整,直到预测结果满足预期精度;
其中Pi为风电集群功率实测值;为风电集群功率预测值;n为预测点个数;r为采样间隔;Δr为采样间隔调整值;MSE*为预期精度。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
9.一种基于功率热图和卷积神经网络的风电功率预测系统,其特征在于,采用基于功率热图和卷积神经网络的风电功率预测方法,预测系统包括:
第一模块:对风电集群分布图进行网格化,在所述分布图中填入各风电场的功率数值;
第二模块:对空白单元格进行数据填充;
第三模块:将功率数值转化为相应颜色的像素点,生成功率热图;
第四模块:对风电集群综合功率进行预测,根据预测结果对功率热图的分辨率进行调整,直到预测结果满足预期精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239392.6A CN116485004A (zh) | 2023-03-14 | 2023-03-14 | 一种基于功率热图和卷积神经网络的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310239392.6A CN116485004A (zh) | 2023-03-14 | 2023-03-14 | 一种基于功率热图和卷积神经网络的风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485004A true CN116485004A (zh) | 2023-07-25 |
Family
ID=87216753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310239392.6A Pending CN116485004A (zh) | 2023-03-14 | 2023-03-14 | 一种基于功率热图和卷积神经网络的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485004A (zh) |
Cited By (1)
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 |
-
2023
- 2023-03-14 CN CN202310239392.6A patent/CN116485004A/zh active Pending
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020487B (zh) | 一种光伏电站辐照度预测值修正方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
KR101476522B1 (ko) | 에너지 발전량 예측 시스템 | |
CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
CN112381282B (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN115345076A (zh) | 一种风速订正处理方法及装置 | |
CN116451821A (zh) | 基于深度学习的大区域新能源发电功率预测方法及系统 | |
CN116485004A (zh) | 一种基于功率热图和卷积神经网络的风电功率预测方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
Li et al. | Photovoltaic power prediction method for zero energy consumption buildings based on multi-feature fuzzy clustering and MAOA-ESN | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
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 | |
CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及系统 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
Wang et al. | A short-term forecasting method for photovoltaic power based on ensemble adaptive boosting random forests | |
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 | |
CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 |
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 |