CN116739172A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116739172A CN116739172A CN202310723843.3A CN202310723843A CN116739172A CN 116739172 A CN116739172 A CN 116739172A CN 202310723843 A CN202310723843 A CN 202310723843A CN 116739172 A CN116739172 A CN 116739172A
- Authority
- CN
- China
- Prior art keywords
- climbing
- short
- wind power
- ultra
- offshore wind
- 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
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明提供一种基于爬坡识别的海上风电功率超短期分段预测方法及装置,属于海上风电功率预测技术领域。该方法首先采集海上风机的历史功率数据、天气预报信息数据,然后根据随机森林特征重要性计算模块和皮尔逊系数实现天气预报信息数据特征选择;再将历史功率数据和特征选择后的天气预报信息数据输入到深度学习模型中进行爬坡识别;再根据爬坡识别结果,采用TCN‑XGBoost组合模型对海上风电功率进行超短期预测;最后根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。本发明有效地提高了超短期预测的精度,实现了海上风电功率的超短期预测和概率预测。
Description
技术领域
本发明涉及海上风电功率预测技术领域,尤其涉及一种基于爬坡识别的海上风电功率超短期预测的方法及装置。
背景技术
由煤炭等传统化石能源提供的电力对环境造成的损害较大,而风能是一种清洁、可持续、环境友好型能源,具有巨大的开发前景与商业价值。海上风能具有风速大、稳定、切变小、噪音污染小、不占用土地资源、靠近电力需求、易于消纳等优点,随着海上风电场技术的不断成熟,海上风电将成为中国可再生能源发电量的重要来源之一。
海上风电功率超短期预测技术是保障电力系统安全稳定运行、提升海上风电消纳水平的重要手段。与陆上风电相比,海上风电受复杂的海洋气象因素影响,功率波动显著、爬坡问题突出,为海上风电功率超短期预测带来了很大挑战,其中功率爬坡事件频发对海上风电功率预测影响显著。
发明内容
本发明的目的是提供一种基于爬坡识别的海上风电功率超短期预测的方法及装置,以解决现有技术中由海上风电功率的短时大幅波动而提高了基于时序特征提取的超短期预测难度的技术问题。
为达到上述目的,本发明解决该技术问题所采用的技术方案是:
本发明首先提供一种基于爬坡识别的海上风电功率超短期分段预测方法,包括:
采集海上风机的历史功率数据、风速数据、风向数据和空气湿度等天气预报信息数据;
根据随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;
根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;
根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段。
根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
在一种可能的实现方式中,所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,所述根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,包括:
根据TCN深度学习模型对海上风电功率进行短期预测,获取功率短期预测结果;
基于所述功率短期预测结果,采用爬坡事件计算公式判断爬坡事件的发生,获取功率的爬坡时段和非爬坡时段。
在一种可能的实现方式中,所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,所述基于所述功率短期预测结果,采用爬坡事件计算公式判断爬坡事件的发生,包括:
根据如下公式判断爬坡事件的发生,即在(t,t+Δt)时间段内风电功率最大值和最小值之差超过阈值,则发生了爬坡事件。
max(P(t,t+Δt))-min(P(t,t+Δt))>Pr
式中max(P(t,t+Δt))和min(P(t,t+Δt))是(t,t+Δt)内风电功率的最大值和最小值,Δt为时间间隔,Pr为功率爬坡阈值。
在一种可能的实现方式中,所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,包括:
根据TCN模型主要由膨胀卷积和残差链接模块组成,每个TCN的膨胀卷积层含有Q个卷积层,扩张卷积计算公式为:
式中:F(s)为扩张卷积运算后的结果,f(ic)表示第ic个卷积核中的滤波器,k为卷积核大小,膨胀因子d=[1,…,2Q],以8层为例,膨胀因子d=[1,2,4,8,16,32,64,128],表示数据运算的方向;采用膨胀卷积层对天气预报信息数据和历史海上风电功率数据进行特征提取,能更好地学习爬坡时段波动数据的特征;通过残差链接模块进行更深层网络的设计,同等层数的前提下残差网络也收敛得更快,因此采用TCN模型预测海上风电功率的爬坡时段。
在一种可能的实现方式中,所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中XGBoost模型预测非爬坡时段,包括:
根据XGBoost模型通过计算海上风电功率的叶子节点增益,选择增益损失最大的叶子节点作为最优预测模型:
式中:Obj(t)为模型的目标函数,为损失函数,m为功率数据样本的数量,yl为功率数据样本的真实值,/>为模型预测输出,constant为一个常数C,n(n<m)为部分功率数据样本的数量,/>为第t时刻功率数据样本的真实值,/>为第t-1时刻功率数据样本的预测值,ft为第t棵树,xl为第l个数据集样本,Ω(ft)为模型的复杂度,γ为控制叶片数量参数,T为叶子节点数,λ为正则化参数,ωj为第j个叶子节点的权重;XGBoost模型的目标函数迭代过程使其对平稳时间序列数据的特征提取更加精准,因此采用XGBoost模型预测海上风电功率的非爬坡时段。
在一种可能的实现方式中,所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,所述提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果,包括:
根据海上风电功率具有波动大、爬坡事件频发的特点,因此,为放大误差函数的影响,增强分位数回归概率模型对预测误差的学习能力,提出如下改进的分位数回归概率预测目标函数:
式中:Lqr为概率预测模型的目标函数,τ为设定的分位数,N为预测样本的个数,Yi和分别为第i个预测样本的真实值和预测值。
第二方面,本发明提供了一种基于爬坡识别的海上风电功率超短期分段预测的装置,其特征在于,包括:
数据采集模块,用于采集海上风机的历史功率数据、风速数据、风向数据和空气湿度等天气预报信息数据;
特征选择模块,用于根据随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;
爬坡识别模块,用于根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;
超短期预测模块,用于根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;
概率预测模块,用于根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
第三方面,本发明提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明提供一种基于爬坡识别的海上风电功率超短期分段预测方法及装置,该方法包括:根据采集到海上风机的历史功率数据、风速数据、风向数据和空气湿度等天气预报信息数据,利用随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
通过本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法可以对爬坡事件进行有效识别,有效地提高了超短期预测的精度,实现了海上风电功率的超短期预测和概率预测,进而有利于电网系统提前评估爬坡备用容量,保障高比例风电系统的安全稳定运行,提升海上风电消纳水平,推动海上风电规模化、智能化发展。
附图说明
图1是本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的流程图;
图2为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测模型的结构示意图,图2中,(a)是TCN膨胀卷积结构图,(b)是TCN残差链接结构图,(c)是XGBoost模型原理图;
图3是本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的结构示意图;
图4是本发明实施例提供的电子设备的示意图;
图5是本发明实施例的深度学习模型短期预测结果图;
图6是本发明实施例的深度学习模型的爬坡识别准确性评估结果对比图;
图7是本发明实施例的爬坡识别结果图;
图8是本发明实施例的TCN-XGBoost组合模型超短期预测结果图;
图9是本发明实施例的不同预测方法的超短期预测误差对比图;
图10是本发明实施例的改进分位数回归概率预测模型的预测结果图,图10中(a1)、(a2)、(a3)分别展示了分位数回归模型在95%,90%,85%置信度下的概率预测结果;(b1)、(b2)、(b3)分别展示了改进分位数回归模型在95%,90%,85%置信度下的概率预测结果;
图11是本发明实施例的概率预测模型的超短期概率预测误差对比图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
1、方法流程
本发明实施例的第一方面提供了一种基于爬坡识别的海上风电功率超短期分段预测方法,请参照图1,图1为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的实现流程图,该方法包括:
S1:采集海上风机的历史功率数据、天气预报信息数据。
在本实施例中,示例性地,采集海上风机的天气预报信息数据可以包括:实测风速、平均风速、风向、空气密度、空气湿度和湍流强度等,本申请对此不作限定。
S2:根据随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择。
在本实施例中,可根据随机森林特征重要性模块计算每个天气预报特征量数据与学习预测历史风电功率之间的重要性,其中,Nrf为天气预报特征量数据的样本数量,Ei和/>分别为分类错误数和随机扰动后的分类错误数;
根据皮尔逊相关系数计算每个天气预报特征量数据之间的相关性,其中,Ix为随机森林特征重要性计算结果,r为天气预报特征量数据与历史风电功率数据之间的相关性,Nr为序列的长度,Rk和Sk分别为历史天气预报特征量数据的序列、历史风电功率数据的序列,/>分别为Rk序列和Sk序列的平均值。示例性的,特征重要性阈值可以设置为0.1,筛选出相关性高于设定阈值的特征量数据。
进一步地,在本实施例中,在根据随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择之前,还可以对天气预报信息数据和历史海上风电功率数据进行预处理。
对天气预报信息数据和历史海上风电功率数据进行预处理包括:对天气预报信息数据和历史海上风电功率数据进行填充,可以使用fancyimpute中填补缺失值专用的softlmpute模块对数据进行填充,softlmpute模块通过SVD分解的迭代软阈值处理来填充数据,使数据适应模型并且匹配模型的需求;也可以使用其他方法实现对天气预报信息数据和历史海上风电功率数据中的缺失数据进行填充,本申请对此不作限定。
在本实施例中,在数据量特征选择之前对天气预报信息数据和历史海上风电功率数据中的缺失数据进行填充,可以得到较为全面准确的天气预报信息数据和历史海上风电功率数据,为后续海上风电功率预测模型训练时提供全面准确的天气预报信息数据和历史海上风电功率数据。
S3:根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估。
在本实施例中,根据TCN深度学习模型对海上风电功率进行短期预测,获取功率短期预测结果。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,根据所述功率短期预测结果,采用爬坡事件计算公式判断爬坡事件的发生,获取功率的爬坡时段和非爬坡时段,包括:
根据如下公式判断爬坡事件的发生,即在(t,t+Δt)时间段内风电功率最大值和最小值之差超过阈值,则发生了爬坡事件。
max(P(t,t+Δt))-min(P(t,t+Δt))>Pr
式中max(P(t,t+Δt))和min(P(t,t+Δt))是(t,t+Δt)内风电功率的最大值和最小值,Δt为时间间隔,Pr为功率爬坡阈值。示例性地,爬坡识别参数设置时间间隔选取为1h,功率爬坡阈值选取为15%的额定功率,本申请对此不作限定。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,根据所述采用相关指标进行爬坡准确性评估,包括:
根据爬坡识别共有4种结果,其中TP指预测发生实际也发生,TN指预测未发生实际也未发生,FP指预测发生实际未发生,FN指预测不发生实际发生;采用评价指标查准率查全率/>关键成功指数/>误报率和准确率/>评估爬坡识别的准确性,其中NTP、NTN、NFP、NFN分别表示该事件发生的次数,本申请对此不作限定。
S4:根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其组合模型的结构示意图,请参考图2,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,包括:
根据TCN模型主要由膨胀卷积和残差链接模块组成,每个TCN的膨胀卷积层含有Q个卷积层,扩张卷积计算公式为:
式中:F(s)为扩张卷积运算后的结果,f(ic)表示第ic个卷积核中的滤波器,k为卷积核大小,膨胀因子d=[1,…,2Q],以8层为例,膨胀因子d=[1,2,4,8,16,32,64,128],表示数据运算的方向;采用膨胀卷积层对天气预报信息数据和历史海上风电功率数据进行特征提取,能更好地学习爬坡时段波动数据的特征;通过残差链接模块进行更深层网络的设计,同等层数的前提下残差网络也收敛得更快,因此采用TCN模型预测海上风电功率的爬坡时段。
本实施例中,TCN模型的膨胀卷积层个数和卷积核大小等模型参数,本申请对此不作限定。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中XGBoost模型预测非爬坡时段,包括:
根据XGBoost模型通过计算海上风电功率的叶子节点增益,选择增益损失最大的叶子节点作为最优预测模型:
式中:Obj(t)为模型的目标函数,为损失函数,m为功率数据样本的数量,yl为功率数据样本的真实值,/>为模型预测输出,constant为一个常数C,n(n<m)为部分功率数据样本的数量,/>为第t时刻功率数据样本的真实值,/>为第t-1时刻功率数据样本的预测值,ft为第t棵树,xl为第l个数据集样本,Ω(ft)为模型的复杂度,γ为控制叶片数量参数,T为叶子节点数,λ为正则化参数,ωj为第j个叶子节点的权重;XGBoost模型的目标函数迭代过程使其对平稳时间序列数据的特征提取更加精准,因此采用XGBoost模型预测海上风电功率的非爬坡时段。
本实施例中,XGBoost模型的叶子节点数等模型参数,本申请对此不作限定。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中XGBoost模型预测非爬坡时段,包括:
预测结果的评价指标表达式如下:
均方根误差(RMSE):
平均绝对百分比误差(MAPE):
式中:N为预测样本的个数,Yi和分别为第i个预测样本的真实值和预测值。
本实施例中,关于海上风电功率超短期预测结果的评价指标,本申请对此不作限定。
S5:根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,所述提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果,包括:
根据海上风电功率具有波动大、爬坡事件频发的特点,因此,为放大误差函数的影响,增强分位数回归概率模型对预测误差的学习能力,提出如下改进的分位数回归概率预测目标函数:
式中:Lqr为概率预测模型的目标函数,τ为设定的分位数,N为预测样本的个数,Yi和分别为第i个预测样本的真实值和预测值。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法的一种具体实施方式,所述提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果,包括:
超短期概率预测结果的评价指标表达式如下:
预测区间覆盖率(PICP):
预测区间平均带宽(PINAW):
式中:ci为在预测区间内的预测点数量;M为预测功率峰谷差;R为用于归一化目标值峰谷差;Ut、Lt分别表示预测区间的上、下界;N为预测样本的个数。
本实施例中,关于海上风电功率超短期概率预测结果的评价指标,本申请对此不作限定。
本发明提供一种基于爬坡识别的海上风电功率超短期分段预测方法及装置,该方法包括:根据采集到海上风机的历史功率数据、风速数据、风向数据和空气湿度等天气预报信息数据,利用随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。通过本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法可以对爬坡事件进行有效识别,有效地提高了超短期预测的精度,实现了海上风电功率的超短期预测和概率预测,进而有利于电网系统提前评估爬坡备用容量,保障高比例风电系统的安全稳定运行,提升海上风电消纳水平,推动海上风电规模化、智能化发展。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3是本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图3所示,本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置,包括:
数据采集模块301,用于采集海上风机的历史功率数据、风速数据、风向数据和空气湿度等天气预报信息数据;
特征选择模块302,用于根据随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;
爬坡识别模块303,用于根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;
超短期预测模块304,用于根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;
概率预测模块305,用于根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
本发明提供一种基于爬坡识别的海上风电功率超短期分段预测方法及装置,该方法包括:根据采集到海上风机的历史功率数据、风速数据、风向数据和空气湿度等天气预报信息数据,利用随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。通过本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测方法可以对爬坡事件进行有效识别,有效地提高了超短期预测的精度,实现了海上风电功率的超短期预测和概率预测,进而有利于电网系统提前评估爬坡备用容量,保障高比例风电系统的安全稳定运行,提升海上风电消纳水平,推动海上风电规模化、智能化发展。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的一种具体实施方式,该装置还可以包括:预处理模块,该预处理模块用于对天气预报信息数据和历史海上风电功率数据进行预处理。
对天气预报信息数据和历史海上风电功率数据进行预处理包括:对天气预报信息数据和历史海上风电功率数据进行填充,可以使用fancyimpute中填补缺失值专用的softlmpute模块对数据进行填充,softlmpute模块通过SVD分解的迭代软阈值处理来填充数据,使数据适应模型并且匹配模型的需求;也可以使用其他方法实现对天气预报信息数据和历史海上风电功率数据中的缺失数据进行填充,本申请对此不作限定。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的一种具体实施方式,爬坡识别模块303根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估,具体用于:
根据TCN深度学习模型对海上风电功率进行短期预测,获取功率短期预测结果。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的一种具体实施方式,根据所述功率短期预测结果,采用爬坡事件计算公式判断爬坡事件的发生,获取功率的爬坡时段和非爬坡时段,包括:
根据如下公式判断爬坡事件的发生,即在(t,t+Δt)时间段内风电功率最大值和最小值之差超过阈值,则发生了爬坡事件。
max(P(t,t+Δt))-min(P(t,t+Δt))>Pr
式中max(P(t,t+Δt))和min(P(t,t+Δt))是(t,t+Δt)内风电功率的最大值和最小值,Δt为时间间隔,Pr为功率爬坡阈值。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的一种具体实施方式,超短期预测模块304根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段,具体用于:
根据TCN模型主要由膨胀卷积和残差链接模块组成,每个TCN的膨胀卷积层含有Q个卷积层,扩张卷积计算公式为:
式中:F(s)为扩张卷积运算后的结果,f(ic)表示第ic个卷积核中的滤波器,k为卷积核大小,膨胀因子d=[1,…,2Q],以8层为例,膨胀因子d=[1,2,4,8,16,32,64,128],表示数据运算的方向;采用膨胀卷积层对天气预报信息数据和历史海上风电功率数据进行特征提取,能更好地学习爬坡时段波动数据的特征;通过残差链接模块进行更深层网络的设计,同等层数的前提下残差网络也收敛得更快,因此采用TCN模型预测海上风电功率的爬坡时段。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的一种具体实施方式,所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中XGBoost模型预测非爬坡时段,包括:
根据XGBoost模型通过计算海上风电功率的叶子节点增益,选择增益损失最大的叶子节点作为最优预测模型:
式中:Obj(t)为模型的目标函数,为损失函数,m为功率数据样本的数量,yl为功率数据样本的真实值,/>为模型预测输出,constant为一个常数C,n(n<m)为部分功率数据样本的数量,/>为第t时刻功率数据样本的真实值,/>为第t-1时刻功率数据样本的预测值,ft为第t棵树,xl为第l个数据集样本,Ω(ft)为模型的复杂度,γ为控制叶片数量参数,T为叶子节点数,λ为正则化参数,ωj为第j个叶子节点的权重;XGBoost模型的目标函数迭代过程使其对平稳时间序列数据的特征提取更加精准,因此采用XGBoost模型预测海上风电功率的非爬坡时段。
可选的,作为本发明实施例提供的基于爬坡识别的海上风电功率超短期分段预测装置的一种具体实施方式,概率预测模块305根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果,具体用于:
根据海上风电功率具有波动大、爬坡事件频发的特点,因此,为放大误差函数的影响,增强分位数回归概率模型对预测误差的学习能力,提出如下改进的分位数回归概率预测目标函数:
式中:式中:Lqr为概率预测模型的目标函数,τ为设定的分位数,N为预测样本的个数,Yi和分别为第i个预测样本的真实值和预测值。
图4是本发明实施例提供的电子设备的示意图。如图4所示,该实施例的电子设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述基于爬坡识别的海上风电功率超短期分段预测方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块301至304的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述电子设备4中的执行过程。例如,所述计算机程序42可以被分割成图3所示的模块301至304。
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
所述存储器41可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述基于爬坡识别的海上风电功率超短期分段预测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
2、仿真分析
基于上述方案,本实施例在MATLAB平台上进行仿真验证。本实例中使用数据包括某海上风机的历史功率数据与天气预报数据,时间分辨率为10min,风机单机容量为100kW。采用数据集的1月1日至12月26日作为训练集,12月27日作为测试集,通过多步滚动预测未来4h的海上风电功率数据。仿真测试软件平台使用MATLABR2020a,硬件平台使用INTELI7-12700H2.70GHz,16GBRAM电脑。
1)图5是深度学习模型短期预测结果图。选择LSTM、GRU、CNN-LSTM、CNN-GRU、XGBoost、TCN模型对三天的风电功率数据做爬坡识别,其中爬坡识别参数设置时间间隔选取为1h,爬坡阈值选取为15%的额定功率。图6是深度学习模型的爬坡识别准确性评估结果对比图。TCN模型在爬坡识别误报率上表现的更加精准,具有较高的准确性,能够对海上风电功率爬坡现象的出现进行有效的识别。图7是爬坡识别结果图。从海上爬坡识别结果中选择TCN模型作为海上风电功率爬坡识别模型,对一天的海上风电功率数据进行爬坡识别。
2)图8是TCN-XGBoost组合模型超短期预测结果图。选取第19-22h时段作为超短期预测区间,其中第19h、20h时段为爬坡时段,其余为非爬坡时段。选取LSTM、GRU、CNN-LSTM、CNN-GRU、XGBoost、TCN模型作为对比模型,其中参数设置中批处理大小为24,学习率为0.01,最大迭代次数为1000,卷积核大小为3个,卷积核个数为32个,残差快个数为2个,空间丢失因子为0.05,树的个数为100,最大深度为6,输入特征个数为5个。图9是不同预测方法的超短期预测误差对比图。通过完全准确的爬坡识别结果,采用TCN-XGBoost组合模型分别预测爬坡时段和非爬坡时段,可以深度挖掘不同时段数据的特征和信息,有效地提升超短期预测精度,其中RMSE减小了26.1%,MAPE减小了30.1%,验证了在准确的爬坡识别基础上进行分段预测,可有效提升海上风电功率的超短期预测精度。
3)图10是改进分位数回归概率预测模型的预测结果图。在基于爬坡识别的超短期预测结果基础上,提出改进分位数回归概率预测方法,对第19-22h时段的功率进行概率预测。图11是概率预测模型的超短期概率预测误差对比图。在满足区间覆盖率对应的置信度要求时,改进的分位数回归概率预测模型在功率大幅度波动时,仍能保持更有效的区间平均带宽,说明模型能挖掘复杂不确定性的海上风电功率波动信息和特征。其中在95%、90%和85%置信水平下,PINAW分别减小了4.83%、6.58%和9.68%,说明改进的分位数回归模型更适合于复杂不确定性的海上风电功率概率预测。
Claims (9)
1.一种基于爬坡识别的海上风电功率超短期预测方法,其特征在于,包括:
S1.采集海上风机的历史功率数据、天气预报信息数据,其中天气预报信息数据包括如下特征:实测风速、平均风速、风向、空气密度、空气湿度、湍流强度;
S2.根据随机森林特征重要性计算模块和皮尔逊系数对每个天气预报信息数据的特征与历史功率数据进行双层相关性分析,剔除冗余的天气预报信息数据特征实现天气预报信息数据特征选择;
S3.将历史功率数据和步骤S2特征选择后的天气预报信息数据输入到深度学习模型中,根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;
S4.根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;
S5.根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
2.如权利要求1所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,步骤S3所述根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,包括:
S3-1.根据TCN深度学习模型对海上风电功率进行短期预测,获取功率短期预测结果;
S3-2.基于所述功率短期预测结果,采用爬坡事件计算公式判断爬坡事件的发生,获取功率的爬坡时段和非爬坡时段。
3.如权利要求2所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,所述基于所述功率短期预测结果,采用爬坡事件计算公式判断爬坡事件的发生,包括:
根据如下公式判断爬坡事件的发生,即在(t,t+Δt)时间段内风电功率最大值和最小值之差超过阈值,则发生了爬坡事件
max(P(t,t+Δt))-min(P(t,t+Δt))>Pr
式中max(P(t,t+Δt))和min(P(t,t+Δt))是(t,t+Δt)时间段内风电功率的最大值和最小值,Δt为时间间隔,Pr为功率爬坡阈值。
4.如权利要求1所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,步骤S4所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,包括:
TCN模型包括膨胀卷积和残差链接模块,每个TCN模型的膨胀卷积层含有Q个卷积层,扩张卷积计算公式为:
式中:F(s)为扩张卷积运算后的结果,f(ic)表示第ic个卷积核中的滤波器,k为卷积核大小,膨胀因子d=[1,…,2Q],表示数据运算的方向。
5.如权利要求1所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,步骤S4所述根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中XGBoost模型预测非爬坡时段,包括:
采用XGBoost模型计算海上风电功率的叶子节点增益,选择增益损失最大的叶子节点作为最优预测模型:
式中:Obj(t)为模型的目标函数,为损失函数,m为功率数据样本的数量,yl为功率数据样本的真实值,/>为模型预测输出,cons tan t为一个常数C,n(n﹤m)为部分功率数据样本的数量,/>为第t时刻功率数据样本的真实值,/>为第t-1时刻功率数据样本的预测值,fz为第z棵树,xl为第l个数据集样本,Ω(ft)为模型的复杂度,γ为控制叶片数量参数,T为叶子节点数,λ为正则化参数,ωj为第j个叶子节点的权重。
6.如权利要求1所述的基于爬坡识别的海上风电功率超短期预测方法,其特征在于,步骤S5所述提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果,包括:
提出如下改进的分位数回归概率预测目标函数:
式中:Lqr为概率预测模型的目标函数,τ为设定的分位数,N为预测样本的个数,Yi和分别为第i个预测样本的真实值和预测值。
7.一种基于爬坡识别的海上风电功率超短期分段预测的装置,其特征在于,包括:
数据采集模块,用于采集海上风机的历史功率数据、天气预报信息数据,其中天气预报信息数据包括如下特征:实测风速、平均风速、风向、空气密度、空气湿度、湍流强度;
特征选择模块,用于根据随机森林特征重要性计算模块和皮尔逊系数对特征进行双层相关性分析,剔除冗余特征实现特征选择;
爬坡识别模块,用于根据深度学习模型对海上风电功率进行爬坡识别,将功率数据划分为爬坡时段和非爬坡时段,并采用相关指标进行爬坡准确性评估;
超短期预测模块,用于根据爬坡识别结果,采用TCN-XGBoost组合模型对海上风电功率进行超短期预测,其中TCN模型预测爬坡时段,XGBoost模型预测非爬坡时段;
概率预测模块,用于根据超短期预测结果,提出改进的分位数回归概率预测模型,获取海上风电功率超短期概率预测结果。
8.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如上的权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读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执行时实现如上的权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310723843.3A CN116739172B (zh) | 2023-06-19 | 2023-06-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310723843.3A CN116739172B (zh) | 2023-06-19 | 2023-06-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739172A true CN116739172A (zh) | 2023-09-12 |
CN116739172B CN116739172B (zh) | 2023-12-08 |
Family
ID=87911119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310723843.3A Active CN116739172B (zh) | 2023-06-19 | 2023-06-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739172B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878928A (zh) * | 2024-03-12 | 2024-04-12 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612262A (zh) * | 2020-01-15 | 2020-09-01 | 长沙理工大学 | 一种基于分位数回归的风电功率概率预测方法 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN112580874A (zh) * | 2020-12-21 | 2021-03-30 | 中国矿业大学(北京) | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
CN114021483A (zh) * | 2021-11-24 | 2022-02-08 | 新疆工程学院 | 基于时域特征与XGBoost的超短期风电功率预测方法 |
CN114498633A (zh) * | 2022-02-15 | 2022-05-13 | 国网山东省电力公司菏泽供电公司 | 一种基于XGBoost和QRLSTM的短期负荷概率预测方法 |
-
2023
- 2023-06-19 CN CN202310723843.3A patent/CN116739172B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612262A (zh) * | 2020-01-15 | 2020-09-01 | 长沙理工大学 | 一种基于分位数回归的风电功率概率预测方法 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN112580874A (zh) * | 2020-12-21 | 2021-03-30 | 中国矿业大学(北京) | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
CN114021483A (zh) * | 2021-11-24 | 2022-02-08 | 新疆工程学院 | 基于时域特征与XGBoost的超短期风电功率预测方法 |
CN114498633A (zh) * | 2022-02-15 | 2022-05-13 | 国网山东省电力公司菏泽供电公司 | 一种基于XGBoost和QRLSTM的短期负荷概率预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878928A (zh) * | 2024-03-12 | 2024-04-12 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
CN117878928B (zh) * | 2024-03-12 | 2024-05-14 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116739172B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jebli et al. | Prediction of solar energy guided by pearson correlation using machine learning | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN111967696B (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
Peng et al. | Wind power prediction for wind farm clusters based on the multi-feature similarity matching method | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN112862630A (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
CN116739172B (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 | |
CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
Yu et al. | Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN112560633B (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN116845868A (zh) | 分布式光伏功率预测方法、装置、电子设备及存储介质 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
Wu et al. | Short-Term Prediction of Wind Power Considering the Fusion of Multiple Spatial and Temporal Correlation Features | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN111612289A (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 |
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 |