CN116826724A - 基于多重数据筛选的风电功率区间预测方法及相关设备 - Google Patents

基于多重数据筛选的风电功率区间预测方法及相关设备 Download PDF

Info

Publication number
CN116826724A
CN116826724A CN202310770600.5A CN202310770600A CN116826724A CN 116826724 A CN116826724 A CN 116826724A CN 202310770600 A CN202310770600 A CN 202310770600A CN 116826724 A CN116826724 A CN 116826724A
Authority
CN
China
Prior art keywords
wind speed
speed data
data
wind
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
Application number
CN202310770600.5A
Other languages
English (en)
Inventor
王斐
张镇
曾顺奇
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310770600.5A priority Critical patent/CN116826724A/zh
Publication of CN116826724A publication Critical patent/CN116826724A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • H02J3/381—Dispersed generators
    • 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)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (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

本申请公开了一种基于多重数据筛选的风电功率区间预测方法及相关设备，包括：基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于关联系数对第一风速数据进行筛选，得到第二风速数据；基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的IMF分量；将各IMF分量输入训练后的LSTM模型，得到风速的点预测结果；将点预测结果代入风速‑风电功率拟合曲线，得到风电功率预测结果，并确定风电功率的预测区间。本申请能够有效改善风电功率的区间预测指标。

Description

基于多重数据筛选的风电功率区间预测方法及相关设备
技术领域
本申请涉及风电预测技术领域，更具体地说，是涉及一种基于多重数据筛选的风电功率区间预测方法及相关设备。
背景技术
为提高风电功率的预测精度，典型方法是采用模态分析将风速曲线分解为不同模态的固有模态分量，并以元启发算法对各分量进行预测得到风电功率。实际上，预测数据和训练数据的相似性对元启发算法输出误差的影响很大，为保证对不同变化特点的固有模态分量均具有一定的拟合精度，元启发算法的模型参数会被配置为某一折中值，因此，无法保证所得预测结果的最优精度。
此外，采用聚类算法对风速数据进行预处理，预测了不同风速、风向下的风电功率区间分布。但聚类算法只能对单一数据点进行聚类，无法完全反映风速变化趋势对预测结果的影响，因而预测精度有限。
发明内容
有鉴于此，本申请提供了一种基于多重数据筛选的风电功率区间预测方法及相关设备，以实现优化风电功率的区间预测。
为实现上述目的，本申请第一方面提供了一种基于多重数据筛选的风电功率区间预测方法，包括：
基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
优选地，所述基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据的过程，包括：
以历史风速数据作为样本拟合数值预报风速与实测风速的曲线关系，得到目标拟合关系；
利用所述目标拟合关系对所述风速数据进行拟合，得到修正后的风速数据；
基于风向数据、温度数据、湿度数据、气压数据和所述修正后的风速数据，构建气象因素特征矩阵；
计算所述气象因素特征矩阵的欧氏距离，并以预设的距离阈值对修正后的风速数据进行筛选，得到第一风速数据。
优选地，所述基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据的过程，包括：
利用下述方程式计算得到历史风速数据与第一风速数据的匹配系数aj(k)：
其中，ρ为预设的分辨系数，X0＝[x0(1),x0(2),…,x0(m)]为由第一风速数据构成的序列，x0(k)为序列X0中的元素，Xj＝[xj(1),xj(2),…,xj(m)]为由历史风速数据构成的序列，xj(k)为序列Xj中的元素，m为预设的序列长度；
利用下述方程式计算得到关联系数F：
从第一风速数据中筛选出关联系数小于预设关联度的数据，得到第二风速数据。
优选地，所述基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量的过程，包括：
获取第二风速数据中的各极值点，并基于各极值点确定极大值包络线和极小值包络线；
基于所述极大值包络线和所述极小值包络线，计算得到平均极大值和平均极小值；
基于平均极大值、平均极小值、第二风速数据以及预设的内涵模态分量阈值，获取多个相互独立的内涵模态分量。
优选地，所述将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果的过程，包括：
将各内涵模态分量输入LSTM模型，并利用梯度下降算法不断调整LSTM模型的权重和阈值，直到LSTM模型的输出满足预设的误差要求，得到训练后的LSTM模型；
将各内涵模态分量对应的预测参数输入训练后的LSTM模型，得到各内涵模态分量的确定性预测值；
合并各内涵模态分量的确定性预测值，得到风速的点预测结果。
优选地，所述点预测结果包括风速点预测值，风电功率预测结果包括风电功率预测值；将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果的过程，包括：
利用下述方程式，确定风电功率预测值：
其中，v为风速点预测值，Pw为风电功率预测值，Prw为风机的额定功率，vqr为风机切入风速，为风机额定风速，vqc为风机切出风速。
优选地，所述基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间的过程，包括：
基于所述风电功率预测结果获取容量为n的第一预测误差样本序列，n为预设的自然数；
从各预测误差样本中获取B个容量为n的第二预测误差样本序列；
构造枢轴量：
其中，Vw为枢轴量，为第一预测误差样本序列的样本均值，为第二预测误差样本序列的样本均值，S为第二预测误差样本序列中的样本标准差；
基于所述枢轴量获取第一近似分位数和第二近似分位数，且所述第一近似分位数和所述第二近似分位数满足下述方程式：
P{ωv,a/2<Vw<ωv,1-α/2}＝1-α
其中，ωv,α/2为第一近似分位数，ωv,1-α/2为第二近似分位数，α为预设的常数，P{}为取概率运算；
将风电功率的预测区间确定为：
其中，k1＝B×α/2，k2＝B×(1-α/2)，B为预设的自然数。
本申请第二方面提供了一种基于多重数据筛选的风电功率区间预测装置，包括：
第一筛选单元，用于基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
第二筛选单元，用于基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
数据分解单元，用于基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
风速预测单元，用于将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
风电预测单元，用于将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
区间确定单元，用于基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
本申请第三方面提供了一种基于多重数据筛选的风电功率区间预测设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现上述的基于多重数据筛选的风电功率区间预测方法的各个步骤。
本申请第四方面提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的基于多重数据筛选的风电功率区间预测方法的各个步骤。
经由上述的技术方案可知，本申请首先基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据。然后，基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据。上述操作在兼顾风速修正和气象相似性，风电功率变化趋势和不同频率分量映射的基础上，通过对风速数据的多重筛选，完成对风速数据进行有效的预处理，为准确的风电功率区间预测奠定了坚实的基础。接着，基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量，并将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果。所述LSTM模型引入了战争策略算法来优化长短期记忆网络，进一步加强了风电功率点预测的精度。接着，将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果。最后，基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。本申请能够有效改善风电功率的区间预测指标。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的基于多重数据筛选的风电功率区间预测方法的示意图；
图2为本申请实施例公开的基于多重数据筛选的风电功率区间预测装置的示意图；
图3为本申请实施例公开的基于多重数据筛选的风电功率区间预测设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
针对上述问题，结合数据筛选对区间预测精度的重要影响，本申请尝试在兼顾风速修正和气象相似性，风电功率变化趋势和不同频率分量映射的基础上，给出一种多重数据筛选方法，并将筛选后的结果作为元启发优化算法的输入，以转换关系给出风电出力的确定性预测结果，最后利用Bootstrap抽样法确定区间的上下限，以进一步提高风电功率区间预测的精度。
下面介绍本申请实施例提供的基于多重数据筛选的风电功率区间预测方法。请参阅图1，本申请实施例提供的基于多重数据筛选的风电功率区间预测方法可以包括如下步骤：
步骤S101，基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据。
步骤S102，基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于该关联系数对第一风速数据进行筛选，得到第二风速数据。
步骤S103，基于VMD方法对第二风速数据进行分解，得到多个相互独立的IMF分量。
其中，VMD方法(Variational Mode Decomposition，变分模态分解方法)是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带完，并且可以实现IMF分量(Intrinsic Mode Functions，内涵模态分量)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最終获得变分问题的最优解。它克服了EMD(Empirical ModeFunctions，经验模态分解)方法存在端点效应和模态分量混叠的问题，并且具有更坚实的数学理论基础，可以降低复杂度高和非线性强的时间序列非平稳性，分解获得包含多个不同频率尺度目相对平稳的子序列，适用于非平稳性的序列，VMD的核心思想是构建和求解变分问题。
步骤S104，将各IMF分量输入训练后的LSTM模型，得到风速的点预测结果。
步骤S105，将点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果。
步骤S106，基于风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
本申请首先基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据。然后，基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据。上述操作在兼顾风速修正和气象相似性，风电功率变化趋势和不同频率分量映射的基础上，通过对风速数据的多重筛选，完成对风速数据进行有效的预处理，为准确的风电功率区间预测奠定了坚实的基础。接着，基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量，并将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果。所述LSTM模型引入了战争策略算法来优化长短期记忆网络，进一步加强了风电功率点预测的精度。接着，将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果。最后，基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。本申请能够有效改善风电功率的区间预测指标。
在本申请的一些实施例中，步骤S101基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据的过程，可以包括：
S1，以历史风速数据作为样本拟合NWP风速与实测风速的曲线关系，得到目标拟合关系。
NWP(numerical weather prediction)风速即数值预报风速，是由气象站预报的风速。示例性地，可以利用下述方程式对NWP风速与实测风速进行拟合：
f(v)＝-0.05756×v2+1.643×v-1.602
其中，f(v)表示NWP风速，v表示实测风速。
S2，利用目标拟合关系对风速数据进行拟合，得到修正后的风速数据。
S3，基于风向数据、温度数据、湿度数据、气压数据和所述修正后的风速数据，构建气象因素特征矩阵。
其中，气象因素特征矩阵可以表示为：
Xi＝[Xi(1),Xi(2),…,Xi(n)]
Xi(n)为第n个气象元素在第i天的列向量，
Xi(n)＝[x1(n),x2(n),…,xm(n)]
下标m表示第i天的第m时刻。
由于各气象元素计量方法不仅单位不同，幅度也相差较大，用标准化方法对数据进行归一化处理如下：
xi,g(j)＝[xi(j)-xmin(j)]/[xmax(j)-xmin(j)]
式中，xi,g(j)为归一化后的数据，xmin(j)和xmax(j)分别为第j个气象元素的最小值和最大值。
S4，计算气象因素特征矩阵的欧氏距离，并以预设的距离阈值对修正后的风速数据进行筛选，得到第一风速数据。
其中，对于S3中的气象因素特征矩阵，其欧氏距离可以计算如下：
示例性地，该距离阈值可以预设为0.1。
在本申请的一些实施例中，步骤S102基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于该关联系数对第一风速数据进行筛选，得到第二风速数据的过程，可以包括：
S1，利用下述方程式计算得到历史风速数据与第一风速数据的匹配系数αj(k)：
其中，ρ为预设的分辨系数，X0＝[x0(1),x0(2),…,x0(m)]为由第一风速数据构成的序列，x0(k)为序列X0中的元素，Xj＝[xj(1),xj(2),…,xj(m)]为由历史风速数据构成的序列，xj(k)为序列Xj中的元素，m为预设的序列长度。
S2，利用下述方程式计算得到关联系数F：
S3，从第一风速数据中筛选出关联系数小于预设关联度的数据，得到第二风速数据。
在本申请的一些实施例中，步骤S103基于VMD方法对第二风速数据进行分解，得到多个相互独立的IMF分量的过程，可以包括：
S1，获取第二风速数据中的各极值点，并基于各极值点确定极大值包络线和极小值包络线。
S2，基于极大值包络线和极小值包络线，计算得到平均极大值和平均极小值。
S3，基于平均极大值、平均极小值、第二风速数据以及预设的内涵模态分量阈值，获取多个相互独立的内涵模态分量。
示例性地，可以首先计算：
z(t)＝x0(t)-p(t)
判断z(t)是否符合IMF的条件；若符合，则z(t)即为第一个IMF分量i1(t)；若不符合，则重复S1和S2，直到z(t)符合IMF的条件为止。
接着，在第二风速数据中剔除第一个IMF分量i1(t)，得到：
z1(t)＝x0(t)-i1(t)
重复上述各步骤，得到第i个IMF分量ii(t)，直到zi+1(t)无法分解，令残差e(t)＝zi+1(t)，则最终可以得到风速序列不同分解量和残差的和的形式：
x0(t)＝i1(t)+…+ii(t)+e(t)
在本申请的一些实施例中，步骤S104提及的LSTM网络模型的构建方法，可以包括：
S1，初始化算法最大迭代次数、士兵数量，并设定优化的解空间、维度，将部队士兵(优化变量)随机均匀分布在战场上，对各士兵赋予相同的等级R和权重W。
S2，计算各士兵的战斗力(目标函数值)，通过战斗力排序，选择战斗力最高的士兵为国王K，战斗力次之的为指挥官C。
S3，士兵位置更新通过rand>选择参数r随机确定更新策略。进攻更新策略由国王指挥军队，士兵根据国王和指挥官的位置动态更新自己的位置：
Xi(t+1)＝Xi(t)+2×rnad×(c-k)+rand×(wi(t)×K-Xi(t))
式中，Xi(t)、Xi(t+1)分别为第i次迭代更新前和更新后第t个士兵的位置；rand为[0,1]间的随机数；C、K分别为指挥官和国王的位置；wi(t)为第i次迭代第t个士兵的权重。
防守策略通过指挥官引领，各士兵根据国王的位置以及周围士兵的位置来进行位置更新：
Xi(t+1)＝Xi(t)+2×rand×(K-Xrand(t))+rand×wi(t)(C-Xi(t))
式中，Xrand(t)为随机士兵的位置。
根据士兵的位置计算适应度值(攻击力)，若士兵更新后位置的适应度值Fa优于更新前位置的适应度值Fb，则士兵占据新位置，否则士兵位置不变，如下：
Xi(t+1)＝Xi(t+1)×(Fa≥Fb)+Xi(t)×(Fa<Fb)
S4，如果士兵的位置更新成功，则士兵的军衔得到提高：
Ri(t+1)＝(Ri(t)+1)×(Fa≥Fb)+Ri(t)×(Fa<Fb)
式中，Ri(t)、Ri(t+1)分别为第i次迭代第t个士兵的更新前和更新后的军衔。
基于军衔的提升，权重更新为：
wi(t+1)＝wi(t)×(1-Ri(t+1)/maxgen)α
式中，wi(t+1)、wi(t)分别为第i次迭代第t个士兵的更新前和更新后的权重；maxgen为算法最大迭代次数；α为可调参数。
S5，判断是否满足迭代停止条件，满足则结束，得到最优的LSTM网络参数，并构造LSTM网络结构。
在本申请的一些实施例中，步骤S104将各IMF分量输入训练后的LSTM模型，得到风速的点预测结果的过程，可以包括：
S1，将各IMF分量输入LSTM模型，并利用梯度下降算法不断调整LSTM模型的权重和阈值，直到LSTM模型的输出满足预设的误差要求，得到训练后的LSTM模型。
S2，将各IMF分量对应的预测参数输入训练后的LSTM模型，得到各IMF分量的确定性预测值。
S3，合并各IMF分量的确定性预测值，得到风速的点预测结果。
在本申请的一些实施例中，步骤S104提及的点预测结果可以包括风速点预测值，步骤S105提及的风电功率预测结果包括风电功率预测值。步骤S105将点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果的过程，可以包括：
利用下述方程式，确定风电功率预测值：
其中，v为风速点预测值，Pw为风电功率预测值，Pre为风机的额定功率，vqr为风机切入风速，为风机额定风速，vqc为风机切出风速。
在本申请的一些实施例中，步骤S106基于风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间的过程，可以包括：
S1，基于风电功率预测结果获取容量为n的第一预测误差样本序列(即Bootstrap样本)：
其中，n为预设的自然数。
S2，从各预测误差样本中获取B个容量为n的第二预测误差样本序列：
S3，构造枢轴量：
式中，Vw为枢轴量，为第一预测误差样本序列中的样本均值(即Bootstrap样本均值)，为第二预测误差样本序列中的样本均值，为第二预测误差样本序列中的样本标准差(即Bootstrap样本标准差)。
S4，基于枢轴量获取第一近似分位数ωv,α/2和第二近似分位数ωv,1-α/2，且第一近似分位数ωv,α/2和第二近似分位数ωv,1-α/2满足下述方程式：
P{ωv,α/2<Vw<ωv,1-α/2}＝1-α
其中，P{}为取概率运算，上式可近似为：
或
其中，α为预设的数值，且满足0<α<1。
S5，从枢轴量Vw中取B个Bootstrap值，并将各个值按照从小到大的顺序排序：
ωv,(1)≤ωv,(2)≤…≤ωv,(B)
其中，B为预设的自然数，记k1＝B×α/2，k2＝B×(1-α/2)，以 分别作为分位数ωv,α/2、ωv,1-α/2的估计，得到如下近似等式：
S6，基于上式将风电功率的预测区间确定为：
为验证本申请的技术方案，利用PICP(PI coverage probability，预测区间覆盖率)和PINAW(Prediction Interval Normalized Average，预测区间平均带宽)，对各方法在不同置信度下的预测效果进行评估，结果如表1所示。
表1不同方法预测区间评估结果
表1中，1-WSO-LSTM为仅采用一重筛选，即NWP风速修正与气象信息初筛后得到的区间预测结果，2-WSO-LSTM为采用二重筛选，以NWP修正、气象信息和灰色关联度对数据进行筛选后的区间预测结果，3-WSO-LSTM为进行三重数据筛选后的风电功率区间预测结果。由表1可知，随着数据筛选过程进一步精细化，风电功率区间预测结果的准确性也随之提高。
以95％置信度为例，一重和二重筛选后区间预测结果的PICP均为97.92％，经过三重筛选将区间的PICP提高到98.96％，并且，三重数据筛选后区间的宽度更窄，分别从0.5607、0.2637缩减到0.1463，提高了短期预测区间覆盖率和平均带宽的指标。
下面对本申请实施例提供的基于多重数据筛选的风电功率区间预测装置进行描述，下文描述的基于多重数据筛选的风电功率区间预测装置与上文描述的基于多重数据筛选的风电功率区间预测方法可相互对应参照。
请参见图2，本申请实施例提供的基于多重数据筛选的风电功率区间预测装置，可以包括：
第一筛选单元21，用于基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
第二筛选单元22，用于基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
数据分解单元23，用于基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
风速预测单元24，用于将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
风电预测单元25，用于将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
区间确定单元26，用于基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
在本申请的一些实施例中，第一筛选单元21基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据的过程，可以包括：
以历史风速数据作为样本拟合数值预报风速与实测风速的曲线关系，得到目标拟合关系；
利用所述目标拟合关系对所述风速数据进行拟合，得到修正后的风速数据；
基于风向数据、温度数据、湿度数据、气压数据和所述修正后的风速数据，构建气象因素特征矩阵；
计算所述气象因素特征矩阵的欧氏距离，并以预设的距离阈值对修正后的风速数据进行筛选，得到第一风速数据。
在本申请的一些实施例中，第二筛选单元22基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据的过程，可以包括：
利用下述方程式计算得到历史风速数据与第一风速数据的匹配系数aj(k)：
其中，ρ为预设的分辨系数，X0＝[x0(1),x0(2),…,x0(m)]为由第一风速数据构成的序列，x0(k)为序列X0中的元素，Xj＝[xj(1),xj(2),…,xj(m)]为由历史风速数据构成的序列，xj(k)为序列Xj中的元素，m为预设的序列长度；
利用下述方程式计算得到关联系数F：
从第一风速数据中筛选出关联系数小于预设关联度的数据，得到第二风速数据。
在本申请的一些实施例中，数据分解单元23基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量的过程，可以包括：
获取第二风速数据中的各极值点，并基于各极值点确定极大值包络线和极小值包络线；
基于所述极大值包络线和所述极小值包络线，计算得到平均极大值和平均极小值；
基于平均极大值、平均极小值、第二风速数据以及预设的内涵模态分量阈值，获取多个相互独立的内涵模态分量。
在本申请的一些实施例中，风速预测单元24将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果的过程，可以包括：
将各内涵模态分量输入LSTM模型，并利用梯度下降算法不断调整LSTM模型的权重和阈值，直到LSTM模型的输出满足预设的误差要求，得到训练后的LSTM模型；
将各内涵模态分量对应的预测参数输入训练后的LSTM模型，得到各内涵模态分量的确定性预测值；
合并各内涵模态分量的确定性预测值，得到风速的点预测结果。
在本申请的一些实施例中，所述点预测结果包括风速点预测值，风电功率预测结果包括风电功率预测值；风电预测单元25将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果的过程，可以包括：
利用下述方程式，确定风电功率预测值：
其中，v为风速点预测值，Pw为风电功率预测值，Prw为风机的额定功率，vqr为风机切入风速，为风机额定风速，vqc为风机切出风速。
在本申请的一些实施例中，区间确定单元26基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间的过程，可以包括：
基于所述风电功率预测结果获取容量为n的第一预测误差样本序列，n为预设的自然数；
从各预测误差样本中获取B个容量为n的第二预测误差样本序列；
构造枢轴量：
其中，Vw为枢轴量，为第一预测误差样本序列的样本均值，为第二预测误差样本序列的样本均值，S为第二预测误差样本序列中的样本标准差；
基于所述枢轴量获取第一近似分位数和第二近似分位数，且所述第一近似分位数和所述第二近似分位数满足下述方程式：
P{ωv,α/2<Vw<ωv,1-α/2}＝1-α
其中，ωv,α/2为第一近似分位数，ωv,1-α/2为第二近似分位数，α为预设的常数，P{}为取概率运算；
将风电功率的预测区间确定为：
其中，k1＝B×α/2，k2＝B×(1-α/2)，B为预设的自然数。
本申请实施例提供的基于多重数据筛选的风电功率区间预测装置可应用于基于多重数据筛选的风电功率区间预测设备，如计算机等。可选的，图3示出了基于多重数据筛选的风电功率区间预测设备的硬件结构框图，参照图3，基于多重数据筛选的风电功率区间预测设备的硬件结构可以包括：至少一个处理器31，至少一个通信接口32，至少一个存储器33和至少一个通信总线34。
在本申请实施例中，处理器31、通信接口32、存储器33、通信总线34的数量为至少一个，且处理器31、通信接口32、存储器33通过通信总线34完成相互间的通信；
处理器31可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路等；
存储器33可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器33存储有程序，处理器31可调用存储器33存储的程序，所述程序用于：
基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
综上所述：
本申请首先基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据。然后，基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据。上述操作在兼顾风速修正和气象相似性，风电功率变化趋势和不同频率分量映射的基础上，通过对风速数据的多重筛选，完成对风速数据进行有效的预处理，为准确的风电功率区间预测奠定了坚实的基础。接着，基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量，并将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果。所述LSTM模型引入了战争策略算法来优化长短期记忆网络，进一步加强了风电功率点预测的精度。接着，将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果。最后，基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。本申请能够有效改善风电功率的区间预测指标。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于多重数据筛选的风电功率区间预测方法，其特征在于，包括：
基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
2.根据权利要求1所述的方法，其特征在于，所述基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据的过程，包括：
以历史风速数据作为样本拟合数值预报风速与实测风速的曲线关系，得到目标拟合关系；
利用所述目标拟合关系对所述风速数据进行拟合，得到修正后的风速数据；
基于风向数据、温度数据、湿度数据、气压数据和所述修正后的风速数据，构建气象因素特征矩阵；
计算所述气象因素特征矩阵的欧氏距离，并以预设的距离阈值对修正后的风速数据进行筛选，得到第一风速数据。
3.根据权利要求1所述的方法，其特征在于，所述基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据的过程，包括：
利用下述方程式计算得到历史风速数据与第一风速数据的匹配系数αj(k)：
其中，ρ为预设的分辨系数，X0＝[x0(1)，x0(2)，...，x0(m)]为由第一风速数据构成的序列，x0(k)为序列X0中的元素，Xj＝[xj(1)，xj(2)，...，xj(m)]为由历史风速数据构成的序列，xj(k)为序列Xj中的元素，m为预设的序列长度；
利用下述方程式计算得到关联系数F：
从第一风速数据中筛选出关联系数小于预设关联度的数据，得到第二风速数据。
4.根据权利要求1所述的方法，其特征在于，所述基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量的过程，包括：
获取第二风速数据中的各极值点，并基于各极值点确定极大值包络线和极小值包络线；
基于所述极大值包络线和所述极小值包络线，计算得到平均极大值和平均极小值；
基于平均极大值、平均极小值、第二风速数据以及预设的内涵模态分量阈值，获取多个相互独立的内涵模态分量。
5.根据权利要求1所述的方法，其特征在于，所述将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果的过程，包括：
将各内涵模态分量输入LSTM模型，并利用梯度下降算法不断调整LSTM模型的权重和阈值，直到LSTM模型的输出满足预设的误差要求，得到训练后的LSTM模型；
将各内涵模态分量对应的预测参数输入训练后的LSTM模型，得到各内涵模态分量的确定性预测值；
合并各内涵模态分量的确定性预测值，得到风速的点预测结果。
6.根据权利要求1所述的方法，其特征在于，所述点预测结果包括风速点预测值，风电功率预测结果包括风电功率预测值；将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果的过程，包括：
利用下述方程式，确定风电功率预测值：
其中，v为风速点预测值，Pw为风电功率预测值，Prw为风机的额定功率，vqr为风机切入风速，为风机额定风速，vqc为风机切出风速。
7.根据权利要求1所述的方法，其特征在于，所述基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间的过程，包括：
基于所述风电功率预测结果获取容量为n的第一预测误差样本序列，n为预设的自然数；
从各预测误差样本中获取B个容量为n的第二预测误差样本序列；
构造枢轴量：
其中，Vw为枢轴量，为第一预测误差样本序列的样本均值，为第二预测误差样本序列的样本均值，S为第二预测误差样本序列中的样本标准差；
基于所述枢轴量获取第一近似分位数和第二近似分位数，且所述第一近似分位数和所述第二近似分位数满足下述方程式：
P{ωv，α/2＜Vw＜ωv，1-α/2}＝1-α
其中，ωv，α/2为第一近似分位数，ωv，1-α/2为第二近似分位数，α为预设的常数，P{}为取概率运算；
将风电功率的预测区间确定为：
其中，k1＝B×α/2，k2＝B×(1-α/2)，B为预设的自然数。
8.一种基于多重数据筛选的风电功率区间预测装置，其特征在于，包括：
第一筛选单元，用于基于历史风速数据、风向数据、温度数据、湿度数据和气压数据，对风速数据进行筛选，得到第一风速数据；
第二筛选单元，用于基于灰色关联度计算历史风速数据与第一风速数据的关联系数，并基于所述关联系数对第一风速数据进行筛选，得到第二风速数据；
数据分解单元，用于基于变分模态分解方法对第二风速数据进行分解，得到多个相互独立的内涵模态分量；
风速预测单元，用于将各内涵模态分量输入训练后的LSTM模型，得到风速的点预测结果；
风电预测单元，用于将所述点预测结果代入风速-风电功率拟合曲线，得到风电功率预测结果；
区间确定单元，用于基于所述风电功率预测结果和Bootstrap百分位数估计法，确定风电功率的预测区间。
9.一种基于多重数据筛选的风电功率区间预测设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1～7中任一项所述的基于多重数据筛选的风电功率区间预测方法的各个步骤。
10.一种存储介质，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，实现如权利要求1～7中任一项所述的基于多重数据筛选的风电功率区间预测方法的各个步骤。
CN202310770600.5A 2023-06-27 2023-06-27 基于多重数据筛选的风电功率区间预测方法及相关设备 Pending CN116826724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310770600.5A CN116826724A (zh) 2023-06-27 2023-06-27 基于多重数据筛选的风电功率区间预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310770600.5A CN116826724A (zh) 2023-06-27 2023-06-27 基于多重数据筛选的风电功率区间预测方法及相关设备

Publications (1)

Publication Number Publication Date
CN116826724A true CN116826724A (zh) 2023-09-29

Family

ID=88142448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310770600.5A Pending CN116826724A (zh) 2023-06-27 2023-06-27 基于多重数据筛选的风电功率区间预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN116826724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117039895A (zh) * 2023-10-09 2023-11-10 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117039895A (zh) * 2023-10-09 2023-11-10 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统
CN117039895B (zh) * 2023-10-09 2024-01-26 西安热工研究院有限公司 一种用于储能辅助黑启动的风功率预测方法及系统

Similar Documents

Publication Publication Date Title
CN111327377B (zh) 场强预测方法、装置、设备及存储介质
Lerch et al. Similarity-based semilocal estimation of post-processing models
CN116826724A (zh) 基于多重数据筛选的风电功率区间预测方法及相关设备
CN110827924B (zh) 基因表达数据的聚类方法、装置、计算机设备及存储介质
CN113037531A (zh) 流量预测方法、装置以及存储介质
CN108681751B (zh) 确定事件影响因素的方法及终端设备
CN110633859B (zh) 一种两阶段分解集成的水文序列预测方法
CN108805174A (zh) 聚类方法及装置
CN110999766A (zh) 灌溉决策方法、装置、计算机设备和存储介质
CN117078105B (zh) 基于人工智能的生产质量监控方法及系统
CN108256693B (zh) 一种光伏发电功率预测方法、装置及系统
CN111461443A (zh) 风电场的优化设计方法、系统、电子设备和存储介质
CN117789893B (zh) 基于相关性分析的育种数据预测方法
CN116955981A (zh) 一种短期风电功率区间优化预测方法及系统
KR20230064389A (ko) 예측구간에 기반한 제조공정 파라미터의 구간 최적화 방법 및 시스템
CN117236515A (zh) 一种预测城市行道树胸径生长趋势的方法、预测系统及电子设备
CN113313582A (zh) 拒客回捞模型训练方法、装置及电子设备
CN117742816A (zh) 基板管理控制器的运行控制方法及装置
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
KR20150137073A (ko) 해 탐색 시스템 및 방법, 해 탐색 프로그램
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
JP7332554B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム
CN110929849B (zh) 一种基于神经网络模型压缩的视频检测方法和装置
CN112734289A (zh) 国防技术发展周期评估方法及系统
CN110134575B (zh) 一种服务器集群的服务能力计算方法及装置

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