CN116865232A - 一种基于风速误差修正的中长期风电功率预测方法及系统 - Google Patents
一种基于风速误差修正的中长期风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN116865232A CN116865232A CN202310337382.6A CN202310337382A CN116865232A CN 116865232 A CN116865232 A CN 116865232A CN 202310337382 A CN202310337382 A CN 202310337382A CN 116865232 A CN116865232 A CN 116865232A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind power
- wind
- predicted
- error correction
- 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- Withdrawn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
- 238000012937 correction Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000007430 reference method Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
本公开属于风电功率预测技术领域，具体涉及一种基于风速误差修正的中长期风电功率预测方法及系统，包括：获取风电场的实时风速数据；基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。针对现有的功率预测中忽视预测误差的时序自相关性、未综合考虑预测风速与预测误差的特征相依关系以及预测误差的时序相关特性的问题，利用隐马尔科夫模型和XGBoost模型进行中期风电功率预测，有效提高了中长期风电功率预测的精度。
Description
技术领域
本公开属于风电功率预测技术领域，具体涉及一种基于风速误差修正的中长期风电功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
在大规模、高集中度风电发展模式下，由于风力的间歇性和随机性，电力系统面临着巨大挑战。相比超短期与短期，中期风电功率预测精度更加依赖于数值气象数据(NWP)尤其是风速预测的表现。高精确度的中期风电功率预测对提高电力系统运行的可靠性与经济性具有至关重要的意义。
中尺度数值天气预报模式(WRF模式)基于物理原理构建大气运动方程并采用数值方式求解，是目前最先进的数值天气预报模式。目前可以通过采用物理或统计方法来进一步提升WRF模式原始风速预测的精度。物理方法从气象学原理出发，提升WRF模式的精度；但是物理方法需要掌握复杂的气象学知识，且适用性不强。统计方法通过对预测风速及其误差的统计再分析，从而提升风速预测精度，应用更为广泛。
据发明人了解，传统统计方法和人工智能方法都只是建立预测误差与其相关特征，如预测风速之间的非线性关联关系，而忽视了预测误差的时序自相关性，并没有综合考虑预测风速与预测误差的特征相依关系以及预测误差的时序相关特性。
发明内容
为了解决上述问题，本公开提出了一种基于风速误差修正的中长期风电功率预测方法及系统，利用隐马尔科夫模型综合考虑预测风速及其预测误差的概率相依关系以及预测误差的时序变化规律，对原始预测风速进行误差修正，结合极限梯度提升算法(eXtremeGradientBoosting，简称XGBoost)进行中期风电功率预测，有效提高了中长期风电功率预测的精度。
根据一些实施例，本公开的第一方案提供了一种基于风速误差修正的中长期风电功率预测方法，采用如下技术方案：
一种基于风速误差修正的中长期风电功率预测方法，包括：
获取风电场的实时风速数据；
基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
作为进一步的技术限定，利用中尺度数值气象预报模式和每日发布的球预报系统数据，对风电场所在区域进行未来一段时间的气象预报，输出风速和风向的预测数据，得到风电场风速的预测值。
作为进一步的技术限定，所述隐马尔可夫模型是在马尔可夫链基础上的一种时间序列概率模型，包含隐状态和观测状态两个元素，表示为三元组γ＝(A,B,Π)，其中，A为隐状态转移概率，B为发射概率，即隐状态条件下观测状态的分布概率，Π为初始隐状态的概率分布。
进一步的，所述隐马尔可夫模型的隐状态空间有NS个，表示马尔可夫链的隐态空间，每个状态/>定义为一个区间；使用K-means聚类将隐状态空间划分为离散形式，利用划分的隐状态和对应的预测风速，估计条件发射概率分布。
进一步的，所述K-means聚类的过程为：
选择k个类簇，随机初始化所选择的类簇的中心点，中心点位置根据与每个数据点的相同向量长度确定；
计算每个数据点到中心点的距离，数据点依据距中心点距离划分簇；
计算每一类中心点作为新的中心点，直到每一类中心迭代变化不大为止，完成聚类。
进一步的，所述隐马尔可夫模型的观察状态为连续状态，其发射概率为隐状态条件下各观测状态的概率分布函数，通过高斯混合模型进行概率分布函数的估计，其连续化的发射概率为:Si＝f(xi)；其中，Si表示第i个隐藏状态，x为观察状态，f()表示
概率密度函数，其中K是高斯分布的个数，φ(x|θk)是第k个高斯分布，/>为其参数，ωk为各高斯分布的权值，/>为整个模型的参数。
作为进一步的技术限定，所述极限梯度提升算法在每次迭代时生成一棵新的分类回归树，所生成的新的分类回归树拟合前一棵分类回归树的残差，修补之前的结果，构建准确率高的学习模型，完成风电功率的预测。
根据一些实施例，本公开的第二方案提供了一种基于风速误差修正的中长期风电功率预测系统，采用如下技术方案：
一种基于风速误差修正的中长期风电功率预测系统，包括：
风速获取模块，其被配置为获取风电场的实时风速数据；
风速预测模块，其被配置为基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
风速修正模块，其被配置为根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
功率预测模块，其被配置为根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于风速误差修正的中长期风电功率预测方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于风速误差修正的中长期风电功率预测方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开利用隐马尔科夫模型综合考虑预测风速及其预测误差的概率相依关系以及预测误差的时序变化规律，对原始预测风速进行误差修正，采用XGBoost模型进行中期风电功率预测，综合考虑了预测风速与预测误差的特征相依关系，有效提高中长期风电功率预测的精度；相比于传统统计方法和人工智能方法，综合考虑预测风速及其预测误差的概率相依关系以及预测误差的时序变化规律，建立风速误差修正模型。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的基于风速误差修正的中长期风电功率预测方法的流程图；
图2是本公开实施例一中的初始化时间WRF模式操作示意图；
图3是本公开实施例一中的WRF模式风速预测整体情况示意图；
图4(a)是本公开实施例一中的0月1日风速实际和预测值曲线；
图4(b)是本公开实施例一中的10月5日风速实际和预测值曲线；
图5是本公开实施例一中的隐马尔可夫链的模型实例示意图；
图6是本公开实施例一中的误差状态转移矩阵的结构示意图；
图7(a)是本公开实施例一中的春季风速修正曲线对比图；
图7(b)是本公开实施例一中的夏季风速修正曲线对比图；
图7(c)是本公开实施例一中的秋季风速修正曲线对比图；
图7(d)是本公开实施例一中的冬季风速修正曲线对比图；
图8是本公开实施例一中的风电功率模型训练过程示意图；
图9是本公开实施例一中的风电功率模型预测过程示意图；
图10是本公开实施例一中的连续十天风电功率预测情况对比示意图；
图11是本公开实施例一中的第十天风电功率预测情况对比示意图；
图12是本公开实施例二中的基于风速误差修正的中长期风电功率预测系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本实公开中的具体含义，不能理解为对本公开的限制。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于风速误差修正的中长期风电功率预测方法。
如图1所示的一种基于风速误差修正的中长期风电功率预测方法，包括：
获取风电场的实时风速数据；
基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
尺度数值天气预报模式(WRF模式)是一种中尺度数值气象预报模式，其先进的数据同化技术、功能强大的嵌套能力和先进的物理过程使得它应用范围广泛。
选取风电场位置作为参考点，并以该点为中心构建三层嵌套网格的WRF模式。GFS数据是全球预报系统输出的大尺度网格化NWP数据，可作为WRF模式的初始场数据。它们每天发布四次，比预测基准时间晚4小时左右。
如图2所示，利用GFS数据在UTC(00:00)、CST(08:00)初始化后输入WRF模式建立风预报系统，模型在CST(12:00)开始运行。基准时间即为本次预测的起始时间，模型开始时间为获取GFS数据后WRF模式开始下降尺度的时间。风速、风向等气象预报数据则从空间分辨率较高的内层中提取。
如图3所示，在大部分时间内，预测数据与观测数据的偏差都在可接受的范围内。但是预测风速大幅度偏离观测风速的情况也时有发生，例如图4(a)和图4(b)中展示在不同时间段预测存在的误差。为提高风电功率预测精度，需要对风速进行误差修正，也表明本文工作的必要性。由于风向及其他气象要素对风力发电的影响较弱，因此无需进行额外的修正。
隐马尔可夫模型(HMM)是在马尔可夫链基础上发展而来的一种时间序列概率模型。HMM包含隐状态和观测状态两个元素，可以表示为三元组γ＝(A,B,Π)；其中A为隐状态转移概率，B为发射概率，即隐状态条件下观测状态的分布概率，Π为初始隐状态的概率分布，其原理图如图5所示，其中S＝(S1,...,Sn)表示马尔可夫链的隐态空间，o＝(o1,...,on)表示观察状态。
本实施例中的隐马尔可夫模型有以下两个假设：
(1)HMM模型隐藏状态有限，设为NS个。表示马尔可夫链的隐态空间，每个状态/>定义为一个区间。该状态是离散的，并假定它遵循一阶马尔可夫过程，即满足以下简式：
P(it+1＝st+1|it＝st)＝P(it+1＝st+1|it＝st,...,i1＝s1) (1)
(2)观察状态o仅依赖于当前时刻的隐状态。
隐状态转移概率与初始状态概率分布
根据假设，隐状态转移概率遵循一阶马尔可夫过程。下一时刻隐状态St+1只依赖于当前时刻隐状态St。由此，可定义为隐状态转移矩阵的形式，其中aij为条件概率，定义为:
aij＝p(it＝sj|it-1＝si) (2)
aij来自于历史样本统计，可以用以下公式计算:
其中，F(·)表示频数，对于初始状态的概率分布πi＝p(ii＝Si)。
K-means聚类
k-means是经典聚类算法，由于其的效率高、运行速度快的特点，被广泛应用于大规模数据聚类。算法核心公式为：
K-means算法输入为包含n个对象的数据库和簇数目k，输出为k个簇，使平方误差最小。
聚类过程如下：
(1)首先选择k个类/簇，并随机初始化它们各自的中心点。中心点位置根据与每个数据点的相同向量长度确定。
(2)计算每个数据点到中心点的距离，数据点依据距中心点距离划分簇。
(3)计算每一类中心点作为新的中心点。
(4)重复以上步骤，直到每一类中心迭代变化不大为止。
本实施例将观察状态状态空间视为连续状态空间，从而降低离散化导致的信息缺失给模型精度带来的影响。发射概率本质上是给定隐状态条件下各观测状态的概率分布函数(CPDF)。文章引入高斯混合模型(GMM)估计CPDF，其连续化的发射概率可定义为:
Si＝f(xi) (5)
其中，Si表示第i个隐藏状态，x为观察状态。f(·)表示概率密度函数。
其中K是高斯分布的个数，φ(x|θk)是第k个高斯分布，为其参数，ωk为各高斯分布的权值，/>为整个模型的参数。
以某风电场2017年全年数据为例，本文利用初始化08:00(CST)的0.5°水平分辨率GFS数据驱动WRF模式，建立了风电场所在区域的三层嵌套气象预测模型。所有的物理过程参数中，风速关键参数PBL来自多次预测试，其他参数根据经验设置。观测风速和风电功率数据时间分辨率为15分钟，数据缺失率在允许范围内，缺失和错误数据由拉格朗日插值替代。
由于聚类数量受样本数量的影响，本实施例统计风速预测误差范围为-12m/s—12m/s，经过多次测试，将误差状态个数确定为15个，误差状态转移矩阵如图6所示，可以看出相邻的两个时刻，误差状态继续保持或者转移至相邻误差状态的概率较大，且当极端误差发生时，误差状态保持的概率相对更大。
本实施例选择神经网络(ANN)作为基准方法。神经网络构建预测误差与预测风速之间的深度非线性学习，输入风速预测数据，输出预测误差。表1显示了HMM风速误差修正前后的风速预测结果，以及与ANN基准方法的比较情况。
表1 HMM风速误差修正前后的风速预测结果
本实施例提出的模型将RMSE从3.4124m/s降低到2.9105m/s，降低了14.71％。同时，MAE降低了15.85％，从2.8145m/s降低到2.2684m/s，都优于基准方法。图7(a)、图7(b)、图7(c)和图7(d)分别代表春、夏、秋、冬四个季节的风速预测结果。结果表明，与未修正的风速预测相比，修正后的精度有较大提升在不同季节的性能都优于基准方法。
XGBoost算法在每次迭代时会生成一棵新的分类回归树，新树会不断的拟合前一棵树的残差，不断修补之前的实验结果，从而构建一个准确率更高的学习模型。假设模型有K棵树，则XGBoost模型可以表示为：
式中，y′i为第i个样本的模型预测值；xi为第i个样本；fk(xi)为第k棵树对样本xi的预测值；k为树的数量；F是回归树的空间。
在每次迭代时XGBoost模型均会产生一颗新树，该新树的预测值为ft(xi)，用于拟合前一棵树的残差，若第t-1次迭代时模型预测值y′i(t-1)，则第t次迭代时模型预测值为y′i(t)定义为：
y′i(t)＝ft(xi)+y′i(t-1) (8)
若样本数量为t，则优化目标函数fobj定义为：
因此目标函数由损失函数l(yi,y′i(t)+ft(xi))、正则项Ω(f)以及常数项C共3部分构成。
模型的正则项定义为：
式中，γ和λ为模型参数；T是树中叶子节点的总数；wj为树中第j个叶子节点的权重。
定义Ij是第j个叶子节点上的样本集合，则目标函数进一步简化为：
因此模型的目标函数转化为关于叶子节点权重的一元二次方程，求树结构最优即变为了求该函数最优解问题，最终目标函数变为：
其中，fobj的值越小，说明整棵树的结构越优。
本实施例嵌入了风速预测模块和风速修正模块的完整中期风电功率系统框架，如图8所示的训练过程，数据集由预测风速和预测误差组成：利用K-means聚类将隐状态空间划分为离散形式，利用划分的隐状态和对应的预测风速，估计条件发射概率分布；最后预测风速、预测风向和风电功率组成训练数据集，完成XGBoost风电功率预测模型训练过程。
如图9所示的预测过程，利用WRF模式和每日发布的GFS数据，输出风速和风向预测数据。其次将预测数据输入HMM,通过维特比算法求解对应的最优误差状态序列并进行预测风速误差修正。最后将修正后的风速预测和风向预测数据输入XGBoost模型进行中期风电功率预测。
将每月的数据集按7：3的比例分成训练数据集和测试数据集，用训练数据集训练XGBoost模型，用测试数据集验证风速修正前后的风电功率预测性能。
第10天预测功率预测评价指标如表2所示，HMM将拟合优度从17.74％提升为21.87％，nRMSE和nMAE也相比基准方法有所提升。
表2第十天风电功率预测评价指标
如图10所示的XGBoost功率预测连续10天的表现，图11为第十天预测结果。从结果可以看出，HMM修正后的大部分功率预测都在良好的范围内，说明较好的风速预测数据使风电功率预测稳定性和准确性更高。
本实施例为提高风电功率预测准确性，对原始风速进行误差修正。利用中尺度数值模式WRF获取风电场区域的高时空分辨率气象预测数据并统计分析其风速预测精度。引入HMM模型构建风速误差修正模型，依据K-means聚类划分误差状态空间。为充分挖掘误差与预测值之间的关系，基于混合高斯分布模型，构建预测风速及其误差的概率相依关系。最后，建立XGBoost预测模型进行中期风电功率预测。实例分析表明，该误差修正算法在原始预测风速的基础上显著提升了风速预测精度。经过风速修正后，中期风电功率预测的精度也从得到了显著提高。本实施例综合考虑了预测风速与预测误差的特征相依关系，有效提高中长期风电功率预测的精度。
实施例二
本公开实施例二介绍了一种基于风速误差修正的中长期风电功率预测系统。
如图12所示的一种基于风速误差修正的中长期风电功率预测系统，包括：
风速获取模块，其被配置为获取风电场的实时风速数据；
风速预测模块，其被配置为基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
风速修正模块，其被配置为根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
功率预测模块，其被配置为根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
详细步骤与实施例一提供的基于风速误差修正的中长期风电功率预测方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于风速误差修正的中长期风电功率预测方法中的步骤。
详细步骤与实施例一提供的基于风速误差修正的中长期风电功率预测方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于风速误差修正的中长期风电功率预测方法中的步骤。
详细步骤与实施例一提供的基于风速误差修正的中长期风电功率预测方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。
Claims (10)
1.一种基于风速误差修正的中长期风电功率预测方法，其特征在于，包括：
获取风电场的实时风速数据；
基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
2.如权利要求1中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，利用中尺度数值气象预报模式和每日发布的球预报系统数据，对风电场所在区域进行未来一段时间的气象预报，输出风速和风向的预测数据，得到风电场风速的预测值。
3.如权利要求1中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述隐马尔可夫模型是在马尔可夫链基础上的一种时间序列概率模型，包含隐状态和观测状态两个元素，表示为三元组γ＝(A,B,Π)，其中，A为隐状态转移概率，B为发射概率，即隐状态条件下观测状态的分布概率，Π为初始隐状态的概率分布。
4.如权利要求3中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述隐马尔可夫模型的隐状态空间有NS个，表示马尔可夫链的隐态空间，每个状态/>定义为一个区间；使用K-means聚类将隐状态空间划分为离散形式，利用划分的隐状态和对应的预测风速，估计条件发射概率分布。
5.如权利要求4中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述K-means聚类的过程为：
选择k个类簇，随机初始化所选择的类簇的中心点，中心点位置根据与每个数据点的相同向量长度确定；
计算每个数据点到中心点的距离，数据点依据距中心点距离划分簇；
计算每一类中心点作为新的中心点，直到每一类中心迭代变化不大为止，完成聚类。
6.如权利要求3中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述隐马尔可夫模型的观察状态为连续状态，其发射概率为隐状态条件下各观测状态的概率分布函数，通过高斯混合模型进行概率分布函数的估计，其连续化的发射概率为:Si＝f(xi)；其中，Si表示第i个隐藏状态，x为观察状态，f()表示概率密度函数，其中K是高斯分布的个数，φ(x|θk)是第k个高斯分布，为其参数，ωk为各高斯分布的权值，/>为整个模型的参数。
7.如权利要求1中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述极限梯度提升算法在每次迭代时生成一棵新的分类回归树，所生成的新的分类回归树拟合前一棵分类回归树的残差，修补之前的结果，构建准确率高的学习模型，完成风电功率的预测。
8.一种基于风速误差修正的中长期风电功率预测系统，其特征在于，包括：
风速获取模块，其被配置为获取风电场的实时风速数据；
风速预测模块，其被配置为基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
风速修正模块，其被配置为根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
功率预测模块，其被配置为根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该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风速误差修正的中长期风电功率预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于风速误差修正的中长期风电功率预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310337382.6A CN116865232A (zh) | 2023-03-30 | 2023-03-30 | 一种基于风速误差修正的中长期风电功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310337382.6A CN116865232A (zh) | 2023-03-30 | 2023-03-30 | 一种基于风速误差修正的中长期风电功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116865232A true CN116865232A (zh) | 2023-10-10 |
Family
ID=88232814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310337382.6A Withdrawn CN116865232A (zh) | 2023-03-30 | 2023-03-30 | 一种基于风速误差修正的中长期风电功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116865232A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932232A (zh) * | 2024-03-21 | 2024-04-26 | 南京信息工程大学 | 基于状态识别rime-dlem多变量时间序列预测的风速预测系统 |
-
2023
- 2023-03-30 CN CN202310337382.6A patent/CN116865232A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932232A (zh) * | 2024-03-21 | 2024-04-26 | 南京信息工程大学 | 基于状态识别rime-dlem多变量时间序列预测的风速预测系统 |
| CN117932232B (zh) * | 2024-03-21 | 2024-05-28 | 南京信息工程大学 | 基于状态识别rime-delm多变量时间序列预测的风速预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
| CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN114757427B (zh) | 自回归修正的lstm智能风电场超短期功率预测方法 | |
| CN116894384B (zh) | 一种多风机风速时空预测方法及系统 | |
| CN111582567B (zh) | 一种基于递阶集成的风电功率概率预测方法 | |
| CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
| CN116646927B (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN111141879B (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| CN116865232A (zh) | 一种基于风速误差修正的中长期风电功率预测方法及系统 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| CN115526117A (zh) | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 | |
| CN116646929A (zh) | 一种基于pso-cnn-bilstm的短期风电功率预测方法 | |
| CN115545345A (zh) | 一种基于gru-tcn模型的电网负荷预测方法 | |
| CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
| CN114219126B (zh) | 基于残差修正的小水电渗透地区网供负荷预测方法 | |
| CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231010 |