CN116865248A - 一种超短期风电功率预测方法及电子设备 - Google Patents
一种超短期风电功率预测方法及电子设备 Download PDFInfo
- Publication number
- CN116865248A CN116865248A CN202310788162.5A CN202310788162A CN116865248A CN 116865248 A CN116865248 A CN 116865248A CN 202310788162 A CN202310788162 A CN 202310788162A CN 116865248 A CN116865248 A CN 116865248A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- component
- model
- ultra
- 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
- 210000002569 neuron Anatomy 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 241000282461 Canis lupus Species 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000306 recurrent effect Effects 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
Abstract
本发明属于新能源发电和智能电网技术领域,具体涉及一种超短期风电功率预测方法及电子设备。其中的方法包括:获取风机的历史风电功率时间序列数据并将其分解为高频本征模态分量、中频本征模态分量、低频本征模态分量以及残差分量;将得到的分量分别输入到训练好的集合预测模型中,得到每个分量的多个预测结果;所述的集合预测模型为由多个不同的预测模型集合在一起形成的预测模型;分别将各个分量的多个预测结果输入训练好的回归模型中,得到各个分量的回归结果;将各个分量的回归结果进行叠加重构,从而得到风电功率预测结果。采用本发明的超短期风电功率预测方法可大大提高对风机的风电功率预测的准确度。
Description
技术领域
本发明属于新能源发电和智能电网技术领域,具体涉及一种超短期风电功率预测方法及电子设备。
背景技术
随着风电装机容量的逐步增加,风电在电力系统中的渗透率也随之提高,由于风能具有波动性、间歇性及随机性的特征,大规模的风电并网必然会对电力系统的安全、稳定运行产生较大的影响。因此,对于风电功率预测的研究逐渐成为电力系统方向的一个研究热点,相关领域学者对其进行了大量的研究。目前,较大时间尺度的风电功率预测,在预测精度上往往不太理想,预测误差比较大。而超短期和短期预测实时性强,预测精度高,对于预防风电场功率随机变化对电网的冲击意义重大,是当前大多数学者研究的热点。对于风电功率的预测普遍利用风电功率历史数据结合单一的预测模型进行预测,但是随着风电技术的不断发展,单一预测模型由于受自身预测性能的限制,对风电功率的预测在某些预测点或突变点会出现较大的误差;由于风资源具有随机性和突变性的特征,直接利用风电功率历史数据和预测模型进行预测会导致预测结果精度较低。
发明内容
本发明的目的在于提供一种超短期风电功率预测方法及电子设备,用以解决现有技术中的风电功率预测模型的预测结果精度较低的技术问题。
为解决上述技术问题,本发明提供了一种超短期风电功率预测方法,包括以下步骤:
1)获取风机所处位置的环境变量数据以及风机的历史风电功率时间序列数据,并将所述的历史风电功率时间序列数据进行模态分解得到高频本征模态分量、中频本征模态分量、低频本征模态分量以及残差分量;
2)将步骤1)得到的各个分量以及所述环境变量数据分别输入到训练好的集合预测模型中,得到每个分量的多个预测结果;所述的集合预测模型包括多个不同的预测模型,每个预测模型均可根据分量和环境变量数据得到一个预测结果;
3)获取各个分量的回归结果,其中,获取某个分量的回归结果的方法是,将该分量的多个预测结果输入至训练好的回归模型中,从而得到该分量对应的回归结果;
4)将各个分量的回归结果进行叠加重构,从而得到风电功率预测结果。
其有益效果为:由于风资源具有随机性和突变性的特征,直接使用原始数据建立预测模型会存在较大的误差,首先采用VMD方法将风电功率时间序列分解为高频、中频、低频和残差分量,降低风电功率时间序列随机性较强对预测结果的影响,从而提高了预测结果的精度;风电机组的发电功率受环境因素的影响,本发明的方法在利用预测模型对风电功率进行预测时将环境因素考虑在内,使得预测结果更加准确;此外,本发明的方法通过采用集合预测模型对历史风电功率时间序列数据的各个分量进行学习和预测,与单一预测模型相比具有更强的泛化能力;采用回归模型学习集合预测模型输出结果的非线性关系,并依据同一个分量的多个预测结果得到一个回归结果作为该分量最终的预测结果,进一步提高了预测的准确性;因此,采用本发明的超短期风电功率预测方法可大大提高对风机的风电功率预测的准确度。
优选地,在进行模态分解之前对所述的历史风电功率时间序列数据进行归一化处理;在将各个分量的回归结果进行叠加重构之后对其进行反归一化处理。
其有益效果为:风电功率的数值通常较大,通过对历史风电功率时间序列数据进行归一化处理,可消除量级太大带来的误差。
优选地,对所述的回归模型进行训练时采用的回归任务目标函数的表达式为:
式中,N为功率采样点个数,yn为第n时刻的功率实际值,为第n时刻的功率预测值。
优选地,所述的回归模型采用RBFNN模型,采用混合灰狼算法对RBFNN模型的隐含层中心的初始位置、隐藏层宽度的初始值和隐藏层到输出层之间的线性权值的初始值进行优化。
优选地,所述的环境变量包括风速、风向以及环境温度中的至少一个。
优选地,进行模态分解时采用EMD算法或者VMD算法。
优选地,所述的集合预测模型由以下五个具有不同隐含层层数和神经元个数的BiGRU模型中的至少三个组成;其中,第一个BiGRU模型的隐藏层个数为1,神经元个数为20个;第二个BiGRU模型的隐藏层个数为1,神经元个数为40个;第三个BiGRU模型的隐藏层个数为2,其两个隐藏层的神经元个数分别为20个和40个;第四个BiGRU模型的隐藏层个数为2,其两个隐藏层的神经元个数分别为40个和60个,第五个BiGRU模型的隐藏层个数为2,其两个隐藏层的神经元个数均为60个。
为解决上述技术问题,本发明还提供了一种电子设备,包括存储器和处理器,所述存储器内存储有计算机程序,所述的计算机程序被处理器执行时,实现本发明的超短期风电功率预测方法。
附图说明
图1是本发明的超短期风电功率预测方法流程图;
图2是BiGRU神经网络结构示意图;
图3是RBF神经网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明了,以下结合附图及实施例,对本发明进行进一步详细说明。
超短期风电功率预测方法实施例:
如图1所示,本发明的超短期风电功率预测方法包括以下步骤:
1)从风机的SCADA系统中获取历史风电功率时间序列数据和环境变量历史数据并对历史风电功率时间序列数据进行归一化处理。
环境变量历史数据包括风速、风向以及环境温度。
风电功率的数值通常较大,通过对历史风电功率时间序列数据进行归一化处理,可消除量级太大带来的误差。
2)对归一化处理完成的历史风电功率时间序列数据进行分解得到三个IMF分量和一个残差分量。
对处理完成的历史风电功率时间序列数据进行分解可采用EMD算法或者VMD算法。将波动性和随机性较强的风电功率时间序列被分解为三个本征模态分量(IMF)和一个残差分量,其中三个IMF分量包括:随机性强的高频分量、具有一定周期的中频分量和反映整体变化趋势的低频分量。由于风资源具有随机性和突变性的特征,直接使用原始数据建立预测模型会存在较大的误差,首先采用VMD方法将风电功率时间序列分解为高频、中频、低频和残差分量,降低风电功率时间序列随机性较强对预测结果的影响。
3)将各个分量数据及环境变量数据分别输入到训练好的集合预测模型中,得到每个分量对应的多个预测结果。
集合预测模型由五个具有不同隐含层层数和神经元个数的BiGRU模型组成。在实际问题中,经过反复试验,本发明使用的BiGRU神经网络集合中五个不同参数的BiGRU神经网络具体参数为:BiGRU1:隐藏层个数为1,神经元个数为20;BiGRU2:隐藏层个数为1,神经元个数为40;BiGRU3:隐藏层个数为2,神经元个数分别为20、40;BiGRU4:隐藏层个数为2,神经元个数分别为40、60;BiGRU5:隐藏层个数为2,神经元个数分别为60、60。本实施例中将BiGRU模型设置为多个输入,一个输出。
由于集合预测模型由五个具有不同隐含层层数和神经元个数的BiGRU模型组成,每个分量输入集合预测模型后均得到五个预测结果。
由于风电功率时间序列具有较强的随机性,不同的IMF分量序列具有不同的特性,单个模型的预测能力已不能适应所有IMF分量序列特征。因此采用单一模型不能有效学习所有分量的隐含信息。因此使用具有不同隐藏层和神经元个数的双向门控循环单元网络(bidirectional gated recurrent unit,BiGRU)集合预测模型来学习预测具有不同特征的IMF分量。针对分解得到的各子分量数据分别建立基于BiGRU神经网络模型组成的集合预测模型,对该模型进行训练,学习各IMF分量的隐藏特征。风电机组的发电功率受环境因素的影响,本发明的方法在利用预测模型对风电功率进行预测时将环境因素考虑在内,使得预测结果更加准确。
如图2所示,BiGRU模型是GRU模型的改进版,结合了双向RNN和GRU的优点,由两个单向GRU上下叠加组成,与传统GRU神经网络相比具有结构更简单、计算速度更快的优点。BiGRU的模型结构如图2所示。
4)分别将各个分量的多个预测结果输入训练好的回归模型中,得到各个分量对应的回归结果。
回归模型可采用径向基函数神经网络模型即RBFNN模型。本发明使用混合灰狼算法(Hybrid Gray Wolf Optimization,HGWO)来优化RBF神经网络的隐含层中心位置、隐藏层宽度和隐藏层到输出层之间的线性权值,以克服其容易收敛到局部最优的问题。RBF神经网络的典型结构如图3所示。
对RBFNN模型隐藏层到输出层之间的线性权值优化的方法包括以下步骤:
4.1)从风机的SCADA系统中获取N个时刻的实际功率值以及分别用于获取以上N个时刻的功率预测值的N组历史风电功率时间序列数据,并采用步骤1)至步骤3)的方法,分别获取每组历史风电功率时间序列数据的每个分量对应的多个预测结果。
4.2)对RBFNN模型的线型权值进行设置,并分别将步骤4.3)得到的每个时刻对应的各个分量的多个预测结果输入至RBFNN模型中,得到每个时刻功率预测值的各个分量的回归结果。
4.3)分别对每个时刻的功率预测值的各个分量的回归结果进行叠合,然后进行反归一化处理,从而获取N个时刻的功率预测值。
4.4)依据N个时刻的功率预测值与实际功率值计算出回归任务目标函数值,当回归任务目标函数值大于第一阈值时,返回步骤4.4);当回归任务目标函数值小于或等于第一阈值时,停止对线性权值的优化。本实施例中采用的回归任务目标函数表达式如下:
式中,N为功率采样点个数,yn为第n时刻的功率实际值,为第n时刻的功率预测值。
通过对RBFNN模型的隐藏层到输出层之间的线性权值进行优化,可以克服其容易收敛到局部最优的问题,从而进一步提高了风电功率预测精度。将预测时间点前一时刻值的风速、风向、环境温度作为环境变量与分量一同作为预测模型的输入,对该预测模型进行训练,使得预测结果更加准确。
5)将各个分量的回归结果进行叠加重构并进行反归一化,从而得到风电功率预测结果。
本发明的方法通过采用集合预测模型对历史风电功率时间序列数据的各个分量进行学习和预测,与单一预测模型相比具有更强的泛化能力;采用回归模型学习集合预测模型输出结果的非线性关系,并依据同一个分量的多个预测结果得到一个回归结果作为该分量最终的预测结果,进一步提高了预测的准确性;因此,采用本发明的超短期风电功率预测方法可大大提高对风机的风电功率预测的准确度。
电子设备实施例:
电子设备,包括存储器和处理器,存储器内存储有计算机程序,计算机程序被处理器执行时,实现本发明的超短期风电功率预测方法。
其中,处理器可以为微处理器MCU、可编程逻辑器件FPGA等处理装置。
存储器可为利用电能方式存储信息的各式存储器。
本发明的超短期风电功率预测方法已在超短期风电功率预测方法实施例中详细介绍,此处不再赘述。
Claims (8)
1.一种超短期风电功率预测方法,其特征在于,包括以下步骤:
1)获取风机所处位置的环境变量数据以及风机的历史风电功率时间序列数据,并将所述的历史风电功率时间序列数据进行模态分解得到高频本征模态分量、中频本征模态分量、低频本征模态分量以及残差分量;
2)将步骤1)得到的各个分量以及所述环境变量数据分别输入到训练好的集合预测模型中,得到每个分量对应的多个预测结果;所述的集合预测模型包括多个不同的预测模型,每个预测模型均可根据分量和环境变量数据得到一个预测结果;
3)获取各个分量的回归结果,其中,获取某个分量的回归结果的方法是,将该分量的多个预测结果输入至训练好的回归模型中,从而得到该分量对应的回归结果;
4)将各个分量的回归结果进行叠加重构,从而得到风电功率预测结果。
2.如权利要求1所述的超短期风电功率预测方法,其特征在于,还包括:在进行模态分解之前对所述的历史风电功率时间序列数据进行归一化处理;在将各个分量的回归结果进行叠加重构之后对其进行反归一化处理。
3.如权利要求1所述的超短期风电功率预测方法,其特征在于,对所述的回归模型进行训练时采用的回归任务目标函数的表达式为:
式中,N为功率采样点个数,yn为第n时刻的功率实际值,为第n时刻的功率预测值。
4.如权利要求1所述的超短期风电功率预测方法,其特征在于,所述的回归模型采用RBFNN模型,采用混合灰狼算法对RBFNN模型的隐含层中心的初始位置、隐藏层宽度的初始值和隐藏层到输出层之间的线性权值的初始值进行优化。
5.如权利要求1所述的超短期风电功率预测方法,其特征在于,所述的环境变量包括风速、风向以及环境温度中的至少一个。
6.如权利要求1~5任意一项所述的超短期风电功率预测方法,其特征在于,进行模态分解时采用EMD算法或者VMD算法。
7.如权利要求1~5任意一项所述的超短期风电功率预测方法,其特征在于,所述的集合预测模型由以下五个具有不同隐含层层数和神经元个数的BiGRU模型中的至少三个组成;其中,第一个BiGRU模型的隐藏层个数为1,神经元个数为20个;第二个BiGRU模型的隐藏层个数为1,神经元个数为40个;第三个BiGRU模型的隐藏层个数为2,其两个隐藏层的神经元个数分别为20个和40个;第四个BiGRU模型的隐藏层个数为2,其两个隐藏层的神经元个数分别为40个和60个,第五个BiGRU模型的隐藏层个数为2,其两个隐藏层的神经元个数均为60个。
8.一种电子设备,包括存储器和处理器,所述存储器内存储有计算机程序,其特征在于,所述的计算机程序被处理器执行时,实现权利要求1~7任意一项所述的超短期风电功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310788162.5A CN116865248A (zh) | 2023-06-29 | 2023-06-29 | 一种超短期风电功率预测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310788162.5A CN116865248A (zh) | 2023-06-29 | 2023-06-29 | 一种超短期风电功率预测方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116865248A true CN116865248A (zh) | 2023-10-10 |
Family
ID=88218315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310788162.5A Pending CN116865248A (zh) | 2023-06-29 | 2023-06-29 | 一种超短期风电功率预测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116865248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852928A (zh) * | 2024-03-08 | 2024-04-09 | 国网北京市电力公司 | 一种近零能耗建筑负荷预测方法、装置、设备及介质 |
-
2023
- 2023-06-29 CN CN202310788162.5A patent/CN116865248A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852928A (zh) * | 2024-03-08 | 2024-04-09 | 国网北京市电力公司 | 一种近零能耗建筑负荷预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model | |
Zhang et al. | Short-term wind speed interval prediction based on artificial intelligence methods and error probability distribution | |
Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
CN110685857A (zh) | 一种基于集成学习的山地风电机组行为预测模型 | |
CN116070799B (zh) | 一种基于注意力及深度学习的光伏发电量预测系统及方法 | |
CN116865248A (zh) | 一种超短期风电功率预测方法及电子设备 | |
Tan et al. | A multi-task learning method for multi-energy load forecasting based on synthesis correlation analysis and load participation factor | |
Sun et al. | The CEEMD-LSTM-ARIMA model and its application in time series prediction | |
Wang et al. | An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method | |
Huang et al. | Short-Term PV Power Forecasting Based on CEEMDAN and Ensemble DeepTCN | |
Zhou et al. | Short-term wind power prediction based on EMD-LSTM | |
CN116780506A (zh) | 一种家庭微电网能量管理方法、装置、设备及存储介质 | |
Morales-Hernández et al. | Online learning of windmill time series using Long Short-term Cognitive Networks | |
Xu et al. | Research on Load Forecasting Based on CNN-LSTM Hybrid Deep Learning Model | |
Wang et al. | Grid load forecasting based on dual attention BiGRU and DILATE loss function | |
Zhao et al. | Short-term photovoltaic power prediction based on DE-GWO-LSTM | |
CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 | |
Sun et al. | Wind speed prediction based on FWA-LSTM | |
Liu et al. | Ultra-short-term forecasting method of wind power based on W-BiLSTM | |
Cai et al. | Study on Wind Power Prediction Based on EEMD-LSTM | |
Kari et al. | Short-Term Wind Power Prediction Based on Combinatorial Neural Networks. | |
Li et al. | A short-term photovoltaic output prediction method based on improved PSO-RVM algorithm | |
Ren | Short-term wind power prediction based on extreme learning machine | |
Yang et al. | Offshore Wind Power Prediction Based on Variational Mode Decomposition and Long Short Term Memory Networks | |
Che et al. | A Sample Entropy Parsimonious Model Using Decomposition-ensemble with SSA and CEEMDAN for Short-term Wind Speed Prediction. |
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 |