CN116885691B - 一种风电功率爬坡事件间接预测方法 - Google Patents
一种风电功率爬坡事件间接预测方法 Download PDFInfo
- Publication number
- CN116885691B CN116885691B CN202310626107.6A CN202310626107A CN116885691B CN 116885691 B CN116885691 B CN 116885691B CN 202310626107 A CN202310626107 A CN 202310626107A CN 116885691 B CN116885691 B CN 116885691B
- Authority
- CN
- China
- Prior art keywords
- wind power
- flow
- prediction
- algorithm
- climbing
- 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.)
- Active
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电功率爬坡事件间接预测方法,首先,利用多元变分模态分解将原始风电功率和风速联合分解成一组相对平稳的子序列;其次,使用卷积神经网络对每一个被分解的风电功率序列进行特征提取;再次,利用改进的FDA算法对BIGRU模型的超参数进行优化,得到优化预测模型并对风电功率进行预测,采用残差修正模型TCN对其进行误差校正,以获得最终的风电功率预测值;最后,将最终风电功率预测值作为输入,使用改进的FDA算法优化旋转门算法对其中的风电爬坡事件进行识别;结合爬坡定义和检测算法,对预测功率中的爬坡事件进行间接预测。本发明能够使得风功率预测更加接近实际值,提高风功率预测的准确度,提升风电爬坡事件的识别精度。
Description
技术领域
本发明属于风电功率爬坡事件间接预测技术邻域,具体涉及一种风电功率爬坡事件间接预测方法。
背景技术
当前,随着化石能源的日渐枯竭,可再生能源的开发和利用已经成为一种必然的发展方向,为了应对能源短缺和环境污染等问题,人们开始对新能源进行探索和研究。与风力、太阳能相比,核电、水能等可再生能源在资源上具有更多的限制。因此,风电与太阳能具有广阔的应用前景,具有较高的商业价值。在这些能源中,风力发电最大的优点就是它可以自然再生,取之不尽,用之不竭,而且是洁净无污染的能源。近几年来,风能在风力发电中得到了广泛地利用,从而使风能工业具有了规模化发展的条件。目前,全球正投入巨资发展风力发电技术。
风力发电是一种可再生的绿色能源。但是,由于风力发电本身的高波动性、高不确定性,以及风电在电网中的渗透率持续增加,给电网安全运行带来了新的挑战。其中不可忽视的问题是风电场的功率在短期内会出现较大的波动,这一现象被称为“风电爬坡事件”。短期内风力发电的骤增或骤减,不仅会对电力系统供需关系及安全运行造成影响,而且还可能导致电网大面积停电,造成极大的经济损失。所以,很有必要对大型风电机组的高风险爬坡问题进行研究,它对提高风电并网、增强系统安全性和电网调度起着重要作用。
发明内容
发明目的:针对现有技术的不足,本发明提出一种风电功率爬坡事件间接预测方法,能够使得风功率预测更加接近实际值,提高风功率预测的准确度,提升风电爬坡事件的识别精度。
技术方案:本发明提出一种风电功率爬坡事件间接预测方法,包括以下步骤:
(1)获取原始风电场传感器收集的风力原数据,利用多元变分模态分解方法MVMD将原始风电功率和风速联合分解,分解成一组相对平稳的子序列;
(2)使用卷积神经网络CNN对每一个被分解的风电功率序列进行特征提取,将CNN输出的数据矩阵送入BIGRU神经网络,形成CNN-BIGRU模型;
(3)对FDA算法进行改进,在FDA算法的流的新位置更新过程中,采用适应度距离平衡找到最优流的新位置;
(4)利用改进的FDA算法对CNN-BIGRU模型的超参数进行优化,得到混合预测模型IFDA-CNN-BIGRU并对风电功率进行预测,获得各个分量的预测值,将预测值进行叠加,获得预测结果;
(5)采用残差修正模型TCN对风电功率预测值进行误差校正,获得最终的风电功率预测值;
(6)将风电功率预测值作为输入,采用改进的FDA算法优化SDT算法的容差系数△E,构建风电爬坡识别模型IFDA-SDT,对其中的风电爬坡事件进行识别,实现风电爬坡事件的间接预测。
进一步地,所述步骤(3)实现过程如下:
(31)对于FDA算法,通过下面的关系来计算一个流的初始位置:
Flow_L(i)=lb+rand*(ub-lb) (8)
其中,Flow_L(j)代表了第j个流的位置,ub和lb代表的是一个决策变量的上、下界,rand表示代表一个在0到1之间平均分布的随机数值;
(32)每一个流都被μ邻域所包围,它的位置是通过下面的关系得到:
Neig_L(j)=Flow_L(i)+rand*Δ (9)
其中,Neig_L(j)表示邻域第j个位置,小数Δ可用于在小区域内搜索,大数Δ可用于在大区域内搜索;
(33)为了确定流的新位置,还要确定流的流速矢量表达式如下:
其中,Z0表示流的邻居和当前位置之间的斜率向量;第i个流相对于其第j个邻居流的斜率向量Z0表达式为:
其中,d参数表示问题的维度;
采用适应度距离平衡FDB找到最优流的新位置,流的新位置更新公式如下:
其中,new_flow_L(i)表示流的新位置;
模拟流向的具体表达式为:
式中,Flow_fitn(r)表示第r个流的适应度值,Flow_fitn(i)表示当前流的适应度值,randn表示产生正态分布的随机数或矩阵的函数,new_flow_L(i)表示流的新位置;Best_L表示最佳的流的位置。
进一步地,所述步骤(33)实现过程如下:
(331)生成初始总体或流量,其由以下矩阵表示:
(332)对目标函数进行评估,将最佳目标函数视为出口点;目标函数矩阵如下:
(333)为总体或流量的每个个体创建邻域半径为Δ的μ数;
(334)指定每个邻居的目标函数值,并确定最佳邻域;
(335)如果最佳邻居具有比当前流更好的目标函数,则应执行步骤(336),否则,执行步骤(337);
(336)根据公式(10)更新流速矢量,并基于公式(12)生成流的新位置;
(337)根据公式(13)更新流的位置;
(338)计算新流的目标函数,如果比以前的流好,则更新目标函数和流的位置;
(339)控制终止条件;如果满足,则返回最佳答案,否则重复步骤(333)至步骤(337)。
进一步地,所述步骤(4)实现过程如下:
使用改进好的流向算法优化CNN-BIGRU模型的学习率以及隐含层节点个数,建立混合预测模型IFDA-CNN-BIGRU;BIGRU模型包含更新门和重置门,具体运算表达式如下:
其中,GRU代表循环神经网络的运算;代表t时间内前向隐藏层的状态和权重;/>代表t时间内反向隐藏层的状态和权重;at代表t时间内隐藏层状态的偏置。
进一步地,步骤(5)所述残差修正模型包括输入层、时间卷积层、特征合并层、全连接层以及输出层;输入层有两种输入,一种是当前功率预测序列 另一个是历史预测残差序列/>两种输入分别进入时间卷积层,经过时间卷积层提取功率预测序列特征和历史预测残差序列特征;时间卷积层由4个残差模块组成;残差模块的空洞因子依次分别为1、2、4、8;残差块的输入在经过两次空洞卷积之后与本身线性相加,完成残差连接过程;两个TCN输出的特征经过特征合并层,然后进入全连接网络,最后输出长度同样为L的残差预测序列/>残差块的输出如下表达式所示:
O=activation(S+F(S)) (17)
其中,S为残差模块的输入值,F(S)表示为经过空洞卷积后的值。
进一步地,所述步骤(6)实现过程如下:
构建基于IFDA-SDT算法的风电功率爬坡预测模型;设定评价函数为,在一段时间内,由SDT算法识别出的爬坡事件数量与实际的爬坡事件数量做差;通过改进的FDA算法不断优化容差系数并多次迭代计算,直到当该差值为0时流的适应度为最优,输出此时的容差系数△E;选取在一定时间内已知发生爬坡事件数量的历史数据对风电功率爬坡预测模型进行训练,实现风电爬坡事件的识别。
有益效果:与现有技术相比,本发明的有益效果:
本发明应用了多元变分模态分解对原始风电功率、风速进行联合分解,使用多元变分模态分解,确保了每一个序列在分解后,在时间和频率尺度上都能相互匹配,还能有效地维持各个元素之间的同步相关性和依赖性;又应用了卷积神经网络进行特征提取,在CNN-BIGRU模型的基础上采用改进的FDA算法进行超参数调优,使网络拥有更高的预测精度和更好的适应度;并利用残差修正模型TCN进行误差修正,降低了每个预测步长对应的预测误差,使得风功率预测更加接近实际值,提高风功率预测的准确度;最后,利用改进FDA优化旋转门算法对其中的风电爬坡事件进行识别,提升了风电爬坡事件的识别精度。
附图说明
图1为本发明的流程图;
图2为BIGRU模型网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种风电功率爬坡事件间接预测方法,如图1所示,具体包括以下步骤:
步骤1:获取原始风电场传感器收集的风力原数据,利用多元变分模态分解(MVMD)方法,将原始风电功率和风速联合分解,分解成一组相对平稳的子序列。
步骤1.1:对于包含b个通道的风电功率、风速数据的输入数据,记为e(t)=[e1(t),e2(t),···,eb(t)],具体公式如下:
其中,uf(t)为f个多元调制振荡,uf(t)=[u1(t),u2(t),···,ub(t)]。
步骤1.2:MVMD要求所提取的模态的带宽之和最小且提取的多元振荡信号可以准确重构原始信号,则受约束的相关优化问题的表达式为:
其中,为对uf(t)中每个元素进行Hilbert-Huang变换,ωf(t)为中心频率,为指数项,j是复数的意思,/>是对t的导数。
步骤1.3:对于多个变分问题,在线性系统中,方程的个数相当于总的通道数,因此,增广拉格朗日函数是:
其中,α为二次惩罚因子,能使高斯干扰的噪声减小,λb是拉格朗日乘法算子。
步骤1.4:为了求解这种转变后的非约束性变分问题,采用乘子交替方向法对其进行迭代,然后求取ut(t)以及中心频率,便得到了分解后的信号分量。模式更新表达示为:
得到的中心频率更新表达示为:
其中,表示通过l次迭代获得的第f个子模态的值,/>代表通过l次迭代获得的第f个子模态所对应的中心频率的值。通过上述更新关系,对信号的频带进行自适应地分解,获得f个窄带IMF分量。
步骤2:使用卷积神经网络(CNN)对每一个被分解的风电功率序列进行特征提取,将CNN输出的数据矩阵送入BIGRU神经网络,形成CNN-BIGRU模型。
CNN主要包括输入层、卷积层、池化层、连接层和输出层。在输入层输入数据后,经过卷积层和池化层,进行特征转换和特征提取,通过连接层映射到输出层进行输出。卷积层是对输入数据进行卷积运算,其运算过程为:
式中,表示第i个特征图在第h-1层上的输出;/>为卷积核权重矩阵,它将第h层第j个特征图和第h-1层第i个特征图连接起来;/>为偏置矩阵;/>为第j个特征图在第h层上的输出。
池化层负责将特征向量进行提取,只保留数理特征显著的向量作为后续BIGRU的输入。池化层对卷积层的输出进行二次特征提取,并对其进行信息过滤,从而保留最显著的特征。经过池化层压缩参数和数据的量,能够有效减小过拟合,降低网络的复杂度。池化层的计算表达式如下:
式中,down()代表下采样函数。
通过卷积层和池化层来提取特征,将CNN输出的数据矩阵送入BIGRU神经网络中。
步骤3:对FDA算法进行改进,改进的FDA算法为在FDA算法的流的新位置更新过程中,采用适应度距离平衡FDB找到最优流的新位置。
步骤3.1:对于FDA算法,通过下面的关系来计算一个流的初始位置:
Flow_L(i)=lb+rand*(ub-lb) (8)
其中,Flow_L(j)代表了第j个流的位置,ub和lb代表的是一个决策变量的上、下界,rand表示代表一个在0到1之间平均分布的随机数值。
步骤3.2:其中每一个流都被μ邻域所包围,它的位置是通过下面的关系得到的:
Neig_L(j)=Flow_L(i)+rand*Δ (9)
其中Neig_L(j)表示邻域第j个位置,小数Δ可用于在小区域内搜索,大数Δ可用于在大区域内搜索。
步骤3.3:为了确定流的新位置,还要确定流的流速矢量表达式如下:
其中,Z0表示流的邻居和当前位置之间的斜率向量。第i个流相对于其第j个邻居流的斜率向量Z0表达式为:
其中,d参数表示问题的维度。
采用适应度距离平衡(FDB)找到最优流的新位置,流的新位置更新公式如下:
式中new_flow_L(i)表示流的新位置。
以下是模拟流向的具体表达式:
步骤3.3具体实现过程如下:
步骤3.3.1:生成初始总体或流量,其由以下矩阵表示:
步骤3.3.2:对目标函数进行评估,将最佳目标函数视为出口点。目标函数矩阵如下:
步骤3.3.3:为总体或流量的每个个体创建邻域半径为Δ的μ数。
步骤3.3.4:指定每个邻居的目标函数值,并确定最佳邻域。
步骤3.3.5:如果最佳邻居具有比当前流更好的目标函数,则应执行步骤3.3.6,否则,考虑步骤3.3.7。
步骤3.3.6:根据关系(10)更新流速矢量,并基于关系(12)生成流的新位置。
步骤3.3.7:根据关系(13)更新流的位置。
步骤3.3.8:计算新流的目标函数,如果比以前的流好,则更新目标函数和流的位置。
步骤3.3.9:控制终止条件;如果满足,则返回最佳答案,否则重复步骤3.3.3至步骤3.3.7。
将IFDA算法输出的最优解送给CNN-BIGRU模型,作为CNN-BIGRU的学习率以及隐含层节点个数。
步骤4:利用改进的FDA算法对BIGRU模型的超参数进行优化,得到优化预测模型并对风电功率进行预测,获得各个分量的预测值,将预测值进行叠加,获得预测结果。
使用改进好的流向算法优化CNN-BIGRU模型的学习率以及隐含层节点个数,建立混合预测模型IFDA-CNN-BIGRU。
如图2所示,BIGRU模型包含更新门和重置门,具体运算表达式如下:
式中:GRU为对GRU的常规网络进行运算;代表t时间内前向隐藏层的状态和权重;/>代表t时间内反向隐藏层的状态和权重;at代表t时间内隐藏层状态的偏置。
步骤5:采用残差修正模型TCN对风电功率预测值进行误差校正,以获得最终的风电功率预测值;用风电功率预测模型输出的风电功率预测残差序列作为数据集进行训练测试。
残差修正模型具体是指将主预测模型的预测值与预测的误差值进行叠加修正。这个模型结构包括输入层、时间卷积层、特征合并层、全连接层以及输出层。输入层有两种输入,一种是当前功率预测序列另一个是历史预测残差序列两种输入分别进入时间卷积层,经过时间卷积层提取功率预测序列特征和历史预测残差序列特征。该时间卷积网络层由4个残差模块组成。这几个残差模块的空洞因子依次分别为1、2、4、8。残差块的输入在经过两次空洞卷积之后与本身线性相加,完成残差连接过程。两个TCN输出的特征经过特征合并层,然后进入全连接网络,最后输出长度同样为L的残差预测序列/>残差块的输出如下表达式所示:
O=activation(S+F(S)) (17)
其中,S为残差模块的输入值,F(S)表示为经过空洞卷积后的值。
利用TCN(残差修正模型)进行误差修正得到最终风电功率预测序列,用风电功率预测模型输出的风电功率预测残差序列作为数据集进行训练测试。
步骤6:将风电功率预测值作为输入,利用改进的FDA算法优化SDT算法的容差系数△E,即IFDA-SDT算法,对其中的风电爬坡事件进行识别。
采用改进的FDA算法来优化SDT算法的容差系数ΔE,构建了基于IFDA-SDT的风电爬坡识别模型,通过迭代计算确定了最优容差系数ΔE的取值,SDT算法计算步骤:
(a)初始化上下旋转门的斜率,计算表达式为:
(b)在时间序列T内,分别计算上下旋转门的斜率,计算表达式为:
(c)分别更新上旋转门的斜率K1n和下旋转门的斜率K2n,计算表达式为:
(d)比较上旋转门斜率K1n和下旋转门的斜率K2n,确定所要存储的数据,若满足K1n≥K2n,则存储第ti-1时刻的点,并返回步骤(a),否则旋转门将继续压缩数据,返回步骤(b),此刻的i=i+1。
构建基于IFDA-SDT算法的风电功率爬坡预测模型,选取在一定时间内已知发生爬坡事件数量的历史数据对模型进行训练。设定评价函数为,在一段时间内,由SDT算法识别出的爬坡事件数量与实际的爬坡事件数量做差,通过FDA算法不断优化容差系数并多次迭代计算,直到当该差值为0时流的适应度为最优,输出此时的容差系数△E。
利用CNN-BIGRU预测模型所获得的预测值,联合IFDA-SDT的爬坡检测方法,对爬坡进行识别,从而实现风电爬坡事件的间接预测。
为了评估CNN-IFDA-BIGRU预测模型的预测精度,选取平均相对误差(MAE)、均方根误差(RMSE)作为评估标准,计算公式如下所示:
平均相对误差(MAE):
均方根误差(RMSE):
确定系数(R2):
其中,L为样本序列的长度,Zac为测试样本的实际值,Zpr为模型的预测值,Zav为样本实际值的求和平均。
评价风电爬坡事件预测效果的评价指标主要有:准确率、召回率和f1分数。计算公式如下所示:
准确率(Pre)是算法检测出的风电功率爬坡段中真正存在爬坡的数量的占比。计算公式如下:
召回率(Rec)表示风电功率时序数据中的所有爬坡段中检测出的爬坡段的比例,计算表达如下:
F1分数表示准确率和召回率的调和平均值,计算表达如下:
其中,TP指出现了爬坡事件并且被预测到了;TN指没有出现爬坡事件并且预测到没有发生;FP表示没有出现爬坡事件但被预测到;FN表示出现爬坡事件但没有被预测到;以上TP和TN都表示预测是正确的,但FP、FN分别表示误报和漏报。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种风电功率爬坡事件间接预测方法,其特征在于,包括以下步骤:
(1)获取原始风电场传感器收集的风力原数据,利用多元变分模态分解方法MVMD将原始风电功率和风速联合分解,分解成一组相对平稳的子序列;
(2)使用卷积神经网络CNN对每一个被分解的风电功率序列进行特征提取,将CNN输出的数据矩阵送入BIGRU神经网络,形成CNN-BIGRU模型;
(3)对FDA算法进行改进,在FDA算法的流的新位置更新过程中,采用适应度距离平衡找到最优流的新位置;
(4)利用改进的FDA算法对CNN-BIGRU模型的超参数进行优化,得到混合预测模型IFDA-CNN-BIGRU并对风电功率进行预测,获得各个分量的预测值,将预测值进行叠加,获得预测结果;
(5)采用残差修正模型TCN对风电功率预测值进行误差校正,获得最终的风电功率预测值;
(6)将风电功率预测值作为输入,采用改进的FDA算法优化SDT算法的容差系数△E,构建风电爬坡识别模型IFDA-SDT,对其中的风电爬坡事件进行识别,实现风电爬坡事件的间接预测;
所述步骤(3)实现过程如下:
(31)对于FDA算法,通过下面的关系来计算一个流的初始位置:
Flow_L(i)=lb+rand*(ub-lb) (8)
其中,Flow_L(j)代表了第j个流的位置,ub和lb代表的是一个决策变量的上、下界,rand表示代表一个在0到1之间平均分布的随机数值;
(32)每一个流都被μ邻域所包围,它的位置是通过下面的关系得到:
Neig_L(j)=Flow_L(i)+rand*Δ (9)
其中,Neig_L(j)表示邻域第j个位置,小数Δ可用于在小区域内搜索,大数Δ可用于在大区域内搜索;
(33)为了确定流的新位置,还要确定流的流速矢量表达式如下:
其中,Z0表示流的邻居和当前位置之间的斜率向量;第i个流相对于其第j个邻居流的斜率向量Z0表达式为:
其中,d参数表示问题的维度;
采用适应度距离平衡FDB找到最优流的新位置,流的新位置更新公式如下:
式中,new_flow_L(i)表示流的新位置;
模拟流向的具体表达式为:
其中,Flow_fitn(r)表示第r个流的适应度值,Flow_fitn(i)表示当前流的适应度值,randn表示产生正态分布的随机数或矩阵的函数,new_flow_L(i)表示流的新位置;Best_L表示最佳的流的位置;
所述步骤(33)实现过程如下:
(331)生成初始总体或流量,其由以下矩阵表示:
(332)对目标函数进行评估,将最佳目标函数视为出口点;目标函数矩阵如下:
(333)为总体或流量的每个个体创建邻域半径为Δ的μ数;
(334)指定每个邻居的目标函数值,并确定最佳邻域;
(335)如果最佳邻居具有比当前流更好的目标函数,则应执行步骤(336),否则,执行步骤(337);
(336)根据公式(10)更新流速矢量,并基于公式(12)生成流的新位置;
(337)根据公式(13)更新流的位置;
(338)计算新流的目标函数,如果比以前的流好,则更新目标函数和流的位置;
(339)控制终止条件;如果满足,则返回最佳答案,否则重复步骤(333)至步骤(337)。
2.根据权利要求1所述的一种风电功率爬坡事件间接预测方法,其特征在于,所述步骤(4)实现过程如下:
使用改进好的流向算法优化CNN-BIGRU模型的学习率以及隐含层节点个数,建立混合预测模型IFDA-CNN-BIGRU;BIGRU模型包含更新门和重置门,具体运算表达式如下:
其中,GRU代表循环神经网络的运算;代表t时间内前向隐藏层的状态和权重;代表t时间内反向隐藏层的状态和权重;at代表t时间内隐藏层状态的偏置。
3.根据权利要求1所述的一种风电功率爬坡事件间接预测方法,其特征在于,步骤(5)所述残差修正模型包括输入层、时间卷积层、特征合并层、全连接层以及输出层;输入层有两种输入,一种是当前功率预测序列 另一个是历史预测残差序列两种输入分别进入时间卷积层,经过时间卷积层提取功率预测序列特征和历史预测残差序列特征;时间卷积层由4个残差模块组成;残差模块的空洞因子依次分别为1、2、4、8;残差块的输入在经过两次空洞卷积之后与本身线性相加,完成残差连接过程;两个TCN输出的特征经过特征合并层,然后进入全连接网络,最后输出长度同样为L的残差预测序列/>残差块的输出如下表达式所示:
O=activation(S+F(S)) (17)
其中S为残差模块的输入值,F(S)表示为经过空洞卷积后的值。
4.根据权利要求1所述的一种风电功率爬坡事件间接预测方法,其特征在于,所述步骤(6)实现过程如下:
构建基于IFDA-SDT算法的风电功率爬坡预测模型;设定评价函数为,在一段时间内,由SDT算法识别出的爬坡事件数量与实际的爬坡事件数量做差;通过改进的FDA算法不断优化容差系数并多次迭代计算,直到当差值为0时流的适应度为最优,输出此时的容差系数△E;选取在一定时间内已知发生爬坡事件数量的历史数据对风电功率爬坡预测模型进行训练,实现风电爬坡事件的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626107.6A CN116885691B (zh) | 2023-05-30 | 2023-05-30 | 一种风电功率爬坡事件间接预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626107.6A CN116885691B (zh) | 2023-05-30 | 2023-05-30 | 一种风电功率爬坡事件间接预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116885691A CN116885691A (zh) | 2023-10-13 |
CN116885691B true CN116885691B (zh) | 2024-02-23 |
Family
ID=88253683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626107.6A Active CN116885691B (zh) | 2023-05-30 | 2023-05-30 | 一种风电功率爬坡事件间接预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116885691B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196454B (zh) * | 2023-11-08 | 2024-01-30 | 江苏华溯大数据有限公司 | 渣土车载重状态识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
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 |
CN113297805A (zh) * | 2021-06-30 | 2021-08-24 | 南京信息工程大学 | 一种风电功率爬坡事件间接预测方法 |
CN113486593A (zh) * | 2021-07-22 | 2021-10-08 | 南京工程学院 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
CN114429409A (zh) * | 2022-01-06 | 2022-05-03 | 华北电力大学(保定) | 一种优化旋转门算法的储能型风电场爬坡事件检测方法 |
CN114693085A (zh) * | 2022-03-14 | 2022-07-01 | 浙江华云电力工程设计咨询有限公司 | 一种集成可变能源的能源与备用容量联合优化调度方法 |
WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653142B (zh) * | 2020-12-18 | 2022-09-02 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
-
2023
- 2023-05-30 CN CN202310626107.6A patent/CN116885691B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
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 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113297805A (zh) * | 2021-06-30 | 2021-08-24 | 南京信息工程大学 | 一种风电功率爬坡事件间接预测方法 |
CN113486593A (zh) * | 2021-07-22 | 2021-10-08 | 南京工程学院 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
WO2023004838A1 (zh) * | 2021-07-26 | 2023-02-02 | 大连理工大学 | 一种风电出力区间预测方法 |
CN114429409A (zh) * | 2022-01-06 | 2022-05-03 | 华北电力大学(保定) | 一种优化旋转门算法的储能型风电场爬坡事件检测方法 |
CN114693085A (zh) * | 2022-03-14 | 2022-07-01 | 浙江华云电力工程设计咨询有限公司 | 一种集成可变能源的能源与备用容量联合优化调度方法 |
Non-Patent Citations (2)
Title |
---|
基于ASTFA-ELM的风电功率爬坡预测;黄麒元;刘娇娇;王致杰;;电器与能效管理技术(第03期);第54-59页 * |
基于DFIG频率模型的风电功率爬坡事件预测方法;李春;卫志农;孙国强;孙永辉;朱瑛;厉超;;电网技术;第40卷(第03期);第840-846页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116885691A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN112947672B (zh) | 一种光伏电池最大功率点跟踪方法及装置 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN114021836B (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 | |
CN110782071A (zh) | 基于时空特性融合的卷积神经网络进行风电功率预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN113638841A (zh) | 一种基于神经网络预测控制的双风轮风力机变桨控制方法 | |
CN113344283A (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN114817847B (zh) | 一种基于多层前馈神经网络的储能电站智能监测方法 | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN111798034B (zh) | 基于风流场时空图像学习的风电功率预测系统及预测方法 | |
CN112070160B (zh) | 风电功率爬坡事件的多层协同实时分类预警方法 | |
CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
Jin et al. | A hybrid prediction framework based on deep learning for wind power | |
Yang et al. | Offshore Wind Power Prediction Based on Variational Mode Decomposition and Long Short Term Memory Networks | |
CN118134284A (zh) | 一种基于多阶段注意力机制的深度学习风电功率预测方法 | |
CN112507603B (zh) | 基于dnn算法的电力系统鲁棒优化极端场景的识别方法 | |
Sahu et al. | Short-term Wind and PV Generation Forecasting of time-series using ANN |
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 |