CN116885711A - 一种风电功率预测方法、装置、设备和可读存储介质 - Google Patents
一种风电功率预测方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN116885711A CN116885711A CN202310896356.7A CN202310896356A CN116885711A CN 116885711 A CN116885711 A CN 116885711A CN 202310896356 A CN202310896356 A CN 202310896356A CN 116885711 A CN116885711 A CN 116885711A
- Authority
- CN
- China
- Prior art keywords
- power prediction
- predicted
- wind speed
- wind
- value
- 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 66
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000003064 k means clustering Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 2
- 241001673102 Jaya Species 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal 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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电功率预测方法、装置、设备和可读存储介质,通过获取预测风电机的历史风速序列,以及预测风电机附近的环境变量和系统状态参数,将历史风速序列输入预置的第一功率预测模型中,利用第一功率预测模型对历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值,将环境变量、系统状态参数和初步功率预测值输入预置的第二功率预测模型中,利用第二功率预测模型基于环境变量、系统状态参数和初步功率预测值确定对预测风电机的功率预测值。本申请使用实现EMD分解和聚类回归的第一功率预测模型,可更精准的预测风速,提高了风电功率预测的准确度。同时考虑其他各因素产生的影响,进而得到更准确的预测结果。
Description
技术领域
本申请涉及风力发电领域,更具体地说,涉及一种风电功率预测方法、装置、设备和可读存储介质。
背景技术
由于风力发电主要依赖于风速,而风速往往是随机的、间歇性的和不可控的,因此风能预测是风力发电领域的一项具有挑战性的任务。现有的风电预测方法可分为两种策略,包括直接风速预测方法和风电功率预测方法。
直接风速预测方法对风电场进行短期风速预测,将风力发电的历史信息作为预测模型的主要特征输入,并直接预测出功率预测值。这种黑盒式的端对端模型由于其复杂性从而有着很高的计算要求,此外它们还忽视了风电功率曲线对发电的影响,因此预测的估计值具有很大的误差。此外,根据风力涡轮机的能量转换原理,风电功率除受风速影响外,还与环境等其他因素有关,该预测模型也没有考虑此类影响因素,其模型缺乏可解释性,也不能做出足够准确的风电功率预测。
风电功率预测方法通过模型直接预测出风电功率,通常分为以下几类:
物理模型,其基于数值天气预报,它将已分析和初始化的气象观测数据作为初始值,采用数值计算方法求解大气动力学和热力学方程,得到风速的预测值。该模型在长期风速预测方面具有良好的性能,但对于短期风速预测并不理想。
统计模型,如持久性模型、自回归移动平均线、自回归综合移动平均线和季节性自回归综合移动平均线等。统计模型的构建简单,但随着预测范围的增加,预测的准确性迅速降低。
基于此,本申请提出了一种可实现短期风电功率的预测风电功率预测方案,同时规避上述现有方式弊端。
发明内容
有鉴于此,本申请提供了一种风电功率预测方法、装置、设备和可读存储介质,通过构建基于风速预测和风电功率曲线的两阶段短期风电功率预测模型,得到最终的功率预测值。
一种风电功率预测方法,包括:
获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
可选的,所述第一功率预测模型由风速预测网络和曲线建模网络构成;
利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理生成初步功率预测值的过程,包括:
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速;
通过所述曲线建模网络基于所述预测风速进行风力曲线建模生成初步功率预测值。
可选的,所述风速预测网络包括EMD层、K-means聚类层和回归算法层;
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速,包括:
基于所述EMD层将所述历史风速序列通过经验模态分解为若干IMF函数,利用快速傅里叶变换对各所述IMF函数进行频谱分析,提取得到频域信息;
基于所述K-means聚类层根据各所述IMF函数的所述频域信息,采用K-means聚类算法将所述若干IMF函数聚类为多种分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,并对各所述分量的所述预测值求和得到预测风速。
可选的,所述若干IMF函数聚类为高频分量、中频分量和低频分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,包括:
利用SVM回归算法对所述高频分量进行预测,确定所述高频分量的预测值;
利用XGBoost回归算法对所述中频分量进行预测,确定所述中频分量的预测值;
利用LASSO回归算法对所述低频分量进行预测,确定所述低频分量的预测值。
可选的,所述频域信息包括均值、标准差和主频率;
所述均值的计算公式为:
μ=mean(imf)
所述标准差的计算公式为:
δ=std(imf)
所述主频率的计算公式为:
freq=FFT(imf)
其中,imf为IMF函数。
可选的,所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值,包括:
所述第二功率预测模型基于所述环境变量和所述系统状态参数进行知识增强处理,并根据所述初步功率预测值计算得到对所述预测风电机的功率预测值。
可选的,所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值,包括:
所述第二功率预测模型利用GBDT架构,基于所述环境变量、所述系统状态参数以及所述初步功率预测值确定对所述预测风电机的功率预测值。
一种风电功率预测装置,包括:
参数获取单元,用于获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
第一预测单元,用于将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
第二预测单元,用于将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
一种风电功率预测设备,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,实现如上述的风电功率预测方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述的风电功率预测方法的各个步骤。
从上述的技术方案可以看出,本申请实施例提供的一种风电功率预测方法、装置、设备和可读存储介质,本申请提出了一种基于风速预测和风电功率曲线的两阶段短期风电功率预测模型,首先获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数。在第一阶段,先进行风速预测,通过将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值。在第二阶段,在初步功率预测的基础上,考虑了其他因素影响,引入附近的环境变量和系统状态参数,通过将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
本申请第一阶段中使用能够实现EMD分解和聚类回归的第一功率预测模型,可更精准的预测风速,在此基础上通过风电曲线建模实现初步风电功率预测,提高了风电功率预测的准确度。第二阶段将初步功率预测值、环境因素和系统状态参数作为输入,通过知识增强预测出预测风电机的功率预测值,充分考虑了从风速到风电功率转换过程中各因素产生的客观影响,进而得到更准确的预测结果,同时提升了风电功率预测的鲁棒性。
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一种风电功率预测方法的流程图;
图2为本申请实施例公开的一种风电功率预测方法的处理过程的示意图;
图3为本申请实施例公开的一种风速预测网络的处理过程的示意图;
图4为本申请实施例公开的一种风电功率预测装置的结构框图;
图5为本申请实施例公开的一种风电功率预测设备的硬件结构框图。
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。
接下来介绍本申请方案,本申请提出如下技术方案,具体参见下文。
本申请可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本申请实施例提供一种风电功率预测方法,该方法可以应用于各种风电功率预测系统或平台中,亦可以应用在各种计算机终端或是智能终端中,其执行主体可以为计算机终端或是智能终端的处理器或服务器。
接下来介绍本申请方案,本申请提出如下技术方案,具体参见下文。
图1为本申请实施例公开的一种风电功率预测方法的流程图。
图2为本申请实施例公开的一种风电功率预测方法的处理过程的示意图。
如图1和图2所示,该方法可以包括:
步骤S1、获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数。
具体的,从风电数据采集与监视控制系统SCADA中可获取预测风电机的历史风速序列,以及附近的环境变量和系统状态参数。环境因素如风向、环境温度、空气密度、湿度等,系统状态参数如发电机状态、叶片倾斜角、齿轮箱状态、轴承状态等。
步骤S2、将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值。
具体的,所述第一功率预测模型由风速预测网络和曲线建模网络构成。在本申请第一阶段中进行风速预测,通过将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值。
利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理生成初步功率预测值的过程,具体可以包括:
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速;
通过所述曲线建模网络基于所述预测风速进行风力曲线建模生成初步功率预测值。
由于风速预测越准确,根据风力功率曲线的预测误差越小,因此为提高风速预测的准确性,本申请提出了一种基于EMD分解、聚类回归和曲线建模处理的第一功率预测模型,该第一功率预测模型将风速时间序列数据作为输入向量,利用EMD在时域内分解为若干个本征模态函数,即IMF函数。为了捕获风速波动的频域特征,采用FFT方法提取每个IMF的频域信息,根据频域信息采用K-means聚类算法将其聚类为多种分量,并通过回归算法处理得到预测风速。在此基础上,通过所述曲线建模网络基于所述预测风速进行风力曲线建模,实现初步的风电功率预测,生成初步功率预测值。
步骤S3、将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
具体的,在本申请的第二阶段中,在初步功率预测的基础上,考虑了附近的环境变量和系统状态参数对风电功率的影响。第二功率预测模型利用知识增强,引入环境因素和风力发电系统状态参数,考虑了从风速到风电功率转换过程中产生的客观影响,进而得到更准确的预测结果。第二阶段将环境变量、系统状态参数和初步功率预测值输入预置的第二功率预测模型中,确定对所述预测风电机的功率预测值。
本申请提供了两种可选的所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值的过程,具体可以包括:
第一种、所述第二功率预测模型基于所述环境变量和所述系统状态参数进行知识增强处理,并根据所述初步功率预测值计算得到对所述预测风电机的功率预测值。
第二种、所述第二功率预测模型利用GBDT架构,基于所述环境变量、所述系统状态参数以及所述初步功率预测值确定对所述预测风电机的功率预测值。
从上述的技术方案可以看出,本申请实施例提供的一种风电功率预测方法、装置、设备和可读存储介质,本申请提出了一种基于风速预测和风电功率曲线的两阶段短期风电功率预测模型,首先获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数。在第一阶段,先进行风速预测,通过将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值。在第二阶段,在初步功率预测的基础上,考虑了其他因素影响,引入附近的环境变量和系统状态参数,通过将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
本申请第一阶段中使用能够实现EMD分解和聚类回归的第一功率预测模型,可更精准的预测风速,在此基础上通过风电曲线建模实现初步风电功率预测,提高了风电功率预测的准确度。第二阶段将初步功率预测值、环境因素和系统状态参数作为输入,通过知识增强预测出预测风电机的功率预测值,充分考虑了从风速到风电功率转换过程中各因素产生的客观影响,进而得到更准确的预测结果,同时提升了风电功率预测的鲁棒性。
图3为本申请公开的一种风速预测网络的处理过程的示意图。
在本申请的一些实施例中,结合图3对通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速的过程进行介绍,具体可以包括:
基于所述EMD层将所述历史风速序列通过经验模态分解为若干IMF函数,利用快速傅里叶变换对各所述IMF函数进行频谱分析,提取得到频域信息;
基于所述K-means聚类层根据各所述IMF函数的所述频域信息,采用K-means聚类算法将所述若干IMF函数聚类为多种分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,并对各所述分量的所述预测值求和得到预测风速。
具体的,所述风速预测网络可分为EMD分解层、K-means聚类层和回归算法层。
其中,EMD是一种基于数据本身的时间尺度特征的信号分解方法,它对非线性、非平稳、波动和复杂的时间序列数据具有良好的性能,其能将复杂信号分解为包含原始信号在不同时间尺度下的局部特征的有限IMF。在EMD中不需要先验知识,也不会破坏数据本身的时域信息。EMD分解流程如下:
①计算所有给定信号s(t)的极值点,用三次样条插值得到其上下包络线emax(t)和emin(t)。
②计算上下包络线的平均值m(t),并得到一个候选的IMF函数h1(t)。
h1(t)=s(t)-m(t)
③判断候选的IMF是否满足在整个时间范围内,局部极值点和过零点的数目必须相等或最多相差一个,并满足在任意时刻点,局部最大值得上包络线和局部最小值的下包络线均值必须为零,否则重复上面两步。
④计算残差r(t)=s(t)-h1(t)作为新信号s(t),继续执行步骤1、2、3的分解过程,直到第k个信号满足柯西收敛准则,即SDk小于阈值。
在EMD分解完成后会得到若干个IMF(imf1,imf2,…,imfk)分量和剩余信号r(t),然后利用快速傅里叶变换(FFT)对每个IMF进行频谱分析,分别得到频域信息,如均值μ、标准差δ和频率freq。
所述均值的计算公式为:
μ=mean(imf)
所述标准差的计算公式为:
δ=std(imf)
所述主频率的计算公式为:
freq=FFT(imf)
其中,imf为IMF函数。
根据均值、标准差、主频率采用K-means聚类算法将其分为高频、中频和低频分量三类。在此基础上,如图3所示,基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值的过程,具体也分为三类分别进行处理,包括:
第一类、利用SVM回归算法对所述高频分量进行预测,确定所述高频分量的预测值。
第二类、利用XGBoost回归算法对所述中频分量进行预测,确定所述中频分量的预测值。
第三类、利用LASSO回归算法对所述低频分量进行预测,确定所述低频分量的预测值。
基于频域信息使用K-means算法将所有IMF函数聚类为高频、中频和低频三种分量,然后分别使用SVM、XGBoost和LASSO三种回归算法对三种分量进行预测,最后将各分量的预测值重新加和成最终的预测风速。第一阶段的初步功率预测值采用一个四参数的逻辑分布模型对其进行风力曲线WPC(v)建模,如下式所示:
其中,a、m、n、τ四个超参数通过Jaya算法从经清洗的风电数据中确定,然后得到初步的风电功率预测值。
本申请中风速预测网络利用EMD分解、K-means聚类和回归算法处理得到预测风速,可更精准的预测风速,在此基础上通过风电曲线建模实现初步风电功率预测,提高了风电功率预测的准确度。
本申请实施例提供的风电功率预测装置进行描述,下文描述的风电功率预测装置与上文描述的风电功率预测方法可相互对应参照。
参见图4,图4为本申请实施例公开的一种风电功率预测装置的结构框图。
如图4所示,所述风电功率预测装置可以包括:
参数获取单元110,用于获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
第一预测单元120,用于将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
第二预测单元130,用于将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
从上述的技术方案可以看出,本申请实施例提供的一种风电功率预测方法、装置、设备和可读存储介质,本申请提出了一种基于风速预测和风电功率曲线的两阶段短期风电功率预测模型,首先获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数。在第一阶段,先进行风速预测,通过将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值。在第二阶段,在初步功率预测的基础上,考虑了其他因素影响,引入附近的环境变量和系统状态参数,通过将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
本申请第一阶段中使用能够实现EMD分解和聚类回归的第一功率预测模型,可更精准的预测风速,在此基础上通过风电曲线建模实现初步风电功率预测,提高了风电功率预测的准确度。第二阶段将初步功率预测值、环境因素和系统状态参数作为输入,通过知识增强预测出预测风电机的功率预测值,充分考虑了从风速到风电功率转换过程中各因素产生的客观影响,进而得到更准确的预测结果,同时提升了风电功率预测的鲁棒性。
在本申请的一些实施例中,所述第一功率预测模型由风速预测网络和曲线建模网络构成;
利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理生成初步功率预测值的过程,包括:
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速;
通过所述曲线建模网络基于所述预测风速进行风力曲线建模生成初步功率预测值。
在本申请的一些实施例中,所述风速预测网络包括EMD层、K-means聚类层和回归算法层;
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速,包括:
基于所述EMD层将所述历史风速序列通过经验模态分解为若干IMF函数,利用快速傅里叶变换对各所述IMF函数进行频谱分析,提取得到频域信息;
基于所述K-means聚类层根据各所述IMF函数的所述频域信息,采用K-means聚类算法将所述若干IMF函数聚类为多种分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,并对各所述分量的所述预测值求和得到预测风速。
在本申请的一些实施例中,所述若干IMF函数聚类为高频分量、中频分量和低频分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,包括:
利用SVM回归算法对所述高频分量进行预测,确定所述高频分量的预测值;
利用XGBoost回归算法对所述中频分量进行预测,确定所述中频分量的预测值;
利用LASSO回归算法对所述低频分量进行预测,确定所述低频分量的预测值。
在本申请的一些实施例中,所述频域信息包括均值、标准差和主频率;
所述均值的计算公式为:
μ=mean(inf)
所述标准差的计算公式为:
δ=std(imf)
所述主频率的计算公式为:
freq=FFT(imf)
其中,imf为IMF函数。
在本申请的一些实施例中,所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值,包括:
所述第二功率预测模型基于所述环境变量和所述系统状态参数进行知识增强处理,并根据所述初步功率预测值计算得到对所述预测风电机的功率预测值。
在本申请的一些实施例中,所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值,包括:
所述第二功率预测模型利用GBDT架构,基于所述环境变量、所述系统状态参数以及所述初步功率预测值确定对所述预测风电机的功率预测值。
本申请实施例提供的风电功率预测装置可应用于风电功率预测设备。图5设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1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发明实施例的一个或多个集成电路等;
存储器3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,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。可选地,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可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。可选地,所述程序的细化功能和扩展功能可参照上文描述。
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)
1.一种风电功率预测方法,其特征在于,包括:
获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
2.根据权利要求1所述的方法,其特征在于,所述第一功率预测模型由风速预测网络和曲线建模网络构成;
利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理生成初步功率预测值的过程,包括:
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速;
通过所述曲线建模网络基于所述预测风速进行风力曲线建模生成初步功率预测值。
3.根据权利要求2所述的方法,其特征在于,所述风速预测网络包括EMD层、K-means聚类层和回归算法层;
通过所述风速预测网络对所述历史风速序列进行EMD分解、K-means聚类和回归算法处理得到预测风速,包括:
基于所述EMD层将所述历史风速序列通过经验模态分解为若干IMF函数,利用快速傅里叶变换对各所述IMF函数进行频谱分析,提取得到频域信息;
基于所述K-means聚类层根据各所述IMF函数的所述频域信息,采用K-means聚类算法将所述若干IMF函数聚类为多种分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,并对各所述分量的所述预测值求和得到预测风速。
4.根据权利要求3所述的方法,其特征在于,所述若干IMF函数聚类为高频分量、中频分量和低频分量;
基于所述回归算法层利用回归算法对各所述分量进行预测,确定各所述分量的预测值,包括:
利用SVM回归算法对所述高频分量进行预测,确定所述高频分量的预测值;
利用XGBoost回归算法对所述中频分量进行预测,确定所述中频分量的预测值;
利用LASSO回归算法对所述低频分量进行预测,确定所述低频分量的预测值。
5.根据权利要求3所述的方法,其特征在于,所述频域信息包括均值、标准差和主频率;
所述均值的计算公式为:
μ=mean(imf)
所述标准差的计算公式为:
δ=std(imf)
所述主频率的计算公式为:
freq=FFT(imf)
其中,imf为IMF函数。
6.根据权利要求1所述的方法,其特征在于,所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值,包括:
所述第二功率预测模型基于所述环境变量和所述系统状态参数进行知识增强处理,并根据所述初步功率预测值计算得到对所述预测风电机的功率预测值。
7.根据权利要求1所述的方法,其特征在于,所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值,包括:
所述第二功率预测模型利用GBDT架构,基于所述环境变量、所述系统状态参数以及所述初步功率预测值确定对所述预测风电机的功率预测值。
8.一种风电功率预测装置,其特征在于,包括:
参数获取单元,用于获取预测风电机的历史风速序列,以及所述预测风电机附近的环境变量和系统状态参数;
第一预测单元,用于将所述历史风速序列输入预置的第一功率预测模型中,利用所述第一功率预测模型对所述历史风速序列进行EMD分解、聚类回归和曲线建模处理,生成初步功率预测值;
第二预测单元,用于将所述环境变量、所述系统状态参数和所述初步功率预测值输入预置的第二功率预测模型中,利用所述第二功率预测模型基于所述环境变量、所述系统状态参数和所述初步功率预测值确定对所述预测风电机的功率预测值。
9.一种风电功率预测设备,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中任一项所述的风电功率预测方法的各个步骤。
10.一种可读存储介质,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中任一项所述的风电功率预测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896356.7A CN116885711A (zh) | 2023-07-20 | 2023-07-20 | 一种风电功率预测方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896356.7A CN116885711A (zh) | 2023-07-20 | 2023-07-20 | 一种风电功率预测方法、装置、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116885711A true CN116885711A (zh) | 2023-10-13 |
Family
ID=88256568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310896356.7A Pending CN116885711A (zh) | 2023-07-20 | 2023-07-20 | 一种风电功率预测方法、装置、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116885711A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
-
2023
- 2023-07-20 CN CN202310896356.7A patent/CN116885711A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
CN117748501B (zh) * | 2024-02-19 | 2024-05-07 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
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 | |
Malvoni et al. | Forecasting of PV Power Generation using weather input data‐preprocessing techniques | |
Maatallah et al. | Recursive wind speed forecasting based on Hammerstein Auto-Regressive model | |
CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN111598303A (zh) | 一种基于气象成分分解的夏季短期负荷预测方法 | |
CN116885711A (zh) | 一种风电功率预测方法、装置、设备和可读存储介质 | |
CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
Kumari et al. | Wind power prediction using klms algorithm | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN116502692A (zh) | 一种模型的训练方法、光伏发电功率的预测方法及设备 | |
CN115293424A (zh) | 一种新能源最大发电能力计算方法、终端及存储介质 | |
CN110490215B (zh) | 一种风电场-电网相互作用的模态识别方法及系统 | |
Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
CN109728958B (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
CN109872248B (zh) | 一种风电场集群出力计算方法及系统 | |
CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
CN116739172A (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 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN114320770A (zh) | 风电机组的有效风速测量方法及装置 | |
Bantupalli et al. | Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models |
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 |