CN117060407A - 一种基于相似日划分的风电集群功率预测方法及系统 - Google Patents
一种基于相似日划分的风电集群功率预测方法及系统 Download PDFInfo
- Publication number
- CN117060407A CN117060407A CN202311320075.3A CN202311320075A CN117060407A CN 117060407 A CN117060407 A CN 117060407A CN 202311320075 A CN202311320075 A CN 202311320075A CN 117060407 A CN117060407 A CN 117060407A
- Authority
- CN
- China
- Prior art keywords
- cluster
- wind power
- power
- day
- unit
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000009466 transformation Effects 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 235000018185 Betula X alpestris Nutrition 0.000 claims description 14
- 235000018212 Betula X uliginosa Nutrition 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 3
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- H02J3/004—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
- G06F18/21—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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于相似日划分的风电集群功率预测方法及系统,该方法先对待预测日前一段时间内风电场的气象及功率数据进行集群划分,得到多个风电集群,再选取各风电集群的代表机组,随后基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果,最后从各代表机组的历史日中选取与其预测日功率相似度最高的至少一个日子作为相似日,将代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果。本发明有效提高了风电集群功率预测的准确性。
Description
技术领域
本发明属于新能源并网消纳技术领域,具体涉及一种基于相似日划分的风电集群功率预测方法及系统。
背景技术
随着经济的快速发展和电力需求的快速增长,世界各国普遍出现能源短缺和环境恶化等现象。为推动清洁能源的应用,以风电为代表的新能源发展迎来了热潮。由于政府大力推动风电发展,中国风电新增装机容量以及发电量在未来将会达到新的水平。随着装机容量的不断攀升,风电的大规模并网对电网稳定性与输出电能质量的影响越来越大,因此准确预测风电功率对维持电网稳定性与安全性具有重要意义。
目前风电功率的预测主要集中在单一风机功率预测,该方法直观且具备一定的准确率,但是由于风电规模的不断增加,单一风机功率预测会造成累计误差,同时也会消耗巨大的计算资源。因此,如何改进预测模型与方法,提高对风电功率预测的效果具有重要意义。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种能够提高风电集群功率预测准确性的一种基于相似日划分的风电集群功率预测方法及系统。
为实现以上目的,本发明的技术方案如下:
第一方面,本发明提出一种基于相似日划分的风电集群功率预测方法,包括:
S1、针对待预测日前一段时间内各风电站的气象及功率数据进行集群划分,得到多个风电集群;
S2、选取各风电集群的代表机组;
S3、基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果;
S4、从各代表机组的历史日中选取与其预测日功率相似度最高的至少一个日子作为相似日;将代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果。
所述S4中,各代表机组在各相似日的平均变换系数根据以下公式计算得到:
;
;
上式中,为风电集群k的代表机组在各相似日第t个时段的平均变换系数,h为相似日的数量,/>为风电集群k的代表机组在第i个相似日第t个时段的变换系数,/>为风电集群k内的风电机组数量,/>为风电集群k中第j个风电机组在第i个相似日第t个时段的功率,/>为风电集群k的代表机组在第i个相似日第t个时段的功率;
各风电集群在预测日的功率预测结果根据以下公式计算得到:
;
上式中,为风电集群k在预测日第t个时段的功率预测值,/>为风电集群k的代表机组在预测日第t个时段的功率预测值。
所述S2中代表机组的选取、S4中相似日的选取均采用Soft-DTW算法,具体包括:
对于代表机组的选取,通过计算风电集群内每个机组和集群的功率相似性,选取Soft-DTW距离最小的机组作为代表机组;
对于相似日的选取,通过计算代表机组在历史日的功率序列与代表机组在预测日的功率序列的相似度,选取Soft-DTW距离最小的h个历史日作为相似日。
所述S1采用PCA-BIRCH聚类算法进行风电集群划分,包括:
S11、针对待预测日前一段时间风电场的气象及功率数据矩阵,使用线性变换计算相关系数矩阵/>:
;
上式中,n为矩阵的维度;
S12、基于相关系数矩阵计算特征根和与特征向量,按照特征值的大小进行排序,选取累积贡献率最高的前/>个主成分作为优选特征;
S13、根据风电机组的数量和地理位置分布设置聚类数目的参数空间,对于设置的每个聚类数目,采用BIRCH聚类算法对优选特征构成的数据集进行聚类分析,得到每个聚类数目对应的聚类结果;
S14、求取各聚类结果的轮廓系数,并选择最大轮廓系数对应的聚类数目作为风电集群划分结果,得到多个风电集群。
所述S14中,轮廓系数的计算公式如下:
;
;
;
上式中,为样本个数,/>为样本i到簇内各样本点距离的均值,/>为样本i所在簇的样本点个数,/>为样本i所在簇的其它样本点数据、/>为样本i所在簇外的样本点数据,/>为样本i到其它簇样本点距离的均值,/>为样本i所在簇外的样本点个数,/>为样本i所在簇外的样本点数据。
所述S3中,BiGRU模型构建两个方向相反的GRU层,分别代表正向学习隐藏层和反向学习隐藏层,计算公式如下:
;
;
;
上式中,、/>分别为正、反向GRU记忆单元的激活向量,/>为GRU模型,/>、/>、分别为正向序列、反向序列和输出/>中计算激活向量的权重矩阵,/>、/>分别为正向序列前一个GRU记忆单元、反向序列后一个GRU记忆单元的激活向量,/>为输入,/>、/>、分别为正向序列、反向序列和输出/>的偏差向量。
第二方面,本发明提出一种基于相似日划分的风电集群功率预测系统,包括风电集群划分模块、代表机组选取模块、代表机组功率预测模块、风电集群功率预测模块,所述风电集群功率预测模块包括相似日选取单元、变换系数计算单元、功率预测单元;
所述风电集群划分模块用于对待预测日前一段时间内风电场的气象及功率数据进行集群划分,得到多个风电集群;
所述代表机组选取模块用于选取各风电集群的代表机组;
所述代表机组功率预测模块用于基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果;
所述相似日选取单元用于从各代表机组的历史日中选取与其预测日功率相似度最高的至少一个日子作为相似日;
所述变换系数计算单元用于计算各代表机组在各相似日的平均变换系数;
所述功率预测单元用于将各代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果。
所述变换系数计算单元根据以下公式计算各代表机组在各相似日的平均变换系数:
;
;
上式中,为风电集群k的代表机组在各相似日第t个时段的平均变换系数,h为相似日的数量,/>为风电集群k的代表机组在第i个相似日第t个时段的变换系数,/>为风电集群k内的风电机组数量,/>为风电集群k中第j个风电机组在第i个相似日第t个时段的功率,/>为风电集群k的代表机组在第i个相似日第t个时段的功率;
所述功率预测单元根据以下公式计算得到各风电集群在预测日的功率预测结果:
;
上式中,为风电集群k在预测日第t个时段的功率预测值,/>为风电集群k的代表机组在预测日第t个时段的功率预测值。
所述代表机组选取模块采用Soft-DTW算法,通过对比风电集群内每个机组和集群的功率相似性,选取Soft-DTW距离最小的作为代表机组;
所述相似日选取单元采用Soft-DTW算法,通过对比代表机组在历史日的功率序列与代表机组在预测日的功率序列的相似度,选取Soft-DTW距离最小的h个历史日作为相似日。
所述风电集群划分模块采用PCA-BIRCH聚类算法进行风电集群划分,包括相关系数矩阵计算单元、特征优选单元、BIRCH聚类单元、集群划分单元;
所述相关系数矩阵计算单元用于针对待预测日前一段时间风电场的气象及功率数据矩阵,使用线性变换计算相关系数矩阵/>:
;
上式中,n为矩阵的维度;
所述特征优选单元用于基于相关系数矩阵计算特征根和与特征向量,按照特征值的大小进行排序,并选取累积贡献率最高的前/>个主成分作为优选特征;
所述BIRCH聚类单元用于根据风电机组的数量和地理位置分布设置聚类数目的参数空间,对于设置的每个聚类数目,采用BIRCH聚类算法对优选特征构成的数据集进行聚类分析,得到每个聚类数目对应的聚类结果;
所述集群划分单元用于求取各聚类结果的轮廓系数,并选择最大轮廓系数对应的聚类数目作为风电集群划分结果,得到多个风电集群。
所述集群划分单元根据下式计算各聚类结果的轮廓系数:
;
;
;
上式中,为样本个数,/>为样本i到簇内各样本点距离的均值,/>为样本i所在簇的样本点个数,/>为样本i所在簇的其它样本点数据、/>为样本i所在簇外的样本点数据,/>为样本i到其它簇样本点距离的均值,/>为样本i所在簇外的样本点个数,/>为样本i所在簇外的样本点数据。
与现有技术相比,本发明的有益效果为:
1、本发明一种基于相似日划分的风电集群功率预测方法先对待预测日前一段时间内风电场的气象及功率数据进行集群划分,得到多个风电集群,再选取各风电集群的代表机组,随后基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果,最后从各代表机组的历史日中选取与其预测日功率相似度最高的至少一个日子作为相似日,将代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果,该方法提出了基于相似日的集群变换系数确定集群功率预测结果的策略,有效提高了风电集群功率预测的准确性。
2、本发明一种基于相似日划分的风电集群功率预测方法提出了Soft-DTW算法,利用Soft-DTW算法从各风电集群中选取代表机组,避免基于地理位置或随机选取代表机组所带来的不准确性;同时,利用Soft-DTW算法选取与代表机组预测日具有相同气象类型的历史日作为相似日,为风电集群代表机组以及相似日的选取提供了有效且准确的方法。
3、本发明一种基于相似日划分的风电集群功率预测方法采用PCA-BIRCH聚类算法进行风电集群划分,首先使用PCA法在保留特征信息的前提下降低特征维度,再利用BIRCH聚类在合理的区间内计算最优的聚类数量和聚类结果,该方法能够有效降低调整信息的冗余程度,从而提高风电机组集群划分的准确性。
附图说明
图1为实施例1所述方法的流程图。
图2为实施例2所述系统的结构图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
实施例1:
如图1所示,一种基于相似日划分的风电集群功率预测方法,依次按照以下步骤进行:
1、获取2021年1月2日到2022年11月2日10个风电站的历史数据,包括风速、风向、温度、湿度、气压、功率6个特征,数据时间尺度15min。将历史数据各特征进行缺失值、异常值、归一化处理。本实施例中,缺失值采用线性插值的方法,异常值采用不予处理,归一化采用Z-score标准化处理。
2、从处理后的数据中选取待预测日前7天的历史数据,形成矩阵,使用线性变换计算相关系数矩阵/>:
;
上式中,n为矩阵的维度。
3、基于相关系数矩阵计算特征根和/>与特征向量/>,并按照特征值的大小进行排序。
4、计算累积贡献率:
;
;
上式中,为第k个主成分的贡献率,/>为第k个主成分的特征根。
若累计贡献率超过设定值95%,则认为前/>个主成分可以充分表示原始输入风电的全部信息,本实施例中/>为4,即通过PCA算法将数据的特征数量由6降至4。
5、根据风电机组的数量和地理位置分布设置聚类数目的参数空间,对于设置的每个聚类数目,采用BIRCH聚类算法对4个优选特征构成的数据集进行聚类分析,得到每个聚类数目对应的聚类结果,其中,BIRCH聚类算法特征树的每个节点由包含3个元素的聚类特征CF表示,如下式所示:
;
上式中,为簇内风电机组的数量,/>为簇内所有风电机组功率的代数和,为所有风电机组功率的平方和,/>为风电机组n归一化后的功率。
6、根据下式计算各聚类结果的轮廓系数:
;
;
;
上式中,为样本个数,/>为样本i到簇内各样本点距离的均值,/>为样本i所在簇的样本点个数,/>为样本i所在簇的其它样本点数据、/>为样本i所在簇外的样本点数据,/>为样本i到其它簇样本点距离的均值,/>为样本i所在簇外的样本点个数,/>为样本i所在簇外的样本点数据。
7、选择最大轮廓系数对应的聚类数目3作为风电集群划分结果,得到3个风电集群。
8、针对各风电集群,采用Soft-DTW算法,通过计算风电集群内每个机组和集群的功率相似性,选取Soft-DTW距离最小的风电机组的代表机组,具体步骤如下:
对于两个序列、/>,定义/>为风电集群内每个机组对应时间(待预测日前14天)的功率序列,/>为风电集群内所有机组对应时间(待预测日前14天)的功率和序列,代价矩阵/>。其中,/>为可微代价函数,m和n分别为/>、/>两条时间序列的长度,为路径上的代价和组成的集合,通过最小代价和/>来度量相似性,有:
;
;
上式中,为代价矩阵在/>处的代距离,/>,为/>周围3个点代价值的最小值,/>为路径点n,/>为平滑参数。
9、以各代表机组的历史气象及功率数据作为训练数据集,输入BiGRU模型进行训练,其中,BiGRU模型构建两个方向相反的GRU层,分别代表正向学习隐藏层和反向学习隐藏层,计算公式如下:
;
;
;
上式中,、/>分别为正、反向GRU记忆单元的激活向量,/>为GRU模型,/>、/>、分别为正向序列、反向序列和输出/>中计算激活向量的权重矩阵,/>、/>分别为正向序列前一个GRU记忆单元、反向序列后一个GRU记忆单元的激活向量,/>为输入,/>、/>、分别为正向序列、反向序列和输出/>的偏差向量。
10、将预测日的气象数据输入训练好的BiGRU模型进行预测,得到各代表机组在预测日的功率预测结果。
11、针对各代表机组,采用Soft-DTW算法,从其历史日中选取与其预测日功率相似度最高的7个日子作为相似日,该过程与步骤8基本相同,不同之处在于,在本步骤中,为代表机组在预测日的功率序列,/>为代表机组在历史日的功率序列。
12、根据以下公式计算各代表机组在7个相似日的平均变换系数:
;
;
上式中,为风电集群k的代表机组在各相似日第t个时段的平均变换系数,h为相似日的数量,/>为风电集群k的代表机组在第i个相似日第t个时段的变换系数,/>为风电集群k内的风电机组数量,/>为风电集群k中第j个风电机组在第i个相似日第t个时段的功率,/>为风电集群k的代表机组在第i个相似日第t个时段的功率。
13、将各代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果:
;
上式中,为风电集群k在预测日第t个时段的功率预测值,/>为风电集群k的代表机组在预测日第t个时段的功率预测值。
实施例2:
如图2所示,一种基于相似日划分的风电集群功率预测系统,包括风电集群划分模块、代表机组选取模块、代表机组功率预测模块、风电集群功率预测模块,所述风电集群划分模块包括相关系数矩阵计算单元、特征优选单元、BIRCH聚类单元、集群划分单元,所述风电集群功率预测模块包括相似日选取单元、变换系数计算单元、功率预测单元。
所述相关系数矩阵计算单元用于针对待预测日前一段时间风电场的气象及功率数据矩阵,使用线性变换计算相关系数矩阵/>:
;
上式中,n为矩阵的维度。
所述特征优选单元用于基于相关系数矩阵计算特征根和与特征向量,按照特征值的大小进行排序,并选取累积贡献率最高的前/>个主成分作为优选特征,其中,累积贡献率/>根据下列公式计算得到:
;
;
上式中,为第k个主成分的贡献率,/>为第k个主成分的特征根。
所述BIRCH聚类单元用于根据风电机组的数量和地理位置分布设置聚类数目的参数空间,对于设置的每个聚类数目,采用BIRCH聚类算法对优选特征构成的数据集进行聚类分析,得到每个聚类数目对应的聚类结果。
所述集群划分单元用于根据下式求取各聚类结果的轮廓系数,并选择最大轮廓系数对应的聚类数目作为风电集群划分结果,得到多个风电集群:
;
;
;
上式中,为样本个数,/>为样本i到簇内各样本点距离的均值,/>为样本i所在簇的样本点个数,/>为样本i所在簇的其它样本点数据、/>为样本i所在簇外的样本点数据,/>为样本i到其它簇样本点距离的均值,/>为样本i所在簇外的样本点个数,/>为样本i所在簇外的样本点数据。
所述代表机组选取模块用于针对各风电集群,采用Soft-DTW算法,通过对比风电集群内每个机组和集群的功率相似性,选取Soft-DTW距离最小的作为代表机组,具体实现方法如实施例1中步骤8所示。
所述风电集群功率预测模块用于基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果,具体实现方法如实施例1中步骤9-10所示。
所述相似日选取单元用于针对各代表机组,采用Soft-DTW算法,通过对比代表机组在历史日的功率序列与代表机组在预测日的功率序列的相似度,选取Soft-DTW距离最小的h个历史日作为相似日,具体实现方法如实施例1中步骤11所示。
所述变换系数计算单元用于根据下式计算各代表机组在各相似日的平均变换系数:
;
;
上式中,为风电集群k的代表机组在各相似日第t个时段的平均变换系数,h为相似日的数量,/>为风电集群k的代表机组在第i个相似日第t个时段的变换系数,/>为风电集群k内的风电机组数量,/>为风电集群k中第j个风电机组在第i个相似日第t个时段的功率,/>为风电集群k的代表机组在第i个相似日第t个时段的功率。
所述功率预测单元用于将各代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果:
;
上式中,为风电集群k在预测日第t个时段的功率预测值,/>为风电集群k的代表机组在预测日第t个时段的功率预测值。/>
Claims (10)
1.一种基于相似日划分的风电集群功率预测方法,其特征在于,
所述方法包括:
S1、针对待预测日前一段时间内各风电站的气象及功率数据进行集群划分,得到多个风电集群;
S2、选取各风电集群的代表机组;
S3、基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果;
S4、从各代表机组的历史日中选取与其预测日功率相似度最高的至少一个日子作为相似日;将代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果。
2.根据权利要求1所述的一种基于相似日划分的风电集群功率预测方法,其特征在于,
所述S4中,各代表机组在各相似日的平均变换系数根据以下公式计算得到:
;
;
上式中,为风电集群k的代表机组在各相似日第t个时段的平均变换系数,h为相似日的数量,/>为风电集群k的代表机组在第i个相似日第t个时段的变换系数,/>为风电集群k内的风电机组数量,/>为风电集群k中第j个风电机组在第i个相似日第t个时段的功率,/>为风电集群k的代表机组在第i个相似日第t个时段的功率;
各风电集群在预测日的功率预测结果根据以下公式计算得到:
;
上式中,为风电集群k在预测日第t个时段的功率预测值,/>为风电集群k的代表机组在预测日第t个时段的功率预测值。
3.根据权利要求1或2所述的一种基于相似日划分的风电集群功率预测方法,其特征在于,
所述S2中代表机组的选取、S4中相似日的选取均采用Soft-DTW算法,具体包括:
对于代表机组的选取,通过计算风电集群内每个机组和集群的功率相似性,选取Soft-DTW距离最小的机组作为代表机组;
对于相似日的选取,通过计算代表机组在历史日的功率序列与代表机组在预测日的功率序列的相似度,选取Soft-DTW距离最小的h个历史日作为相似日。
4.根据权利要求3所述的一种基于相似日划分的风电集群功率预测方法,其特征在于,
所述S1采用PCA-BIRCH聚类算法进行风电集群划分,包括:
S11、针对待预测日前一段时间风电场的气象及功率数据矩阵,使用线性变换计算相关系数矩阵/>:
;
上式中,n为矩阵的维度;
S12、基于相关系数矩阵计算特征根和与特征向量,按照特征值的大小进行排序,选取累积贡献率最高的前/>个主成分作为优选特征;
S13、根据风电机组的数量和地理位置分布设置聚类数目的参数空间,对于设置的每个聚类数目,采用BIRCH聚类算法对优选特征构成的数据集进行聚类分析,得到每个聚类数目对应的聚类结果;
S14、求取各聚类结果的轮廓系数,并选择最大轮廓系数对应的聚类数目作为风电集群划分结果,得到多个风电集群。
5.根据权利要求4所述的一种基于相似日划分的风电集群功率预测方法,其特征在于,
所述S14中,轮廓系数的计算公式如下:
;
;
;
上式中,为样本个数,/>为样本i到簇内各样本点距离的均值,/>为样本i所在簇的样本点个数,/>为样本i所在簇的其它样本点数据、/>为样本i所在簇外的样本点数据,/>为样本i到其它簇样本点距离的均值,/>为样本i所在簇外的样本点个数,/>为样本i所在簇外的样本点数据。
6.根据权利要求1所述的一种基于相似日划分的风电集群功率预测方法,其特征在于,
所述S3中,BiGRU模型构建两个方向相反的GRU层,分别代表正向学习隐藏层和反向学习隐藏层,计算公式如下:
;
;
;
上式中,、/>分别为正、反向GRU记忆单元的激活向量,/>为GRU模型,/>、/>、/>分别为正向序列、反向序列和输出/>中计算激活向量的权重矩阵,/>、/>分别为正向序列前一个GRU记忆单元、反向序列后一个GRU记忆单元的激活向量,/>为输入,/>、/>、/>分别为正向序列、反向序列和输出/>的偏差向量。
7.一种基于相似日划分的风电集群功率预测系统,其特征在于,
包括风电集群划分模块、代表机组选取模块、代表机组功率预测模块、风电集群功率预测模块,所述风电集群功率预测模块包括相似日选取单元、变换系数计算单元、功率预测单元;
所述风电集群划分模块用于对待预测日前一段时间内风电场的气象及功率数据进行集群划分,得到多个风电集群;
所述代表机组选取模块用于选取各风电集群的代表机组;
所述代表机组功率预测模块用于基于各代表机组的历史气象及功率数据、预测日气象数据,对BiGRU模型进行训练和预测,得到各代表机组在预测日的功率预测结果;
所述相似日选取单元用于从各代表机组的历史日中选取与其预测日功率相似度最高的至少一个日子作为相似日;
所述变换系数计算单元用于计算各代表机组在各相似日的平均变换系数;
所述功率预测单元用于将各代表机组在各相似日的平均变换系数作为对应风电集群的预测日变换系数,计算得到各风电集群在预测日的功率预测结果。
8.根据权利要求7所述的一种基于相似日划分的风电集群功率预测系统,其特征在于,
所述变换系数计算单元根据以下公式计算各代表机组在各相似日的平均变换系数:
;
;
上式中,为风电集群k的代表机组在各相似日第t个时段的平均变换系数,h为相似日的数量,/>为风电集群k的代表机组在第i个相似日第t个时段的变换系数,/>为风电集群k内的风电机组数量,/>为风电集群k中第j个风电机组在第i个相似日第t个时段的功率,/>为风电集群k的代表机组在第i个相似日第t个时段的功率;
所述功率预测单元根据以下公式计算得到各风电集群在预测日的功率预测结果:
;
上式中,为风电集群k在预测日第t个时段的功率预测值,/>为风电集群k的代表机组在预测日第t个时段的功率预测值。
9.根据权利要求7或8所述的一种基于相似日划分的风电集群功率预测系统,其特征在于,
所述代表机组选取模块采用Soft-DTW算法,通过对比风电集群内每个机组和集群的功率相似性,选取Soft-DTW距离最小的作为代表机组;
所述相似日选取单元采用Soft-DTW算法,通过对比代表机组在历史日的功率序列与代表机组在预测日的功率序列的相似度,选取Soft-DTW距离最小的h个历史日作为相似日。
10.根据权利要求7所述的一种基于相似日划分的风电集群功率预测系统,其特征在于,
所述风电集群划分模块采用PCA-BIRCH聚类算法进行风电集群划分,包括相关系数矩阵计算单元、特征优选单元、BIRCH聚类单元、集群划分单元;
所述相关系数矩阵计算单元用于针对待预测日前一段时间风电场的气象及功率数据矩阵,使用线性变换计算相关系数矩阵/>:
;
上式中,n为矩阵的维度;
所述特征优选单元用于基于相关系数矩阵计算特征根和与特征向量,按照特征值的大小进行排序,并选取累积贡献率最高的前/>个主成分作为优选特征;
所述BIRCH聚类单元用于根据风电机组的数量和地理位置分布设置聚类数目的参数空间,对于设置的每个聚类数目,采用BIRCH聚类算法对优选特征构成的数据集进行聚类分析,得到每个聚类数目对应的聚类结果;
所述集群划分单元用于求取各聚类结果的轮廓系数,并选择最大轮廓系数对应的聚类数目作为风电集群划分结果,得到多个风电集群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320075.3A CN117060407B (zh) | 2023-10-12 | 2023-10-12 | 一种基于相似日划分的风电集群功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320075.3A CN117060407B (zh) | 2023-10-12 | 2023-10-12 | 一种基于相似日划分的风电集群功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117060407A true CN117060407A (zh) | 2023-11-14 |
CN117060407B CN117060407B (zh) | 2023-12-22 |
Family
ID=88667797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311320075.3A Active CN117060407B (zh) | 2023-10-12 | 2023-10-12 | 一种基于相似日划分的风电集群功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117060407B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353302A (zh) * | 2023-12-04 | 2024-01-05 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
US9857778B1 (en) * | 2016-10-07 | 2018-01-02 | International Business Machines Corporation | Forecasting solar power generation using real-time power data, weather data, and complexity-based similarity factors |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112132344A (zh) * | 2020-09-23 | 2020-12-25 | 南京信息工程大学 | 一种基于相似日和frs-svm的短期风电功率预测方法 |
CN112508246A (zh) * | 2020-11-26 | 2021-03-16 | 国电南瑞科技股份有限公司 | 一种基于相似日的光伏发电功率预测方法 |
CN115759389A (zh) * | 2022-11-15 | 2023-03-07 | 山西格盟中美清洁能源研发中心有限公司 | 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 |
CN116629416A (zh) * | 2023-05-16 | 2023-08-22 | 国网福建省电力有限公司经济技术研究院 | 光伏电站功率预测方法及装置 |
CN116644848A (zh) * | 2023-05-24 | 2023-08-25 | 上海能源科技发展有限公司 | 基于多源数据的中长期区域风功率预测方法 |
-
2023
- 2023-10-12 CN CN202311320075.3A patent/CN117060407B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
US9857778B1 (en) * | 2016-10-07 | 2018-01-02 | International Business Machines Corporation | Forecasting solar power generation using real-time power data, weather data, and complexity-based similarity factors |
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112132344A (zh) * | 2020-09-23 | 2020-12-25 | 南京信息工程大学 | 一种基于相似日和frs-svm的短期风电功率预测方法 |
CN112508246A (zh) * | 2020-11-26 | 2021-03-16 | 国电南瑞科技股份有限公司 | 一种基于相似日的光伏发电功率预测方法 |
CN115759389A (zh) * | 2022-11-15 | 2023-03-07 | 山西格盟中美清洁能源研发中心有限公司 | 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 |
CN116629416A (zh) * | 2023-05-16 | 2023-08-22 | 国网福建省电力有限公司经济技术研究院 | 光伏电站功率预测方法及装置 |
CN116644848A (zh) * | 2023-05-24 | 2023-08-25 | 上海能源科技发展有限公司 | 基于多源数据的中长期区域风功率预测方法 |
Non-Patent Citations (5)
Title |
---|
JIE YANG: "Application of Fuzzy Support Vector Machine in Short-Term Power Load Forecasting", 《JOURNAL OF CASES ON INFORMATION TECHNOLOGY》 * |
MA LUBIN: "Output Prediction of Kmedoids-BiGRU-DTW Distributed Photovoltaic Cluster based on Similar Days", 《 2023 3RD POWER SYSTEM AND GREEN ENERGY CONFERENCE (PSGEC)》 * |
彭小圣;熊磊;文劲宇;程时杰;邓迪元;冯双磊;王勃;: "风电集群短期及超短期功率预测精度改进方法综述", 中国电机工程学报, no. 23 * |
樊国伟;陈驰;李俊;王智伟;任景;张小东;张锋;樊国旗;宋宪可;: "基于最优划分聚类和人工神经网络的地区风力发电预测", 青海电力, no. 04 * |
王勃;刘纯;冯双磊;丘刚;孟祥星;赵俊屹;: "基于集群划分的短期风电功率预测方法", 高电压技术, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353302A (zh) * | 2023-12-04 | 2024-01-05 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
CN117353302B (zh) * | 2023-12-04 | 2024-02-13 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117060407B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN102562469B (zh) | 基于校正算法的短期风力发电机输出功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN111525552B (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
CN113837426A (zh) | 一种基于天气分型的光伏功率预测方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN110598896A (zh) | 基于预测误差校正的光伏功率预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
CN116187540B (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN111242371A (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
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 |