一种风场群功率预测方法
文献发布时间:2024-04-18 19:58:26
技术领域
本发明涉及风电场发电技术领域,具体涉及一种风场群功率预测方法。
背景技术
随着化石能源储量日渐枯竭,光伏发电技术、潮汐能发电技术、风力发电技术等前沿领域成果遍地开花。其中,风能作为一种可利用的清洁资源,近年来受到了国内外研究人员的广泛关注。然而,风能的产生受风场状态变化的影响较大,如果风场控制端无法及时依据风场状态做出动态决策,风能的收集与利用必将受限。
风场状态可由风速、温度、风向等参数表征,而上述风场参数客观受时间、季节等多重因素影响,其不确定性分布、相互耦合形式复杂,准确度量这些参数的不确定性与相关性,有利于分析其对风场短期内输出功率的影响规律,最终实现风场短期输出功率的预测,从而有效指导风场控制决策。
发明内容
鉴于现有技术中的上述缺陷或不足,本发明旨在提供一种风场群功率预测方法,包括:
获取第一样本集,所述第一样本集包括不同目标历史时段开始时刻的历史三维矩阵和该目标历史时段截止时刻的风场群实际输出总功率;所述历史三维矩阵基于所述目标历史时段之前的
以所述历史三维矩阵作为输入,以所述风场群实际输出总功率作为输出,对初始神经网络进行训练,得到功率预测模型;获取待预测时段开始时刻的目标三维矩阵,所述目标三维矩阵基于所述待预测时段之前的
根据本发明提供的技术方案,获取所述目标历史时段开始时刻的所述历史三维矩阵,包括以下步骤:
获取平稳时间矩阵,所述平稳时间矩阵由所述目标历史时段之前的
获取参数联合概率矩阵,所述风场具有影响其输出功率的多个参数,所述参数联合概率矩阵由所述目标历史时段之前的
获取参数交叉特征矩阵,所述参数交叉特征矩阵由所述目标历史时段之前的
将所述平稳时间矩阵、所述参数联合概率矩阵、所述参数交叉特征矩阵依据时序组装为所述目标历史时段开始时刻的所述历史三维矩阵。
根据本发明提供的技术方案,获取平稳时间矩阵,包括以下步骤:
获取原始时间序列,所述原始时间序列包括所述目标历史时段之前的
对所述原始时间序列进行平稳性检测,对未通过所述平稳性检测的所述历史时段截止时刻下的所述原始数据进行去趋势处理,得到该历史时段截止时刻下的所述平稳数据。
根据本发明提供的技术方案,所述风场群包括多个风场,所述风场群实际输出总功率的原始数据为各所述风场在该历史时段截止时刻下的实际输出功率之和;采用如下公式(1),对未通过所述平稳性检测的所述原始数据进行去趋势处理:
公式(1)
其中,
根据本发明提供的技术方案,采用如下公式(2),计算每个所述参数在每两个所述风场之间的联合概率或条件联合概率:
公式(2)
其中,
根据本发明提供的技术方案,公式(2)通过公式(3)进行简化:
公式(3)
其中,
根据上述公式通过Copula函数及其密度函数计算第
根据本发明提供的技术方案,采用如下公式(4)计算每个所述参数在基础风场与各其余风场之间的交叉特征:
公式(4)
其中,
根据本发明提供的技术方案,将所述平稳时间矩阵、所述参数联合概率矩阵、所述参数交叉特征矩阵依据时序组装为所述目标历史时段开始时刻的所述历史三维矩阵,包括以下步骤:
将同一所述历史时段截止时刻下的风场群的实际输出总功率的平稳数据、每个所述参数在每两个所述风场之间的联合概率或条件联合概率、每个所述参数在基础风场与各其余风场之间的交叉特征依次组装并重排,得到该所述历史时段截止时刻下的历史二维矩阵;
将各所述历史二维矩阵依据各所述历史时段截止时刻的时序再组装,得到所述历史三维矩阵。
根据本发明提供的技术方案,获取所述目标历史时段截止时刻的风场群实际输出总功率,包括以下步骤:
获取所述目标历史时段截止时刻的各所述风场的实际输出单功率;
将各所述风场的所述实际输出单功率求和并进行归一化处理得到所述风场群实际输出总功率。
根据本发明提供的技术方案,所述参数至少包括温度、风速、风向,各所述参数具有时变性。
综上所述,本发明提出一种风场群功率预测方法,该方法包括以下步骤:获取第一样本集,第一样本集包括不同目标历史时段开始时刻的历史三维矩阵和该目标历史时段截止时刻的风场群实际输出总功率;以历史三维矩阵作为输入,以风场群实际输出总功率作为输出,对初始神经网络进行训练得到功率预测模型;获取待预测时段开始时刻的目标三维矩阵,将目标三维矩阵输入至功率预测模型,得到待预测时段截止时刻的风场群预测输出总功率。
该方法可通过以往数据训练功率预测模型,该模型可基于参数对风场群短期内输出功率的影响,输入往期时段截止时刻(即当前时段开始时刻)的功率相关数据和参数相关数据来预测当前时段的功率变化,若某一时段开始时刻就预测得到该时段截止时刻的风场群预测输出总功率相较于以往数据不稳定,那么该预测值可提供控制指导,通过风场控制端及时做出动态决策以保障风场群的实际输出总功率稳定,从而保证风能的稳定产出。
附图说明
图1为本发明提供的风场群功率预测方法的步骤流程图;
图2为本发明提供的历史三维矩阵的结构示意图。
图中所述文字标注表示为:
1、历史二维矩阵。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
诚如背景技术中提到的,针对现有技术中的问题,本发明提出了一种风场群功率预测方法,请参考图1所示,包括:
S1、获取第一样本集,所述第一样本集包括不同目标历史时段开始时刻的历史三维矩阵和该目标历史时段截止时刻的风场群实际输出总功率;所述历史三维矩阵基于所述目标历史时段之前的
S2、以所述历史三维矩阵作为输入,以所述风场群实际输出总功率作为输出,对初始神经网络进行训练,得到功率预测模型;获取待预测时段开始时刻的目标三维矩阵,所述目标三维矩阵基于所述待预测时段之前的
所述第一样本集的获取方法具体包括:历史数据中包括若干个所述历史时段截止时刻的功率相关数据和参数相关数据,从这些所述历史时段中选定一个作为所述目标历史时段后,通过对其之前的
可选地,某风场群包括三个风场,以采集频次为15min/次采集风场风速、风向、温度三个参数以及所述风场群实际输出总功率的全年变化并记录数据,记录数据总数为35136个,因此每个所述历史时段的时长为15min。
对于一个所述历史时段,其开始时刻的所述历史三维矩阵的获取方法:通过在其之前的所有所述历史时段各自对应的风场风速、风向、温度三个参数以及所述风场群实际输出总功率的记录数据得到该历史时段开始时刻的所述历史三维矩阵,再通过其自身对应的所述风场群实际输出总功率的记录数据得到该历史时段截止时刻的所述风场群实际输出总功率。
所述待预测时段为当前短期未发生的时段,所述待预测时段的时长与各所述历史时段时长相同,所述待预测时段开始时刻为与其相邻的所述历史时段截止时刻,所述目标三维矩阵的获取方法与所述历史三维矩阵的获取方法相同。
具体地,划分所述第一样本集,其中80%的所述第一样本集中的样本作为训练集、20%的样本作为验证集,建立CNN-LSTM神经网络,该神经网络即为所述功率预测模型。具体地,设置滤波器尺寸为3×3,其个数为50;优化函数为adam函数;初始学习率为0.01、学习率策略为piecewise;正则化因子为1×10
以所述历史时段和所述待预测时段的时长为15min为例,将所述待预测时段开始时刻的所述目标三维矩阵输入至所述功率预测模型即可预测得到所述待预测时段截止时刻(尚未发生的将来时刻)的风场群输出总功率,显然的,使用该方法从某一未发生时段开始时刻就能预测到截止时刻的风电场输出总功率(不必经过15min就能计算出该时段风场群功率的预测值)。
该方法可通过以往数据训练功率预测模型,该模型可基于参数对风场群短期内输出功率的影响,输入往期时段截止时刻(即当前时段开始时刻)的参数值来预测当前时段的功率变化,若某一时段开始时刻就预测得到该时段截止时刻的风场群预测输出总功率相较于以往数据不稳定,那么该预测值可提供控制指导,通过风场控制端及时做出动态决策以保障风能的稳定产出。
在一优选实施例中,获取所述目标历史时段开始时刻的所述历史三维矩阵,包括以下步骤:
获取平稳时间矩阵,所述平稳时间矩阵由所述目标历史时段之前的
获取参数联合概率矩阵,所述风场具有影响其输出功率的多个参数,所述参数联合概率矩阵由所述目标历史时段之前的
获取参数交叉特征矩阵,所述参数交叉特征矩阵由所述目标历史时段之前的
将所述平稳时间矩阵、所述参数联合概率矩阵、所述参数交叉特征矩阵依据时序组装为所述目标历史时段开始时刻的所述历史三维矩阵。
在一优选实施例中,所述参数至少包括温度、风速、风向,各所述参数具有时变性。
在一优选实施例中,将所述平稳时间矩阵、所述参数联合概率矩阵、所述参数交叉特征矩阵依据时序组装为所述目标历史时段开始时刻的所述历史三维矩阵,包括以下步骤:
将同一所述历史时段截止时刻下的风场群的实际输出总功率的平稳数据、每个所述参数在每两个所述风场之间的联合概率或条件联合概率、每个所述参数在基础风场与各其余风场之间的交叉特征依次组装并重排,得到该所述历史时段截止时刻下的历史二维矩阵1;
将各所述历史二维矩阵1依据各所述历史时段截止时刻的时序再组装,得到所述历史三维矩阵。
具体地,所述平稳时间矩阵W、所述参数联合概率矩阵C、所述参数交叉特征矩阵Fc如公式(5)所示,将同一所述历史时段截止时刻下的风场群的实际输出总功率的平稳数据、每个所述参数在每两个所述风场之间的联合概率或条件联合概率、每个所述参数在基础风场与各其余风场之间的交叉特征依次组装得到初始矩阵I,对初始矩阵I的每一行重排得到如公式(6)所示的所述历史二维矩阵1,用
所述历史三维矩阵可准确度量风场群风速、温度、风向等因素不确定性与相关性。
公式(5)
公式(6)
对于所述平稳时间矩阵W,以不同所述历史时段截止时刻为列,每行表示每个所述历史时段截止时刻下的风场群实际输出总功率的平稳数据;
对于所述参数联合概率矩阵C,以不同所述历史时段截止时刻为列,每行表示每个所述历史时段截止时刻下的每个所述参数在每两个所述风场之间的联合概率或条件联合概率,对于矩阵C中的任意一个元素
具体地,预先通过风场运行数据、地理条件、工况等选定所述基础风场。对于所述参数交叉特征矩阵Fc,以不同所述历史时段截止时刻为列,每行表示每个所述历史时段截止时刻下的每个所述参数在基础风场与各其余风场之间的交叉特征组成,对于矩阵Fc中的任意一个元素
在一优选实施例中,获取平稳时间矩阵,包括以下步骤:
获取原始时间序列,所述原始时间序列包括所述目标历史时段之前的
对所述原始时间序列进行平稳性检测,对未通过所述平稳性检测的所述历史时段截止时刻下的所述原始数据进行去趋势处理,得到该历史时段截止时刻下的风场群的所述平稳数据。
在一优选实施例中,所述风场群包括多个风场,所述风场群实际输出总功率的原始数据为各所述风场在该历史时段截止时刻下的实际输出功率之和;采用如下公式(1),对未通过所述平稳性检测的所述原始数据进行去趋势处理:
公式(1)
其中,
具体地,从历史数据中获取所述目标历史时段之前
在一优选实施例中,采用如下公式(2),计算每个所述参数在每两个所述风场之间的联合概率或条件联合概率:
公式(2)
其中,
具体地,Copula函数能够在样本充足的情况下准确拟合任意不确定性分布,度量线性/非线性相关性,矩阵C中的每一列均需要不同参数对应的Copula函数得到。
在一优选实施例中,公式(2)通过公式(3)进行简化:
公式(3)
其中,
根据上述公式通过Copula函数及其密度函数计算第
在一优选实施例中,采用如下公式(4)计算每个所述参数在基础风场与各其余风场之间的交叉特征:
公式(4)
其中,
在一优选实施例中,获取所述目标历史时段截止时刻的风场群实际输出总功率,包括以下步骤:
获取所述目标历史时段截止时刻的各所述风场的实际输出单功率;
将各所述风场的所述实际输出单功率求和并进行归一化处理得到所述风场群实际输出总功率。
具体地,某风场群包括三个风场,在所述目标历史时段截止时刻,每个所述风场均具有各自的实际输出单功率,将这三个风场的所述实际输出单功率求和后,考虑到由于各种因素变化大,输出功率的变化范围也可能会大,因此进行归一化处理,将所述风场群实际输出总功率归一至0–1范围之内。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本发明的保护范围。
- 一种基于混合算法的短期风电功率预测方法
- 一种超短期风电功率概率预测方法
- 一种基于小波长短期记忆网络的超短期风电功率预测方法
- 一种短期风电功率预测方法及系统
- 一种基于微气象的风场风电功率预测方法及系统
- 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