The invention discloses an ultra-short-term wind power prediction method based on hybrid intelligent technology. To solve the unpredictable challenges of ultra-short-term wind power generation. The proposed method uses a series of data processing techniques based on available raw data, including input variable selection based on statistical analysis, attribute reduction based on principal component analysis (PCA) and feature subset partition based on K_means clustering algorithm, in order to obtain more relevant and effective enriched data as input information for prediction. The proposed method uses adaptive neuro-fuzzy inference system (ANFIS) to train and learn input information to obtain output prediction results. Particle swarm optimization (PSO) algorithm is used to optimize the parameters of ANFIS in order to reduce the prediction error. The hybrid intelligent method is evaluated by the forecasting results of actual wind farms. The experimental results show that the method can achieve effective forecasting accuracy.
【技术实现步骤摘要】
一种混合智能技术的超短期风功率预测方法
本专利技术涉及新能源发电的风电功率预测领域,特别是涉及一种基于混合智能技术的超短期风功率预测方法。
技术介绍
风功率预测系统对接入大量风电的电力系统运行有重要意义。电力系统是一个复杂的动态系统,维持发电、输电、用电之间的功率平衡是电网的责任。没有风电的电力系统,电网调度机构根据日负荷曲线可以制定发电计划,满足次日电力的需求。风电场输出功率具有波动性和间歇性,风电的大规模接入导致发电计划制定难度大大增加,风电给电力系统的调度运行带来巨大挑战。对风电场输出功率进行预测是缓解电力系统调峰、调频压力,提高风电接纳能力的有效手段之一,同时,风电场开发企业也可以利用风电预报选择风力较小的天气合理安排风电机组设备的检修,尽可能减少因风电机组检修无法发电带来的发电量损失。风电功率预测方法是影响预测的准确率的关键因素。目前传统风功率预测方法主要有基于统计的方法,基于物理建模的方法以及基于人工智能技术的方法。但单一技术难以实现高精度预测,无法充分挖掘出未来风电出力与各因素之间关系,加之噪声数据影响,使得超短期风功率预测成为多变量高度非线性的复杂问题。而采用具有针对性的混合智能方法是问题的有效的决途径。本专利技术公开一种基于动态自适应模糊逻辑微电网能量调度方法。该方法使用预测信息通过启发式优化算法自适应地确定未来一段时间的模糊控制器,包括确定隶属度函数形状以及推理规则集。利用模糊逻辑推理适用于处理模糊的和不精确的信息,该最优模糊控制器推理机可以更好地满足实时性能量调度优化问题。本专利技术公开了一种基于混合智能技术的超短期风功率预测方法。该 ...
【技术保护点】
1.一种基于混合智能技术的超短期风功率预测方法,其特征在于,所述方法包括如下步骤:步骤(1):依据历史功率记录数据以及公开数值天气预报信息构造原始输入向量,所包含特征为功率以及风速统计量;对于当前时刻t,预测t+τ时刻功率值所选输入向量为:x(t,τ)=[P(t‑1),P(t),v(t+τ),Δvp(t+τ),Δvb(t+τ),V(t+τ)](1)
【技术特征摘要】
1.一种基于混合智能技术的超短期风功率预测方法,其特征在于,所述方法包括如下步骤:步骤(1):依据历史功率记录数据以及公开数值天气预报信息构造原始输入向量,所包含特征为功率以及风速统计量;对于当前时刻t,预测t+τ时刻功率值所选输入向量为:x(t,τ)=[P(t-1),P(t),v(t+τ),Δvp(t+τ),Δvb(t+τ),V(t+τ)](1)其中,P(t)与v(t+τ)分别为当前时段功率平均值以及预测时段NWP风速值,Δvp(t+τ),Δvb(t+τ)分别为前向与后向差分风速,V(t+τ)为风速统计量,mean(g),min(g),max(g),std(g)分别表示时间序列的均值,最小值,最大值,以及标准差,Δτ为选取统计序列的范围半径,τ为预测步长;步骤(2):通过应用主成分分析技术PCA对原始输入向量进行降维,实现属性约简,将上述步骤中的特征变量转化为少数几个主成分,即综合变量;步骤(3):对步骤(2)所得包含主成分的样本数据进行子集划分,采用K-means聚类算法,步骤(4):将步骤(3)所得k类样本数据作为独立的训练集,每个训练集数据分别训练各自的自适应神经模糊推理系统ANFIS,具体包括以下子步骤:(4.1)确定ANFIS网络结构:设置自适应神经模糊推理系统ANFIS的隶属度函数形状类型及模糊集数目,从而确定ANFIS网络结构,一旦确定网络结构,训练参数也随之确定,训练参数包括前提参数与结论参数;(4.2)优化ANFIS训练参数:确定k个ANFIS初始结构及参数后,对决定隶属度函数形状的前提参数以及规则解释函数的后项参数进行优化,采用粒子群优化算法PSO对网络训练参数进行启发式搜索,使样本数据的均方差根误差达到最小值,目标函数如下:其中,Poi为输入i样本时ANFIS网络的输出值,Pri为对应样本的实际测量值,Gi为开机容量,Nk为k类样本数据的数量;步骤(5):执行预测:在当前时刻t,按步骤(1)和(2)准备输入特征向量,将输入向量按步骤(3)所述进行分类,确定输入向量所在类别后,将其输入到所对应的聚类后样本数据训练的ANFIS网络中,所得输出结果作为当前条件下的预测值。2.根据权利要求1所述的方法,其特征在于所述的步骤(2)具体包括以下子步骤:(2.1)对输入变量标准化:采用Z-score方法对所有样本的原始输入向量作归一化处理,如公式(3)所示:其中,N,D分别为样本数量和原始输入维度;μj,σj分别为每个特征属性下的均值与标准差;(2.2)估算样本正交单位向量:主成分分析从总体方差求解主成分,设z1,z2,K,zN为取自总体的归一化样本,每个样本有D个特征变量,故任一样本zi可以表示为D维向量;记样本协方差矩阵S为:将样本协方差矩阵S作为总体Z的协方差矩阵的估计;设为S的D个特征值,为相对应的正交单位向量;(2.3)确定系数矩阵COEEF:由步骤(2.2)所估算的特征向量按排列顺序依次计算前d个主成分累计贡献率,如公式(6)所示:当累计贡献率ΣFd/D>0.95时,取前d个主成分对应的正交单位向量组成系数矩阵COEEF,如下所示:(2.4):获取主成分样本:通过系数矩阵COEEF将原D维样本向量转化为d维主成分样本,如下所示:3.根据权利要求1所述的方法,其特征在于所述的步骤(3)具体包括以下子步骤:(3.1)初始化聚类簇中心:在样本数据中首先随机初始化K个类簇中心,类簇中心与样本具有相同维度,记为:Centerk=(Centerk,1,Centerk,2,K,Centerk,d);(3.2)聚类:计算各个数据对象到聚类中心的距离,把数据对象划分至距离其最近的聚类中心所在类簇中,采用欧式距离来计算数据对象间距离,公式如下:其中,d表示数据对象的属性个数;(3.3)更新类簇中心:k-means算法聚类过程中,每次迭代,对应的类簇中心将被重...
【专利技术属性】
技术研发人员:房新力,董伟,杨强,赵岩,卢迪,陈晓锋,陆艳艳,
申请(专利权)人:中国电建集团华东勘测设计研究院有限公司,浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。