【技术实现步骤摘要】
基于多尺度双时空网络区域风力发电功率预测方法及系统
[0001]本专利技术属于新能源发电、时间序列预测、时空数据挖掘领域,具体涉及一种基于多尺度双时空网络区域风力发电功率预测方法及系统。
技术介绍
[0002]为了解决全球对减少二氧化碳排放的担忧,正在大力推广风能作为传统化石燃料发电的替代品。然而,风的不确定性和随机性使得风力发电具有不稳定性,这对电网负载平衡和发电调度带来了重大挑战。为了促进风力发电的大规模应用,有必要进行准确的风力发电预测。
[0003]在风电场系统运行期间,通常会收集一些运行时信息数据,包括发电记录和天气观测。通过分析信息数据,可以对未来的发电量做出预测。根据实际需求,风力发电预测长度从几分钟到几个月不等。几分钟内的预测任务主要服务于单个发电设备控制;几个小时(或几天)的预测任务主要服务于电网系统的日前调度和电力市场交易;几个月及以上的预测任务主要用于电力系统建设规划。
[0004]主要用于风力发电预测的统计模型包括了ARIMA方法、机器学习方法和深度学习方法等。ARIMA方法最早被应用于风力预测,因为它们很容易实现。他们假设在短时间内,风数据的分布是平稳的,并根据观测到的历史数据用最大似然估计(MLE)预测风数据。Rajesh和Krithika提出使用分数ARIMA对四个潜在的风力发电站进行造林,并取得了比原始ARIMA更好的预测性能。Bri
‑
Mathias等人提出使用组合ARIMA来实现更好、更稳健的预测。Camelo等人提出将ARIMA与人工神经网络相结 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度双时空网络区域风力发电功率预测方法,其特征在于,包括如下步骤:步骤1、收集风力发电过程中的发电功率数据,并进行预处理,构建历史发电功率数据,同时收集风电场的经纬度信息;步骤2、对历史发电功率数据进行小波分解,并舍弃高频分量;步骤3、将小波分解后的各个分量分别采用对应的多尺度双时空网络,预测其未来的预测值;步骤4、将所有分量的未来的预测值累加,并通过数据逆变换,得到最终的站点功率预测值;步骤5、根据最终的站点功率预测值与实际值的偏差,更新模型参数;训练完成后,验证模型性能。2.根据权利要求1所述的一种基于多尺度双时空网络区域风力发电功率预测方法,其特征在于,所述步骤1包括:收集过去一段时间的发电功率数据;设定区域内风力站点数量为,历史数据长度为;构建历史风电数据;其中,表示第个站点的历史功率;采用归一化方法处理对数据进行数值尺度大小放缩,将数值范围调整为[0,1];收集风电场的经纬度信息,记为,其中为站点的经纬度坐标,。3.根据权利要求2所述的一种基于多尺度双时空网络区域风力发电功率预测方法,其特征在于,所述步骤2包括:首先对历史观测数据进行小波分解;一次分解中对应一个低频滤波器和一个高频滤波器;对第个站点的历史功率进行小波分解如下:,,其中,是低频滤波器和高频滤波器的长度,,是滤波器中的下标;所得的为低频分量,为高频分量,选定Db4小波基,经过两次分解后,得到一个低频分量和两个高频分量,并分别进行逆变换得到历史功率趋势数据和功率周期性数据,。4.根据权利要求3所述的一种基于多尺度双时空网络区域风力发电功率预测方法,其特征在于,所述步骤3包括:在步骤2已获得的历史功率趋势数据以及功率周期性数据,采用多尺
度的双时空网络,分别对其进行未来一段时间的预测,具体包括:(3.1)双时空网络的实现:设计两种互补的时空层,即同步时空层和异步时空层;同步时空层学习过往一段时间中的站点间历史功率序列的同步特性,异步时空层学习过往一段时间中的站点间历史功率序列的时延特性;(3.1.1)同步时空层的实现包括:给定站点及临近的站点,获取它们的历史序列和其他边特征,其中表示站点的经纬度,表示站点的经纬度坐标;表示站点与站点全部历史序列之间的相关性系数;应用多层感知机来计算边编码如下:,,,其中,表示向量拼接操作,为的正则,为的正则;表示正则操作:,其中,和分别表示序列的均值和标准差;由此得到站点与其他站点间的边编码;多层感知机的运算过程如下:,其中,是可学习的参数,是多层感知机的内部维度数,将边编码求均值得到站点的邻域同步空间编码:,并采用多层感知机更新对应的时间信息如下:,所得的包含了站点的同步时空信息;(3. 1.2)异步时空层的实现包括:给定站点和站点的历史数据,以相关函数计算它们之间的最佳时延;最佳时延为对其中一个站点的历史数据进行时域平移后,两站点的历史数据达到最相似时,对应的时域偏移量;假定对站点的历史数据进行步的时域偏移,并记为,其与站点历史数据之间的相关系数计算如下:
,,,其中,为输入历史序列的长度,表示时移的长度和方向,对应时序前移,对应时序后移;选取最佳的时延与对应的权重系数如下:,,其中,表示使得括号内表达式达到最大值时的对应值,表示遍历值后括号内表达式的最大值;融合对应的异步空间信息如下:,,其中,表...
【专利技术属性】
技术研发人员:凌强,赖泽锋,李峰,方毅,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:
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。