System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电功率预测的,更具体地,涉及一种新建风电场的短期风电功率预测方法及系统。
技术介绍
1、近年来,新建风电场越来越多,但风力发电具有间歇性和随机性等不确定性特点,新建风电场的并网给电力系统的安全稳定运行带来了挑战。对风电功率进行准确的预测可以降低风电不确定性带来的影响,但由于新建风电场并没有积累足够的历史数据样本,样本少的特点会对风电功率的准确预测产生不利影响。
2、新建风电场周围的邻近风电场在运行过程中积累了一定量的运行数据,现有技术大多直接对邻近风电场的运行数据加权进行利用,然后使用风电功率预测模型进行风电功率预测,但邻近风电场中的样本数据中存在该风电场的专有分布信息,有的与新建风电场分布不同,而这些专有分布信息会在风电功率预测模型的训练引入噪声,对风电功率预测干扰性大,导致风电功率的预测精度降低。
3、因此,如何提取邻近风电场样本中的有效信息并进行运用,提高风电功率预测精度,成为一种亟需解决的技术问题。
技术实现思路
1、为解决在新建风电场的短期风电功率预测时,直接利用新建风电场的邻近风电场的运行数据对风电功率预测干扰性大的问题,本专利技术提出一种新建风电场的短期风电功率预测方法及系统,提取邻近风电场的有效信息并进行运用,提高了风电功率的预测精度。
2、为解决上述技术问题,本专利技术的技术方案如下:
3、第一方面,本申请提出一种新建风电场的短期风电功率预测方法,包括以下步骤:
4、s1:对目标风电场及其
5、s2:将邻近风电场特征矩阵作为已训练好的第一预测模型的输入,利用第一预测模型预测输出邻近风电场特征矩阵的功率伪标签,将功率伪标签与邻近风电场特征矩阵结合,形成新的邻近风电场特征矩阵;
6、s3:分别计算目标风电场特征矩阵的类中心m和邻近风电场特征矩阵的类中心n,基于类中心m与类中心n,进行邻域风电场数据的类中心迁移,得到迁移后的邻近风电场特征矩阵;
7、s4:构建基础门控循环单元网络,分别利用目标风电场特征矩阵及迁移后的邻近风电场特征矩阵训练基础门控循环单元网络,获得训练好的第一门控循环单元网络和第二门控循环单元网络;
8、s5:计算第一门控循环单元网络和第二门控循环单元网络之间的影响熵增,基于迁移后的邻近风电场特征矩阵和影响熵增,构建赋权特征矩阵;
9、s6:利用赋权特征矩阵训练基础门控循环单元网络,获得训练好的基础门控循环网络,将训练好的基础门控循环网络用于短期风电功率预测。
10、优选地,所述目标风电场及其邻近风电场的风电相关数据均包括:风电功率序列数据、风速序列数据、风向序列数据和温度序列数据;将目标风电场的风电功率序列数据、风速序列数据和温度序列数据均采用min-max归一化处理,将目标风电场的风向序列数据采用正余弦处理,处理后的风电功率序列数据、风速序列数据、风向序列数据和温度序列数据构成目标风电场特征矩阵x,表示形式为:
11、
12、其中,、、、、分别表示 t- n时刻目标风电场 t的风速、风向正弦、风向余弦、温度和功率;其中,表示目标风电场的风速序列,表示目标风电场的风向正弦序列,表示目标风电场的风向余弦序列,表示目标风电场的温度序列,表示目标风电场的功率序列;
13、将第 i个邻近风电场的风电功率序列数据、风速序列数据和温度序列数据均采用min-max归一化处理,第 i个邻近风电场的风向序列数据采用正余弦处理,处理后的风电功率序列数据、风速序列数据、风向序列数据和温度序列数据构成第 i个邻近风电场特征矩阵 yi,表示形式为:
14、
15、其中,、、、、分别表示 t- n时刻第 i个邻近风电场的风速、风向正弦、风向余弦、温度和功率;其中,表示第 i个邻近风电场的风速序列 wsi,表示第 i个邻近风电场的风向正弦序列 wdsi,表示第 i个邻近风电场的风向余弦序列 wdci,表示第 i个邻近风电场的温度序列 temi,表示第 i个邻近风电场的功率序列 pi。
16、优选地,所述第一预测模型包括两层神经网络,由目标风电场特征矩阵训练,获得训练好的第一预测模型,在训练过程中,第一预测模型对目标风电场特征矩阵的处理满足表达式:
17、其中,表示激活函数; w、 b分别表示第一预测模型的输入层与第一预测模型的隐含层之间的权重和偏置; w、 b分别表示第一预测模型的隐含层与第一预测模型的输出层之间的权重和偏置;表示在输入为目标风电场特征矩阵x时,第一预测模型的预测值输出,为风电功率。
18、优选地,设第 i个邻近风电场特征矩阵 yi输入到已训练好的第一预测模型,得到第 i个邻近风电场特征矩阵的功率伪标签,将第 i个邻近风电场特征矩阵的功率伪标签替换第i个邻近风电场特征矩阵yi中的功率列,形成新的邻近风电场特征矩阵,表示形式为:
19、。
20、优选地,对目标风电场的功率序列、风速序列、温度序列、风向正弦序列和风向余弦序列中的数据分别求取均值、、、、,得到目标风电场特征矩阵的类中心 m,表达形式为:;
21、对第 i个邻近风电场的风速序列 wsi、第 i个邻近风电场的风向正弦序列 wdsi、第 i个邻近风电场的风向余弦序列 wdci,第 i个邻近风电场的温度序列 temi、第 i个邻近风电场的功率序列 pi中的数据分别求取均值、、、、,得到第 本文档来自技高网...
【技术保护点】
1.一种新建风电场的短期风电功率预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的新建风电场的短期风电功率预测方法,其特征在于,所述目标风电场及其邻近风电场的风电相关数据均包括:风电功率序列数据、风速序列数据、风向序列数据和温度序列数据;将目标风电场的风电功率序列数据、风速序列数据和温度序列数据均采用min-max归一化处理,将目标风电场的风向序列数据采用正余弦处理,处理后的风电功率序列数据、风速序列数据、风向序列数据和温度序列数据构成目标风电场特征矩阵X,表示形式为:
3.根据权利要求2所述的新建风电场的短期风电功率预测方法,其特征在于,所述第一预测模型包括两层神经网络,由目标风电场特征矩阵训练,获得训练好的第一预测模型,在训练过程中,第一预测模型对目标风电场特征矩阵的处理满足表达式:
4.根据权利要求2所述的新建风电场的短期风电功率预测方法,其特征在于,设第i个邻近风电场特征矩阵Yi输入到已训练好的第一预测模型,得到第i个邻近风电场特征矩阵的功率伪标签,将第i个邻近风电场特征矩阵的功率伪标签替换第i个邻近风电场特征矩阵Yi中的功
5.根据权利要求4所述的新建风电场的短期风电功率预测方法,其特征在于,对目标风电场的功率序列、风速序列、温度序列、风向正弦序列和风向余弦序列中的数据分别求取均值、、、、,得到目标风电场特征矩阵的类中心M,表达形式为:;
6.根据权利要求5所述的新建风电场的短期风电功率预测方法,其特征在于,基于类中心M与类中心N,进行邻域风电场数据的类中心迁移的过程包括:
7.根据权利要求1所述的新建风电场的短期风电功率预测方法,其特征在于,所述的基础门控循环单元网络为两层门控循环单元网络,两层门控循环单元网络的参数满足:
8.根据权利要求7所述新建风电场的短期风电功率预测方法,其特征在于,利用目标风电场特征矩阵训练基础门控循环单元网络,获得训练好的第一门控循环单元网络的过程为:
9.根据权利要求7所述新建风电场的短期风电功率预测方法,其特征在于,第一门控循环单元网络和第二门控循环单元网络之间的影响熵增为:
10.一种新建风电场的短期风电功率预测系统,其特征在于,所述系统用于实现权利要求1所述的新建风电场的短期风电功率预测方法,包括:
...【技术特征摘要】
1.一种新建风电场的短期风电功率预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的新建风电场的短期风电功率预测方法,其特征在于,所述目标风电场及其邻近风电场的风电相关数据均包括:风电功率序列数据、风速序列数据、风向序列数据和温度序列数据;将目标风电场的风电功率序列数据、风速序列数据和温度序列数据均采用min-max归一化处理,将目标风电场的风向序列数据采用正余弦处理,处理后的风电功率序列数据、风速序列数据、风向序列数据和温度序列数据构成目标风电场特征矩阵x,表示形式为:
3.根据权利要求2所述的新建风电场的短期风电功率预测方法,其特征在于,所述第一预测模型包括两层神经网络,由目标风电场特征矩阵训练,获得训练好的第一预测模型,在训练过程中,第一预测模型对目标风电场特征矩阵的处理满足表达式:
4.根据权利要求2所述的新建风电场的短期风电功率预测方法,其特征在于,设第i个邻近风电场特征矩阵yi输入到已训练好的第一预测模型,得到第i个邻近风电场特征矩阵的功率伪标签,将第i个邻近风电场特征矩阵的功率伪标签替换第i个邻近风电场特征矩阵yi中的功率列,形成新的邻近风电场特征...
【专利技术属性】
技术研发人员:孟安波,容嘉瑜,肖烈禧,殷豪,汤彦姝,
申请(专利权)人:广东工业大学,
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。