[发明专利]一种提升风电场超短期功率预测准确率的方法有效
申请号: | 202010292283.7 | 申请日: | 2020-04-14 |
公开(公告)号: | CN111489038B | 公开(公告)日: | 2022-09-30 |
发明(设计)人: | 朱新宇;景志林;梁志平;刘锐;赵德强 | 申请(专利权)人: | 北京天润新能投资有限公司 |
主分类号: | G06Q10/04 | 分类号: | G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N7/08 |
代理公司: | 北京方政卫士专利代理事务所(普通合伙) 16080 | 代理人: | 郭秉印 |
地址: | 100020 北京市朝阳*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 提升 电场 短期 功率 预测 准确率 方法 | ||
1.一种提升风电场超短期功率预测准确率的方法,其特征在于包括如下步骤:
步骤1,对样本进行基于混沌理论的空间重构;
步骤2,建立基于混沌时间序列预测的神经模型;
步骤3,通过重构空间进行超短期功率预测;
所述步骤1实施前进行调和平均准确率与均方根算法对比差异,包括:
(1)计算均方根准确率并获得均方根准确率的规律:
假设第k点其它点预测=实测,即Pin=Pir,i=1…n,i!=k,则均方根准确率为:
其中表示实测功率倍数,n表示预测点位,当全天n点数据,在n-1点预测功率与实际功率相等的情况下,剩余1点的偏差对全天准确率影响不大,但与全天剔除限电点后剩余的点数有关,点数越多,准确率越高;
(2)计算调和平均准确率并获得调和平均准确率的规律:
其中,表示实测功率倍数,表示第i点可用功率预测值;表示第i点的实际功率;假设第k点其它点预测=实测,即Pin=Pir,i=1…n,i!=k,则调和平均准确率E为:
实测功率倍数与调和平均准确率E关系为:当全天n点数据,在n-1点预测功率与实际功率相等的情况下,剩余1点的偏差对全天准确率影响巨大,最终预测准确率与点数n无关;
所述步骤1对样本进行基于混沌理论的空间重构依据混沌理论进行,所述步骤1包括:
步骤11,进行相空间重构,对于样本集{xn,yn},基于混沌理论重建后的样本空间可表述为:
Vn={vn,yn}
vn=(xn,xn-τ,....xn-(m-1)τ)
其中m和τ分别嵌入维数和延迟时间;所述样本集内的数据包括下组中的一种或多种:风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态;
步骤12,采用互信息熵的方法进行延迟时间τ的求解,包括:
其中P(xn,xn+1)表示可用功率的互相关数值;
所述步骤2预测模型的建立采用应用混沌时间序列预测的神经模型,所述神经模型包括:多层感知机神经网络和径向基函数神经网络;
所述多层感知机神经网络为三层结构,多层感知机最底层是输入层,中间是隐藏层,最后是输出层,隐藏层的神经元首先与输入层是全连接的,函数f可以是常用的sigmoid函数,多层感知机的训练采用标准反向传播算法,网络学习分为正向和反向传播两个过程;在正向传播过程中,每一层各神经元的状态输出只传输到下一层各神经元,如果输出层不能得到期望输出,就转入反向传播过程,将误差信号沿原来的连接通路返回,逐次修改各层神经元的输入连接权值,正向传播和反向修正这两个过程的反复运用,使得网络输出误差信号最小,通过对网络权值的修正,使误差函数或目标函数沿负梯度方向下降,使用数值优化算法进行训练,所述数值优化算法包括共轭梯度算法、伪牛顿算法和Levenberg-Marquardt算法;
多层感知机的有效复杂性通过使用正则项方法控制,常用的训练误差函数为:
其中yi为网络输出,为期望输出,Tn为训练样本个数,目标函数的第二项为正则项,W为多层感知机的权值向量,C为正则项系数;
所述径向基函数神经网络为RBF神经网络,径向基函数对输入激励产生一个局部化的响应传导到隐含层节点,RBF神经网络的输出是对隐含层基函数的输出进行线性加权组合得到的,整个网络形成映射:
式中Np为基函数个数,wi为输出层和隐含层第i个节点的连接权重,φ()是径向基函数,网络的待定参数是基函数中心和宽度;
RBF网络的目标函数可以写为:
其中f为网络输出,Xi为网络第i个输入样本,为相应的期望输出;目标函数中的第二项为正则项,P为微分操作符,对学习的映射施加某种先验的约束;C为正则化系数,当时,表示问题不受约束,仅由数据决定;所述RBF网络的训练通过求解线性方程获得;
所述步骤3通过重构空间进行超短期功率预测步骤如下:
步骤31,建立重建空间后的预测模型,所述预测模型为:
yn=f(vn);
步骤32,进行2小时超短期预测,t时刻风速特征重构为:
其中,sp为预测风速,sr为实测风速,t为采样时刻;
步骤33,进行4小时超短期预测,t时刻风速特征重构为:
其中,sp为预测风速,sr为实测风速,t为采样时刻;
所述步骤32包括:预测风速重构为嵌入维数2,延时时间1小时,即间隔4个采样点;实测风速重构为嵌入维数2,延时时间1小时;
所述步骤33包括:预测风速重构为嵌入维数2,延时时间2小时,即间隔8个采样点;实测风速重构为嵌入维数2,延时时间1小时。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京天润新能投资有限公司,未经北京天润新能投资有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010292283.7/1.html,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政;管理
G06Q10-02 .预定,例如用于门票、服务或事件的
G06Q10-04 .预测或优化,例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理,例如组织、规划、调度或分配时间、人员或机器资源;企业规划;组织模型
G06Q10-08 .物流,例如仓储、装货、配送或运输;存货或库存管理,例如订货、采购或平衡订单
G06Q10-10 .办公自动化,例如电子邮件或群件的计算机辅助管理