公开/公告号CN115659825A
专利类型发明专利
公开/公告日2023-01-31
原文格式PDF
申请/专利号CN202211379452.6
申请日2022-11-04
分类号G06F30/27;G06F17/13;G06F17/18;G06Q10/04;G06Q50/06;G06F113/06;
代理机构西安智大知识产权代理事务所;
代理人弋才富
地址 710000 陕西省西安市碑林区环城东路中段50号西北电网公司办公楼
入库时间 2023-06-19 18:25:54
法律状态公告日
法律状态信息
法律状态
2023-01-31
公开
发明专利申请公布
技术领域
本发明属于风电功率预测技术领域,特别是涉及一种基于高斯过程回归的风电功率预测方法。
背景技术
我国的风能资源分布广泛,近年来得到了广泛关注和大力发展。然而由于风的波动性极强,风电出力不稳定,日均出力峰谷间差距极大,产生的风电无法及时消纳,极易造成“弃风限电”现象,造成能源的大量浪费。
考虑电力系统的安全稳定运行需要实现能量实时平衡,但风能出力受外界环境影响大,有必要对风电功率进行准确预测,利用预测数据提高系统的调度能力,可有效地减少储能设备、灵活调节源端的投资。因此,对风电功率进行准确预测,可以提高电网接纳随机性的风力发电的能力,降低风电并网时风电波动性为电网稳定性带来的冲击,帮助电力部门制定更合理的调度计划,减少弃风限电现象,大大提高能源的利用效率。
在实际情况下,由于场源建立时间短、历史样本数据存储不当等问题,常常导致样本数量小,难以建立场源的有效预测模型,或者预测的准确度难以保证。低效的风电功率预测会直接影响到并网时的稳定性和安全性,可能会导致大量弃风现象,造成大量能源的浪费。
合肥工业大学论文《基于数据挖掘与非线性分位数回归的风电功率概率密度预测方法》将支持向量机和分位数回归相结合,对风电功率的非线性关系进行了较好的拟合,然而该方法对数据量要求较大,难以适应于历史样本数据较少的情况。因此,有必要建立一种基于相关场源数据的风电功率预测模型,提高小样本情况下的预测准确性。
发明内容
为了克服上述现有技术的缺陷,本发明的目的在于公开一种基于高斯过程回归的风电功率预测方法,通过对区域内风力发电机历史数据进行插值,获取目标风机的环境场,并采用高斯过程回归获取发电机风电功率预测模型,从而为小样本数据下的风电功率预测提供有效手段。
为了达到上述目的,本发明的技术方案如下:
一种基于高斯过程回归的风电功率预测方法,包括以下步骤:
(1)、建立输入变量为风速、风向、温度、气压、湿度,输出变量为风电功率的目标风力发电机风电功率预测模型:
Y=F(X
其中:Y是风电功率预测变量;X
(2)、设目标风力发电机区域内共有n台具有充分历史风电出力数据的风力发电机,其历史数据集分别为D
(3)、设区域内的所有风力发电机的出力模型F(·)一致,将历史数据集D
(4)、基于目标风力发电机区域内的n台风电数据集E
(5)、基于已获得的目标风力发电机处风速、风向、温度、气压、湿度数据的环境场数据E={X
步骤(3)中所述的采用高斯过程回归方法具体为:
高斯过程回归以高斯过程为模型先验,通过对均值函数和协方差函数的确定来表示,即式(2),其中均值函数表示对目标函数的代理模型,协方差函数表示模型的不确定度:
其中,m(x)=E[f(x)]为均值函数;
先验均值函数表示为一组基函数线性组合:
m(x)=s
其中,s
协方差函数确定样本间的相互依赖关系,采用核函数表示,表达式为:
其中,σ
协方差函数有平方指数协方差函数、Matern 3/2协方差函数、 Matern 5/2协方差函数,分别表示如下:
(1)平方指数协方差函数
其中,θ为尺度参数,代表观测点之间距离的依赖程度;
(2)Matern 3/2协方差函数
其中,θ为尺度参数;
(3)Matern 5/2协方差函数
其中,θ为尺度参数;
基于高斯过程先验的定义,设先验均值函数为0,先验协方差函数为
F(X
F(x)~N(0,k
其中,K=[k
基于公式(8)和(9),二者的联合高斯分布表示为:
其中,k
由联合高斯分布的边缘分布性质得预测数据x服从分布:
其中:
从公式(11)看出,模型中还存在其它必要的参数和超参数,通过极大似然法求得,首先建立基于训练样本条件概率的负对数似然函数并对超参数求偏导,负对数似然函数表示为:
L(θ)=-log p(Y
式中:θ为超参数集合;
然后利用共扼梯度法或牛顿法对偏导数进行最小化以得到超参数的最优解。
所述步骤(4)具体为:
环境场插值函数的输入变量为目标风力发电机区域内n台风力发电机的位置变量S
与现有技术相比,本发明的有益技术效果如下:
1.本发明基于空间相关性预测对目标风力发电机的环境预测精度进行优化,采用高斯过程回归模型对区域内的风力发电机历史数据集进行插值,建立了更为精准的环境场模型,为目标风力发电机的风电功率预测提供了数据保障。
2.本发明融合目标风力发电机区域内的历史数据,建立基于高斯过程回归的风力发电机的出力模型F(·),能够较好地与获得的环境场进行结合,方便快速获得风电功率预测结果。
附图说明
图1为本发明技术方案的流程图。
具体实施方式
下面结合附图对本发明做详细叙述。
参照图1,一种基于高斯过程回归的风电功率预测方法,包括以下步骤:
(1)、风电功率预测问题模型构建
考虑风机发电功率受风速、风向、温度、气压、湿度因素的影响,建立输入变量为风速、风向、温度、气压、湿度,输出变量为风电功率的目标风力发电机风电功率预测模型:
Y=F(X
其中:Y是风电功率预测变量;X
(2)、设目标风力发电机区域内共有n台具有充分历史风电出力数据的风力发电机,其历史数据集分别为D
(3)基于高斯过程回归的风电功率预测模型训练
设区域内的所有风力发电机的出力模型一致,将历史数据集D
高斯过程回归模型以高斯过程为模型先验,通过对均值函数和协方差函数的确定来表示,即式(2),其中均值函数表示对目标函数的代理模型,协方差函数表示模型的不确定度:
其中,m(x)=E[f(x)]为均值函数;
先验均值函数通常可表示为一组基函数线性组合:
m(x)=s
其中,s
协方差函数确定样本间的相互依赖关系,预测数据与已知数据的距离越大,其协方差就越大,结果就越不确定。实际上,协方差函数的选取对回归结果有较大的影响,是高斯过程模型中重要的组成部分,通常采用核函数表示,通用的表达式为:
其中,σ
协方差函数有平方指数协方差函数、Matern 3/2协方差函数、 Matern 5/2协方差函数,分别表示如下:
(1)平方指数协方差函数
其中,θ为尺度参数,代表观测点之间距离的依赖程度。
(2)Matern 3/2协方差函数
其中,θ为尺度参数。
(3)Matern 5/2协方差函数
其中,θ为尺度参数。
基于高斯过程先验的定义,设先验均值函数为0,先验协方差函数为
F(X
F(x)~N(0,k
其中,K=[k
基于公式(8)和(9),二者的联合高斯分布表示为:
其中,k
由联合高斯分布的边缘分布性质得预测数据x服从分布:
其中:
从公式(11)看出,模型中还存在其它必要的参数和超参数,这些参数往往不是提前已知的,需要基于训练数据估计得到,通过极大似然法求得,首先建立基于训练样本条件概率的负对数似然函数并对超参数求偏导,负对数似然函数表示为:
L(θ)=-log p(Y
式中:θ为超参数集合。
然后利用共扼梯度法或牛顿法对偏导数进行最小化以得到超参数的最优解。
(4)、基于高斯过程回归构建目标风力发电机区域环境场分布
基于目标风力发电机区域内的n台风电数据集E
该环境场插值函数的输入变量为目标风力发电机区域内n台风力发电机(不包括目标风力发电机)的位置变量S
进而针对剩余的历史数据重复上述步骤,建立N个高斯过程回归模型,并得到目标风电机处的环境场[G
至此获得N个状态下的目标风力发电机位置处的环境场数据E 分布规律。
(5)、目标风力发电机功率预测
基于步骤(3)已获得的目标风力发电机处风速、风向、温度、气压、湿度数据的环境场数据E={X
机译: 基于长短期内存网络和高斯过程回归的船舶运动预测方法
机译: 逐步回归法的风电功率密度预测方法
机译: 基于模糊的曲线分析基于时间差高斯过程回归的软传感器建模方法