本发明属于风电预测技术领域,具体涉及一种短期风电功率预测方法。
背景技术:
随着全球电力需求的不断增长,可再生能源得到了广泛的利用,风能作为一种新兴的可再生能源,促进了风电科技的发展。但是,风电的不稳定性使风电系统与主电网结合的障碍之一。为了更安全有效的利用持续增长的风能,高精度的风电功率预测方法对电网运行有着重要意义。
目前,现有技术中主要是采用单一模型对短期风电功率进行预测,例如时间序列法、灰色模型方法、人工神经网络、支持向量机和极限学习机等。但是,由于风电功率时间序列具有非线性强和非平稳性高的特点,所以采用单一模型难以对短期风电功率进行准确预测。
因此,如何提供一种解决上述技术问题的短期风电功率的预测方法、装置及系统成为本领域技术人员需要解决的问题。
技术实现要素:
针对上述存在的技术问题,本发明提供一种短期风电功率预测方法;
本发明的有益效果:本发明通过处理历史数据而得到一组权重及重组的数据,然后对待预测时间段的数据进行处理,从而对其进行预测,和现有技术风电功率建模预测比较,本发明所述方法在不失准确度的情况下,减少了预测所耗的时间。
本发明设计合理,易于实现,具有很好的实用价值。
附图说明
图1为本发明具体实施方式中所述短期风电功率预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明做出进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提出一种短期风电功率预测方法系统,包括通信模块及预测模块:
所述所述通信模块,包括数据传输单元;
所述预测模块,包括本地数据单元及预测单元;
所述数据传输单元,用于将待预测时间段的气象数据传送到预测单元;
所述本地数据单元,用于存储历史数据,包括气象及功率数据;
所述预测单元,用于执行短期风电功率预测方法的程序并运行显示。
本发明提出一种短期风电功率预测方法,采用上述风电功率预测方法系统,包括以下步骤:
步骤1,对历史数据进行数据整理;
步骤1.1,对历史数据进行划分;
将历史数据整理为历史数据矩阵,并分为两部分,一部分为属性矩阵,其余为标签矩阵;即令历史数据矩阵为
data=[attr,p]
其中,attr=[v,θ]为属性矩阵,v为历史数据中的历史风速,θ为历史数据中的历史风向角,p为标签矩阵,代表历史数据中的功率值;
步骤1.2,对属性矩阵进行中心化处理;
步骤1.2.1,求取属性矩阵的列均值
μ=[μv,μθ]
其中,μv为历史风速的均值,μθ为历史风向角的均值;
步骤1.2.2,将属性矩阵attr中心化,得到中心属性矩阵t为
其中,n为历史数据矩阵的行数。
由此可得中心化矩阵data=[t,p];
步骤2,对整理后的历史数据进行数据重组;
步骤2.1,求取中心属性矩阵t的协方差矩阵c;
在本实施例中,
步骤2.2,求取协方差矩阵c的特征值λ及特征向量v,即
c*v=λ*v
步骤2.3,求出协方差矩阵c的最大特征值λmax;
本实施例中,由于协方差矩阵c为二阶方阵,故应有2个特征值λ1,λ2,对应2个特征向量,令
λmax=max(λ1,λ2)
进而得出与最大特征值λmax对应的特征向量xλ;
步骤2.4,求出重组属性矩阵d,即
d=t*xλ
步骤2.5,将重组属性矩阵d和标签矩阵p合并为重组属性矩阵f,即
f=[d,p]
步骤3,将重组属性矩阵f中的每一行按照重组属性矩阵d的大小从小到大排序,得到排序属性矩阵fnew=[d_s,p_s];
步骤4,建立预测模型并进行风电功率预测;
从排序属性矩阵fnew中任取m组数据,即[d_si,p_si](i=1,2,…,m),其中m=round(0.8*n),round()为取整函数;
在d_s中求取k+2个距离d_si最近的点d_sj(j=1,2,…,k+2),k的值根据实际情况选取;本实施例中,k=7;同时得到对应的功率值p_sj;
将[d_sj,p_sj]按第一列的大小从小到大排序为[dsortj,psortj],建立目标函数
利用粒子群算法求得一组向量wj=[w1,w2,...,wk],使目标函数值最小;
对于待预测时间段,将接收到的l组气象数据转为待遇测数据矩阵pre=[pre_v,pre_θ]。其中,pre_v为待预测时间段的风速,pre_θ为与pre_v对应的风向角;
首先,将待遇测数据矩阵pre中心化为
令
pre_d=pre_t*xλ
对于
在d_s中求取k个距离pre_da最近的点d_sj′(j=1,2,…,k)及d_sj′对应的功率值p_sj′,pre_da对应的功率预测值pre_pa为
故待预测时间段对应的功率预测值pre_p为
pre_p=[pre_p1,pre_p2,...,pre_pu]。