一种参数自调整风电功率预测模型

doi:10.12068/j.issn.1005-3026.2016.02.001

东北大学学报:自然科学版 ›› 2016, Vol. 37 ›› Issue (2): 153-156.DOI: 10.12068/j.issn.1005-3026.2016.02.001

• 信息与控制 • 下一篇

一种参数自调整风电功率预测模型

翟军昌¹，葛延峰²，梁鹏³，高立群¹

(1. 东北大学信息科学与工程学院，辽宁沈阳110819; 2. 辽宁省电力有限公司，辽宁沈阳110006;3. 国网辽宁省电力有限公司锦州供电公司，辽宁锦州121000)

收稿日期:2014-12-12 修回日期:2014-12-12 出版日期:2016-02-15 发布日期:2016-02-18
通讯作者: 翟军昌
作者简介:翟军昌(1978-)，男，辽宁东港人，东北大学博士研究生; 高立群(1949-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61273155， 61104106).

A Parameter Self-tuning Model for Wind Power Prediction

ZHAI Jun-chang¹， GE Yan-feng²， LIANG Peng³， GAO Li-qun¹

1. School of Information Science ＆ Engineering， Northeastern University， Shenyang 110819， China; 2. Liaoning Electric Power Company Limited，Shenyang 110006，China; 3. Jinzhou City Power Supply Company， State Grid Liaoning Electric Power Company Limited， Jinzhou 121000， China.

Received:2014-12-12 Revised:2014-12-12 Online:2016-02-15 Published:2016-02-18
Contact: ZHAI Jun-chang
About author:-
Supported by:
-

摘要/Abstract

摘要： 为了提高风电功率预测精度，提出一种参数自调整风电功率预测模型.通过加权递推最小二乘(SWWRLS)方法建立预测模型，侧重当前数据对预测结果的影响，排除了历史数据对预测结果的干扰.模型通过加权递推的方法节省了存储空间，并且提高了模型对外界环境数据变化的自适应性.最后，分别采用支持向量机(SVM)方法、卡尔曼滤波(KF)方法和本文SWWRLS方法，以辽宁省某风电场的真实历史数据进行风电功率预测对比实验，实验结果表明，本文方法建立的模型具有较高的预测精度.

关键词: 风电功率预测, 最小二乘法, 滑动窗口, 支持向量机, 卡尔曼滤波

Abstract: To improve the prediction accuracy of wind power， a parameter self-tuning model is proposed. The sliding window weighted recursive least square (SWWRLS) method is used to establish the wind power prediction model， which emphasizes most recent data in the prediction， ruling out the interference of historical data. Less memory space is used in the weighted recursive model， and the adaptability of the prediction model to the external environment data is increased. Finally， the simulation is carried out on the real historical data of the wind farm in Liaoning with support vector machine， Kalman filter and SWWRLS methods， separately， and the simulation results show the superiority of the proposed method.

Key words: wind power prediction, least square method, sliding window, support vector machine, Kalman filter

中图分类号:

TP301.6

翟军昌，葛延峰，梁鹏，高立群. 一种参数自调整风电功率预测模型[J]. 东北大学学报:自然科学版, 2016, 37(2): 153-156.

ZHAI Jun-chang， GE Yan-feng， LIANG Peng， GAO Li-qun. A Parameter Self-tuning Model for Wind Power Prediction[J]. Journal of Northeastern University Natural Science, 2016, 37(2): 153-156.

参考文献

[1]Ghadi M J，Gilani S H，Afrakhte H，et al.A novel heuristic method for wind farm power prediction:a case study［J］.International Journal of Electrical Power & Energy Systems，2014，63:962-970.
[2]Yan G G，Liu Y，Mu G，et al.The ultra-short term prediction of wind power based on chaotic time series［J］.Energy Procedia，2012，17:1490-1496.
[3]Costa A，Crespo A，Navarro J，et al.A review on the young history of the wind power short-term prediction［J］.Renewable & Sustainable Energy Reviews，2008，12(6):1725-1744.
[4]Brown B G，Katz R W，Murphy A H.Time series models to simulate and forecast wind speed and wind power［J］.Journal of Climate and Applied Meteorology，1984，23(8):1184-1195.
[5]Louka P，Galanis G，Siebert N，et al.Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering［J］.Journal of Wind Engineering and Industrial Aerodynamics，2008，96(12):2348-2362.
[6]Taylor J W，McSharry P E，Buizza R.Wind power density forecasting using ensemble predictions and time series models［J］.IEEE Transactions on Energy Conversion，2009，24(3):775-782.
[7]Ding M，Zhang L J，Wu Y C.Wind speed forecast model for wind farms based on time series analysis ［J］.Electric Power Automation Equipment，2005，25(8):32-34.
[8]Li S，Wunsch D C，O′Hair E A，et al.Using neural networks to estimate wind turbine power generation［J］. IEEE Transactions on Energy Conversion ，2001，16(3):276 - 282.
[9]Miranda M S，Dunn R W.One-hour-ahead wind speed prediction using a Bayesian methodology ［C］//IEEE Power Engineering Society General Meeting. Montreal，2006 :1-6.
[10]戚双斌，王维庆，张新燕.基于支持向量机的风速与风功率预测方法研究［J］.华东电力，2009，37(9):1600-1603.(Qi Shuang-bin，Wang Wei-qing，Zhang Xin-yan.Wind speed and wind power prediction based on SVM ［J］.East China Electric Power，2009，37(9):1600-1603.)

[1]	李寿涛，魏玉博，李秋媛，于丁力. 考虑车辆侧偏刚度变化的MPC稳定性控制方法[J]. 东北大学学报（自然科学版）, 2023, 44(2): 162-167.
[2]	王宏民，禅亮. 基于频谱相关性分析的齿轮早期磨损诊断[J]. 东北大学学报（自然科学版）, 2023, 44(1): 18-25.
[3]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[4]	刘芳，刘彦鹏，李静东，卜凡涛. 车载动力电池放电过程健康状态在线估计[J]. 东北大学学报（自然科学版）, 2022, 43(11): 1544-1551.
[5]	贾鹏蛟，史培新，关永平，赵文. STS管幕结构横向抗弯刚度计算模型及参数优化[J]. 东北大学学报（自然科学版）, 2021, 42(8): 1159-1165.
[6]	罗忠，郭思伟，于长帅，何凤霞. 考虑频变特性的约束阻尼结构建模与试验研究[J]. 东北大学学报（自然科学版）, 2021, 42(7): 966-972.
[7]	顾天奇，罗祖德，胡晨捷，林述温. 测量数据的曲线曲面拟合算法[J]. 东北大学学报（自然科学版）, 2021, 42(3): 408-413.
[8]	曾小华，陈虹旭，崔臣，宋大凤. 考虑铁损的永磁同步电机无位置传感器控制算法[J]. 东北大学学报（自然科学版）, 2021, 42(1): 102-110.
[9]	黄川，胡平，连静. 一种基于车载信号还原机动车道3D地图的大数据方法[J]. 东北大学学报:自然科学版, 2020, 41(6): 771-777.
[10]	刘芳，刘欣怡，苏卫星，林辉. 电动汽车动力电池健康状态在线估算方法[J]. 东北大学学报:自然科学版, 2020, 41(4): 492-498.
[11]	李鸿儒，王奕文，邓靖川. 基于信息融合的电熔镁炉熔炼异常工况等级识别[J]. 东北大学学报:自然科学版, 2020, 41(2): 153-157.
[12]	章军辉，李庆，陈大鹏，赵野. 基于自适应UKF的锂离子动力电池状态联合估计[J]. 东北大学学报:自然科学版, 2020, 41(11): 1557-1563.
[13]	郭甲腾，刘寅贺，韩英夫，王徐磊. 基于机器学习的钻孔数据隐式三维地质建模方法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1337-1342.
[14]	曹德芳，刘柏池. SVM财务欺诈识别模型[J]. 东北大学学报:自然科学版, 2019, 40(2): 295-300.
[15]	黄磊，侯增选. 大型筒体-尾喷管位姿建模与精确装配方法[J]. 东北大学学报:自然科学版, 2018, 39(12): 1748-1753.

一种参数自调整风电功率预测模型

A Parameter Self-tuning Model for Wind Power Prediction

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价