宁波地区基于统计升尺度的新能源区域功率预测算法

doi:10.11930/j.issn.1004-9649.201809133

中国电力 ›› 2020, Vol. 53 ›› Issue (5): 100-111.DOI: 10.11930/j.issn.1004-9649.201809133

宁波地区基于统计升尺度的新能源区域功率预测算法

王威¹, 王波¹, 张俊², 陆春良², 贺旭¹

1. 国网浙江省电力有限公司宁波供电公司，浙江宁波 315000;
2. 国网浙江省电力有限公司，浙江杭州 310007

收稿日期:2018-09-30 修回日期:2019-09-28 发布日期:2020-05-05
作者简介:王威(1979-),男,硕士,高级工程师,从事电力技术、市场研究,E-mail:nbdyjww@163.com;王波(1985-),男,硕士,高级工程师,从事电力系统分析研究,E-mail:247622018@qq.com;张俊(1981-),男,博士,高级工程师,从事电力系统分析研究,E-mail:zhang-jun@zj.sgcc.com.cn;陆春良(1967-),男,高级工程师,从事电力技术经济、电力负荷预测研究,E-mail:13858031590@139.com;贺旭(1990-),男,硕士,工程师,从事电力系统分析研究,E-mail:810492523@qq.com
基金资助:
国家电网有限公司科技项目(基于微气象大数据的新能源发电预测及优化调度研究与应用，5211NB160007)

New Energy Regional Power Prediction Algorithm Based on Statistical Upscaling in Ningbo Region

WANG Wei¹, WANG Bo¹, ZHANG Jun², LU Chunliang², HE Xu¹

1. State Grid Ningbo Power Supply Company, Ningbo 315000, China;
2. State Grid Zhejiang Electric Power Co., Ltd., Hangzhou 310007, China

Received:2018-09-30 Revised:2019-09-28 Published:2020-05-05
Supported by:
This work is supported by the Science and Technology Project of SGCC (Research and Application of Renewable Energy Generation Forecast and Optimal Scheduling Based on Micro Meteorological Big Data，No.5211NB160007)

摘要/Abstract

摘要： 为实现电网调度对大规模风电场和光伏站的监控和调度，需要进行新能源区域功率预测。提出了一种基于子区域划分和统计升尺度的区域功率预测算法，通过浙江区域9个风电场和16个光伏站2016年4—9月的历史数据，对比了6种不同的组合方案，发现利用互信息理论，基于最大相关–最小冗余原则累加选取4个代表站点或者直接选取9个代表站点，采用布谷鸟搜索算法训练得到各个代表站点的权重，升尺度得到区域功率预测误差较低，月均方根误差（RMSE）分别为8.51%和7.64%。说明在夏季风盛行时，在浙江区域采用互信息为指标，基于最大相关–最小冗余的原则选取代表站点后，再采用布谷鸟搜索算法得到子区域功率预测值，累加各子区域功率预测结果为最终的区域功率预测结果最优。

关键词: 新能源, 区域功率预测, 互信息理论, 最大相关-最小冗余, 布谷鸟搜索算法

Abstract: In order to monitor and dispatch the large-scale wind farms and photovoltaic stations for power grid, it is needed to predict the regional power of new energy. A regional power prediction algorithm is proposed based on sub-region partition and statistical upscaling. According to the historical data of 9 wind farms and 16 photovoltaic stations in Zhejiang province from April to September 2016, six different combination schemes are compared. The mutual information theory (MI) and the minimal redundancy maximal relevance principle (mRMR) are used to accumulatively (mRMR-A) select four representative stations or directly (mRMR-D) select nine representative stations. The weight of each representative site is trained by cuckoo search algorithm, and the regional power is determined by scaling up. It is found that the MI-mRMR-A-CS-4 and MI-mRMR-D-CS-9 algorithms have low prediction errors with their monthly root mean square error being 8.51% and 7.64% respectively. It is concluded that when the summer monsoon is prevalent in Zhejiang region, the representative stations are selected based on mRMR principle with MI used as the index, and then the cuckoo search algorithm is used to obtain the power prediction values of sub-regions, and the cumulative power prediction results of all sub-regions are the best for the final regional power prediction results.

Key words: new energy, regional power prediction, mutual information theory, minimal redundancy maximal relevance, cuckoo search algorithm

王威, 王波, 张俊, 陆春良, 贺旭. 宁波地区基于统计升尺度的新能源区域功率预测算法[J]. 中国电力, 2020, 53(5): 100-111.

WANG Wei, WANG Bo, ZHANG Jun, LU Chunliang, HE Xu. New Energy Regional Power Prediction Algorithm Based on Statistical Upscaling in Ningbo Region[J]. Electric Power, 2020, 53(5): 100-111.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.201809133

https://www.electricpower.com.cn/CN/Y2020/V53/I5/100

参考文献

[1] 辛刚. 山东电网风力发电功率预测研究[D]. 济南: 山东大学, 2014.
XIN Gang. Research of Shandong power grid wind power prediction[D]. Jinan: Shandong University, 2014.
[2] 田超, 陈颖, 张贲, 等. 京津唐电网风电场群发电功率短期预测[J]. 中国电力, 2013, 46(9): 65–70
TIAN Chao, CHEN Ying, ZHANG Ben, et al. Short-term forecasting of wind farm groups in Beijing-Tianjin-Tangshan power grid[J]. Electric Power, 2013, 46(9): 65–70
[3] 朱文秀, 仓思雨, 胡中臣, 等. 光伏发电功率预测技术综述[J]. 电源世界, 2019, 22(1): 45–48
ZHU Wenxiu, CANG Siyu, HU Zhongchen, et al. Review of photovoltaic power forecasting technology[J]. The World of Power Supply, 2019, 22(1): 45–48
[4] 陈硕翼, 朱卫东, 唐明生, 等. 大规模新能源与可再生能源电力友好接入技术发展现状与趋势[J]. 科技中国, 2018(8): 14–17
[5] 彭昕, 张曦, 陆建宇, 等. 区域电网新能源运行管理机制设计[J]. 西北水电, 2019(4): 1–4
PENG Xin, ZHANG Xi, LU Jianyu, et al. Design of new energy operation management mechanism for regional power grid[J]. Northwest Hydropower, 2019(4): 1–4
[6] 陈倩. 区域风电功率一体化预测方法研究[D]. 北京: 华北电力大学, 2011.
CHEN Qian. Aggregated wind power prediction for a region[D]. Beijing: North China Electric Power University, 2011.
[7] 陈颖, 孙荣富, 吴志坚, 等. 基于统计升尺度方法的区域风电场群功率预测[J]. 电力系统自动化, 2013, 37(7): 1–5
CHEN Ying, SUN Rongfu, WU Zhijian, et al. A regional wind power forecasting method based on statistical upscaling approach[J]. Automation of Electric Power Systems, 2013, 37(7): 1–5
[8] 李伟花. 考虑时空分布特性的区域风电功率预测方法[D]. 北京: 华北电力大学, 2015.
LI Weihua. Regional wind power forecasting method based on temporal and spatial distribution characteristics[D]. Beijing: North China Electric Power University, 2015.
[9] 赵永宁. 基于时空相关性的大规模风电功率短期预测方法研究[D]. 北京: 中国农业大学, 2019.
ZHAO Yongning. Research on short-term large-scale wind power forecasting methods based on spatio-temporal correlation[D]. Beijing: China Agricultural University, 2019.
[10] 张秋慧, 周博. 一种区域风电功率预测模式的研究[J]. 山东工业技术, 2018(13): 183
[11] 王尤嘉, 鲁宗相, 乔颖, 等. 基于特征聚类的区域风电短期功率统计升尺度预测[J]. 电网技术, 2017, 41(5): 1383–1389
WANG Youjia, LU Zongxiang, QIAO Ying, et al. Short-term regional wind power statistical upscaling forecasting based on feature clustering[J]. Power System Technology, 2017, 41(5): 1383–1389
[12] 王勃, 刘纯, 冯双磊, 等. 基于集群划分的短期风电功率预测方法[J]. 高电压技术, 2018, 44(4): 1254–1260
WANG Bo, LIU Chun, FENG Shuanglei, et al. Prediction method for short-term wind power based on wind farm clusters[J]. High Voltage Engineering, 2018, 44(4): 1254–1260
[13] 黄宾阳. 计及风速信息的大规模风电场风电功率超短期预测[D]. 吉林: 东北电力大学, 2018.
HUANG Binyang. Ultra-short-term wind power prediction of large-scale wind farm considering wind speed information[D]. Jilin, China: Northeast Dianli University, 2018.
[14] 别朝红, 安佳坤, 陈筱中, 等. 一种考虑时空分布特性的区域风电功率预测方法[J]. 西安交通大学学报, 2013, 47(10): 68–74
BIE Zhaohong, AN Jiakun, CHEN Xiaozhong, et al. Regional wind power prediction considering temporal and spatial characteristics[J]. Journal of Xi'an Jiaotong University, 2013, 47(10): 68–74
[15] 王维智. 基于特征提取和特征选择的级联深度学习模型研究[D]. 哈尔滨: 哈尔滨工业大学, 2015.
WANG Weizhi. Studies on cascaded deep learning model based on feature extraction and feature selection[D]. Harbin: Harbin Institute of Technology, 2015.
[16] 赵永宁, 叶林. 区域风电场短期风电功率预测的最大相关-最小冗余数值天气预报特征选取策略[J]. 中国电机工程学报, 2015, 35(23): 5985–5994
ZHAO Yongning, YE Lin. A numerical weather prediction feature selection approach based on minimal-redundancy-maximal-relevance strategy for short-term regional wind power prediction[J]. Proceedings of the CSEE, 2015, 35(23): 5985–5994
[17] 陈世游, 左为恒. 基于改进相似样本选取与特征提取的光伏发电功率预测方法[J]. 计算机测量与控制, 2019, 27(2): 165–169, 174
CHEN Shiyou, ZUO Weiheng. A forecasting approach of power generation for photovoltaic plants based on improved similarity sample selection and feature extraction[J]. Computer Measurement & Control, 2019, 27(2): 165–169, 174
[18] 乔梁, 张强, 岳平, 等. 由非季风区向季风区过渡过程中大气边界层结构的变化分析[J]. 大气科学, 2019, 43(2): 251–265
QIAO Liang, ZHANG Qiang, YUE Ping, et al. Analysis of changes in the structure of atmospheric boundary layer from non-monsoon zone to monsoon zone[J]. Chinese Journal of Atmospheric Sciences, 2019, 43(2): 251–265
[19] 张芳, 何立富. 2018年6月大气环流和天气分析[J]. 气象, 2018, 44(9): 1237–1244
ZHANG Fang, HE Lifu. Analysis of the June 2018 atmospheric circulation and weather[J]. Meteorological Monthly, 2018, 44(9): 1237–1244
[20] 杨正瓴, 刘仍祥, 李真真. 基于季风和大气压分布的我国风电功率预测研究[J]. 分布式能源, 2018(2): 29–38
YANG Zhengling, LIU Rengxiang, LI Zhenzhen. Survey on China wind power prediction based on monsoons and atmospheric pressure distribution[J]. Distributed Energy, 2018(2): 29–38

宁波地区基于统计升尺度的新能源区域功率预测算法

New Energy Regional Power Prediction Algorithm Based on Statistical Upscaling in Ningbo Region

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

[1]	张磊, 马晓伟, 王满亮, 陈力, 高丙团. 互联新能源电力系统区内AGC机组分布式协同控制策略[J]. 中国电力, 2025, 58(3): 8-19.
[2]	汪林光, 李旭涛, 任勇, 谢小荣. 基于元启发式算法的新能源电力系统振荡稳定性最差工况搜索方法[J]. 中国电力, 2025, 58(3): 65-72.
[3]	邹小燕, 张瑞宏. 考虑政府干预的可再生能源与储能企业合作模式演化博弈研究[J]. 中国电力, 2025, 58(1): 153-163.
[4]	王雨晴, 张敏, 王嘉兴, 李泊皓, 杨天阳, 曾鸣. 基于超模博弈的共享储能容量租赁价格决策[J]. 中国电力, 2025, 58(1): 164-173.
[5]	孙东磊, 王宪, 孙毅, 孟祥飞, 张涌琛, 张玉敏. 基于多面体不确定集合的电力系统灵活性量化评估方法[J]. 中国电力, 2024, 57(9): 146-155.
[6]	孙东磊, 孙毅, 刘蕊, 孙鹏凯, 张玉敏. 计及多层级配电网的分布式新能源最大消纳空间分解测算[J]. 中国电力, 2024, 57(8): 108-116.
[7]	李鲁阳, 陈龙翔, 陈磊, 孙大卫, 吴林林, 闵勇. 用于新能源一次调频的储能经济配置研究[J]. 中国电力, 2024, 57(7): 54-65.
[8]	李佳蔚, 张冠宇. 大规模分布式新能源接入对省级电网稳定性影响[J]. 中国电力, 2024, 57(6): 174-180.
[9]	高政南, 姜楠, 陈启鑫, 徐江, 王海利, 辛力, 徐青贵. 德国电力市场能源转型建设及启示[J]. 中国电力, 2024, 57(6): 204-214.
[10]	李咸善, 丁胜彪, 李飞, 李欣. 考虑水电调节费用补偿的风光水联盟优化调度策略[J]. 中国电力, 2024, 57(5): 26-38.
[11]	朱子民, 张锦芳, 常清, 周专, 张晓林. 大规模新能源接入弱同步支撑柔直系统的送端自适应VSG控制策略[J]. 中国电力, 2024, 57(5): 211-221.
[12]	王帅, 黄越辉, 聂元弘, 刘思扬. 基于生产模拟的受端电网新能源发展场景研究[J]. 中国电力, 2024, 57(5): 240-250.
[13]	李虎军, 张栋, 吕梦璇, 邓方钊, 杨萌, 元博. 考虑碳排放约束的新能源与调峰资源优化配置方法[J]. 中国电力, 2024, 57(4): 42-51.
[14]	叶小宁, 王彩霞, 李琼慧, 杨超. 国外新能源高占比电力系统电力供应保障措施及启示[J]. 中国电力, 2024, 57(4): 61-67.
[15]	周勤勇, 李根兆, 秦晓辉, 施浩波, 陈文静, 龚浩岳. 能源革命下的电力系统范式转换分析[J]. 中国电力, 2024, 57(3): 1-11.

模态框（Modal）标题

宁波地区基于统计升尺度的新能源区域功率预测算法

New Energy Regional Power Prediction Algorithm Based on Statistical Upscaling in Ningbo Region

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