一种基于数据处理的风电功率预测方法技术

本发明专利技术公开了一种基于数据处理的风电功率预测方法，其中所述预测方法包括以下步骤：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；对样本数据的特性进行分析，利用小波阈值和变分模态分解方法对其进行降噪处理，去除数据中的噪声；对影响风电功率的多种气象数据进行分析，利用核主成分分析进行特征提取；基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。本发明专利技术利用风电场的历史数据，在数据处理基础上，通过随机森林模型进行风电功率预测，大大提高了预测的精度。

【技术实现步骤摘要】
一种基于数据处理的风电功率预测方法
本专利技术属于风电预测
，具体涉及一种基于数据处理的风电功率预测方法。
技术介绍
经济的发展和人口的日益增加，能源消耗越来越多，传统的化石燃料日益减少，已无法满足人们的需要。同时，这些传统的化石燃料的使用伴随着大量的环境问题，这为人与自然之间的和谐、可持续发展带来了挑战。针对这种现象，各国开始将重心向可再生能源发展。可再生能源具有清洁、用之不竭等特点，利用可再生能源可以缓解能源危机，减少燃料燃烧对环境的污染。风能作为一种无燃料消耗、零排放的清洁能源，其能量主要来源于大气运动，只要有可利用的风速，就能通过风力发电机来发电，应用前景非常广阔。利用风来进行发电时，风具有随机性和间歇性，同时各个风电场地形、安装位置等不同，风电的功率不稳定，存在一定的波动，将大量风力发电接入电网时，不仅会影响电力系统的安全，还会给系统的稳定运行带来威胁，进而影响到电网的电能质量，这些都会对风力发电的发展规模产生限制，因而风电功率预测对风电场的运行有重要的参考意义。
技术实现思路
本专利技术目的是提出一种基于数据处理的风电功率预测方法，以解决风电数据含噪多、信息混叠的问题，以进一步提高风电功率预测的精度。为解决上述问题，本专利技术在数据处理基础上提供了一种风电功率预测方法，该方法包括如下步骤：步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声；步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；步骤S4：基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。进一步的，步骤S1中，所述获取到的风电场气象数据为风电场采集到的天气预报信息，包括风速、风向、温度、湿度、气压、海平面气压及降水量。进一步的，步骤S1中，所述历史数据为风电场过去两个月内的气象数据和运行数据。进一步的，所述步骤S2具体包括以下步骤：步骤S21：对预测样本数据进行筛选，删除缺失部分数据的样本数据；步骤S22：将预测样本数据利用变分模态分解进行处理，得到多个分解模态；步骤S23：对分解出的多个模态，采用小波阈值进行降噪处理；步骤S24：对降噪处理后的样本数据进行归一化处理。进一步的，步骤S23中，所述小波阀值采用了硬阈值处理，阈值函数为：其中，λ为阈值，其表达式为：σ为估计的噪声标准方差，N为相应尺度的小波变换系数的个数。进一步的，所述步骤S3具体包括以下步骤：步骤S31：选用核主成分分析方法对多种气象数据进行特征提取；步骤S32：选定核函数；步骤S33：采用粒子群算法进行参数优化；步骤S34：利用优化的参数进行特征提取，计算主成分的贡献率；步骤S35：根据贡献率提取出新的主成分。进一步的，步骤S32中，所述核函数选用了高斯径向基核函数，其表达式为：其中，σ为核函数的宽度参数。进一步的，步骤S33中，所述参数优化包括以下步骤：步骤S331：确定粒子群算法的适应度函数；步骤S332：种群初始化；步骤S333：计算各粒子目标函数，找出当前个体极值和全局极值；步骤S334：计算更新的速度和更新位置；步骤S335：判断是否达到最大迭代次数，若达到就停止更新，若没有达到，则重新计算目标函数，直至达到最大迭代次数，停止循环。进一步的，步骤S331中，所述适应度函数选用了与主成分个数密切相关的适应度函数，其表达式为：其中，m为主成分数，为累计贡献率，选取时一般累计贡献率需要达到85％以上。进一步的，步骤S4中，所述随机森林建模包括以下步骤：步骤S41：从样本中选取部分数据作为训练的样本集，随机可重复取样，每个样本集对应一棵分类树；步骤S42：每个样本集都是一棵带有多个枝叶的分类树，树的每个节点都具有多个特征，从中随机挑选出几个特征，构造出完整的分类树；步骤S43：不断重复上一步，直至形成随机森林；步骤S44：利用得到的多个分类树对测试的样本数据进行处理，投票表决，得到最终结果。本专利技术由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：本专利技术构建了一种基于数据处理的风电功率预测方法，该方法包括数据降噪、特征提取以及功率预测三部分。本专利技术在已有气象数据和风电场运行数据基础上，进行了降噪处理，滤除了数据中的噪声成分，同时，针对风电功率影响因素较多、各个因素之间信息重叠现象严重的情况，对输入的影响因素进行了特征提取，在这两种数据处理基础上，采用随机森林进行功率预测，大大提高了预测的精度，缩短了预测所用的时间，保证了风电预测系统的稳定运行。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：图1是本专利技术一种基于数据处理的风电功率预测方法流程图。图2是特征提取过程中粒子群优化参数的流程图。图3是随机森林的形成过程图。具体实施方式以下将结合本专利技术的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本专利技术的一部分实例，并不是全部的实例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术的保护范围。本专利技术在数据处理基础上提供了一种风电功率预测方法，该方法包括如下步骤：步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；这里获取的数据为国外某风电场两个月内的气象数据和运行数据，气象数据主要通过天气预报来获取，所获取的气象数据主要包括风速、风向、温度、湿度、气压、海平面气压及降水量等。步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声，具体的包括以下步骤；步骤S21：对预测样本数据进行筛选，删除缺失部分数据的样本数据；步骤S22：将预测样本数据利用变分模态分解进行处理，得到多个分解模态。进行变分模态分解前需要先设定模态分解个数K的值，不同的分解个数分解出的中心频率也有所不同，K值的选取必须以避免模态混叠为依据，同时还必须保留信号中的特征信息，不能丢弃有用信息，通过观察、对比各模态分量与原始信号的关系可以确定分解模态的个数；步骤S23：对分解出的多个模态，采用小波阈值进行降噪处理；小波阀值去噪方法主要有两种：硬阀值法和软阀值法。相比于软阈值法，采用硬阈值处理时，信号的信噪比要更高，为了提高降噪效果，本实施例采用了硬阈值处理，阈值函数为：其中，λ为阈值，其表达式为：σ为估计的噪声标准方差，N为相应尺度的小波变换系数的个数。为了提高分解效果，令噪声分布在小波域中，本实施例采用了近似对称、光滑的紧支撑双正交小波db4来进行处理，共对信号进行了三层分解。步骤S24：对降噪处理后的样本数据进行归一化处理。步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；风电功率受多种因素影响，这些影响因素之间并不是独立存在的，若只利用单个因素作为预测功率的输入，结果会不够准确，风速与功率之间基本呈线性关系，但一些其他因素与功率之间并本文档来自技高网...

【技术保护点】
1.一种基于数据处理的风电功率预测方法，其特征在于，所述预测方法包括以下步骤：步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声；步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；步骤S4：基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。

【技术特征摘要】
1.一种基于数据处理的风电功率预测方法，其特征在于，所述预测方法包括以下步骤：步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声；步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；步骤S4：基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。2.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S1中，所述获取到的风电场气象数据为风电场采集到的天气预报信息，包括风速、风向、温度、湿度、气压、海平面气压及降水量。3.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S1中，所述历史数据为风电场过去两个月内的气象数据和运行数据。4.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，所述步骤S2具体包括以下步骤：步骤S21：对预测样本数据进行筛选，删除缺失部分数据的样本数据；步骤S22：将预测样本数据利用变分模态分解进行处理，得到多个分解模态；步骤S23：对分解出的多个模态，采用小波阈值进行降噪处理；步骤S24：对降噪处理后的样本数据进行归一化处理。5.根据权利要求4所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S23中，所述小波阀值采用了硬阈值处理，阈值函数为：其中，λ为阈值，其表达式为：σ为估计的噪声标准方差，N为相应尺度的小波变换系数的个数。6.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，所述步骤S3具体包括以下步骤：步骤S31：选用核主成分分析方...

【专利技术属性】
技术研发人员：张宇峰，臧华东，袁所贤，刘森，
申请(专利权)人：苏州工业职业技术学院，
类型：发明
国别省市：江苏,32