一种短期风电功率预测方法及系统技术方案

本发明专利技术提供了一种短期风电功率预测方法及系统，包括：采集预测气象数据；将所述预测气象数据输入预先创建的短期风电功率预测模型，得到风电功率预测值；所述短期风电功率预测模型的训练数据集是将基于与所述风机输出总功率相关的历史气象数据作为建模数据、并对所述建模数据进行PCA主元提取后得到的。本发明专利技术提供的技术方案提高了运算速度与建模精度。

【技术实现步骤摘要】
一种短期风电功率预测方法及系统
本专利技术涉及风电功率预测，具体涉及一种短期风电功率预测方法及系统。
技术介绍
目前，风电作为一种清洁能源，已成为继火电与水电之后的第三大电力能源。然而，风速的间歇性、随机性与波动性的特点使其不能像火电一样可以灵活调节，这给电力系统的安全稳定运行带来了挑战。随着风电规模的不停扩大以及装机容量的不断增长，风电消纳已成为影响风电行业健康可持续发展的重要问题，弃风限电问题较为突出。风电场功率预测作为增加风电接入容量、提高电力系统运行安全性与经济性的有效手段，近年来成为研究的热点。其中，短期风电功率预测通过对时间尺度在24～72小时内的风电场功率进行预测，用于经济调度，能够增强消纳能力，提高系统的安全稳定性。风电的功率预测方法包括时间序列模型和基于数值天气预报(NWP)的预测模型两大类。时间序列模型以历史数据作为预测的主要依据，没有考虑气象因素对风电功率的影响。基于NWP的预测模型充分考虑风速、风向、气温、气压等实时数据，利用数据挖掘方法或统计方法建立预测模型，是短期功率预测所采用的主要方法。目前，风电功率预测领域所面临的主要问题在于预测的精度不高。对于NWP预测模型，主要问题表现在气象数据波动性较大，工况复杂，导致预测模型泛化能力不足。目前短期风电功率预测领域还存在较大的空白，在实际应用中，受到较多方面的影响，包括：一、短期风电功率预测影响因素及对风电功率的影响程度还未能明确界定；二、风电功率预测影响因素的特征量种类多，信息量大，数据处理复杂；三、风电功率智能预测的准确度有待提高。因此，专利技术一种具有较高精度与可靠性的短期风电功率预测方法成为亟需解决的课题。
技术实现思路
本专利技术提供一种短期风电功率预测方法，包括：采集预测气象数据；将所述预测气象数据输入预先创建的短期风电功率预测模型，得到风电功率预测值；所述短期风电功率预测模型的训练数据集是将基于与所述风机输出总功率相关的历史气象数据作为建模数据、并对所述建模数据进行PCA主元提取后得到的。创建所述短期风电功率预测模型包括：采集风机输出总功率以及与所述风机输出总功率相关的历史气象数据作为建模数据；对所述建模数据进行预处理，消除风机输出总功率和所述历史气象数据的数据量纲；对所述历史气象数据进行PCA主元提取；基于所述主元构建训练数据集，将所述训练数据集进行分类；将各类训练数据分别建立各自相应的SVR回归拟合模型；将分类好的训练数据建立多分类SVM模型。所述气象数据的特征参数包括风向、风速、空气的温度、湿度、大气压强；所述气象数据从数值天气预报NWP中提取。将所述训练数据集进行分类包括：通过KFCM算法将训练数据集进行聚类，根据KFCM算法的核参数确定聚类数范围，并通过VXB指标确定最优聚类数。所述通过VXB指标确定最优聚类数的计算式如下所示：其中，c为聚类数，c为所述聚类数范围内的任意聚类数，N为样本个数，xj为第j个样本，νi、νj、νk分别为第i，j，k个聚类中心，选择在聚类数范围内VXB指标最小的聚类数为最优聚类数。通过Z-score标准化公式所述消除风机输出总功率和所述历史气象数据的量纲，公式如下所示：式中，yi为消除了数据量纲的新数据序列，xi为样本数据序列，为样本均值，σ为样本标准差。在所述消除风机输出总功率和所述历史气象数据的数据量纲之前还包括：通过Pearson相关系数计算所述历史气象数据中各特征参数与风机输出总功率的关联度，并对各关联度进行比较，去除对应关联度最低的特征参数。将所述预测气象数据输入短期风电功率预测模型，得到风电功率预测值包括：将所述预测气象数据输入多分类SVM模型得到所述预测气象数据的类别属性，将预测气象数据按照其类别属性输入对应的SVR回归模型，得到功率预测值，再对所述功率预测值进行反归一化处理，得到最终功率预测值。本专利技术提供一种短期风电功率预测系统，其特征在于，包括：采集模块：采集预测气象数据；模型模块：包括短期风电功率预测模型；预测模块：将所述预测气象数据输入预先创建的短期风电功率预测模型，得到风电功率预测值；所述模型模块包括主元提取单元，用于对建模数据进行PCA主元提取，所述建模数据为与所述风机输出总功率相关的历史气象数据。所述模型模块还包括：历史数据采集单元：采集风机输出总功率以及与所述风机输出总功率相关的历史气象数据作为建模数据；预处理单元：对所述建模数据进行预处理，消除风机输出总功率和所述历史气象数据的数据量纲；分类单元：基于所述主元提取模块提取的主元构建训练数据集，将所述训练数据集进行分类；建模单元：将各类训练数据分别建立各自相应的SVR回归拟合模型和根据分类好的训练数据建立多分类SVM模型。与最接近的现有技术比，本专利技术提供的技术方案具有以下有益效果：本专利技术提供的技术方案，利用PCA实现主元提取，在保证数据质量的前提下降低数据维度，提高运算效率；本专利技术提供的技术方案，从数值天气预报NWP中提取与风电场功率有关的气象数据，气象数据样本易于取得且包含较为全面的信息；本专利技术提供的技术方案，构建短期风电功率预测模型是利用关联度分析实现有效数据的提取，排除干扰因素；本专利技术提供的技术方案，利用KFCM进行数据分类，实现数据的分类建模，提高建模精度。附图说明图1为一种短期风电功率预测方法流程图；图2为本专利技术实施例一种短期风电功率预测方法流程图；图3为本专利技术实施例中VXB指标变化趋势图；图4为本专利技术实施例中SVR模型拟合曲线图；图5为本专利技术实施例中SVR模型风电功率预测曲线图。具体实施方式下面结合附图对本专利技术做进一步详细的说明：如图1所示，本专利技术提供一种短期风电功率预测方法，包括：采集预测气象数据；将所述预测气象数据输入预先创建的短期风电功率预测模型，得到风电功率预测值；所述短期风电功率预测模型的训练数据集是将基于与所述风机输出总功率相关的历史气象数据作为建模数据、并对所述建模数据进行PCA主元提取后得到的。所述短期风电功率预测模型包括：采集风机输出总功率以及与所述风机输出总功率相关的历史气象数据作为建模数据；对所述建模数据进行预处理，消除风机输出总功率和所述历史气象数据的数据量纲；对所述历史气象数据进行PCA主元提取；基于所述主元构建训练数据集，将所述训练数据集进行分类；将各类训练数据分别建立各自相应的SVR回归拟合模型。具体的短期风电功率预测方法流程图如图2所示，包括：步骤一，NWP数据影响因素关联度分析：由NWP得出与风机输出总功率相关历史气象数据，所述气象数据的特征参数包括风向、风速、空气的温度、湿度、大气压强，利用Pearson相关系数来考察风机输出总功率与上述特征参数间的相关程度，并去除关联度最低的特征参数。步骤二，建模数据的读取与预处理：特征数据包括输出总功率，风速与风向，地面气压与相对湿度。通过Z-score标准化消除数据量纲。对于向量[x1,x2,…,xn]来说，公式如下：为均值，σ为标准差。所得新数据序列yi消除了数据量纲，均值为0，标准差为1。步骤三，多区域气象NWP数据的PCA主元提取：将监测区域各自的风速与风向数据进行PCA主元提取，作为模型的部分特征数据，构建约简数据集。步骤四，训练数据的分类：通过KFCM算法将PCA约简后的训练集进行聚类，根据KFCM算法的核本文档来自技高网...

【技术保护点】
1.一种短期风电功率预测方法，其特征在于，包括：采集预测气象数据；将所述预测气象数据输入预先创建的短期风电功率预测模型，得到风电功率预测值；所述短期风电功率预测模型的训练数据集是将基于与所述风机输出总功率相关的历史气象数据作为建模数据、并对所述建模数据进行PCA主元提取后得到的。

【技术特征摘要】
1.一种短期风电功率预测方法，其特征在于，包括：采集预测气象数据；将所述预测气象数据输入预先创建的短期风电功率预测模型，得到风电功率预测值；所述短期风电功率预测模型的训练数据集是将基于与所述风机输出总功率相关的历史气象数据作为建模数据、并对所述建模数据进行PCA主元提取后得到的。2.如权利要求1所述的短期风电功率预测方法，其特征在于，创建所述短期风电功率预测模型包括：采集风机输出总功率以及与所述风机输出总功率相关的历史气象数据作为建模数据；对所述建模数据进行预处理，消除风机输出总功率和所述历史气象数据的数据量纲；对所述历史气象数据进行PCA主元提取；基于所述主元构建训练数据集，将所述训练数据集进行分类；将各类训练数据分别建立各自相应的SVR回归拟合模型；将分类好的训练数据建立多分类SVM模型。3.如权利要求1或2所述的短期风电功率预测方法，其特征在于，所述气象数据的特征参数包括风向、风速、空气的温度、湿度、大气压强；所述气象数据从数值天气预报NWP中提取。4.如权利要求2所述的短期风电功率预测方法，其特征在于，将所述训练数据集进行分类包括：通过KFCM算法将训练数据集进行聚类，根据KFCM算法的核参数确定聚类数范围，并通过VXB指标确定最优聚类数。5.如权利要求4所述的短期风电功率预测方法，其特征在于，所述通过VXB指标确定最优聚类数的计算式如下所示：其中，c为聚类数，c为所述聚类数范围内的任意聚类数，N为样本个数，xj为第j个样本，νi、νj、νk分别为第i，j，k个聚类中心，选择在聚类数范围内VXB指标最小的聚类数为最优聚类数。6.如权利要求2所述的短期风电功率预测方法，其特征在于，通过Z-score标准化公式所述消除风机输出总功率和所...

【专利技术属性】
技术研发人员：赫卫国，汪春，许晓慧，陈然，华光辉，刘海璇，孔爱良，姚虹春，张祥文，邱腾飞，夏俊荣，梁硕，江星星，胡汝伟，孙檬檬，栗峰，周昶，曹潇，叶荣波，梁志峰，
申请(专利权)人：中国电力科学研究院，国家电网公司，国网上海市电力公司，
类型：发明
国别省市：江苏,32