一种基于时间区间模糊算子与近似权重集成的风电功率预测方法技术

一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，本发明专利技术涉及基于时间区间模糊算子与近似权重集成的风电功率预测方法。本发明专利技术为了解决现有从风力推动发电机叶片旋转到最终体现为输出功率变化是有一定时间延迟、从风电场收集的数据还有可能受到噪声因素干扰出现短时间内的波动以及较难进行良好的预测的缺点。本发明专利技术包括：一：计算每一个时间点前驱时间点的功率变化趋势；二：将所有数据分为G组每组数据对应一个中心点；三：获得获得G个回归预测模型model(1)至model(G)；四：基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；五：获得风电功率预测结果。本发明专利技术用于风电技术领域。

【技术实现步骤摘要】
一种基于时间区间模糊算子与近似权重集成的风电功率预测方法
本专利技术涉及风电功率预测方法。
技术介绍
风力发电受到风向、风速、气压等多方面因素影响，使得风力发电具有的波动性、间歇性和随机性的特点，这些特点导致风电功率不断出现波动和变化进而会影响到整个地区电网电压的稳定，这对于整个电网的安全稳定运行都具有很大影响。因此非常有必要对风电功率进行预测，提取获得风电功率可能变化的情况和趋势；通过风电功率预测可以有效的减少用于风电消纳的备用火力发电系统的容量，降低整个系统运行成本，同时提高整个电网的安全性和稳定性，因此风电功率预测具有非常重要的实际应用价值。当前已经出现了大量的风电功率预测方法，这些方法倾向于使用单一的模型或者多个模型投票方式提高风电功率预测的精度，取得了一定的成果。然而当前的方法还需要面临以下问题：一、从风电场收集的数据具有瞬时性，而从风力推动发电机叶片旋转到最终体现为输出功率变化是有一定时间延迟的，需要在算法中体现该延迟特性；二、从风电场收集的数据还有可能受到噪声因素干扰出现短时间内的波动，而这种波动未必与风电功率的变化相关联；三、风向、风速、气压等因素与风电功率的结果之间的关系不是线性的，受到多种因素的影响，将所有已有数据和并为一个训练集来训练一个模型或者多模型较难进行良好的预测。同时，某些方法离散的以风速将预测划分为多组(如将数据分为：高、中、低三组)进行分组预测，会出现在组之间的割裂现象，当风速处于在组的边界附近时会出现预测结果的较多波动。因此需要一种方法针对以上问题来进一步提高风电功率预测精度。
技术实现思路
本专利技术的目的是为了为了解决风电场中从风力推动发电机叶片旋转到最终体现为输出功率变化是有一定时间延迟的问题，以及现有的风电功率预测方法从风电场收集的数据有可能受到噪声因素干扰出现短时间内的波动的问题，而提出一种基于时间区间模糊算子与近似权重集成的风电功率预测方法。一种基于时间区间模糊算子与近似权重集成的风电功率预测方法包括以下步骤：针对现有技术提出的问题，本专利技术提出了一种基于时间区间模糊算子与近似权重集成的风电功率预测方法。通过时间区间模糊算子减少噪声和突变数据对预测精度的影响，同时将历史数据引入到预测点、体现输出功率变化对瞬时数据的延迟反应；同时利用近似权重集成，实现多组模型结果按照数据的近似程度进行基于权重的组合，可充分的表达自然条件与功率输出的非线性关系，同时可以使得组之间的预测结果较为平滑，获得更加精确的预测结果。步骤一：收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势以及时间点t的后继时间点风电功率变化趋势；步骤二：对风电场数据进行分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点；步骤三：对步骤二获得的每组数据，利用支持向量机算法进行学习，获得获得G个回归预测模型model(1)至model(G)；步骤四：对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；步骤五：每一个回归预测模型输入描述矢量V，获得对应的预测结果；基于每一个中心点的近似权重，进行近似权重集成；获得风电功率预测结果。本专利技术的有益效果为：本专利技术提供一种基于时间区间模糊算子与近似权重集成的风电功率预测方法。通过时间区间模糊算子减少噪声和突变数据对预测精度的影响，同时通过时间区间模糊算子可以将历史数据以一定的权重加入到当前时间点之中，使得历史数据对当前功率预测的结果也有一定影响，体现出功率对数据的延迟反应。同时利用近似权重集成，实现多组模型结果按照数据的近似程度进行基于权重的组合，可充分的表达自然条件与功率输出的非线性关系，同时可以使得组之间的预测结果较为平滑，获得更加精确的预测结果。通过该方法可以实现较高精度的风电功率预测。本方法可以有效的减少用于风电消纳的火力发电备用电力系统的容量，降低整个系统的运行成本，同时提高整个电网的安全性和稳定性；对于扩大风电利用率促进节能环保降低碳排放、提高电网管理能力降低运行成本有较好的应用和推广价值。附图说明图1为本专利技术的流程图；图2为步骤一的流程图；图3为步骤二的流程图；图4为步骤三的流程图；图5为步骤四的流程图；图6为步骤五的流程图；图7为预测差的结果图；图8为预测差与样本个数的直方图。具体实施方式具体实施方式一：如图1所示，一种基于时间区间模糊算子与近似权重集成的风电功率预测方法包括以下步骤：步骤一：收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势以及时间点t的后继时间点风电功率变化趋势；步骤二：对风电场数据进行特性分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点；步骤三：对步骤二获得的每组数据，利用支持向量机(SupportVectorMachine,SVM)算法进行学习，获得获得G个回归预测模型model(1)至model(G)；步骤四：对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；步骤五：每一个回归预测模型输入描述矢量V，获得对应的预测结果；基于每一个中心点的近似权重，进行近似权重集成；获得风电功率预测结果。具体实施方式二：本实施方式与具体实施方式一不同的是：如图2所示，所述步骤一中收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势的具体过程为：步骤一一：每间隔Gape秒收集一个风电场的运行数据；所述Gape对应收集数据间隔的秒数，默认值为900秒；所述风电场的运行数据包括：风电功率F1、风速F2、湿度F3、温度F4、气压F5、风向F6；将收集的数据存储到数据库当中；每一个时间点对应数据库中的一条记录，对于一个时间点t，每条记录其的字段包括：ID(t)表示精确到秒的时间信息，F1(t)表示在时间点t时的风电场的输出风电功率，F2(t)表示在时间点t时的风电场的风速，F3(t)表示在时间点t时的环境湿度，F4(t)表示在时间点t时的环境温度，F5(t)表示在时间点t时的风场的气压，F6(t)表示在时间点t时的风场的风向；步骤一二：统计F1风电功率的均值F1μ和标准差F1σ，统计F2风速的均值F2μ和标准差F2σ，统计F3湿度的均值F3μ和标准差F3σ，统计F4温度的均值F4μ和标准差F4σ，统计F5气压的均值F5μ和标准差F5σ；步骤一三：建立时间区间L的模糊算子Operator；所述时间区域L的默认值为1800秒；步骤一四：对于风电场每一个时间点的数据，利用时间区间模糊算子Operator进行计算，获得区间描述字段Q1至Q5；步骤一五：计算时间点t的前驱时间点的风电功率变化趋势，获得趋势描述字段Q6，Q7和Q8；所述时间点t的前驱时间点是指时间点t之前的时间点；步骤一六：计算时间点t的后继时间点风电功率变化趋势D1；所述时间点t的后继时间点是指时间点t之后的时间点。其它步骤及参数与具体实施方式一相同。具体本文档来自技高网...

【技术保护点】
一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述基于时间区间模糊算子与近似权重集成的风电功率预测方法包括以下步骤：步骤一：收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势以及时间点t的后继时间点风电功率变化趋势；步骤二：对风电场数据进行分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点；步骤三：对步骤二获得的每组数据，利用支持向量机算法进行学习，获得获得G个回归预测模型model(1)至model(G)；步骤四：对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；步骤五：每一个回归预测模型输入描述矢量V，获得对应的预测结果；基于每一个中心点的近似权重，进行近似权重集成；获得风电功率预测结果。

【技术特征摘要】
1.一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述基于时间区间模糊算子与近似权重集成的风电功率预测方法包括以下步骤：步骤一：收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势以及时间点t的后继时间点风电功率变化趋势；步骤二：对风电场数据进行分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点；步骤三：对步骤二获得的每组数据，利用支持向量机算法进行学习，获得获得G个回归预测模型model(1)至model(G)；步骤四：对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；步骤五：每一个回归预测模型输入描述矢量V，获得对应的预测结果；基于每一个中心点的近似权重，进行近似权重集成；获得风电功率预测结果。2.根据权利要求1所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤一中收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势的具体过程为：步骤一一：每间隔Gape秒收集一个风电场的运行数据；所述Gape为收集数据间隔的秒数；所述风电场的运行数据包括：风电功率F1、风速F2、湿度F3、温度F4、气压F5、风向F6；将收集的数据存储到数据库当中；每一个时间点对应数据库中的一条记录，对于时间点t，每条记录的字段包括：ID(t)表示精确到秒的时间信息，F1(t)表示在时间点t时的风电场的输出风电功率，F2(t)表示在时间点t时的风电场的风速，F3(t)表示在时间点t时的环境湿度，F4(t)表示在时间点t时的环境温度，F5(t)表示在时间点t时的风场的气压，F6(t)表示在时间点t时的风场的风向；步骤一二：统计F1风电功率的均值F1μ和标准差F1σ，统计F2风速的均值F2μ和标准差F2σ，统计F3湿度的均值F3μ和标准差F3σ，统计F4温度的均值F4μ和标准差F4σ，统计F5气压的均值F5μ和标准差F5σ；步骤一三：建立时间区间L的模糊算子Operator；步骤一四：对于风电场每一个时间点的数据，利用时间区间模糊算子Operator进行计算，获得区间描述字段Q1至Q5；步骤一五：计算时间点t的前驱时间点的风电功率变化趋势，获得趋势描述字段Q6，Q7和Q8；所述时间点t的前驱时间点是指时间点t之前的时间点；步骤一六：计算时间点t的后继时间点风电功率变化趋势D1；所述时间点t的后继时间点是指时间点t之后的时间点。3.根据权利要求2所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤一三中对时间区间L，建立时间区间模糊算子Operator的具体过程为：距离时间点t为k秒的时间点其模糊隶属度描述为：时间区域模糊算子如下：4.根据权利要求3所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤一四中对于风电场每一个时间点的数据，利用时间区间模糊算子Operator进行计算，获得区间描述字段Q1至Q5的具体过程为：对于一个时间点t其Q1至Q5的计算方式如下：Q1:Q2:Q3:Q4:Q5:5.根据权利要求4所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步骤一五中计算时间点t的前驱时间点的风电功率变化趋势，获得趋势描述字段Q6，Q7和Q8的具体过程为：设置3个前驱时间变量分别为PR1,PR2,PR3；Q6的计算公式为：Q6(t)＝(Q1(t)-Q1(t-PR1))Q7的计算公式为：Q7(t)＝(Q1(t)-Q1(t-PR2))Q8的计算公式为：Q8(t)＝(Q1(t)-Q1(t-PR3))。6.根据权利要求5所述的一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：赵健，潘欣，孙宏彬，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：吉林,22