一种基于气象特征的风电场风速超短期预测方法技术

本发明专利技术公开了一种基于气象特征的风电场风速超短期预测方法，利用机器学习技术，对风电场气象监测数据进行学习，选取当前时段风电机组所处位置的气压、相对湿度、水汽压、温度、现时风速等气象特征，运用多变量多项式回归算法建立其与下一时段风电机组所处位置风速值的映射关系，从而达到一种预测效果，即根据风电场实时采集的当前时段气象特征预测出下一时段的风电场风速值。本发明专利技术易于现场实现，是接纳大规模风电的新型清洁智能电网实时优化调度的有效保障。

An ultra short term prediction method for wind speed in wind farms based on meteorological features

The invention discloses a wind speed and meteorological characteristics based on ultra short term prediction method, using machine learning techniques for wind farm meteorological monitoring data to learn to select the current period of wind turbine location, relative humidity, air pressure and meteorological characteristics of water vapor pressure, temperature, the wind speed, using multi variable mapping the next time, and polynomial to establish a wind turbine location velocity regression algorithm, so as to achieve a prediction effect, according to the current period of wind farm real-time acquisition of meteorological characteristics predicted wind speed value of the next time. The invention is easy to be realized in the field and is an effective guarantee for the real-time optimization of a new clean smart grid with large-scale wind power.

【技术实现步骤摘要】
一种基于气象特征的风电场风速超短期预测方法
本专利技术涉及一种基于气象特征的风电场风速超短期预测方法，属于新能源发电

技术介绍
机器学习技术是人工智能的核心，涉及多个领域多个学科，专门研究计算机如何模拟人类大脑以实现人类行为，甚至自主获取新知识新技能，重新组织已有知识结构从而不断改进自身性能。机器学习已经在数据挖掘、计算机视觉、自然语言处理、搜索引擎、生物特征识别、医学诊断、证券市场分析、DNA序列测序、语音和手写识别等各个领域广泛应用。2012年微软公司在“21世纪的计算”大会上展出一个应用机器学习技术将微软研究院创始人的英文演讲语音识别成英文文本，再将英文翻译成中文，最后将中文文本合成中文语音的同声传译；2016年AlphaGo击败围棋世界冠军李世石，2017年升级版Master战胜中日韩顶尖围棋选手以60胜0负1和的战绩结束比赛。目前，谷歌开源的TensorFlow项目、Facebook公司的Torch和Caffe深度学习框架开发、亚马逊宣布在其新的机器学习平台支持MXNet……对数据的占有和学习已成为各大企业争夺的焦点。随着社会进步，掌握各种数据甚至成为了国家向前发展的重要基础，能否对数据进行有效学习则是发展质量优劣的重要衡量标准。对于电力系统而言，随着智能化水平的不断提高，机器学习技术的渗透也将日趋明显。接入电网的传感器每隔一定时间将自动测量系统的运行状态，有很大规模的数据值得学习，或将能得到对电网运行有益的高价值参考信息。近年来新能源发电技术蓬勃发展，电网正逐步发展成为广泛接纳光伏、风电等新能源并充分结合储能系统的新型清洁智能电网。充分利用机器学习技术对新能源出力进行准确预测成为了新型清洁智能电网实时优化调度的基础和保障，更是电网各项稳定性指标实时计算的依据。关于风电场的风速预测，目前国内外关于风速预测的研究主要致力于提前24小时的日前风速预测，日前发电预测是为了安排一天的调度任务。然而接纳大规模新能源并配备一定量储能系统的新型清洁智能电网应具备实时优化调度功能，以达到在满足负荷需求的前提下最大限度地利用新能源的清洁特点、发挥蓄电池的储调优势，从而实现资源和能量的合理配置，实现电网综合效益最优。这就促进了风电场风速超短期预测技术的发展。目前用于风电场风速预测的机器学习方法主要有支持向量机、BP神经网络等，以基于时间序列、相似数据、小波分解等的预测方法居多。超短期预测的时间间隔一般认为是15min甚至更短，因此将有大量数据被采集，如何有效学习现场的数据至关重要。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于气象特征的风电场风速超短期预测方法，以满足接纳了大规模风电的新型清洁智能电网实时优化调度的需求。为解决上述技术问题，本专利技术提供一种基于气象特征的风电场风速超短期预测方法，包括以下步骤：1)根据风电场气象监测数据，创建若干个训练样本，训练样本表示为(x(i),y(i))，其中，x(i)表示第i时段训练样本中的特征向量，y(i)为第i+1时段的风速数据；2)对所有训练样本中的特征向量x(i)进行多项式化、归一化处理；3)将归一化处理后的特征向量作为多变量多项式回归训练的原始样本，将多变量多项式回归模型转化为多变量线性回归模型；4)利用训练样本，对多变量线性回归模型中的参数向量进行寻优，确定参数向量；5)采集一个时段的风电场气象特征参量，利用训练样本的均值和标准差进行多项式化、归一化处理后，输入到多变量线性回归模型的预测函数中，结合步骤4)寻优的参数向量，进行下一时段的风速预测；6)待下一时段的真实风速值采集完成，与上一时段的气象特征参量构成一个训练样本，对此单个样本的特征向量进行多项式化、归一化处理，然后根据此单个样本修正参数向量；7)将步骤6)多项式化、归一化处理的特征向量，修正后的参数向量带入预测函数中，进行下一次的风速预测；8)重复步骤6)和步骤7)。前述的特征向量x(i)包括气压、相对湿度、水汽压、温度、现时风速5个气象特征参量。前述的步骤1)中，定义15min为一个时段。前述的步骤2)中，进行多项式化处理是指：对每个训练样本都进行三次多项式化处理，多项式化处理后的每一项都作为一个新的特征参量，将训练样本中的原特征参量，多项式化后产生的新的特征参量，再加上截距特征构成新的特征向量，新的特征向量中特征参量的组成为：第一个为截距特征第2～6个是5个气象特征参量，后面的全是多项式化产生的项。前述的步骤2)中，归一化处理是指，对新的特征向量中除截距特征外的特征参量进行归一化处理，首先，求出所有训练样本中每一个特征参量的均值μj和标准差σj，然后根据公式(1)，对每个训练样本中的特征向量进行归一化处理：其中，符号“：＝”表示赋值的意思，即以等式右边的值取代等式左边变量的原先值，为第i个训练样本中的第j个特征参量，μj为所有训练样本的第j个特征参量的均值，σj为所有训练样本的第j个特征参量的标准差，n为多项式化处理后的新的特征向量中除外的特征参量个数。前述的步骤3)中，多变量线性回归模型的预测函数表示为：其中，hθ(X(i))为预测函数，θ＝|θ0θ1…θn|，X(i)为归一化处理后的特征向量，为多变量线性回归模型的输入，θ为参数向量。前述的步骤4)中，参数向量寻优的方法为：按照式(3)构造以参数向量θ为变量的成本函数J(θ)，依据使建模误差最小化的原则，用梯度下降优化算法求出使得成本函数J(θ)最小的一组参数向量θ，其中，m为训练样本个数。前述的步骤6)按如下公式修正参数向量：其中，α为学习速率，为第i时段采集的气象特征参量经多项式化，归一化处理后的特征向量，这里归一化处理过程中各个特征参量的均值和标准差采用原始训练样本求解，Y(i)为第i+1时段采集的风速数据，为截距特征。前述的α取值为0.1。本专利技术的有益效果为：本专利技术能够通过较为简单的预测方法取得较高的预测精度和较强的泛化能力，并能够方便地引入在线学习机制，且易于现场实现，是接纳大规模风电的新型清洁智能电网实时优化调度的有效保障。附图说明图1为本专利技术方法的流程图；图2为本专利技术的训练样本的学习曲线图；图3为本专利技术实施例中运用多变量多项式回归对143组陌生样本风速值的预测效果图；图4为本专利技术实施例中运用支持向量机对143组陌生样本风速值的预测效果图；图5为本专利技术实施例中运用BP神经网络对143组陌生样本风速值的预测效果图。具体实施方式下面对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。本专利技术利用机器学习技术，对风电场气象监测数据进行学习。选取当前时段风电机组所处位置的气压、相对湿度、水汽压、温度、现时风速等气象特征，运用多变量多项式回归算法建立其与下一时段风电机组所处位置风速值的映射关系，从而达到一种预测效果，即根据风电场实时采集的当前时段气象特征预测出下一时段的风电场风速值，作为接纳大规模风电的新型清洁智能电网实时优化调度的依据。本专利技术的基于气象特征的风电场风速超短期预测方法，如图1所示，包括以下步骤：步骤1：根据风电场气象监测数据，创建训练样本；本专利技术以某风电场2016年6月份某几日的429组气象数据创建训练样本。本专利技术创建第i个训练样本(x本文档来自技高网...

【技术保护点】
一种基于气象特征的风电场风速超短期预测方法，其特征在于，包括以下步骤：1)根据风电场气象监测数据，创建若干个训练样本，训练样本表示为(x

【技术特征摘要】
1.一种基于气象特征的风电场风速超短期预测方法，其特征在于，包括以下步骤：1)根据风电场气象监测数据，创建若干个训练样本，训练样本表示为(x(i),y(i))，其中，x(i)表示第i时段训练样本中的特征向量，y(i)为第i+1时段的风速数据；2)对所有训练样本中的特征向量x(i)进行多项式化、归一化处理；3)将归一化处理后的特征向量作为多变量多项式回归训练的原始样本，将多变量多项式回归模型转化为多变量线性回归模型；4)利用训练样本，对多变量线性回归模型中的参数向量进行寻优，确定参数向量；5)采集一个时段的风电场气象特征参量，利用训练样本的均值和标准差进行多项式化、归一化处理后，输入到多变量线性回归模型的预测函数中，结合步骤4)寻优的参数向量，进行下一时段的风速预测；6)待下一时段的真实风速值采集完成，与上一时段的气象特征参量构成一个训练样本，对此单个样本的特征向量进行多项式化、归一化处理，然后根据此单个样本修正参数向量；7)将步骤6)多项式化、归一化处理的特征向量，修正后的参数向量带入预测函数中，进行下一次的风速预测；8)重复步骤6)和步骤7)。2.根据权利要求1所述的一种基于气象特征的风电场风速超短期预测方法，其特征在于，所述特征向量x(i)包括气压、相对湿度、水汽压、温度、现时风速5个气象特征参量。3.根据权利要求1所述的一种基于气象特征的风电场风速超短期预测方法，其特征在于，所述步骤1)中，定义15min为一个时段。4.根据权利要求1所述的一种基于气象特征的风电场风速超短期预测方法，其特征在于，所述步骤2)中，进行多项式化处理是指：对每个训练样本都进行三次多项式化处理，多项式化处理后的每一项都作为一个新的特征参量，将训练样本中的原特征参量，多项式化后产生的新的特征参量，再加上截距特征构成新的特征向量，新的特征向量中特征参量的组成为：第一个为截距特征第2～6个是5个气象特征参量，后面的全是多项式化产生的项。5.根据权利要求4所述的一种基于气象特征的风电场风速超短期预测方法，其特征在于，所述步骤2)中，归一化处理是指，对新的特征向量中除截距特征外的特征参量进行归一化处理，首先，求出所有训练样本中每一个特征参量的均值μj和标准差σj，然后根据公式(1)，对每个训练样本中的特征向量进行归一化处...

【专利技术属性】
技术研发人员：李升，周志浩，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32