基于风电天气分型特征选择的风电功率预测方法技术

本发明专利技术提供一种基于风电天气分型特征选择的风电功率预测方法，具体步骤包括：以历史数据集中的测风塔10m风速筛选数值天气预报风电天气样本段；对筛选样本段进行聚类，将风电天气划分为n类，未筛选的样本段作为第n+1类；对各类天气的输入特征分别进行选择，将W维特征降低到di(i＝1,2,L,n+1)维，di是第i类天气筛选得到的特征数；建立n+1类风电天气下的风电功率预测模型；识别未来24h各段风电天气类型，并分别将各类风电天气关联的di(i＝1,2,L,n+1)维特征作为预测输入，进行风电功率预测。本发明专利技术对不同持续时长的风电天气进行分型，采用以数据驱动的特征选择方法，发现不同天气背景下风机出力的关联天气特征并分别建立风电功率预测模型，有效提高了预测精度和效率。

【技术实现步骤摘要】
基于风电天气分型特征选择的风电功率预测方法
本申请涉及风电功率预测领域，具体地涉及一种基于风电天气分型特征选择的风电功率预测方法。
技术介绍
风能因具有储量丰富、成本效益高、清洁环保等优点，得到了世界各国的广泛重视。风电的波动性和不确定性使其难以纳入电力系统调度，所以大规模风电并网将会影响电力系统的安全稳定和供电质量，而风电功率的准确预测是解决该问题最经济有效的手段。单一预测模型已经不能满足预测精度的要求，考虑风电的天气背景，针对不同天气背景进行建模，对提高预测精度是一种非常有效的方式。风力变化受温度、湿度、气压等多种天气因素的影响，常规根据天气划分风电功率预测模型的预测方法，依据经验选取相关天气特征作为输入，且所有模型的输入天气特征相同。但不同天气过程下，准确的风电功率输出可能并不是全由或仅由凭经验选取的天气特征决定的。不相关和冗余天气特征不仅会增加预测系统的成本和运行时间，也会使其综合表现降低；缺少完整的天气特征信息，也限制了预测精度的进一步提高。
技术实现思路
为了克服现有技术的不足，本专利技术的目的是提出一种基于风电天气分型特征选择的风电功率预测方法，能提高预测精度。为实现上述目的，本专利技术采用以下方案：一种基于风电天气分型特征选择的风电功率预测方法，其包括以下步骤：步骤1：获得用于建模的历史风机出力、测风塔和数值天气预报的历史数据集H以及用于风电功率预测的未来24h数值天气预报数据F；步骤2：以历史数据集H中的测风塔的10m风速筛选数值天气预报的风电天气样本段；步骤3：对筛选得到的风电天气样本段进行聚类，将风电天气划分为n类，未筛选的风电天气样本段作为第n+1类天气类型；步骤4：对n+1类天气类型的输入特征分别进行选择，将W维特征降低到di(i＝1,2,L,n+1)维，di是第i类天气类型筛选得到的特征数；步骤5：建立第n+1类风电天气下的风电功率预测模型；步骤6：在未来24h数值天气预报数据F中识别未来24h各样本段风电天气类型，并分别将各类风电天气关联的di(i＝1,2,L,n+1)维特征作为预测输入，采用对应的风电功率预测模型进行预测。优选地，所述步骤2中以测风塔10m风速ws10≥5.5m/s且持续两小时以上为定义筛选数值天气预报风电天气样本段m个，对于样本i(i＝1,2,L,m)，有：其中，xtj表示第j(j＝1,2,L,N)个天气特征指标在t(t＝1,2,L,T)时间的数值，N表示天气特征的总数，N＝15；T表示样本时间序列的最大长度。优选地，所述步骤2中的m个样本段的T是不相等的。优选地，所述步骤3中具体包括以下步骤：步骤3-1：对各样本天气特征进行标准化处理，将各样本天气特征用累计贡献率大于95％的前k(k≤N)个主成分表示，前k个主成分的特征值分别为λ1,λ2,L,λk，风电天气样本重新表达为：Yi＝λ1y1+λ2y2+L+λkyk其中，y1,y2,L,yk依次分别是前k个主成分；Yi＝(yi1,yi2,L,yip)是第i个样本；步骤3-2：利用动态时间弯曲距离定义各不等长样本之间的距离DTW，并用DTW距离的标幺值来表示，对于样本i和j，表达式为：其中，Yi＝(yi1,yi2,L,yip)是第i个样本，样本长度为p，Yj＝(yj1,yj2,L,yjq)是第j个样本，样本长度为q；步骤3-3：将距离最小的两个样本合并为一类，直到所有样本都归为一类；步骤3-4：按照Dk,S-(k)≤Dl确定聚类类别数，其中，Dk,S-(k)表示元素k与S-(k)之间的DTW距离；Dl是第l次并类的DTW距离，且Dl与最后一次并类距离DN-1之比，记为Sl，得到下述表达式：|Sl+1-Sl|＝|Sl-Sl-1|，最终聚类数为n；对于类U中的样本Yi，若Yi使得达到最小，则将Yi作为类U的聚类中心。优选地，所述步骤4中具体包括以下步骤：步骤4-1：利用偏自相关分析PACF加入10m和30m风速的1到3阶滞后，即ws10(t-1)、ws10(t-2)、ws10(t-3)、ws30(t-1)、ws30(t-2)、ws30(t-3)，指标数共W＝21个；其中为10m风速，为30m风速，t为风速阶数；步骤4-2：对于类U中的样本集D，随机从样本集D中抽取M个比例为X的样本点组成样本子集Dj(j＝1,2,L,M)，剩余样本集D中比例为(1-X)的样本点作为验证集Tj(j＝1,2,L,M)；步骤4-3：将类U的样本子集Dj(j＝1,2,L,M)作为训练集，采用一种特征选择方法R，以对应风机出力为因变量，对天气特征进行排序，产生特征选择结果FSj(j＝1,2,L,M)；步骤4-4：按天气特征排序结果FSj选取k(k＝1,2,L,W)个特征，训练集Dj建立预测模型，结合验证集Tj的预测表现，确定最终特征维数di，确定di的策略有：1)SRANK；以M个子集特征选择结果的排名FSj累加得到最终的排序SRANK。以SRANK预测均方根误差最小值选择最终特征数di，得到以下公式：di＝argmin{J(SRANK(k))}其中，J(S)是验证集预测均方根误差；2)Smin；以M个子集特征选择结果的排名FSj的预测均方根误差最小值选择最终排序Smin，以Smin预测均方根误差最小值选择最终特征数，得到以下公式：di＝argmin{J(Smin(k))}其中，J(S)是验证集预测均方根误差；步骤4-5：利用Kuncheva一致性指标IS，以M个天气特征排序结果评价选择di个天气特征的稳定性，得到以下公式：其中，|FSi(di)∩FSj(di)|是FSi排序前di个天气特征和FSj排序前di个天气特征的交集个数。优选地，所述步骤4-2中M＝10，X＝0.9。优选地，所述步骤5中具体包括以下步骤：步骤5-1：根据天气类别和各类别输入天气特征，获取每类天气数值天气预报输入特征数据和相应风机出力作为训练集；步骤5-2：将训练集用于建立各类天气风电功率预测模型。所述步骤6中具体包括以下步骤：步骤6-1：以未来24h数值天气预报中ws10≥5.5m/s且持续两小时以上为定义筛选样本段，未筛选的样本段归为第n+1类天气；步骤6-2：经步骤3-1处理后，计算各处理样本与每一个聚类中心的DTW距离，以DTW距离最小值判定各样本的天气类别；步骤6-3:将风电天气关联的di(i＝1,2,L,n+1)维特征作为预测输入，采用对应的风电功率预测模型进行预测；步骤6-4：将各模型预测值按时序排列，得到最终日前风电功率预测结果。与现有技术相比，本专利技术的有益效果在于：(1)对不同持续时长且风力等级影响正常生产活动的风电天气进行分型，并分别建立风电功率预测模型，针对不同天气背景，有效提高了预测精度和效率；(2)采用以数据驱动的特征选择方法，挖掘不同天气背景下风机出力的关联天气特征，积极降低模型复杂度、提高模型的泛化能力的同时，也有利于关联天气特征的再发现。附图说明图1是基于风电天气分型特征选择的风电功率预测方法流程图。具体实施方式下面将结合本专利技术中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。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前提下所获得的所有其它实施例本文档来自技高网...

【技术保护点】
1.一种基于风电天气分型特征选择的风电功率预测方法，其特征在于：其包括以下步骤：步骤1：获得用于建模的历史风机出力、测风塔和数值天气预报的历史数据集H以及用于风电功率预测的未来24h数值天气预报数据集F；步骤2：以历史数据集H中的测风塔的10m风速筛选数值天气预报的风电天气样本段；步骤3：对筛选得到的风电天气样本段进行聚类，将风电天气划分为n类天气类型，未筛选的样本段作为第n+1类天气类型；步骤4：对n+1类天气类型的输入特征分别进行选择，将W维特征降低到di(i＝1,2,L,n+1)维，di是第i类天气类型筛选得到的特征数；步骤5：建立n+1类风电天气下的风电功率预测模型；步骤6：在未来24h数值天气预报数据集F中识别未来24h中各样本段风电天气类型，并分别将各类风电天气关联的di(i＝1,2,L,n+1)维特征作为预测输入，采用对应的风电功率预测模型进行预测。

【技术特征摘要】
1.一种基于风电天气分型特征选择的风电功率预测方法，其特征在于：其包括以下步骤：步骤1：获得用于建模的历史风机出力、测风塔和数值天气预报的历史数据集H以及用于风电功率预测的未来24h数值天气预报数据集F；步骤2：以历史数据集H中的测风塔的10m风速筛选数值天气预报的风电天气样本段；步骤3：对筛选得到的风电天气样本段进行聚类，将风电天气划分为n类天气类型，未筛选的样本段作为第n+1类天气类型；步骤4：对n+1类天气类型的输入特征分别进行选择，将W维特征降低到di(i＝1,2,L,n+1)维，di是第i类天气类型筛选得到的特征数；步骤5：建立n+1类风电天气下的风电功率预测模型；步骤6：在未来24h数值天气预报数据集F中识别未来24h中各样本段风电天气类型，并分别将各类风电天气关联的di(i＝1,2,L,n+1)维特征作为预测输入，采用对应的风电功率预测模型进行预测。2.根据权利要求1所述的基于风电天气分型特征选择的风电功率预测方法，其特征在于：所述步骤2中以测风塔10m风速ws10≥5.5m/s且持续两小时以上为定义筛选数值天气预报风电天气样本段m个，对于样本i(i＝1,2,L,m)，有：其中，xtj表示第j(j＝1,2,L,N)个天气特征指标在t(t＝1,2,L,T)时间的数值，N表示天气特征的总数，N＝15；T表示样本时间序列的最大长度；所述步骤2中的m个样本段的T是不相等的。3.根据权利要求1所述的基于风电天气分型特征选择的风电功率预测方法，其特征在于：所述步骤3中具体包括以下步骤：步骤3-1：对各样本天气特征进行标准化处理，将各样本天气特征用累计贡献率大于95％的前k(k≤N)个主成分表示，前k个主成分的特征值分别为λ1,λ2,L,λk，风电天气样本表达为：Yi＝λ1y1+λ2y2+L+λkyk其中，y1,y2,L,yk依次分别是前k个主成分，Yi是第i个样本；步骤3-2：利用动态时间弯曲距离定义各不等长样本之间的距离DTW，并用距离DTW的标幺值来表示，对于样本i和j，有：其中，Yi＝(yi1,yi2,L,yip)是第i个样本，样本长度为p，Yj＝(yj1,yj2,L,yjq)是第j个样本，样本长度为q；步骤3-3：将距离最小的两个样本合并为一类，直到所有样本都归为一类；步骤3-4：按照Dk,S-(k)≤Dl确定聚类类别数，其中，Dk,S-(k)表示元素k与S-(k)之间的DTW距离；Dl是第l次并类的DTW距离，且Dl与最后一次并类距离DN-1之比，记为Sl，有：|Sl+1-Sl|＝|Sl-Sl-1|，最终聚类数为n；对于类U中的样本Yi，若Yi使得达到最小，则将Yi作为类U的聚类中心。4.根据权利要求1所述的基于风电天气分型特征选择的风电功率预测方法，其特征在于：所述步骤4中具体包括以下步骤：步骤4-1：考虑到...

【专利技术属性】
技术研发人员：秦亮，熊音笛，王庆，刘开培，邓长虹，李明月，王放，蒲清昕，石维盛，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42