一种短期风电功率预测方法技术

本发明专利技术具体涉及一种短期风电功率预测方法，属于风电预测技术领域。所述方法包括：1)对历史数据进行数据整理；2)对整理后的历史数据进行数据重组；3)将重组属性矩阵中的每一行按照重组属性矩阵的大小从小到大排序，得到排序属性矩阵；4)建立预测模型并进行风电功率预测。本发明专利技术通过处理历史数据而得到一组权重，然后对待预测时间段的数据进行处理，从而对其进行预测，和现有技术风电功率建模预测比较，本发明专利技术所述方法在不失准确度的情况下，减少了预测所耗的时间。

A Short-term Wind Power Prediction Method

The invention relates to a short-term wind power prediction method, which belongs to the technical field of wind power prediction. The methods include: 1) collating historical data; 2) reorganizing historical data after reorganization; 3) sorting each row of the reorganized attribute matrix from small to large according to the size of the reorganized attribute matrix to obtain the ranking attribute matrix; 4) establishing prediction model and forecasting wind power. The invention obtains a set of weights by processing historical data, and then processes the data of the predicted time period to predict it. Compared with the wind power modeling and prediction of the prior art, the method of the invention reduces the time consumed in the prediction without losing accuracy.

【技术实现步骤摘要】
一种短期风电功率预测方法
本专利技术属于风电预测
，具体涉及一种短期风电功率预测方法。
技术介绍
随着全球电力需求的不断增长，可再生能源得到了广泛的利用，风能作为一种新兴的可再生能源，促进了风电科技的发展。但是,风电的不稳定性使风电系统与主电网结合的障碍之一。为了更安全有效的利用持续增长的风能，高精度的风电功率预测方法对电网运行有着重要意义。目前，现有技术中主要是采用单一模型对短期风电功率进行预测，例如时间序列法、灰色模型方法、人工神经网络、支持向量机和极限学习机等。但是，由于风电功率时间序列具有非线性强和非平稳性高的特点，所以采用单一模型难以对短期风电功率进行准确预测。因此，如何提供一种解决上述技术问题的短期风电功率的预测方法、装置及系统成为本领域技术人员需要解决的问题。
技术实现思路
针对上述存在的技术问题，本专利技术提供一种短期风电功率预测方法；本专利技术的有益效果：本专利技术通过处理历史数据而得到一组权重及重组的数据，然后对待预测时间段的数据进行处理，从而对其进行预测，和现有技术风电功率建模预测比较，本专利技术所述方法在不失准确度的情况下，减少了预测所耗的时间。本专利技术设计合理，易于实现，具有很好的实用价值。附图说明图1为本专利技术具体实施方式中所述短期风电功率预测方法的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本专利技术做出进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提出一种短期风电功率预测方法系统，包括通信模块及预测模块：所述所述通信模块，包括数据传输单元；所述预测模块，包括本地数据单元及预测单元；所述数据传输单元，用于将待预测时间段的气象数据传送到预测单元；所述本地数据单元，用于存储历史数据，包括气象及功率数据；所述预测单元，用于执行短期风电功率预测方法的程序并运行显示。本专利技术提出一种短期风电功率预测方法，采用上述风电功率预测方法系统，包括以下步骤：步骤1，对历史数据进行数据整理；步骤1.1，对历史数据进行划分；将历史数据整理为历史数据矩阵，并分为两部分，一部分为属性矩阵，其余为标签矩阵；即令历史数据矩阵为data＝[attr，P]其中，attr＝[v，θ]为属性矩阵，v为历史数据中的历史风速，θ为历史数据中的历史风向角，P为标签矩阵，代表历史数据中的功率值；步骤1.2，对属性矩阵进行中心化处理；步骤1.2.1，求取属性矩阵的列均值μ＝[μv，μθ]其中，μv为历史风速的均值，μθ为历史风向角的均值；步骤1.2.2，将属性矩阵attr中心化，得到中心属性矩阵T为其中，n为历史数据矩阵的行数。由此可得中心化矩阵DATA＝[T，P]；步骤2，对整理后的历史数据进行数据重组；步骤2.1，求取中心属性矩阵T的协方差矩阵C；在本实施例中，为二阶方阵,；步骤2.2，求取协方差矩阵C的特征值λ及特征向量V，即C*V＝λ*V步骤2.3，求出协方差矩阵C的最大特征值λmax；本实施例中，由于协方差矩阵C为二阶方阵，故应有2个特征值λ1，λ2，对应2个特征向量，令λmax＝max(λ1，λ2)进而得出与最大特征值λmax对应的特征向量Xλ；步骤2.4，求出重组属性矩阵D，即D＝T*Xλ步骤2.5，将重组属性矩阵D和标签矩阵P合并为重组属性矩阵F，即F＝[D，P]步骤3，将重组属性矩阵F中的每一行按照重组属性矩阵D的大小从小到大排序，得到排序属性矩阵Fnew＝[D_s，P_s]；步骤4，建立预测模型并进行风电功率预测；从排序属性矩阵Fnew中任取m组数据，即[D_si，P_si](i＝1，2，…，m)，其中m＝round(0.8*n)，round()为取整函数；在D_s中求取k+2个距离D_si最近的点D_sj(j＝1，2，…，k+2)，k的值根据实际情况选取；本实施例中，k＝7；同时得到对应的功率值P_sj；将[D_sj，P_sj]按第一列的大小从小到大排序为[Dsortj，Psortj]，建立目标函数利用粒子群算法求得一组向量wj＝[w1，w2，...，wk]，使目标函数值最小；对于待预测时间段，将接收到的L组气象数据转为待遇测数据矩阵pre＝[pre_v，pre_θ]。其中，pre_v为待预测时间段的风速，pre_θ为与pre_v对应的风向角；首先，将待遇测数据矩阵pre中心化为令pre_D＝pre_T*Xλ对于length()为求取长度的函数；在D_s中求取k个距离pre_Da最近的点D_sj′(j＝1，2，…，k)及D_sj′对应的功率值P_sj′，pre_Da对应的功率预测值pre_Pa为故待预测时间段对应的功率预测值pre_P为pre_P＝[pre_P1，pre_P2，...，pre_Pu]。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，包括以下步骤：步骤1，对历史数据进行数据整理；步骤1.1，对历史数据进行划分；将历史数据整理为历史数据矩阵data，并分为两部分，一部分为属性矩阵，其余为标签矩阵；即令历史数据矩阵为data＝[attr，P]其中，attr＝[v，θ]为属性矩阵；v为历史数据中的历史风速；θ为历史数据中的历史风向角；P为标签矩阵，代表历史数据中与历史风速v和历史风向角θ相对应的功率值；步骤1.2，对属性矩阵attr进行中心化处理，得到历史数据矩阵data的中心化矩阵DATA＝[T，P]；步骤2，对整理后的历史数据进行数据重组；步骤2.1，求取中心属性矩阵T的协方差矩阵C；步骤2.2，求取协方差矩阵C的特征值λ及特征向量V，即C*V＝λ*V步骤2.3，根据特征值λ，得出协方差矩阵C的最大特征值λmax；进而得出在特征向量V中，与最大特征值λmax对应的特征向量Xλ；步骤2.4，求出重组属性矩阵D，即D＝T*Xλ步骤2.5，将重组属性矩阵D和标签矩阵P合并为重组属性矩阵F，即F＝[D，P]步骤3，将重组属性矩阵F中的每一行按照重组属性矩阵D的大小从小到大排序，得到排序属性矩阵Fnew＝[D_s，P_s]；步骤4，建立预测模型并进行风电功率预测；步骤4.1，从排序属性矩阵Fnew中任取m组数据，即[D_si，P_si](i＝1，2，…，m)，其中m＝round(0.8*n)，round()为取整函数；步骤4.2，在D_s中求取k+2个距离D_si最近的点D_sj(j＝1，2，…，k+2)，k的值根据实际情况选取；同时得到对应的功率值P_sj；步骤4.3，将[D_sj，P_sj]按第一列的大小从小到大排序为[Dsortj，Psortj]，建立目标函数...

【技术特征摘要】
1.一种短期风电功率预测方法，其特征在于，包括以下步骤：步骤1，对历史数据进行数据整理；步骤1.1，对历史数据进行划分；将历史数据整理为历史数据矩阵data，并分为两部分，一部分为属性矩阵，其余为标签矩阵；即令历史数据矩阵为data＝[attr，P]其中，attr＝[v，θ]为属性矩阵；v为历史数据中的历史风速；θ为历史数据中的历史风向角；P为标签矩阵，代表历史数据中与历史风速v和历史风向角θ相对应的功率值；步骤1.2，对属性矩阵attr进行中心化处理，得到历史数据矩阵data的中心化矩阵DATA＝[T，P]；步骤2，对整理后的历史数据进行数据重组；步骤2.1，求取中心属性矩阵T的协方差矩阵C；步骤2.2，求取协方差矩阵C的特征值λ及特征向量V，即C*V＝λ*V步骤2.3，根据特征值λ，得出协方差矩阵C的最大特征值λmax；进而得出在特征向量V中，与最大特征值λmax对应的特征向量Xλ；步骤2.4，求出重组属性矩阵D，即D＝T*Xλ步骤2.5，将重组属性矩阵D和标签矩阵P合并为重组属性矩阵F，即F＝[D，P]步骤3，将重组属性矩阵F中的每一行按照重组属性矩阵D的大小从小到大排序，得到排序属性矩阵Fnew＝[D_s，P_s]；步骤4，建立预测模型并进行风电功率预测；步骤4.1，从排序属性矩阵Fnew中任取m组数据，即[D_si，P_si](i＝1，2，…，m)，其中m＝round(0.8*n)，round()为取整函数；步骤4.2，在D_s中求取k+2个距离D...

【专利技术属性】
技术研发人员：汪刚，白洁，杨珺，张化光，孙秋野，刘鑫蕊，黄博南，王迎春，杨东升，王智良，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21