一种基于气象模式识别的风电功率预测误差建模方法技术

本发明专利技术涉及电网风电预测技术，具体涉及一种基于气象模式识别的风电功率预测误差建模方法，包括通过对历史气象数据进行k‑means聚类分析得到了相应的气象模式，根据各气象模式下气象数据特征，训练支持向量机分类器，并用其将历史风电功率预测误差数据划分为各个气象模式下的子数据集，分别对这些子数据集进行统计分析得到对应的概率密度曲线，进而基于通用分布模型，通过最小二乘拟合得到各气象模式下风电功率预测误差概率密度模型，完成风电功率预测误差建模。该方法考虑了气象因素对于风电功率预测精度的影响，使得风电功率预测误差建模结果更加准确；采用通用分布模型拟合效果更好，表达式的解析性更好；提供准确的风电功率预测误差概率密度模型。

An error modeling method of wind power prediction based on weather pattern recognition

【技术实现步骤摘要】
一种基于气象模式识别的风电功率预测误差建模方法
本专利技术属于电网风电预测
，尤其涉及一种基于气象模式识别的风电功率预测误差建模方法。
技术介绍
目前，风电消纳问题就是在给定未来一天或数小时内风电功率和负荷预测结果，同时系统以常规机组出力(包括启停)为调节手段并满足一定运行约束条件的前提下，判断系统未来究竟能接纳多少风电。如果不考虑风电功率预测误差，则在未来某一时刻可能会出现风电实际值大于或小于风电调度计划值，从而相应地导致弃风与切负荷的现象，不利于清洁能源消纳的同时还会为电力系统的调度带来不利的影响。考虑风电功率预测误差的随机性而进行调度，其本质上是一个优化问题，该随机优化问题的求解难度、计算效率以及最终解的质量充分依赖于风电功率预测误差的随机性建模。气象因素与风电功率间存在密切的因果关系。众所周知，同一预测方法会在风电功率时间序列各点给出误差大小不一的预测结果。针对风电功率预测误差，目前比较认可的处理方法是认为其统计结果服从某一概率分布。利用某一特定结构的概率密度函数(正态分布等)拟合风电功率预测误差的统计结果后，该函数即可表本文档来自技高网...

【技术保护点】
1.一种基于气象模式识别的风电功率预测误差建模方法，其特征是，包括通过对历史气象数据进行k-means聚类分析得到相应的气象模式；根据各气象模式下气象数据特征，训练支持向量机分类器；并用其将历史风电功率预测误差数据划分为各个气象模式下的子数据集，分别对子数据集进行统计分析得到对应的概率密度曲线；进而基于通用分布模型，通过最小二乘拟合得到各气象模式下风电功率预测误差概率密度模型，从而完成对风电功率预测误差的建模。/n

【技术特征摘要】
1.一种基于气象模式识别的风电功率预测误差建模方法，其特征是，包括通过对历史气象数据进行k-means聚类分析得到相应的气象模式；根据各气象模式下气象数据特征，训练支持向量机分类器；并用其将历史风电功率预测误差数据划分为各个气象模式下的子数据集，分别对子数据集进行统计分析得到对应的概率密度曲线；进而基于通用分布模型，通过最小二乘拟合得到各气象模式下风电功率预测误差概率密度模型，从而完成对风电功率预测误差的建模。


2.如权利要求1所述的基于气象模式识别的风电功率预测误差建模方法，其特征是，包括以下具体步骤：
步骤1、选取气象指标，对历史气象数据以及历史风电功率预测误差数据进行预处理；
步骤2、将历史气象数据根据月份划分为四个季度下的数据集，通过肘部法确定各季度下气象模式数目，并利用K-means算法对各季度下历史气象数据分别进行聚类分析，建立相应的气象模式；
步骤3、根据步骤2所建立气象模式，利用支持向量机算法对各气象模式下的气象数据进行学习训练，得到支持向量机分类器；根据历史风电功率预测误差数据对应的气象数据，将风电功率预测误差划分为各个气象模式下的子集；
步骤4、根据步骤3计算所得各气象模式下风电功率预测误差数据子集，对各数据子集进行统计分析得到各气象模式下风电功率预测误差概率密度曲线；利用最小二乘拟合，基于通用分布模型，得到各气象模式下风电功率预测误差的概率密度通用分布解析表达式，完成不同气象模式下的风电功率预测误差建模。


3.如权利要求2所述的基于气象模式识别的风电功率预测误差建模方法，其特征是，步骤1的实现包括以下步骤：
步骤1.1、选取风速、风向、气温和气压作为气象指标；
步骤1.2、对历史数据进行的预处理包括缺失值与异常值处理以及数据的标准化；具体步骤如下：
步骤1.2.1、采用删除法将存在缺失以及数值明显超出其物理意义范围的数据删除，实现缺失值与异常值处理；
步骤1.2.2、数据的标准化采用0-1标准化方法，通过对历史数据进行线性变换使其转换到[0,1]区间，转换所用公式如下:



其中u表示待转换的历史数据风速、风向、气温、气压、风电功率预测误差，u*表示0-1标准化后的历史数据，umax与umin分别为历史数据中的最大值与最小值。


4.如权利要求2所述的基于气象模式识别的风电功率预测误差建模方法，其特征是，步骤2的实现包括以下步骤：
步骤2.1、利用肘部法确定各季度下气象模式数目为：



其中，k为该季度下的气象模式数目，ωj表示第j个气象模式，nj为第j个气象模式的聚类中心，ei为属于第j个气象模式当中的第i个气象数据样本点，SSE为误差平方和，表示各气象模式内样本点与聚类中心的误差平方的和；
步骤2.2、利用k-means算法对各季度下历史气象数据分别进行聚类分析，形成各季度下的气象模式的具体步骤如下：
步骤2.2.1、从t个历史气象数据样本点中随机性的选取其中的k个气象数据样本点作为初始聚类中心，然后依次计算其余各样本点到这些初始聚类中心的距离，并将样本点赋给距离最近的类簇，从而形成初始的k个类簇；
步骤2.2.2、分别计算k个类簇内样本点数据的均值，即得到中心样本，以这k个中心样本作为新的聚类中心，重新计算各个气象数据样本点与新的聚类中心的距离，并再次根据最小距离原则将各个样本点分配给距离最近的类簇；
步骤2.2.3、重新计算k个类簇的均值，循环步骤2.2.2与步骤2.2.3，直到聚类中心不再发生变化为止。


5.如权利要求2所述的基于气象模式识别的风电功率预测误差建模方法，其特征是，步骤...

【专利技术属性】
技术研发人员：柯德平，刘念璋，牛四清，杨健，刘健，柳玉，姜尚光，
申请(专利权)人：武汉大学，国家电网公司华北分部，
类型：发明
国别省市：湖北;42