基于多位置数值天气预报短期风电功率预测方法和系统技术方案

本发明专利技术涉及一种基于多位置数值天气预报短期风电功率预测方法和系统。该方法包括：获取多位置数值天气预报的信息数据；对各信息数据进行降维处理，得到降维处理后的信息数据；对降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；根据修正后的风速样本数据、降维后的温度数据、降维后的风向数据和降维后的气压数据，确定训练模型；根据修正后的风速样本数据，确定预测日的风速数据；根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；根据预测日的风速数据、预报温度数据、预报风向数据、预报气压数据和训练模型，预测风电功率。本发明专利技术能够提高短期风电功率的预测精度。

【技术实现步骤摘要】
基于多位置数值天气预报短期风电功率预测方法和系统
本专利技术涉及短期风电功率预测领域，特别是涉及一种基于多位置数值天气预报短期风电功率预测方法和系统。
技术介绍
目前，全球传统能源短缺及气候变暖问题在日益威胁着人类的生存，人们都在寻求一条以新能源为主的发展道路。新能源包括风能、太阳能、核能、生物质能、潮汐能、地热能等能源。在这些新能源中，最具有商业开发及利用价值的是风能。风能作为一种清洁的能源，资源丰富，储蓄量大，并且具有无需开采、运输等优点，因此多个国家把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的主要措施之一，纳入国家能源发展规划。但随着风电装机容量不断增长的同时，风电也带来了一定的问题。风力发电的置信度与传统能源有很大不同，因为风力发电在很大程度上依赖于气象条件，风向和风速的变化会导致风力发电量上下波动，当风电单机容量和并网型风电场的规模不断增加，在电力需求中所占比例也越来越大。一旦超过某个比例(这个比例目前并无定论，但一般认为它不能一概而论，而是取决于许多因素，例如电网网络结构、调度运行模式等)，风速的间歇性和波动性将会对电力系统的安全稳定运行以及电能质量带来不利影响。如果能对风速和风电功率进行比较准确的预测，则有利于电力系统调度部门及时调整调度计划，合理制定风电场控制策略，使风电成为可调度的电源；可以减轻风电不稳定性对电网的影响，大幅降低电网旋转备用容量，有效降低风力发电系统成本，可以为风电场参与发电竞价奠定基础。
技术实现思路
本专利技术的目的是提供一种基于多位置数值天气预报短期风电功率预测方法和系统，能够提高短期风电功率的预测精度。为实现上述目的，本专利技术提供了如下方案：一种基于多位置数值天气预报短期风电功率预测方法，包括：获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；根据所述修正后的风速样本数据，确定预测日的风速数据；根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率。可选的，所述对各所述信息数据进行降维处理，得到降维处理后的信息数据，具体包括：对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。可选的，所述对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据，具体包括：设定卡尔曼滤波器的状态方程和量测方程；根据所述状态方程和所述量测方程，确定最优状态估计矩阵；获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据。可选的，所述根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型，具体包括：将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；获取所述训练样本对应的风电功率；根据所述训练样本和所述风电功率，确定训练模型。可选的，所述根据所述修正后的风速样本数据，确定预测日的风速数据，具体包括：根据多位置数值天气预报，得到天气预报预测的风速数据；基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。一种基于多位置数值天气预报短期风电功率预测系统，包括：信息数据获取模块，用于获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；降维处理模块，用于对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；修正模块，用于对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；训练模块，用于根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；预测日的风速数据确定模块，用于根据所述修正后的风速样本数据，确定预测日的风速数据；其他数据确定模块，用于根据多位置数值天气预报，确定预报温度数据、预报风向数据和预报气压数据；风电功率预测模块，用于根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率。可选的，所述降维处理模块，具体包括：降维处理单元，用于对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。可选的，所述修正模块，具体包括：方程设定单元，用于设定卡尔曼滤波器的状态方程和量测方程；最优状态估计矩阵确定单元，用于根据所述状态方程和所述量测方程，确定最优状态估计矩阵；获取单元，用于获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；修正后的风速样本数据确定单元，用于根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据。可选的，所述训练模块，具体包括：训练样本确定单元，用于将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；风电功率确定单元，用于获取所述训练样本对应的风电功率；训练模型确定单元，用于根据所述训练样本和所述风电功率，确定训练模型。可选的，所述预测日的风速数据确定模块，具体包括：风速数据获取单元，用于根据多位置数值天气预报，得到天气预报预测的风速数据；风速数据修正单元，用于基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供一种基于多位置数值天气预报短期风电功率预测方法和系统，将多位置数值天气预报信息经奇异值分解降维后，使用卡尔曼滤波算法对数值天气预报风速进行修正降低系统误差，以极端随机森林算法为基础，利用修正的数值天气预报数据进行短期风电功率预测，能够提高短期风电功率的预测精度。附图说明为了更清楚地说明本专利技术实施例本文档来自技高网...

【技术保护点】
1.一种基于多位置数值天气预报短期风电功率预测方法，其特征在于，包括：/n获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；/n对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；/n对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；/n根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；/n根据所述修正后的风速样本数据，确定预测日的风速数据；/n根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；/n根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率。/n

【技术特征摘要】
1.一种基于多位置数值天气预报短期风电功率预测方法，其特征在于，包括：
获取多位置数值天气预报的信息数据，所述信息数据包括：温度数据、风向数据、风速数据和气压数据；
对各所述信息数据进行降维处理，得到降维处理后的信息数据，所述降维处理后的信息数据包括降维后的温度数据、降维后的风向数据、降维后的风速数据和降维后的气压数据；
对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据；
根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型；
根据所述修正后的风速样本数据，确定预测日的风速数据；
根据多位置数值天气预报，确定预测日的预报温度数据、预报风向数据和预报气压数据；
根据所述预测日的风速数据、所述预报温度数据、所述预报风向数据、所述预报气压数据和所述训练模型，预测风电功率。


2.根据权利要求1所述的基于多位置数值天气预报短期风电功率预测方法，其特征在于，所述对各所述信息数据进行降维处理，得到降维处理后的信息数据，具体包括：
对各所述信息数据采用奇异值分解法进行降维处理，得到降维处理后的信息数据。


3.根据权利要求1所述的基于多位置数值天气预报短期风电功率预测方法，其特征在于，所述对所述降维处理后的风速数据采用卡尔曼滤波法进行修正，得到修正后的风速样本数据，具体包括：
设定卡尔曼滤波器的状态方程和量测方程；
根据所述状态方程和所述量测方程，确定最优状态估计矩阵；
获取数值天气预报模型在t时刻输出的预报风速和高斯非线性系统误差；
根据所述最优状态估计矩阵、所述预报风速和高斯非线性系统误差，得到修正后的卡尔曼滤波风速，所述修正后的卡尔曼滤波风速为修正后的风速样本数据。


4.根据权利要求1所述的基于多位置数值天气预报短期风电功率预测方法，其特征在于，所述根据所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据，确定训练模型，具体包括：
将所述修正后的风速样本数据、所述降维后的温度数据、所述降维后的风向数据和所述降维后的气压数据作为训练样本；
获取所述训练样本对应的风电功率；
根据所述训练样本和所述风电功率，确定训练模型。


5.根据权利要求1所述的基于多位置数值天气预报短期风电功率预测方法，其特征在于，所述根据所述修正后的风速样本数据，确定预测日的风速数据，具体包括：
根据多位置数值天气预报，得到天气预报预测的风速数据；
基于所述修正后的风速样本数据，对所述天气预报预测的风速数据采用欧氏距离法进行修正，确定预测日的风速数据。


6.一种基于多位置数值天气预报短期风电功率预测系统...

【专利技术属性】
技术研发人员：王丽婕，王铮，林因，黄道姗，
申请(专利权)人：北京信息科技大学，中国电力科学研究院有限公司，国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：北京;11