基于多元时空关联矩阵的集群风电功率映射预测方法技术

本发明专利技术公开了基于多元时空关联矩阵的集群风电功率映射预测方法，包括如下步骤：获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据；根据风速数据中的空间参数形成风速多元时空关联矩阵；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型；对风速多元时空关联矩阵进行模型计算，通过改变时间参数获得预测风速多元时空关联矩阵；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵‑集群风电功率映射模型；将预测风速多元时空关联矩阵输入到映射模型中，以获得预测的集群风电功率。相对于现有技术，本发明专利技术对风速的时间信息和空间信息充分利用，大幅提升了预测精度。

【技术实现步骤摘要】
基于多元时空关联矩阵的集群风电功率映射预测方法
本专利技术涉及集群风电功率预测
，尤其涉及基于多元时空关联矩阵的集群风电功率映射预测方法。
技术介绍
随着近些年可持续发展战略的提出，风能作为优质、清洁的能源得到了广泛的关注，大规模风电场的建设让用户使用了清洁可再生的电能，但也电力系统带来了一些问题。由于风电出力的随机性和不确定性，并网后给电力系统的稳定性造成了一定的影响。由于单个风机的出力较小，对电网的影响也较小，对其研究没有意义。大规模风机集群的出力较大，对于电力系统稳定性的影响也较大，所以精准的风电功率预测对于电力系统安全稳定运行十分重要。然而集群风电功率主要受风速的影响，所以高精度的风速预测模型，是获得高精度的集群风电功率预测结果的重要前提。在获得风速结果后，将风速结果转换为风功率也是重要的环节。风速预测是指利用已知风速信息，通过计算、推导，得出对某一区域未来一段时间内的风速情况的预测值。风速预测的应用范围十分广阔，例如气象探测、灾难预警、风能利用等领域。尤其在电力应用方面，风能作为一种清洁、无污染的新能源，已经受到世界各国的广泛关注。然而，由于风能资源分布与电力负荷不匹配和电网消纳能力不足等问题，出现了很多“弃风限电”现象。弃风现象的加剧不仅造成了不可估量的经济损失，而且大大削弱了风电的市场竞争力。可靠的风电功率预测有利于电力调度部门调整总体调度计划，配置风力发电机组的合理出力，节约常规能源发电。同时，在电力市场中，风电功率预测的准确性也是降低发电成本和保持竞争力的关键因素。因此，改进风电场风速和功率预测方法成为了风电发展的研究重点，其中，风速预测和风速-风功率的映射是基础工作也是关键环节。然而，现有的风速预测方法均是直接拟合风速序列与影响因素的模型，并没有深度挖掘风速序列本身的特性。尤其在对风速信息的利用方面，现有技术往往将空间信息和时间信息拆分开用以对风速进行分析，没有充分结合空间信息和时间信息的模型是存在明显瑕疵的，从而导致预测精度较低。现有的风速-风功率的映射方法是通过理想风机的风电转换曲线，将风速与风功率进行对应。但是现有方法并没有考虑实际风机出厂或安装的问题导致现有风机的出力不满足理想的转换曲线，或者出现弃风限电的情况，所以现有的风速-风功率的映射方法精度较低。
技术实现思路
本专利技术的主要目的在于提供基于多元时空关联矩阵的集群风电功率映射预测方法，旨在解决现有集群风电功率预测方法对时间域和空间域的信息结合不足导致预测效果不佳的问题。为实现上述目的，本专利技术提供的基于多元时空关联矩阵的集群风电功率映射预测方法，包括如下步骤：获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据；根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型；对所述风速多元时空关联矩阵进行模型计算，通过改变所述时间参数获得预测风速多元时空关联矩阵；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型；将所述预测风速多元时空关联矩阵输入到所述映射模型中，以获得集群风电功率。优选地，所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤，包括：在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据；根据所述待预测区域的经纬度，从所述气象数据中提取待预测区域的所述风速数据。优选地，所述根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵的步骤，包括：将所述风速数据中的经度作为横坐标、所述风速数据中的纬度作为纵坐标，形成指定时段内的不同时刻下的所述风速多元时空关联矩阵。优选地，所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤，包括：利用python软件将不同时间下的所述风速多元时空关联矩阵组成风速多元时空关联矩阵序列；对所述风速多元时空关联矩阵进行归一化处理，利用MinMaxScaler()函数，获得0-1间的风速数据；将所述风速多元时空关联矩阵序列按照6:3:1的比例分为训练集、验证集和测试集；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型。优选地，所述对所述风速多元时空关联矩阵进行模型计算，通过改变所述时间参数获得预测风速多元时空关联矩阵的步骤，包括：通过输入当前时刻的前10个所述风速多元时空关联矩阵，得到下一时刻的风速多元时空关联矩阵。优选地，所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型的步骤，包括：读取所述风速多元时空关联矩阵与所述集群风电功率数据；设置第一模型参数；根据所述第一模型参数搭建所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型。优选地，所述将所述预测风速多元时空关联矩阵输入到所述映射模型中，以获得集群风电功率的步骤，包括：利用python软件中load_model()函数加载已经训练好的所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型；将所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型中的预测风速多元时空关联矩阵输入到所述基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型中，以获得对应时刻的集群风电功率；将所述集群风电功率进行反归一化处理，以获得最终的所述预测集群风电功率。优选地，在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据的时间分辨率为15分钟。优选地，所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤前，还包括：以灰度图的形式展示所述风速多元时空关联矩阵。优选地，利用python软件cv2模块中的imread函数cv2.imread()将所述风速多元时空关联矩阵处理成灰度图的形式。在本专利技术的技术方案中，同时获取了风速数据中的时间参数和空间参数，并通过空间参数获得风速多元时空关联矩阵，并将风速多元时空关联矩阵以可视化的方式间接获得了风速图像；通过建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型，通过改变时间参数，来获得预测风速多元时空关联矩阵；根据风速多元时空关联矩阵与集群风电功率的实时映射关系，建立风速多元时空关联矩阵-集群风电功率的映射模型；将预测的风速多元时空关联矩阵输入到映射模型中，以此来获得预测集群风电功率。相对于现有技术只是单独利用时间信息参数或空间参数，或仅仅对二者进行简单结合，本专利技术基于多元时空关联矩阵的集群风电功率映射预测方法对风速的时间信息和空间信息充分利用，并直接建立风速与风功率的映射关系，大幅提升了集群风电功率预测的精度。附图说明图1为本专利技术基于多元时空关联矩阵的集群风电功率映射预测方法第一实施例的流程示意图；图2为预测风速图像与实测风速图像的对照示意图；图3为本专利技术基于多元时空关联矩阵的集群风电本文档来自技高网...

【技术保护点】
1.基于多元时空关联矩阵的集群风电功率映射预测方法，其特征在于，所述预测方法包括如下步骤：/n获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据；/n根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵；/n建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型；/n对所述风速多元时空关联矩阵进行模型计算，通过改变所述时间参数获得预测风速多元时空关联矩阵；/n建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型；/n将所述预测风速多元时空关联矩阵输入到所述映射模型中，以获得集群风电功率。/n

【技术特征摘要】
1.基于多元时空关联矩阵的集群风电功率映射预测方法，其特征在于，所述预测方法包括如下步骤：
获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据；
根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵；
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型；
对所述风速多元时空关联矩阵进行模型计算，通过改变所述时间参数获得预测风速多元时空关联矩阵；
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型；
将所述预测风速多元时空关联矩阵输入到所述映射模型中，以获得集群风电功率。


2.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法，其特征在于，所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤，包括：
在数据库中下载不同经纬度在指定时段内的不同时刻下的气象数据；
根据所述待预测区域的经纬度，从所述气象数据中提取待预测区域的所述风速数据。


3.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法，其特征在于，所述根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵的步骤，包括：
将所述风速数据中的经度作为横坐标、所述风速数据中的纬度作为纵坐标，形成指定时段内的不同时刻下的所述风速多元时空关联矩阵。


4.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法，其特征在于，所述建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型的步骤，包括：
利用python软件将不同时间下的所述风速多元时空关联矩阵组成风速多元时空关联矩阵序列；
对所述风速多元时空关联矩阵进行归一化处理，利用MinMaxScaler()函数，获得0-1间的风速数据；将所述风速多元时空关联矩阵序列按照6:3:1的比例分为训练集、验证集和测试集；
建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型。


5.根据权利要求1所述的基于多元时空关联矩阵的集群风电功率映射预测方法，其特征在于，所述对所述风速多元时空关联矩...

【专利技术属性】
技术研发人员：王飞，刘嘉明，甄钊，徐勋建，冯涛，丘刚，刘大贵，李渝，常喜强，李国庆，
申请(专利权)人：华北电力大学保定，国网湖南省电力有限公司，国网新疆电力有限公司，
类型：发明
国别省市：河北;13