基于高维网格化和LightGBM的风电预测方法及装置制造方法及图纸

本发明专利技术提供一种基于高维网格化和LightGBM的风电预测方法及装置，将风电机组或风电场中心坐标位置周围的W个网格点的气象要素数据提取出来，将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；对实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用LightGBM算法，建立预测模型，得到功率预测结果。本发明专利技术通过风电机组或风电场周围的气象信息，构建高维输入特征，利用lightGBM的强大学习能力，挖掘气象信息与风功率的关联信息，能更加准确地进行风功率预测。能更加准确地进行风功率预测。能更加准确地进行风功率预测。

【技术实现步骤摘要】
基于高维网格化和LightGBM的风电预测方法及装置


[0001]本专利技术属于风电领域，特别是涉及到一种基于高维网格化和LightGBM的风电预测方法及装置。

技术介绍

[0002]风力发电是一种具有很大发展潜力的新能源发电方式，清洁无污染，极具商业化发展前景，但是，由于风力发电具有明显的间歇性和波动性，并网后严重影响电网电能质量，同时，随着风电并网容量的逐年攀升，风力发电对电网的影响日益严重，为减少风电对电网的冲击，保护电网稳定运行，调度机构不得不在必要时对风电场采取限制并网的措施，造成风能消纳问题。提前对风电功率进行准确预测，可以缓解电力系统调峰压力，有效提高风电并网的能力。因此，风电功率预测对风风力发电的可持续发展起着重要的作用。
[0003]国内外对风电功率预测方法进行了大量研究，主流方法分为三类统计模型方法、物理模型方法、以及发展迅速的机器学习方法。传统上的统计模型方法旨在利用统计学的方法，通过获取历史风功率数据中与时间和空间相关的关联信息，建立映射关系，进行预测；常用到的统计学方法有时间序列法、回归拟合法、灰色预测法和卡尔曼滤波等。然而统计学模型在平稳时间序列的预测精度较高，对阵风突变情况的预测精度较低，且长期预测的准确性较低。物理模型方法的实质是必须依靠数值天气预报模式的准确率，根据NWP中的风速、风向、气温等气象变量作为输入，修正预报风电场风速，然后根据风电场的功率曲线来推算出风功率的预测值。机器学习方法的核心思想是通过计算机人工智能算法，对大量历史实际数据的训练与学习，捕捉输入的特征向量与输出数据中隐含的规律与逻辑关系，使得模型能做出准确的预测，如人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine，SVM)等。但是，传统神经网络对长时间序列处理能力较弱，难以有较高的准确度。而支持向量回归算法虽然能够避免陷入局部最优解，但当处理大规模训练样本时会出现收敛速度慢、难以实施的问题。

技术实现思路

[0004]本专利技术提出一种基于高维网格化和LightGBM的风电预测方法及装置，针对风力发电波动性和随机性较强的特点，提供更准确的风功率预测。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]一种基于高维网格化和LightGBM的风电预测方法，包括：
[0007]S1、将风电机组或风电场中心坐标位置周围的W个网格点的气象要素数据提取出来，以每个气象要素的每个网格点作为一个特征量，所述气象要素包括风速、风向、温度、湿度和压强；
[0008]S2、将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；其中，风向由x方向风速和y方向风速分别线性插值后计算得到；
[0009]S3、对风电机组或风电场的实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用LightGBM算法，建立预测模型，得到功率预测结果。
[0010]进一步的，步骤S3中所述得到功率预测结果的具体步骤包括：
[0011]将获得的有效实际功率数据和对应时间段的多维气象预报数据作为训练数据，调用python库LightGBM算法，网格搜索自动进行参数寻优，建立功率预测模型，得到功率预测结果。
[0012]进一步的，步骤S3中所述得到功率预测结果的具体步骤包括：
[0013]将获得的有效实际功率数据所对应的实际风速数据和其对应时间段的多维气象预报数据作为训练数据，调用python库LightGBM算法，网格搜索自动进行参数寻优，建立风速预测模型；将风速预测模型的风速预测结果通过所述基于密度分布的功率曲线转换成功率值，得到功率预测结果。
[0014]优选的，步骤S3中所述基于密度分布的功率曲线的获取方法包括：
[0015](1)采集风电机组或风电场实际历史运行风速、功率，进行初筛处理，去除恒定值和异常值；
[0016](2)以风速为横坐标，功率为纵坐标，对风速进行等间隔划分，得到N个风速段，将功率进行等间隔划分，得到M个功率段，最终得到N*M个网格，以网格中心点坐标点代表该网格，即(V
i
，P
j
)，其中，i＝1，2，...，N；j＝1，2，3，...，M；
[0017](3)统计实际历史功率落在每个网格点的个数Num(i，j)，得到二维的功率密度数空间分布情况，取所有网格的非零功率密度数的中位数记为M
edian
；
[0018](4)当风速小于阈值时，对于该区域内的每个风速段内的最大功率空间密度数所对应的网格，如果该网格对应的功率密度数在其纵向或者横向均为最大值，则记录下该网格的中心坐标；
[0019](5)当风速大于阈值时，对于该区域内的每个风速段V
i
所对应的各功率段P
i
，从高风功率段开始，即j＝M，M-1，...，1，寻找符合以下条件的网格点并记录下该网格点的中心坐标，并进入下一个风速段的寻找；1)Num(i，j)等于该功率段下的最大密度数坐标，并进入下一个风速段的寻找；1)Num(i，j)等于该功率段下的最大密度数为Num(i，j)在i＝1，2，...，N时的最大值；2)Num(i，j)大于密度数的中位数M
edian
；
[0020](6)根据步骤(4)和(5)获取到的坐标点，得到该风电机组的功率曲线。
[0021]更进一步的，步骤(6)中根据坐标点得到功率曲线的生成步骤还包括：
[0022](601)获取到的一组坐标点(V
k
，P
k
)，其中k＝1，2，
…
，q；以风速V
k
从小到大进行排序，将功率递减的坐标点去除，得到一组新的坐标(V
k
，P
k
)，其中k＝1，2，
…
，p；
[0023](602)从0到30m/s，以0.1m/s为间隔构建风速序列，将(V
k
，P
k
)线性插值到新的风速序列上，得到功率曲线B；
[0024](603)将功率曲线B中风速小于K米/秒的功率置为零，K为风机切入风速；
[0025](604)将该组数据中的最大功率值和最大风速值作为额定输出功率和额定风速，大于额定风速的风速对应功率值等于额定输出功率，最终得到该风电机组的功率曲线。
[0026]本专利技术的另一方面，还提供了一种基于高维网格化和LightGBM的风电预测装置，包括：
[0027]提取单元，用于将风电机组或风电场中心坐标位置周围的W个网格点的气象要素
数据提取出来，以每个气象要素的每个网格点作为一个特征量，所述气象要素包括风速、风向、温度、湿度和压强；
[0028]插值单元，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高维网格化和LightGBM的风电预测方法，其特征在于，包括：S1、将风电机组或风电场中心坐标位置周围的W个网格点的气象要素数据提取出来，以每个气象要素的每个网格点作为一个特征量，所述气象要素包括风速、风向、温度、湿度和压强；S2、将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；其中，风向由x方向风速和y方向风速分别线性插值后计算得到；S3、对风电机组或风电场的实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用LightGBM算法，建立预测模型，得到功率预测结果。2.根据权利要求1所述的一种基于高维网格化和LightGBM的风电预测方法，其特征在于，步骤S3中所述得到功率预测结果的具体步骤包括：将获得的有效实际功率数据和对应时间段的多维气象预报数据作为训练数据，调用python库LightGBM算法，网格搜索自动进行参数寻优，建立功率预测模型，得到功率预测结果。3.根据权利要求1所述的一种基于高维网格化和LightGBM的风电预测方法，其特征在于，步骤S3中所述得到功率预测结果的具体步骤包括：将获得的有效实际功率数据所对应的实际风速数据和其对应时间段的多维气象预报数据作为训练数据，调用python库LightGBM算法，网格搜索自动进行参数寻优，建立风速预测模型；将风速预测模型的风速预测结果通过所述基于密度分布的功率曲线转换成功率值，得到功率预测结果。4.根据权利要求1或3所述的一种基于高维网格化和LightGBM的风电预测方法，其特征在于，步骤S3中所述基于密度分布的功率曲线的获取方法包括：(1)采集风电机组或风电场实际历史运行风速、功率，进行初筛处理，去除恒定值和异常值；(2)以风速为横坐标，功率为纵坐标，对风速进行等间隔划分，得到N个风速段，将功率进行等间隔划分，得到M个功率段，最终得到N*M个网格，以网格中心点坐标点代表该网格，即(V
i
，P
j
)，其中，i＝1，2，...，N；j＝1，2，3，...，M；(3)统计实际历史功率落在每个网格点的个数Num(i，j)，得到二维的功率密度数空间分布情况，取所有网格的非零功率密度数的中位数记为M
edian
；(4)当风速小于阈值时，对于该区域内的每个风速段内的最大功率空间密度数所对应的网格，如果该网格对应的功率密度数在其纵向或者横向均为最大值，则记录下该网格的中心坐标；(5)当风速大于阈值时，对于该区域内的每个风速段V
i
所对应的各功率段P
i
，从高风功率段开始，即j＝M，M-1，...，1，寻找符合以下条件的网格点并记录下该网格点的中心坐标，并进入下一个风速段的寻找；1)Num(i，j)等于该功率段下的最大密度数并进入下一个风速段的寻找；1)Num(i，j)等于该功率段下的最大密度数为Num(i，j)在i＝1，2，...，N时的最大值；2)Num(i，j)大于密度数的中位数M
edian
；(6)根据步骤(4)和(5)获取到的坐标点，得到该风电机组的功率曲线。5.根据权利要求4所述的一种基于高维网格化和LightGBM的风电预测方法，其特征在
于，步骤(6)中根据坐标点得到功率曲线的生成步骤还包括：(601)获取到的一组坐标点(V
k
，P
k
)，其中k＝1，2，
…
，q；以风速V
k
从小到大进行排序，将功率递减的坐标点去除，得到一组新的坐标(V
k
，P
k
)，其中k＝1，2，
…
，p；(602)从0到30m/s，以0.1m/s为间隔构建风速序列，将(V
k
，P
k
)线性插值到新的风速序列上，得到功率曲线B；(603)将功率曲线B中风速小于K米/秒的功率置为零，K为风机切入风速；(604)将该组数据中的最大功率值和最大风速值作为额定输出功率和额定风速，大于额定风速的风速对应功率值等于额定输出功率，最终得到该风电机组的功率曲线。6.一种...

【专利技术属性】
技术研发人员：向婕，雍正，吴媛，
申请(专利权)人：国能日新科技股份有限公司，
类型：发明
国别省市：