【技术实现步骤摘要】
一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法
[0001]本专利技术属于机器学习、大数据分析与应用技术及电网技术混合交叉领域,涉及风电输出功率预测及风电场的风电并网,特别涉及一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。
技术介绍
[0002]风电场通过开展风电功率预测来进行电力市场竞价和风电场运行维护,通过风电功率预测系统的预测结果,电网调度部门进行合理的发电计划安排,减少系统的旋转备用容量,提高电网运行的经济性,同时通过提前预测风电功率的波动,合理的安排运行方式和应对措施,提高电网的安全性和可靠性。但是由于目前不同风电场所存有的数据差异,不同形式的风电输出功率预测模型并不完全适用于每一个风电场,且现有预测模型的预测精准度和时效性等无法满足真实的生产生活需要,故根据不同风电场特点需建立相应的高精度风电输出功率预测模型。
技术实现思路
[0003]为了克服上述现有技术的缺点,本专利技术的目的在于提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法,通过P_LSTNet模型的初步预测,并结合k
‑
means++算法与加权Markov chain进行误差值校验修正,提高现有模型预测的精准度,为真实的生产生活需要提供高精度的预测模型支持。
[0004]为了实现上述目的,本专利技术采用的技术方案是:
[0005]一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法,包括如下步骤:
[0
【技术保护点】
【技术特征摘要】
1.一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于,包括如下步骤:步骤1,将风电场中所接收的原始风电数据集采用主成分分析法进行特征提取,并采用时间滑动窗口构建得到初始的风电功率预测输入数据集,所述原始风电数据集包含天气预报数据和历史风电输出功率数据;步骤2,将所述初始的风电功率预测输入数据集输入至P_LSTNet模型中,获得初步的风电输出功率预测值;步骤3,将所述初步的风电输出功率预测值与真实风电输出功率做差,得出每个预测时刻点的预测误差值,并将该预测误差值采用K
‑
means++算法来进行初始聚类的设置,获得聚类中心及聚类集,再采用加权Markov chain进行误差状态估计,将概率值最大的聚类中心值作为误差校验值进行填补,获得风电输出功率的最终预测值。2.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于,所述步骤1中,天气预报数据至少包括温度、湿度以及风速。3.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于,所述步骤2中,利用P_LSTNet模型获得初步的风电输出功率预测值的方法如下:步骤1.1,将所述初始的风电功率预测输入数据集分别输入至P_LSTNet模型中的线性预测部分和非线性预测部分,其中所述非线性预测部分包括循环神经网络和循环跨越神经网络;步骤1.2,将步骤1.1非线性预测中的循环神经网络预测结果与循环跨越神经网络预测结果进行结合,得出非线性预测的初步预测结果;步骤1.3,由步骤1.1得出线性预测中的初步预测结果,并将该预测结果与步骤1.2中非线性预测的初步预测结果进行结合,得出初步的风电输出功率预测值y_hat。4.根据权利要求3所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于,所述P_LSTNet模型的线性预测部分,采用AR进行线性特征提取,以弥补神经网络对时间序列数据中线性部分不敏感的问题。5.根据权利要求3所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于,所述P_LSTNet模型的非线性预测部分,循环神经网络采用CNN+LSTM,循环跨越神经网络采用CNN+LSTM
‑
skip,其中CNN用于提取风电功率预测输入数据集中的短期特征,同时加快预测运算速率,LSTM
‑
skip用于提取相近时刻的特征,并改善内置存储空间小的缺点;通过将非线性部分的两个预测值按照输出维度进行对应连接,并将非线性部分的预测值与线性部分预测值对应元素进行相加,得到初步的风电输出功率的预测值。6.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于,所述步骤3中,利用k
‑
means++算法和加权Markov chain进行误差校验操作,其中k
‑
means++算法的所划分的簇作为加权Markov chain的状态集。7.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法,其特征在于...
【专利技术属性】
技术研发人员:王永生,武煜昊,刘利民,邢红梅,徐昊,
申请(专利权)人:内蒙古工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。