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

本发明专利技术提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。该方法包括基于主成分分析的数据降维方法和时间滑动窗口的输入数据集构建方法，用于对原始风电数据集进行数据降维和构建输入数据集；以及基于P_LSTNet模型的初步风电输出功率预测方法，用于通过输入的初始风电数据预测初步风电输出功率预测值，充分提取原始数据中的短期特征、长期特征及线性特征；以及基于加权Markov和K

【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：
[0006]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(PCA)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；
[0007]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(改进的LSTNet模型)中，获得初步的风电输出功率预测值；
[0008]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。
[0009]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。
[0010]与现有技术相比，本专利技术针对目前实际风电场预测精准度低，无法满足真实生产生活需求的现象，采用P_LSTNet和加权Markov chain的方法，将现有历史天气预报数据和风电输出功率数据进行数据预处理和输入数据集的构建，对初步预测中所存在的误差值进
行校验修正，最终获得高精度的风电输出功率，达到风电场所需的高精度预测模型。采用本专利技术，可极大程度上提高风电输出功率预测的精准度，为电网调度部门和风电场提高提供更精准的预测数据支持。
附图说明
[0011]图1是本专利技术整体流程示意图。
[0012]图2是本专利技术实施例中风电输出功率真实值与风电输出功率校验值的可视化对比示意图。
[0013]图3是本专利技术实施例中风电输出功率真实值与风电输出功率校验值及未校验值的可视化对比示意图。
具体实施方式
[0014]下面结合附图和实施例详细说明本专利技术的实施方式。
[0015]本专利技术为一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，通过改进的P_LSTNet模型进行风电输出功率的初步预测，并计算该初步预测值与真实风电输出功率值之间的误差值。使用k
‑
means++算法对历史误差数据集进行聚类初始状态划分，并采用加权马尔科夫链进行误差状态校正，将所预测的误差状态所处的聚类中心值作为校正值填补至初步预测值中，得到最终风电输出功率预测值。参考图1，其具体步骤如下：
[0016]步骤1，将风电场中所接收的原始风电数据集(含天气预报数据和历史风电输出功率数据)采用主成分分析法(PCA)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。
[0017]其中，原始风电数据处理方法如下：
[0018]步骤1.1，原始风电数据包含天气预报中的温度、湿度、风速等数据信息及历史风电输出功率数据信息。由于原始风电数据维数较多，增加后期预测运算时间，因此在尽可能保存原有风电时序特征的同时，采用主成分分析法进行数据降维操作，并采用时间滑动窗口进行初始的风电功率预测输入数据集的构建。
[0019]步骤2，将初始的风电功率预测输入数据集输入至P_LSTNet模型(改进的LSTNet模型)中，获得初步的风电输出功率预测值。具体方法如下：
[0020]步骤2.1，将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，其中非线性预测部分包括循环神经网络和循环跨越神经网络；
[0021]步骤2.2，将步骤2.1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；
[0022]步骤2.3，由上述步骤2.1得出线性预测中的初步预测结果，并将该预测结果与步骤2.2中非线性预测的初步预测结果进行结合，得出，得出初步的风电输出功率预测值。
[0023]具体的，P_LSTNet模型中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。该模型中非线性预测部分中，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用于提取相近时刻的特征，但由于
LSTM中内置存储空间小的缺点，采用LSTM
‑
skip可以很好的改善这一不足，能够改善内置存储空间小的缺点。通过将非线性部分的两个初步预测值按照输出维度进行连接，并将非线性部分的输出值与线性部分预测值按照对应元素进行相加，得到初步风电输出功率的预测值。
[0024]步骤3，将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。具体方法如下：
[0025]步骤3.1，将步骤2.3中所获得的初步的风电输出功率预测值与真实风电输出功率做差，得到由每个预测时刻点的预测误差值构成的误差数据集。误差计算如下式所示：
...

【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：