计及NWP风速横纵向误差的RDPG风速修正方法技术

本发明专利技术公开了计及NWP风速横纵向误差的RDPG风速修正方法，基于加权欧式距离相似度，划分各个NWP风速待修正点差异化最优超前/滞后时序相关区间，反映了横向误差对NWP风速修正的潜在影响；采用区间统计特征代替NWP原始气象特征作为模型输入，并基于SHAP理论实现非一致性时序区间NWP气象特征评估，获取对模型具有正向增益的特征，降低了模型的复杂度；基于RDPG的NWP风速修正模型，降低不同NWP风速波动水平下预测风速的横纵向误差，增强模型的泛化能力和处理非线性数据的能力；解决了传统机器学习算法缺乏自适应能力，导致不同波动水平下NWP风速误差修正能力不足，影响多时间尺度下风电功率预测精度的问题。下风电功率预测精度的问题。下风电功率预测精度的问题。

【技术实现步骤摘要】
计及NWP风速横纵向误差的RDPG风速修正方法


[0001]本专利技术属于风电功率预测
，具体涉及计及NWP风速横纵向误差的RDPG风速修正方法。

技术介绍

[0002]风电逐步由小规模、补充性电源向主力电源过渡。然而，受风资源时变特性的影响，风电具有较强的波动性、间歇性和不确定性。随着风电装机规模的持续扩大，高比例风电接入给电网调度、电力系统运行的安全性和稳定性等方面带来了挑战。风速准确预测可以使电力调度机构及时优化风电场运行，是减轻风电并网不利影响的有效途径，对提升风电功率预测精度和电网稳定运行具有重要意义。
[0003]NWP气象数据是风电功率预测模型的关键输入，其中，NWP风速是NWP应用于风电功率预测的重要基础。张等人采用多元时间序列聚类算法和Seq2Seq深度学习算法，通过输入NWP数据与风电场历史实测数据，对风电功率进行预测。卢等人采用特征提取技术挖掘NWP和历史风电数据非线性特征，建立基于方差权重分配策略的风电功率组合预测模型。王等人考虑风电集群内各风电场NWP风速在时间序列上的差异化波动，提出基于双向长短期记忆算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，具体按照以下步骤实施：步骤1、根据NWP气象数据与历史气象数据，计算加权欧式距离相似度，通过加权欧式距离相似度将NWP气象数据划分为多个时序区间，每个时序区间作为输入特征提取区间；步骤2、构建RDPG风速修正模型，基于SHAP理论，确定输入特征提取区间中气象特征重要度排序，剔除对NWP风速修正有负面影响的特征，得到由剩余气象特征组成的训练NWP气象数据；步骤3、采用长短时记忆算法来表示RDPG风速修正模型中Critic网络，建立基于循环确定性策略梯度的RDPG风速修正模型，通过训练NWP气象数据、历史气象数据对NWP风速修正模型进行训练，得到训练完整的RDPG风速修正模型；步骤4、向训练完整的NWP风速修正模型中输入待修正点的nwp区间统计特征和历史气象数据，输出修正后的风速。2.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤1具体过程为：步骤1.1、设NWP气象数据为NWP风速待修正点的气象参数特征向量X＝[V,D,T,H,P]，其中V、D、T、H、P分别为该点的风速、风向、温度、湿度、压强，将不同时刻的NWP风速的气象参数特征向量作为一个样本点；步骤1.2、对NWP风速的气象参数特征向量进行归一化处理，设处理后的第i个样本点的气象参数特征向量为Xi＝[V(i),T(i),D(i),H(i),P(i)]，则归一化后的NWP风速待修正点气象参数特征向量为X0＝[V0(i),T0(i),D0(i),H0(i),P0(i)]，计算归一化后第i个NWP风速样本点与该待修正点的气象参数特征向量的加权欧式距离相似度为：式中：m为气象参数的数量；ω
j
为第j个气象参数的权重；j为气象参数的序号；n为样本点的个数；步骤1.3、加权欧式距离相似度的取值范围为(0,1)，越靠近1表示两点的相关性越强，设置样本最优时序区间边界点阈值D0为0.8；步骤1.4、基于熵权法确定各气象参数的权重，设有n个历史日样本数据，每个样本有m个的气象参数，形成n
×
m阶数据矩阵A＝[z
ij
]
n
×
m
，其中z
ij
表示第i个历史日中第j个气象参数的数值，第j个气象参数的熵为式(2)：式中：当b
ij
＝0时，设b
ij
lnb
ij
＝0，则第j个气象参数的权重为：
式中：ω
j
∈[0,1]，则步骤1.5、通过加权欧式距离相似度划分NWP气象数据，得到NWP风速待修正点超前/滞后时序区间，即为输入特征提取区间。3.根据权利要求2所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，所述加权欧式距离相似度S表示为：S＝S
i
·
ω
i
ꢀꢀ
(4)。4.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤2中所述输入特征提取区间中气象特征包括风速平均值、风速最大值、风速最小值、风向平均值、温度平均值、湿度平均值、气压平均值。5.根据权利要求1所述计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，步骤2具体过程为：步骤2.1、构建RDPG风速修正模型，计算一个气象特征加入到RDPG风速修正模型当中的边际贡献；步骤2.2、计算不同输入特征提取区间中同一气象特征的边际贡献；步骤2.3、计算同一气象特征所有边际贡献的均值，即对应的Shapley值，计算方法如式(4)，(5)所示，设f(x)为RDPG风速修正模型，g(x)为用于解释模型评估结果的加性器，取x
i
为某一气象特征，计算某一气象特征的边际贡献的均值则有：征，计算某一气象特征的边际贡献的均值则有：式中：φ0为模型预测基准值；φ
i
为第i个特征的Shapley值；n为特征总数；{x1,x2,
…
,x
n
}为所有输入特征的集合；S为集合{x1,x2,

【专利技术属性】
技术研发人员：黄南天，戴千斌，王日俊，蔡国伟，郭玉，赵暄远，扈磊，王圣元，刘洋，孙赫宏，武靖涵，胡晨晗，王鹤霏，王歆然，王昊，于高缘，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：