考虑功率时序及气象相依特性的风电功率预测方法及系统技术方案

本发明专利技术属于风电功率预测技术领域，其解决了无法直接参照超短期预测将历史若干时刻实测风电功率作为预测模型输入的问题，提供一种考虑功率时序及气象相依特性的风电功率预测方法及系统。其中该方法包括得到预设区域高时空分辨率的网格化数值气象预报结果；基于网格化数值气象预报结果及训练完成的连续条件随机场模型，得到日前风电功率预测结果；连续条件随机场模型包括连续条件随机场的一元势函数模型和二元势函数模型；一元势函数模型用于初步预测出日前风电功率序列；二元势函数模型用于基于特征相似性来调整量化表征的初步预测的日前风电功率序列进行调整，得到最终的日前风电功率预测结果。其能够实现准确的日前风电功率预测。电功率预测。电功率预测。

【技术实现步骤摘要】
考虑功率时序及气象相依特性的风电功率预测方法及系统


[0001]本专利技术属于风电功率预测
，尤其涉及一种考虑功率时序及气象相依特性的风电功率预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]风力发电具备较强的间歇性和波动性，随着电力系统中风力发电渗透率不断提升，势必影响到电力系统运行可靠性和经济性。准确的风电功率预测在一定程度上可以缓解大规模风电并网带来的负面影响，高精度风电功率预测方法及系统已成为集中式风电场并网的必要条件。
[0004]目前风电功率预测方法主要分为物理方法和统计方法两类。物理方法适用于气象观测数据和运行数据积累欠缺的新建风电场，该模型依赖于数值天气预报信息、风电场附近的地形信息以及风电场的理论功率
‑
风速转换曲线。对于拥有大量历史积累数据的风电场，统计方法通常具有更好的表现。随着人工智能技术的发展，机器学习、深度学习等新型统计方法逐渐成为风电功率预测的主流方法，此类方法通过非线性建模技术，构建功率及其相依特征的高维非线性映射关系，进而准确预测风电功率。在超短期15分钟至4小时时间尺度内，风电功率具有一定的时序惯性，因此除了待预测时刻的数值天气预报信息，历史若干时刻的实测功率通常也是一项重要输入信息。持续性模型、自回归分析及其衍生模型等时序模型、以及气象和历史功率作为输入特征的机器学习及深度学习模型，是超短期风电功率预测的常用方法。
[0005]随着预测尺度的延伸，风电功率的时序惯性逐渐减弱，简单将历史若干时刻实测功率作为预测模型输入无益于精度进一步提升，因此日前风电功率预测主要从构建数值天气预报数据到风电功率数据的高维非线性关系上出发提升预测精度，如使用先进的预测模型，如人工神经网络、支持向量机、长短期记忆神经网络、随机森林，高斯过程等；对数值天气预报进行误差统计后修正；包括对风速进行频域分解；对天气类型进行聚类分析等；使用多成员集合数值天气预报数据。以上所述均是为了使数值天气预报和风电功率的非线性关系更加显著，或使预测模型能更好地建模高维非线性关系。
[0006]从超短期预测类比来看，在日前风电功率预测方法中合理地考虑风电功率的时序信息也是进一步提升日前风电功率预测精度的有效手段。然而专利技术人发现，日前风电功率待预测时刻与当前时刻相隔时间长，直接参照超短期预测将历史若干时刻实测风电功率作为预测模型的输入并不能提高日前风电功率预测结果的准确性。

技术实现思路

[0007]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种考虑功率时序及气象相依特性的风电功率预测方法及系统，其利用大尺度数值天气预报产品驱动中尺度数值天
气预报模式WRF模式获得风电场区域高时空分辨率数值天气预报结果，然后采用连续条件随机场算法，利用双向长短期记忆神经网络对算法中的一元势函数进行建模，构建数值气象和功率的高维非线性关系，利用两个高斯核函数对算法中的二元势函数进行建模，量化表征风电功率的时序信息，最终利用平均场理论对连续条件随机场进行端到端模型训练，实现准确的日前风电功率预测。
[0008]为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供一种考虑功率时序及气象相依特性的风电功率预测方法，其包括：基于风电场区域数值天气预报系统，得到预设区域高时空分辨率的网格化数值气象预报结果；基于网格化数值气象预报结果及训练完成的连续条件随机场模型，得到日前风电功率预测结果；其中，所述连续条件随机场模型包括连续条件随机场的一元势函数模型和二元势函数模型；所述一元势函数模型基于网格化数值气象预报结果所构成的气象特征序列，初步预测出日前风电功率序列；所述二元势函数模型用于对初步预测的日前风电功率序列进行量化表征，基于特征相似性来调整量化表征的初步预测的日前风电功率序列进行调整，得到最终的日前风电功率预测结果。
[0009]作为一种实施方式，采用双向长短期记忆神经网络对所述一元势函数进行建模，构建数值气象和风电功率的高维非线性关系。
[0010]作为一种实施方式，采用两个不同的高斯核函数对所述二元势函数进行建模，对风电功率的时序规律进行量化表征。
[0011]作为一种实施方式，其中第一个高斯核设置的目的是为了让具有相似特征的两个时刻的功率越相近，第二个高斯核设置的目的是让临近时刻的两个时刻的功率在数值上相近。
[0012]作为一种实施方式，采用平均场理论构建连续条件随机场的端到端的训练方式，基于训练数据集采用RMSprop优化算法对一元势函数以及二元势函数的参数进行优化。
[0013]本专利技术的第二个方面提供一种考虑功率时序及气象相依特性的风电功率预测系统，其包括：气象预报结果获取模块，其用于基于风电场区域数值天气预报系统，得到预设区域高时空分辨率的网格化数值气象预报结果；日前风电功率预测模块，其用于基于网格化数值气象预报结果及训练完成的连续条件随机场模型，得到日前风电功率预测结果；其中，所述连续条件随机场模型包括连续条件随机场的一元势函数模型和二元势函数模型；所述一元势函数模型基于网格化数值气象预报结果所构成的气象特征序列，初步预测出日前风电功率序列；所述二元势函数模型用于对初步预测的日前风电功率序列进行量化表征，基于特征相似性来调整量化表征的初步预测的日前风电功率序列进行调整，得到最终的日前风电功率预测结果。
[0014]作为一种实施方式，在所述日前风电功率预测模块中，采用双向长短期记忆神经网络对所述一元势函数进行建模，构建数值气象和风电功率的高维非线性关系。
[0015]作为一种实施方式，在所述日前风电功率预测模块中，采用两个不同的高斯核函数对所述二元势函数进行建模，对风电功率的时序规律进行量化表征。
[0016]作为一种实施方式，其中第一个高斯核设置的目的是为了让具有相似特征的两个时刻的功率越相近，第二个高斯核设置的目的是让临近时刻的两个时刻的功率在数值上相近。
[0017]作为一种实施方式，采用平均场理论构建连续条件随机场的端到端的训练方式，基于训练数据集采用RMSprop优化算法对一元势函数以及二元势函数的参数进行优化。
[0018]与现有技术相比，本专利技术的有益效果是：（1）本专利技术提出了一种基于连续条件随机场的日前风电功率预测框架，相比常规的日前风电功率预测方法，可以在充分挖掘气象功率高维非线性关系的基础上，同时量化表征风电功率的时序规律，进而增加模型可利用的有效信息，提升日前风电功率预测精度。
[0019]（2）本专利技术采用双向长短期记忆神经网络构建连续条件随机场算法中的一元势函数，避免了传统循环神经网络在长时间序列情况下的梯度爆炸的问题，同时可以在正向和反向两方面充分挖掘输入序列的时序相关关系，更精准地构建气象和功率的高维非线性关系。
[0020]（3）本专利技术提出了一种端到端的连续条件随机场训练方法，采用平均场理论对实际的概率分布进行近似化处理，利用反向误差传播进行端到端的模型训练，大大降低了连续本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑功率时序及气象相依特性的风电功率预测方法，其特征在于，包括：基于风电场区域数值天气预报系统，得到预设区域高时空分辨率的网格化数值气象预报结果；基于网格化数值气象预报结果及训练完成的连续条件随机场模型，得到日前风电功率预测结果；其中，所述连续条件随机场模型包括连续条件随机场的一元势函数模型和二元势函数模型；所述一元势函数模型基于网格化数值气象预报结果所构成的气象特征序列，初步预测出日前风电功率序列；所述二元势函数模型用于对初步预测的日前风电功率序列进行量化表征，基于特征相似性来调整量化表征的初步预测的日前风电功率序列进行调整，得到最终的日前风电功率预测结果。2.如权利要求1所述的考虑功率时序及气象相依特性的风电功率预测方法，其特征在于，采用双向长短期记忆神经网络对所述一元势函数进行建模，构建数值气象和风电功率的高维非线性关系。3.如权利要求1所述的考虑功率时序及气象相依特性的风电功率预测方法，其特征在于，采用两个不同的高斯核函数对所述二元势函数进行建模，对风电功率的时序规律进行量化表征。4.如权利要求3所述的考虑功率时序及气象相依特性的风电功率预测方法，其特征在于，其中第一个高斯核设置的目的是为了让具有相似特征的两个时刻的功率越相近，第二个高斯核设置的目的是让临近时刻的两个时刻的功率在数值上相近。5.如权利要求1所述的考虑功率时序及气象相依特性的风电功率预测方法，其特征在于，采用平均场理论构建连续条件随机场的端到端的训练方式，基于训练数据集采用RMSprop优化算法对一元势函数以及二元势函数的参数进行优化。6.考虑功率时序及气象相依特性的风电功率预测系统，其特征在于，包括：气象...

【专利技术属性】
技术研发人员：杨明，李梦林，于一潇，李鹏，张玉敏，
申请(专利权)人：山东大学，
类型：发明
国别省市：