一种基于高斯过程回归的风电功率预测方法技术

一种基于高斯过程回归的风电功率预测方法，建立目标风力发电机风电功率预测模型，获取历史数据，获得的目标风力发电机处风速、风向、温度、气压、湿度数据的环境场数据，代入风力发电机的出力模型，从而获得目标风力发电机的N组风力功率数据，实现对风电功率的预测；本发明专利技术通过对区域内风力发电机历史数据进行插值，获取目标风机的环境场，并采用高斯过程回归，获取发电机风电功率预测模型，从而为小样本数据下的风电功率预测提供有效手段。本数据下的风电功率预测提供有效手段。本数据下的风电功率预测提供有效手段。

【技术实现步骤摘要】
一种基于高斯过程回归的风电功率预测方法


[0001]本专利技术属于风电功率预测
，特别是涉及一种基于高斯过程回归的风电功率预测方法。

技术介绍

[0002]我国的风能资源分布广泛，近年来得到了广泛关注和大力发展。然而由于风的波动性极强，风电出力不稳定，日均出力峰谷间差距极大，产生的风电无法及时消纳，极易造成“弃风限电”现象，造成能源的大量浪费。
[0003]考虑电力系统的安全稳定运行需要实现能量实时平衡，但风能出力受外界环境影响大，有必要对风电功率进行准确预测，利用预测数据提高系统的调度能力，可有效地减少储能设备、灵活调节源端的投资。因此，对风电功率进行准确预测，可以提高电网接纳随机性的风力发电的能力，降低风电并网时风电波动性为电网稳定性带来的冲击，帮助电力部门制定更合理的调度计划，减少弃风限电现象，大大提高能源的利用效率。
[0004]在实际情况下，由于场源建立时间短、历史样本数据存储不当等问题，常常导致样本数量小，难以建立场源的有效预测模型，或者预测的准确度难以保证。低效的风电功率预测会直接影响到并网时的稳定性和安全性，可能会导致大量弃风现象，造成大量能源的浪费。
[0005]合肥工业大学论文《基于数据挖掘与非线性分位数回归的风电功率概率密度预测方法》将支持向量机和分位数回归相结合，对风电功率的非线性关系进行了较好的拟合，然而该方法对数据量要求较大，难以适应于历史样本数据较少的情况。因此，有必要建立一种基于相关场源数据的风电功率预测模型，提高小样本情况下的预测准确性。
专利技术内容
[0006]为了克服上述现有技术的缺陷，本专利技术的目的在于公开一种基于高斯过程回归的风电功率预测方法，通过对区域内风力发电机历史数据进行插值，获取目标风机的环境场，并采用高斯过程回归获取发电机风电功率预测模型，从而为小样本数据下的风电功率预测提供有效手段。
[0007]为了达到上述目的，本专利技术的技术方案如下：
[0008]一种基于高斯过程回归的风电功率预测方法，包括以下步骤：
[0009](1)、建立输入变量为风速、风向、温度、气压、湿度，输出变量为风电功率的目标风力发电机风电功率预测模型：
[0010]Y＝F(X1,X2,...,X5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0011]其中：Y是风电功率预测变量；X1，X2,
…
,X5分别代表目标风力发电机处风速、风向、温度、气压、湿度影响因素变量；
[0012](2)、设目标风力发电机区域内共有n台具有充分历史风电出力数据的风力发电机，其历史数据集分别为D1，D2，
…
，D
n
，样本量为N，其中D
i
＝{X
i1
,X
i2
,
…
,X
i5
,Y
i
}，i＝1,2,
…
,
n；X
i1
,X
i2
,
…
,X
i5
分别表示区域附近第i台风力发电机处历史风速、风向、温度、气压、湿度数据，且Y
i
表示区域附近第i 台风力发电机处历史风电功率数据，且Y
i
＝[y
i1
,y
i2
,
…
,y
iN
]；
[0013](3)、设区域内的所有风力发电机的出力模型F(
·
)一致，将历史数据集D1，D2，
…
，D
n
融合为D
A
＝{X
A1
,X
A2
,
…
,X
A5
,Y
A
}并作为模型训练数据集，其中输入变量数据为}并作为模型训练数据集，其中输入变量数据为输出变量数据为Y
A
＝{Y1,Y2,
…
,Y
n
}，Y
i
＝[y
i1
, y
i2
,
…
,y
iN
]；基于输入变量数据、输出变量数据和融合数据集D
A
，采用高斯过程回归方法建立风力发电机的出力模型F(
·
)，即输入变量为风速、风向、温度、气压、湿度影响因素，输出变量为风电发电功率；
[0014](4)、基于目标风力发电机区域内的n台风电数据集E1，E2，
…
， E
n
，其中E
i
＝{S
i
,X
i1
,X
i2
,
…
,X
i5
}，S
i
为第i台风力发电机的位置变量，也是环境场插值函数的输入变量，为输出变量；针对N组历史数据分别采用高斯过程回归模型建立N个环境场的插值函数G
m
(
·
)，m＝1,2,
…
,N，对目标风力发电机处的风速、风向、温度、气压、湿度数据插值N次获得N个状态下的目标风力发电机位置处的环境场数据E分布规律；
[0015](5)、基于已获得的目标风力发电机处风速、风向、温度、气压、湿度数据的环境场数据E＝{X1,X2,
…
,X5}，代入步骤(4)的风力发电机的出力模型F(
·
)，从而获得目标风力发电机的风力功率预测。
[0016]步骤(3)中所述的采用高斯过程回归方法具体为：
[0017]高斯过程回归以高斯过程为模型先验，通过对均值函数和协方差函数的确定来表示，即式(2)，其中均值函数表示对目标函数的代理模型，协方差函数表示模型的不确定度：
[0018][0019]其中，m(x)＝E[f(x)]为均值函数；为协方差函数；
[0020]先验均值函数表示为一组基函数线性组合：
[0021]m(x)＝s
T
(x)β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0022]其中，s
T
(x)＝[s1(x),s2(x),...,s
p
(x)]为基函数组成的向量；β为p
×
1 的回归参数向量；先验均值函数取0；
[0023]协方差函数确定样本间的相互依赖关系，采用核函数表示，表达式为：
[0024][0025]其中，σ2为方差参数；为相关核，θ为参数向量；
[0026]协方差函数有平方指数协方差函数、Matern 3/2协方差函数、 Matern 5/2协方差函数，分别表示如下：
[0027](1)平方指数协方差函数
[0028][0029]其中，θ为尺度参数，代表观测点之间距离的依赖程度；
[0030](2)Matern 3/2协方差函数
[0031本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高斯过程回归的风电功率预测方法，其特征在于，包括以下步骤：(1)、建立输入变量为风速、风向、温度、气压、湿度，输出变量为风电功率的目标风力发电机风电功率预测模型：Y＝F(X1,X2,...,X5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中：Y是风电功率预测变量；X1，X2,
…
,X5分别代表目标风力发电机处风速、风向、温度、气压、湿度影响因素变量；(2)、设目标风力发电机区域内共有n台具有充分历史风电出力数据的风力发电机，其历史数据集分别为D1，D2，
…
，D
n
，样本量为N，其中D
i
＝{X
i1
,X
i2
,
…
,X
i5
,Y
i
}，i＝1,2,
…
,n；X
i1
,X
i2
,
…
,X
i5
分别表示区域附近第i台风力发电机处历史风速、风向、温度、气压、湿度数据，且j＝1,2,
…
,5；Y
i
表示区域附近第i台风力发电机处历史风电功率数据，且Y
i
＝[y
i1
,y
i2
,
…
,y
iN
]；(3)、设区域内的所有风力发电机的出力模型F(
·
)一致，将历史数据集D1，D2，
…
，D
n
融合为D
A
＝{X
A1
,X
A2
,
…
,X
A5
,Y
A
}并作为模型训练数据集，其中输入变量数据为j＝1,2,
…
,5，输出变量数据为Y
A
＝{Y1,Y2,
…
,Y
n
}，Y
i
＝[y
i1
,y
i2
,
…
,y
iN
]；基于输入变量数据、输出变量数据和融合数据集D
A
，采用高斯过程回归方法建立风力发电机的出力模型F(
·
)，即输入变量为风速、风向、温度、气压、湿度影响因素，输出变量为风电发电功率；(4)、基于目标风力发电机区域内的n台风电数据集E1，E2，
…
，E
n
，其中E
i
＝{S
i
,X
i1
,X
i2
,
…
,X
i5
}，S
i
为第i台风力发电机的位置变量，也是环境场插值函数的输入变量，为输出变量；针对N组历史数据分别采用高斯过程回归模型建立N个环境场的插值函数G
m
(
·
)，m＝1,2,
…
,N，对目标风力发电机处的风速、风向、温度、气压、湿度数据插值N次获得N个状态下的目标风力发电机位置处的环境场数据E分布规律；(5)、基于已获得的目标风力发电机处风速、风向、温度、气压、湿度数据的环境场数据E＝{X1,X2,
…
,X5}，代入步骤(4)风力发电机的出力模型F(
·
)，从而获得目标风力发电机的风力功率预测。2.根据权利要求1所述的一种基于高斯过程回归的风电功率预测方法，其特征在于，步骤(3)中所述的采用高斯过程回归方法具体为：高斯过程回归以高斯过程为模型先验，通过对均值函数和协方差函数的确定来表示，即式(2)，其中均值函数表示对目标函数的代理模型，协方...

【专利技术属性】
技术研发人员：霍超，陈宇浩，吴俊玲，段乃欣，荣秀婷，谢彦召，张健，董雪涛，齐步洋，
申请(专利权)人：西安交通大学中国电力科学研究院有限公司，
类型：发明
国别省市：