基于多目标协同训练和NWP隐式校正的风电功率预测方法技术

本发明专利技术提供了一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，该方法以实测风电功率为最终输出，实测气象数据为隐层输出，通过多目标损失函数协同训练网络，使得模型同时具备风电功率预测和气象预测能力。本发明专利技术模型网络在优化训练时，不仅优化了风电功率及实测气象对应NWP输入的误差，还同时优化了风电功率对应隐含层输出NWP校正结果的误差，避免二步预测法可能失效的问题。此外，本发明专利技术方法仅采用一个网络同时实现NWP的隐式校正和功率预测，避免二次计算，节省了计算储存成本，通过NWP校正可改善预测性能。通过NWP校正可改善预测性能。通过NWP校正可改善预测性能。

【技术实现步骤摘要】
基于多目标协同训练和NWP隐式校正的风电功率预测方法


[0001]本专利技术属于风电功率预测
，具体涉及一种基于多目标协同训练和NWP隐式校正的风电功率预测方法。

技术介绍

[0002]随着新能源的迅速发展，如何建设新型电力系统，实现高比例新能源并网已经成为大家的研究热点，同时这也是实现双碳战略目标的必经路径；风电当前在新能源中占比最高，同时也是未来新能源的主体。根据国家能源局的统计信息，截至2021年11月29日，我国风电并网装机容量已突破3亿千瓦大关，是2020年底欧盟风电总装机的1.4倍，是美国的2.6倍，连续12年稳居世界第一。但随着风电装机容量的不断增加，电网中风电比例日益提高，新的风电问题不断产生并亟需解决，因此需要研究更高精度的风电功率预测技术。
[0003]风电功率预测一般分为超短期预测、短期预测和中长期预测，超短期预测主要帮助优化调频旋转储备能力，短期预测则主要用于电网的调度，而中长期预报时长从几天到几周甚至几个月不等，预测结果可为风电场设备维护与调试提供计划，也可为风电场的建设可行性提供评估数据。目前，短期、超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标协同训练和NWP隐式校正的风电功率预测方法，包括如下步骤：(1)采集目标区域过去一段时间内的风电场数据，包括风电功率实测数据、NWP数据以及气象实测数据；(2)对上述三类数据进行预处理，从而得到大量以时间序列形式的数据样本，每组数据样本包含固定长度时间对应的风电功率实测数据序列、NWP数据序列以及气象实测数据序列；(3)将所有数据样本分成训练集和测试集；(4)搭建基于神经网络的预测模型，其采用多层的前向神经网络，包括输入层、隐含层和输出层，其中输入层的神经元数量为NWP气象特征的数量，中间隐含层通过非线性激活函数及嵌套运算对NWP数据进行特征提取，输出层作为风电功率的预测输出；(5)利用训练集样本中的NWP数据序列作为模型输入，风电功率实测数据序列和气象实测数据序列作为真值标签，对网络模型进行训练；(6)将测试集样本中的NWP数据序列输入训练好的预测模型中，即可直接输出得到风电功率和气象的预测结果。2.根据权利要求1所述的风电功率预测方法，其特征在于：所述风电功率实测数据和气象实测数据由风电场的SCADA系统采集获得，NWP数据从相关第三方公司获得；所述NWP数据每日更新且提供未来7日的预测数据，步骤(1)中采集的NWP数据取每日数据更新时间点未来24小时的数据，以提高NWP数据质量。3.根据权利要求1所述的风电功率预测方法，其特征在于：所述步骤(2)的具体实施方式为：首先将三类数据以24小时为固定长度分成多段，每段中的数据值以15分钟为间隔，整合成时间序列的形式；然后识别数据序列中重复值、异常值以及因清洗风电机组造成空值，进而采用相关性分析对这些值进行替换或填充；最后对所有数据序列进行归一化，即将序列中的数据值统一映射到[0，1]区间上。4.根据权利要求1所述的风电功率预测方法，其特征在于：采集目标区域过去一年内的风电场数据，将前9个月的数据样本作为训练集，后3...

【专利技术属性】
技术研发人员：宋家康，孙海霞，伏祥运，王华雷，岳付昌，杨宏宇，张志福，李闯，许其楼，
申请(专利权)人：国网江苏省电力有限公司连云港供电分公司，
类型：发明
国别省市：