一种考虑气象波动自适应匹配的风电功率预测方法及系统技术方案

本公开属于风电功率预测技术领域，具体涉及一种考虑气象波动自适应匹配的风电功率预测方法及系统，包括：获取风电场的天气预报数据；聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。功率预测。功率预测。

【技术实现步骤摘要】
一种考虑气象波动自适应匹配的风电功率预测方法及系统


[0001]本公开属于风电功率预测
，具体涉及一种考虑气象波动自适应匹配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公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着全球对能源的需求急剧增加，新能源逐渐替代传统的化石能源成为社会未来能源的基础；其中，风能具有蕴量巨大、分布广泛、利用技术成熟等优点，是国际公认的最具有大规模开发和商业化潜力的可再生能源之一。合理地开发利用风能具有十分重要的意义。但风能具有的强波动性、随机性和间歇特性等特点，导致风电接入电网时会产生很大的不确定性，会给电力系统安全运行带来严重危害。精准的风电功率预测十分重要，风电功率预测技术不仅能够有效提高电力系统对风电的消纳能力，而且具有重要的理论价值与实际意义。
[0004]风电场风电功率预测的输入主要为数值天气预报(NWP)数据，包括风速、风向、气压、温度等气象因素。大部分的风功率预测方法使用时间序列法，人工神经网络，深度学习方法等进行建模预测，且预测模型的输入一般为特定高度的风速或典型气象因素。目前面向天气类型的预测方法能够有效提高风电功率预测精度。此外，风电功率预测模型大多采用单一模型和定权重的组合预测模型，而风能的随机性、间歇性使单一预测模型和定权重组合模型很难完全描述其波动规律，导致预测误差较高。

技术实现思路

[0005]为了解决上述问题，本公开提出了一种考虑气象波动自适应匹配的风电功率预测方法及系统，自适应辨识气象类型变化情况，建立不同天气类型下的变权重组合风电功率预测模型，充分利用不同模型的优势，可以有效降低预测误差，实现风电功率短期预测。
[0006]一种考虑气象波动自适应匹配的风电功率预测方法，包括：
[0007]获取风电场的天气预报数据；
[0008]聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；
[0009]根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；
[0010]其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。
[0011]作为进一步的技术限定，使用模糊C均值聚类算法进行分析，聚类得到不同的天气类型；具体的，通过优化目标函数得到每个样本点对所有类中心的隶属度，通过所得到的隶
属度完成对样本数据的分类，得到不同的天气类型。
[0012]进一步的，所述目标函数J
m
为其中，N表示样本数；C表示聚类中心数；μ
ij
表示隶属度矩阵，即样本x
i
对聚类中心C
j
的隶属度；m表示超参数；x
i
表示第i个样本；C
j
表示第j个聚类中心；||*||表示数据相似性度量。
[0013]进一步的，所述隶属度矩阵表示每个样本点属于每个类的程度；计算使得所述目标函数最小的聚类中心，完成对样本数据的分类，得到不同的天气类型；其中，隶属度矩阵μ
ij
为第j个聚类中心C
j
为
[0014]作为进一步的技术限定，在组合预测模型中，采用线性递减权值的粒子群算法进行各个子模型权重的寻优。
[0015]作为进一步的技术限定，优化调节每个子模型的权重的过程为：
[0016]获取各个预测子模型预测结果的归一化平均绝对误差的值，得到预测结果的适应度；
[0017]采用粒子群优化算法进行所得到适应度的寻优，更新适应度；
[0018]当满足最大迭代次数或者收敛时，得到最优适应度值和最优位置，得到每个子模型的最优权重。
[0019]作为进一步的技术限定，通过相关系数分析所获取风电场的天气预报数据与风电功率之间的相关性，所得到的相关系数越大，则表示天气预报数据与风电功率之间的相关性越强。
[0020]根据一些实施例，本公开的第二方案提供了一种考虑气象波动自适应匹配的风电功率预测系统，采用如下技术方案：
[0021]一种考虑气象波动自适应匹配的风电功率预测系统，包括：
[0022]获取模块，其被配置为获取风电场的天气预报数据；
[0023]聚类模块，其被配置为聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；
[0024]预测模块，其被配置为根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；
[0025]其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。
[0026]根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
[0027]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的考虑气象波动自适应匹配的风电功率预测方法中的步骤。
[0028]根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
[0029]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的考虑气象波动自适应匹配的
风电功率预测方法中的步骤。
[0030]与现有技术相比，本公开的有益效果为：
[0031]本公开针对直接采用数值天气预报初值进行预测会导致预测数据不准确、精度不高的问题，通过挖掘气象的特征，对不同的气象类型进行划分，有针对性的进行预测；利用模糊C均值聚类算法对天气类型进行聚类，可以使错综复杂的数据呈现一定的规律性和分类性；通过自适应辨识气象类型变化情况，建立不同天气类型下的动态变权重组合风电功率预测模型，可以及时对预测结果进行调整，使模型组合随时保持最佳状态，有效提高预测精度；利用组合模型能充分有效的利用单项模型的信息，且消除单一预测产生的较大偏差，使预测结果更加精确。利用粒子群优化算法对组合预测中子模型权重进行优化，来提高预测精度。
附图说明
[0032]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0033]图1是本公开实施例一中的考虑气象波动自适应匹配的风电功率预测方法的流程图；
[0034]图2是本公开实施例一中的基于自适应动态匹配的不同气象波动过程下的风电功率预测的流程图；
[0035]图3是本公开实施例一中的不同气象要素与风电功率之间的相关系数图；
[0036]图4是本公开实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑气象波动自适应匹配的风电功率预测方法，其特征在于，包括：获取风电场的天气预报数据；聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。2.如权利要求1中所述的一种考虑气象波动自适应匹配的风电功率预测方法，其特征在于，使用模糊C均值聚类算法进行分析，聚类得到不同的天气类型；具体的，通过优化目标函数得到每个样本点对所有类中心的隶属度，通过所得到的隶属度完成对样本数据的分类，得到不同的天气类型。3.如权利要求2中所述的一种考虑气象波动自适应匹配的风电功率预测方法，其特征在于，所述目标函数J
m
为其中，N表示样本数；C表示聚类中心数；μ
ij
表示隶属度矩阵，即样本x
i
对聚类中心C
j
的隶属度；m表示超参数；x
i
表示第i个样本；C
j
表示第j个聚类中心；||*||表示数据相似性度量。4.如权利要求3中所述的一种考虑气象波动自适应匹配的风电功率预测方法，其特征在于，所述隶属度矩阵表示每个样本点属于每个类的程度；计算使得所述目标函数最小的聚类中心，完成对样本数据的分类，得到不同的天气类型；其中，隶属度矩阵μ
ij
为第j个聚类中心C
j
为5.如权利要求1中所述的一种考虑气象波动自适应匹配的风电功率预测方法，其特征在于，在组合预...

【专利技术属性】
技术研发人员：殷红旭，宋亮，付迪雅，李振凯，毛晨旭，褚宁，邢志同，刘杰，
申请(专利权)人：国网山东省电力公司德州供电公司，
类型：发明
国别省市：