一种基于时空偏差修正的风电场站超短期功率预测方法技术

本发明专利技术公开了一种基于时空偏差修正的风电场站超短期功率预测方法，步骤如下：导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据；构造时序特征，对天气数据进行预处理后构造气象特征；将天气数据作为训练数据并优化样本集，建立误差修正模型，得到天气数据修正结果；通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。本发明专利技术的有益效果是：根据数值天气预报数据和场站测风塔实时天气数据对风电功率进行预测，针对数值天气预报数据和场站真实天气数据不匹配以及风力发电存在无法忽视的波动性和随机性，提供一种更加精确的解决方案。提供一种更加精确的解决方案。提供一种更加精确的解决方案。

【技术实现步骤摘要】
一种基于时空偏差修正的风电场站超短期功率预测方法


[0001]本专利技术属于新能源发电领域，涉及一种基于时空偏差修正的风电场站超短期功率预测方法。

技术介绍

[0002]风功率预测是提高大规模风电接入电力系统运行水平的关键环节，近几年许多学者对超短期功率预测进行了许多的研究，但目前实际各个风电场的风功率预测的准确率普遍较低，其中天气参数的预测误差是导致短期风功率预测准确率低的主要因素之一，传统基于单一历史测风塔数据或者单一数值天气预报数据对未来天气进行预测随机性较大，且未考虑区域之间的相互影响，误差较大。本专利技术基于历史测风塔实际天气参数开展训练，并引入数值天气预报数据与实际测风塔天气数据进行耦合，同时将该地区前后左右四个区域的数值天气预报数据进行校准，可以大大提升超短期天气预测的准确率，进而进一步提升超短期风功率预测的准确率。

技术实现思路

[0003]本专利技术根据一般情况下天气预报数据与实际场站天气数据不匹配，提出了一种基于时空偏差修正的风电场站超短期功率预测方法，根据数值天气预报数据和场站测风塔实时天气数据对风电功率进行预测，针对数值天气预报数据和场站真实天气数据不匹配以及风力发电存在无法忽视的波动性和随机性，提供一种更加精确的解决方案。
[0004]本专利技术通过以下技术方案来实现，一种基于时空偏差修正的风电场站超短期功率预测方法，步骤如下：S1，导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据，数值天气预报数据和实时天气数据作为原始天气数据，原始天气数据中的每一个特征都作为一个数据特征值；数据特征值包括风速、风向、湿度、降雨量、温度、风力；S2，构造时序特征，对原始天气数据进行预处理后构造气象特征，建立基于时空偏差修正的机制，构造多维数据集；S3，将原始天气数据作为训练数据，使用双向长短期记忆网络算法和利用贝叶斯优化方法进行参数调整并优化样本集，建立误差修正模型，得到天气数据修正结果；S4、将得到的天气数据修正结果和风电场站历史发电功率一一对应，优化样本集，使用极端梯度提升算法，通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。
[0005]进一步的，步骤S2中构造时序特征，对原始天气数据进行预处理后构造气象特征，具体过程为：S21,以年份、月份、阳历日、当日时序构造时间特征；S22,将原始天气数据进行预处理；
S23,预处理后将各个数据特征值归一化，以风速、湿度、风向、降雨量、温度、风力构造气象特征；预处理包括处理异常值和缺失值；对于异常值，通过限电、检修筛选出异常样本，将异常样本修正在限定范围内；对于缺失值，依据构造的时序特征，采用自动插补和修正的原则处理。
[0006]进一步的，步骤S2中建立基于时空偏差修正的机制，构造多维数据集，具体过程为：S24,进行时间修正，将原始天气数据以数据分辨率T进行时序扩充，将每一个数据特征值扩充为公式（1），使用双向长短时记忆网络算法提取(t
‑
mT)~t时段的原始天气数据特征，建立多维数据集，并按季节分群；（1）其中，表示t时刻网格点n的天气特征所构成的向量，表示t
‑
1时刻网格点n的天气特征所构成的向量，表示 t
‑
i时刻网格点n的天气特征所构成的向量, 表示 t
‑
(m
‑
1)T时刻网格点n的天气特征所构成的向量,表示t
‑
mT时刻网格点n的天气特征所构成的向量，m为时间步，n为网格点；S25,进行空间修正，提取时序扩充后的网格点n的数值天气预报的风速，与风电场站真实风速数据计算出相关系数，相关系数最大的对应的网格点n是最佳的空间修正点；计算相关系数的公式（2），表达式为：（2）其中r(X,Y)为变量X和变量Y的相关系数，为变量X和变量Y的协方差，为变量X的方差，为变量Y的方差。
[0007]进一步的，步骤S3中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的p项作为导入模型的历史数据集；由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：（3）其中，d（C，D）为样本数据点c和样本数据点d之间的马氏距离，T为矩阵转置。
[0008]进一步的，步骤S3中，得到天气数据修正结果，具体步骤包括：S31，搭建双向长短时记忆网络
‑
注意力机制模型，搭建双向长短时记忆网络层，建立注意力机制，将最佳的空间修正点的数值天气预报数据作为注意力通道；一般情况下层数不超过三层，LSTM内部函数为公式（4），表达式为：
（4）其中，f
t
表示t时刻的遗忘门的值，i
t
表示t时刻记忆门的值，表示临时细胞状态，C
t
表示t时刻细胞状态，h
t
表示t时刻的隐层状态；函数和表示sigmoid激活函数，W
f
表示遗忘门权重，h
t
‑1表示t
‑
1时刻的隐层状态，x
t
表示t时刻的输入，b
f
表示遗忘门偏置系数，W
i
表示输入门权重，b
i
表示输入门偏置系数，tanh函数表示激活函数，W
C
表示细胞状态权重，b
C
表示细胞状态偏置系数，C
t
‑1表示t
‑
1时刻细胞状态，W
O
表示输出门权重，b
O
表示输出门偏置系数，e表示自然对数函数的底数，x表示函数自变量。
[0009]S32，建立超参数优化过程，采用贝叶斯优化设定超参数范围，使其能够自动进行超参数寻优，评价双向长短时记忆网络
‑
注意力机制模型而设置的损失函数均方误差为公式（5），表达式为：（5）其中，MSE表示为损失函数均方误差，n为网格点，表示真实值、表示预测值；S33，原始天气数据导入与模型训练，分别将按照季节分开的原始天气数据依次作为双向长短时记忆网络模型的数据集导入，训练得到不同季节的风速模型。
[0010]进一步的，步骤S4中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的q项作为导入模型的历史数据集，由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：（3）其中，d（C，D）为样本数据点c和样本数据点d之间的马氏距离，T为矩阵转置。
[0011]进一步的，步骤S4中预测风电场站的发电，具体步骤为：S41,特征值筛选,调用极端梯度提升算法来计算各个数据特征值在模型训练中的重要程度，将数据特征值按重要程度逐个加入模型训练，保留对实验结果有提升的数据特征值，得到最终数据特征值；S42,搭建极端梯度提升模型并进行超参数优化，提供超参数范围并建立极端梯度提升模型，利用贝叶斯优化方法得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤如下：S1，导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据，数值天气预报数据和实时天气数据作为原始天气数据，原始天气数据中的每一个特征都作为一个数据特征值；数据特征值包括风速、风向、湿度、降雨量、温度、风力；S2，构造时序特征，对原始天气数据进行预处理后构造气象特征，建立基于时空偏差修正的机制，构造多维数据集；S3，将原始天气数据作为训练数据，使用双向长短期记忆网络算法和利用贝叶斯优化方法进行参数调整并优化样本集，建立误差修正模型，得到天气数据修正结果；S4、将得到的天气数据修正结果和风电场站历史发电功率一一对应，优化样本集，使用极端梯度提升算法，通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。2.根据权利要求1所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S2中构造时序特征，对原始天气数据进行预处理后构造气象特征，具体过程为：S21, 以年份、月份、阳历日、当日时序构造时间特征；S22,将原始天气数据进行预处理；S23,预处理后将各个数据特征值归一化，以风速、湿度、风向、降雨量、温度、风力构造气象特征；预处理包括处理异常值和缺失值；对于异常值，通过限电、检修筛选出异常样本，将异常样本修正在限定范围内；对于缺失值，依据构造的时序特征，采用自动插补和修正的原则处理。3.根据权利要求2所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S2中建立基于时空偏差修正的机制，构造多维数据集，具体过程为：S24,进行时间修正，将原始天气数据以数据分辨率T进行时序扩充，将每一个数据特征值扩充为公式（1），使用双向长短时记忆网络算法提取(t
‑
mT)~t时段的原始天气数据特征，建立多维数据集，并按季节分群；（1）其中，表示t时刻网格点n的天气特征所构成的向量，表示t
‑
1时刻网格点n的天气特征所构成的向量，表示 t
‑
i时刻网格点n的天气特征所构成的向量,表示 t
‑
(m
‑
1)T时刻网格点n的天气特征所构成的向量,表示t
‑
mT时刻网格点n的天气特征所构成的向量，m为时间步，n为网格点；S25,进行空间修正，提取时序扩充后的网格点n的数值天气预报的风速，与风电场站真实风速数据计算出相关系数，相关系数最大的对应的网格点n是最佳的空间修正点；计算相关系数的公式（2），表达式为：（2）
其中r(X,Y)为变量X和变量Y的相关系数，Cov(X,Y)为变量X和变量Y的协方差，为变量X的方差，为变量Y的方差。4.根据权利要求3所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S3中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通...

【专利技术属性】
技术研发人员：童超，胡培炎，彭穗，李帆，胡岸，李阳林，华桦，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：