一种基于BiLSTM预测的风电功率超短期概率预测方法及系统技术方案

本发明专利技术提出的一种基于BiLSTM预测的风电功率超短期概率预测方法及系统，所述方法包括风电功率预测模型的构建和风电功率预测模型的应用两个阶段。风电功率预测模型的构建阶段，主要包括数据采集与数据处理、气象数据自动分类、风电功率数据小波系数提取、同类数据构建BiLSTM预测模型、计算评估集数据的预测误差分布等五个步骤；风电功率预测模型的应用阶段，主要包括数据采集与数据处理、气象数据识别分类、应用对应BiLSTM模型预测功率、估计实时数据的预测区间等四个步骤。本发明专利技术基于DBSCAN

【技术实现步骤摘要】
一种基于BiLSTM预测的风电功率超短期概率预测方法及系统


[0001]本专利技术涉及新能源消纳
，更具体的说是涉及一种基于BiLSTM预测的风电功率超短期概率预测方法及系统。

技术介绍

[0002]风力发电作为一种越来越成熟的可再生新能源发电形式，在全球已成为具备最大规模开发和工业化前景的新型电力能源。迄今为止，中国风电装机容量已经达到3亿kW，年装机量达到2200万kW，风电已占全国电力的8.7％以上。虽然风电在一定程度上缓解能源危机和环境压力的同时，但是大规模的风电并网也给电力系统带来了一些不利影响。风电严重依赖于风能，可是风能其力度和方向具备随机性和不确定性，由此会导致风电场的输出功率的可控性降低，风电的大规模接入将会给电网带来功率冲击，影响电力系统安全稳定运行，也增大了电力系统调度的难度。为了支撑电力系统对常规能源与风能之间的协调调度，开展风电场功率高精度预测研究显得尤为重要。
[0003]风电功率预测方法按照预测时间长短可分为：长期预测、中期预测、短期预测和超短期预测。其中长期预测为依据往年的年发电情况预测年发电量大小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BiLSTM预测的风电功率超短期概率预测方法，其特征在于，包括如下步骤：S1：收集历史气象参数作为建立预测模型所需的历史数据来源，将采集后的历史气象参数划分为训练集和评估集，并进行统计特征提取，生成历史气象特征数据；S2：应用DBSCAN聚类方法对训练集特征数据进行自动分类，得到多类别的样本集；S3：利用最优小波函数和阈值，对固定时间窗内的历史发电功率数据应用小波分析技术进行1层小波分解，得到归一化处理的小波系数，然后利用最优阈值对小波系数进行处理，得到稀疏化后的小波系数；S4：构建BiLSTM预测模型，将训练集数据作为BiLSTM预测模型的输入，将稀疏化后的小波系数作为BiLSTM预测模型的输出，进行BiLSTM模型训练；按照相同操作对每类历史气象特征数据训练一个对应的预测模型；S5：利用训练完成的预测模型，输入评估集中的历史气象特征数据，得到风电功率小波系数预测值，将得到的风电功率小波系数预测数值重构得到评估集的风电功率预测值，并利用风电功率误差值训练beta分布拟合模型；S6：采集实时的气象预报参数，并进行特征提取操作，得到气象预报特征数据；S7：对气象预报特征数据进行识别和分类；S8：将不同类型的气象特征数据分别输入对应的BiLSTM预测模型中，得到风电功率小波系数预测值；S9：重构风电功率小波系数预测值，得到实时的风电功率预测值，并利用beta分布拟合模型估算每个预测时刻的概率区间。2.根据权利要求1所述的基于BiLSTM预测的风电功率超短期概率预测方法，其特征在于，所述步骤S1具体包括如下步骤：S11：根据待预测风电场的所在地区具体位置信息采集过去24个月的气象数据，气象数据包括风速、风向、气温和气压数据，数据时间间隔定为15分钟；同时从SCADA数据库里读取该风电场过去24个月的风电总功率参数作为风电功率数据，数据时间间隔为15分钟；S12：将采集的气象数据和风电总功率参数划分为训练集评估集数据，在每个季度的气象数据和风电总功率参数中截取前2个月的数据作为训练集，截取后1个月的数据作为评估集；S13：以24小时的时间窗口对训练集和评估集中的每类气象数据进行遍历提取，提取出气象数据的第一四分位数、中位数、第三四分位数、方差的统计特征，并将提取出的数据按照从小到大排列。3.根据权利要求1所述的基于BiLSTM预测的风电功率超短期概率预测方法，其特征在于，所述DBSCAN聚类方法包括如下步骤：S21：对训练集的特征数据进行数值归一化处理，消除量纲；S22：从归一化数据集中任意选取一个数据对象点p；S23：如果对于定义密度的邻域半径的参数Eps和定义核心点的数目阈值参数MinPts，所选取的数据对象点p均满足要求则对象点p为核心点，则找出数据集中所有从p密度可达的对象点，形成一个数据簇；S24：如果选取的数据对象点p是边缘点，选取另一个数据对象点；S25：重复步骤S23和步骤S24，直到所有点被处理。
4.根据权利要求2所述的基于BiLSTM预测的风电功率超短期概率预测方法，其特征在于，所述步骤S3包括：使用haar小波、dbN小波、symN小波、coifN小波、biorNr.Nd小波，以24小时时间窗口对风电功率数据处理，得到稀疏度和重构误差测试结果。5.根据权利要求2所述的基于BiLSTM预测的风电功率超短期概率预测方法，其特征在于，所述步骤S5包括：S51：以固定24小时的时间窗口分别对评估集中的风速、风向、气温、气压参数进行遍历提取第一四分位数、中位数、第三四分位数、方差的统计特征，经过特征提取后得16维的气象统计特征数据，16个统计特征分别是风速第一四分位数、风速中位数、风速第三四分位数、风速方差、风向第一四分位数、风向中位数、风向第三四分位数、风向方差、气温第一四分位数、气温中位数、气温第三四分位数、气温方差、气压第一四分位数、气压中位数、气压第三四分位数、气压方差；S52：依次识别评估集每条统计特征数据的类型，首先进行数据归一化消量纲处理，再按照下面的距离公式计算评估集的每条气象统计特征数据跟8个类中心数据的距离：其中，d为数据于类中心的距离，x
i
为气象统计特征...

【专利技术属性】
技术研发人员：李洪海，郑凯，安佰京，王尚斌，赵俊，苑丽伟，任兴辉，潘爱兵，牛恩荃，程艳，关逸飞，王楠，
申请(专利权)人：山东鲁软数字科技有限公司，
类型：发明
国别省市：