基于卷积神经网络的海上风电出力特征长期预测外推方法技术

本发明专利技术涉及一种基于卷积神经网络的海上风电出力特征长期预测外推方法。该方法通过卷积神经网络分析方法，得到大气三维结构特征的量化提取，从而利用气象要素特征与区域海上风力发电站历史同期有功功率的空间特征关联性分析，给出影响区域海上风电有功功率的关键特征因素，进而建立区域海上风电出力特征长期预测的外推模型，提供面向电网的海上风力发电整体趋势分析。本发明专利技术通过气候因子相关分析方法，得到不同季节间区域海上风电出力特性的关联度模型，从而建立考虑气候特征分析的跨季节风力发电出力特征主要趋势的长期估测。风力发电出力特征主要趋势的长期估测。风力发电出力特征主要趋势的长期估测。

【技术实现步骤摘要】
基于卷积神经网络的海上风电出力特征长期预测外推方法


[0001]本专利技术属于新能源
，具体涉及一种基于卷积神经网络的海上风电出力特征长期预测外推方法。

技术介绍

[0002]风力发电是新能源
中一种较为成熟、应用相对广泛的发电类型，其中海上风电依托风力发电的海上的风运行平稳，风机利用率更高，且单机装机容量更大，距离用电负荷近等特征，具有明显的优势与前景。海上风资源与陆地风力发电相比，由于下垫面、环流、气候等多因素存在显著差异，洋面上较平，风基本没有什么阻力，不受地形高低起伏的影响，相对的平均风速也高且平稳，且洋面地区会不定期受到台风等极端天气过程影响，海上风电的出力特征等的影响不容忽视，亟需更好地提升海上风电的出力预测水平，支撑海上风电的发展。

技术实现思路

[0003]本专利技术的目的在于提供一种基于卷积神经网络的海上风电出力特征长期预测外推方法，通过卷积神经网络分析方法，得到大气三维结构特征的量化提取，从而利用气象要素特征与区域海上风力发电站历史同期有功功率的空间特征关联性分析，给出影响区域海上风电有功功率的关键特征因素，进而建立区域海上风电出力特征长期预测的外推模型，提供面向省级电网的海上风力发电整体趋势分析资料。
[0004]为实现上述目的，本专利技术的技术方案是：一种基于卷积神经网络的海上风电出力特征长期预测外推方法，包括如下步骤：S1、对区域内各海上风电出力数据时标校对，计算得到逐15min的区域总加出力即区域风电出力；S2、依据海上区域风电出力时间序列，应用决策树分类算法，对逐日时间序列进行风型分类、标识，并提取大风日、小风日、平风日3个主类别，构成历史各月的逐日区域风电出力风型的时间序列；基于各月的逐日区域风电出力风型的时间序列，得到每月大风日概率、小风日概率以及平风日概率；S3、从气候资料数据中提取气候指数分析变量，选取与洋面风关系紧密的北极涛动AO、北大西洋涛动NAO以及太平洋北美型遥相关PNA3个指数作为气候指数分析变量，3个指数均为月平均指数；S4、将逐月大风日概率时间序列、小风日概率时间序列、平风日概率时间序列分别与AO、NAO、PNA建立多元线性回归估算模型；S5、提取权威气象研究机构发布的AO、NAO、PNA未来预测中关于跨季节时间尺度预报信息，代入多元线性回归估算模型，得到跨季节区域风力发电出力特制跨级估测结果。
[0005]在本专利技术一实施例中，所述步骤S1具体实现如下：对海上风电出力数据进行整理，选取区域内历史同期全部海上风电场站组成集
合，利用能量管理系统EMS获得每座风机逐15min出力数据；对获得每座风机逐15min出力数据，去除受有功功率控制导致的限电数据，通过加和计算得到逐15min的区域风电出力数据；需计算得到的区域风电出力数据的时间长度不少于3年。
[0006]在本专利技术一实施例中，所述步骤S2具体实现如下：采用查表法，将区域风电出力逐15min数据处理为以日、月、年为时标的时间序列，其中日、月、年表示分别为i , j , k；某一时刻的区域风电出力数据记为P(i , j , k)；利用10米风速数据，采用理想风电转换模型，计算得到理想区域风电出力数据记为P
C
(i , j , k)；选用CART决策树计算程序，训练集由P(i , j , k)和P
C
(i , j , k)构成；以日为时间单位，对P(i , j , k)的风型特征进行分类，得出拟分析时段内任意一天所属的风型类别，其中风型类别分别包括大风日、小风日、平风日3个主类别，分别记为heavy、weak、mediocre；处理后的区域风电出力日特征分别记为P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)；统计得到任意一个月中P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)概率。
[0007]在本专利技术一实施例中，所述步骤S3具体实现如下：设某一时段内各月风类型heavy、weak、mediocre的变化曲线以及当月P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)概率为描述区域风电出力特性的量化指标；计算逐月AO、NAO、PNA指数与P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)的相关系数，并采用t检验方法确定相关显著性；得到与月风电出力特性P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)相关的气候因子指数组合。
[0008]在本专利技术一实施例中，所述步骤S4具体实现如下：设逐月AO、NAO、PNA为多元回归自变量，分别建立因变量为历史同期各月风型概率P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)的多元线性回归方程；利用最小二乘法估计参数，得出P(heavy , j , k)、P(weak , j , k)和P(mediocre , j , k)各自的估计模型。
[0009]在本专利技术一实施例中，所述步骤S5具体实现如下：接入并解析权威气象机构发布的洋面AO、NAO、PNA跨季节预测结果；利用多元回归预测模型，得出未来3
‑
6个月区域洋面风电出力概率特征；对比未来3
‑
6个月内各月区域风电出力的风型概率情况，依据步骤S2中历史风型概率统计，得出该月大风日、小风日、平风日的同比、环比情况，并给出该月风电出力估测结果。
[0010]相较于现有技术，本专利技术具有以下有益效果：本专利技术通过气候因子相关分析方法，得到不同季节间区域海上风电出力特性的关联度模型，从而建立考虑气候特征分析的跨季节风力发电出力特征主要趋势的长期估测。
附图说明
[0011]图1为本专利技术基于卷积神经网络的海上风电出力特征长期预测外推方法流程框图。
具体实施方式
[0012]下面结合附图，对本专利技术的技术方案进行具体说明。
[0013]本专利技术提供了一种基于卷积神经网络的海上风电出力特征长期预测外推方法，包括如下步骤：S1、对区域内各海上风电出力数据时标校对，计算得到逐15min的区域总加出力即区域风电出力；S2、依据海上区域风电出力时间序列，应用决策树分类算法，对逐日时间序列进行风型分类、标识，并提取大风日、小风日、平风日3个主类别，构成历史各月的逐日区域风电出力风型的时间序列；基于各月的逐日区域风电出力风型的时间序列，得到每月大风日概率、小风日概率以及平风日概率；S3、从气候资料数据中提取气候指数分析变量，选取与洋面风关系紧密的北极涛动AO、北大西洋涛动NAO以及太平洋北美型遥相关PNA3个指数作为气候指数分析变量，3个指数均为月平均指数；S4、将逐月大风日概率时间序列、小风日概率时间序列、平风日概率时间序列分别与AO、NAO、PNA建立多元线性回归估算模型；S5、提取权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的海上风电出力特征长期预测外推方法，其特征在于，包括如下步骤：S1、对区域内各海上风电出力数据时标校对，计算得到逐15min的区域总加出力即区域风电出力；S2、依据海上区域风电出力时间序列，应用决策树分类算法，对逐日时间序列进行风型分类、标识，并提取大风日、小风日、平风日3个主类别，构成历史各月的逐日区域风电出力风型的时间序列；基于各月的逐日区域风电出力风型的时间序列，得到每月大风日概率、小风日概率以及平风日概率；S3、从气候资料数据中提取气候指数分析变量，选取与洋面风关系紧密的北极涛动AO、北大西洋涛动NAO以及太平洋北美型遥相关PNA3个指数作为气候指数分析变量，3个指数均为月平均指数；S4、将逐月大风日概率时间序列、小风日概率时间序列、平风日概率时间序列分别与AO、NAO、PNA建立多元线性回归估算模型；S5、提取权威气象研究机构发布的AO、NAO、PNA未来预测中关于跨季节时间尺度预报信息，代入多元线性回归估算模型，得到跨季节区域风力发电出力特制跨级估测结果。2.根据权利要求1所述的基于卷积神经网络的海上风电出力特征长期预测外推方法，其特征在于，所述步骤S1具体实现如下：对海上风电出力数据进行整理，选取区域内历史同期全部海上风电场站组成集合，利用能量管理系统EMS获得每座风机逐15min出力数据；对获得每座风机逐15min出力数据，去除受有功功率控制导致的限电数据，通过加和计算得到逐15min的区域风电出力数据；需计算得到的区域风电出力数据的时间长度不少于3年。3.根据权利要求1所述的基于卷积神经网络的海上风电出力特征长期预测外推方法，其特征在于，所述步骤S2具体实现如下：采用查表法，将区域风电出力逐15min数据处理为以日、月、年为时标的时间序列，其中日、月、年表示分别为 i , j , k；某一时刻的区域风电出力数据记为P(i , j , k)；利用10米风速数据，采用理想风电转换模型，计算得到理想区域风电出力数据记为P
C
(i , j , k)；选用CART决策树计算程序，训练集由P(i , j , k)和P
C
(i , j , k)构成；以日为时间单位，对P(i , j , k)的风型特征进行分类，得出拟分析时段内任意一天所属的风型类别，其中风型类别分别...

【专利技术属性】
技术研发人员：于昊，张慧瑜，王清凉，周朝晖，陈志，杨巧艺，胡永洪，方端，鲍国俊，程序，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：