一种基于风速误差修正的中长期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，具体涉及一种基于风速误差修正的中长期风电功率预测方法及系统，包括：获取风电场的实时风速数据；基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。针对现有的功率预测中忽视预测误差的时序自相关性、未综合考虑预测风速与预测误差的特征相依关系以及预测误差的时序相关特性的问题，利用隐马尔科夫模型和XGBoost模型进行中期风电功率预测，有效提高了中长期风电功率预测的精度。有效提高了中长期风电功率预测的精度。有效提高了中长期风电功率预测的精度。

【技术实现步骤摘要】
一种基于风速误差修正的中长期风电功率预测方法及系统


[0001]本公开属于风电功率预测
，具体涉及一种基于风速误差修正的中长期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]在大规模、高集中度风电发展模式下，由于风力的间歇性和随机性，电力系统面临着巨大挑战。相比超短期与短期，中期风电功率预测精度更加依赖于数值气象数据(NWP)尤其是风速预测的表现。高精确度的中期风电功率预测对提高电力系统运行的可靠性与经济性具有至关重要的意义。
[0004]中尺度数值天气预报模式(WRF模式)基于物理原理构建大气运动方程并采用数值方式求解，是目前最先进的数值天气预报模式。目前可以通过采用物理或统计方法来进一步提升WRF模式原始风速预测的精度。物理方法从气象学原理出发，提升WRF模式的精度；但是物理方法需要掌握复杂的气象学知识，且适用性不强。统计方法通过对预测风速及其误差的统计再分析，从而提升风速预测精度，应用更为广泛。
[0005]据专利技术人了解，传统统计方法和人工智能方法都只是建立预测误差与其相关特征，如预测风速之间的非线性关联关系，而忽视了预测误差的时序自相关性，并没有综合考虑预测风速与预测误差的特征相依关系以及预测误差的时序相关特性。

技术实现思路

[0006]为了解决上述问题，本公开提出了一种基于风速误差修正的中长期风电功率预测方法及系统，利用隐马尔科夫模型综合考虑预测风速及其预测误差的概率相依关系以及预测误差的时序变化规律，对原始预测风速进行误差修正，结合极限梯度提升算法(eXtreme GradientBoosting，简称XGBoost)进行中期风电功率预测，有效提高了中长期风电功率预测的精度。
[0007]根据一些实施例，本公开的第一方案提供了一种基于风速误差修正的中长期风电功率预测方法，采用如下技术方案：
[0008]一种基于风速误差修正的中长期风电功率预测方法，包括：
[0009]获取风电场的实时风速数据；
[0010]基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
[0011]根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
[0012]根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
[0013]作为进一步的技术限定，利用中尺度数值气象预报模式和每日发布的球预报系统
数据，对风电场所在区域进行未来一段时间的气象预报，输出风速和风向的预测数据，得到风电场风速的预测值。
[0014]作为进一步的技术限定，所述隐马尔可夫模型是在马尔可夫链基础上的一种时间序列概率模型，包含隐状态和观测状态两个元素，表示为三元组γ＝(A,B,Π)，其中，A为隐状态转移概率，B为发射概率，即隐状态条件下观测状态的分布概率，Π为初始隐状态的概率分布。
[0015]进一步的，所述隐马尔可夫模型的隐状态空间有N
S
个，表示马尔可夫链的隐态空间，每个状态定义为一个区间；使用K
‑
means聚类将隐状态空间划分为离散形式，利用划分的隐状态和对应的预测风速，估计条件发射概率分布。
[0016]进一步的，所述K
‑
means聚类的过程为：
[0017]选择k个类簇，随机初始化所选择的类簇的中心点，中心点位置根据与每个数据点的相同向量长度确定；
[0018]计算每个数据点到中心点的距离，数据点依据距中心点距离划分簇；
[0019]计算每一类中心点作为新的中心点，直到每一类中心迭代变化不大为止，完成聚类。
[0020]进一步的，所述隐马尔可夫模型的观察状态为连续状态，其发射概率为隐状态条件下各观测状态的概率分布函数，通过高斯混合模型进行概率分布函数的估计，其连续化的发射概率为:S
i
＝f(x
i
)；其中，S
i
表示第i个隐藏状态，x为观察状态，f()表示
[0021]概率密度函数，其中K是高斯分布的个数，φ(x|θ
k
)是第k个高斯分布，为其参数，ω
k
为各高斯分布的权值，为整个模型的参数。
[0022]作为进一步的技术限定，所述极限梯度提升算法在每次迭代时生成一棵新的分类回归树，所生成的新的分类回归树拟合前一棵分类回归树的残差，修补之前的结果，构建准确率高的学习模型，完成风电功率的预测。
[0023]根据一些实施例，本公开的第二方案提供了一种基于风速误差修正的中长期风电功率预测系统，采用如下技术方案：
[0024]一种基于风速误差修正的中长期风电功率预测系统，包括：
[0025]风速获取模块，其被配置为获取风电场的实时风速数据；
[0026]风速预测模块，其被配置为基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；
[0027]风速修正模块，其被配置为根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；
[0028]功率预测模块，其被配置为根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。
[0029]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：
[0030]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
开第一方面所述的基于风速误差修正的中长期风电功率预测方法中的步骤。
[0031]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：
[0032]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基于风速误差修正的中长期风电功率预测方法中的步骤。
[0033]与现有技术相比，本公开的有益效果为：
[0034]本公开利用隐马尔科夫模型综合考虑预测风速及其预测误差的概率相依关系以及预测误差的时序变化规律，对原始预测风速进行误差修正，采用XGBoost模型进行中期风电功率预测，综合考虑了预测风速与预测误差的特征相依关系，有效提高中长期风电功率预测的精度；相比于传统统计方法和人工智能方法，综合考虑预测风速及其预测误差的概率相依关系以及预测误差的时序变化规律，建立风速误差修正模型。
附图说明
[0035]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。
[0036]图1是本公开实施例一中的基于风速误差修正的中长期风电功率预测方法的流程图；
[0037]图2是本公开实施例一中的初始化时间WRF模式操作示意图；
[0038]图3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】
1.一种基于风速误差修正的中长期风电功率预测方法，其特征在于，包括：获取风电场的实时风速数据；基于中尺度数值气象预报模式预测未来一段时间内风电场的风速，得到风电场风速的预测值；根据所得到的风电场风速的预测值和隐马尔可夫模型，进行预测风速的误差修正，得到修正后的预测风速；根据修正后的预测风速和极限梯度提升算法，完成中期风电功率的预测。2.如权利要求1中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，利用中尺度数值气象预报模式和每日发布的球预报系统数据，对风电场所在区域进行未来一段时间的气象预报，输出风速和风向的预测数据，得到风电场风速的预测值。3.如权利要求1中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述隐马尔可夫模型是在马尔可夫链基础上的一种时间序列概率模型，包含隐状态和观测状态两个元素，表示为三元组γ＝(A,B,Π)，其中，A为隐状态转移概率，B为发射概率，即隐状态条件下观测状态的分布概率，Π为初始隐状态的概率分布。4.如权利要求3中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述隐马尔可夫模型的隐状态空间有N
S
个，表示马尔可夫链的隐态空间，每个状态定义为一个区间；使用K
‑
means聚类将隐状态空间划分为离散形式，利用划分的隐状态和对应的预测风速，估计条件发射概率分布。5.如权利要求4中所述的一种基于风速误差修正的中长期风电功率预测方法，其特征在于，所述K
‑
means聚类的过程为：选择k个类簇，随机初始化所选择的类簇的中心点，中心点位置根据与每个数据点的相同向量长度确定；计算每个数据点到中心点的距离，数据点依据距中心点距离划分簇；计算每一类中心点作为新的中心点，直到每一类中心迭代变化不大为止，完成聚类。6.如权利要求3中所述的一种基于风速误差修正的中长期风电功...

【专利技术属性】
技术研发人员：翟保豫，张龙，徐志，杨琪，杨明，张元赫，
申请(专利权)人：国网新疆电力有限公司电力科学研究院，
类型：发明
国别省市：