风电场短期风功率预测方法及装置制造方法及图纸

本发明专利技术提供了一种风电场短期风功率预测方法和装置，所述方法基于多源数据的SVR

【技术实现步骤摘要】
风电场短期风功率预测方法及装置


[0001]本专利技术涉及风功率预测领域，特别涉及风电场短期风功率预测方法及装置。

技术介绍

[0002]风功率预测技术是指对未来一段时间内的风电场可输出的功率大小进行预测的一项技术，以便配合调度侧发电量计划安排。但由于风能具有较大的随机性与间歇性，大规模风电并入电网系统会给系统的稳定性带来影响。因此风电场需在发电前进行风功率预测并进行上报。我国的风电产业发展突飞猛进，风电并网容量不断快递增加，风电发电比例逐年上升，已经为电力系统带来前所未有的压力。电力系统的稳定性、安全性、可控性，以及风电场自身的经济、可靠运行与风功率预测密不可分。
[0003]目前由于国内预测技术起步较晚，风功率预测还有较大的不稳定性。物理模型的预测技术受复杂地形与自然气象条件影响较大，不确定因素过多使其在工程化落地实施中的效果并不好。
[0004]目前基于数据驱动的预测模型因为气象数据源的质量、模型训练周期较长、算力要求过高、核心算法黑盒等原因，使其预测效果也不理想。这些都使场站侧风功率预测被电网考核大量上网电量，造成了大量的经济损失，同时也对电网的稳定性产生了不好的影响。
[0005]如上所述，现有的风功率预测技术存在以下弊端：
[0006]基于数据驱动的预测模型因为气象数据源的质量、模型训练周期较长、算力要求过高、核心算法黑盒等原因，预测效果不理想。
[0007]有鉴于此，本申请专利技术人设计了一种风电场短期风功率预测方法及装置，以期克服上述技术问题。
专利技术内容
[0008]本专利技术要解决的技术问题是为了克服现有技术中基于数据驱动的预测模型因为气象数据源的质量、模型训练周期较长、算力要求过高、核心算法黑盒等原因，预测效果不理想的缺陷，提供一种风电场短期风功率预测方法。
[0009]本专利技术是通过下述技术方案来解决上述技术问题的：
[0010]本专利技术提供一种风电场短期风功率预测方法，其特点在于，所述方法基于多源数据的SVR
‑
PSO/GA预测模型，包括如下步骤：S1、获取格点气象数据，获取风电场历史功率数据，对获取的数据进行预处理，生成模型训练数据,并将所述数据分割为训练集和测试集；S2、建立支持向量回归模型，进行模型训练；S3、通过粒子群优化算法和遗传算法对支持向量回归模型的参数进行寻优；S4、分别将粒子群优化算法和遗传算法调优后得到的参数，代入支持向量回归模型中进行结果择优；S5、找到相对最优结果的支持向量回归模型参数，使用所述支持向量回归模型参数进行功率预测并检验测试集。
[0011]根据本专利技术的一个实施例，所述步骤S1包括如下步骤，S
11
、获取格点气象数据，选取相关性较高的气象数据；S
12
、通过风电场中心点经纬度坐标，将所述格点气象数据插值至
单场站气象数据，形成站点多源气象数据；S
13
、获取场站历史功率数据，处理数据频率，并进行异常数据清洗，形成站点历史功率数据；S
14
、将站点多源气象数据与站点历史功率数据合并，时间序列数据对齐，对训练数据进行标准化处理，生成单场站风功率预测训练数据；S
15
、将单场站风功率预测训练数据分割为训练集和测试集。
[0012]根据本专利技术的一个实施例，所述支持向量回归模型使用高斯核函数，定义一个ε，定义一个虚线内区域，使区域内数据点的残差为0，使得虚线区域外的数据点到虚线的边界的距离为残差，从而找出一个2出宽度的最佳条状区域，再对区域外的点进行回归。
[0013]根据本专利技术的一个实施例，所述支持向量回归模型的参数中包含：惩罚函数、损失函数和核系数，所述粒子群优化算法，每个粒子都包含支持向量回归模型参数中的惩罚参数、损失函数、核系数；个体通过适应度函数计算适应度值，所述粒子群优化算法通过设置迭代的代数、种群大小，从初始化粒子的位置和速度，设置学习因子为2，自身权重因子为0.4，得到最优的惩罚参数、损失函数和核系数。
[0014]根据本专利技术的一个实施例，所述支持向量回归模型参数中包含：惩罚函数、损失函数和核系数，所述遗传算法，每个个体都包含支持向量回归模型参数中的惩罚参数、损失函数、核系数，设置人口规模、变量维数、变量边界，框定个体变异框架，通过每代人，确定基因突变是否效果良好，适应度较高，从而使其他人向其进化；通过迭代更新得到最优的惩罚参数、损失函数和核系数。
[0015]根据本专利技术的一个实施例，所述支持向量回归模型参数中包含：惩罚函数、损失函数和核系数，所述择优的参数分别是：所述支持向量回归模型参数中的惩罚函数、损失函数和核系数。
[0016]本专利技术还提供一种风电场短期风功率预测装置，其特点在于，所述预测装置采用如上所述的风电场短期风功率预测方法，所述预测装置包括：数据获取模块，用于获取格点气象数据，获取风电场历史功率数据，对获取的数据进行预处理，生成模型训练数据,并将所述数据分割为训练集和测试集；训练模块，用于建立支持向量回归模型，进行模型训练；参数寻优模块，用于通过粒子群优化算法和遗传算法对所述支持向量回归模型的参数进行寻优；分别将粒子群优化算法和遗传算法调优后得到的参数，代入所述支持向量回归模型中进行结果择优；预测模块，找到相对最优结果的所述支持向量回归模型参数，使用所述支持向量回归模型参数检验测试集并进行功率预测。
[0017]根据本专利技术的一个实施例，所述数据获取模块，用于获取格点气象数据，选取相关性较高的气象数据；通过风电场中心点经纬度坐标，将所述格点气象数据插值至单场站气象数据，形成站点多源气象数据；获取场站历史功率数据，处理数据频率，并进行异常数据清洗，形成站点历史功率数据；将站点多源气象数据与站点历史功率数据合并，时间序列数据对齐，对训练数据进行标准化处理，生成单场站风功率预测训练数据；将单场站风功率预测训练数据分割为训练集和测试集。
[0018]本专利技术还提供一种电子设备，其特点在于，包括处理器和存储器，所述存储器储存有程序或指令，所述处理器执行所述程序或指令，使得所述电子设备执行如上所述的风电场短期风功率预测方法。本专利技术还提供一种可读存储介质，其特点在于，所述可读存储介质上存储有程序或指令，当所述程序或指令在电子设备上运行时，所述电子设备执行如权利要求1
‑
6任一项所述的风电场短期风功率预测方法。
[0019]本专利技术的积极进步效果在于：
[0020]本专利技术风电场短期风功率预测方法结合场站格点气象数据与历史功率数据，利用支持向量回归算法进行建模，通过粒子群优化算法和遗传算法进行参数择优，模型训练时间短，效率更高。同时精确气象数据至场站级格点，通过多方法参数择优，进而保证系统预测精度，可对减低场站考核电量，降低电网系统压力，产生长期有效收益。
附图说明
[0021]本专利技术的上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变得更加明显，其中：
[0022]图1为本专利技术风电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电场短期风功率预测方法，其特征在于，所述方法基于多源数据的SVR
‑
PSO/GA预测模型，包括如下步骤：S1、获取格点气象数据，获取风电场历史功率数据，对获取的数据进行预处理，生成模型训练数据,并将所述数据分割为训练集和测试集；S2、建立支持向量回归模型，进行模型训练；S3、通过粒子群优化算法和遗传算法对支持向量回归模型的参数进行寻优；S4、分别将粒子群优化算法和遗传算法调优后得到的参数，代入支持向量回归模型中进行结果择优；S5、找到相对最优结果的支持向量回归模型参数，使用所述支持向量回归模型参数进行功率预测并检验测试集。2.如权利要求1所述的风电场短期风功率预测方法，其特征在于，所述步骤S1包括如下步骤，S
11
、获取格点气象数据，选取相关性较高的气象数据；S
12
、通过风电场中心点经纬度坐标，将所述格点气象数据插值至单场站气象数据，形成站点多源气象数据；S
13
、获取场站历史功率数据，处理数据频率，并进行异常数据清洗，形成站点历史功率数据；S
14
、将站点多源气象数据与站点历史功率数据合并，时间序列数据对齐，对训练数据进行标准化处理，生成单场站风功率预测训练数据；S
15
、将单场站风功率预测训练数据分割为训练集和测试集。3.如权利要求1所述的风电场短期风功率预测方法，其特征在于，所述支持向量回归模型使用高斯核函数，定义一个损失函数，定义一个虚线内区域，使区域内数据点的残差为0，使得虚线区域外的数据点到虚线的边界的距离为残差，从而找出一个2出宽度的最佳条状区域，再对区域外的点进行回归。4.如权利要求1所述的风电场短期风功率预测方法，其特征在于，所述支持向量回归模型的参数中包含：惩罚函数、损失函数和核系数，所述粒子群优化算法，每个粒子都包含支持向量回归模型参数中的惩罚参数、损失函数、核系数；个体通过适应度函数计算适应度值，所述粒子群优化算法通过设置迭代的代数、种群大小，从初始化粒子的位置和速度，设置学习因子为2，自身权重因子为0.4，得到最优的惩罚参数、损失函数和核系数。5.如权利要求1所述的风电场短期风功率预测方法，其特征在于，所述支持向量回归模型参数中包含：惩罚函数、损失函数和...

【专利技术属性】
技术研发人员：杜星龙，耿福海，叶长青，付雪辉，程乐，周洌，李霄，段森，李婉嘉，
申请(专利权)人：国家电投集团广西电力有限公司，
类型：发明
国别省市：