基于LightGBM-Seq2Seq的异常天气下的风电功率预测方法和存储介质技术

本发明专利技术公开了一种基于LightGBM

【技术实现步骤摘要】
基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法和存储介质


[0001]本专利技术涉及新能源发电功率预测
，尤其涉及一种基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法和存储介质。

技术介绍

[0002]在全球气候问题不断恶化和能源危机不断加剧的时代背景下，随着“碳达峰、碳中和”目标的提出和新型电力系统构建的推进，以风电为代表的新能源产业得到大力发展。截至本年第一季度，我国累计发电装机容量约26.2亿千瓦，同比增长9.1％。其中，风电装机容量约3.8亿千瓦，同比增长11.7％；太阳能发电装机容量约4.3亿千瓦，同比增长33.7％。
[0003]风能本身具有较强的随机性、波动性与不规律的间歇性，风电的大规模并网会给电力系统造成不小的冲击和影响。对此，风电功率预测技术是解决上述问题的有效手段，实时准确的进行风电功率预测有助于促进高比例新能源并网消纳，从而有效保障新型电力系统的稳定运作和有序调度。
[0004]传统的风电功率预测方法大多关注的是整体时段的预测效果，鲜有研究针对异常时段的风电功率进行预测。一方面，异常天气下气象要素数据的动态变化会大大增加数据处理和样本提取的难度；另一方面，异常天气下风电功率剧烈变化的成因复杂，需要综合考虑风机本身和周围环境的影响，因此难以构建异常天气与风电出力的耦合关系，导致异常天气下的风电功率预测比普通的风电功率预测更为困难。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提供一种基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法，该方法利用异常时段的原始气象数据作为LightGBM功率基准值预测模型的输入以获得功率基准值，并提取异常时段的气象波动特征作为Seq2Seq功率增量值预测模型的输入以获得功率增量值，结合两种模型输出结果确定最终的风电功率预测值，从而能够提高异常时段下的风电功率预测精度。
[0006]本专利技术的第二个目的在于提供一种计算机可读存储介质。
[0007]为达到上述目的，本专利技术通过以下技术方案实现：
[0008]一种基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法，包括：
[0009]步骤S1：获取风电场的历史功率时间序列，并从所述历史功率时间序列中提取出功率异常时段；
[0010]步骤S2：获取风电场气象数据，根据异常天气类型定义从所述风电场气象数据中提取天气异常时段；
[0011]步骤S3：对所述功率异常时段和所述天气异常时段取交集，得到异常样本集，所述异常样本集包括异常天气下对应的异常气象数据和异常功率数据，其中，将不属于所述异
常样本集中的数据列入正常样本集；
[0012]步骤S4：采用所述正常样本集训练得到LightGBM功率基准值预测模型，并通过所述LightGBM功率基准值预测模型对所述异常样本集进行预测得到异常样本的功率基准值；
[0013]步骤S5：从所述异常气象数据中提取出异常时段的气象波动特征；
[0014]步骤S6：训练得到Seq2Seq功率增量值预测模型，将所述气象波动特征输入至所述Seq2Seq功率增量值预测模型，预测得到功率增量值；
[0015]步骤S7：将所述功率基准值和所述功率增量值进行叠加得到异常时段的风电功率预测值。
[0016]优选的，所述步骤S1中，通过多尺度差分法从所述历史功率时间序列中提取出功率异常时段，所述多尺度差分法为判定给定时间间隔内功率变化值是否超过设定阈值，若超过，则给定时间间隔对应的时段为功率异常时段。
[0017]优选的，所述多尺度差分法的判别表达式表示如下：
[0018][0019]其中，P
t
表示t时刻的功率值，P
t+Δt
表示t+Δt时刻的功率值，P
I
表示风电场装机容量，ε表示设定变化率阈值，Δt表示时间间隔。
[0020]优选的，所述步骤S1中，在提取出功率异常时段时，所述方法还包括采用双重合并策略对功率异常时段数据进行合并，所述双重合并策略为先对多组不同时间间隔和设定变化率阈值下的功率异常时段数据进行合并，再基于功率变化时段连续性对相邻的离散功率异常时段数据进行合并。
[0021]优选的，所述步骤S4中，采用所述正常样本集训练得到LightGBM功率基准值预测模型的步骤，包括：将所述正常样本集中的气象数据作为待训练的LightGBM功率基准值预测模型的输入，将所述正常样本集中的气象数据对应的功率数据作为输出，并经过多轮训练得到所述LightGBM功率基准值预测模型。
[0022]优选的，所述步骤S4中，通过所述LightGBM功率基准值预测模型对所述异常样本集进行预测得到异常样本的功率基准值的步骤，包括：采用所述LightGBM功率基准值预测模型对所述异常样本集中的气象数据进行预测得到所述功率基准值。
[0023]优选的，所述步骤S5包括：采用变分模态分解和一阶差分法分别从所述异常气象数据中提取出气象数据的小尺度波动特征和时序波动特征。
[0024]优选的，所述Seq2Seq功率增量值预测模型的编码器和解码器分别为LSTM编码器和LSTM解码器。
[0025]为达到上述目的，本专利技术第二方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法。
[0026]本专利技术至少具有以下技术效果：
[0027]1、本专利技术通过LightGBM功率基准值预测模型和Seq2Seq功率增量值预测模型分别对功率基准值和功率增量值进行预测，再进行累加得到最终的风电功率预测值，该方法既考虑到了时序数据之间的关联性，又充分挖掘了非连续的数据特征，可以显著提高异常时段下的风电功率预测精度。
[0028]2、本专利技术通过变分模态分解算法和一阶差分法对异常气象数据进行特征提取，分别获得气象数据的小尺度波动特征和时序波动特征，通过该气象波动特征可以更加准确地描述数据特性，从而可进一步提高风电功率预测精度。
[0029]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0030]图1为本专利技术实施例的基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法的流程图。
具体实施方式
[0031]下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0032]下面参考附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法，其特征在于，包括：步骤S1：获取风电场的历史功率时间序列，并从所述历史功率时间序列中提取出功率异常时段；步骤S2：获取风电场气象数据，根据异常天气类型定义从所述风电场气象数据中提取天气异常时段；步骤S3：对所述功率异常时段和所述天气异常时段取交集，得到异常样本集，所述异常样本集包括异常天气下对应的异常气象数据和异常功率数据，其中，将不属于所述异常样本集中的数据列入正常样本集；步骤S4：采用所述正常样本集训练得到LightGBM功率基准值预测模型，并通过所述LightGBM功率基准值预测模型对所述异常样本集进行预测得到异常样本的功率基准值；步骤S5：从所述异常气象数据中提取出异常时段的气象波动特征；步骤S6：训练得到Seq2Seq功率增量值预测模型，将所述气象波动特征输入至所述Seq2Seq功率增量值预测模型，预测得到功率增量值；步骤S7：将所述功率基准值和所述功率增量值进行叠加得到异常时段的风电功率预测值。2.如权利要求1所述的基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法，其特征在于，所述步骤S1中，通过多尺度差分法从所述历史功率时间序列中提取出功率异常时段，所述多尺度差分法为判定给定时间间隔内功率变化值是否超过设定阈值，若超过，则给定时间间隔对应的时段为功率异常时段。3.如权利要求2所述的基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法，其特征在于，所述多尺度差分法的判别表达式表示如下：其中，P
t
表示t时刻的功率值，P
t+Δt
表示t+Δt时刻的功率值，P
I
表示风电场装机容量，ε表示设定变化率阈值，Δt表示时间间隔。4.如权利要求3所述的基于LightGBM
‑
Seq2Seq的异常天气下的风电功率预测方法，其特征在于...

【专利技术属性】
技术研发人员：吕东晓，肖小刚，彭利鸿，张胜，孙新德，徐玮，张祥，
申请(专利权)人：国家电网有限公司华中分部，
类型：发明
国别省市：