一种基于爬坡特征的深远海风电功率短期预测方法及系统技术方案

本发明专利技术公开了一种基于爬坡特征的深远海风电功率短期预测方法涉及深远海风电功率短期预测技术领域，包括建立爬坡事件检测模型，基于状态标记和滑动窗口改进的

【技术实现步骤摘要】
一种基于爬坡特征的深远海风电功率短期预测方法及系统


[0001]本专利技术涉及风电功率预测
，具体为一种基于爬坡特征的深远海风电功率短期预测方法及系统
。

技术介绍

[0002]随着科技信息技术的发展，以光伏
、
风电等新能源为主的新型电力系统构建迎来了快速发展，促进了海上风电装机容量的进一步累积增加，但受可使用面积等资源限制，陆上和近海风电逐渐趋于饱和
。
为满足不断增长的负荷用电需求，突破深远海发电选址以及消纳缺少支撑的难题，研究深远海风电功率预测已经成为当下亟须解决的热点问题
。
[0003]与近海风电场相比，深远海海域更广，风能资源更加丰富，风速更加稳定，但由于受到复杂海洋环境的影响更大，深远海风速
、
温度等气象因素与近海或陆上相比有明显差异，以爬坡事件为代表的短时大幅度风电功率变化特征事件频发，存在着众多作用不明的潜在因素影响着深远海风电功率的预测精度，使得现有的近海风电功率预测方法在面对深远海风电功率预测问题时存在较大误差，难以满足深远海风电功率预测精确度要求
。
考虑深远海爬坡事件与气象因素影响的风电功率短期预测方法也尚缺乏深入研究
。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0005]鉴于上述存在的问题，提出了本专利技术
。
[0006]因此，本专利技术解决的技术问题是：现有的风电功率短期预测方法存在较大误差，难以满足深远海风电功率预测精确度要求，受可使用面积等资源限制，陆上和近海风电逐渐趋于饱和，如何满足不断增长的负荷用电需求，突破深远海发电选址以及消纳缺少支撑的问题
。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种基于爬坡特征的深远海风电功率短期预测方法，包括建立爬坡事件检测模型，基于状态标记和滑动窗口改进的
PRAA
算法进行爬坡事件检测并提取特征量；构建
NWP
特征扩充过程，引入风速
、
风向以及温度的历史数据的最大值
、
最小值
、
平均值以及差值作为
NWP
特征扩充值，扩充深远海气象因素特征样本维度；融合特征工程算法，通过相关性以及互信息量分析方法计算深远海风电功率与潜在影响因素之间的线性
/
非线性关系；提取
PCA
特征，通过
PCA
对数据进行特征提取，计算潜在特征作为
LightGBM
网络的输入量；训练
LightGBM
网络进行深远海风电功率短期预测
。
[0008]作为本专利技术所述的基于爬坡特征的深远海风电功率短期预测方法的一种优选方案，其中，所述建立爬坡事件检测模型包括通过
PRAA
算法检测爬坡事件，对经过
PRAA
算法压缩后的数据集中的数据点，按照爬坡段的状态进行分类标记，采用滑动窗口完成最终爬坡
事件的动态检测；
[0009]基于状态标记的爬坡事件检测，将数据集中的数据点，按照状态将其分为上升
、
平稳以及下降，表示为：
[0010][0011]其中，
P
iPRAA
即为
i
时刻所对应压缩后的风电功率数据，为功率变化量，
M
为阈值，当数据点与下一个数据点之间为上升趋势，且幅值变化满足上爬坡定义则将数据点标记为1，不满足爬坡定义的数据点全部标记为0；
[0012]基于滑动窗口的爬坡事件检测，以固定时间窗口
Δ
t
检测当前时刻
t
所对应的风电功率变化，若满足定义1，则判断
t
‑
Δ
t
时刻为一个爬坡事件的起始时刻
t
start
，若相邻的下一数据点仍满足定义1，则将其合并为同一个爬坡事件，起始时刻仍为
t
start
，即
t
‑2Δ
t
，直到当前时刻
t
s
所对应的风电功率波动满足：
[0013]P(t
s
+
△
t)
‑
P(t
s
)|
＜
λ
val
[0014]则判断为当前爬坡事件结束，此时所对应的时刻
t
s
为这一完整爬坡事件的终止时间
t
end
。
[0015]作为本专利技术所述的基于爬坡特征的深远海风电功率短期预测方法的一种优选方案，其中，所述构建
NWP
特征扩充过程包括选取风速
、
风向以及温度的核心数据，增加了训练样本数据；采用相关性以及互信息量分析深远海风电功率与特征之间的线性
/
非线性关系；通过
PCA
降维，提取影响深远海风电功率预测的特征
。
[0016]作为本专利技术所述的基于爬坡特征的深远海风电功率短期预测方法的一种优选方案，其中，所述融合特征工程算法包括检测到的所有爬坡事件的表征量作为相关性分析的特征量，得到爬坡事件对应的向量矩阵，表示为：
[0017][0018]其中，
m
表示最终检测得到的完整爬坡事件总数；
R
RR
表征爬坡率；
R
RM
表征爬坡幅值，
R
RD
表征爬坡持续时间，
R
RS
表征爬坡开始时间，
R
RE
表征爬坡结束时间；与之对应进行相关性分析的气象数据表示为：
[0019]W
H
＝
[w
H1 w
H2
ꢀ…ꢀ
w
Hq
][0020]其中，
q
为气象指标的总数；使用两种方法，挖掘爬坡事件特征量与气象指标之间的关系，提取气象特征
。
[0021]作为本专利技术所述的基于爬坡特征的深远海风电功率短期预测方法的一种优选方案，其中，所述提取
PCA
特征包括选取指标，建立原数据的相关矩阵，求其协方差
、
特征值以及特征向量，获得方差贡献率以及累计方差贡献率，以此来确定主成分；
[0022]步骤为，构建相应的样本数据矩阵，假设有
N
个对象，
m
个指标，则样本原数据通过
N
×
m
阶的矩阵
X
...

【技术保护点】

【技术特征摘要】
1.
一种基于爬坡特征的深远海风电功率短期预测方法，其特征在于，包括：建立爬坡事件检测模型，基于状态标记和滑动窗口改进的
PRAA
算法进行爬坡事件检测并提取特征量；构建
NWP
特征扩充过程，引入风速
、
风向以及温度的历史数据的最大值
、
最小值
、
平均值以及差值作为
NWP
特征扩充值，扩充深远海气象因素特征样本维度；融合特征工程算法，通过相关性以及互信息量分析方法计算深远海风电功率与潜在影响因素之间的线性
/
非线性关系；提取
PCA
特征，通过
PCA
对数据进行特征提取，计算潜在特征作为
LightGBM
网络的输入量；训练
LightGBM
网络进行深远海风电功率短期预测
。2.
如权利要求1所述的一种基于爬坡特征的深远海风电功率短期预测方法，其特征在于：所述建立爬坡事件检测模型包括通过
PRAA
算法检测爬坡事件，对经过
PRAA
算法压缩后的数据集中的数据点，按照爬坡段的状态进行分类标记，采用滑动窗口完成最终爬坡事件的动态检测；基于状态标记的爬坡事件检测，将数据集中的数据点，按照状态将其分为上升
、
平稳以及下降，表示为：其中，
P
iPRAA
即为
i
时刻所对应压缩后的风电功率数据，为功率变化量，
M
为阈值，当数据点与下一个数据点之间为上升趋势，且幅值变化满足上爬坡定义则将数据点标记为1，不满足爬坡定义的数据点全部标记为0；基于滑动窗口的爬坡事件检测，以固定时间窗口
Δ
t
检测当前时刻
t
所对应的风电功率变化，若满足定义1，则判断
t
‑
Δ
t
时刻为一个爬坡事件的起始时刻
t
start
，若相邻的下一数据点仍满足定义1，则将其合并为同一个爬坡事件，起始时刻仍为
t
start
，即
t
‑2Δ
t
，直到当前时刻
t
s
所对应的风电功率波动满足：
P(t
s
+
△
t)
‑
P(t
s
)|
＜
λ
val
则判断为当前爬坡事件结束，此时所对应的时刻
t
s
为这一完整爬坡事件的终止时间
t
end
。3.
如权利要求2所述的一种基于爬坡特征的深远海风电功率短期预测方法，其特征在于：所述构建
NWP
特征扩充过程包括选取风速
、
风向以及温度的核心数据，增加了训练样本数据；采用相关性以及互信息量分析深远海风电功率与特征之间的线性
/
非线性关系；通过
PCA
降维，提取影响深远海风电功率预测的特征
。4.
如权利要求3所述的一种基于爬坡特征的深远海风电功率短期预测方法，其特征在于：所述融合特征工程算法包括检测到的所有爬坡事件的表征量作为相关性分析的特征量，得到爬坡事件对应的向量矩阵，表示为：
其中，
m
表示最终检测得到的完整爬坡事件总数；
R
RR
表征爬坡率；
R
RM
表征爬坡幅值，
R
RD
表征爬坡持续时间，
R
RS
表征爬坡开始时间，
R
RE
表征爬坡结束时间；与之对应进行相关性分析的气象数据表示为：
W
H
＝
[w
H1 w
H2
ꢀ…ꢀ
w
Hq
]
其中，
q
为气象指标的总数；使用两种方法，挖掘爬坡事件特征量与气象指标之间的关系，提取气象特征
。5.
如权利要求4所述的一种基于爬坡特征的深远海风电功率短期预测方法，其特征在于：所述提取
PCA
特征包括选取指标，建立原数据的相关矩阵，求其协方差
、
特征值以及特征向量，获得方差贡献率以及累计方差贡献率，以此来确定主...

【专利技术属性】
技术研发人员：杜伟安，杨晓东，吕金睿，黄冬梅，时帅，宋巍，王晓亮，祁少俊，戴文娟，王黎，
申请(专利权)人：华能浙江能源开发有限公司清洁能源分公司，
类型：发明
国别省市：