基于模糊理论多气象因素的风功率预测偏差分级识别方法技术

本发明专利技术一种基于模糊理论多气象因素的风功率预测偏差分级识别方法，步骤为：抽取气象预测数据构成

【技术实现步骤摘要】
基于模糊理论多气象因素的风功率预测偏差分级识别方法


[0001]本专利技术属于风功率预测偏差分级识别
，尤其涉及一种基于模糊理论的多气象因素影响的风功率预测偏差分级识别方法
。

技术介绍

[0002]现阶段，国内外学者对新型电力系统的研究主要是针对新能源特性及消纳等问题，对未来新能源装机占比更高的新型电力系统电力平衡问题开展深入分析的研究较为少见
。
而风功率预测纳入比例是电力平衡制定的重要参数，目前仍缺少系统的测定方法
。
受气象情况的影响，风功率预测可能出现各种偏差情况，综合考虑气象因素，针对气象的不确定性应用模糊理论分析风功率预测可能出现的偏差情况，是本专利技术讨论的研究方向
。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提供了一种基于模糊理论的多气象因素影响的风功率预测偏差分级识别方法，综合考虑多气象因素指标，应用语言变量对风功率预测偏差分级簇集，基于模糊传递闭包聚类和模糊模式识别方法，对待识别个体进行偏差识别，得到不同偏差等级的置信水平，为电力平衡的风功率预测纳入比例提供参考依据
。
[0004]本专利技术一种基于模糊理论的多气象因素影响的风功率预测偏差分级识别方法，包括以下步骤：
[0005]步骤
S1
：数据准备，抽取气象预测数据构成
X(x
nmt
)
，抽取风功率预测偏差数据构成
Y(y
nt
)
；
[0006]步骤
S2
：分级簇集，构建风功率预测偏差的语言变量，把
X(x
nmt
)
和
Y(y
nt
)
划分为多个簇集，后续聚类过程
S3
‑
S6
均为对单个簇集的操作；
[0007]步骤
S3
：指标构建，分别构建气象状态指标
A(a
nm
)、
气象变化速度指标
B(b
nmt
)、
气象变化幅度指标
C(c
nmt
)
；
[0008]步骤
S4
：距离计算，分别计算气象状态距离
da
nk
、
气象变化速度距离
db
nk
、
气象变化幅度距离
dc
nk
，以及综合距离
d
nk
；
[0009]步骤
S5
：模糊相似矩阵构建，计算综合距离矩阵
D(d
nk
)
的模糊相似矩阵
R(r
nk
)
；
[0010]步骤
S6
：模糊传递闭包聚类，计算模糊相似矩阵
R(r
nk
)
的传递闭包
t(R)
，选取合适的置信水平值
λ
，按
λ
截矩阵
t(R)
λ
进行聚类；
[0011]步骤
S7
：模糊模式识别，得到待识别个体的风功率预测偏差等级及其置信水平
。
[0012]所述步骤
S1
包括以下步骤：
[0013]步骤
S11
：抽取历史气象预测数据构成
X(x
nmt
)
，其中：
[0014]n
＝
1,2,
…
,N
表示日期，属于个体维度；
[0015]m
＝
1,2,
…
,M
表示气象因素，属于指标维度，选取地表压强
(Pa)、
总云量
(
％
)、10
米风速
(m/s)、10
米风向
(
°
)、2
米温度
(℃)、
辐照度
(W/m2)、100
米风速
(m/s)、100
米风向
(
°
)
等指标；
[0016]t
＝
1,2,..,T
表示时刻点，属于时序维度；
[0017]步骤
S12
：抽取历史风功率预测偏差数据构成
Y(y
nt
)
，其中
n、t
的含义同步骤
S11。
[0018]所述步骤
S2
包括以下步骤：
[0019]步骤
S21
：构建风功率预测偏差的语言变量，把
X(x
nmt
)
和
Y(y
nt
)
划分为如下所示的5个簇集，其中
ε1<
ε2<
ε3<
ε4。
[0020]ε
按照
Y(y
nt
)
的概率密度分布选取，即把
Y(y
nt
)
按顺序拉平为一个新的一维列矩阵，总个数为
N*T
，按照从小到大重新排序，从最小值到最大值每
100MW
一个区间，计算数值落在区间内的个数
g
，区间个数
g
除以总个数为区间概率，从而得到风功率预测偏差概率密度分布图，从偏差为0开始向两边扩散，往负方向
15
％位置的偏差为
ε2，往正方向
15
％位置的偏差为
ε3，
ε2往负方向
20
％位置的偏差为
ε1，
ε3往正方向
20
％位置的偏差为
ε4。
[0021][0022]E
是自定义的一个偏差分级表达式，上表是对上面偏差分级算法描述的总结
。
[0023]所述步骤
S3
包括以下步骤：
[0024]步骤
S31
：分别构建气象状态指标
A(a
nm
)、
气象变化速度指标
B(b
nmt
)、
气象变化幅度指标
C(c
nmt
)
，其中：
[0025]气象状态指标
[0026]气象变化速度指标
b
nmt
＝
x
nm(t+1)
‑
x
nmt
[0027]气象变化幅度指标
[0028]x
nmt
为气象预测数据，具体含义见步骤
S11。
[0029]所述步骤
S4
包括以下步骤：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于模糊理论多气象因素的风功率预测偏差分级识别方法，其特征在于，包括以下步骤：步骤
S1
：数据准备，抽取气象预测数据构成
X(x
nmt
)
，抽取风功率预测偏差数据构成
Y(y
nt
)
；步骤
S2
：分级簇集，构建风功率预测偏差的语言变量，把
X(x
nmt
)
和
Y(y
nt
)
划分为多个簇集；步骤
S3
：指标构建，分别构建气象状态指标
A(a
nm
)、
气象变化速度指标
B(b
nmt
)、
气象变化幅度指标
C(c
nmt
)
；步骤
S4
：距离计算，分别计算气象状态距离
da
nk
、
气象变化速度距离
db
nk
、
气象变化幅度距离
dc
nk
，以及综合距离
d
nk
；步骤
S5
：模糊相似矩阵构建，计算综合距离矩阵
D(d
nk
)
的模糊相似矩阵
R(r
nk
)
；步骤
S6
：模糊传递闭包聚类，计算模糊相似矩阵
R(r
nk
)
的传递闭包
t(R)
，选取合适的置信水平值
λ
，按
λ
截矩阵
t(R)
λ
进行聚类；步骤
S7
：模糊模式识别，得到待识别个体的风功率预测偏差等级及其置信水平
。2.
如权利要求1所述基于模糊理论多气象因素的风功率预测偏差分级识别方法，其特征在于，所述步骤
S1
包括以下步骤：步骤
S11
：抽取历史气象预测数据构成
X(x
nmt
)
，其中：
n
＝1，2，
...
，
N
表示日期，属于个体维度；
m
＝1，2，
...
，
M
表示气象因素，属于指标维度，选取指标：地表压强
(Pa)、
总云量
(
％
)、10
米风速
(m/s)、10
米风向
(
°
)、2
米温度
(℃)、
辐照度
(W/m2)、100
米风速
(m/s)、100
米风向
(
°
)
；
t
＝1，2，
..
，
T
表示时刻点，属于时序维度；步骤
S12
：抽取历史风功率预测偏差数据构成
Y(y
nt
)。3.
如权利要求2所述基于模糊理论多气象因素的风功率预测偏差分级识别方法，其特征在于，所述步骤
S2
包括以下步骤：步骤
S21
：构建风功率预测偏差的语言变量，把
X(x
nmt
)
和
Y(y
nt
)
划分为如下所示的5个簇集，其中
ε1&lt;
ε2&lt;
ε3&lt;
ε4。
ε
按照
Y(y
nt
)
的概率密度分布选取，即把
Y(y
nt
)
按顺序拉平为一个新的一维列矩阵，总个数为
N*T
，按照从小到大重新排序，从最小值到最大值每
100MW
一个区间，计算数值落在区间内的个数
g
，区间个数
g
除以总个数为区间概率，从而得到风功率预测偏差概率密度分布图，从偏差为0开始向两边扩散，往负方向
15
％位置的偏差为
ε2，往正方向
15
％位置的偏差为
ε3，
ε2往负方向
20
％位置的偏差为
ε1，
ε3往正方向
20
％位置的偏差为
ε4；具体如下：
4.
如权利要求3所述基于模糊理论多气象因素的风功率预测偏差分级识别方法，其特征在于，所述步骤
S3
包括以下步骤：步骤
S31
：分别构建气象状态指标
A(a
nm
)、
气象变化速度指标
B(b
nmt
)、
气象变化幅度指标
C(c
nmt
)
，其中：气象状态指标气象变化速度指标
b
...

【专利技术属性】
技术研发人员：黄冶，孙羽，王汉军，屈可丁，张晓天，姚广智，胡继匀，张健男，吕昌林，杨俊杰，田长翼，安丰强，李牧雨，刘红叶，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：