一种基于制造技术

本发明专利技术涉及一种基于

【技术实现步骤摘要】
一种基于Vague软集的海上风电功率区间预测方法


[0001]本专利技术涉及功率预测领域，尤其是涉及一种基于
Vague
软集的海上风电功率区间预测方法
。

技术介绍

[0002]海上风电是优质的新能源资源之一，对电力低碳转型具有重要意义
。
然而，由于受风
、
浪
、
涌
、
流等复杂海洋环境影响，海上风电系统的功率输出存在着高度耦合的强不确定性，进而给海上风电场并网运行带来了巨大的安全挑战
。
因此，为提升海上风电场的感知能力，保障海上风电与电网的对接，亟需引入合适的预测方法来精准追踪海上风电功率的变化趋势
。
[0003]如公开号为
CN115563884A
的专利，其公开了一种基于海气耦合模式的海上风资源预测方法
。
利用层次聚类法对基于海上耦合模式预报的历史环境要素预报值进行聚类分析；然后利用
LSTM
神经网络算法对聚类模型进行训练，建立海上风资源分类预测模型；最后将基于海上耦合模式预报的预测日环境要素预报值代入分类预测模型，实现海上风资源的预测，有助于提升海上风电功率预测精度
。
[0004]该方法所用的模型为海上风电功率的数值预测模型，其功率预测结果难以准确涵盖海上风电系统的波动性与不确定性
。
因此需要提出一种能够反映海上风电不确定性的海上风电功率区间预测方法，以保障海上风电系统及其接入电网的安全稳定运行
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的难以准确涵盖海上风电系统的波动性与不确定性的缺陷而提供一种基于
Vague
软集的海上风电功率区间预测方法
。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于
Vague
软集的海上风电功率区间预测方法，包括如下步骤：
[0008]步骤
1、
收集海上风电功率的历史电功率数据；
[0009]步骤
2、
对历史电功率数据进行清洗得到清洗后的数据，清洗后的数据切分成若干区间的数据，将各个区间的数据使用真隶属度函数和伪隶属度函数进行转换得到转换后的数据，取转换后数据的并集得到
Vague
软集；
[0010]步骤
3、
将
Vague
软集进行编码，将编码结果进行数据特征提取，并进行时序预测，得到的时序预测结果为区间预测概率集；
[0011]步骤
4、
通过类
Vague
区间转化规则将区间预测概率集转换为区间结果，区间结果即海上风电功率区间预测结果
。
[0012]进一步地，步骤2进行数据清洗的方法为孤立森林算法，孤立森林算法包括如下步骤：在二叉树中检索样本点，根据检索结果计算各个样本点的异常值，将各个样本点按照异常值从高到低进行排序，从排序结果首项开始选取预设比例数量的点作为异常点
。
[0013]进一步地，步骤2中清洗后的数据进行切分的方法的表达式为：
[0014]D
k
＝
[x
k
‑
d,x
k
+d],k
＝
1,2,...,n
[0015]x
i
‑
x
i
‑1＝
d,i
＝
2,3,...,n
[0016]式中，
D
k
为第
k
个区间，
d
为区间半径，
n
为区间个数，
x
k
为区间中点，
x1为风机最小输出功率，
x
n
为风机最大输出功率，
x
i
‑
x
i
‑1为第
i
个区间中点值与第
i
‑1个区间中点值的差
。
[0017]进一步地，步骤2中的真隶属度函数和伪隶属度函数的表达式分别为：
[0018][0019][0020]式中，
u
为样本点，
d
为区间半径，
t
k
(u)
为样本点
u
对于区间
D
k
的真隶属度，
x
k
为区间中点，
f
k
(u)
为样本点
u
对于区间
D
k
的伪隶属度
。
[0021]进一步地，步骤3中，编码所用的方法为
Vague
‑
CNN
，
Vague
‑
CNN
的输入为真隶属度函数转换后的数据和伪隶属度函数转换后的数据；输出为真隶属度编码信息和伪隶属度编码信息
。
[0022]进一步地，步骤3中进行特征提取的方法为
Vague
‑
LSTM
神经网络，对
Vague
‑
CNN
输出的真隶属度编码信息和伪隶属度编码信息进行时序分析，提取
Vague
软集包含的长期特征，并进行预测，输出包含
Vague
不确定性信息的概率矩阵
。
[0023]进一步地，步骤3中使用
Vague
‑
LSTM
神经网络进行时序预测的表达式为：
[0024][f
vt,t
,f
vf,t
]＝
σ
(w
f
·
[[h
vt,t
‑1,h
vf,t
‑1],[x
vt,t
,x
vf,t
]]+b
f
)
[0025][i
vt,t
,i
vf,t
]＝
σ
(w
i
·
[[h
vt,t
‑1,h
vf,t
‑1],[x
vt,t
,x
vf,t
]]+b
i
)
[0026][o
vt,t
,o
vf,t
]＝
σ
(w
o
·
[[h
vt,t
‑1,h
vf,t
‑1],[x
vt,t
,x
vf,t
]]+b
o
)
[0027][0028][0029][0030]式中，
[f
vt,t
,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，包括如下步骤：步骤
1、
收集海上风电功率的历史电功率数据；步骤
2、
对历史电功率数据进行清洗得到清洗后的数据，将清洗后的数据切分成多个区间，将各个区间的数据使用真隶属度函数和伪隶属度函数进行转换得到转换后的数据，取转换后数据的并集得到
Vague
软集；步骤
3、
将
Vague
软集进行编码，将编码结果进行数据特征提取，并进行时序预测，得到的时序预测结果为区间预测概率集；步骤
4、
通过类
Vague
区间转化规则将区间预测概率集转换为区间结果，该区间结果即海上风电功率区间预测结果
。2.
根据权利要求1所述的一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，所述步骤2进行数据清洗的方法为孤立森林算法，所述孤立森林算法包括如下步骤：在二叉树中检索样本点，根据检索结果计算各个样本点的异常值，将各个样本点按照异常值从高到低进行排序，从排序结果首项开始选取预设比例数量的点作为异常点
。3.
根据权利要求1所述的一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，所述步骤2中清洗后的数据进行切分的方法的表达式为：
D
k
＝
[x
k
‑
d,x
k
+d],k
＝
1,2,...,nx
i
‑
x
i
‑1＝
d,i
＝
2,3,...,n
式中，
D
k
为第
k
个区间，
d
为区间半径，
n
为区间个数，
x
k
为区间中点，
x1为风机最小输出功率，
x
n
为风机最大输出功率，
x
i
‑
x
i
‑1为第
i
个区间中点值与第
i
‑1个区间中点值的差
。4.
根据权利要求1所述的一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，所述的真隶属度函数和伪隶属度函数的表达式分别为：于，所述的真隶属度函数和伪隶属度函数的表达式分别为：式中，
u
为样本点，
d
为区间半径，
t
k
(u)
为样本点
u
对于区间
D
k
的真隶属度，
x
k
为区间中点，
f
k
(u)
为样本点
u
对于区间
D
k
的伪隶属度
。5.
根据权利要求4所述的一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，所述步骤3中，编码所用的方法为
Vague
‑
CNN
网络，该
Vague
‑
CNN
网络的输入为真隶属度函数转换后的数据和伪隶属度函数转换后的数据；输出为真隶属度编码信息和伪隶属度编码信息
。6.
根据权利要求5所述的一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，所述步骤3中进行特征提取的方法为
Vague
‑
LSTM
神经网络，对所述
Vague
‑
CNN
输出的真隶属度编码信息和伪隶属度编码信息进行时序分析，提取
Vague
软集包含的长期特征，并进行预测，输出包含
Vague
不确定性信息的概率矩阵
。7.
根据权利要求6所述的一种基于
Vague
软集的海上风电功率区间预测方法，其特征在于，所述步骤3中使用
Vague
‑
LSTM
神经网络进行时序预测的表达式为：
[f
vt,t
,f
vf,t
]
＝
σ
(w
f
·
[[h
vt,t
‑1,h
vf,t
‑1],[x
vt,t
,x
vf,t
]]+b
f
)[i
vt,t
,i
vf,t
]
＝
σ<...

【专利技术属性】
技术研发人员：田书欣，朱峰，李振坤，符杨，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：