【技术实现步骤摘要】
本专利技术涉及电网管理，具体涉及一种基于lightgbm-sarima的风功率中长期组合预测方法。
技术介绍
1、风能具有可再生、清洁、资源丰富等特点，在全世界范围内得到了广泛的开发和利用。风力发电在全球已成为具备最大规模开发和工业化前景的新型电力能源。迄今为止，中国风电装机容量已经达到3亿kw，年装机量达到2200万kw，风电已占全国电力的8.7％以上，但随着中国风电的快速发展，电网接入运行难、风电制造盲目发展等问题逐步产生，需要在风电开发规划和建设管理，风电开发与电网的协调。风电在一定程度上缓解能源危机和环境压力的同时，大规模的风电并网也给电力系统带来了一些不利影响。风电场的有功出力由风速决定，由于风速本身固有的随机性和间歇性！加大了风速预测的难度，由此会导致风电场的输出功率的可控性降低。随着风电在电网中所占比例的不断增加，风电输出功率的不确定性和波动性将会给电力系统的稳定运行带来挑战，进而制约风电发展规模，因此准确预测风电功率可以提高电网运行的安全性和可靠性。
2、风电功率预测方法按照预测时间长短可分为：长期预测、中期预测、短期预测和超短期预测。其中长期预测为依据往年的年发电情况预测年发电量大小、中期预测为预测未来一周每天的功率数值大小、短期预测为预测未来几天的功率数值大小、超短期预测为预测未来几小时的功率数值大小。
3、风电功率预测方法按照模型分类可分为物理法、统计预测法、人工智能法等3大类。其中，物理模型的建立过程较为复杂，由于风电功率信号具有典型非平稳时间序列的特征，传统的物理预测方法效果较差
4、虽然已有大量文献从组合预测模型算法等方面进行风电功率预测技术研究，且在一定程度上改善了预测效果，但其组合预测结果的方法过于粗放，亟需更高精度的风电功率组合预测方法来满足电网能量管理严格的要求。尤其是在风电功率的中长期预测方面，虽然中长期的风电预测应用相对于风电功率的短期超短期预测偏少，但其能够协助风电的资源评测，方便风电场的机组检修安排，从宏观上也能减少弃风，提高风电场的发电量和容量系数，为风电的长期发展以及电网的建设调度提供辅助支撑，因此研究高精度的风电功率中长期预测具有重要应用意义。现有的风电功率中长期预测技术中主要有以下几点问题，一是风电功率中长期预测相对于短期预测来说其精度较低，且呈现随着预测时长的增加预测精度也逐步降低，二是以天气预报数据作为输入的预测模型极易受天气预报数值准确的影响，天气预报的偏差是功率预测精度的重要因素，三是智能挖掘法需要精准的组合权重计算支撑，用于融合不同类型预测模型的输出结果，为此本专利技术特提供了一种基于lightgbm-sarima的风功率中长期组合预测方法。lightgbm模型不仅能够挖掘输出与相关输入变量之间的空间和时序关联性，对于大数据驱动的模型训练过程拟合能力更强，且不易陷入局部最优和过拟合，更适用于挖掘天气状态变化与风功率波动的内在关联和潜在规律。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种提高了风电功率中长期预测的准确性和稳定性的基于lightgbm-sarima的风功率中长期组合预测方法及介质。本专利技术克服其技术问题所采用的技术方案是：
2、一种基于lightgbm-sarima的风功率中长期组合预测方法，包括如下步骤：
3、a)收集风电场所在地区风速、气温、风电功率信息，得到数据集r；
4、b)将气候历史特征和气候预测值输入到lightgbm模型中进行训练，得到气象数据修正模型model_r，利用气象数据修正模型model_r得到数据集矩阵gr；
5、c)将数据集矩阵gr划分为训练集矩阵s、测试集矩阵t、验证集矩阵v；
6、d)对lightgbm模型进行训练，得到lightgbm预测模型model_l，对sarima模型进行训练，得到sarima预测模型model_s；
7、e)计算lightgbm预测模型model_l的权重w1及sarima预测模型model_s的权重w2；
8、f)收集风电场所在地区7天的风速、气温、预报风速、预报气温、风电功率信息，将采集的预报风速数据、预报气温数据输入到修正模型model_r中，得到预报风速修正日均值和预报气温的修正日均值，根据7天的风速计算得到风速日均值，根据7天的气温得到气温日均值，根据7天的风电功率得到风电功率日均值；
9、g)将得到的风速日均值、预报风速修正日均值、气温日均值、预报气温的修正日均值输入到lightgbm预测模型model_l中，应用递归多步预测策略，得到未来7天的风电功率预测结果f1；
10、h)将得到的风电功率日均值输入到sarima预测模型model_s中，应用递归多步预测策略，得到未来7天的风电功率预测结果f2；
11、i)根据预测结果f1和预测结果f2加权计算得到最终预测结果f。
12、进一步的，步骤a)包括如下步骤：
13、a-1)根据风电场所在地区位置信息获取24个月的气象预报历史数据csv文件，得到时间间隔为15分钟的风速信息和气温信息；
14、a-2)从scada数据库中读取该风电场的风电功率参数的24个月历史数据保存的csv文件，得到时间间隔为15分钟的n个风电功率信息；
15、a-3)将获得的风速信息、气温信息、风电功率信息利用python软件进行合并处理，本文档来自技高网...
【技术保护点】
1.一种基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于，步骤a)包括如下步骤：
3.根据权利要求2所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于：步骤b-4)中使用数据集矩阵G对LightGBM模型进行优化时，对LightGBM模型的超参数和权重进行初始化，通过贝叶斯优化方法和均方根误差评价指标获取优化后的LightGBM模型最佳参数，输入特征数值对参数优化的LightGBM模型进行训练。
5.根据权利要求1所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于：步骤c)中将数据集矩阵Gr以8:1:1的比例划分为训练集矩阵S、测试集矩阵T、验证集矩阵V。
6.根据权利要求3所述的基于LightGBM-SARI
7.根据权利要求1所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于：步骤e)中将测试集矩阵T输入到LightGBM预测模型Model_L中利用Frank-Wolfe算法计算得到LightGBM预测模型Model_L的权重W1，将测试集矩阵T输入到SARIMA预测模型Model_S中利用Frank-Wolfe算法计算得到SARIMA预测模型Model_S的权重W2。
8.根据权利要求1所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于：步骤i)中通过公式F＝W1*F1+W2*F2计算得到最终预测结果F。
9.根据权利要求8所述的基于LightGBM-SARIMA的风功率中长期组合预测方法，其特征在于：W1取值为0.38，W2取值为0.62。
10.一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
...【技术特征摘要】
1.一种基于lightgbm-sarima的风功率中长期组合预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于lightgbm-sarima的风功率中长期组合预测方法，其特征在于，步骤a)包括如下步骤：
3.根据权利要求2所述的基于lightgbm-sarima的风功率中长期组合预测方法，其特征在于，步骤b)包括如下步骤：
4.根据权利要求3所述的基于lightgbm-sarima的风功率中长期组合预测方法，其特征在于：步骤b-4)中使用数据集矩阵g对lightgbm模型进行优化时，对lightgbm模型的超参数和权重进行初始化，通过贝叶斯优化方法和均方根误差评价指标获取优化后的lightgbm模型最佳参数，输入特征数值对参数优化的lightgbm模型进行训练。
5.根据权利要求1所述的基于lightgbm-sarima的风功率中长期组合预测方法，其特征在于：步骤c)中将数据集矩阵gr以8:1:1的比例划分为训练集矩阵s、测试集矩阵t、验证集矩阵v。
6.根据权利...
【专利技术属性】
技术研发人员：王士柏，王楠，关逸飞，刘奕元，程艳，孙树敏，于芃，杨颂，周光奇，王成龙，邢家维，孙立群，袁帅，张辉，刘军，李俊恩，王彦卓，郭永超，常万拯，李庆华，
申请(专利权)人：国网山东省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。