【技术实现步骤摘要】
本专利技术涉及新能源，尤其涉及一种基于多塔多层测风数据的风电功率预测方法。
技术介绍
1、风电功率预测通常采用物理方法或者统计方法，物理方法考虑nwp数据和风电场所处地形以及气候等因素来预测风电功率；统计方法通常使用历史风速、历史功率来预测风电功率。随着机器学习与深度学习的发展，基于机器学习和深度学习的风电功率预测方法譬如使用极限学习机、支持向量机、最小二乘向量机；循环神经网络、长短期记忆进行短期、中期、长期的风电功率预测方面都取得了一定的进展与突破。
2、但是传统的风电功率预测大部分并没有考虑针对极端天气情况下的风电功率预测进行特殊处理。少数论文中提到譬如可以根据欧式距离、熵、相关性系数等方式找出与预测集相似性较高的训练集来进行预测；根据聚类方法找出风速、天气模式相似的数据作为训练集进行预测；根据模型定向选取相似日数据作为训练集进行预测等等，但是这些方法不仅涉及大量的相似度计算导致系统开销大，且并没有根本性地解决由于极端大风天气由于样本稀缺导致的误差极大的情况，所以风电功率预测领域中针对极端大风天气下的风电功率预测是亟需解决的问题。
技术实现思路
1、本专利技术提供一种基于多塔多层测风数据的风电功率预测方法，用以解决现有技术中极端天气下风电功率预测误差较大的缺陷。
2、本专利技术提供一种基于多塔多层测风数据的风电功率预测方法，包括：
3、获取待预测风电场的综合风速数据；
4、根据所述综合风速数据，构建风速距平矩阵；
5、
6、根据所述风速主分量，构建风电功率预测模型；
7、通过所述风电功率预测模型进行风电功率的预测。
8、根据本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，所述综合风速数据包括历史测量数据和超前预测数据；
9、所述历史测量数据是所述待预测风电场中的气象观测站测量得到的；
10、所述超前预测数据是通过数值天气预报预测得到的。
11、根据本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，所述根据所述综合风速数据，构建风速距平矩阵这一步骤，具体包括：
12、将所述历史测量数据和所述超前预测数据进行距平值转换；
13、根据转换后的历史测量数据和超前预测数据，构建风速距平矩阵；
14、所述风速距平矩阵如下：
15、x＝vy＝[v1、v2…vi…vm]t·[y1、y2…yi…ym]t；
16、其中，vi＝[v1、v2…vi…vm]t为第i个历史测量数据的特征向量，yi＝[y1、y2…yi…ym]t为第i个超前预测数据的特征向量。
17、根据本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，所述根据所述风速主分量，构建风电功率预测模型这一步骤，具体包括：
18、根据累计解释方差选取一部分所述风速主分量作为风功率预测值；
19、将所述风速主分量和所述风功率预测值进行拟合，建立多元非线性回归模型，得到风电功率预测模型；
20、所述风电功率预测模型如下：
21、
22、其中，p为风电功率，yi为第i个主分量，下标n1，n2…nn为拟合最高次数，为风功率预测值。
23、根据本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，所述将所述风速主分量和所述风功率预测值进行拟合，建立多元非线性回归模型，得到风电功率预测模型这一步骤，具体包括：
24、根据所述风功率预测值，构建区间数风速矩阵，所述区间数风速矩阵中的元素为区间值；
25、将所述风速主分量和所述区间数风速矩阵进行拟合，建立多元非线性回归模型，得到风电功率预测模型‘
26、所述区间数风速矩阵如下：
27、
28、其中，j为风功率预测值的开始点，为所述风功率预测值的区间值。
29、根据本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，在通过所述风电功率预测模型进行风电功率的预测之后，所述基于多塔多层测风数据的风电功率预测方法还包括以下步骤：
30、根据预测结果，确定相对误差指标；
31、根据所述相对误差指标，修正所述风电功率预测模型；
32、所述相对误差指标如下：
33、
34、其中，uh为相对误差指标，和分别为区间数风速矩阵中区间值fpi和实际风功率pi的中点，和分别为区间数风速矩阵中区间值fpi和实际风功率pi的半径值，n为预测数据的个数。
35、根据本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，在通过所述风电功率预测模型进行风电功率的预测之后，所述基于多塔多层测风数据的风电功率预测方法还包括以下步骤：
36、获取常规电力资源数据；
37、根据风电功率的预测结果以及所述常规电力资源数据，进行用电资源调度。
38、本专利技术还提供一种基于多塔多层测风数据的风电功率预测系统，包括：
39、数据获取单元，用于获取待预测风电场的综合风速数据；
40、矩阵构建单元，用于根据所述综合风速数据，构建风速距平矩阵；
41、矩阵分解单元，用于基于经验正交函数，将所述风速距平矩阵进行分解，得到风速主分量；
42、模型构建单元，用于根据所述风速主分量，构建风电功率预测模型；
43、功率预测单元，用于通过所述风电功率预测模型进行风电功率的预测。
44、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多塔多层测风数据的风电功率预测方法。
45、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多塔多层测风数据的风电功率预测方法。
46、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多塔多层测风数据的风电功率预测方法。
47、本专利技术提供的一种基于多塔多层测风数据的风电功率预测方法，通过获取待预测风电场的综合风速数据；根据所述综合风速数据，构建风速距平矩阵；基于经验正交函数，将所述风速距平矩阵进行分解，得到风速主分量；根据所述风速主分量，构建风电功率预测模型；通过所述风电功率预测模型进行风电功率的预测。通过这种方法，提前了包含有风电场风速变化信息的风速主分量，从而构建能够准确表征风电场风速变化的风电功率预测模型，通过该风电功率预测模型能够有效提高爬坡时段的风功率预测精度。
本文档来自技高网...【技术保护点】
1.一种基于多塔多层测风数据的风电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述综合风速数据包括历史测量数据和超前预测数据；
3.根据权利要求2所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述根据所述综合风速数据，构建风速距平矩阵这一步骤，具体包括：
4.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述根据所述风速主分量，构建风电功率预测模型这一步骤，具体包括：
5.根据权利要求4所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述将所述风速主分量和所述风功率预测值进行拟合，建立多元非线性回归模型，得到风电功率预测模型这一步骤，具体包括：
6.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，在通过所述风电功率预测模型进行风电功率的预测之后，所述基于多塔多层测风数据的风电功率预测方法还包括以下步骤：
7.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其特征
8.一种基于多塔多层测风数据的风电功率预测系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于多塔多层测风数据的风电功率预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多塔多层测风数据的风电功率预测方法。
...【技术特征摘要】
1.一种基于多塔多层测风数据的风电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述综合风速数据包括历史测量数据和超前预测数据；
3.根据权利要求2所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述根据所述综合风速数据，构建风速距平矩阵这一步骤，具体包括：
4.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述根据所述风速主分量，构建风电功率预测模型这一步骤，具体包括：
5.根据权利要求4所述的基于多塔多层测风数据的风电功率预测方法，其特征在于，所述将所述风速主分量和所述风功率预测值进行拟合，建立多元非线性回归模型，得到风电功率预测模型这一步骤，具体包括：
6.根据权利要求1所述的基于多塔多层测风数据的风电功率预测方法，其...
【专利技术属性】
技术研发人员：艾吉，
申请(专利权)人：辽宁天成联合科技有限公司，
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。