【技术实现步骤摘要】
本专利技术属于风电功率预测，尤其涉及一种短期风电功率概率预测方法、系统及存储介质。
技术介绍
1、随着能源消费的增长速度加快，传统的化石能源被过度消耗，由此产生的环境污染等问题越来越严重，全球能源消纳急剧增加，供需矛盾不断恶化，已经将发展新能源作为应对能源问题的有效途径。在可再生能源中，储备量丰富、环境要求较低且分布非常广的风能正逐步被世界各国开发利用。与火电。水电等常规电源不同，风力发电主要通过风电机组捕获风能，然后将风能转化为发电机叶片的动能，最终转化为电能并入电网加以利用，因此风电功率的大小主要由风速决定，但由于地理因素和气象条件的制约和影响，风速具有明显的随机性、波动性、间歇性和不可控性，使得风电功率也具有很强的随机波动性。大规模的风电并入电网，需要常规电源预留大量旋转备用容量来平衡未知风电功率以满足负荷需求，这不仅会降低电力系统运行的经济性，而且会使得电网的电能质量下降。
2、因此，有必要提供一种精确的风电功率预测技术，通过预测未来的风电功率为电力系统经济调度提供数据支持，方便对未来的风险提前做出应对策略。
技术实现思路
1、有鉴于此，本专利技术提供了一种精确预测风电功率和提高风能利用率的短期风电功率概率预测方法、系统及存储介质，来解决上述存在的技术问题，具体采用以下技术方案来实现。
2、第一方面，本专利技术提供了一种短期风电功率概率预测方法，包括以下步骤：
3、获取风电场预测需要的风功率相关数据，其中，风功率相关数据包括历史数据和地理
4、将历史数据中的噪声信号、缺失数据和异常数据通过数据收集、数据清理、数据集成、数据规约和数据变换得到原始数据，其中，数据收集包括确定预测的目的和需要数据内容，数据清理包括将从数据库中删除缺失和有故障的数据，数据集成包括冗余处理和冲突数据检测，通过数据规约降低无效和错误数据对构建模型的影响，数据变换包括将数据转换成用于模型训练的形式；
5、对原始数据进行数据预处理得到样本数据，其中，数据预处理包括风电数据聚类处理和风电数据分解处理；
6、对样本数据进行特征信息提取并输入至已训练的深度神经网络中进行训练得到风电功率预测结果，对风电功率预测结果进行分类分析以完成短期风电功率概率预测。
7、作为上述技术方案的优选，风电数据聚类处理包括：
8、预设待聚类样本数据集x，x中包含n个样本，即x＝{x1,x2...xn}，每个样本具有m维数据，即第i个样本向量为xi＝{xi1,xi2...xim}，指标集ix＝{1,2...n}；
9、计算各样本间的距离dij的表达式为设置截断距离dc并计算每个样本的局部密度ρi，根据距离矩阵dij包含n＝n(n-1)/2个距离值，将距离值升序排序，取排序后的距离矩阵行数2％位置处的距离值为截断距离，若数据集n<1000，则局部密度ρi的表达式为
10、若数据集n≥1000，则局部密度ρi可采用截断核函数计算，对应的表达式为当dij-dc<0时，x(dij-dc)＝1；当dij-dc≥0时，x(dij-dc)＝0；
11、将局部密度进行降序排序，其排序后序列为ρ＝{ρ1,ρ2...ρn}，即满足表达式为计算每个样本的聚类中心距离δ的表达式为
12、计算评价指标γi并对其进行降序排序以绘制决策图，根据决策图可知聚类个数c和聚类中心位置q＝{q1,q2...qc}，q∈ix，γi的表达式为γi＝ρi*δi,i＝1,2...n，求出初始聚类中心值z＝{z1,z2...zc}，zk为数据集x中第qk个样本值，k＝1,2...c，并将原始数据集x中的c个聚类中心值z和聚类个数c代入聚类算法中，计算隶属度矩阵u的表达式为其中r表示模糊权重指数，r∈[1,+∞)，dik表示第i个样本与第k类聚类中心的距离，uik表示第i个样本属于第k类的隶属度；
13、计算更新聚类中心z的表达式为计算聚类目标值，判断是否达到满足条件或是否达到最大迭代次数，满足则进入下一步，否则跳至计算隶属度矩阵，聚类目标函数的表达式为
14、根据软化分规则对样本进行分类，求出样本i的最大隶属度uik，若满足uik>0.5+0.5c-1，则样本xi被唯一划分到类别k中；若其满足uik>(c+δ)-1，则样本xi被划分为类别k的同时可属于其他类别，其中，c表示聚类个数，δ表示重叠度；样本集x′划分完成后，将删除的聚类中心样本对应归类到c种类别中，直至聚类完成。
15、作为上述技术方案的优选，风电数据分解处理包括：
16、采用变分模态分解vmd将风电原始数据分解为低频序列和高频序列，其中，低频序列反映原功率数据的整体波动趋势，高频分量体现对应时刻的细节信号和噪声信号，vmd的具体分解过程包括：
17、采用hilbert变换计算模态函数uk(t)的解析信号来获得单边频谱的表达式为其中，
18、通过模态分解信号与其中心频率项混合，将各模态频谱调制到基频带的表达式为
19、根据调制信号梯度方向的平方l2范数估计各模态的带宽的表达式为
20、其中，{uk(t)}＝{u1(t),u2(t)...uk(t)}表示k个模态分量，{ωk}＝{ω1,ω2...ωk}表示各个模态的中心频率；
21、引入二次罚函数和拉格朗日乘子λ得到的拉格朗日函数为：
22、
23、采用交替方向乘子算法解决变分问题，通过交替更新求解拉格朗日表达式即cn的最优解，其模态分量uk和中心频率ωk分别表示为
24、作为上述技术方案的优选，将历史数据中的噪声信号、缺失数据和异常数据通过数据收集、数据清理、数据集成、数据规约和数据变换得到原始数据，包括：
25、构建含噪声的风功率数据信号模型的表达式为p(x)＝p(x)+ω(x)，其中，p(x)表示实测风功率数据信号，ω(x)表示白噪声数据信号，p(x)表示含噪声的风功率数据信号；
26、对含噪声的风功率数据信号进行小波变换，在空间中满足cψ函数或信号ψ(x)，对应的表达式为其中，r+表示全体正实数，表示ψ(x)的傅里叶转换，ψ(a,b)(x)表示由小波母函数ψ(x)自动生成的依赖于参数a和b的连续小波运算函数，a表示弹性伸缩影响因子，b表示平行移动影响因子；
27、数据信号f(x)持续小波变换的表达式为对自动恢复调整的数据信号与重复多次的数据信号进行逆变换的表达式为对信号f(x)进行离散小波变换的计算表达式为对自动恢复调整的数据信号与重新构建的数据信号进行逆变换的表达式为其中，b表示一个和数据信号无关的常数量。
28、作为上述技术方案的优选，对运算函数f(x)∈l2(r)都由辨识率2-n的低频部分组成、由辨识率2-j(i≤j≤n)的高频组成部分，对数据信号展开重新构建的表达式为f(x)＝an+dn+dn-1+...d2+d1，其中，f(x)表示数据本文档来自技高网...
【技术保护点】
1.一种短期风电功率概率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，风电数据聚类处理包括：
3.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，风电数据分解处理包括：
4.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，将历史数据中的噪声信号、缺失数据和异常数据通过数据收集、数据清理、数据集成、数据规约和数据变换得到原始数据，包括：
5.根据权利要求4所述的短期风电功率概率预测方法，其特征在于，还包括：
6.根据权利要求4所述的短期风电功率概率预测方法，其特征在于，对异常数据和缺失数据处理包括：
7.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，对样本数据进行特征信息提取并输入至已训练的深度神经网络中进行训练得到风电功率预测结果，包括：
8.根据权利要求7所述的短期风电功率概率预测方法，其特征在于，采用马尔科夫链对预测模型进行预测分析，具体包括：
9.一种根据权利要求1-8任一项所述的短期风电功率概
10.一种计算机可读存储介质，存储有用于实现权利要求1-8任一项所述的短期风电功率概率预测方法的计算机程序。
...【技术特征摘要】
1.一种短期风电功率概率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，风电数据聚类处理包括：
3.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，风电数据分解处理包括：
4.根据权利要求1所述的短期风电功率概率预测方法，其特征在于，将历史数据中的噪声信号、缺失数据和异常数据通过数据收集、数据清理、数据集成、数据规约和数据变换得到原始数据，包括：
5.根据权利要求4所述的短期风电功率概率预测方法，其特征在于，还包括：
6.根据权利要求4所述的短期风电功率概率预...
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。