【技术实现步骤摘要】
本专利技术涉及风电功率预测，尤其涉及一种寒潮天气大风场景下的风电功率概率预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、风能是一种优质、丰富的可再生资源，具有强大的发展潜力，在能源结构中占据着越来越重要的地位。随着电力系统中可再生能源装机占比的提升，新型电力系统电源侧的天气属性愈加明显。大规模并网的新能源具有逆负荷特性，导致系统的电力平衡对天气变化非常敏感，而当前气象变化日趋复杂，低温寒潮天气频发，容易引发风力发电出力的大幅波动，电力系统面临“保供电”和“促消纳”的双重挑战。对风电功率进行准确预测是应对其出力波动性、提高新能源消纳水平、保障电力系统供电安全的有效手段，然而常规的风电预测方法不能很好地适应寒潮天气场景，预测误差较大，有必要研究针对寒潮天气场景的风电功率预测方法，提高预测准确性。
3、目前关于寒潮天气下风电功率的研究大多局限在定性分析上，只是分析了寒潮天气下风电功率的变化情况，但由于寒潮天气大风场景下风电功率波动性大，影响因素较多，难以实现定量的风电功率准确预测。因此，如何实现寒潮天气大风场景下风电功率的准确预测成为现有技术亟待解决的问题。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的是提供一种寒潮天气大风场景下的风电功率概率预测方法及系统，能够实现寒潮天气大风场景下风电功率的概率预测，为定性研究寒潮天气对风电的影响提供参考。
2、为了实现上述目的，本专利
3、本专利技术第一方面提供了一种寒潮天气大风场景下的风电功率概率预测方法，包括以下步骤：
4、获取寒潮天气大风场景下数值天气预报数据和风电功率数据；
5、根据数值天气预报数据与风电功率的相关性，选取出与风电功率强相关的关键气象因子；
6、构建风电功率预测模型，利用风电功率预测模型对关键气象因子与风电功率数据进行预测，得到风电功率预测值；
7、构建分位数回归概率预测模型，利用分位数回归概率预测模型对风电功率预测值进行处理，得到风电功率预测概率分布区间。
8、进一步的，使用皮尔逊相关系数分析数值天气预报数据中各气象要素与风电功率的相关性，选取出与风电功率强相关的关键气象因子，并舍弃掉其他弱相关气象因子。
9、更进一步的，构建风电功率预测模型的具体步骤为：
10、获取扩充后的样本作为训练的数据集，作为初始样本，并对初始样本进行归一化处理；
11、对归一化后的初始样本进行关键气象因子筛选，筛选后将初始样本更新成为气象因子优选后的样本；
12、利用时间序列生成对抗网络对气象因子优选后的样本进行学习和扩充，得到寒潮天气大风场景样本数据集；
13、利用寒潮天气大风场景样本数据集对风电功率预测模型进行训练，得到训练后的风电功率预测模型。
14、更进一步的，利用寒潮天气大风场景样本数据集对风电功率预测模型进行训练的具体步骤为：
15、获取扩充后的样本作为训练的数据集，并对数据进行预处理；
16、设置模型参数和目标函数，构建初步风电功率预测模型；
17、利用初步风电功率预测模型对预处理后的数据进行预测，根据预测结果调整模型参数，得到训练后的风电功率预测模型。
18、进一步的，构建分位数回归概率预测模型的具体步骤为:
19、将风电功率预测值分为训练集和测试集；
20、构建初步分位数回归概率预测模型并定义损失函数；
21、构建分位数回归函数，利用训练集和测试集对分位数回归函数进行训练和求解，得到训练好的分位数回归模型。
22、本专利技术第二方面提供了一种寒潮天气大风场景下的风电功率概率预测系统，包括：
23、数据获取模块，被配置为获取寒潮天气大风场景下数值天气预报数据和风电功率数据；
24、气象因子优选模块，被配置为根据数值天气预报数据与风电功率的相关性，选取出与风电功率强相关的关键气象因子；
25、风电功率预测模块，被配置为构建风电功率预测模型，利用风电功率预测模型对关键气象因子与风电功率数据进行预测，得到风电功率预测值；
26、概率预测模块，被配置为构建分位数回归概率预测模型，利用分位数回归概率预测模型对风电功率预测值进行处理，得到风电功率预测概率分布区间。
27、进一步的，气象因子优选模块，被配置为使用皮尔逊相关系数分析数值天气预报数据中各气象要素与风电功率的相关性，选取出与风电功率强相关的关键气象因子，并舍弃掉其他弱相关气象因子。
28、更进一步的，风电功率预测模块被配置为：
29、获取扩充后的样本作为训练的数据集，作为初始样本，并对初始样本进行归一化处理；
30、对归一化后的初始样本进行关键气象因子筛选，筛选后将初始样本更新成为气象因子优选后的样本；
31、利用时间序列生成对抗网络对气象因子优选后的样本进行学习和扩充，得到寒潮天气大风场景样本数据集；
32、利用寒潮天气大风场景样本数据集对风电功率预测模型进行训练，得到训练后的风电功率预测模型。
33、更进一步的，风电功率预测模块包括风电功率预测模型训练模块，被配置为:
34、获取扩充后的样本作为训练的数据集，并对数据进行预处理；
35、设置模型参数和目标函数，构建初步风电功率预测模型；
36、利用初步风电功率预测模型对预处理后的数据进行预测，根据预测结果调整模型参数，得到训练后的风电功率预测模型。
37、进一步的，概率预测模块包括分位数回归模型训练模块，被配置为：
38、将风电功率预测值分为训练集和测试集；
39、构建初步分位数回归概率预测模型并定义损失函数；
40、构建分位数回归函数，利用训练集和测试集对分位数回归函数进行训练和求解，得到训练好的分位数回归模型。
41、以上一个或多个技术方案存在以下有益效果：
42、本专利技术公开了一种寒潮天气大风场景下的风电功率概率预测方法及系统，首先将寒潮天气大风场景下的样本数据进行提取，并进行高影响关键气象因子优选和样本数据的扩充；基于扩充后的寒潮天气大风场景数据集设计svm风电功率预测模型深入提取大风场景下的气象特征及功率波动特性，实现针对寒潮天气大风场景的风电功率预测；更进一步的，设计了基于svm风电功率预测及分位数回归的概率预测模型，得到风电预测功率的误差分布区间，为svm模型预测结果提供更加详细的信息。最终得到寒潮天气大风场景下风电功率的概率预测结果，为定性研究寒潮天气对风电的影响提供参考。
43、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种寒潮天气大风场景下的风电功率概率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，使用皮尔逊相关系数分析数值天气预报数据中各气象要素与风电功率的相关性，选取出与风电功率强相关的关键气象因子，并舍弃掉其他弱相关气象因子。
3.如权利要求2所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，构建风电功率预测模型的具体步骤为：
4.如权利要求3所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，利用寒潮天气大风场景样本数据集对风电功率预测模型进行训练的具体步骤为：
5.如权利要求1所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，构建分位数回归概率预测模型的具体步骤为:
6.一种寒潮天气大风场景下的风电功率概率预测系统，其特征在于，包括：
7.如权利要求6所述的寒潮天气大风场景下的风电功率概率预测系统，其特征在于，气象因子优选模块，被配置为使用皮尔逊相关系数分析数值天气预报数据中各气象要素与风电功率的相关性，选取出与风
8.如权利要求7所述的寒潮天气大风场景下的风电功率概率预测系统，其特征在于，风电功率预测模块被配置为：
9.如权利要求8所述的寒潮天气大风场景下的风电功率概率预测系统，其特征在于，风电功率预测模块包括风电功率预测模型训练模块，被配置为:
10.如权利要求6所述的寒潮天气大风场景下的风电功率概率预测系统，其特征在于，概率预测模块包括分位数回归模型训练模块，被配置为：
...【技术特征摘要】
1.一种寒潮天气大风场景下的风电功率概率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，使用皮尔逊相关系数分析数值天气预报数据中各气象要素与风电功率的相关性，选取出与风电功率强相关的关键气象因子，并舍弃掉其他弱相关气象因子。
3.如权利要求2所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，构建风电功率预测模型的具体步骤为：
4.如权利要求3所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，利用寒潮天气大风场景样本数据集对风电功率预测模型进行训练的具体步骤为：
5.如权利要求1所述的寒潮天气大风场景下的风电功率概率预测方法，其特征在于，构建分位数回归概率预测模型的具体步骤为:
【专利技术属性】
技术研发人员：杨明，周皓阳，张晓斌，于一潇，李梦林，王传琦，姚巽，
申请(专利权)人：山东大学，
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。