System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电功率预测,尤其涉及一种基于通道划分和多特征提取的风电功率预测方法及系统。
技术介绍
1、随着风力发电技术日臻成熟,以及政策支持和技术进步,风电产业成长迅速,产品更新换代速度不断加快。风电单机容量和并网型风电场规模不断扩大,风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大,风电应用市场稳步增长,装机量、发电量均不断提高。给电力系统带来的一系列问题日益突出,严重威肋、电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测,可以显著增强电力系统的安全性、稳定性、经济性和可控性。
2、但是,风电场的运行环境复杂多变,数据采集过程中可能受到各种因素的干扰和噪声,导致原始数据存在种种问题。而影响风力发电的风速、风向、温度、湿度、气压等关键因素较为多变,其分布图通常是不规则的,高精度预测存在一定困难。因此,功率预测面临着重重困难,给电网运行带来了巨大挑战。因此,寻找一种高精度的区域短期风电功率预测方法尤为重要。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题,提出了本专利技术。因此,本专利技术提供了一种基于通道划分和多特征提取的风电功率预测方法解决高精度的区域短期风电功率预测的问题。
4、第一方面,本专利技术提供了一种基于通道划分和多特征提取的风电功率预测方法,包括:
5、获取区域风电场集群的功率以及影响风电功率的关键环境因素的数据;
6、基于风电场集群数据的经纬度为横纵坐标,对所述关键环境因素的数据进行经纬度网格化;
7、基于所述经纬度网格化,对风电场集群数据进行通道划分,将影响风电功率的关键环境因素分布图作为功率的组合通道,并以功率数据和所述通道预测数据间的关系建立转换关系模型;
8、通过对所述关键环境因素通道,提取多元化特征,将所述通道的多元化特征作为输入,得到所述通道的预测数据;
9、根据所述通道的预测数据,与所述关键环境因素自适应的权重影响系数计算叠加,得到最终风电功率的预测结果。
10、作为本专利技术所述的基于通道划分和多特征提取的风电功率预测方法的一种优选方案,其中:
11、对风电场集群进行经纬度网格化包括,
12、利用风电场集群的经纬度为横纵坐标,将风电场集群区域划分成多个小的网格,每个网格内包含多个分布式风电机;
13、将网格内的分布式风电机日功率作为一个最小分析单元。
14、作为本专利技术所述的基于通道划分和多特征提取的风电功率预测方法的一种优选方案,其中:建立所述转换关系模型包括,
15、将获取的影响风力发电的关键环境因素分布图数据,以经纬度为横纵坐标,每一个关键环境因素在每一时刻建立一个通道层,包括温度通道、湿度通道、气压通道、风速通道以及风向通道;
16、基于所述关键环境因素通道数据,加权运算得到同一时刻的功率通道,将功率数据和所述通道数据间关系建立转换关系模型,得到最终风电功率的预测结果w,表示为:
17、w=αt+βh+γp+δv+εd+c
18、其中,α、β、γ、δ、ε分别表示温度、湿度、气压、风速以及风向对功率的权重影响系数,t表示温度通道预测数据,h表示湿度通道预测数据,p表示气压通道预测数据,v表示风速通道预测数据,d表示风向通道预测数据,c为常量;
19、所述转换关系模型中的权重影响系数,基于历史数据和变量分析法,得到所述关键环境因素对最终风电功率预测结果的影响大小,并进行自适应调整系数
20、作为本专利技术所述的基于通道划分和多特征提取的风电功率预测方法的一种优选方案,其中:提取所述多元化特征包括,
21、基于卷积神经网络模型,建立七层卷积层,每层卷积后接一个归一化层和池化层,在最后一个卷积层后连接一个全连接层;
22、将获取到的温度通道、湿度通道、气压通道、风速通道以及风向通道的数据分别进行数据清洗,再对所述通道的数据进行不同的处理,并输入到网络进行特征提取;
23、其中,所述数据清洗包括,噪声、异常点检测并进行数据平滑处理;
24、在误差数据的检测中,若检测到错误数据则进行平滑处理,若没有发生错误的数据则不做处理。
25、作为本专利技术所述的基于通道划分和多特征提取的风电功率预测方法的一种优选方案,其中:对所述通道的数据进行不同的处理,根据所述通道层数据的空间域、频率域、光流图、光流频率域信息,通过卷积神经网络提取特征,包括,
26、通过单个关键环境因素通道的数据表征所述关键环境因素分布在不同经纬度的信息,分别将每个通道同一时刻的数据作为一个向量输入卷积神经网络,经最后一层全连接层,输出一个多维特征向量,得到所述关键因素的空间域特征;
27、通过将单个关键环境因素通道的数据转换到频率域来表征所述关键环境因素的信息,分别将每个通道的分布图信息,通过二维快速傅里叶变换后转换到频率域,并以所述频率域数据作为输入,经过卷积神经网络的最后一个全连接层,得到一个关键环境因素的频率域特征;
28、通过连续时刻的数据表征所述关键环境因素的变化信息和时序行为,提取每个关键环境因素通道连续时刻的光流图作为输入向量,经过卷积神经网络最后一个全连接层,得到光流特征;
29、得到每个关键环境因素通道连续时刻的光流数据后,利用二维快速傅里叶变换,将光流图转换到频率域,并作为卷积神经网络的输入数据,在最后一个全连接层后输出光流频率域特征。
30、作为本专利技术所述的基于通道划分和多特征提取的风电功率预测方法的一种优选方案,其中:得到所述通道的预测数据包括,
31、获取每个关键环境因素通道得到四种特征向量数据后,对所述特征向量数据进行预处理操作;
32、基于所述特征向量数据作为每个时间步的输入,通过lstm模型进行时序预测;
33、每个特征向量输出一个预测结果,根据所述预测结果对每个通道的最终预测结果的重要程度,分别定义每个特征向量的影响权重系数,所述通道的最终预测结果表示为:
34、
35、其中,s为空间特征预测网络结果,f为频率域特征预测网络结果,g为光流特征预测网络结果,m为光流频率域特征网络预测结果,θ、μ、分别为不同网络得到的预测结果对所述通道的最终预测结果的影响系数;
36、每次预测后,基于历史数据和元素分析法,得到每个特征向量的预测结果,对最终预测结果的影响大小,自适应调整所述影响系数。
37、作为本专利技术所述的基于通道划分和多特征提取的风电功率预测方法的一种优选方案,其中:
...
【技术保护点】
1.一种基于通道划分和多特征提取的风电功率预测方法,其特征在于,包括:
2.如权利要求1所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,对风电场集群进行经纬度网格化包括,
3.如权利要求1或2所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,建立所述转换关系模型包括,
4.如权利要求3所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,提取所述多元化特征包括,
5.如权利要求4所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,对所述通道的数据进行不同的处理,根据所述通道层数据的空间域、频率域、光流图、光流频率域信息,通过卷积神经网络提取特征,包括,
6.如权利要求5所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,得到所述通道的预测数据包括,
7.如权利要求6所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,
8.一种基于通道划分和多特征提取的风电功率预测系统,基于权利要求1~7任一所述的基于通道划分和多特征提取的风电功率预测
9.一种电子设备,包括:
10.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于通道划分和多特征提取的风电功率预测方法的步骤。
...【技术特征摘要】
1.一种基于通道划分和多特征提取的风电功率预测方法,其特征在于,包括:
2.如权利要求1所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,对风电场集群进行经纬度网格化包括,
3.如权利要求1或2所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,建立所述转换关系模型包括,
4.如权利要求3所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,提取所述多元化特征包括,
5.如权利要求4所述的基于通道划分和多特征提取的风电功率预测方法,其特征在于,对所述通道的数据进行不同的处理,根据所述通道层数据的空间域、频率域、光流图、光流频率域信息,通...
【专利技术属性】
技术研发人员:韦伟,廖辉,黄东晨,熊欢,邓凯伟,赵楠,
申请(专利权)人:国电南瑞科技股份有限公司,
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。