【技术实现步骤摘要】
本专利技术属于风电功率预测，尤其涉及一种基于突变气象环境识别的风电功率预测方法。
技术介绍
1、绿色能源取代化石能源成为当前能源结构的主要支柱。风能因其储量巨大，分布广泛与获取容易的优点，在众多绿色能源中备受青睐。然而，风能具有间歇性、波动性与随机性的特性，使得风电并网需要准确可靠的风速预测算法保障其的可靠性。
2、目前，风电功率预测的研究重点集中于以下两点：一、通过提高物理方案的完备度与初始气象场的数据质量的方法提高风速预测的可靠度，来保障风电功率的可靠度。二、通过模型优化等方法，提高风电功率预测算法对风电功率爬坡事件的准确度。
3、在风电功率爬坡事件大多是由对流天气、转折性天气等突发气象环境所引起的。当前，针对风电功率爬坡事件的风电功率预测方法均以功率的角度所开展，其并没有从气象角度设计风电功率预测方法。此外，旋转门算法是针对风电功率爬坡事件的风电功率预测方法最常用的一种算法，但其需根据数据自身特征手动设置门宽的局限性使得该算法无法自动有效的处理大量数据，造成不必要的成本损失。
技术实现思路
1、本专利技术所要解决的技术问题：提供一种基于突变气象环境识别的风电功率预测方法，将历史风速数据输入动态自适应选取模型进行突变气象环境的识别与标记作为风电功率预测模型的输入数据，并结合基于风速相似系数的风速匹配算法与transformer深度学习算法实现风电功率预测，有效提高了突发气象环境下风电功率预测的准确度。
2、本专利技术为解决以上技术问题而采用以
3、本专利技术提出的一种基于突变气象环境识别的风电功率预测方法，包括以下步骤：
4、s1、收集历史风速数据并对其进行预处理，得到预处理后的风速数据，基于该数据，利用动态自适应的突发气象环境识别算法识别突变气象时段，得到历史气象数据中的突变气象事件。
5、s2、将预处理后的风速数据定义为历史风速数据与过往风速数据两部分，其中，过往风速数据是指实时数据前 p个小时内的风速数据，历史风速数据是指历史数据库中除过往风速数据之外的所有风速数据；计算过往风速数据的风速时段与历史风速数据的风速时段之间的风速相似系数，利用该系数进行相似时段匹配，得到与过往风速数据的风速时段具有相同趋势特征的历史趋同突变气象事件。
6、s3、将步骤s1与步骤s2的输出结果转为多维气象功率数据，并输入到基于注意力机制的transformer风电功率预测模型中，实现功率预测。
7、进一步的，步骤s1中，得到突变气象事件包括以下子步骤：
8、s101、收集风场历史风速数据及对应的数值天气预报风速预测数据。
9、s102、对步骤s101中收集的数据进行预处理，补充气象数据采样时缺漏的记录，得到预处理后的风速数据。
10、s103、利用vmd模态分解算法对预处理后的风速数据进行模态分解，得到风速数据集；其中，表示风速数据的总数，表示第个风速数据。
11、s104、将每个风速数据分别输入自适应极点模型进行风速数据极值点提取，得到重构后的极值点集，减少分信号内含的细小波动的干扰。具体内容为：
12、s1041、提取风速数据中的最大值、最小值与所有极值点集合，其中表示第 n个极值点；
13、s1042、根据自适应系数并计算动态窗宽，具体计算公式为：
14、；
15、其中，表示动态窗宽；取值一般为；
16、s1043、根据近邻极点间欧氏距离，将满足的极值点保留，其中， d i表示两个相邻极值点之间的欧氏距离，且 i=1,2,3,…, n-1；得到重构后的极值点集，其中，表示重构后的第 m个极值点，且 j=1,2,3,…, m。
17、s105、将重构后的极值点输入到风速数据动态筛选模型中，选取可反映风速爬坡事件的风速数据，完成风速数据的重构，减少“伪爬坡”事件的干扰。具体内容为：
18、s1051、将预处理后的风速数据与每个经过自适应极点模型处理后的风速数据的重构极值点进行计数；
19、s1052、计算风速数据的极点率，具体公式为：
20、；
21、其中，表示第 k个风速数据的极点率，表示预处理后的风速数据的重构极值点总数，表示第 k个风速数据的重构极值点总数；
22、根据每个风速数据的极点率对风速数据进行筛选，将满足的风速数据保留，得到保留的风速数据集，其中，为极点率阈值；
23、s1053、将保留的风速数据集进行叠加实现风速数据重构，并将重构后风速数据记为，具体公式为：
24、。
25、s106、对重构的风速数据进行突变气象事件识别，将满足条件的风速时段视为突变气象事件，并标记为1，其他则为0，满足的条件为：
26、；
27、其中，表示第 t时刻的实测风速值，表示第 t时刻的数值天气预报风速预测值，表示第 t+ q时刻的实测风速值，表示第 b时刻的实测风速值，表示 b时刻的数值天气预报风速预测值， q表示突变气象事件时段长度，表示风速阈值，表示风速变化率阈值，表示风速误差阈值。
28、进一步的，步骤s2中，得到历史趋同突变气象事件包括以下子步骤：
29、s201、将历史风速数据以 p个小时为分段间隔， r小时为分段长度进行分段，分段结果如下所示：
30、；
31、其中，表示历史风速数据；表示第 g段的气象数据； g表示气象分段数据的总数。
32、s202、选取每段历史风速数据中前 p个小时的风速数据作为整段历史风速的趋同气象时段匹配依据，利用基于风速相似系数的时段匹配算法进行时段匹配，得到历史趋同突变气象事件，用于提高风电功率预测的准确性。具体内容为：
33、s2021、计算历史风速段与过往风速段之间的风速强度差与风速趋势差，公式如下所示：
34、；
35、；
36、其中，表示本文档来自技高网...
【技术保护点】
1.一种基于突变气象环境识别的风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S1中，得到突变气象事件包括以下子步骤：
3.根据权利要求2所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S104中，提取极值点包括以下子步骤：
4.根据权利要求2所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S105中，重构风速数据包括以下子步骤：
5.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S2中，得到历史趋同突变气象事件包括以下子步骤：
6.根据权利要求5所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S202中，时段匹配包括以下子步骤：
7.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S3中，完成功率预测包括以下子步骤：
8.根据权利要求7所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S301中的相关数据包括
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至8中任一项所述的方法。
...【技术特征摘要】
1.一种基于突变气象环境识别的风电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤s1中，得到突变气象事件包括以下子步骤：
3.根据权利要求2所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤s104中，提取极值点包括以下子步骤：
4.根据权利要求2所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤s105中，重构风速数据包括以下子步骤：
5.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤s2中，得到历史趋同突变气象事件包括以下子步骤：
6.根据权利要求5所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤...
【专利技术属性】
技术研发人员：熊雄，邹瑞麟，樊玉敏，赵铭奇，许一帆，
申请(专利权)人：南京信息工程大学，
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。