【技术实现步骤摘要】
本专利技术涉及风电功率预测和知识与数据联合驱动的，特别是涉及一种融合知识驱动的lightgbm-gru风电功率组合预测方法。
技术介绍
1、随着全球能源危机和环境危机愈发严重,风能等可再生能源的利用变得愈发重要。自上世纪末以来,全世界风力发电的装机容量在迅速增长，中国的风力发电装机容量也与日俱增，呈现迅猛发展的态势。由于风自身具有较大的随机性和不确定性，常规天气预报无法准确反映出风电场所在区域的真实风速，从而造成发电功率预测准确率低下，影响电力供需平衡。并网之后更是给电网的调度运行和安全稳定带来了挑战，尤其是风电穿透率较高时，这些问题更加突出。我国风电场的形式多为集中式和大容量，风电的不稳定性对于电网的影响更为明显。而对风电功率的准确预测，不仅是解决风电消纳这一问题的重要手段，对提高风电场经济效益、保障电力系统稳定运行也同样具有重要作用。
2、风电功率预测按照时间尺度主要分为超短期、短期、中长期预测。超短期风电功率预测时间尺度为0-4h、15min滚动预测，主要用于实时调度，解决电网调频问题。短期风电功率预测时间尺度为0-72h，时间分辨率为15min，主要用于合理安排常规机组发电计划，解决电网调峰问题。中长期风电功率预测时间尺度为数周或者数月，这一时间尺度内的风功率波动与风电场或电网的检修维护计划有关。
3、风电功率预测方法可以分为三大类：物理方法、统计方法和组合方法。早期的物理预测方法主要是基于数值天气预报(numerical weather prediction，nwp)的预测模型，利用nwp系统得
技术实现思路
1、本专利技术要克服现有技术的上述缺点，提出一种融合知识驱动的lightgbm-gru风电功率组合预测方法。本专利技术是一种针对多风机的风电场的功率预测方法，针对数据驱动方法的固有缺陷做了改进，引入了皮尔逊系数、相似矩阵、模糊聚类等数理分析方法，用于获取风机之间的一些先验知识，利用邻近风机的数据更好地捕捉区域内的风况变化。使用风机聚类之后的数据集训练gru模型，使用根据相似矩阵融合之后的数据集训练lightgbm模型，形成两个数据驱动的组合模型，使其更好地适应风电场中风机群组的特性。利用shap分析方法计算特征的贡献度，解释各个特征是如何影响模型的决策。最后结合风电功率预测的机理模型实现对整个风电场负荷的预测。
2、为实现本专利技术的目的所采用的技术方案步骤如下：一种融合知识驱动的lightgbm-gru风电功率组合预测方法，步骤如下：
3、s1.利用皮尔逊系数(pearson correlation coefficient，pcc)选取高度相关的特征集合；
4、s2.利用相似矩阵进行临近风机的数据融合，将融合后的数据作为轻量梯度提升机(light gradient boosting machine，lightgbm)的训练数据；
5、s3.利用模糊聚类算法(fuzzy c-means，fcm)和选取隐藏特征将风电场的风机分成若干类，以类为单位进行门控循环单元模型(gated reccurent unit，gru)的训练；
6、s4.构建lightgbm和gru的组合预测模型；
7、s5.利用shap(shapley additive explanations)分析方法对模型进行后解释的评估；
8、s6.构建风电功率预测的机理模型，根据气象信息进行预测并与lightgbm-gru组合模型的预测结果融合。
9、其中，步骤s1具体包括：在本专利技术中，先验知识指的是在我们对风电功率预测进行建模之前获得的一些基本知识或风电负荷的规律和特性等知识。首先通过皮尔逊系数选择数据集中较为重要的特征，排除不相关的特征。挑选与负荷高度相关的特征，具体公式如下：
10、
11、其中，r表示特征x和y之间的皮尔逊系数值，其数值一定是在[-1,1]区间之内，r大于0表示两特征成正相关，r小于0表示两特征成负相关，同时，绝对值越大，则说明两特征相关性越强。
12、其中，步骤s2具体包括：针对gru模型，对于每个风机的数据，首先根据风电相关知识标识异常数据并进行清洗，计算纯净数据的均值和标准差进行z-score标准化处理。针对lightgbm模型，使用相应特征的平均值填充缺失的数据，处理温度特征的异常值。考虑到某些传感器可能老化，导致采集的数据存在偏差，并且为了获取风机群组之间的相关性信息，选取相似矩阵中相似度最高的5个临近风机的数据进行融合，为lightgbm生成新的数据集，融合的方式为：将选取的5个风机在相似矩阵中的数值进行归一化，然后由五个风机所对应的特征与相似矩阵中的值相乘，每个值的范围都是大于0且小于1，并且和为1，五个风机计算之后相加即为当前风机的输入特征值，计算公式如下所示：
13、
14、其中表示编号为j0的风机融合之后的特征i的值，表示风机为jt的特征i的值，sim[jt][i]表示编号为jt的风机在特征矩阵中，与风机j0的相似值；最后通过计算前五个相似值最大的风机其自身的特征值与相似值的乘积进行特征融合。
15、其中，步骤s3具体包括：
16、3.1风机模糊聚类：为了更好地捕获邻近风机的数据特征和周围的风况变化规律等信息，本专利技术采用相似矩阵的方法，将每个风机周围相似度最高的五个风机的数据进行加权融合到目标风机中，以达到降低数据稀疏性，提高模型的鲁棒性。首先需要根据每个风机过往的历史数据，分析出具有代表性的隐藏特征，最终选取风机的历史平均风速、最大3/4和最小1/4风速，平均有功功率，平均风向，平均气温作为聚类的本文档来自技高网...
【技术保护点】
1.一种融合知识驱动的LightGBM-GRU风电功率组合预测方法，其特征在于，步骤如下：
2.如权利要求1所述的一种融合知识驱动的LightGBM-GRU风电功率组合预测方法，其特征在于，步骤S1，具体包括：根据皮尔逊系数分析法，挑选与负荷高度相关的特征，去掉相关性弱的变量，获得合适的特征子集；基于各风机的空间位置信息计算出它们的相似矩阵，利用邻近风机捕捉区域内的风况变化；挑选与负荷高度相关的特征，具体公式如下：
3.如权利要求1所述的一种融合知识驱动的LightGBM-GRU风电功率组合预测方法，其特征在于，步骤S2具体包括：
4.如权利要求1所述的一种融合知识驱动的LightGBM-GRU风电功率组合预测方法，其特征在于，步骤S3具体包括：
5.如权利要求1所述的一种融合知识驱动的LightGBM-GRU风电功率组合预测方法，其特征在于，步骤S4具体包括：
6.如权利要求1所述的一种融合知识驱动的LightGBM-GRU风电功率组合预测方法，其特征在于，步骤S5具体包括：
7.如权利要求1所述的一种融合
...【技术特征摘要】
1.一种融合知识驱动的lightgbm-gru风电功率组合预测方法，其特征在于，步骤如下：
2.如权利要求1所述的一种融合知识驱动的lightgbm-gru风电功率组合预测方法，其特征在于，步骤s1，具体包括：根据皮尔逊系数分析法，挑选与负荷高度相关的特征，去掉相关性弱的变量，获得合适的特征子集；基于各风机的空间位置信息计算出它们的相似矩阵，利用邻近风机捕捉区域内的风况变化；挑选与负荷高度相关的特征，具体公式如下：
3.如权利要求1所述的一种融合知识驱动的lightgbm-gru风电功率组合预测方法，其特征在...
【专利技术属性】
技术研发人员：王鑫，闫昆鹏，陈鑫，黄伟口，陈坤，熊书博，
申请(专利权)人：浙江工业大学，
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。