【技术实现步骤摘要】
本专利技术涉及新能源发电，具体涉及一种短期风电功率区间预测方法。
技术介绍
1、随着社会科技的发展，传统能源的需求量逐渐增多，新能源逐渐成为众多学者的研究热点。在电力行业中，电力生产正逐渐从以煤电为主力的架构转型为以新能源发电为重心的可持续架构。风能的绿色环保、储量丰富等特点得到了学者们的青睐。但受气象条件的不确定性因素的影响，风力发电的发电效率容易产生较大的波动，对电力系统的稳定运行带来了挑战，高精度的风电功率区间预测为大规模风电并网带来了诸多便利，也有助于电力系统的安全稳定运行。人工智能方法具有较好的灵活性，是目前风电功率预测的主要研究方向，但单一预测模型在数据特征提取上往往存在偏好，导致特征提取不全面；单点预测的模型仅仅提供单一的风电功率预测值，难以描述出风电的不规则性和不确定性，达到满意的预测效果。因此现有技术在亟需要新的方案来解决这一问题。
技术实现思路
1、本专利技术的目的在于提供一种短期风电功率区间预测方法，旨在解决单一预测方法提取风电数据集子序列中的特征信息不全面以及单点预测模型难以刻画风电功率中的变化趋势的技术问题。
2、为实现上述目的，本专利技术提供了一种短期风电功率区间预测方法，包括下列步骤：
3、步骤1：采集历史气象数据信息，整合获得风电概率预测的初始数据集；
4、步骤2：对所述初始数据集进行预处理获得风电数据集，并进行归一化处理；
5、步骤3：将风电数据集的数据划分为训练集和测试集，构建基于svr的cnn-l
6、步骤4：结合kde模型，根据风电功率采样值与预测结果的偏差评估每个采样值对概率分布影响的大小，最终生成风电功率的概率密度分布；
7、步骤5：根据预测结果以及误差进行分析，调整模型参数直到结果接近于测试集，完成短期风电功率区间预测。
8、可选的，采集历史气象数据信息，整合获得风电概率预测的初始数据集的过程，具体为获取地区历史气象数据资料，通过查询气象观测站的记录信息以及其他气候监测系统的记录信息对气象变化情况以及风力情况进行分析整合，根据历史风电功率和历史气象数据信息以及风电场的数值天气预报nwp预测结果的风速波动量，获得风电概率预测的初始数据集。
9、可选的，所述数值天气预报nwp的数据采用选定的某一风电场整年气象数据，参数包括风速、风向、温度、湿度和气压等。
10、可选的，对所述初始数据集进行预处理获得初始风电数据集，并进行归一化处理的过程，具体为筛选出与风电功率相关性最强的气象因素数据，通过聚类算法或人工方法，将相关数据筛选后对数据中的异常部分进行处理，将筛选后的初始风电数据集分为若干条件子集；将各个子集中的异常数据采用清洗、剔除或插值等方法进行处理，并最后进行归一化处理获得风电数据集。
11、可选的，采用皮尔逊相关分析方法筛选气象因素数据，保留相关性最强的气象特征数据进行后续的预测；所述聚类算法包括dbscan和k-means算法，人工方法为专家经验法或手动处理异常数据。
12、可选的，步骤3的执行过程，具体为将获得的数据划分为训练集和测试集两组，通过历史数据构建基于svr的cnn-lstm-bp算法预测模型，通过训练集训练后进行预测，利用svr对多ai网络得到的点预测值进行拟合优化，得到待预测日预测结果序列。
13、可选的，步骤4的执行过程，具体为将通过svr拟合优化得到的预测结果结合kde生成风电功率概率密度分布，根据风电功率采样值与svr预测结果的偏差评估每个采样值对概率分布影响的大小，最终生成风电功率的概率密度分布，得到在既定置信度下的短期风电功率上下边界值，最后与预先设定好的测试集进行比对。
14、可选的，所述基于结合svr与kde的cnn-lstm-bp算法预测模型的构建过程，包括下列步骤：
15、将预处理后的数据输入到并行的cnn、lstm和bp神经网络中进行训练，得到预测序列，利用cnn神经网络从样本数据中提取出其潜在的特征；lstm神经网络捕捉时间序列的特征，bp神经网络对数据整体进行分析；
16、利用svr模型对lstm、cnn和bp神经网络得到的点预测结果进行非线性拟合优化，获得一组较优的预测值序列，svr具有良好的鲁棒性，对复杂、非线性数据的处理能力较强，可改善概率分布拟合效果；
17、利用kde模型在拟合生成风电功率概率密度分布过程中根据风电功率采样值与svr预测结果的偏差，评估每个采样值对概率分布影响的大小，最终非线性地生成风电功率的概率密度分布，并得出不同置信度下的功率预测区间，对所得数据进行进一步分析；
18、采用平均绝对误差mae、均方根误差rmse和拟合优度r2，区间覆盖率picp、区间平均带宽pinaw和综合得分值score作为模型准确性的评价指标。
19、本专利技术提供了一种短期风电功率区间预测方法，利用深度学习提取数据的潜在特征信息，利用回归分析拟合得到功率点预测曲线，并通过非参数估计方法预测概率区间，即将收集到的nwp数据经过筛选、处理后，再结合多种人工智能算法选择cnn，lstm和bp混合算法构建基于基于支持向量回归的多元神经网络算法模型lstm-cnn-bp-svr，通过训练实现短期风电功率单点预测，再基于多ai网络的点预测结果，采用kde模型对风电功率的概率分布进行分析，完成短期风电功率概率预测，其中卷积神经网络cnn网络具有平移不变性以及多层次的特征提取能力，而长短期记忆神经网络lstm对时间序列数据的特征有较好的捕捉能力、较强的非线性关系建模能力，反向传播神经网络bp具有全局优化能力以及较强的适应性，不同ai网络的点预测模型可分别进行参数训练，解决了组合预测模型的参数训练问题，提高了风电功率区间预测的精度。
本文档来自技高网...【技术保护点】
1.一种短期风电功率区间预测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的短期风电功率区间预测方法，其特征在于，
3.如权利要求2所述的短期风电功率区间预测方法，其特征在于，
4.如权利要求3所述的短期风电功率区间预测方法，其特征在于，
5.如权利要求4所述的短期风电功率区间预测方法，其特征在于，
6.如权利要求5所述的短期风电功率区间预测方法，其特征在于，
7.如权利要求6所述的短期风电功率区间预测方法，其特征在于，
8.如权利要求7所述的短期风电功率区间预测方法，其特征在于，
【技术特征摘要】
1.一种短期风电功率区间预测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的短期风电功率区间预测方法，其特征在于，
3.如权利要求2所述的短期风电功率区间预测方法，其特征在于，
4.如权利要求3所述的短期风电功率区间预测方法，其特征在于，
...【专利技术属性】
技术研发人员：黄乾，蔡佳诺，高鹏，高明，
申请(专利权)人：桂林电子科技大学，
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。