【技术实现步骤摘要】
本专利技术属于风电，是一种基于双输入模式下nwp风速校正的风电功率预测方法。
技术介绍
1、随着风电并网装机容量的不断增长，风能因其不可避免的间隙性、波动性和随机性，为电力系统的实时运行提出了挑战。准确的风电功率预测结果可使电网提前预备，指导调度人员做出有效决策，进而保证电力系统的稳定运行。由此，实现风电功率的高精度预测就格外重要。
2、数值天气预报nwp数据的准确性关联着风电功率预测的准确性，其中风速作为关键气象要素对短期风电功率预测精度有着严重影响。而nwp数据的发布间隔长，其提供的风速数据所在高度可能与风电机组的轮毂高度不一致等原因，导致nwp风速数据与风电场实测风速数据之间存在不可避免的偏差，需对其进行校正以期进一步提高风电功率预测的准确性。输入数据的维度与时间序列分解时产生的非平稳高频分量是限制nwp风速校正精度的关键，而当前nwp风速的校正方法研究集中于对实测风速建立映射关系，对风速物理变化过程的挖掘尚不完全，且高频分量难以实现高精度预测，无法实现有效的nwp风速校正，从而导致风电功率预测的准确性差。
3、因此现有技术当中亟需要一种新型的技术方案来解决这一问题。
技术实现思路
1、本专利技术所要解决的技术问题是：提供一种基于双输入模式下nwp风速校正的风电功率预测方法用于解决现有技术中的nwp风速校正方法由于无法实现有效的nwp风速校正从而导致风电功率预测的准确性差的技术问题。
2、实现专利技术目的采用的技术方案如下：基于双输入模式下
3、步骤一、获得nwp风速误差的概率密度分布
4、通过nwp预报数据获得nwp风速值和风速趋势，通过nwp风速误差的计算公式计算并获得nwp风速与风电场实测风速间的风速误差；所述nwp预报数据包括风速、风向、温度、湿度、气压的预报值；通过模型分析并获得nwp风速误差的概率密度分布；
5、建立基于风速趋势的nwp风速校正模型，用于限制风速误差的分布范围，将风速趋势和nwp风速共同作为输入，进一步提高nwp风速的校正精度，并获得校正后的nwp风速误差的概率密度分布以及风速误差序列；
6、步骤二、通过ceemdan算法进行风速误差序列分解与重构得到重构序列；
7、步骤三、通过相关性系数公式计算并获得重构序列中各数据与nwp风速序列的相关性并得到相关性最强的重构序列中的数据，将该数据定义为趋势分量，并在nwp风速序列中将趋势分量减去得到的余下部分作为波动分量；
8、步骤四、特征参数的提取和时段聚类
9、1)特征参数的提取
10、将趋势分量和波动分量按照一天设定个数的时间点依次划分为等长的时间序列段，分别称为趋势段和波动段，然后，分别通过特征向量来描述，所述特征向量包括风速、风向、温度、湿度、气压中多个选定的特征参数；
11、2)时段聚类
12、以趋势段的特征向量作为输入，对趋势分量的时间序列段进行聚类，并且相应地以波动段的特征向量作为输入，对波动段进行聚类，实现趋势段和波动段之间的相关性一致性分析；
13、3)聚类有效性检验
14、为了确定最优的聚类个数，对聚类结果进行聚类有效性检验，选择轮廓系数sc(i),i＝1,2,…,n作为评价指标，计算公式为：
15、
16、式中：a(i)表示i所属簇内其它样本的平均距离，若簇内仅一个样本，则令sc(i)＝0，b(i)表示i与其它簇的样本平均距离的最小值；
17、对全部样本的轮廓系数求均值即可得到聚类结果的整体轮廓系数，如下式所示：
18、
19、轮廓系数的范围为(-1,1)，该值越接近1，样本与该聚类中的样本越相似，与其他聚类中的样本越不相似；轮廓系数为负值，则样本与其他聚类中的样本更相似；轮廓系数为0，则两个聚类中的样本相似，聚类相同；
20、步骤五、将聚类后的数据划分并建立历史数据库，然后使用attention-gru模型对趋势分量进行预测，并在历史数据库中搜索相似趋势段并获得对应的波动段波动分量，将预测趋势分量与历史数据库中的波动分量相加以获得最终的nwp风速校正值；
21、步骤六、利用nwp预报数据以及对应的风电场的短期功率历史数据，从风速、风向、温度、湿度、气压中分别选定几项作为输入，重复步骤一至步骤五，分别获得对应的最终的nwp风速校正值，并输入至风电场的短期功率预测模型中，基于校正后的nwp风速进行风电场的短期功率预测，并对功率预测结果与对应的风电场的短期功率历史数据进行比较，以rmse与mae为评价指标验证nwp校正算法的有效性；
22、步骤七、仿真计算
23、将按照设定采样间隔获得的实测风速、风向、温度、湿度、气压中选定几项作为输入，重复步骤一至步骤五，分别获得对应的最终的nwp风速校正值，并输入至风电场的短期功率预测模型中，所述风电场的短期功率预测模型的输入还包括风电有功功率和轮毂高度风速的实测值，通过风电场的短期功率预测模型得到整场风电功率实时预测结果。
24、所述步骤一中模型包括正态分布(nd)模型；所述校正模型包括attention-gru模型。
25、所述nwp风速误差的计算公式为：
26、verror(t)＝vnwp(t)-vm(t) (1)
27、式中：vnwp(t)表示在t时刻的nwp风速，vm(t)表示在t时刻的实测风速。
28、所述相关性系数公式采用皮尔逊相关系数公式：
29、
30、式中：e[·]表示平均值，和分别表示重建序列和数值天气预报中风速的标准差，vnwp表示nwp风速。
31、所述特征向量用包含四个特征参数表示：
32、vfrag＝[va am tm ts]
33、其中，vfrag为特征向量，四个特征参数为振幅va、分段的平均误差值am、风速误差高峰出现时间tm以及时间跨度ts，其中，振幅va为分段中风速误差最大值efrag.max和最小值efrag.min的差值；
34、所述时间跨度ts为：以高峰出现时间为中心，以左右两侧各自第一个到达50％高峰值的时间点为标记，两标记时间点的间隔为时间跨度ts；到时段边界点仍未达到50％高峰值，则将时段边界点作为标记，两标记时间点的间隔为时间跨度ts。所述分段的平均误差值am为：
35、
36、式中：n表示预测时段的总数，efrag-i表示第i个预测时段。
37、所述时段聚类中采用的聚类方法为k-medoids聚类。
38、通过上述设计方案，本专利技术可以带来如下有益效果：
39、本专利技术提出的基于双输入模式和波动聚类的nwp风速校正方法能降低模型捕捉映射关系的难度，集中于对实测风速建立映射关系，提高nwp风速的校正精本文档来自技高网...
【技术保护点】
1.基于双输入模式下NWP风速校正的风电功率预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行：
2.根据权利要求1所述的基于双输入模式下NWP风速校正的风电功率预测方法，其特征是：所述步骤一中模型包括正态分布(ND)模型；所述校正模型包括Attention-GRU模型。
3.根据权利要求1所述的基于双输入模式下NWP风速校正的风电功率预测方法，其特征是：所述NWP风速误差的计算公式为：
4.根据权利要求1所述的基于双输入模式下NWP风速校正的风电功率预测方法，其特征是：所述相关性系数公式采用皮尔逊相关系数公式：
5.根据权利要求1所述的基于双输入模式下NWP风速校正的风电功率预测方法，其特征是：所述特征向量用包含四个特征参数表示：
6.根据权利要求1所述的基于双输入模式下NWP风速校正的风电功率预测方法，其特征是：所述时段聚类中采用的聚类方法为k-medoids聚类。
【技术特征摘要】
1.基于双输入模式下nwp风速校正的风电功率预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行：
2.根据权利要求1所述的基于双输入模式下nwp风速校正的风电功率预测方法，其特征是：所述步骤一中模型包括正态分布(nd)模型；所述校正模型包括attention-gru模型。
3.根据权利要求1所述的基于双输入模式下nwp风速校正的风电功率预测方法，其特征是：所述nwp风速误差的计算公式为：
【专利技术属性】
技术研发人员：杨茂，车润棋，于欣楠，王勃，孙勇，王钊，王姝，车建峰，许达明，刘赟静，冀爽，
申请(专利权)人：东北电力大学，
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。