一种融合机器学习模型的中长期风力发电预测方法及系统技术方案

本发明专利技术提出一种融合机器学习模型的中长期风力发电预测方法及系统，将风电场的历史发电量数据剔除异常值后处理为月平均发电量和日平均发电量；基于月平均发电量和历史数值天气预报数据，通过机器学习模型预测未来一月的月平均发电量；将日平均发电量进行变分模态分解，结合历史数值天气预报数据，通过机器学习模型预测日距平；将预测日距平加入预测月平均发电量，即得到一个月的日平均发电量预测值。本发明专利技术使用现有中长期数值预报产品的风速等气象要素，加入机器学习模型进行预测，提高风电场中长期发电量预测的准确性。

【技术实现步骤摘要】
一种融合机器学习模型的中长期风力发电预测方法及系统
本专利技术属于新能源风力发电领域，特别是涉及到一种融合机器学习模型的中长期风力发电预测方法及系统。
技术介绍
随着风电并网迅速增加，电力系统对中长期风力发电量预测准确率提出了新的需求。对于新建电场，中长期发电量预测可以评估局地风资源，有助于统筹决策并评估未来发电情况；对于已建电场，中长期预测对未来发电量计划的制订有指导意义。此外，电网的调度计划、储能设备的配置以及电力改革之后的电力市场也要求更精准的发电量预测能力。风电发电量主要由气象条件决定，而在全球气候变化和极端天气事件频率增加的背景下，加入多种气象要素并融合机器学习模型的中长期风力发电量预测可进一步提高其准确性。传统数值预报模型对风速的预测无法直接与风力发电量对接，常见数值模型对中长期预测的格点尺度较大，针对某一个风电场进行的中长期气象要素预报一方面受制于气象要素时间上的误差累积以及空间上动力降尺度的不准确性，另一方面受制于计算资源。数值预报模型之外，传统的统计方法在发电量预测的应用中存在对气象要素考虑不足、无法有效对风速的季节和年变化以及其变率引起的发电量波动做出提前预测等问题。
技术实现思路
本专利技术提出一种融合机器学习模型的中长期风力发电预测方法及系统，保证预测的高效性以及可推广性，实现时效性和准确性的平衡。为达到上述目的，本专利技术的技术方案是这样实现的：一种融合机器学习模型的中长期风力发电预测方法，包括：S1、将风电场的历史发电量数据剔除异常值后处理为月平均发电量和日平均发电量；S2、基于月平均发电量和历史数值天气预报数据，通过机器学习模型预测未来一月的月平均发电量；S3、将日平均发电量进行变分模态分解，结合历史数值天气预报数据，通过机器学习模型预测日距平；S4、将步骤S3中得到的预测日距平加入步骤S2中得到的预测月平均发电量，即得到预测一个月的日平均发电量；其中所述机器学习模型为XGBoost或LSTM。进一步的，步骤S2中，使用历史相似月作为机器学习模型的回归标准，所述历史相似月依据历史数值天气预报结果得到。进一步的，所述历史相似月的获取方法包括：基于历史数值天气预报结果中的基础气象要素，使用天气关键区相似法寻找历史相似月。进一步的，步骤S3中所述的结合历史数值天气预报数据，具体方法包括：将历史数值天气预报结果中的基础气象要素以月为单元处理为日距平值，使用变分模态分解，得到逐年的对应月的不同要素的分量。更进一步的，步骤S3中所述变分模态分解的分解过程包括：初始化和，k为分量个数，按照如下公式迭代求得各个分量；u表示分解得到的基函数，为每个基函数的中心频率，f为观测信号。本专利技术的另一方面，还提供了一种融合机器学习模型的中长期风力发电预测系统，包括：历史电量模块，用于将风电场的历史发电量数据剔除异常值后处理为月平均发电量和日平均发电量；月平均发电量预测模块，基于月平均发电量和历史数值天气预报数据，通过机器学习模型预测未来一月的月平均发电量；日距平预测模块，将日平均发电量进行变分模态分解，结合历史数值天气预报数据，通过机器学习模型预测日距平；日平均发电量预测模块，用于将日距平预测模块得到的预测日距平加入月平均发电量预测模块得到的预测月平均发电量，即得到预测一个月的日平均发电量；其中所述机器学习模型为XGBoost或LSTM。进一步的，所述月平均发电量预测模块中，设置历史相似月单元，使用历史相似月作为机器学习模型的回归标准，所述历史相似月依据历史数值天气预报结果得到。进一步的，所述历史相似月单元包括寻找子单元，用于基于历史数值天气预报结果中的基础气象要素，使用天气关键区相似法寻找历史相似月。进一步的，所述日距平预测模块包括变分模态分解单元，除了基于日平均发电量进行变分模态分解，还将历史数值天气预报结果中的基础气象要素以月为单元处理为日距平值，使用变分模态分解，得到逐年的对应月的不同要素的分量。更进一步的，所述变分模态分解单元包括：初始化和，k为分量个数，按照如下公式迭代求得各个分量；u表示分解得到的基函数，为每个基函数的中心频率，f为观测信号。与现有技术相比，本专利技术具有如下的有益效果：本专利技术使用现有中长期数值预报产品的风速等气象要素，加入机器学习模型进行预测，提高风电场中长期发电量预测的准确性。将数值预报的气象要素与发电量一起输入融合机器学习模型的传统时序分析模型进行发电量预测，而不直接运行数值天气预报模型进行预报或是单一使用数值天气预报结果，保证预测的高效性以及可推广性，实现时效性和准确性的平衡。附图说明图1是本专利技术实施例的流程示意图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。为使本专利技术专利的目的、特征更明显易懂，下面结合附图对本专利技术专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本专利技术专利实施例的目的。本专利技术的设计思想在于：将中长期数值天气预报结果作为输入，结合机器学习模型预测近地表风电场的发电量；并且结合月平均发电量和气象相似月得到的日发电量距平进行中长期日发电量预测，进行日发电量预测。如图1所示，本实施例中，中长期发电量预测计算方法的流程步骤如下：1）基于历史数值天气预报结果中风速、近地面温度、湿度、压强等基础气象要素，使用天气关键区相似法寻找历史相似月。2）将某一风电场的历史发电量数据剔除限电、检修等异常值后处理为月平均和日平均发电量。3）基于未来一个月的数值天气预报结果选择历史数据中对应的相似月，将历史相似月中的月平均发电量、风速、近地表温度、湿度、气压等气象要素的时间序列分为训练集、验证集，验证集取20%的月平均数据，模型为极端梯度提升模型（XGBoost）。特征为各气象要素，回归目标为发电量，首先对气象要素进行特征工程处理，模型参数由验证集上的表现选出。最后，使用未来一个月的数值天气预报结果与训练得到的XGBoost模型预测未来一个月的月平均发电量。4）将历史发电量和各气象要素以月为单元处理为日距平值，使用变分模态分解(VMD)将某月的日距平发电量、风速、温度、湿度、压强作为原始信号分别按照如下公式进行VMD分解，得到逐年的对应月的不同要素的分量u。单个变量信号分解首先初始化和，k为分量个数，角标n表示第n个分量，之后按照如下公式迭代求得各个分量。u表示分解得到的基函数，为每个基函数的中心频率，f为观测信号，α为L2正则化约束系数，τ为梯度下降法中的学习率，λ为拉格朗日乘子，为原信号。5）以历史数据中每月的各组气象要素日距平分量为特征量，以发电量的日距平为回归目标本文档来自技高网...

【技术保护点】
1.一种融合机器学习模型的中长期风力发电预测方法，其特征在于，包括：/nS1、将风电场的历史发电量数据剔除异常值后处理为月平均发电量和日平均发电量；/nS2、基于月平均发电量和历史数值天气预报数据，通过机器学习模型预测未来一月的月平均发电量；/nS3、将日平均发电量进行变分模态分解，结合历史数值天气预报数据，通过机器学习模型预测日距平；/nS4、将步骤S3中得到的预测日距平加入步骤S2中得到的预测月平均发电量，即得到一个月的日平均发电量预测值；/n其中所述机器学习模型为XGBoost或LSTM。/n

【技术特征摘要】
1.一种融合机器学习模型的中长期风力发电预测方法，其特征在于，包括：
S1、将风电场的历史发电量数据剔除异常值后处理为月平均发电量和日平均发电量；
S2、基于月平均发电量和历史数值天气预报数据，通过机器学习模型预测未来一月的月平均发电量；
S3、将日平均发电量进行变分模态分解，结合历史数值天气预报数据，通过机器学习模型预测日距平；
S4、将步骤S3中得到的预测日距平加入步骤S2中得到的预测月平均发电量，即得到一个月的日平均发电量预测值；
其中所述机器学习模型为XGBoost或LSTM。


2.根据权利要求1所述的一种融合机器学习模型的中长期风力发电预测方法，其特征在于，步骤S2中，使用历史相似月作为机器学习模型的回归标准，所述历史相似月依据历史数值天气预报结果得到。


3.根据权利要求2所述的一种融合机器学习模型的中长期风力发电预测方法，其特征在于，所述历史相似月的获取方法包括：基于历史数值天气预报结果中的基础气象要素，使用天气关键区相似法寻找历史相似月。


4.根据权利要求1所述的一种融合机器学习模型的中长期风力发电预测方法，其特征在于，步骤S3中所述的结合历史数值天气预报数据，具体方法包括：将历史数值天气预报结果中的基础气象要素以月为单元处理为日距平值，使用变分模态分解，得到逐年的对应月的不同要素的分量。


5.根据权利要求1或4所述的一种融合机器学习模型的中长期风力发电预测方法，其特征在于，步骤S3中所述变分模态分解的分解过程包括：
初始化和，k为分量个数，按照如下公式迭代求得各个分量；









u表示分解得到的基函数，为每个基函数的中心频率，f为观测信号。


6.一种融合机器学习模型的中长期风力发电预测系...

【专利技术属性】
技术研发人员：向婕，雍正，续昱，
申请(专利权)人：国能日新科技股份有限公司，
类型：发明
国别省市：北京;11