一种分布式区域风电功率预测方法技术

本发明专利技术提出分布式区域风电功率预测方法，包括：获取分布式风电场的样本数据集；对所述分布式风电场的样本数据集进行预处理；分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；选择若干风电场进行预测模型训练；使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；对所述风电场进行风电有功功率预测。本发明专利技术基于总分式框架以及基于Attention机制的长短期记忆神经网络，提高短期区域风电有功功率预测精度。

【技术实现步骤摘要】
一种分布式区域风电功率预测方法
本专利技术涉及风电领域，具体地涉及一种分布式框架下的区域风电有功功率预测方法。
技术介绍
在电网规模不断增长的背景下，能源与环境问题同日益增长的用电需求之间的矛盾不断凸显，清洁能源发电的比例逐步提高。改善能源结构，促进新能源消纳，将是电力系统研究的重要方向。然而，以风力发电、光伏阵列为首的清洁能源发电具有高随机性与波动性，并且电能难以大规模存储，同时考虑到源网规划不协调等因素，对电力系统调峰和调度提出了新的挑战，也在很大程度上限制了可再生能源的消纳。因而对新能源出力的精准预测是维护电网运营供需平衡及安全稳定的有效方式。现有风光发电功率预测方法主要包括基于物理建模方法和统计方法。其中，物理建模方法主要通过建立数学模型以研究气象演变过程，并根据光电、风电转换物理模型等进行预测，其不需要大量的样本数据，但模型复杂、计算量大，抗干扰能力较差。统计方法，诸如时间序列模型、回归分析模型以及卡尔曼滤波模型等，使用历史测量数据间的统计关系对功率进行预测，可以有效解决预测延迟的问题，然而其对原始数据的处理和时间序列的稳定性要求较高，难以反映非线性因素的影响；而诸如人工神经网络、支持向量机等，可以拟合复杂的非线性关系，然而现有方法多为浅层神经网络，对输入数据的深层特征挖掘不够，泛化能力有待提高。深度学习技术受噪声干扰小，能充分挖掘数据间的关联性，为可再生能源发电功率预测提供了强大支撑。然而基础深度学习预测方法只考虑了单向的数据信息流，忽视了反向数据序列变换规律对短时预测的影响，同时对数据的时间相关性以及周期性考虑不足，当输入的时间序列较长时，易丢失序列信息，模型的预测精度不高。由于风电有功功率预测精度仍然无法满足有功功率精细化调度的要求；现有的预测模型当输入的时间序列较长时，易丢失序列信息，模型的预测精度不高。因此，有必要提供一种新的区域风电有功功率预测方法，以提高预警的精度、满足调度要求。
技术实现思路
针对现有技术的上述问题，本专利技术拟提出一种分布式区域风电功率预测方法，以有效提高风电有功功率预测精度，提高模型的预测精度。具体地，本专利技术的实施方式提供了一种分布式区域风电功率预测方法，包括以下步骤：获取分布式风电场的样本数据集；对所述分布式风电场的样本数据集进行预处理；分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；选择若干风电场进行预测模型训练；使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；对所述风电场进行风电有功功率预测。可选地，还包括：定期更新全局预测模型；向所有风电场分发更新后的全局预测模型；重复所述选择若干风电场进行预测模型训练之后的步骤，滚动更新所述全局预测模型。可选地，所述样本数据集包括一段时间内所述分布式风电场所处环境的气象信息以及对应的风电有功功率。可选地，所述预处理包括替代异常数据。可选地，建立全局预测模型包括基于Attention机制与小波分解的LSTM模型方法。可选地，所述Attention机制层的权重系数计算公式为：et＝utanh(wht+b)式中：et为第t时刻由神经网络隐藏层输出向量ht所决定的注意力概率分布值；u和w为权重系数；b偏置系数；st为Attention机制在t时刻的输出。可选地，所述预测模型包括输入层、BiLSTM隐藏层、Attention层、全连接层以及输出层。可选地，所述选择若干风电场进行预测模型训练包括根据各个节点的ping值进行选择，选择ping值小于500ms的风电场参与。本专利技术还提出一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术所提出的分布式区域风电功率预测方法。本专利技术还提出一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本专利技术所提出的分布式区域风电功率预测方法。本专利技术利用小波分解将传统傅里叶变换的基函数替换成了有限长会衰减的小波基，可以实现给定时间序列中的时域信息与频域信息的提取，在低频具有较高的频率分辨率和较低的时间分辨率，在高频有较低的频率分辨率和较高的时间分辨率，具有强信号表征能力，解决了傅里叶变换时间信息丢失，以及非平稳信号分析困难等问题。本专利技术基于总分式框架以及基于Attention机制的长短期记忆神经网络(LSTM)，提高短期区域风电有功功率预测精度。凭借分布式框架，实现本地化的数据存储与模型训练，全局化模型更新，提供更多信息辅助综合能源系统实时优化调度决策。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是本专利技术其中一实施例的分布式区域风电功率预测方法具体实施步骤示意图；图2是本专利技术其中一实施例的系统架构示意图；图3是本专利技术其中一实施例的LSTM超短期风功率预测全局模型结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本专利技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。如图1所示，本实施例所提出的分布式区域风电功率预测方法，包括以下步骤：S1、采集样本数据；对所需要进行分布式框架预测的风电场区域进行数据采集，主要采集一段时间内上述电场所处环境的气象信息以及对应的风电有功功率，并按时间顺序将上述观测量构成样本数据集；所述气象信息包括气温、气压、风速、风向、相对湿度以及采集上述量的日期与时间；S2、对步骤1获得的样本数据集进行预处理；本实施方式的预处理采用如下方法：判断数据是否异常，对于数据集中的数据，如果存在数据明显偏离近期测量数据范围，则很可能是异常值。此时可采取平均法进行处理，即使用近期数据的平均值进行替代。若出现连续异常值(例如异常值持续时长超过15分钟)，则使用历史同期该时段数据进行替换。对于除去气温外小于0的观测量，使用0替代。对于时间信息，取其小本文档来自技高网...

【技术保护点】
1.一种分布式区域风电功率预测方法，其特征在于，包括：/n获取分布式风电场的样本数据集；/n对所述分布式风电场的样本数据集进行预处理；/n分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；/n构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；/n定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；/n选择若干风电场进行预测模型训练；/n使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；/n对所述风电场进行风电有功功率预测。/n

【技术特征摘要】
1.一种分布式区域风电功率预测方法，其特征在于，包括：
获取分布式风电场的样本数据集；
对所述分布式风电场的样本数据集进行预处理；
分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；
构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；
定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；
选择若干风电场进行预测模型训练；
使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；
对所述风电场进行风电有功功率预测。


2.根据权利要求1所述的分布式区域风电功率预测方法，其特征在于，还包括：
定期更新全局预测模型；
向所有风电场分发更新后的全局预测模型；
重复所述选择若干风电场进行预测模型训练之后的步骤，滚动更新所述全局预测模型。


3.根据权利要求1或2所述的分布式区域风电功率预测方法，其特征在于，所述样本数据集包括一段时间内所述分布式风电场所处环境的气象信息以及对应的风电有功功率。


4.根据权利要求1所述的分布式区域风电功率预测方法，其特征在于，所述预处理包括替代异常数据。


5.根据权利要求1所述的分布式区域风电功率预测方法，其特征在于，建立全局预测模型包括基于Attention机制与小波分解的L...

【专利技术属性】
技术研发人员：余瑞锋，江灿安，孙晓刚，韩健，孙新佳，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：北京;11