一种基于误差修正的短期风电功率集成预测方法及系统技术方案

本发明专利技术公开了一种基于误差修正的短期风电功率集成预测方法及系统，包括：获取风电场的运行数据和天气预报数据；将所述数据分别输入训练好的风电功率预测模型和风电功率误差预测模型进行预测；将两个模型输出的预测结果相加作为最终的短期风电功率预测结果；其中，风电功率预测模型的训练数据集为风电场预设时间段内的历史运行数据和天气数据；功率误差数据集与风电场预设时间段内的历史运行数据和天气数据作为风电功率误差预测模型的训练数据集。本发明专利技术提高了短期风电功率预测精度，提高电网对新能源发电的消纳能力。提高电网对新能源发电的消纳能力。提高电网对新能源发电的消纳能力。

【技术实现步骤摘要】
一种基于误差修正的短期风电功率集成预测方法及系统


[0001]本专利技术涉及新能源发电过程中风电功率预测
，尤其涉及一种基于误差修正的短期风电功率集成预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着环境问题的日益凸显和能源需求的不断增长，发展以风电为典型代表的新能源已成为世界各国的共识。风能具有无污染、可再生、资源广泛等优点被许多国家大力开发应用，但是风电输出功率具有较强的随机性、波动性，大规模风电接入电网导致发用电平衡难度加大，电力系统运行不确定性显著增加，系统安全运行与新能源高效消纳矛盾日益突出。因此提高风电功率预测精度变得至关重要。
[0004]基于时间尺度的划分，风电功率预测主要分为超短期预测、短期预测以及中长期预测。短期风电功率预测结果可以调整机组组合方案，优化常规电源机组发电计划，提高电网对新能源发电的消纳能力，因此短期风电功率预测是目前研究的热点。
[0005]目前，针对短期风电功率预测的研究大多采用单一模型进行预测，但是单一预测模型是基于某一类的假设空间进行预测，因此利用单一模型进行风电功率预测不可避免的存在预测误差；而且，目前的研究方法大多为采用某一个预测模型进行预测，并将模型预测结果直接作为最终预测结果，但是这种研究方法没有考虑到基于任何模型进行预测得到的结果均会存在误差。

技术实现思路

[0006]为了解决上述问题，本专利技术提出了一种基于误差修正的短期风电功率集成预测方法及系统，综合利用集成学习算法里面的XGBoost模型和随机森林模型来进行风电功率预测，避免了单一预测模型在某些点预测误差较大的缺点，并且通过残差学习的方法来提高短期风电功率预测精度。
[0007]在一些实施方式中，采用如下技术方案：
[0008]一种基于误差修正的短期风电功率集成预测方法，包括：
[0009]获取风电场的运行数据和天气预报数据；
[0010]将所述数据分别输入训练好的风电功率预测模型和风电功率误差预测模型进行预测；
[0011]将两个模型输出的预测结果相加作为最终的短期风电功率预测结果；
[0012]其中，风电功率预测模型的训练数据集为风电场预设时间段内的历史运行数据和天气数据；将风电场预设时间段内的历史运行数据和天气数据输入风电功率预测模型，输出风电功率预测值，基于风电功率预测值得到功率误差数据集；所述功率误差数据集与风电场预设时间段内的历史运行数据和天气数据作为风电功率误差预测模型的训练数据集。
[0013]作为进一步地方案，所述风电场运行数据和天气预报数据包括但不限于风电场的发电功率、风向、风速、温度、湿度和气压数据。
[0014]作为进一步地方案，所述风电功率预测模型采用改进遗传算法优化的XGBoost模型构建。
[0015]作为进一步地方案，所述风电功率预测模型在构建时，采用二进制编码，选取XGBoost模型的最小叶子节点权重，最大数深度，学习率以及gamma值作为自变量参数，采用随机方式初始化种群，得到的每个染色体均包含XGBoost模型的自变量参数，将模型预测结果的归一化平均绝对误差NMAE最小作为模型适应度，然后经过复制、适时变化的改进交叉与变异寻找XGBoost模型自变量参数的最优解。
[0016]作为进一步地方案，所述风电功率误差预测模型利用改进遗传算法优化的随机森林模型构建。
[0017]作为进一步地方案，所述风电功率误差预测模型在构建时，采用二进制编码，选取随机森林模型的树的数目，每个决策树随机选择的特征数目，树的最深深度作为参数，采用随机方式初始化种群，得到的每个染色体均包含随机森林模型的三个参数，将模型预测结果的归一化平均绝对误差NMAE最小作为模型适应度，然后经过复制、适时变化的改进交叉与变异寻找随机森林模型的三个参数的最优解。
[0018]作为进一步地方案，实时采集风电场的运行和数值天气预报数据，分别利用训练好的XGBoost和随机森林模型进行预测，对应得到风电功率初步预测结果和风电功率误差预测结果，将两模型预测结果相加即可得到最终的风电功率预测结果。
[0019]在另一些实施方式中，采用如下技术方案：
[0020]一种基于误差修正的短期风电功率集成预测系统，包括：
[0021]数据获取模块，用于获取风电场的运行数据和天气预报数据；
[0022]模型预测模块，用于将所述数据分别输入训练好的风电功率预测模型和风电功率误差预测模型进行预测；
[0023]数据输出模块，用于将两个模型输出的预测结果相加作为最终的短期风电功率预测结果；
[0024]其中，风电功率预测模型的训练数据集为风电场预设时间段内的历史运行数据和天气数据；将风电场预设时间段内的历史运行数据和天气数据输入风电功率预测模型，输出风电功率预测值，基于风电功率预测值得到功率误差数据集；所述功率误差数据集与风电场预设时间段内的历史运行数据和天气数据作为风电功率误差预测模型的训练数据集。
[0025]在另一些实施方式中，采用如下技术方案：
[0026]一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于误差修正的短期风电功率集成预测方法。
[0027]在另一些实施方式中，采用如下技术方案：
[0028]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于误差修正的短期风电功率集成预测方法。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]1、本专利技术综合利用集成学习算法里面的XGBoost模型和随机森林模型来建立风电
功率
[0031]预测模型，避免了单一预测模型在某些测量点处预测误差较大的缺点。
[0032]2、本专利技术利用改进遗传算法来优化XGBoost模型和随机森林模型的参数，克服了利用
[0033]传统遗传算法进行参数寻优陷入局部最优的缺点。
[0034]3、本专利技术利用风电功率预测误差存在的信息对风电功率初步预测结果进行修正，通过残差学习的方法来提高短期风电功率预测精度，优化常规电源机组发电计划，提高电网对新能源发电的消纳能力。
[0035]本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
[0036]图1为本专利技术实施例中的基于误差修正的风电功率预测流程图；
[0037]图2为本专利技术实施例中的不同气象要素与风电功率之间的相关系数图；
[0038]图3为本专利技术实施例中的改进遗传算法的流程图；
[0039]图4为本专利技术实施例中的Bagging算法的原理图；
[0040]图5为本专利技术实施例中的各模型的NMAE值；
[0041]图6为本专利技术实施例中的各模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于误差修正的短期风电功率集成预测方法，其特征在于，包括：获取风电场的运行数据和天气预报数据；将所述数据分别输入训练好的风电功率预测模型和风电功率误差预测模型进行预测；将两个模型输出的预测结果相加作为最终的短期风电功率预测结果；其中，风电功率预测模型的训练数据集为风电场预设时间段内的历史运行数据和天气数据；将风电场预设时间段内的历史运行数据和天气数据输入风电功率预测模型，输出风电功率预测值，基于风电功率预测值得到功率误差数据集；所述功率误差数据集与风电场预设时间段内的历史运行数据和天气数据作为风电功率误差预测模型的训练数据集。2.如权利要求1所述的一种基于误差修正的短期风电功率集成预测方法，其特征在于，所述风电场运行数据和天气预报数据包括但不限于风电场的发电功率、风向、风速、温度、湿度和气压数据。3.如权利要求1所述的一种基于误差修正的短期风电功率集成预测方法，其特征在于，所述风电功率预测模型采用改进遗传算法优化的XGBoost模型构建。4.如权利要求3所述的一种基于误差修正的短期风电功率集成预测方法，其特征在于，所述风电功率预测模型在构建时，采用二进制编码，选取XGBoost模型的最小叶子节点权重，最大数深度，学习率以及gamma值作为自变量参数，采用随机方式初始化种群，得到的每个染色体均包含XGBoost模型的自变量参数，将模型预测结果的归一化平均绝对误差NMAE最小作为模型适应度，然后经过复制、适时变化的改进交叉与变异寻找XGBoost模型自变量参数的最优解。5.如权利要求1所述的一种基于误差修正的短期风电功率集成预测方法，其特征在于，所述风电功率误差预测模型利用改进遗传算法优化的随机森林模型构建。6.如权利要求1所述的一种基于误差修正的短期风电功率集成预测方法，其特征在于，所述风电功率误差预测模型在构建时，采用二进制编码，选取随机森林模型的...

【专利技术属性】
技术研发人员：杨明，丁婷婷，于一潇，李鹏，
申请(专利权)人：山东大学，
类型：发明
国别省市：