风电场日前风电功率预测方法及系统技术方案

本发明专利技术公开的风电场日前风电功率预测方法及系统，属于风力发电技术领域，包括：根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建原始数据集；除去原始数据集中的待预测日风电功率，得到聚类数据集开展k

【技术实现步骤摘要】
风电场日前风电功率预测方法及系统


[0001]本专利技术涉及风力发电
，特别涉及一种风电场日前风电功率预测方法及系统。

技术介绍

[0002]近年来，以风电等为代表的可再生能源越来越受到重视。与传统发电不同，风力发电具有复杂性和不稳定性的特点，随着风电机组装机容量的不断增加，其出力的强随机性与波动性给电力系统的安全稳定运行带来了困扰。为了优化电网调度，提高风电场效率，使得对风电功率的准确预测显得极其重要。目前基于物理方法的风电功率预测的技术方案为：建立计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型，并考虑到数值天气预报数据中的风速精确度不高，建立了基于高斯过程的数值天气预报风速修正模型，计入其他气象因素，例如风向、温度、湿度、气压等，进行风电预测；同时，基于目标风电场与相邻风电场区域的风速空间相关性分析，计算其最大相关系数点的延迟时间，建立风速空间相关性预测模型；基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型，建立组合加权预测模型，并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值，得到预测的风电功率。
[0003]但是，基于物理方法的风电功率预测无法从多源、多维、多模态数据中找寻其内在规律，无法挖掘历史数据之间的关系，导致预测结果往往不够精确。同时，基于物理方法的风电功率预测模型结构复杂，计算过程繁琐。

技术实现思路

[0004]为了解决现有基于物理方法的风电功率预测结果不够精确，预测模型结构复杂，计算过程繁琐的问题，本专利技术提供了一种风电场日前风电功率预测方法，包括：
[0005]根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
[0006]除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k
‑
means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
[0007]根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
[0008]根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
[0009]本专利技术还提供了一种风电场日前风电功率预测系统，包括：
[0010]构建模块，用于根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
[0011]聚类生成模块，用于除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k
‑
means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
[0012]筛选组成模块，用于根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
[0013]预测模块，用于根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
[0014]本专利技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0015]根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
[0016]除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k
‑
means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
[0017]根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
[0018]根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
[0019]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0020]根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
[0021]除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k
‑
means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
[0022]根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
[0023]根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
[0024]本专利技术提供的风电场日前风电功率预测方法及系统，通过皮尔逊相关系数，构建含待预测日风电功率及数值天气预报气象特征、历史日风电功率的原始数据集，基于聚类算法，构建带标签的原始数据集，设计基于改进鲁棒性辅助分类生成对抗网络的场景生成模型，生成海量带标签样本，根据已知历史日风电功率和数值天气预报气象特征可确定待预测日的簇标签类别，在该类簇标签下筛选出与待预测日风电功率相似度高的场景，进而获得待预测日风电功率点预测及区间预测结果，提高了风电功率的点预测与区间预测精度，与传统WGP区间预测方法相比，本专利技术的预测结果更加准确及有效。
附图说明
[0025]图1是本专利技术实施例待预测日t时刻风电功率与各影响特征的相关性示意图；
[0026]图2是本专利技术实施例含有待预测日风电功率及其影响特征的原始数据集的样本格式；
[0027]图3是本专利技术实施例提供的RAC
‑
GAN模型原理示意图；
[0028]图4是本专利技术实施例提供的风电场日前风电功率预测流程示意图；
[0029]图5是本专利技术实施例提供的风电场日前风电功率预测方法流程图；
[0030]图6是本专利技术实施例方法与不同置信度下WGP方法在四季的风电功率预测结果及预测指标对比示意图；
[0031]图7是本专利技术实施例提供的风电场日前风电功率预测系统结构示意图；
[0032]图8是本专利技术实施例提供的一种计算机设备的实体结构示意图。
具体实施方式...

【技术保护点】

【技术特征摘要】
1.一种风电场日前风电功率预测方法，其特征在于，包括：根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k
‑
means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。2.根据权利要求1所述的风电场日前风电功率预测方法，其特征在于，所述根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性的步骤具体包括：选取风速、风向、温度、湿度和压强作为待预测日风电功率的第一初选特征；根据各个历史日与所述待预测日的风电功率之间的相关性，选取皮尔逊相关系数绝对值大于预设阈值的历史日风电功率作为待预测日风电功率的第二初选特征；计算出所述待预测日风电功率与所述第一初选特征、第二初选特征的皮尔逊相关系数；比较所述皮尔逊相关系数的绝对值与预设阈值的大小，确定所述待预测日风电功率与所述第一初选特征、第二初选特征的相关性。3.根据权利要求2所述的风电场日前风电功率预测方法，其特征在于，所述皮尔逊相关系数的计算公式为：其中，x为待预测日风电功率、y
i
为待预测日风电功率的影响特征；x
k
、y
ik
分别为x、y
i
中第k个数据；分别为x、y
i
的数据平均值；k、n为正整数。4.根据权利要求3所述的风电场日前风电功率预测方法，其特征在于，所述构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集的步骤具体包括：根据所述待预测日风电功率与所述第一初选特征、第二初选特征的相关性判定结果，去除极弱相关或无相关的初选特征；将剩余的初选特征作为所述待预测日风电功率预测的影响特征，并将数据集预计与所述影响特征对应的特征进行归一化处理；根据预先设定的排列顺序，依次将归一化处理后的特征与所述待预测日风电功率整合，形成待预测日原始数据；根据每个待预测日原始数据，构建全年原始数据样本，并从所述全年原始数据样本随机选取若干原始数据，构建原始数据集。
5.根据权利要求4所述的风电场日前风电功率预测方法，其特征在于，所述除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k
‑
means聚类，得到带簇标签的原始数据集的步骤具体包括：除去所述原始数据集中的所述待预测日风电功率，得到归一化处理后的与所述影响特征对应的特征，形成聚类数据集；将所述聚类数据集中的数据进行k
‑
means聚类，得到多簇标签；将所述原始数据集中的每个场景赋予所述标签。6.根据权利要求5所述的风电场日前风电功率预测方法，其特征在于，所述k
‑
means聚类是将n个数据对象聚类为k类，使每类中的数据对象相似度最高，不断重复这一过程直到划分完成，其步骤如下：1)确定聚类数k，并在数据中任意选取k个初始聚类中心；2)计算所有数据点到聚类中心的距离，并根据距离最小原则将数据归类于所属类别中；3)根据各类的特点，利用均值法迭代更新各类的中心直至迭代结束。7.根据权利要求6所述的风电场日前风电功率预测方法，其特征在于，所述根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景的步骤具体包括：在辅助分类生成对抗网络的生成器输入端引入数据编码器，并根据真实风电功率及其影响特征数据预先学习浅层原始数据特征，得到随机噪声输入；生成器根据所述随机噪声，生成海量满足真实样本概率分布特性的样本数据；判别器根据所述生成的样本数据与原始样本数据，判别生成样本质量，实现训练样本数据扩充；鲁棒性辅助分类生成对抗网络进行迭代过程，向降低噪声影响的方向开展博弈优化，最终生成噪声干扰下海量带标签的风电功率及其影响特征的样本。8.根据权利要求7所述的风电场日前风电功率预测方法，其特征在于，所述根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集的步骤具体包括：根据所述预测日的簇标签在所述海量带标签场景中查找出对应的生成样本；以所述待预测日风电功率与所述影响特征的皮尔逊相关系数为权系数，设定所述待预测日风电功率的全部影响特征与第j个生成样本间对应特征的加权PCC为PCC
j
，表达式为：其中，PCC(x,y
i
)为所述待预测日风电功率与影响特征i之间的PCC；PCC(y
i
,y
ji
)为已知影响特征i与第j个生成样本影响特征i之间的PCC；PCC
j
为第j个生成样本与所述待预测日特征间的加权PCC；根据所述PCC
j
从大到小的顺序，在所述簇标签对应的生成样本中筛选出与所述待预测日极强相关历史日间相似性高的多个样本，组成相似场景集。9.根据权利要求8所述的风电场日前风电功率预测方法，其特征在于，所述根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测及区间预测结果的步骤具...

【专利技术属性】
技术研发人员：潘霄，张明理，赵琳，张娜，宋卓然，黄南天，高靖，吕旭明，李华，程孟增，吉星，商文颖，侯依昕，杨朔，杨博，刘禹彤，满林坤，徐熙林，杨海峰，杨方圆，刘凯，李金起，王宗元，
申请(专利权)人：国家电网有限公司东北电力大学，
类型：发明
国别省市：