一种多预测模型融合的风电功率预测方法及装置制造方法及图纸

本发明专利技术涉及一种多预测模型融合的风电功率预测方法及装置，包括：基于将各历史时刻各气象台提供的天气预报数据作为预先训练的各单一预测模型的输入，各单一预测模型输出的各历史时刻各单一预测模型输出的风电功率预测结果，获取各历史时刻线性回归预测模型输出的风电功率预测结果；基于各历史时刻各单一预测模型输出的风电功率预测结果和线性回归预测模型输出的风电功率预测结果的均方根误差，从各历史时刻各单一预测模型和各历史时刻线性回归预测模型中选出最优预测模型；将预测时刻的天气预报数据输入至最优预测模型，获取预测时刻风电功率数据；本发明专利技术聚焦短期预测时间范围利用大量训练数据通过多种算法来训练多种模型，提高风电功率预测精度。提高风电功率预测精度。提高风电功率预测精度。

【技术实现步骤摘要】
一种多预测模型融合的风电功率预测方法及装置


[0001]本专利技术涉及风电功率预测领域，具体涉及一种多预测模型融合的风电功率预测方法及装置。

技术介绍

[0002]在风电功率大规模并网的背景下，风电出力的随机性、波动性为电力系统的安全经济运行带来了巨大冲击。风电功率预测可以提前给出未来的风电出力，从而作为电力系统决策优化的重要依据，因此，风电功率预测是提高风电消纳水平、保障电力系统安全稳定、提高电网运行经济效益的重要技术手段。然而，由于人类认知和技术水平的局限，以及风电功率预测问题本身的复杂性，风电功率预测误差难以避免，预测精度仍存在较大的提升空间，使得风电功率预测问题成为人们持续关注和研究的热点问题。
[0003]目前工程应用的风电功率预测方法以统计方法为主，此类方法通过统计模型或机器学习(人工智能)模型建立解释变量(如数值天气预报、历史功率、气象观测数据等)和被解释变量(风电功率)之间的映射关系。统计方法是一种数据驱动的方法，其模型参数通常需要大量历史数据进行估计或训练。统计方法广泛应用于超短期(预测时长小于4小时)、短期(预测时长4小时～7天)和中长期三类不同时间尺度下的风电功率预测中。其中，超短期预测以功率时间序列本身的时间自相关特性为依据进行外推，而短期和中长期预测中，由于预测时间长，功率的自相关性明显降低，此时数值天气预报(Number Weather Prediction，NWP)通常是预测模型最重要的输入数据，尤其是数值天气预报提供的风速、风向等都是影响风电功率预测的关键气象预报因素，对短期的风电功率预测影响显著，本专利技术就是聚焦短期预测这个时间范围。
[0004]影响统计预测模型精度的关键因素有两个，一个是数据一个是算法。
[0005]在短期预测中，最关键的预测数据是数值天气预报。数值天气预报是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。数值天气预报本身存在这对真实物理过程的近似和简化，给出的预报也是对应分辨率下的平均值，因此预报的误差也是在所难免。由于复杂大气系统的混沌效应，初始条件中的微小误差，随着计算时间的拉长会不断放大，因此，未来3天以内的预报效果较好，部分天气预报可达未来7天，但预报效果已明显降低。
[0006]在短期内预测中，算法影响到对数据信息的有效挖掘和分析，最终得到功率预测结果，不同算法对于数据关系的阐释能力不同，在不同情境下各有优劣。目前统计方法主要有线性\非线性回归、神经网络、支持向量机回归、k近邻回归以及近期热门的深度学习方法如LSTM、卷积神经网络等。

技术实现思路

[0007]针对现有技术的不足，本专利技术的目的是提供一种多预测模型融合的风电功率预测
方法，该方法可有效提高预测精度，获取到更优的风电功率预测结果。
[0008]本专利技术的目的是采用下述技术方案实现的：
[0009]本专利技术提供一种多预测模型融合的风电功率预测方法，其改进之处在于，所述方法包括：
[0010]获取历史周期内各气象台提供的各历史时刻的天气预报数据，历史周期为预测时刻前的预设时长；
[0011]基于将所述各历史时刻的天气预报数据作为预先训练的各单一预测模型的输入，各单一预测模型输出的各历史时刻各单一预测模型输出的风电功率预测结果，获取各历史时刻线性回归预测模型输出的风电功率预测结果；
[0012]基于所述各历史时刻的各单一预测模型输出的风电功率预测结果和线性回归预测模型输出的风电功率预测结果的标幺化的均方根误差，从所述各历史时刻各单一预测模型和所述各历史时刻线性回归预测模型中选出最优预测模型；
[0013]将预测时刻的天气预报数据输入至所述最优预测模型，获取预测时刻的风电功率数据；
[0014]其中，所述各历史时刻线性回归预测模型输出的风电功率预测结果为经过平滑处理得到的。
[0015]优选的，所述基于将所述各历史时刻的天气预报数据作为预先训练的各单一预测模型的输入，预先训练的各单一预测模型输出的各历史时刻各单一预测模型输出的风电功率预测结果，获取各历史时刻线性回归预测模型输出的风电功率预测结果，包括：
[0016]将所述各历史时刻的天气预报数据输入至预先训练的各单一预测模型中，得到各历史时刻各单一预测模型输出的风电功率预测结果；
[0017]基于所述各历史时刻各单一预测模型输出的风电功率预测结果及其对应的线性回归预测模型的线性回归参数，获取各历史时刻线性回归预测模型输出的风电功率预测结果。
[0018]进一步的，所述单一预测模型的训练过程包括：
[0019]获取多个气象中心的历史天气预报数据及其对应的实际风电功率数据，分别为各气象中心构建训练样本；
[0020]基于各气象中心的训练样本分别进行训练得到每个气象中心对应的单一预测模型。
[0021]进一步的，所述线性回归预测模型的线性回归参数的计算式如下：
[0022][0023]上式中，β为线性回归模型的线性回归参数，为以各气象中心的各历史时刻的天气预报数据作为各气象中心对应的N种单一预测模型的输入量，各气象中心对应的N种单一预测模型输出的各历史时刻的风电功率预测结果，p为各历史时刻的实际功率，T为矩阵转置符号。
[0024]进一步的，所述线性回归预测模型输出的历史周期内t时刻的风电功率预测结果的计算式如下：
[0025][0026]上式中，为历史周期内t时刻的风电功率预测结果，β0为回归截距，β1,...,β
M
分别为1～S个气象中心对应的N种单一预测模型输出的风电功率预测结果及其对应的实际功率作为训练数据，训练的线性回归模型的线性回归参数，为分别以第1～S个气象中心对应的第N种单一预测模型输出的历史周期内t时刻的风电功率预测结果作为线性回归预测模型的输入，线性回归预测模型输出的历史周期内t时刻的风电功率预测结果，M＝SN，S为气象中心总个数，N为每个气象中心对应的单一预测模型的总类数。
[0027]优选的，各历史时刻线性回归预测模型输出的风电功率预测结果的平滑处理，包括：
[0028]获取历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结果的中点平均值；
[0029]基于所述中点平均值计算平滑后的历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结果。
[0030]进一步的，所述中点平均值的计算式如下：
[0031][0032]其中，为历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结果的中点平均值，为历史时刻线性回归预测模型输出的第b个时刻的风电功率预测结果，为历史时刻线性回归预测模型输出的第b+1个时刻的风电功率预测结果，b为历史时刻线性回归预测模型输出的风电功率预测结果发生跳变的时刻。
[0033]进一步的，所述平滑后的历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多预测模型融合的风电功率预测方法，其特征在于，所述方法包括：获取历史周期内各气象台提供的各历史时刻的天气预报数据，历史周期为预测时刻前的预设时长；基于将所述各历史时刻的天气预报数据作为预先训练的各单一预测模型的输入，各单一预测模型输出的各历史时刻各单一预测模型输出的风电功率预测结果，获取各历史时刻线性回归预测模型输出的风电功率预测结果；基于所述各历史时刻的各单一预测模型输出的风电功率预测结果和线性回归预测模型输出的风电功率预测结果的标幺化的均方根误差，从所述各历史时刻各单一预测模型和所述各历史时刻线性回归预测模型中选出最优预测模型；将预测时刻的天气预报数据输入至所述最优预测模型，获取预测时刻的风电功率数据；其中，所述各历史时刻线性回归预测模型输出的风电功率预测结果为经过平滑处理得到的。2.如权利要求1所述的方法，其特征在于，所述基于将所述各历史时刻的天气预报数据作为预先训练的各单一预测模型的输入，预先训练的各单一预测模型输出的各历史时刻各单一预测模型输出的风电功率预测结果，获取各历史时刻线性回归预测模型输出的风电功率预测结果，包括：将所述各历史时刻的天气预报数据输入至预先训练的各单一预测模型中，得到各历史时刻各单一预测模型输出的风电功率预测结果；基于所述各历史时刻各单一预测模型输出的风电功率预测结果及其对应的线性回归预测模型的线性回归参数，获取各历史时刻线性回归预测模型输出的风电功率预测结果。3.如权利要求2所述的方法，其特征在于，所述单一预测模型的训练过程包括：获取多个气象中心的历史天气预报数据及其对应的实际风电功率数据，分别为各气象中心构建训练样本；基于各气象中心的训练样本分别进行训练得到每个气象中心对应的单一预测模型。4.如权利要求2所述的方法，其特征在于，所述线性回归预测模型的线性回归参数的计算式如下：上式中，β为线性回归模型的线性回归参数，为以各气象中心的各历史时刻的天气预报数据作为各气象中心对应的N种单一预测模型的输入量，各气象中心对应的N种单一预测模型输出的各历史时刻的风电功率预测结果，p为各历史时刻的实际功率，T为矩阵转置符号。5.如权利要求2所述的方法，其特征在于，所述线性回归预测模型输出的历史周期内t时刻的风电功率预测结果的计算式如下：上式中，为历史周期内t时刻的风电功率预测结果，β0为回归截距，β1,...,β
M
分别为1～S个气象中心对应的N种单一预测模型输出的风电功率预测结果及其对应的实际功率作
为训练数据，训练的线性回归模型的线性回归参数，为分别以第1～S个气象中心对应的第N种单一预测模型输出的历史周期内t时刻的风电功率预测结果作为线性回归预测模型的输入，线性回归预测模型输出的历史周期内t时刻的风电功率预测结果，M＝SN，S为气象中心总个数，N为每个气象中心对应的单一预测模型的总类数。6.如权利要求1所述的方法，其特征在于，各历史时刻线性回归预测模型输出的风电功率预测结果的平滑处理，包括：获取历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结果的中点平均值；基于所述中点平均值计算平滑后的历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结果。7.如权利要求6所述的方法，其特征在于，所述中点平均值的计算式如下：其中，为历史时刻线性回归预测模型输出的跳变前和跳变后的风电功率预测结果的中...

【专利技术属性】
技术研发人员：王钊，王勃，王伟胜，冯双磊，刘纯，车建峰，靳双龙，王铮，刘晓琳，汪步惟，张菲，裴岩，姜文玲，赵艳青，滑申冰，王姝，
申请(专利权)人：国家电网有限公司国网山西省电力公司电力科学研究院，
类型：发明
国别省市：