一种极端大风场景风电场短期功率预测方法技术

本发明专利技术公开一种极端大风场景风电场短期功率预测方法，将采集的NWP数据及对应功率数据划分为训练集数据和测试集数据，用于预测模型训练和测试，根据蒲氏风力等级对训练集数据进行风速区间划分，得到出力受限样本数据及出力正常样本数据，基于TimeGAN对训练集数据进行样本数据扩充，将扩充后的样本数据用于训练基于孪生网络构建风电出力受限模式识别模型，用出力受限/正常样本数据基于梯度提升树算法去构建基于LSTM风电出力受限/正常时段预测模型，并构建组合WPP预测模型；将测试集数据输入WPP预测模型进行预测输出结果。通过本发明专利技术方法能有效提升极端大风场景如台风天气的预测精度，数据适用范围广，相关技术路线可推广至其他极端天气场景，具有推广价值。具有推广价值。具有推广价值。

【技术实现步骤摘要】
一种极端大风场景风电场短期功率预测方法


[0001]本专利技术涉及一种极端大风场景风电场短期功率预测方法，属于新能源功率预测领域。

技术介绍

[0002]随着风电装机容量的逐年递增，风力发电成为有力的新能源发电手段，因此风力发电的问题与日益增长的电力需求之间的矛盾日益突出。风力发电的随机性和不稳定性对于风电并网带来了难题，因此对于风功率预测的需求不断增长。
[0003]风电功率与风速条件密切相关，不同风速区间的风速波动会对风电出力造成不同的影响，不同风速区间的风电出力有不同的特性。此外，在面对大风天气时，由于样本数据较少，且风电出力受限与风速间的耦合关系尚不明晰，大风条件下的风电功率预测精度往往较低，因此，风电场短期功率预测仍需较大提高。
[0004]基于样本数据扩充，可以有效解决大风条件下样本数量过少的问题，减少过拟合现象。通过构建孪生神经网络的模式识别方法，能有效识别极端大风天气场景下风电出力受限时段。并通过对出力受限时段进行单独建模，能有效提升极端大风场景下的功率预测精度。

技术实现思路

[0005]本专利技术的目的是提供一种极端大风场景风电场短期功率预测方法，以解决上述
技术介绍
中存在的问题。
[0006]本专利技术的目的由以下技术措施实现：
[0007]一种极端大风场景风电场短期功率预测方法，其特征在于按以下步骤进行：
[0008]S1：采集风电场数据，分为训练集数据和测试集数据，用于预测模型的训练及测试，并通过时间序列生成对抗网络(timeGAN)对极端大风场景样本进行扩充，并通过皮尔逊相关性检验验证生成数据的有效性；
[0009]S2：将经过检验后的timeGAN生成数据经过梯度提升树算法进行特征优选，构建极端大风场景下风电出力受限/正常时段下的特征图谱，并基于孪生神经网络构建风电出力受限模式识别模型；
[0010]S3：对风电出力受限/正常时段进行单独预测建模：对于出力受限时段，基于自适应噪声完备集合经验模态分解(CEEMDAN)对气象特征进行挖掘，并采用梯度提升树算法优选极端大风场景下风电出力受限时段的典型气象特征，并构建基于长短期记忆网络(LSTM)风电出力受限时段预测模型；对于出力正常时段，基于梯度提升树算法进行特征优选并构建基于LSTM风电出力正常时段预测模型；
[0011]S4：将S2风电出力受限模式识别模型与S3基于LSTM风电出力受限时段预测模型和基于LSTM风电出力正常时段预测模型组合构建风电出力综合(WPP)预测模型，以RMSE(Root mean square error)和MAE(Mean absolute error)为WPP)预测模型性能评判标准，选取最
合适的WPP预测模型，将S1的测试集数据输入S2构建的合适的风电出力受限模式识别模型进行判别，将判别结果输入对应的合适的基于LSTM风电出力受限/正常时段预测模型进行预测，输出结果。
[0012]进一步地，S1的具体步骤包括：
[0013]S1.1：采集风电场时间分辨率15min，连续一年的数据，包括数值天气预报(NWP)数据及其对应的功率数据，其中70％数据为训练集数据用于模型的训练，30％数据为测试集数据用于模型的测试，将训练集数据并通过蒲式风力等级筛选出大风极端天气下风电数据；
[0014]S1.2：对大风极端天气下风电数据，依照典型风电出力曲线，将数据样本分为出力受限样本数据及出力正常样本数据两类；采用timeGAN对这两类样本数据分别进行样本扩充，并且采用皮尔逊相关性验证测试生成数据的有效性，得到验证后的大风极端天气下的风电出力受限扩充数据和大风极端天气下的风电出力正常扩充数据。
[0015]进一步地，S2的具体步骤包括：
[0016]S2.1:基于S1.2中timeGAN所生成数据，通过梯度提升树算法实现风电出力受限/正常时段识别特征优选，进一步构建出风电出力受限/正常时段特征图谱；
[0017]S2.2：将风电出力受限时段特征图谱和风电出力正常时段特征图谱；通过同时训练基于双通道孪生神经网络两个结构相同且权值共享的子网络，最终得到极端大风天气下的基于孪生神经网络的风电出力受限模式识别模型。
[0018]进一步地，S3的具体步骤包括：
[0019]S3.1：对于极端大风场景风电出力受限时段，首先采用CEEMDAN对步骤S1.2筛选出的大风极端天气下的风电出力受限扩充数据进行特征挖掘，构建不同频率的气象
‑
出力特征；再通过梯度提升树算法进行特征优选，选择与风电出力受限时段强相关的特征构建风速高频分量和风向高频分量预测特征集，最终基于LSTM构建风电出力受限时段预测模型。
[0020]S3.2：对于极端大风场景风电出力正常时段，采用梯度提升树算法对步骤S1.2筛选出的大风极端天气下的风电出力正常扩充数据进行特征优选，实现对气象
‑
出力特征的优选，并基于优选后的特征构建基于LSTM的风电出力正常时段预测模型，所述气象包括风速、风向、气温和气压。
[0021]进一步地，S4的具体步骤包括：将S2.2的风电出力受限模式识别模型、S3.1的基于LSTM风电出力受限时段预测模型和S3.2的基于LSTM风电出力正常时段预测模型组合构建风电出力综合(WPP)预测模型，以RMSE和MAE为WPP预测模型性能评判标准，选取最合适的WPP预测模型，将S1.1的测试集数据输入S2.2构建的合适的风电出力受限模式识别模型进行判别，将判别结果输入对应的合适的基于LSTM风电出力受限/正常时段预测模型进行预测，输出结果。
[0022]本专利技术达到的有益效果是：本专利技术通过小样本数据扩充方法有效减少极端大风场景风电出力预测建模数据不足的问题，通过对极端大风天气下出力受限场景进行精确识别并构建精细化预测模型，可以有效提高预测模型精度，对风功率预测具有重要作用。
附图说明
[0023]图1为本专利技术的整体流程结构框图。
mean square error)和MAE(Mean absolute error)为WPP)预测模型性能评判标准，选取最合适的WPP预测模型，将S1的测试集数据输入S2构建的合适的风电出力受限模式识别模型进行判别，将判别结果输入对应的合适的基于LSTM风电出力受限/正常时段预测模型进行预测，输出结果；其具体步骤包括：将S2.2的风电出力受限模式识别模型、S3.1的基于LSTM风电出力受限时段预测模型和S3.2的基于LSTM风电出力正常时段预测模型组合构建风电出力综合(WPP)预测模型，以RMSE和MAE为WPP预测模型性能评判标准，选取最合适的WPP预测模型，将S1.1的测试集数据输入S2.2构建的合适的风电出力受限模式识别模型进行判别，将判别结果输入对应的合适的基于LSTM风电出力受限/正常时段预测模型进行预测，输出结果。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极端大风场景风电场短期功率预测方法，其特征在于按以下步骤进行：S1：采集风电场数据，分为训练集数据和测试集数据，用于预测模型的训练及测试，并通过时间序列生成对抗网络(timeGAN)对极端大风场景样本进行扩充，并通过皮尔逊相关性检验验证生成数据的有效性；S2：将经过检验后的timeGAN生成数据经过梯度提升树算法进行特征优选，构建极端大风场景下风电出力受限/正常时段下的特征图谱，并基于孪生神经网络构建风电出力受限模式识别模型；S3：对风电出力受限/正常时段进行单独预测建模：对于出力受限时段，基于自适应噪声完备集合经验模态分解(CEEMDAN)对气象特征进行挖掘，并采用梯度提升树算法优选极端大风场景下风电出力受限时段的典型气象特征，并构建基于长短期记忆网络(LSTM)风电出力受限时段预测模型；对于出力正常时段，基于梯度提升树算法进行特征优选并构建基于LSTM风电出力正常时段预测模型；S4：将S2风电出力受限模式识别模型与S3基于LSTM风电出力受限时段预测模型和基于LSTM风电出力正常时段预测模型组合构建风电出力综合(WPP)预测模型，以RMSE(Root mean square error)和MAE(Mean absolute error)为WPP)预测模型性能评判标准，选取最合适的WPP预测模型，将S1的测试集数据输入S2构建的合适的风电出力受限模式识别模型进行判别，将判别结果输入对应的合适的基于LSTM风电出力受限/正常时段预测模型进行预测，输出结果。2.根据权利要求1所述的极端大风场景风电场短期功率预测方法，其特征在于：所述S1中，具体步骤包括：S1.1：采集风电场时间分辨率15min，连续一年的数据，包括数值天气预报(NWP)数据及其对应的功率数据，其中70％数据为训练集数据用于模型的训练，30％数据为测试集数据用于模型的测试，将训练集数据并通过蒲式风力等级筛选出大风极端天气下风电数据；S1.2：对大风极端天气下风电数据，依照典型风电出力曲线，将数据样本分为出力受限样本数据及出力正常样本数据两类；采用timeGAN对这两类样本数据分别进行样本扩充，并且采用皮尔逊相...

【专利技术属性】
技术研发人员：刘双全，彭小圣，周涵，陈若凡，陈凯，魏沛杰，蒋燕，周彬彬，杨韵琛，王有香，张聪通，邵其专，李家鹏，张琳波，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：