System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电功率预测,特别是涉及一种基于时空融合的风电功率预测方法及系统。
技术介绍
1、风力发电因其高效、廉价和丰富等优点,装机容量在全球持续增长,风电场的分布规模也从早期的分散、小规模向集中、大规模分布发展。与单机或单风电场相比,大规模风电集群可以更有效地利用风力资源,提高发电质量。然而,由于风速的随机性、间歇性和波动性,风力发电体现出极强的不稳定性,随着风电大规模并网接入电力系统,对风电进行准确预测是提高电网运行稳定性和控制可靠性的重要措施。
2、随着风电装机容量的不断扩大,建设大规模风电场已经成为主流。在这种情况下,风电预测的准确性和精度更加重要。传统的单场预测模式只考虑单个风电场数据信息,忽略大气系统惯性给区域内风电场群带来的复杂时空相关性,限制了预测精度的提升。而基于时空融合的预测方法则能更好地应对大规模风电场的预测需求。
3、因此,提出一种基于时空融合的风电功率预测方法,以提高风电功率预测准确度是十分必要的。
技术实现思路
1、本专利技术的目的在于,提供一种基于时空融合的风电功率预测方法及系统,提高风电功率预测准确度,增强电网运行稳定性和控制可靠性。
2、为解决实现上述技术目的,本专利技术提供一种基于时空融合的风电功率预测方法,包括:
3、选择预定区域范围内n个相邻站点在相同时间段内的风电功率历史数据;
4、对所选站点的风电功率历史数据进行预处理;
5、搭建局部模型挖掘预测站点自身的时间相关
6、搭建全局模型挖掘预测站点与其相邻站点间的时空相关性,得到全局预测结果;
7、搭建决策模型将预测站点自身的时间相关性与相邻站点间的时空相关性进行时空融合,得到最终预测结果。
8、可选的,所述预定区域范围为以预测站点为中心的80-120km范围内,n个相邻站点在相同时间段内的风电功率历史数据:x=[x1,x2,x3,...,xn];
9、其中,x为所有站点风电功率历史数据的集合,每个站点的数据长度均为p;x1表示站点1在既定时间段内的风电功率历史数据;x2表示站点2的在既定时间段内的风电功率历史数据;以此类推,xn表示站点n在既定时间段内的风电功率历史数据。
10、可选的,所述进行预处理包括数据清洗,所述数据清洗包括缺失值填充、删除重复数据或异常数据处理;
11、所述缺失值填充包括均值填充、中位数填充、众数填充、插值法和基于回归模型填充;所述异常数据处理包括删除、均值替换、中位数替换、众数替换、分箱处理和基于深度学习模型识别并替换。
12、可选的,所述搭建局部模型的过程包括:
13、将预测站点i的数据xi归一化到0-1之间,并划分训练集xi-train和测试集xi-test;
14、选用深度神经网络模型,对站点i进行预测时,时间窗长度设置为a,划分训练集输入数据和实际数据;
15、其中,输入local_x为:
16、;
17、其中,时间窗形状为(a,1,p/2),a表示时间窗大小,1为输入特征数量,p/2为输入数据长度,实际值y为:。
18、可选的,用站点i的1~a个数据预测第(a+1)个数据,2~(a+1)个数据预测第(a+2)个数据,j~(j+(a-1))个数据预测第(j+a)个数据,以此类推,设置训练批次和训练周期对局部模型进行训练;
19、用已经训练好的模型对测试集数据xi-test进行预测,得到预测结果ylocal。
20、可选的,所述搭建全局模型的过程包括:
21、分析站点间的超前/延迟关系,保持预测站点i的数据xi不变,其余站点数据在±t个步长范围内移动,并计算移动后各站点与站点i的皮尔逊相关系数,选择相关系数最大时超前/延迟之后的站点数据作为输入特征。
22、可选的,将所有站点数据归一化到0~1之间,并划分训练集xtrain和测试集xtest;
23、选用深度神经网络模型,对站点i进行预测时,时间窗长度设置为b,划分训练集输入数据和实际数据;
24、其中,输入global_x为:
25、;
26、其中,时间窗形状为(b,n,p/2),b表示时间窗大小,n为输入特征数量,p/2为输入数据长度,实际值y为:。
27、可选的,用所有站点的1~b个数据预测站点i的第(b+1)个数据,2~(b+1)个数据预测第(b+2)个数据,j~(j+(b-1))个数据预测第(j+b)个数据,以此类推,设置训练批次和训练周期对全局模型进行训练;
28、用已经训练好的模型对测试集数据xtest进行预测,得到预测结果yglobal。
29、可选的,搭建决策模型将预测站点自身的时间相关性与相邻站点间的时空相关性进行时空融合;
30、利用双层决策树模型对局部预测结果和全局预测结果进行智能决策,将决策结果反标准化后得到目标站点的最终预测结果y。
31、本专利技术还提供了一种基于时空融合的风电功率预测系统,用于实现上述基于时空融合的风电功率预测方法,包括:数据处理模块、模型搭建模块以及最终结果预测模块;
32、所述数据处理模块用于根据预定区域范围内的风电功率历史数据进行预处理;
33、所述模型搭建模块用于搭建局部模型并得到局部预测结果以及搭建全局模型并得到全局预测结果;
34、所述最终结果预测模块用于搭建决策模型将预测站点自身的时间相关性与相邻站点间的时空相关性进行时空融合,得到最终预测结果。
35、相比于现有技术,本专利技术至少具有以下有益效果:本专利技术通过搭建局部-全局智能决策模型,挖掘预测站点自身的时间相关性和区域内相邻站点间的时空相关性并进行时空融合,从而进一步提高风电功率预测准确度,提高电网运行稳定性和控制可靠性,本专利技术提供的预测方法对风电场的运行管理和电力系统的优化调度具有重要的实际意义和应用价值。
本文档来自技高网...【技术保护点】
1.一种基于时空融合的风电功率预测方法,其特征在于,包括:
2.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述预定区域范围为以预测站点为中心的80-120km范围内,n个相邻站点在相同时间段内的风电功率历史数据:X=[X1,X2,X3,...,Xn];
3.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述进行预处理包括数据清洗,所述数据清洗包括缺失值填充、删除重复数据或异常数据处理;
4.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述搭建局部模型的过程包括:
5.如权利要求4所述的基于时空融合的风电功率预测方法,其特征在于,用站点i的1~a个数据预测第(a+1)个数据,2~(a+1)个数据预测第(a+2)个数据,j~(j+(a-1))个数据预测第(j+a)个数据,以此类推,设置训练批次和训练周期对局部模型进行训练;
6.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述搭建全局模型的过程包括:
7.如权利要求6所述的基于时空融合的风电功
8.如权利要求7所述的基于时空融合的风电功率预测方法,其特征在于,用所有站点的1~b个数据预测站点i的第(b+1)个数据,2~(b+1)个数据预测第(b+2)个数据,j~(j+(b-1))个数据预测第(j+b)个数据,以此类推,设置训练批次和训练周期对全局模型进行训练;
9.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,搭建决策模型将预测站点自身的时间相关性与相邻站点间的时空相关性进行时空融合;
10.一种基于时空融合的风电功率预测系统,用于实现权利要求1~9中任一项所述的基于时空融合的风电功率预测方法,其特征在于,包括:数据处理模块、模型搭建模块以及最终结果预测模块;
...【技术特征摘要】
1.一种基于时空融合的风电功率预测方法,其特征在于,包括:
2.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述预定区域范围为以预测站点为中心的80-120km范围内,n个相邻站点在相同时间段内的风电功率历史数据:x=[x1,x2,x3,...,xn];
3.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述进行预处理包括数据清洗,所述数据清洗包括缺失值填充、删除重复数据或异常数据处理;
4.如权利要求1所述的基于时空融合的风电功率预测方法,其特征在于,所述搭建局部模型的过程包括:
5.如权利要求4所述的基于时空融合的风电功率预测方法,其特征在于,用站点i的1~a个数据预测第(a+1)个数据,2~(a+1)个数据预测第(a+2)个数据,j~(j+(a-1))个数据预测第(j+a)个数据,以此类推,设置训练批次和训练周期对局部模型进行训练;
6.如权利要求1所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。