【技术实现步骤摘要】
本专利技术涉及短期风电功率预测领域，尤其涉及一种基于风速波划分与聚类的短期风电功率预测方法。
技术介绍
1、随着全球经济的快速发展和生活水平的不断提高，人类对能源的需求也在不断增加。然而，煤炭、石油和天然气等传统化石能源的使用会释放污染，破坏环境，导致全球变暖。由于化石燃料的不可再生性和储量有限，过度开采会导致能源枯竭。因此，要解决能源危机和环境问题，就需要利用可再生能源。在太阳能光伏发电、潮汐发电、波浪发电和现代生物能源等各种可再生能源中，风能作为一种高效、廉价且环境友好的可再生能源受到广泛青睐，且风能以其存储量大、可再生的特点得以快速发展。2023年我国风电新增吊装容量77.1gw，同比上涨58％。其中，陆上风电新增69.4gw，同比增长59％；海上风电新增7.6gw，同比增长48％。可以看出，我国的风能利用率越来越高，风力发电机组将风能转化为电能，将其并入电网，以供用户使用。
2、作为一种重要的可再生清洁能源，风能的开发和利用受到广泛的关注，而大规模的并网给电力系统安全、稳定运行带来了挑战。风电功率预测是综合风力发电系统的运行特性、环境影响因素等条件，运用科学合理的方法挖掘实际气象因素、数值天气预报数据和风电功率的规律与趋势，并对未来一段时间内的风电功率产出运行进行预估和推断，准确的短期风电功率预测能为电网调度提供依据。但由于风能资源具有较强的波动性、随机性和间歇性，使得风力发电集团发电效率不高。因此，为了缓解风电并网不确定性的影响，提高风电消纳能力，开展精准短期发风电功率预测工作具有非常重要的理论意义和工程实
3、风电功率预测的方法大致可以分为三类：物理方法、统计方法和组合方法三类。物理方法基于数值天气预报(nwp)数据，并考虑风电场地形起伏程度等因素进行预测。物理方法不需要大量历史数据即可获得高精度预测，但建模和求解过程复杂，常用于新建风电场的中长期风速预测。通过分析历史数据，统计方法建立输入与输出之间的映射关系，从而获得预测功率。与物理方法相比，统计方法应用于中长期风速预报时精度较差，但其简单且易于建模，无需考虑复杂的地形和气候条件。为了克服这些方法的缺点，许多学者将注意力集中在组合预测方法上。组合预测方法可以结合单一预测方法的优点来提高风电功率的预测精度。
4、上述三种类型的预测方法对风电功率的短期预测是有效的，具有较高的精度。但是由于天气变化，风速及nwp其他气象因素的不确定性和复杂性导致功率预测不确定性增加。尤其是风速的不确定性，以往的点预测仅仅挖掘数据的统计特征，但是，在预测过程中，多个气象因素以及时序特性均会影响风电功率。
技术实现思路
1、为了解决短期风电功率预测的准确率较低的问题，本专利技术提供了一种基于风速波划分与聚类的短期风电功率预测方法，该方法充分提取数值天气预报中的隐含特征，对风速进行划分波段，再提取风速波的形状特征与统计特征，以便更准确地对风电数据进行聚类，提高风电短期预测的准确性。该方法主要包括如下步骤：
2、s1：获取原始数据：历史风电功率数据、数值天气预报风速数据，并对该原始数据进行归一化处理；
3、s2：通过sg滤波器对归一化处理后的原始数据进行滤波，获得数值天气预报风速趋势序列；
4、s3：在数值天气预报风速趋势序列的基础上，根据极值点法划分风速波；
5、s4：根据风速波划分的结果，提取每个风速波的特征；
6、s5：根据s4提取到的关于历史风电功率数据的风速波的特征，利用聚类方法将相似的风速波划分为同一类，划分多个数据集；
7、s6：利用数据集中的数据对建立的dbn网络进行训练，得到多个预测模型；
8、s7：利用数据集和s4提取到的关于数值天气预报风速数据的风速波的特征进行风速波所属簇匹配；
9、s8：根据匹配的风速波所属簇采用对应的预测模型进行短期风电功率预测。
10、一种存储设备，所述存储设备存储指令及数据用于实现一种基于风速波划分与聚类的短期风电功率预测方法。
11、一种基于风速波划分与聚类的短期风电功率预测设备，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种基于风速波划分与聚类的短期风电功率预测方法。
12、本专利技术提供的技术方案带来的有益效果是：本专利技术通过sg滤波、风速波划分、特征提取、风速波聚类和dbn网络建模，提出了一种短期风电功率预测方法。在风速波划分和特征提取部分，利用sg滤波器对nwp风速序列进行滤波，得到趋势序列，并对风速波进行划分，然后提取形状特征、统计特征等7个特征。在风速波聚类部分，采用fcm聚类算法将风速波聚类成不同的簇。建模部分，基于dbn网络，针对不同聚类的历史数据集建立分类预测模型。最终得到的基于风速波划分与聚类的短期风电功率(sg-fcm-dbn)预测方法比其他基本模型能够更好地提高短期风电功率预测精度。
本文档来自技高网...【技术保护点】
1.一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：包括：
2.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：S2具体为：
3.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：S3中，根据导数识别出趋势序列的极值点，极值点在数学上通过一阶导数为零来定义：
4.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：S4中，风速波的特征包括：相对长度RL、相对高度RH、上升比AR、下降比DR和爬升比CP、平均值MV、标准差SD，计算公式如下：
5.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：DBN网络为由多个受限玻尔兹曼机(RBM)堆叠而成的随机神经网络，包括可视层单元v和隐藏层单元h，同一层的神经元之间不存在连接，而不同层的神经元之间存在连接，并且这些连接是对称的、双向的。
6.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：DBN网络训练分为预训练和微调两个阶段
7.如权利要求4所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：S7中，通过计算风速波的特征向量与聚类中心的隶属度进行风速波所属簇匹配。
8.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～7任一项所述的基于风速波划分与聚类的短期风电功率预测方法。
9.一种基于风速波划分与聚类的短期风电功率预测设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～7任一项所述的基于风速波划分与聚类的短期风电功率预测方法。
...【技术特征摘要】
1.一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：包括：
2.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：s2具体为：
3.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：s3中，根据导数识别出趋势序列的极值点，极值点在数学上通过一阶导数为零来定义：
4.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：s4中，风速波的特征包括：相对长度rl、相对高度rh、上升比ar、下降比dr和爬升比cp、平均值mv、标准差sd，计算公式如下：
5.如权利要求1所述的一种基于风速波划分与聚类的短期风电功率预测方法，其特征在于：dbn网络为由多个受限玻尔兹曼机(rbm)堆叠而成的随机神经网络，包括可视层单元v和隐藏层单元h，同一层的神经元之间不存在连接，而不同层的神经元之间存在连接，并且这些连接是对称的、双向的。
6.如权利要求1所述的一种基于风速波划分与聚...
【专利技术属性】
技术研发人员：丁敏，周思贝，李泉慧，李骏豪，方支剑，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
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。