【技术实现步骤摘要】
本专利技术涉及风电，尤其涉及一种基于季节性特征的滚动预测风电短期功率的方法。
技术介绍
1、风电作为一种清洁、可再生的能源，在全球范围内得到了广泛应用。然而，风电功率具有显著的随机性和波动性，受到风速、风向、温度和湿度等多种气象因素的影响。这些气象因素的变化又具有显著的季节性特征，例如春季风速变化频繁且不稳定，夏季气候相对稳定但可能受暴雨或台风天气影响，秋季天气开始转冷风力增强，冬季温度低风力大风电输出波动大。因此，如何准确预测风电功率，尤其是短期风电功率预测，是风电场运行和电网调度面临的重大挑战。
2、现有的风电功率预测方法主要包括物理模型法、统计模型法和机器学习模型法。物理模型法基于气象数据和风电机组的物理特性，通过建立物理模型进行风电功率预测。然而，物理模型法需要大量的气象数据和复杂的计算，且模型参数难以精确获取，导致预测精度不高。统计模型法如时间序列模型和回归模型，通过历史数据建立统计关系进行预测，但这些方法通常忽略了气象数据的非线性和非平稳特性，难以应对复杂的气象变化。机器学习模型法如神经网络、支持向量机等，能够处理复杂的非线性关系，但通常需要大量的训练数据和计算资源，且模型的泛化能力有限。因此，如何提供一种基于季节性特征的滚动预测风电短期功率的方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本专利技术的一个目的在于提出一种基于季节性特征的滚动预测风电短期功率的方法，本专利技术通过将数据划分为春、夏、秋、冬四个季节，并针对每个季节选择和优化特定的预测模
2、根据本专利技术实施例的一种基于季节性特征的滚动预测风电短期功率的方法，包括以下步骤：
3、s1、收集特定风电场的风速、风向、温度和湿度历史数据；
4、s2、对收集到的数据进行清洗和归一化处理，以去除异常值和规范数据格式；
5、s3、根据数据的时间戳，将数据划分为春季、夏季、秋季、冬季四个季节的数据集；
6、s4、为每个季节独立选择适用的预测模型组合：
7、春季：emd-lstm模型和支持向量机模型；
8、夏季：attention-lstm模型和多元线性回归模型；
9、秋季：kpca-lstm模型；
10、冬季：emd-kpca-lstm模型；
11、s5、对每个季节的数据集使用选定的模型组合进行训练，包括参数优化和模型验证；
12、s6、利用训练好的季节性模型组合，对未来一定时间内的风电功率进行滚动预测。
13、可选的，所述s1包括以下步骤：
14、s11、确定监测站点：在风电场内选定多个监测站点，监测站点综合地形、地貌和风电场布局选择；
15、s12、风速数据的收集：在每个监测站点安装风速计，选择离地面30米到100米的高度，风速计的安装位置避开建筑物、树木以及障碍物，设置风速计的采样频率为每秒1次，并通过数据记录仪将每10分钟的平均风速存储在本地存储设备中：
16、
17、其中，vweigh ted_avg(t)表示每10分钟的加权平均风速，v(t-i)表示时间t-i秒时的风速测量值，wi表示第i秒的权重，权重根据时间距离当前时刻的远近或其他标准进行设定；
18、s13、风向数据的收集：在每个监测站点安装风向标，安装高度与风速计相同，风向标应能够自由旋转，不受周围物体的阻碍，风向数据的采样频率为每秒1次，并通过数据记录仪将每10分钟的平均风向存储在本地存储设备中：
19、
20、其中，θweigh ted_avg(t)表示每10分钟的向量加权平均风向，θ(t-i)表示时间t-i秒时的风向测量值；
21、s14、温度数据的收集：在每个监测站点安装标准的气温传感器，选择离地面1.5米的高度，安装在通风且避开直射阳光和降水的地点，温度传感器应具有防辐射罩，避免太阳辐射对测量的影响，设置温度传感器的采样频率为每分钟1次，并通过数据记录仪将每30分钟的平均温度存储在本地存储设备中：
22、
23、其中，tarma(t)表示每30分钟的自回归滑动平均温度，t(t-60j)表示时间t-60j分钟时的温度测量值，∈(t-60k)表示时间t-60k分钟时的误差项，α0、αj、βk为模型参数，通过历史数据拟合得到，p,q为自回归和滑动平均项数；
24、s15、湿度数据的收集：在每个监测站点安装相对湿度传感器，安装高度与温度传感器相同，湿度传感器应定期校准，设置湿度传感器的采样频率为每分钟1次，并通过数据记录仪将每30分钟的平均湿度存储在本地存储设备中：
25、hexp_smooth(t)＝αh(t)+(1-α)hexp_smooth(t-60)；
26、其中，hexp_smooth(t)表示每30分钟的指数平滑湿度，h(t)表示时间t处的湿度测量值，α为平滑系数，取值范围为0<α<1；
27、s16、数据传输与存储：每个监测站点配置无线数据传输模块，将本地存储的风速、风向、温度和湿度数据实时传输到风电场中央数据库，中央数据库应配置数据接收和存储系统。
28、可选的，所述s3包括以下步骤：
29、s31、将收集到的数据按照标准的时间戳格式进行转换，所有数据具有一致的时间记录格式；
30、s32、解析每条数据的时间戳，提取数据的年、月、日、小时、分钟和秒的时间信息；
31、s33、季节划分规则定义：根据公历定义四个季节的时间范围：
32、
33、其中，t表示时间戳，格式为yyyymmdd，y表示年份，l(y)表示闰年调整函数，其定义如下：
34、
35、对于春季：时间戳t介于y×104+301，3月1日和y×104+531，5月31日之间；
36、对于夏季：时间戳t介于y×104+601，6月1日和y×104+831，8月31日之间；
37、对于秋季：时间戳t介于y×104+901，9月1日和y×104+1130，11月30日之间；
38、对于冬季：时间戳t介于y×104+1201，12月1日和104+228+l(y+1)，次年2月28日或29日之间，闰年时l(y+1)＝1，否则l(y+1)＝0；
39、s34、根据数据的时间戳，按照步骤s33定义的季节划分规则，将数据分配到相应的季节数据集中，对划分后的季节数据集进行校验，校验每条数据正确归属到对应的季节数据集，如果发现错误归类的数据，根据其时间戳重新调整归类。
40、可选的，所述春季的风速、风向、温度和湿度数据分别进行经验模态分解，将原始数据x(t)分解为若干个本征模态函数ci(t)和一个残余项r(t)：
41、
42、其中，x(t)表示原始数据，ci(本文档来自技高网...
【技术保护点】
1.一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述S1包括以下步骤：
3.根据权利要求2所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述S3包括以下步骤：
4.根据权利要求3所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述春季的风速、风向、温度和湿度数据分别进行经验模态分解，将原始数据x(t)分解为若干个本征模态函数ci(t)和一个残余项r(t)：
5.根据权利要求4所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述夏季的风速、风向、温度和湿度数据分别建立Attention-LSTM模型，Attention-LSTM模型包括注意力机制和长短时记忆网络，通过注意力机制识别重要时间点和数据特征；
6.根据权利要求5所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述秋季的风速、风向、温度和湿度数据分别进行核主成分分析，将原始数据
7.根据权利要求6所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述冬季的风速、风向、温度和湿度数据分别进行经验模态分解，将原始数据x(t)分解为若干个本征模态函数和一个残余项；
...【技术特征摘要】
1.一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求2所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述s3包括以下步骤：
4.根据权利要求3所述的一种基于季节性特征的滚动预测风电短期功率的方法，其特征在于，所述春季的风速、风向、温度和湿度数据分别进行经验模态分解，将原始数据x(t)分解为若干个本征模态函数ci(t)和一个残余项r(t)：
5.根据权利要求4所述的一种基于季节性特征的滚动预测风电短期功率的...
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。