【技术实现步骤摘要】
本专利技术属于风电场功率预测领域，具体涉及一种基于物理数据双驱动的超短期风电场功率预测方法。
技术介绍
1、传统的风电场功率预测方法主要是采用的物理预测或者数据预测。物理驱动预测主要是调优算法，数据驱动预测主要是神经网络。该两种方式在预测风电功率上各有缺点，物理驱动模型缺点在于其预测精度受限于模型和参数的设定，容易受模型错误的因素带来预测误差，导致预测结果不准确；数据驱动普遍存在的缺点是需要累计大量历史数据，否则模型缺乏可解释性，单一预测结果容易陷于单一偏性预测，与真实预测结果相差甚远。
技术实现思路
1、目的：鉴于以上技术问题中的至少一项，本申请提供一种基于物理数据双驱动的超短期风电场功率预测方法，能够预测超短期内风电功率，并且具有更好的准确性。
2、本申请采用的技术方案为：
3、第一方面，本专利技术提供一种基于物理数据双驱动的超短期风电场功率预测方法，包括以下步骤：
4、s1：基于高斯尾流模型，计算下游风电机组的功率；
5、s2：基于s1中计算的下游风电机组的功率和真实的下游风电机组的功率，建立目标函数，迭代计算出最优的下游风电机组的功率，记为p1；
6、s3：获取真实的下游风电机组的功率离散型图像，先将真实的下游风电机组的功率进行聚类产生多个簇，然后通过采用经验模态分解emd对不同簇分解，并获得各个簇对应的权重；最后获得最接近真实的下游风电机组的功率的函数分量和，记为p2；
7、s4：利用pysr符号回归
8、进一步地，步骤s1包括以下步骤：
9、s1.1：建立高斯尾流模型，基于高斯尾流模型，计算风电机组的速度折减；公式为：
10、
11、其中，uhub为风电机组轮毂中心处的风速；
12、δu(x,y,z)是风电机组(x,y,z)位置处的速度折减；(x,y,z)为风电机组对应原点的坐标；
13、ct为风电机组的推力系数；
14、ε是初始尾流直径；
15、k*为尾流增长率；
16、d为风电机组风轮直径；
17、zh是风电机组轮毂高度；
18、β是初始尾流面积与风轮扫掠面积的比值；
19、s1.2：计算下游风电机组的轮毂中心风速；公式为：
20、
21、其中，δui(xij,yij,zij)是上游第i台风电机组的速度折减，由式(1)计算获得；
22、uhub,i是上游第i台风电机组轮毂中心风速；
23、uhub,j是下游第j台风电机组轮毂中心风速；
24、u0为上游风电机组的入流风速；
25、s1.3计算下游风电机组的功率，公式为：
26、
27、其中，phub,j为下游风电机组的输出功率；
28、uhub,j是下游第j台风电机组轮毂中心风速；
29、n是下游风电机组的数量；
30、g(*)为下游风电机组的输出功率关于风速的函数，由风电机组种类决定。
31、进一步地，步骤s2包括以下步骤：
32、s2.1：建立目标函数，设立约束条件，迭代计算出上游风电机组的最优尾流增长率；公式为：
33、k*(t)＝kopt
34、min.y＝mae(pr(t),p[k*(t)])
35、s.t.0.001≤jopt≤0.055 (4)
36、式中，min.y是优化目标，采用适应度函数，s.t.是约束条件，mae(*)表示平均绝对误差函数；p[k*(t)]表示上游风电机组在尾流增长率为k*(t)时的下游风电机组功率关于时间序列的函数，由式(1)-(3)联立计算获得；pr(t)是下游风电机组功率真实值关于时间序列的函数；k*(t)为尾流增长率关于时间序列的函数；kopt为尾流增长率约束值；根据式(4)迭代，获得上游风电机组最优尾流增长率随时间的序列，记为k*best(t)；
37、s2.2：将k*best(t)重新代入到式(1)-(3)中计算，得到下游风电机组最优功率随时间序列的函数，记为：p*best(t)；
38、s2.3：将p*best(t)和pr(t)用mae计算，记，mae计算结果关于时间序列的函数为pm(t)；
39、若pm(t)收敛，则记此时的p*best(t)为p1；
40、若pm(t)不收敛，则更换k*(t)重新代入到式(1)-式(3)计算，重新获得下游风电机组最优功率随时间序列的函数，记为p2*best(t)，将p2*best(t)和pr(t)用mae计算，记计算结果关于时间序列的函数为pz(t)，若pz(t)收敛，则将此时的p2*best(t)为p1；否则，再次重新更换k*(t)，重复s2.1-s2.3，直至收敛，以此类推，获得p1。
41、进一步地，步骤s3包括以下步骤：
42、s3.1：获取下游风电机组真实风电功率数据pr(t)的离散型图像；采用k聚类将风电功率数据进行聚类；再通过轮廓分析法确定k聚类中簇的数量，设轮廓分析法给出的聚类数量为kd，k聚类将下游风电机组真实风电功率数据pr(t)聚类成kd个簇，每个簇中均包含多个风电功率数据；
43、s3.2：采用经验模态分解emd对不同簇按照不同的特征波动进行分解，将每个簇按不同特征波动分成多个函数分量；
44、s3.3：计算每个簇emd分解后的误差，公式为：
45、
46、式中，tj表示第j个簇emd分解后的误差；
47、z表示第j个簇emd分解后函数分量的数量；
48、pti表示第i个函数分量的风电功率值；
49、si表示第i个函数分量的权重；
50、ptotal表示实际的风电功率；
51、s3.4：比较所有簇emd分解后的误差大小，选出误差最小的簇，计算误差最小的簇的函数分量和，记此时簇的函数分量和为p2；公式为：
52、
53、式中，zn表示误差最小的簇emd分解后的函数分量的数量。
54、进一步地，步骤s4中包括以下步骤：
55、s4.1：设特征矩阵为x2，特征矩阵的表达式为：
56、
57、s4.2：pysr符号回归模型生成1000个预测结果表达式，将特征矩阵为x2分别代入到1000个预测结果表达式中，并获得1000个预测结果；
58、s4.3：将1000个预测结果分别与真实风电功率数据pr(t)进行作差后比较，获得差值最小的预测结果，记为pmin，则pmin对应的本文档来自技高网...
【技术保护点】
1.一种基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤S2包括以下步骤：
4.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤S3包括以下步骤：
5.根据权利要求4所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，S3.3：计算每个簇EMD分解后的误差，包括：
6.根据权利要求4所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，S3.4中，计算误差最小的簇的函数分量和P2，包括：
7.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤S4包括以下步骤：
8.一种基于物理数据双驱动的超短期风电场功率预测装置，其特征在于，包括处理器及存储介质；
9.一种计算机可读存储介质，其上存储
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述方法。
...【技术特征摘要】
1.一种基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求1所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，步骤s3包括以下步骤：
5.根据权利要求4所述的基于物理数据双驱动的超短期风电场功率预测方法，其特征在于，s3.3：计算每个簇emd分解后的误差，包括：
6.根据权利要求4所述的基于物理...
【专利技术属性】
技术研发人员：赵晨旭，秦晓栋，娜日，王安，阿力夫，
申请(专利权)人：内蒙古电力集团经济技术研究有限责任公司，
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。