一种风电短期功率预测方法及系统与流程

本发明涉风电机组功率预测的，尤其是指一种多源nwp偏差校正与双模型融合的风电短期功率预测方法及系统。

背景技术：

1、精准可靠的风电短期功率预测已成为保障新能源消纳、支撑电网调度运行的关键技术基础。

2、现有技术对风电功率预测方法主要分为物理方法、统计方法与深度学习方法三类：物理方法依托气象机理与地形地貌先验信息推算，适应性较强但计算复杂度高；统计方法在平稳风况下表现良好，适用于样本有限场景；深度学习方法擅挖非线性时序规律，在高精度预测中优势显著。然而，现有技术在工程应用中仍存在两大瓶颈：其一，nwp风速偏差未有效校正。主流方法普遍依赖单一来源nwp数据，受局地地形地貌及气象网格分辨率制约，通用nwp预报风速与风机轮毂实际风速存在系统性偏差，该偏差自上游传递至功率预测环节，直接导致出力预测偏离真实工况。现有多源融合研究多聚焦于nwp产品横向集成，却忽视对偏差产生机理的深入挖掘，导致预测精度提升存在瓶颈。其二，数据质量治理体系缺失。风电scada数据具有非线性、非平稳、高噪声等固有特性，现有研究普遍缺少系统化的异常识别与缺失值修复机制。未经预处理的数据将严重干扰模型特征提取，放大预测误差，降低结果可靠性。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出了一种多源nwp偏差校正与双模型融合的风电短期功率预测方法及系统，对nwp风速偏差问题，构建xgboost-bpnn多气象因子偏差校正模型，消除地形地貌导致的系统性偏差，将修正风速作为功率预测精准输入；针对数据质量问题，构建物理约束与dbscan协同的异常清洗体系，差异化选用knn与xgboost填补缺失值，从源头保障输入数据质量；在此基础上，以修正风速为核心输入，构建基于风速区间自适应融合xgboost-chronos混合模型协同预测体系，实现风电机组24-48小时短期功率高精度预测，支撑风电场现货交易与电网稳定运行。

2、本发明的目的通过下述技术方案实现：一种多源nwp偏差校正与双模型融合的风电短期功率预测方法，包括以下步骤：

3、s1、获取风电机组的多源数据，并对多源数据进行时间对齐的处理，得到基础输入数据集；

4、s2、提取基础输入数据集中的所有风向相关特征，将风向相关特征由角度特征转换为数值特征，对数值特征进行双重异常清洗以及数据填补，形成标准化数据集；

5、s3、根据标准化数据集，构建xgboost-bpnn风速校正模型，由xgboost-bpnn风速校正模型输出贴合单台风电机组实际工况的修正风速；

6、s4、基于chronos 时序模型与 xgboost 回归模型，构建自适应融合xgboost-chronos混合模型，以步骤s3获取的修正风速为输入，输出双模型功率预测结果；

7、s5、根据修正风速划分不同区间，为双模型预测结果分配对应权重，通过加权计算得到最终功率预测结果，同时对最终功率预测结果进行物理限幅，确保符合风电机组的实际运行范围。

8、进一步，该方法包括以下步骤：

9、s6、计算最终功率预测结果与风电机组功率实测值的误差指标，验证自适应融合xgboost-chronos混合模型的预测有效性。

10、进一步，所述步骤s1包括：

11、获取目标风电机组的 scada 运行数据、nwp数据以及open气象再分析数据，将数据统一以预设的时间粒度进行重采样，以时间戳为唯一基准完成全维度时序对齐，删除重复时间戳记录、空时间戳记录，并统一字段名称与数据单位，形成时间连续、格式一致、维度完整的基础输入数据集。

12、进一步，所述时间粒度设置为15分钟。

13、进一步，所述步骤s2包括：

14、提取基础输入数据集中所有风向相关特征，对风向相关特征进行正弦及余弦三角函数变换，使风向相关特征由环形角度特征转换为连续数值特征，并删除原始风向角度字段；

15、依据风电机组的运行机理，标记低风速非零功率、高风速功率异常的不合理数据，结合 dbscan 聚类算法识别离群噪声数据，统一置空异常数据；针对清洗后出现的风速及功率缺失，采用 knn 模型填补风速缺失值，按额定功率赋值与 xgboost 模型拟合填补功率缺失值，形成无断点的标准化数据集。

16、进一步，所述步骤s4包括：

17、基于 chronos 时序模型与 xgboost 回归模型，构建自适应融合xgboost-chronos混合模型，其中 chronos 时序模型以修正风速与预获取的历史功率数据为输入，输出包含分位数的预测功率值；xgboost 回归模型以修正风速、多高度层风速以及阵风强度为输入，学习风速与功率的非线性映射关系，chronos 时序模型与 xgboost 回归模型均采用统一的时间窗口执行预测，输出日前功率预测值。

18、进一步，所述步骤s6包括：

19、通过计算预测值与实测值的误差指标，验证自适应融合xgboost-chronos混合模型的预测有效性，所述误差指标包括平均绝对值误差mae、均方根误差rmse以及决定系数指标，各误差指标公式为：

20、；

21、；

22、；

23、其中，为功率实测值，为功率预测值，为实测功率序列的均值，为功率样本总数。

24、一种多源nwp偏差校正与双模型融合的风电短期功率预测系统，用于实现上述多源nwp偏差校正与双模型融合的风电短期功率预测方法，包括：

25、多源数据读取与融合模块，用于读取scada 运行数据、nwp数据以及open气象再分析数据，完成数据的时间对齐、格式统一与特征标准化，提供统一的基础输入数据集；

26、数据清洗与缺失值填补模块，结合风电机组物理运行机理与dbscan聚类算法，对异常数据进行双重识别与剔除，采用 knn 模型与 xgboost 模型分别完成风速、功率数据的填补修复，构建标准化数据集；

27、风速修正模块，以标准化数据集为输入构建 xgboost-bpnn风速偏差校正模型，输出修正风速；

28、双模型融合预测模块，用于构建自适应融合xgboost-chronos混合模型，以修正风速为输入，输出双模型功率预测结果，并基于不同风速区间设定差异化权重，对双模型功率预测结果进行加权融合；

29、结果验证模块，用于计算功率预测结果与实测功率值的误差指标，对功率预测结果进行验证；

30、可视化模块，用于可视化展示功率预测结果以及误差指标验证情况。

31、一种存储有指令的非暂时性计算机可读介质，其特征在于，当所述指令由处理器执行时，执行根据上述的多源nwp偏差校正与双模型融合的风电短期功率预测方法的步骤。

32、一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的多源nwp偏差校正与双模型融合的风电短期功率预测方法。

33、本发明与现有技术相比，具有如下优点与有益效果：

34、1、本发明融合scada数据、nwp预报数据与open气象再分析数据，突破单一气象数据源的局限性，规避单一预报数据受地形、网格分辨率带来的固有误差，从数据源头丰富特征维度。

35、2、采用风电机组运行机理规则与 dbscan 密度聚类相结合的双重异常识别方式，精准甄别偏离运行规律与数据分布的异常样本；同时采用 knn 与 xgboost 算法实现风速、功率缺失数据差异化填补，有效剔除噪声干扰、补齐时序数据断点，显著提升建模数据集的整体质量与工程可用性。

36、3、针对通用 nwp 预报风速与单台风电机组局地实际风况存在偏差的问题，引入xgboost-bpnn组合模型开展风速校正，有效修正地形地貌、局地环境造成的预报系统偏差，输出贴合风机轮毂真实风况的修正风速，为后续功率预测提供高可靠前置输入，从源头抑制预测误差传导。

37、 4、采用chronos时序模型与xgboost回归模型并行建模预测，充分发挥 chronos捕捉时序演化规律、xgboost 拟合风速-功率非线性关联的双重优势；同时依据不同风速区间差异化配置模型权重，实现多模型结果自适应融合，可灵活适配多变复杂风况，相较于单一预测模型，整体预测精度与工况鲁棒性均得到明显提升。