基于高维网格化和LightGBM的风电预测方法及装置与流程

技术特征：
1.一种基于高维网格化和lightgbm的风电预测方法，其特征在于，包括：s1、将风电机组或风电场中心坐标位置周围的w个网格点的气象要素数据提取出来，以每个气象要素的每个网格点作为一个特征量，所述气象要素包括风速、风向、温度、湿度和压强；s2、将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；其中，风向由x方向风速和y方向风速分别线性插值后计算得到；s3、对风电机组或风电场的实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用lightgbm算法，建立预测模型，得到功率预测结果。2.根据权利要求1所述的一种基于高维网格化和lightgbm的风电预测方法，其特征在于，步骤s3中所述得到功率预测结果的具体步骤包括：将获得的有效实际功率数据和对应时间段的多维气象预报数据作为训练数据，调用python库lightgbm算法，网格搜索自动进行参数寻优，建立功率预测模型，得到功率预测结果。3.根据权利要求1所述的一种基于高维网格化和lightgbm的风电预测方法，其特征在于，步骤s3中所述得到功率预测结果的具体步骤包括：将获得的有效实际功率数据所对应的实际风速数据和其对应时间段的多维气象预报数据作为训练数据，调用python库lightgbm算法，网格搜索自动进行参数寻优，建立风速预测模型；将风速预测模型的风速预测结果通过所述基于密度分布的功率曲线转换成功率值，得到功率预测结果。4.根据权利要求1或3所述的一种基于高维网格化和lightgbm的风电预测方法，其特征在于，步骤s3中所述基于密度分布的功率曲线的获取方法包括：(1)采集风电机组或风电场实际历史运行风速、功率，进行初筛处理，去除恒定值和异常值；(2)以风速为横坐标，功率为纵坐标，对风速进行等间隔划分，得到n个风速段，将功率进行等间隔划分，得到m个功率段，最终得到n*m个网格，以网格中心点坐标点代表该网格，即(v
i
，p
j
)，其中，i＝1，2，...，n；j＝1，2，3，...，m；(3)统计实际历史功率落在每个网格点的个数num(i，j)，得到二维的功率密度数空间分布情况，取所有网格的非零功率密度数的中位数记为m
edian
；(4)当风速小于阈值时，对于该区域内的每个风速段内的最大功率空间密度数所对应的网格，如果该网格对应的功率密度数在其纵向或者横向均为最大值，则记录下该网格的中心坐标；(5)当风速大于阈值时，对于该区域内的每个风速段v
i
所对应的各功率段p
i
，从高风功率段开始，即j＝m，m-1，...，1，寻找符合以下条件的网格点并记录下该网格点的中心坐标，并进入下一个风速段的寻找；1)num(i，j)等于该功率段下的最大密度数并进入下一个风速段的寻找；1)num(i，j)等于该功率段下的最大密度数为num(i，j)在i＝1，2，...，n时的最大值；2)num(i，j)大于密度数的中位数m
edian
；(6)根据步骤(4)和(5)获取到的坐标点，得到该风电机组的功率曲线。5.根据权利要求4所述的一种基于高维网格化和lightgbm的风电预测方法，其特征在
于，步骤(6)中根据坐标点得到功率曲线的生成步骤还包括：(601)获取到的一组坐标点(v
k
，p
k
)，其中k＝1，2，
…
，q；以风速v
k
从小到大进行排序，将功率递减的坐标点去除，得到一组新的坐标(v
k
，p
k
)，其中k＝1，2，
…
，p；(602)从0到30m/s，以0.1m/s为间隔构建风速序列，将(v
k
，p
k
)线性插值到新的风速序列上，得到功率曲线b；(603)将功率曲线b中风速小于k米/秒的功率置为零，k为风机切入风速；(604)将该组数据中的最大功率值和最大风速值作为额定输出功率和额定风速，大于额定风速的风速对应功率值等于额定输出功率，最终得到该风电机组的功率曲线。6.一种基于高维网格化和lightgbm的风电预测装置，其特征在于，包括：提取单元，用于将风电机组或风电场中心坐标位置周围的w个网格点的气象要素数据提取出来，以每个气象要素的每个网格点作为一个特征量，所述气象要素包括风速、风向、温度、湿度和压强；插值单元，用于将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；其中，风向由x方向风速和y方向风速分别线性插值后计算得到；预测单元，用于对风电机组或风电场的实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用lightgbm算法，建立预测模型，得到功率预测结果。7.根据权利要求6所述的一种基于高维网格化和lightgbm的风电预测装置，其特征在于，所述预测单元设有功率预测模型模块，用于将获得的有效实际功率数据和对应时间段的多维气象预报数据作为训练数据，调用python库lightgbm算法，网格搜索自动进行参数寻优，建立功率预测模型，得到功率预测结果。8.根据权利要求6所述的一种基于高维网格化和lightgbm的风电预测装置，其特征在于，所述预测单元设有风速预测模型模块，用于将获得的有效实际功率数据所对应的实际风速数据和其对应时间段的多维气象预报数据作为训练数据，调用python库lightgbm算法，网格搜索自动进行参数寻优，建立风速预测模型；将风速预测模型的风速预测结果通过所述基于密度分布的功率曲线转换成功率值，得到功率预测结果。9.根据权利要求6或8所述的一种基于高维网格化和lightgbm的风电预测装置，其特征在于，所述预测单元设有功率曲线获取子单元，所述功率曲线获取子单元包括：初筛模块，用于采集风电机组或风电场实际历史运行风速、功率后，进行初筛处理，去除恒定值和异常值；网格划分模块，用于以风速为横坐标，功率为纵坐标，对风速进行等间隔划分，得到n个风速段，将功率进行等间隔划分，得到m个功率段，最终得到n*m个网格，以网格中心点坐标点代表该网格，即(v
i
，p
j
)，其中，i＝1，2，...，n；j＝1，2，3，...，m；密度统计模块，用于统计实际历史功率落在每个网格点的个数num(i，j)，得到二维的功率密度数空间分布情况，取所有网格的非零功率密度数的中位数记为m
edian
；坐标获取模块，用于：当风速小于阈值时，对于该区域内的每个风速段内的最大功率空间密度数所对应的网格，如果该网格对应的功率密度数在其纵向或者横向均为最大值，则记录下该网格的中心坐标；当风速大于阈值时，对于该区域内的每个风速段v
i
所对应的各
功率段p
j
，从高风功率段开始，即j＝m，m-1，...，1，寻找符合以下条件的网格点并记录下该网格点的中心坐标，并进入下一个风速段的寻找；1)num(i，j)等于该功率段下的最大密度数数为num(i，j)在i＝1，2，...，n时的最大值；2)num(i，j)大于密度数的中位数m
edian
；功率曲线模块，用于根据坐标获取模块获取到的坐标点，得到该风电机组的功率曲线。10.根据权利要求9所述的一种基于高维网格化和lightgbm的风电预测装置，其特征在于，所述功率曲线模块还包括：排序子模块，用于将坐标获取模块获取到的一组坐标点(v
k
，p
k
)，其中k＝1，2，
…
，q；以风速v
k
从小到大进行排序，将功率递减的坐标点去除，得到一组新的坐标(v
k
，p
k
)，其中k＝1，2，
…
，p；插值子模块，用于从0到30m/s，以0.1m/s为间隔构建风速序列，将(v
k
，p
k
)线性插值到新的风速序列上，得到功率曲线b；置零子模块，用于将功率曲线b中风速小于k米/秒的功率置为零，k为风机切入风速；曲线生成子模块，用于将该组数据中的最大功率值和最大风速值作为额定输出功率和额定风速，大于额定风速的风速对应功率值等于额定输出功率，最终得到功率曲线。

技术总结
本发明提供一种基于高维网格化和LightGBM的风电预测方法及装置，将风电机组或风电场中心坐标位置周围的W个网格点的气象要素数据提取出来，将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；对实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用LightGBM算法，建立预测模型，得到功率预测结果。本发明通过风电机组或风电场周围的气象信息，构建高维输入特征，利用lightGBM的强大学习能力，挖掘气象信息与风功率的关联信息，能更加准确地进行风功率预测。能更加准确地进行风功率预测。能更加准确地进行风功率预测。


技术研发人员：向婕 雍正 吴媛
受保护的技术使用者：国能日新科技股份有限公司
技术研发日：2020.04.24
技术公布日：2021/10/26