一种风电功率短期预测方法及系统与流程

1.本发明涉及新能源发电领域，具体涉及一种风电功率短期预测方法及系统。


背景技术：

2.风电出力具有随机性和波动性，其输出功率的不确定性带来了一系列调度运行问题，对风电功率进行准确的短期预测是降低不确定性影响的有效手段。根据已颁布的相关标准规定，风电短期功率预测要求每日预测次日0时至未来72小时的功率，时间分辨率15分钟。在短期预测方面，已开展了大量的研究，在电网的调度运行中也得到应用，目前较成熟的技术思路是建立气象与功率在具体时刻的关联模型，并输出与气象预报数据时刻对应功率预测值，未考虑风电出力的连续性和波动性，难以有效捕捉风电的出力波动过程，预测水平达到瓶颈。


技术实现要素：

3.针对目前风电功率短期预测未考虑风电出力的连续性和波动性，难以有效捕捉风电的出力波动过程的问题，本发明提供了一种风电功率短期预测方法，包括：
4.基于待预测时段将风速预报数据根据风速波动过程划分为若干数据段，得到风速预报数据段；
5.对所述风速预报数据段进行特征值的计算和提取，得到风速预报数据特征值；
6.将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值；
7.对所述风电功率预测特征值进行处理，得到风电的预测功率；
8.其中，所述风电功率预测模型，基于历史风速预报数据的风速波动过程和风电场实际功率数据的风电功率波动过程进行训练得到。
9.优选的，所述风电功率预测模型的训练，包括：
10.对一定时间的历史风速预报数据和风电场实际功率数据进行处理；
11.将处理后的历史风速预报数据根据风速波动过程划分为若干数据段，得到历史风速预报数据段；
12.将处理后的风电场实际功率数据根据风速波动过程划分为与所述历史风速预报数据段相互对应的若干数据段，得到风电场实际功率数据段；
13.对所述历史风速预报数据段进行特征值的计算和提取，得到历史风速预报数据特征值；
14.对所述风电场实际功率数据段进行特征值的计算，得到风电场实际功率数据特征值；
15.基于bp神经网络，以历史风速预报数据特征值为输入，对应的风电场实际功率数据特征值为输出，进行模型训练，得到预测模型。
16.优选的，所述对一定时间的历史风速预报数据和风电场实际功率数据进行处理，
包括：
17.基于一定时间的历史风速预报数据和风电场实际功率数据，剔除异常数据并将数据时间对齐，得到处理后的历史风速预报数据和处理后的风电场实际功率数据；
18.基于小波分解手段，对所述处理后的风电场实际功率数据进行多层频率分解，获取每层对应低频和高频系数，采用其中一层的低频系数进行重构，得到风电场实际功率数据低频序列。
19.优选的，所述根据风速波动过程划分为若干数据段，包括：
20.查找所述风速预报数据或所述处理后的历史风速预报数据的极大值、极小值并记录其在时间序列中的位置，以相邻的“极小值-极大值-极小值”作为一个数据段，将所述风速预报数据或所述处理后的历史风速预报数据划分为多个数据段。
21.优选的，所述将处理后的风电场实际功率数据根据风速波动过程划分为与所述历史风速预报数据段相互对应的若干数据段，包括：
22.以所述历史风速预报数据段为对象，在所述风电场实际功率数据低频序列中提取同时期的数据，将所述风电场实际功率数据低频序列划分为多个与所述历史风速预报数据段对应的风电场实际功率数据段。
23.优选的，所述进行特征值的计算和提取，包括：
24.提取所述风速预报数据段或所述历史风速预报数据段的最小值、最大值、最小值所处位置、最大值所处位置；
25.计算所述风速预报数据段或所述历史风速预报数据段的长度、梯度、最大梯度、均值、标准差。
26.优选的，所述对所述风电场实际功率数据段进行特征值的计算，包括：
27.采用数据插值的方式，将所述风电场实际功率数据段中的所述处理后的风电场实际功率数据转换成多个插值数据。
28.优选的，所述将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值，包括：
29.将多个风速预报数据段的特征值输入到风电功率预测模型中，得到对应的多组风电功率预测特征值；
30.每组所述风电功率预测特征值对应一个风电功率预测数据段，包含多个所述风电功率预测特征值。
31.优选的，所述对所述风电功率预测特征值进行处理，得到风电的预测功率，包括：
32.对所述风电功率预测数据段，采用数据插值的方式，将多个所述风电功率预测特征值重构，得到对应所述风速预报数据段的长度的重构数据，将所有所述重构数据进行排列得到风电的预测功率。
33.基于同一发明构思，本发明还提供了一种风电功率短期预测系统，包括：数据划分模块、数据处理模块、模型处理模块和最终处理模块；
34.所述数据划分模块，用于基于待预测时段将风速预报数据根据风速波动过程划分为若干数据段，得到风速预报数据段；
35.所述数据处理模块，用于对所述风速预报数据段进行特征值的计算和提取，得到风速预报数据特征值；
36.所述模型处理模块，用于将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值；
37.所述最终处理模块，用于对所述风电功率预测特征值进行处理，得到风电的预测功率；
38.其中，所述风电功率预测模型，基于历史风速预报数据的风速波动过程和风电场实际功率数据的风电功率波动过程进行训练得到。
39.与现有技术相比，本发明的有益效果为：
40.1、本发明提供的一种风电功率短期预测方法包括：基于待预测时段将风速预报数据根据风速波动过程划分为若干数据段，得到风速预报数据段；对所述风速预报数据段进行特征值的计算和提取，得到风速预报数据特征值；将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值；对所述风电功率预测特征值进行处理，得到风电的预测功率；其中，所述风电功率预测模型，基于历史风速预报数据的风速波动过程和风电场实际功率数据的风电功率波动过程进行训练得到；本发明通过对预报风速的过程进行划分和特征提取，建立风过程与功率的关联模型，从而实现风电的功率预测，可有效捕捉风电的波动，提高预测水平；
41.2、本发明提供的一种风电功率短期预测方法及系统，分析功率的波动过程，提取波动过程的特征，建立风速和波动过程的关联模型，模型的预测对象为风电的波动过程及特征，并通过重构得到风电功率的预测结果，提高了预测精度；以具体风电场为例，据统计，本发明的预测结果较目前成熟的方法，预测精度可大约提升2个百分点。
附图说明
42.图1为本发明提供的一种风电功率短期预测方法的方法流程图；
43.图2为本发明提供的风电功率短期预测方法的风波动过程划分示意图；
44.图3为本发明提供的风电功率短期预测方法和传统预测方法的预测效果的对比示意图。
具体实施方式
45.实施例1：
46.本发明公开了一种风电功率短期预测方法，结合图1的方法流程图进行介绍，具体包括：
47.步骤1：基于待预测时段将风速预报数据根据风速波动过程划分为若干数据段，得到风速预报数据段；
48.步骤2：对所述风速预报数据段进行特征值的计算和提取，得到风速预报数据特征值；
49.步骤3：将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值；
50.步骤4：对所述风电功率预测特征值进行处理，得到风电的预测功率；
51.其中，步骤1：基于待预测时段将风速预报数据根据风速波动过程划分为若干数据段，得到风速预报数据段，具体包括：
52.查找待预测时段风速预报数据n的极大值、极小值并记录其在时间序列中的位置，以相邻的“极小值-极大值-极小值”作为一个数据段进行划分，如图2所示，将n划分为m个数据段n
pre
＝{n
pre1
,n
pre2
,
…
,n
prem
}，n
pre
表示n中划分出的数据段的总集合，n
prem
表示n中划分出的数据段。
53.步骤2：对所述风速预报数据段进行特征值的计算和提取，得到风速预报数据特征值，具体包括：
54.计算和提取n
pre
各子集合的最小值min、最大值max、最小值所处位置min_position、最大值所处位置max_position、长度len、梯度gra、最大梯度max_gra、均值mean、标准差std，共计9个特征值。
55.步骤3：将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值，具体包括：
56.1.风电功率预测模型的训练，具体包括：
57.(1)对一定时间的历史风速预报数据和风电场实际功率数据进行处理：
58.基于历史一年的风速预报数据n0和风电场实际功率数据p，剔除不合理的数据并将数据时间对齐，得到处理后的风速预报数据n0’
和处理后的风电场实际功率数据p’；
59.基于小波分解手段，对p’进行频率分解，获取低频和高频系数，选择其中的低频系数进行重构，得到p’的低频序列p
l
，具体使用时根据实际和经验自行选择使用的分解方法及低频系数；
60.(2)将处理后的历史风速预报数据和处理后的风电场实际功率数据根据风速波动过程划分为相互对应的若干数据段：
61.查找n0’
的极大值、极小值并记录其在时间序列中的位置，以相邻的“极小值-极大值-极小值”作为一个数据段进行划分，将n0’
划分为n个数据段ns＝{n
s1
,n
s2
,
…
,n
sn
}，ns表示n0’
中划分出的数据段的总集合，n
sn
表示n0’
中划分出的数据段；
62.以ns的各子集合为对象，在p
l
中提取同时期的数据，将p
l
划分为与ns对应的n个数据段p
ls
＝{p
l1
,p
l2
,
…
,p
ln
}，p
ls
表示p
l
中划分出的数据段的总集合，p
ln
表示p
l
中划分出的数据段，p
ln
与n
sn
对应；
63.(3)基于划分好的历史风速预报数据段和风电场实际功率数据段，计算和提取历史风速预报数据特征值和风电场实际功率数据特征值：
64.对于ns，计算和提取各子集合的最小值min、最大值max、最小值所处位置min_position、最大值所处位置max_position、长度len、梯度gra、最大梯度max_gra、均值mean、标准差std，共计9个特征值；对于p
ls
，采用数据插值的方式，将p
ls
各子集合转换成l个插值数据；
65.(4)基于bp神经网络，以ns各子集合的9个特征值为输入，p
ls
各子集合的l各插值数据为输出，进行模型训练，得到风电功率预测模型m。
66.2.将风速预报数据段的特征值输入到风电功率预测模型中，得到对应的风电功率预测特征值，具体包括：
67.将n
pre
各子集合的9个特征值输入到风电功率预测模型m中，得到风电场功率预测数据p
pre
＝{p
pre1
,p
pre2
,
…
,p
prem
}，p
pre
表示风电场功率预测数据的数据段的总集合，p
prem
表示风电场功率预测数据中划分出的数据段，每个数据段均包含l个数据，p
prem
与n
prem
对应。
68.步骤4：对所述风电功率预测特征值进行处理，得到风电的预测功率，具体包括：
69.对于所述预测数据p
pre
的子集合，采用数据插值的方式，将l个数据重构，得到对应n
pre
子集合中记录的len个数据，全部子集合的重构数据排列即为风电的预测功率。
70.如图3所示，本发明提供的方法和传统方法的预测效果进行对比，预测精度有所提高，大约提升2个百分点。
71.实施例2：
72.基于同一发明构思，本发明还提供了一种风电功率短期预测系统，包括：数据划分模块、数据处理模块、模型处理模块和最终处理模块；
73.所述数据划分模块，用于基于待预测时段将风速预报数据根据风速波动过程划分为若干数据段，得到风速预报数据段；
74.所述数据处理模块，用于对所述风速预报数据段进行特征值的计算和提取，得到风速预报数据特征值；
75.所述模型处理模块，用于将所述风速预报数据特征值输入预先训练好的风电功率预测模型，得到风电功率预测特征值；
76.所述最终处理模块，用于对所述风电功率预测特征值进行处理，得到风电的预测功率；
77.其中，所述风电功率预测模型，基于历史风速预报数据的风速波动过程和风电场实际功率数据的风电功率波动过程进行训练得到。
78.所述模型处理模块，包括模型训练子模块和风电功率预测子模块；
79.所述模型训练子模块，用于训练所述风电功率预测模型；
80.所述风电功率预测子模块，用于将所述风速预报数据特征值输入到风电功率预测模型中，得到对应的风电功率预测特征值。
81.所述模型训练子模块，包括数据预处理单元、风速数据划分单元、功率数据划分单元、风速数据处理单元、功率数据处理单元和模型训练单元；
82.所述数据预处理单元，用于对一定时间的历史风速预报数据和风电场实际功率数据进行处理；
83.所述风速数据划分单元，用于将处理后的历史风速预报数据根据风速波动过程划分为若干数据段，得到历史风速预报数据段；
84.所述功率数据划分单元，用于将处理后的风电场实际功率数据根据风速波动过程划分为与所述历史风速预报数据段相互对应的若干数据段，得到风电场实际功率数据段；
85.所述风速数据处理单元，用于对所述历史风速预报数据段进行特征值的计算和提取，得到历史风速预报数据特征值；
86.所述功率数据处理单元，用于对所述风电场实际功率数据段进行特征值的计算，得到风电场实际功率数据特征值；
87.所述模型训练单元，用于基于bp神经网络，以历史风速预报数据特征值为输入，对应的风电场实际功率数据特征值为输出，进行模型训练，得到预测模型。
88.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
89.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
90.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
91.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
92.以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。