一种风速修正的风电功率预测方法及系统

1.本发明涉及风电功率预测技术领域，尤其涉及一种风速修正的风电功率预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.风力发电的输出主要取决于风力发电机组周围的气象因素，特别是风速。与可以接受大规模电力系统调度的火力发电相比，风电机组的输出功率波动性更大，调度范围更小。近年来，随着装机容量的逐步提高，风力发电对电力系统的稳定性和经济调度造成了一些不良影响。因此，如何提高超短期风电功率预测的准确性是风电领域的研究重点之一。
4.根据预测方法的不同，超短期风电功率预测大致分为三类：第一类是基于物理模型的直接预测法，第二类是基于已有数据的时序外推法，第三类是基于大数据分析的统计方法。物理方法主要通过风场所在位置的地理、气象条件建立物理模型，基于风机的物理特性来实现风机预测，由于物理方程复杂，建模工作量较大，在大规模风场中难以得到有效应用；时序外推法则是根据已有数据的特征和时序规律，通过回归算法、滑动自平均回归等多种时序模型，根据之前时刻的实际值或误差时序规律，来推断之后的预测值；此种方法没有利用nwp（numericalweatherprediction，数值天气预报）数据，随着预测时间加长，其误差积累现象也越明显；而基于大数据分析的统计方法，往往根据风场所在地区的nwp数据和历史功率数据，分析两者的相关性和特征，实现通过nwp来预测功率的过程，此种方法需要一定时间的历史数据积累，并且对数据质量要求较高，在短期预测中研究和利用较为充分，在超短期中由于nwp难以得到实时更新，往往要与其他修正算法相配合，才能实现较为准确的预测。


技术实现要素：

5.本公开为了解决上述问题，提出了一种风速修正的风电功率预测方法及系统，通过copula逐步求解条件概率密度，来实现对nwp预测的风速数据进行修正，提高超短期风电功率预测的精度。
6.为实现上述目的，本公开采用如下技术方案：第一方面，提出了一种风速修正的风电功率预测方法，包括：获取风电场的当前时刻真实风速、风电场nwp预测的当前时刻风速和下一时刻风速；根据风电场的当前时刻真实风速和风电场nwp预测的当前时刻风速，获得当前时刻风速预测误差；根据当前时刻风速预测误差、nwp预测的下一时刻风速和风速预测模型，获得下一时刻修正的预测风速，其中，风速预测模型为构建的当前时刻风速预测误差、nwp预测的下
一时刻风速、下一时刻风速预测误差的三维copula模型；根据下一时刻修正的预测风速和训练好的风电功率预测模型，获得风电功率预测结果。
7.第二方面，提出了一种风速修正的风电功率预测系统，包括：数据获取模块，用于获取风电场的当前时刻真实风速、风电场nwp预测的当前时刻风速和下一时刻风速；风速预测误差获取模块，用于根据风电场的当前时刻真实风速和风电场nwp预测的当前时刻风速，获得当前时刻风速预测误差；下一时刻修正的预测风速获取模块，用于根据当前时刻风速预测误差、nwp预测的下一时刻风速和风速预测模型，获得下一时刻修正的预测风速，其中，风速预测模型为构建的当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差的三维copula模型；风电功率预测模块，用于根据下一时刻修正的预测风速和训练好的风电功率预测模型，获得风电功率预测结果。
8.第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种风速修正的风电功率预测方法所述的步骤。
9.第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种风速修正的风电功率预测方法所述的步骤。
10.与现有技术相比，本公开的有益效果为：1、本发明相比于时序外推法，能够充分利用原有的nwp数据，削弱了时序外推的误差积累现象，提高了4小时的预测精度。
11.2、本发明采用的多维copula模型可以保留多维变量的相关特征，通过逐步求解可以更好地分析剩余变量的关系，使最终求解目标的概率密度质量更高。
12.3、本发明获取下一时刻修正的预测风速的过程同时考虑了当前时刻风速预测误差和nwp预测的下一时刻风速，利用该下一时刻修正的预测风速进行风电功率预测，能够取得更好的预测效果。
13.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
14.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
15.图1为实施例1公开方法流程图；图2为实施例1公开的逐步降维求解条件概率密度的流程步骤图；图3为实施例1公开的三维copula模型的结构图；图4为实施例1公开的lstm神经网络的神经单元结构图；图5为实施例1公开的激活函数实例图；图6为实施例1公开的风速拟合曲线图；
图7为实施例1公开的二维copula的概率密度图；图8为实施例1公开的一维copula的概率密度图；图9为实施例1公开的超短4小时预测结果对比图。
具体实施方式
16.下面结合附图与实施例对本公开作进一步说明。
17.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
18.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
19.实施例1在该实施例中，公开了一种风速修正的风电功率预测方法，包括：获取风电场的当前时刻真实风速、风电场nwp预测的当前时刻风速和下一时刻风速；根据风电场的当前时刻真实风速和风电场nwp预测的当前时刻风速，获得当前时刻风速预测误差；根据当前时刻风速预测误差、nwp预测的下一时刻风速和风速预测模型，获得下一时刻修正的预测风速，其中，风速预测模型为构建的当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差的三维copula模型；根据下一时刻修正的预测风速和训练好的风电功率预测模型，获得风电功率预测结果。
20.结合图1-9对本实施例公开的一种风速修正的风电功率预测方法进行详细说明。
21.如图1所示，一种风速修正的风电功率预测方法，包括：s1：获取风电场的当前时刻真实风速、风电场nwp预测的当前时刻风速和下一时刻风速。
22.nwp数据集的时间分辨率为15分钟，nwp从00：15开始，持续24小时，每天总共有96个数据点。在此数据集中，预报风速的高度为60米，与风力涡轮机的高度一致。
23.获取风电场的当前时刻真实风速的具体过程为：获取当前时刻风电场的真实风电功率；根据风电场的真实风电功率和风功率曲线的拟合值，确定风电场真实风速。
24.在风力发电机的能量转换中，风速和风机捕获的风力可以简单地用（1）来描述：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)表示风扇捕获的功率，表示空气密度，表示风扇半径，表示风速，表示
风能利用系数，这与倾角比和俯仰角有关，贝茨极限为59.3%。
25.风力发电机组的输出功率与其控制算法密切相关，利用能量转换系数来计算风力涡轮机的输出功率p：
ꢀꢀꢀ
(2)表示输出功率。结合（1）和（2），得到公式（3）来计算风功率：
ꢀꢀꢀꢀꢀꢀ
(3)
ꢀꢀꢀ
(4)为风功率曲线的拟合值，可以粗略地视为一个常数，它可以通过拟合风功率和风速来获得。
26.nwp预测误差最小的时刻为00：15，这是nwp的第一个时间点，取00：15时刻的真实功率数据，根据第一个时间点的真实功率数据、nwp预测的第一个时间点的风速及公式（3）可以得到的风功率曲线的拟合值。
27.根据风电场的真实风电功率、风功率曲线的拟合值k和公式（3），确定风电场真实风速。
28.s2：根据风电场的当前时刻真实风速和风电场nwp预测的当前时刻风速，获得当前时刻风速预测误差。
29.s3：根据当前时刻风速预测误差、nwp预测的下一时刻风速和风速预测模型，获得下一时刻修正的预测风速，其中，风速预测模型为构建的当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差的三维copula模型。
30.s31：风速预测模型的具体构建过程为：s311：获取风电场历史真实风速序列数据和风电场对应时序的nwp预测风速。
31.历史真实风速序列数据的获取过程为：获取历史风功率p的时间序列数据，根据风功率p的时间序列数据、风功率曲线的拟合值k和公式（3），获取风电场历史真实风速序列数据。
32.s312：根据历史真实风速序列数据和对应时序的nwp预测风速，获得对应时序的风速预测误差。
33.s313：根据nwp预测风速和对应时序的风速预测误差，构建当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差的三维copula模型，为风速预测模型，如图3所示。
34.copula函数被广泛用于描述变量之间的依赖关系。copula函数主要分为两类：阿基米德copula和椭圆copula。阿基米德copula广泛用于2维形式，而椭圆copula更多地用于描述多维变量的依赖性。以多维高斯copula为例，cdf（累积密度函数）和pdf（概率密度函数）可以分别写为（5）和（6）。
35.cdf的公式为：
ꢀꢀꢀꢀ
(5)
ꢀꢀꢀꢀ
(6)表示m个不同的变量，表示m阶皮尔逊相关系数矩阵，其元素可由式（6）计算获得，表示标准多元正态cdf，表示相关系数矩阵，表示标准正态分布函数的反函数，分别表示序列中的变量，分别表示序列的期望值。
36.pdf的公式是（7）：
ꢀꢀꢀꢀꢀ
(7)
ꢀꢀꢀꢀꢀ
(8)表示矩阵的行列式，表示单位矩阵，表示的反函数。
37.依据当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差建立三维copula模型，此时三维copula的cdf和pdf可分别表示为：
ꢀꢀꢀ
(9)
ꢀꢀ
(10)s32：将当前时刻风速预测误差、nwp预测的下一时刻风速代入风速预测模型中，逐步降维求解条件概率密度函数，获得下一时刻风速预测误差的概率密度，通过采样求得下一时刻风速预测误差的确定值，与nwp预测的下一时刻风速相加，获得下一时刻修正的预测风速，如图2所示。
38.逐步降维求解概率密度函数的过程为：如果m-1个变量值已确定，则联合pdf可用于求解剩余变量的条件pdf。
39.以变量为例，如果已确定，则的条件pdf为：
ꢀꢀ
(11)当维度相对较低时，可以通过降维来解决条件pdf以提高准确性。首先，取一个已确定的变量，并通过（10）计算条件pdf：
ꢀꢀꢀ
(12)获得（12）后，变量的范围将变小于原始数据集。取来表示当前变量，较低维数copula可以表示为（13）和（14）：
ꢀꢀꢀꢀꢀ
(13)(14)表示一个新的（m-1）阶皮尔逊相关系数矩阵。公式（12）导致变量范围减小，为了解决这个问题，新的copula被重新采样以扩大变量的范围。通过重复公式（12）-（14），可以得到比公式（11）更准确的条件pdf。
40.用当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差来表示逐步降维的过程：
ꢀꢀꢀꢀ
(15)由于公式（15）会导致样本范围减小，因此在计算后，进行重新采样，获得新的时间序列、，形成二维copula：(16)
ꢀꢀꢀ
(17)在确定下一时刻的预测风速后，即可通过求解条件概率密度函数，求得下一时刻误差的分布情况。
41.s4：根据下一时刻修正的预测风速和训练好的风电功率预测模型，获得风电功率预测结果。
42.风电功率预测模型采用lstm神经网络神经网络模型，结构如图4所示。
43.lstm是递归神经网络（rnn）最流行的形式之一。它有1个记忆单元和3个门。记忆单元可以在整个训练过程中存储最关键的信息。三个门包括遗忘门，输入门和输出门。
44.遗忘门用于决定哪些信息应该在记忆单元中丢弃。输入门用于更新存储单元。输出门用于在此训练步骤中确定lstm隐藏层单元的输出。这些门的公式如下：
ꢀꢀꢀ
(18)
ꢀꢀꢀ
(19)
ꢀꢀꢀ
(20)下标字符表示变量位于当前训练步骤t中，而下标字符表示变量位于上一个训练步骤t-1中。表示门的权重矩阵，表示门的偏差，表示隐藏单元的上一输出，表示隐藏单元输入，表示sigmoid激活函数，如图5所示。
45.记忆单元需要更新函数来规范化输入。此函数将乘以，得到的用于更新记忆单元。公式为：
ꢀꢀꢀ
(21)表示更新函数的权重矩阵，表示偏差，表示tanh激活函数。
46.基于（18）、（19）、（21）和之前的记忆单元，记忆单元将更新为（22）：(22)新的记忆单元既包含先前存储单元保留的信息，也包含当前输入更新的信息。使用新的记忆单元，隐含层的输出可以表示为（23）：
ꢀꢀꢀ
(23)在（18）-（23）中，激活函数在lstm中被广泛使用。这些功能通过限制输出范围来防止梯度爆炸。激活函数输出范为0到1。激活函数输出范围为-1到1。它们的函数公式可以写成（24）和（25）。
47.ꢀꢀ
(24)
ꢀꢀꢀꢀꢀ
(25)与rnn相比，lstm最大的改进是记忆单元。记忆单元可以保存关键数据特征，避免训练过程中的时间序列衰减。
48.本实施例首先根据nwp和真实功率数据，拟合出风功率曲线的系数k，再通过三个时序序列：当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差来搭
建三维copula模型。通过逐步降维求解copula条件概率密度函数，即可求得下一时刻修正的预测风速。将下一时刻修正的预测风速，输入到训练好的风电功率预测模型中，即可实现超短期风电功率预测。
49.本实施例以均绝对百分比误差（mape）和均方根百分比误差（rmspe）为预测误差的评估标准。它们的公式可以分别写成：
ꢀꢀꢀ
(26)
ꢀꢀꢀ
(27)表示样本数，表示预测的风力，表示实际风力，表示额定风力。
50.通过来自中国宁夏省的一个风电场对本实施例公开的一种风速修正的风电功率预测方法进行说明验证。所选风力发电机组的额定容量为148.5kw。真实风电功率数据和nwp数据的时间范围为2019年3月1日至9月1日。nwp数据集的时间分辨率为15分钟。nwp从00：15开始，持续24小时，每天总共有96个数据点。在此nwp数据集中，预报风速的高度为60米，与风力涡轮机的高度一致。在超短期风电功率预测中，测试数据集不需要长时间选择。此处选择最近5天作为测试数据集。
51.在nwp数据集中没有真实的风速数据，转换系数不能直接通过公式2计算获得。预测误差最小的时刻为00：15，这是nwp的第一个时间点。取相应时间的真实功率数据，可以得到的拟合值为0.1018。拟合结果如图6所示。通过拟合值k和真实风电功率数据，获得真实的风速数据。
52.根据步骤s3构建三维copula函数。
53.在获得三维copula之后，可以使用公式（15）来计算条件pdf。将之前的风速误差设置为0.2，和的条件pdf和cdf如图7所示。值得注意的是，当前时刻预测风速的值对当前时刻风速预测误差有明显影响。从这个角度来看，三维copula模型比arima模型更全面，因为arima模型仅依靠风速误差序列。
54.在二维条件pdf中，和的相关系数为-0.2035，这与三维copula中的值不同。使用构造二维copula模型。现在，分别取5和10，当前时刻风速预测误差的pdf如图8所示，左图为时的pdf，右图为时的pdf。本实施例采用的抽样算法为区间随机抽样算法。取平均值的正负一个标准偏差区间，可以表示为。在图8中，两者的采样区间分别为[-0.4564，1.2603]和[-1.0523，0.7205]。
[0055]
使用下一时刻修正的预测风速来代替nwp预测的风速，lstm的输入包括下一时刻
修正的预测风速、温度、湿度和辐照度，而输出是风电功率预测结果。在4小时的预测中，预测时间越长，预测误差与现有误差之间的相关性越弱。采取4小时连续超短期风电功率预测，两种算法的对比结果如图9左图所示，预测的起始时间基于黑色虚线，左侧是历史实际功率和预测风速。
[0056]
arima模型可以基于历史误差序列进行预测。但是由于没有参考预测的风速，因此无法确定风速的下降率。而历史中不断增加的误差趋势，导致4小时预测的误差累积。在三维 copula模型中，预测风速的值也在考虑中，与arima模型相比，通过预测风速校正误差累积，获得更好的预测结果。误差棒图如图9右图所示。
[0057]
本实例利用风功率曲线，通过真实风电功率求解对应时刻的理论真实风速，同时，基于多维高斯copula分布模型，构建当前时刻风速预测误差、nwp预测的下一时刻风速、下一时刻风速预测误差的三维copula模型。然后，通过逐步求解条件概率密度函数，求得当前时刻风速预测误差、nwp预测的下一时刻风速确定的情况下，下一时刻风速预测误差的概率密度，通过抽样得到下一时刻修正的预测风速。最后，通过历史nwp数据和功率数据训练lstm神经网络，利用下一时刻修正的预测风速来代替nwp中的预测风速，输入到训练好的lstm中，实现超短期风电功率预测。
[0058]
本实施例公开方法相比于时序外推法，能够充分利用原有的nwp数据，削弱了时序外推的误差积累现象，提高了4小时的预测精度；构建的三维copula模型可以保留多维变量的相关特征，通过逐步求解可以更好地分析剩余变量的关系，使最终求解目标的概率密度质量更高；获取下一时刻修正的预测风速的过程同时考虑了当前时刻风速预测误差和nwp预测的下一时刻风速，利用该下一时刻修正的预测风速进行风电功率预测，能够取得更好的预测效果。
[0059]
实施例2在该实施例中，公开了一种风速修正的风电功率预测系统，包括：nwp预测风速获取模块，用于获取风电场nwp预测的下一时刻风速；风速预测模块，用于根据nwp预测的下一时刻风速和风速预测模型，获得下一时刻修正的预测风速，其中，风速预测模型为基于多维高斯copula分布模型，构建的当前时刻风速预测误差、下一时刻风速、下一时刻风速预测误差的三维copula模型；功率预测模块，用于根据下一时刻修正的预测风速和训练好的风电功率预测模型，获得风电功率预测结果。
[0060]
实施例3在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种风速修正的风电功率预测方法所述的步骤。
[0061]
实施例4在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种风速修正的风电功率预测方法所述的步骤。
[0062]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然
可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。