一种短期风电功率预测方法与流程

本发明属于风电预测技术领域，具体涉及一种短期风电功率预测方法。

背景技术：

随着全球电力需求的不断增长，可再生能源得到了广泛的利用，风能作为一种新兴的可再生能源，促进了风电科技的发展。但是,风电的不稳定性使风电系统与主电网结合的障碍之一。为了更安全有效的利用持续增长的风能，高精度的风电功率预测方法对电网运行有着重要意义。

目前，现有技术中主要是采用单一模型对短期风电功率进行预测，例如时间序列法、灰色模型方法、人工神经网络、支持向量机和极限学习机等。但是，由于风电功率时间序列具有非线性强和非平稳性高的特点，所以采用单一模型难以对短期风电功率进行准确预测。

因此，如何提供一种解决上述技术问题的短期风电功率的预测方法、装置及系统成为本领域技术人员需要解决的问题。

技术实现要素：

针对上述存在的技术问题，本发明提供一种短期风电功率预测方法；

本发明的有益效果：本发明通过处理历史数据而得到一组权重及重组的数据，然后对待预测时间段的数据进行处理，从而对其进行预测，和现有技术风电功率建模预测比较，本发明所述方法在不失准确度的情况下，减少了预测所耗的时间。

本发明设计合理，易于实现，具有很好的实用价值。

附图说明

图1为本发明具体实施方式中所述短期风电功率预测方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明做出进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出一种短期风电功率预测方法系统，包括通信模块及预测模块：

所述所述通信模块，包括数据传输单元；

所述预测模块，包括本地数据单元及预测单元；

所述数据传输单元，用于将待预测时间段的气象数据传送到预测单元；

所述本地数据单元，用于存储历史数据，包括气象及功率数据；

所述预测单元，用于执行短期风电功率预测方法的程序并运行显示。

本发明提出一种短期风电功率预测方法，采用上述风电功率预测方法系统，包括以下步骤：

步骤1，对历史数据进行数据整理；

步骤1.1，对历史数据进行划分；

将历史数据整理为历史数据矩阵，并分为两部分，一部分为属性矩阵，其余为标签矩阵；即令历史数据矩阵为

data＝[attr，p]

其中，attr＝[v，θ]为属性矩阵，v为历史数据中的历史风速，θ为历史数据中的历史风向角，p为标签矩阵，代表历史数据中的功率值；

步骤1.2，对属性矩阵进行中心化处理；

步骤1.2.1，求取属性矩阵的列均值

μ＝[μv，μθ]

其中，μv为历史风速的均值，μθ为历史风向角的均值；

步骤1.2.2，将属性矩阵attr中心化，得到中心属性矩阵t为

其中，n为历史数据矩阵的行数。

由此可得中心化矩阵data＝[t，p]；

步骤2，对整理后的历史数据进行数据重组；

步骤2.1，求取中心属性矩阵t的协方差矩阵c；

在本实施例中，为二阶方阵,；

步骤2.2，求取协方差矩阵c的特征值λ及特征向量v，即

c*v＝λ*v

步骤2.3，求出协方差矩阵c的最大特征值λmax；

本实施例中，由于协方差矩阵c为二阶方阵，故应有2个特征值λ1，λ2，对应2个特征向量，令

λmax＝max(λ1，λ2)

进而得出与最大特征值λmax对应的特征向量xλ；

步骤2.4，求出重组属性矩阵d，即

d＝t*xλ

步骤2.5，将重组属性矩阵d和标签矩阵p合并为重组属性矩阵f，即

f＝[d，p]

步骤3，将重组属性矩阵f中的每一行按照重组属性矩阵d的大小从小到大排序，得到排序属性矩阵fnew＝[d_s，p_s]；

步骤4，建立预测模型并进行风电功率预测；

从排序属性矩阵fnew中任取m组数据，即[d_si，p_si](i＝1，2，…，m)，其中m＝round(0.8*n)，round()为取整函数；

在d_s中求取k+2个距离d_si最近的点d_sj(j＝1，2，…，k+2)，k的值根据实际情况选取；本实施例中，k＝7；同时得到对应的功率值p_sj；

将[d_sj，p_sj]按第一列的大小从小到大排序为[dsortj，psortj]，建立目标函数

利用粒子群算法求得一组向量wj＝[w1，w2，...，wk]，使目标函数值最小；

对于待预测时间段，将接收到的l组气象数据转为待遇测数据矩阵pre＝[pre_v，pre_θ]。其中，pre_v为待预测时间段的风速，pre_θ为与pre_v对应的风向角；

首先，将待遇测数据矩阵pre中心化为

令

pre_d＝pre_t*xλ

对于length()为求取长度的函数；

在d_s中求取k个距离pre_da最近的点d_sj′(j＝1，2，…，k)及d_sj′对应的功率值p_sj′，pre_da对应的功率预测值pre_pa为

故待预测时间段对应的功率预测值pre_p为

pre_p＝[pre_p1，pre_p2，...，pre_pu]。