本发明涉及风力发电领域，尤其是涉及一种基于历史气象数据和随机模拟的风电功率预测方法。
背景技术：
风力发电是当今世界上最具开发潜力的新能源发电方式之一。大规模开发和利用风电，己经成为世界各国解决能源和环境问题，保证国民经济可持续发展的一种有效措施。由于能够发电的自然风具有较强的不确定性，因此，风力发电也同样具有较强的不确定性。风力发电的不确定性给电力系统带来了许多不利影响，如：对电能质量的影响、对系统稳定的影响、对发电调度的影响、以及对环境保护的影响等。其中，大部分影响会随着风电功率的增加而增大,当风电功率超过某个阈值时，被影响程度最严重的电气指标就会超出其所在的安全区间，给电网的正常运行带来极大隐患。因此准确的风电功率预测既可以保证电力供应的稳定，减少用电成本，提高供电质量，也有助于电力系统的健康发展。
基于历史气象数据的风电功率预测是利用历史气象数据(包括风速、风向、气压、温度、湿度等)与风电功率数据之间的关系建立映射模型，该模型可以完成历史气象数据和风电功率数据的映射关系，再根据当前气象条件数据预测风电功率。该方法的优点是花费低、历史气象数据的来源方便，可以随时进行预测。
目前，该领域己经有了许多研究成果，形成了以下几种典型方法：
1)持续法，这是一种最简单的预测方法，它将最近的几点的滑动平均值作为下一点的风电功率预测值，但是该方法较为简单，预测精度不足；
2)时间序列法，该方法把时间顺序上等间隔的风电功率看作一个随机序列，在此基础上建立后序数据与前序数据之间的线性关系模型，如:自回归、滑动平均、自回归滑动平均、差分自回归滑动平均等模型，时间序列法所需的建模信息少,运算简单方便、快速,但对于低阶模型,预测精度往往不够高,而高阶模型的参数估计则难度较大；
3)卡尔曼滤波法，把风速作为状态变量建立状态空间模型，然后用卡尔曼滤波算法实现预测，该算法使用的前提是假定噪声的统计特性已知,而事实上很难做到这一点；
4)人工神经网络法，人工神经网络是一种模仿人脑结构及其功能的仿生学方法，该方法本质上属于一种非参数方法，具有并行处理，自组织学习等特点，具有很强的非线性映射能力，是目前短期风速和风电功率预测的研究热点，但是该方法需要较长的训练时间和大量的训练数据。
技术实现要素：
本发明的目的是针对上述问题提供一种基于历史气象数据和随机模拟的风电功率预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于历史气象数据和随机模拟的风电功率预测方法，所述方法包括下列步骤：
基于历史气象数据的模式库训练步骤，根据历史气象数据构建训练图像，通过捕获训练图像的数据事件，建立训练图像的模式库；
基于随机模拟的风电功率预测步骤，建立风电预测区域，利用训练图像的模式库遍历风电预测区域内的未知节点，得到风电功率预测结果。
优选地，所述基于历史气象数据的模式库训练步骤包括下列步骤：
a1)根据历史气象数据构建三维空间内的训练图像；
a2)通过三维数据模板对步骤a1)内得到的训练图像进行扫描，得到训练图像的初始模式库；
a3)将步骤a2)得到的训练图像的初始模式库进行分类，得到对应的多个子空间，并计算得到每个子空间的代表模式，实现训练图像的模式库的建立。
优选地，所述步骤a1)包括：
a11)将历史气象数据内的每一个数据作为三维空间内的一个节点，每个节点以向量的形式进行存储，每个向量由该历史气象数据的所有属性构成；
a12)将所有历史气象数据对应的所有节点共同构造得到三维空间内的训练图像，所述训练图像的长为节点的属性对应的种类的整数倍，所述训练图像的长、宽和高的积与节点的数量一致。
优选地，所述历史气象数据的所有属性包括时间、风速、风向、气压、温度、湿度和风力发电功率。
优选地，所述步骤a3)包括：
a31)通过基于密度的聚类方法对训练图像的初始模式库进行聚类分类，得到的每一个分类结果作为一个子空间；
a32)求取每一个子空间内的所有模式的平均值，得到的结果作为该子空间的代表模式。
优选地，所述步骤a2)还包括：将通过三维数据模板扫描后的训练图像进行降维处理，得到低维度下的训练图像的初始模式库。
优选地，所述降维处理具体为：通过多维尺度变换进行降维处理。
优选地，所述基于随机模拟的风电功率预测步骤包括：
b1)建立风电预测区域，在风电预测区域内随机构造一条访问路径；
b2)根据训练图像的模式库，对访问路径内的节点进行遍历，得到风电功率预测结果。
优选地，所述步骤b2)包括：
b21)对访问路径进行遍历，判断访问路径内是否存在未知节点，若是则进入步骤b22)，若否则表明该访问路径内的所有节点都存在预测结果，风电功率预测完成；
b22)判断未知节点是否存在条件数据，若是则进入步骤b23)，若否则进入步骤b25)；
b23)分别计算未知节点的条件数据与训练图像的模式库内的每个子空间的代表模式的欧氏距离；
b24)根据步骤b23)计算的欧式距离，确定最小欧式距离对应的训练图像的模式库的子空间，在对应的子空间内随机提取一个模式作为拷贝模式，进入步骤b26)；
b25)从训练图像的模式库内随机提取一个模式作为拷贝模式，进入步骤b26)；
b26)将拷贝模式作为当前未知节点的预测结果，同时返回步骤b21)。
优选地，所述风电预测区域的建立方式与训练图像的构建方式相同。
与现有技术相比，本发明具有以下有益效果：
(1)本发明提出的方法，基于历史气象数据组建的训练图像，通过对训练图像进行分类，再比较当前数据事件与分类得到的子空间的代表模式的欧氏距离从而实现随机模拟，最后完成对风力发电功率的预测，这样的方法一方面可以将历史气象数据以图像的形式进行表示，便于训练，同时利用随机模拟的方法完成等可能和等概率的抽样，从而使得最终的预测结果具有较高的准确性，实用性强，适合各种风力发电系统。
(2)通过基于密度的聚类方法对训练图像进行分类，这样的分类方式充分考虑到训练图像内各部分之间的可连接性，从而使得分类的结果比较具有代表性，从而提升预测的准确程度。
(3)在聚类前首先将训练图像通过多维尺度变换进行降维，这样可以大大降低训练图像的维数，从而方便后续的数据处理，加快模拟速度，进而提高风电功率的预测速度。
(4)在随机模拟步骤中，通过求预测区域内的已知条件数据与上述子空间的“代表模式”的欧氏距离，将欧氏距离最小的“代表模式”作为预测结果复制到待预测区域，从而可以使得预测结果为预测区域内的已知条件可以得到的最接近的结果，符合实际情况，准确性较高，从而大大提高了风力功率预测的准确程度。
附图说明
图1为基于随机模拟的风电功率预测步骤的方法流程图；
图2为基于历史气象数据的模式库训练步骤的方法流程图；
图3为数据模板的示意图，其中(3a)为二维数据模板，(3b)为三维数据模板。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提出了一种基于历史气象数据和随机模拟的风电功率预测方法，主要包括下列步骤：
基于历史气象数据的模式库训练步骤，根据历史气象数据构建训练图像，通过捕获训练图像的数据事件，建立训练图像的模式库；
基于随机模拟的风电功率预测步骤，建立风电预测区域，利用训练图像的模式库遍历风电预测区域内的未知节点，得到风电功率预测结果。
其中，如图2所示，基于历史气象数据的模式库训练步骤包括下列步骤：
a1)根据历史气象数据构建三维空间内的训练图像，包括：
a11)将历史气象数据内的每一个数据作为三维空间内的一个节点，每个节点以向量的形式进行存储，每个向量由该历史气象数据的所有属性构成，本实施例中，历史气象数据的所有属性包括时间、风速、风向、气压、温度、湿度和风力发电功率；
a12)将所有历史气象数据对应的所有节点共同构造得到三维空间内的训练图像，所述训练图像的长为节点的属性对应的种类的整数倍，所述训练图像的长、宽和高的积与节点的数量一致；
a2)通过三维数据模板对步骤a1)内得到的训练图像进行扫描，并通过多维尺度变换进行降维处理，得到低维度下的训练图像的初始模式库得到训练图像的初始模式库；
a3)将步骤a2)得到的训练图像的初始模式库进行分类，得到对应的多个子空间，并计算得到每个子空间的代表模式，包括：
a31)通过基于密度的聚类方法对训练图像的初始模式库进行聚类分类，得到的每一个分类结果作为一个子空间；
a32)求取每一个子空间内的所有模式的平均值，得到的结果作为该子空间的代表模式。
如图1所示，基于随机模拟的风电功率预测步骤包括：
b1)建立风电预测区域，在风电预测区域内随机构造一条访问路径；
b2)根据训练图像的模式库，对访问路径内的节点进行遍历，得到风电功率预测结果，包括：
b21)对访问路径进行遍历，判断访问路径内是否存在未知节点，若是则进入步骤b22)，若否则表明该访问路径内的所有节点都存在预测结果，风电功率预测完成；
b22)判断未知节点是否存在条件数据，若是则进入步骤b23)，若否则进入步骤b25)；
b23)分别计算未知节点的条件数据与训练图像的模式库内的每个子空间的代表模式的欧氏距离；
b24)根据步骤b23)计算的欧式距离，确定最小欧式距离对应的训练图像的模式库的子空间，在对应的子空间内随机提取一个模式作为拷贝模式，进入步骤b26)；
b25)从训练图像的模式库内随机提取一个模式作为拷贝模式，进入步骤b26)；
b26)将拷贝模式作为当前未知节点的预测结果，同时返回步骤b21)。
本实施例中，在未建立基于历史气象数据的模式库的情况下，根据上述流程实现的完整的风电功率预测过程如下：
①、利用风电相关历史数据组建预测所用的训练图像，利用数据模板扫描训练图像，获得训练图像中的模式库；
②、利用多维尺度变换对模式库中的模式进行降维；
③、采用基于密度的聚类方法dbscan对降维后的模式进行分类，分类可以获得若干子空间，对上述子空间中的所有模式求取平均值作为平均模式，即“代表模式”；
④、设定三维的风电预测区域,该预测区域内的数据排列方式与训练图像数据排列方式相同，在风电功率的预测区域内定义一条随机访问路径，对该区域内的未知节点进行访问；
⑤、检查访问路径上的待模拟节点是否已知，如果是已知的条件数据或已模拟节点，则对随机路径上的下个节点进行判定；否则转向步骤⑥；
⑥、检索数据模板内的条件数据.如果没有条件数据，那么就从从训练图像的模式库随机提取一个模式拷贝到待预测区域。如果存在条件数据，利用欧氏距离比较当前数据模板内的条件数据与各个子空间平均模式(即代表模式)的区别，选取与条件数据最为接近的平均模式作为当前预测区域的预测结果，将提取的模式拷贝到待预测区域；
⑦、重复步骤⑤到⑥，继续对其他节点进行预测,直到随机路径上的所有节点被预测完毕。
首先在训练图像的构造过程中，以每一个数据作为一个三维空间的一个节点，但是这些节点需要按照一定的规则排列。例如，假定历史数据包括时间、风速、风向、气压、温度、湿度、对应的风力发电功率。那么可以设向量v，每个向量表示为：
v＝(时间、风速、风向、气压、温度、湿度、风力发电功率)
v中的7个分量时间、风速、风向、气压、温度、湿度、对应的风力发电功率分别视为三维空间的一个节点。那么按照上述v中的顺序从左到右依次排列所有的历史数据，每7个节点视为一个向量v.假设已知历史数据一共有n个(包括时间、风速、风向、气压、温度、湿度、对应的风力发电功率)，即三维空间有n个节点,那么需要将这些节点“变形”为一个三维图形，图形的长、宽、高分别设为a、b、c，其中a必须为7的整数倍，而且a×b×c＝n.按照上面的原则由历史数据可以获得模拟时需要的训练图像。
但是在历史数据较多时，会为预测过程带来较大的计算负担。本实施例在利用随机模拟预测风电功率时，历史数据首先要转化成三维训练图像。在随机模拟之前，可利用数据模板扫描训练图像来捕获数据事件，这些数据事件又被称为“模式”，而这些模式包含了训练图像的结构特征。利用三维数据模板扫描风电历史数据，可获得风电特征的三维模式库，这些模式库为进行风电功率预测提供了建模时使用的概率信息。数据模板为τn,它是由n个向量组成的几何形态，τn＝{hα；α＝1,2,…,n}.设模板中心位置为u，模板其他位置uα＝u+hα(α＝1,2,…,n)。图(3a)和(3b)分别给出了二维和三维数据模板示意图，二维数据模板中心为u，三维数据模板中心为图中几何中心的部位，二维和三维数据模板的形态由使用者自行规定。
随机模拟过程中，训练图像的模式特征决定了模拟结果,但这些模式往往维数较高，数据处理较为困难。可采用多维尺度变换(multidimensionalscaling,mds)对训练图像中的历史数据进行降维处理，这样做会使得训练图像的维数大大降低，从而加快模拟速度，获得对应上述训练图像中历史数据的低维数据。多维尺度变换是在低维空间去展示高维多元数据的一种可视化方法。多维尺度变换的基本目标是将原始数据“拟合”到一个低维坐标系中,使得由降维所引起的变形最小。多维尺度变换涉及到的问题可以描述为：当n个项目中项目之间的相似性(或距离)给定时，求这些项目在低维空间的表示，并使得项目间的接近程度与原先的相似性(或距离)大体匹配。
对于获得的低维数据,利用基于密度的聚类方法dbscan(density-basedspatialclusteringofapplicationwithnoise)对低维数据进行分类，每个分类视为一个模式子空间，该模式子空间的平均模式作为该子空间的“代表模式”。dbscan假设聚类结构能通过样本分布的紧密程度确定。通常，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断拓展聚类簇以获得最终的聚类结果。dbscan作为典型的密度聚类算法,它基于一组“邻域”参数(∈，minpts)来刻画样本分布的紧密程度。邻域参数其实限定了聚类簇的规模大小至少为minpts个样本点，若样本点x的“∈-邻域”至少包含minpts个样本，则称其为“核心对象”。dbscan算法簇是由密度关系导出的最大的密度相连的样本集合.
当进行实际风力发电功率预测时，首先设定三维的风电预测区域，该预测区域内的数据排列方式与训练图像数据排列方式相同.将当前预测区域内已知的各个条件数据与上述子空间的“代表模式”依次利用欧氏距离求出它们之间的差异，将差异最小的“代表模式”作为模拟结果复制到待预测区域，但是当前预测区域内已知的条件数据不变，这样就获得了当前预测区域的预测值。接着对待预测区域的其他未知节点继续模拟直到所有节点模拟完毕。