考虑气象分类的短期风电功率组合概率预测方法及系统与流程

本发明涉及风电功率预测，具体涉及一种考虑气象分类的短期风电功率组合概率预测方法、系统、终端设备及计算机可读存储介质。

背景技术：

1、随着全球变暖与能源危机的矛盾日益加剧，新能源开始逐步取代传统的化石能源成为社会能源的基石，而风电作为新能源的重要组成部分，受到了全球各国的高度重视。电力系统运行需要一定的稳定性，但由于风电具有较强的随机性和波动性，使得大规模风电接入电网时会产生极大地不确定性，增加了发用电平衡难度，使电力系统的安全稳定运行受到巨大挑战。高精度的风电功率预测能够帮助电力系统调度部门等制定合理的调度计划，提升风电消纳能力，具有重要意义。

2、目前针对风电功率预测的研究高速发展，大多数研究利用单一模型对不同气象条件下的风电功率进行预测，无法实现多种天气类型的普适性，或者通过人为确定典型的气象条件类型数，针对不同气象条件使用单一模型预测，对精度提升的作用十分有限，存在较大的预测误差。此外，多数研究中的单值预测方法无法量化风电功率预测结果的不确定性，受到确定性预测的制约。概率预测研究可以提供未来时刻风电功率的波动区间以及概率密度函数，为风电预测提供更全面的信息，但概率预测中的参数方法需要提前假定的风电功率概率密度函数，非参数概率预测模型对数据质量等具有较强的依赖性，因此仅仅采用参数或者非参数某种单一概率模型进行预测很难准确定量描述风电功率预测结果的不确定性。

技术实现思路

1、本发明提供了一种考虑气象分类的短期风电功率组合概率预测方法，克服了上述现有技术之不足，其能有效解决现有采用单一概率模型进行预测很难准确定量描述风电功率预测结果的问题。

2、本发明的技术方案之一是通过以下措施来实现的：一种考虑气象分类的短期风电功率组合概率预

3、测方法，按下述步骤进行：

4、s1，获取历史风电功率数据和天气预报数据，对原始数据进行数据滤波、缺失数据填充以及数据归一化等处理；

5、s2，通过相关性分析，确定风电功率预测模型的输入变量，构造气象特征向量；

6、s3，利用基于减法聚类和gk模糊聚类算法的气象条件分类方法实现气象条件类型的划分，通过聚类有效性函数，获得最优聚类数；

7、s4，构建各气象条件下的风电功率概率组合预测模型，在每一种气象条件下分别训练核密度估计、稀疏贝叶斯学习以及贝塔分布估计三个子概率预测模型；

8、s5，基于高斯相似度的气象条件识别方法判断待预测时刻所属气象条件类型，并利用该气象条件对应的组合概率预测模型进行预测，获得待预测时刻风电功率的概率密度函数以及波动区间；

9、s6，利用改进粒子群算法对各子模型参数以及对应的权重进行寻优。

10、下面是对上述发明技术方案之一的进一步优化或/和改进：

11、上述步骤s2中，利用pearson相关系数来分析气象量与风电功率之间的相关性，选择相关性较高的10米高度风速s、10米高度风向d、100米高度风速s以及100米高度风向d这四个气象量作为模型的输入变量。

12、上述步骤s5中，在相似度计算时引入了高斯函数，提出气象条件识别方法。

13、上述步骤s6中，采用改进粒子群算法以连续排名概率得分最小为目标函数，优化每个子模型的模型参数以及各子模型的权重，得到各气象条件类型对应的组合概率预测模型。

14、上述步骤s4中，在不同气象条件下建立基于参数以及非参数概率预测子模型的组合预测模型；

15、其中，组合预测子模型包括：核密度估计子概率预测模型、稀疏贝叶斯学习子概率预测模型、贝塔分布估计子概率预测模型。

16、上述选择归一化平均绝对误差nmae值以及归一化均方根误差nrmse值两个指标作为预测期望值的评估指标，选择picp、pinaw以及crps三个指标作为概率预测结果的评价指标。

17、本发明的技术方案之二是通过以下措施来实现的：一种考虑气象分类的短期风电功率组合概率预测系统，包括：

18、数据获取模块，用于获取风电场的运行数据和天气预报数据；

19、功率预测模块，用于将所述数据获取模块获取的数据分别输入到训练好的风电功率组合概率预测模型进行风电功率预测；

20、预测权重模块，用于根据改进粒子群算法优化各个子模型的权重，进而确定每一个子预测模型的预测权重；

21、数据输出模块，用于基于所述权重将上述子概率预测模型的预测结果进行融合，得到最终的风电功率预测结果。

22、本发明的技术方案之三是通过以下措施来实现的：一种终端设备，包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行权利要求1至6任一项所述的考虑气象分类的短期风电功率组合概率预测方法。

23、本发明的技术方案之四是通过以下措施来实现的：一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1至6任一项所述的考虑气象分类的短期风电功率组合概率预测方法。

24、本发明的有益效果是：

25、1.考虑了气象条件类型对模型预测效果的影响，针对不同气象条件分别建立对应的风电功率概率预测模型。

26、2.基于贝叶斯模型平均原理，综合考虑了参数以及非参数概率预测模型的优势，在各气象条件下分别构建融合核密度估计、稀疏贝叶斯学习以及贝塔分布估计三个子概率预测模型优势的组合模型，克服了单一概率预测模型很难准确定量描述风电功率预测结果不确定性的缺点。

27、3.采用改进粒子群算法分别对三个子概率预测模型的参数以及各子模型的权重进行寻优，克服了传统粒子群算法陷入局部最优解的缺点，提高了模型预测精度。

28、4.所提方法不仅可以获得待预测时刻风电功率的预测期望值，而且可以获得待预测时刻风电功率的概率密度函数以及波动区间，进而为电力系统调度等提供更多有用信息。

技术特征：

1.一种考虑气象分类的短期风电功率组合概率预测方法，其特征在于按下述步骤进行：

2.根据权利要求1所述的考虑气象分类的短期风电功率组合概率预测方法，其特征在于步骤s2中，利用pearson相关系数来分析气象量与风电功率之间的相关性，选择相关性较高的10米高度风速s、10米高度风向d、100米高度风速s以及100米高度风向d这四个气象量作为模型的输入变量。

3.根据权利要求1或2所述的考虑气象分类的短期风电功率组合概率预测方法，其特征在于步骤s5中，在相似度计算时引入了高斯函数，提出气象条件识别方法。

4.根据权利要求1至3任一项所述的考虑气象分类的短期风电功率组合概率预测方法，其特征在于步骤s6中，采用改进粒子群算法以连续排名概率得分最小为目标函数，优化每个子模型的模型参数以及各子模型的权重，得到各气象条件类型对应的组合概率预测模型。

5.根据权利要求1至4任一项所述的考虑气象分类的短期风电功率组合概率预测方法，其特征在于步骤s4中，在不同气象条件下建立基于参数以及非参数概率预测子模型的组合预测模型；其中，组合预测子模型包括：核密度估计子概率预测模型、稀疏贝叶斯学习子概率预测模型、贝塔分布估计子概率预测模型。

6.根据权利要求5所述的考虑气象分类的短期风电功率组合概率预测方法，其特征在于选择归一化平均绝对误差nmae值以及归一化均方根误差nrmse值两个指标作为预测期望值的评估指标，选择picp、pinaw以及crps三个指标作为概率预测结果的评价指标。

7.一种考虑气象分类的短期风电功率组合概率预测系统，其特征在于包括：

8.一种终端设备，其特征在于包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行权利要求1至6任一项所述的考虑气象分类的短期风电功率组合概率预测方法。

9.一种计算机可读存储介质，其特征在于其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1至6任一项所述的考虑气象分类的短期风电功率组合概率预测方法。

技术总结
本发明涉及风电功率预测技术领域，是一种短期考虑气象分类的短期风电功率组合概率预测方法、系统、终端及存储介质，前者基于减法聚类和GK模糊聚类算法的气象条件分类方法，实现气象类型的划分。综合考虑参数以及非参数概率预测模型的优势，在各气象条件下分别构建融合核密度估计、稀疏贝叶斯学习以及贝塔分布估计三个不同概率预测模型优势的组合预测模型，并利用改进粒子群算法优化各子模型的权重。利用高斯相似度方法判别待预测时刻所属气象条件类型，并采用该气象条件对应的组合概率预测模型进行预测，从而获得待预测时刻风电功率的概率密度函数以及波动区间。本发明采用气象分类以及组合模型的思想提高了风电功率概率预测结果的有效性。

技术研发人员：翟保豫,杨琪,杨明,于一萧,陈冠初,徐志,李梦林,阿力马斯别克·沙肯别克,梁树超,李子安
受保护的技术使用者：国网新疆电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/1/12