基于聚类分析和卷积神经网络的风电功率预测方法与流程

本发明涉及电力系统新能源功率预测领域，具体涉及一种基于聚类分析和卷积神经网络的风电功率预测方法。

背景技术：

1、风力发电是电网响应能源转型的重要手段之一。然而，风电的高渗透率将给电力系统的正常运行带来巨大挑战，研究如何提升风电数据的预测精度可以有效促进电网对风电功率的消纳能力，从而降低风电不确定性带来的危害。风电预测方法可以大致分为物理计算法和统计学习法。物理计算法的风电预测精度依赖于所建模型的精度，模型计算量大且复杂度高，难以得到大范围推广。统计学习法通过对风电历史数据的特征学习，能够达到较为精确的风电功率预测结果。近年来，深度学习算法快速发展，为风电功率预测提供了一种行之有效的技术方法。深度学习方法通过挖掘历史数据的深层特征，建立数据间映射的隐式模型，实现了风电功率的短期或超短期预测。此外，风电具有较强的波动特征且原始的风电数据往往携带噪声分量，为减缓其对风电功率预测的影响，需要在预测前对原始风电数据进行数据预处理或序列分解，以提升后续预测模型的精度。

技术实现思路

1、本发明的目的在于提供一种基于聚类分析和卷积神经网络的风电功率预测方法，通过获取历史风电功率的典型场景，并通过最优场景集预测目标日的风电功率波动区间，能够有效考虑风电功率的不确定性，实现风电功率的短期预测。

2、为实现上述目的，本发明的技术方案是：一种基于聚类分析和卷积神经网络的风电功率预测方法，首先采用小波软阈值去噪方法处理原始的风电数据，并基于k-means++聚类法对经去噪处理后的风电数据进行聚类分析，得到历史风速的参考场景集合；其次，计算风速参考区间中值序列，以风电功率数据为母序列，风速参考区间中值序列为子序列，并采用灰色关联度分析法分析二者间的相关性，为每组风电功率数据匹配一组风速参考场景集合，构建综合数据集；然后，搭建基于卷积神经网络的风电功率预测模型，采用综合数据集进行离线训练；最后，对待预测日的nwp风速预测值和历史风速参考区间进行关联分析，获取待预测日最优参考场景集，并输入至风电功率预测模型，获取预测日的风电功率值，通过在风速预报值上增加随机噪声，获取多组预测输出值，构建风电输出功率的区间值；该方法具体实现步骤如下：

3、步骤s1、输入历史的nwp风速预报数据及风电功率数据；

4、步骤s2、选定小波基对原始风速预报数据进行分解并提取小波系数；

5、步骤s3、采用无偏风险估计阈值方法选取时间序列的自适应阈值；

6、步骤s4、选定软阈值函数对含有噪声系数的小波系数进行滤波，其中，软阈值函数为：

7、

8、式中，sign为符号函数，ωj,k代表时间序列经小波分解后第j尺度的第k个小波系数，wj,k表示小波估计系数，λ表示阈值；

9、步骤s5、对经过滤波处理后的小波系数进行重构，得到重构的风速序列集合；

10、步骤s6、采用手肘法确定最优的聚类数目k，在重构后的风速序列集合中随机选择一个风速序列作为第一个初始聚类中心c1；

11、步骤s7、计算风速序列集合中各序列与当前已有聚类中心c1之间的最短欧式距离，距离的计算公式为：

12、

13、式中，xi代表第i个序列，n为风速序列集合中风速序列总数；

14、步骤s8、根据使聚类中心间距离尽可能远的原则选定其他的聚类中心，计算每个风速序列被选为聚类中心的概率：

15、

16、式中，xi代表第i个序列，x代表风速序列的集合，cnow为当前聚类中心，d(xi,cnow)代表第i个序列与当前聚类中心的距离；

17、步骤s9、选取概率p(x)最大的序列作为新的聚类中心，重复该过程直至选出k个聚类中心；

18、步骤s10、计算各个序列与聚类中心间的距离，基于最小距离确定每个序列的聚类簇，针对每个聚类簇，重新计算聚类中心；

19、

20、步骤s11、重复改迭代过程直至达到预设迭代次数，获取k个风速序列参考场景集；

21、步骤s12、分别计算k个风速序列参考场景集的上下限作为风速参考区间，并计算风速参考区间中值；

22、步骤s13、选定一条历史风电功率序列作为风速母序列，记为y0，以所有风速参考区间中值作为风速子序列，记为(y1,y2,…,ym)；

23、步骤s14、对风速母序列和风速子序列进行预处理，即先求出每条序列的均值，再将整个序列除以均值，得到标准化后的序列：

24、

25、步骤s15、计算各个风速子序列和风速母序列间的关联系数：

26、

27、其中，y0(j)代表风速母序列的第j个样本值，yi(j)代表第i个风速子序列的第j个样本值，a代表风速母序列和风速子序列间的极差最小值，b代表风速母序列和风速子序列间的极差最大值，ρ表示分辨系数；

28、

29、步骤s16、对关联系数每列求均值，计算每个风速子序列和预设风速母序列间的灰色关联度；

30、

31、步骤s17、基于步骤16计算出的灰色关联度，选取与母序列相关度最大的风速子序列，以该风速子序列对应的风速参考场景集作为母序列的最优参考场景集；

32、步骤s18、重复步骤13至步骤17，计算出所有风电功率序列对应的最优参考场景集，每个风电功率序列及其对应的最优参考场景集作为一组数据，共有n组数据；

33、步骤s19、构建基于卷积神经网络的风电功率预测模型，将n组数据按8:2拆分为训练集和测试集，模型结构共五层，其中每层均由一个2d卷积层和一个激活函数构成，1-4层的激活函数设置为leakyrelu，最后一层的激活函数设置为relu；

34、步骤s20、对风电功率预测模型进行迭代训练；

35、步骤s21、在测试阶段，采用待预测日nwp所提供的风速预报值，同理采用灰色关联度分析法分析风速预报值和风速参考场景集，得到待预测日的风速最优参考场景集，并作为风电功率预测模型输入，获取预测日的风电功率；

36、步骤s22、给原始nwp提供的风速预报值添加随机高斯噪声，多次预测后构建风电输出功率的区间值；

37、步骤s23、输出预测日的风电功率数据区间值，并进行下一次预测。

38、相较于现有技术，本发明具有以下有益效果：本发明基于小波软阈值去噪方法可以有效去除原始风电数据中的噪声，有利于数据分布特征的提取，采用k-means++聚类算法，有效解决了原始k-means算法初始值的选取问题，能够较好的完成关于风电数据的聚类，得到风速的参考场景集，采用灰色关联度分析方法获取风电功率数据与历史最优场景集之间的统计相关性，从而建立基于卷积神经网络的风电功率预测模型。所提的基于聚类分析和卷积神经网络的风电功率预测方法能够充分挖掘历史风电数据的概率分布特征，并计及多时段风电数据间的相关性，最终得到一种风电功率预测模型，能够更准确和高效地预测目标日的风电功率，从而为后续电力系统调度运行提供更可靠的风电功率预测值。