本发明涉及发电功率预测,尤其涉及一种基于多源数值天气预报融合的风电功率预测方法及系统。
背景技术:
1、数值天气预报(numerical weather prediction,nwp)是新能源功率预测重要的输入数据,通常基于初始场经过数值计算得到。指定区域内多点nwp数据可以描述为在一种或多种初始场条件下,计算得到指定区域不同位置处、不同高度出的nwp数据集合。在目前普遍应用的功率预测技术中,通常采用单一的nwp结果作为输入气象源。
2、由于单一数值天气预报模式中所描述的大气运动过程较为有限,导致不同的数值天气预报模式对于天气过程模拟能力会有所差异,不同天气过程下不同nwp的预报精度也各不相同。在风速预报中,这会使数值天气预报中风速模拟结果的不确定性增加、对不同风速范围模拟能力的差异显著。此外仅以一组nwp作为模型输入,建立其与风电场(或风电机组)输出功率一一对应的映射模型这种思路忽略了流场各位置间的联系(即风况时空相关性)、忽略了机组出力间的联系,极大地限制了预测精度的提升。
技术实现思路
1、本发明提供一种基于多源数值天气预报融合的风电功率预测方法及系统,用以解决现有单一数值天气预报精度低所导致的风电功率预测精度低的问题。
2、本发明提供一种基于多源数值天气预报融合的风电功率预测方法,包括:
3、获取风电场的实际风速、实际功率数据以及不同数值天气预报的预报风速数据;
4、基于所述实际风速、实际功率数据以及预报风速数据通过相关分析和误差分析初步筛选待融合的数值天气预报源,基于待融合的数值天气预报源构建多源数值天气预报融合方法库;
5、基于多源数值天气预报融合方法库制定不同场景下数值天气预报融合方法的决策策略,并训练基于深度学习的风电功率预测模型;
6、向所述风电功率预测模型输入待预测时段的融合风速实现风电功率预测。
7、根据本发明提供的一种基于多源数值天气预报融合的风电功率预测方法,通过皮尔逊相关系数计算每个数值天气预报源的预报风速和实际风速之间的相关性;
8、基于皮尔逊相关系数从大到小对所有数值天气预报源进行排序,生成第一排序结果;
9、计算每个数值天气预报源的预报风速和实际风速之间的日平均均方根误差,按照日平均均方根误差从小到大的顺序对所有数值天气预报源进行排序,生成第二排序结果;
10、根据所述第一排序结果和第二排序结果,滤除两次排序中都处于设定排名区间的数值天气预报源,完成数值预报源的初步筛选。
11、根据本发明提供的一种基于多源数值天气预报融合的风电功率预测方法,所述基于待融合的数值天气预报源构建多源数值天气预报融合方法库,具体包括:
12、将全部历史样本按照设定比例划分为训练集、验证集和测试集;
13、在所述训练集中,对采样时刻预报精度最高的数值预报源进行标记;
14、在验证集中,通过统计每个数值天气预报源被标记的次数确定当前时刻各数值天气预报源所预报风速的权重,得到第一融合预报风速;
15、在训练集中,以数值天气预报的预报风速为输入,实际风速为输出,训练基于全连接神经网络的风速融合模型并用于验证集,得到第二融合预报风速;
16、在训练集中,基于每个数值天气预报源的预报风速和实际风速的日平均均方根误差,计算每个数值天气预报源的权重,在验证集中得到第三融合预报风速。
17、根据本发明提供的一种基于多源数值天气预报融合的风电功率预测方法,在所述训练集中,对各采样时刻预报精度最高的数值天气预报源进行标记,包括:
18、在训练集中,对任一采样时刻各数值天气预报源的误差绝对值按照从小到大的顺序排序;
19、将排名第一即在此采样时刻预报精度最高的数值预报源进行标记。
20、根据本发明提供的一种基于多源数值天气预报融合的风电功率预测方法,所述基于多源数值天气预报融合方法库制定不同场景下数值天气预报融合方法的决策策略,并训练基于深度学习的风电功率预测模型,具体包括:
21、在验证集中分别计算第一融合预报风速、第二融合预报风速、第三融合预报风速和实际风速整体的均方根误差,选取误差最小的融合预报风速作为测试集最终所用的融合预报风速;
22、基于全连接神经网络,以实际风速为输入,以实际功率为输出,建立风电功率预测模型。
23、根据本发明提供的一种基于多源数值天气预报融合的风电功率预测方法,向所述风电功率预测模型输入待预测时段的融合风速实现风电功率预测,具体包括:
24、将最终的融合预报风速结果输入至风电功率预测模型中,通过所述风电功率预测模型进行预测分析;
25、通过风电功率预测模型预测输出未来风电功率。
26、本发明还提供一种基于多源数值天气预报融合的风电功率预测系统,所述系统包括:
27、数据获取模块,用于获取风电场的实际风速、实际功率数据以及不同数值天气预报的预报风速数据;
28、融合模块,用于基于所述实际风速、实际功率数据以及预报风速数据通过相关分析和误差分析初步筛选待融合的数值天气预报源,基于待融合的数值天气预报源构建多源数值天气预报融合方法库;
29、模型建立模块,用于基于多源数值天气预报融合方法库制定不同场景下数值天气预报融合方法的决策策略,并训练基于深度学习的风电功率预测模型;
30、预测模块,用于向所述风电功率预测模型输入待预测时段的融合风速实现风电功率预测。本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于多源数值天气预报融合的风电功率预测方法。
31、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于多源数值天气预报融合的风电功率预测方法。
32、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于多源数值天气预报融合的风电功率预测方法。
33、本发明提供的一种基于多源数值天气预报融合的风电功率预测方法及系统,通过基于待融合的数值天气预报源构建多源数值天气预报融合方法库,基于多源数值天气预报融合方法库制定不同场景下数值天气预报融合方法的决策策略,训练生成风电功率预测模型,实现融合风速实现风电功率预测;实现有效融合不同数值天气预报源的在不同场景下的风速预报优势,提高风速预报精度;基于多源数值天气预报的融合风速预测未来风电功率,进而为电网调度提供更为可靠的参考信息。
1.一种基于多源数值天气预报融合的风电功率预测方法,其特征在于,包括:
2.根据权利要求1所述的基于多源数值天气预报融合的风电功率预测方法,其特征在于,基于所述实际风速、实际功率数据以及预报风速数据通过相关分析和误差分析初步筛选待融合的数值天气预报源,具体包括:
3.根据权利要求1所述的基于多源数值天气预报融合的风电功率预测方法,其特征在于,所述基于待融合的数值天气预报源构建多源数值天气预报融合方法库,具体包括:
4.根据权利要求3所述的基于多源数值天气预报融合的风电功率预测方法,其特征在于,在所述训练集中,对各采样时刻预报精度最高的数值天气预报源进行标记,包括:
5.根据权利要求1所述的基于多源数值天气预报融合的风电功率预测方法,其特征在于,所述基于多源数值天气预报融合方法库制定不同场景下数值天气预报融合方法的决策策略,并训练基于深度学习的风电功率预测模型,具体包括:
6.根据权利要求1所述的基于多源数值天气预报融合的风电功率预测方法,其特征在于,向所述风电功率预测模型输入待预测时段的融合风速实现风电功率预测,具体包括:
7.一种基于多源数值天气预报融合的风电功率预测系统,其特征在于,所述系统包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多源数值天气预报融合的风电功率预测方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多源数值天气预报融合的风电功率预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多源数值天气预报融合的风电功率预测方法。