一种风电功率区间的预测方法及系统与流程

本发明涉及风电功率预测，尤其是涉及一种风电功率区间的预测方法及系统。

背景技术：

1、在电力系统中，风电功率区间的预测对电力系统的有效运营起着至关重要的重要，其可以作为电力系统调节的重要依据和参考，便于合理规划能源分布和宏观调控。

2、为提高风电功率区间的预测精度，现有技术的典型方法是采用模态分析将风速曲线分解为不同模态的固有模态分量，并以元启发算法对各分量进行预测得到风电功率。然而在实际应用中，预测数据和训练数据的相似性对元启发算法输出误差的影响很大，无法保证所得预测结果的最优精度。由此可见，如何实现对风电功率区间的准确预测，已成为本领域技术人员所要亟待解决的技术问题。

技术实现思路

1、本发明提供一种风电功率区间的预测方法及系统，通过设计特定的方法步骤，首先基于修正和天气影响因素归一化相结合的风速数据第一筛选，然后利用灰色关联度刻画风速变化趋势实现对风速数据进行第二筛选的方法，最后基于变分模态分解进行第三次筛选，从而使得三重数据筛选后区间的宽度更窄，提高了短期预测区间覆盖率和平均带宽的指标，进而提高了风电功率区间的预测准确率。

2、为了解决上述技术问题，本发明实施例提供了一种风电功率区间的预测方法，包括：

3、分别获取nwp预测气象因素数据和风电场历史数据，并基于欧氏距离计算方法实现对数据的第一筛选，其中，所述气象因素数据至少包括风速数据、风向数据、温度数据、湿度数据和气压数据；

4、根据灰色关联度计算方法获取所述风电场历史数据与待预测日风速数据的关联系数，以实现对数据变化趋势的第二筛选；

5、基于vmd模型对经过所述第二筛选后的数据进行分解，分别得到各个imf分量，以实现对数据的第三筛选；

6、根据战争策略算法优化lstm网络参数，以构造对应的lstm神经网络预测模型；

7、将各个所述imf分量作为优化后神经网络的训练集和测试集，分别对不同的所述imf分量进行确定性预测，并将对应的预测结果进行叠加，以得到待预测日风速的初步预测结果；

8、将所述初步预测结果代入到预设的风速-风功率的拟合曲线中，得到待预测日的风功率预测结果；

9、根据bootstrap方法对所述风功率预测结果进行采样处理，以得到对应的风电功率预测区间。

10、作为其中一种优选方案，所述分别获取nwp预测气象因素数据和风电场历史数据，并基于欧氏距离计算方法实现对数据的第一筛选，具体包括：

11、以所述风电场历史数据作为训练样本拟合nwp风速与实测风速的曲线关系；

12、对待预测日的风速曲线进行拟合，以实现风速的修正；

13、基于nwp预测气象因素数据，构建气象因素特征矩阵；

14、根据欧式距离对所述特征矩阵进行计算；

15、根据预设的欧氏距离阈值确定第一筛选后的数据。

16、作为其中一种优选方案，所述根据灰色关联度计算方法获取所述风电场历史数据与待预测日风速数据的关联系数，以实现对数据变化趋势的第二筛选，具体包括：

17、根据如下计算式计算关联系数，

18、

19、其中，αj(k)为第j个历史风速序列和待遇测日k时刻的关联系数，待预测日的风速序列为x0＝[x0(1),x0(2),...,x0(m)]，第j个历史风速序列为xj＝[xj(1),xj(2),...,xj(m)]，ρ为分辨系数，ρ∈(0，1)。

20、作为其中一种优选方案，所述基于vmd模型对经过所述第二筛选后的数据进行分解，分别得到各个imf分量，以实现对数据的第三筛选，具体包括：

21、获取所述风速序列中的所有极值点，并拟合极大值和极小值的包络线；

22、根据所述包络线，分别计算极大值和极小值的平均值；

23、判断处理后的所述平均值是否符合预设的imf条件，直至确定符合条件的各个imf分量。

24、作为其中一种优选方案，所述将各个所述imf分量作为优化后神经网络的训练集和测试集，分别对不同的所述imf分量进行确定性预测，并将对应的预测结果进行叠加，以得到待预测日风速的初步预测结果，具体包括：

25、将所述imf分量的训练集输入所述lstm神经网络预测模型中，并利用梯度下降法不断调整神经网络权值和阈值，直至满足选定的误差要求，以建立lstm网络；

26、将各个所述imf分量对应的预测参数输入所述lstm网络中，得到各所述imf分量的确定性预测值，并将所有所述imf分量结合，得到待预测日风速的初步预测结果。

27、本发明另一实施例提供了一种风电功率区间的预测系统，包括处理器，所述处理器被配置为：

28、分别获取nwp预测气象因素数据和风电场历史数据，并基于欧氏距离计算方法实现对数据的第一筛选，其中，所述气象因素数据至少包括风速数据、风向数据、温度数据、湿度数据和气压数据；

29、根据灰色关联度计算方法获取所述风电场历史数据与待预测日风速数据的关联系数，以实现对数据变化趋势的第二筛选；

30、基于vmd模型对经过所述第二筛选后的数据进行分解，分别得到各个imf分量，以实现对数据的第三筛选；

31、根据战争策略算法优化lstm网络参数，以构造对应的lstm神经网络预测模型；

32、将各个所述imf分量作为优化后神经网络的训练集和测试集，分别对不同的所述imf分量进行确定性预测，并将对应的预测结果进行叠加，以得到待预测日风速的初步预测结果；

33、将所述初步预测结果代入到预设的风速-风功率的拟合曲线中，得到待预测日的风功率预测结果；

34、根据bootstrap方法对所述风功率预测结果进行采样处理，以得到对应的风电功率预测区间。

35、作为其中一种优选方案，所述处理器还被配置为：

36、以所述风电场历史数据作为训练样本拟合nwp风速与实测风速的曲线关系；

37、对待预测日的风速曲线进行拟合，以实现风速的修正；

38、基于nwp预测气象因素数据，构建气象因素特征矩阵；

39、根据欧式距离对所述特征矩阵进行计算；

40、根据预设的欧氏距离阈值确定第一筛选后的数据。

41、作为其中一种优选方案，所述处理器还被配置为：

42、根据如下计算式计算关联系数，

43、

44、其中，αj(k)为第j个历史风速序列和待遇测日k时刻的关联系数，待预测日的风速序列为x0＝[x0(1),x0(2),...,x0(m)]，第j个历史风速序列为xj＝[xj(1),xj(2),...,xj(m)]，ρ为分辨系数，ρ∈(0，1)。

45、作为其中一种优选方案，所述处理器还被配置为：

46、获取所述风速序列中的所有极值点，并拟合极大值和极小值的包络线；

47、根据所述包络线，分别计算极大值和极小值的平均值；

48、判断处理后的所述平均值是否符合预设的imf条件，直至确定符合条件的各个imf分量。

49、作为其中一种优选方案，所述处理器还被配置为：

50、将所述imf分量的训练集输入所述lstm神经网络预测模型中，并利用梯度下降法不断调整神经网络权值和阈值，直至满足选定的误差要求，以建立lstm网络；

51、将各个所述imf分量对应的预测参数输入所述lstm网络中，得到各所述imf分量的确定性预测值，并将所有所述imf分量结合，得到待预测日风速的初步预测结果。

52、相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：

53、(1)本发明设计合理的预测方法，采用三重筛选的风速数据处理思路，提高风电功率区间预测精度；

54、(2)首先基于修正和天气影响因素归一化相结合的风速数据第一筛选，然后利用灰色关联度刻画风速变化趋势实现对风速数据进行第二筛选的方法，最后基于变分模态分解进行第三次筛选，从而使得三重数据筛选后区间的宽度更窄，提高了短期预测区间覆盖率和平均带宽的指标，进而提高了风电功率区间的预测准确率；

55、(3)基于战争策略算法来优化长短期记忆网络，对不同的变分模态分量分别进行点预测，进一步加强了风电功率点预测的精度；

56、(4)基于风电功率点预测数据，给出了风电功率基于百分位数的bootstrap区间估计结果，达到了提高区间预测精度的目的。