CN110288136A - 风电功率多步预测模型建立方法 - Google Patents

Abstract

本发明涉及一种风电功率多步预测模型建立方法，首先，利用LSTM网络对气象序列进行预测，然后利用相似离度作为相似性判据，提出一种分层搜索的相似时间序列匹配方法，从原始数据中选取相似的气象序列和功率数据。最后，将相似的数据输入LightGBM进行建模、训练和预测。该方法能够有效预测未来6小时的风电，实现多步高精度功率预测，以引导系统运营商降低风险。

Description

风电功率多步预测模型建立方法

技术领域

本发明涉及一种风力发电技术，特别涉及一种风电功率多步预测模型建立方法。

背景技术

风速和风电功率的预测在政府和能源企业的风力发电管理中发挥着重要的作用。可靠准确的预测提供了良好的控制和电力规划，如每日和每小时的调度，传输，电力存储和管理其他风力发电相关业务。回顾已有研究，仍有三个问题有待解决:一是气象数据与风电出力直接相关，当无法直接确定和预测风电出力时，气象数据的准确预测就显得尤为重要；二是模型复杂性控制，也就是说，如何克服训练阶段的过拟合问题，提高预测阶段的泛化能力；三是输入变量的滤波，即对输入变量进行预处理，控制冗余信息，提高模型训练的计算效率。

发明内容

本发明是针对间歇和波动的风力对电网有损的问题，提出了一种风电功率多步预测模型建立方法，实现多步高精度功率预测，以引导系统运营商降低风险。

本发明的技术方案为：一种风电功率多步预测模型建立方法，具体包括如下步骤：

1)数据预处理：采集现有的风力发电功率数据，以及对应时刻的测风塔实时测量的多种气象数据，利用距离分析法中的皮尔逊相似度来近似风力发电场发电功率数据与多种气象数据之间的相关性，选择对风力发电功率影响最大的风速、风向、气温和气压四种气象因素作为预测模型的特征向量，对选择出的四种气象因素和功率值数据进行归一化处理；

2)基于长短期记忆LSTM气象序列预测：将步骤1)选择出的四种气象因素和对应的风电功率的测风塔纪录值经过归一化处理数据作为数据集，一个LSTM网络对应一个气象因素，每个LSTM网络的输入是训练数据集中的历史气象数据，输出的是基于当前时间节点的同一气象因素后六个小时气象数据，根据训练好的LSTM模型得到给定这一时刻的接下来6小时的预测天气值；

3)相似时间序列匹配：将步骤1)选择出的四种气象因素和对应的风电功率的测风塔纪录值经过归一化处理数据作为数据集，送入步骤2)训练后的每个LSTM网络，得到预测的天气值，然后利用有记录的大量历史数据集中进行搜索匹配，采用分层搜索方法对相似时间序列进行搜索，首先匹配相似的风速和风向序列，然后搜索温度和气压序列，使用相似离度作为标准来选择相似时间序列，最终挑选出满足相似离度某一阈值的历史气象序列，称为预测气象序列的相似气象时间序列；

4)将步骤3)中选择出的相似气象序列和在该天气数据下对应的历史功率代入提升机器算法模型中训练，训练过程中调节参数，并通过交叉验证检验模型是否存在过拟合问题，将模型效果训练到最佳，得到最终的预测模型；所得预测模型的输入是当前时刻前的四种气象因素天气数据，输出是对应天气预测下的预测风力发电功率值。

本发明的有益效果在于：本发明风电功率多步预测方法，能够提高风电预测的精度，在多步风电预测中也是可行的，保持了良好的预测性能。

附图说明

图1为本发明风电功率多步预测模型建立方法示意图。

具体实施方式

本发明基于LSTM(Long Short-Term Memory长短期记忆)网络、相似时间段和LightGBM(提升机器算法)的一种风电功率多步预测方法。首先在传统的时间序列方法的基础上用LSTM网络预测了风速等多种气象数据；然后提出了一种分层搜索的相似时间序列匹配方法，选择相似的气象序列和功率数据作为训练集；最后，相似时间数据被输入LightGBM进行建模，训练和预测。

如图1所示风电功率多步预测方法示意图，方法包括如下步骤：

1、数据预处理：采集现有的风力发电功率数据，以及对应时刻的测风塔实时测量的风速，风向，温度，气压，湿度等多种气象数据。利用距离分析法中的皮尔逊相似度来近似风力发电场发电功率数据与多种气象数据之间的相关性，研究了各种气象因子对风力发电的影响程度，选择对风力发电功率影响较大的几个气象因素作为预测模型的特征向量，从而可以降低输入数据的维度，提取关键维度避免模型训练的复杂程度。为了消除数据之间的量纲影响，对选择出的这几种气象因素和功率值进行归一化处理，从而消除奇异样本数据导致的不良影响。

2、第一阶段：LSTM气象序列预测：根据步骤1选择出对风电功率影响最大的气象因素有四个，分别是：风速、风向、气温和气压。将这四个气象因素和最终的风电功率的测风塔纪录值经过归一化处理数据作为数据集。本方法旨在预测接下来六小时的风电功率，因此需要先预测出基于当前时刻接下来六小时的天气数据。气象时间序列对最后的功率预测至关重要，因此对预测精度的要求很高。LSTM在长期和短期依赖关系中都表现得很好，尤其擅长解决时间序列问题，这里用四个LSTM网络预测选择出的风速、风向、气温和气压四个气象特征向量。一个LSTM网络对应一个气象因素，每个LSTM网络的输入是训练集中的历史气象数据，输出的是基于当前时间节点的同一类后六个小时气象数据。例如对风速的预测，将训练集的历史值划分成多个小的窗口，窗口大小经过实验设置为9效果最好，每次滑动一步，将窗口里的风速值作为LSTM网络的输入，紧跟窗口的6个数据作为输出，通过窗口的向后滑动，会产生很多的输入输出，以此来训练预测风速的LSTM模型，这样只要给定某一时刻之前的9个历史天气数据，可根据训练好的LSTM模型得到给定这一时刻的接下来6小时的预测天气值。

3、第二阶段：相似时间序列匹配。这一阶段用到的数据集与第一阶段所用数据相同，为四个气象因素和对应天气下的风电功率的测风塔纪录值经过归一化处理数据作为数据集。比如想要知道2019年6月10号13时到18时的风力发电功率，可通过13时之前的气象记录值，运用第一阶段中的预测方法，得到13时到18时的四个气象值，然后在整个长达几年的几万小时的历史数据集中进行搜索匹配。本方法采用分层搜索方法对相似时间序列进行搜索。首先匹配相似的风速和风向序列，然后搜索温度和气压序列，以突出功率的主要影响因素，节省计算时间。这里使用相似离度作为标准来选择相似时间序列。最终挑选出满足相似离度某一阈值的历史气象序列，称为预测气象序列的相似气象时间序列。

4、第三阶段：将第二阶段中选择出的相似气象序列和在该天气数据下对应的历史功率代入LightGBM模型中训练，训练过程中调节参数，并通过交叉验证检验模型是否存在过拟合问题，将模型效果训练到最佳，得到最终的预测模型。此模型的输入是四种天气数据，输出是对应天气下的风力发电功率值。模型的训练阶段使用的是相似气象时间数据，这样可以使得模型在预测阶段准确性更高，且训练数据量大大减少，模型在预测阶段的输入是第一阶段预测出来的气象值，输出是想要知道的接下来六小时的功率值。最终的预测模型，用户将当前时刻前9个小时的风速、风向、气温和气压输入后，可得到后6小时预测的风力发电功率值。

Claims (1)

1.一种风电功率多步预测模型建立方法，其特征在于，具体包括如下步骤：

1)数据预处理：采集现有的风力发电功率数据，以及对应时刻的测风塔实时测量的多种气象数据，利用距离分析法中的皮尔逊相似度来近似风力发电场发电功率数据与多种气象数据之间的相关性，选择对风力发电功率影响最大的风速、风向、气温和气压四种气象因素作为预测模型的特征向量，对选择出的四种气象因素和功率值数据进行归一化处理；

2)基于长短期记忆LSTM气象序列预测：将步骤1)选择出的四种气象因素和对应的风电功率的测风塔纪录值经过归一化处理数据作为数据集，一个LSTM网络对应一个气象因素，每个LSTM网络的输入是训练数据集中的历史气象数据，输出的是基于当前时间节点的同一气象因素后六个小时气象数据，根据训练好的LSTM模型得到给定这一时刻的接下来6小时的预测天气值；

3)相似时间序列匹配：将步骤1)选择出的四种气象因素和对应的风电功率的测风塔纪录值经过归一化处理数据作为数据集，送入步骤2)训练后的每个LSTM网络，得到预测的天气值，然后利用有记录的大量历史数据集中进行搜索匹配，采用分层搜索方法对相似时间序列进行搜索，首先匹配相似的风速和风向序列，然后搜索温度和气压序列，使用相似离度作为标准来选择相似时间序列，最终挑选出满足相似离度某一阈值的历史气象序列，称为预测气象序列的相似气象时间序列；

4)将步骤3)中选择出的相似气象序列和在该天气数据下对应的历史功率代入提升机器算法模型中训练，训练过程中调节参数，并通过交叉验证检验模型是否存在过拟合问题，将模型效果训练到最佳，得到最终的预测模型；所得预测模型的输入是当前时刻前的四种气象因素天气数据，输出是对应天气预测下的预测风力发电功率值。