CN111008725A - 一种用于短期风电功率预测的气象因素波动特征提取方法 - Google Patents

Abstract

本发明公开了一种用于短期风电功率预测的气象因素波动特征提取方法。包括：一、构建数值天气预报模式输出的气象因素日前数据集；二、分析实测风电功率与日前数据集中不同气象因素之间的相关性，筛选最优气象因素特征子集；三、划分最优气象因素特征子集中特征气象因素的波动类型，分析不同气象因素波动与风电功率波动的映射关系；四、提取特征气象因素波动时间颗粒度与特征参数，建立特征气象因素波动特征矩阵；五、将特征气象因素波动特征矩阵作为模型输入，预测日前风电场短期风电功率。本发明克服了不同气象因素波动复杂性与风电功率匹配难的问题，可以有效的降低预测模型输入的数据维度与数据量，同时避免了预测时出现的过拟合等问题。

Description

一种用于短期风电功率预测的气象因素波动特征提取方法

技术领域

本发明涉及电力系统运行与控制领域，特别是涉及一种用于短期风电功率预测的气象因素波动特征提取方法。

背景技术

近年来，随着煤炭、石油等化石能源的日益消耗以及其开发利用所带来的环境污染，使得能源安全和气候问题已成为人类面临的重大挑战之一。以风能、太阳能为代表的低碳清洁的可再生能源已经成为未来全球能源发展的必然趋势，其中，作为当今应用最广、技术最成熟的风力发电，已成为最具发展前景的新能源发电形式之一。

自然界的风是大气物理运动的变化过程，其波动的规律性符合相应的物理变化规律，而风电功率的波动特性正是风资源、地形地貌等因素的综合体现。风资源具有很强的波动性、随机性和间歇特性等特点，这些特性决定了风电功率具有较强的波动性。为了有效地降低风电接入电网带来的不确定性，提高电网对风电的消纳能力，在日前的时间尺度内，就需要准确的短期风电功率预测。目前，国内外对短期风电功率的预测主要是基于数值天气预报的物理预测方法与统计方法，然而，数值天气预报的分辨率是影响短期风电功率预测精度的主要因素。在现有的数值天气预报分辨率下，如何提高短期风电功率的预测精度以及运算速度是国内外研究中亟需解决的关键问题。

风电场数值天气预报模式输出的气象因素的波动变化并不是完全随机的，仍然具有一定的规律性。传统的短期风电功率预测方法主要将风速、风向等气象因素数据与实测风电功率数据作为预测模型输入，在建模过程中忽略了风电功率与不同气象因素的关联性以及不同气象因素之间的相关程度，以及气象因素波动性对风电功率波动的影响，导致短期风电功率预测精度较低。同时在考虑层间高度与多维气象因素作为预测模型输入时，其输入数据量与数据维度十分巨大，在预测过程中容易导致过拟合、局部优化拟合以及运算速度慢、效率低等问题。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种用于短期风电功率预测的气象因素波动特征提取方法。该方法最大限度地利用数值天气预报中与风电功率相关性最大且彼此冗余性最小的最优特征气象因素，然后划分特征气象因素的波动类型，以及提取相应的波动特征，并将这些波动特征作为预测模型的输入，预测风电场的短期风电功率。本发明克服了不同气象因素波动复杂性与风电功率匹配难的问题，可以有效地降低预测模型输入的数据维度与数据量，同时避免了预测时出现的过拟合等问题，提高了预测的运算速度与效率。

综合考虑如下因素：

1、风电场数值天气预报模式输出气象因素的日前数据集；

2、风电场风电功率实测数据集；

3、特征气象因素波动类型划分方法；

4、特征气象因素的波动特征提取。

在以上因素的基础上，为达到上述目的，本发明采取的技术方案是：

一种用于短期风电功率预测的气象因素波动特征提取方法，包括以下步骤：

A.构建数值天气预报模式输出的气象因素日前预报数据集；

B.分析实测风电功率与气象因素日前预报数据集中不同气象因素之间的相关性，筛选出最优气象因素特征子集；

C.划分最优气象因素特征子集中特征气象因素的波动类型，分析不同特征气象因素波动类型与风电功率波动变化的映射关系；

D.在步骤C的基础上，提取特征气象因素的波动时间颗粒度与波动特征参数，建立特征气象因素波动特征矩阵；

E.将特征气象因素波动特征矩阵作为风电功率预测模型的输入，预测日前风电场短期风电功率。

在上述技术方案的基础上，步骤A中，统计某一风电场的数值天气预报模式输出的不同气象因素的日前数据，构建气象因素日前预报数据集Y＝{y_j,j＝1,2,…,m}，其中y_j为不同气象因素的日前数据，m为气象因素类型数；所述气象因素包括不同高度的风速、不同高度的风向、气温、气压、湿度、云量、感热通量、潜热通量、短波辐射、长波辐射、降水量等。

在上述技术方案的基础上，步骤B中，统计风电场的实测风电功率数据生成风电功率实测数据集{p}，采用Granger因果关系分析或基于互信息理论的最大相关-最小冗余等特征筛选算法，计算风电功率实测数据集与在时序上相对应的气象因素日前预报数据集中不同气象因素之间的相关性，筛选得到能够表征所有气象因素且与风电功率相关性最大而彼此冗余性最小的最优气象因素特征子集X＝{x_i,i＝1,2,…,n}，其中x_i为特征气象因素，n为最优气象因素特征子集中特征气象因素类型数，且n≤m，

在上述技术方案的基础上，步骤C中，划分最优气象因素特征子集中特征气象因素的波动类型的具体过程为：

对最优气象因素特征子集中的特征气象因素进行归一化处理，则其中特征气象因素x_i的波动段定义为：

式中，

分别为归一化后的特征气象因素x_i的波动段始末值，

为

与

中的最小值，且三者均小于等于波动噪声阈值ε_x；

为归一化后的特征气象因素x_i的波动段中的峰值，且数量大于零；n(·)为计算峰值数量的函数；

根据特征气象因素x_i的波动段中峰值的大小划分不同类型的波动过程，计算公式如下：

式中，α为波动过程内测量数据个数；λ为波动过程内峰值序列数，且为正整数；ε₁为小波动过程判别阈值，通常认为ε₁≈ε_x；

为波动过程内的峰值，

为峰值左右两侧的极小值；

ε₂、ε₃、ε₄分别为各类波动过程的判别阈值，通过波动峰值大小对不同的波动过程类型进行识别，并且不同的特征气象因素对应的判别阈值也不同；

为小波动过程，

为中波动过程，

为大波动过程，

为尖峰波动过程；特征气象因素波动过程内包含唯一的峰值以及峰值左右两侧波谷位置的极小值，一个完整的特征气象因素波动段由不同类型的波动过程构成。

最优气象因素特征子集中包含着不同的特征气象因素，不同的特征气象因素表现出不同的波动类型，即本发明所定义的波动过程与波动段，它们的波动变化共同构成了最优气象因素表征的天气波动过程。

在上述技术方案的基础上，步骤D中，所述特征气象因素的波动时间颗粒度与波动特征参数的提取方法包括：统计提取方法或人工智能的特征提取方法。

在上述技术方案的基础上，提取特征气象因素的波动时间颗粒度，计算公式如下：

式中，

分别为特征气象因素波动过程的起始时刻，

为波动过程中波峰对应的时刻，T_λ为一个波动过程的波动时间颗粒度，

分别为波动过程的上升趋势波动时间颗粒度与下降趋势波动时间颗粒度，且满足

T为一个波动段的波动时间颗粒度。

在上述技术方案的基础上，提取特征气象因素的波动特征参数，计算公式如下：

式中，r_λ为特征气象因素波动过程的水平线性起始差值，

分别为波动过程上升趋势波动与下降趋势波动水平线性差值，且满足

R为一个波动段的波动水平线性差值。

在上述技术方案的基础上，建立特征气象因素波动特征矩阵的具体过程为：定义波动上升趋势率

波动下降趋势率

以及波动段的峰时比η_H，计算公式如下：

式中，t_min1为与

对应的特征气象因素x_i的波动段起始时刻；t_min2为与

对应的特征气象因素x_i的波动段结束时刻。

建立特征气象因素波动特征矩阵M，如公式(6)所示：

式中，x_i为最优气象因素子集中的特征气象因素，即x_i∈X，不同的特征气象因素对应的波动特征也不同；

是特征气象因素x_i的波动过程的上升趋势波动时间颗粒；

是特征气象因素x_i的波动过程的下降趋势波动时间颗粒度；

是特征气象因素x_i的波动过程的波动时间颗粒度；

是特征气象因素x_i的波动段的波动时间颗粒度；

是特征气象因素x_i的波动过程的上升趋势波动水平线性差值；

是特征气象因素x_i的波动过程的下降趋势波动水平线性差值；

是特征气象因素x_i的波动过程的波动水平线性差值；

是特征气象因素x_i的波动段的波动水平线性差值；

是特征气象因素x_i的波动上升趋势率；

是特征气象因素x_i的波动下降趋势率；

是特征气象因素x_i的波动段的峰时比。

在上述技术方案的基础上，步骤E中，所述风电功率预测模型为支持向量机、极限学习机等人工智能预测模型，经过训练、测试、预测三个步骤，建立以特征气象因素波动特征矩阵为输入，以风电功率为输出的风电功率短期预测模型：

p_pre＝f(M) (7)

式中，p_pre为风电功率预测值；f(·)为人工智能预测模型。

在上述技术方案的基础上，结合历史风电功率的波动变化，式(7)可以改进为：

p_pre＝f(M；p) (8)

本发明所述的用于短期风电功率预测的气象因素波动特征提取方法，最大限度地利用数值天气预报中与风电功率相关性最大且彼此冗余性最小的最优特征气象因素，然后划分特征气象因素的波动类型，以及提取相应的波动特征，并将这些波动特征作为预测模型的输入，预测风电场的短期风电功率。本发明克服了不同气象因素波动复杂性与风电功率匹配难的问题，可以有效地降低预测模型输入的数据维度与数据量，同时避免了预测时出现的过拟合等问题，提高了预测的运算速度与效率。

附图说明

本发明有如下附图：

图1为本发明一种用于短期风电功率预测的气象因素波动特征提取方法的流程示意图。

图2为本发明一种用于短期风电功率预测的气象因素波动特征提取方法的特征气象因素波动段与波动过程划分示意图。

具体实施方式

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

如图1～2所示，本发明所述的用于短期风电功率预测的气象因素波动特征提取方法，包括如下步骤：

步骤A.构建数值天气预报模式输出的气象因素日前预报数据集。

统计某一风电场的数值天气预报模式输出的不同气象因素的日前数据，包括不同高度的风速、不同高度的风向、气温、气压、湿度、云量、感热通量、潜热通量、短波辐射、长波辐射、降水量等气象因素，构建气象因素日前预报数据集Y＝{y_j,j＝1,2,…,m}，其中y_j为不同气象因素的日前数据，m为气象因素类型数。

步骤B.分析实测风电功率与气象因素日前预报数据集中不同气象因素之间的相关性，筛选出最优气象因素特征子集。

统计风电场的实测风电功率数据生成风电功率实测数据集{p}，采用Granger因果关系分析或基于互信息理论的最大相关-最小冗余等特征筛选算法，计算风电功率实测数据集与在时序上相对应的气象因素日前预报数据集中不同气象因素之间的相关性，筛选得到能够表征所有气象因素且与风电功率相关性最大而彼此冗余性最小的最优气象因素特征子集X＝{x_i,i＝1,2,…,n}，其中x_i为特征气象因素，n为最优气象因素特征子集中特征气象因素类型数，且n≤m，

本发明采用基于互信息理论的最大相关-最小冗余特征筛选算法。

步骤C.划分最优气象因素特征子集中特征气象因素的波动类型，分析不同特征气象因素波动类型与风电功率波动的映射关系。

对最优气象因素子集中的特征气象因素进行归一化处理，则其中特征气象因素x_i的波动段定义为：

式中，

分别为归一化后的特征气象因素x_i的波动段始末值，

为

与

中的最小值，且三者均小于等于波动噪声阈值ε_x；不同的特征气象因素取不同的ε_x，以风速为例，ε_x为归一化的风电场切入风速。

为归一化后的特征气象因素波动段中的峰值，且数量大于零，n(·)为计算峰值数量的函数。

根据特征气象因素x_i波动段中峰值的大小划分不同类型的波动过程，计算公式如下：

式(2)中，α为波动过程内测量数据个数，λ为波动过程内峰值序列数，且均为正整数，ε₁为小波动判别阈值，通常认为ε₁≈ε_x；

为波动过程内的峰值，

为峰值左右两侧的极小值。

式(2)中，ε₂、ε₃、ε₄分别为各类波动过程的判别阈值，通过波动峰值大小对不同的波动过程类型进行识别，不同的特征气象因素对应的判别阈值也不同。其中，

为小波动过程，

为中波动过程，

为大波动过程，

为尖峰波动过程。特征气象因素波动过程内包含唯一的峰值以及峰值左右两侧波谷位置的极小值，一个完整的特征气象因素波动段由不同类型的波动过程构成。

最优气象因素特征子集中包含着不同的特征气象因素，不同的特征气象因素表现出不同的波动类型，即本发明所定义的波动过程与波动段，它们的波动变化共同构成了最优气象因素表征的天气波动过程。

天气过程的波动变化引起风电功率的波动变化，反过来，风电功率的波动变化对应着天气过程的波动或不同的气象因素波动。因此，在基于数值天气预报的短期风电功率预测中，可以通过划分不同气象因素波动的变化，用以映射风电功率波动变化趋势，即本发明中的划分最优气象因素特征子集中的特征气象因素的波动变化类型，进而建立以数值天气预报为表征的天气波动变化与风电功率波动变化的匹配关系。

步骤D.在步骤C的基础上，提取特征气象因素的波动时间颗粒度与波动特征参数，建立特征气象因素波动特征矩阵。

根据最优气象因素特征子集中的特征气象因素的波动类型以及其与风电功率波动变化的匹配关系，提取特征气象因素波动变化特征，包括波动时间颗粒度与波动特征参数。

提取的方法有统计提取与人工智能的特征提取方法，这里采用统计提取方法。提取特征气象因素波动变化的时间颗粒度，计算公式如下：

式中，

分别为特征气象因素波动过程的起始时刻，

为波动过程中波峰对应的时刻，T_λ为波动过程的波动时间颗粒度，

分别为波动过程的上升趋势波动时间颗粒度与下降趋势波动时间颗粒度，且满足

T为一个波动段的波动时间颗粒度。

相应的提取特征气象因素波动变化的特征参数，计算公式如下：

式中，r_λ为特征气象因素波动过程的水平线性起始差值，

分别为波动过程上升趋势波动与下降趋势波动水平线性差值，且满足

R为一个波动段的波动水平线性差值。

为了描述不同特征气象因素在波动过程与波动段中的整体波动变化趋势，定义波动上升趋势率

波动下降趋势率

以及波动段的峰时比η_H，计算公式如下：

式中，t_min1为与

对应的特征气象因素x_i的波动段起始时刻；t_min2为与

对应的特征气象因素x_i的波动段结束时刻。

因此，建立表征最优气象因素特征子集的包含不同气象因素波动变化的特征矩阵：

式中，x_i为最优气象因素子集中的特征气象因素，即x_i∈X，不同的特征气象因素对应的波动特征也不同；

是特征气象因素x_i的波动过程的上升趋势波动时间颗粒；

是特征气象因素x_i的波动过程的下降趋势波动时间颗粒度；

是特征气象因素x_i的波动过程的波动时间颗粒度；

是特征气象因素x_i的波动段的波动时间颗粒度；

是特征气象因素x_i的波动过程的上升趋势波动水平线性差值；

是特征气象因素x_i的波动过程的下降趋势波动水平线性差值；

是特征气象因素x_i的波动过程的波动水平线性差值；

是特征气象因素x_i的波动段的波动水平线性差值；

是特征气象因素x_i的波动上升趋势率；

是特征气象因素x_i的波动下降趋势率；

是特征气象因素x_i的波动段的峰时比。

步骤E.将特征气象因素波动特征矩阵作为预测模型的输入，预测日前风电场短期风电功率。

选择适当的风电功率预测模型，如支持向量机，极限学习机等人工智能预测模型，经过训练、测试、预测三个步骤，建立以特征气象因素的波动特征矩阵为输入，以风电功率为输出的风电功率短期预测模型：

p_pre＝f(M) (7)

式中，p_pre为风电功率预测值；f(·)为人工智能预测模型。若结合历史风电功率的波动变化，式(7)可以改进为：

p_pre＝f(M；p) (8)

以上所述，仅是本发明的较佳实例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰，均落在本发明的保护范围内。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，包括以下步骤：

A.构建数值天气预报模式输出的气象因素日前预报数据集；

B.分析实测风电功率与气象因素日前预报数据集中不同气象因素之间的相关性，筛选出最优气象因素特征子集；

C.划分最优气象因素特征子集中特征气象因素的波动类型，分析不同特征气象因素波动类型与风电功率波动变化的映射关系；

D.在步骤C的基础上，提取特征气象因素的波动时间颗粒度与波动特征参数，建立特征气象因素波动特征矩阵；

E.将特征气象因素波动特征矩阵作为风电功率预测模型的输入，预测日前风电场短期风电功率。

2.如权利要求1所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，步骤A中，统计某一风电场的数值天气预报模式输出的不同气象因素的日前数据，构建气象因素日前预报数据集Y＝{y_j,j＝1,2,…,m}，其中y_j为不同气象因素的日前数据，m为气象因素类型数；所述气象因素包括不同高度的风速、不同高度的风向、气温、气压、湿度、云量、感热通量、潜热通量、短波辐射、长波辐射、降水量。

3.如权利要求2所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，步骤B中，统计风电场的实测风电功率数据生成风电功率实测数据集{p}，采用Granger因果关系分析或基于互信息理论的最大相关-最小冗余特征筛选算法，计算风电功率实测数据集与在时序上相对应的气象因素日前预报数据集中不同气象因素之间的相关性，筛选得到能够表征所有气象因素且与风电功率相关性最大而彼此冗余性最小的最优气象因素特征子集X＝{x_i,i＝1,2,…,n}，其中x_i为特征气象因素，n为最优气象因素特征子集中特征气象因素类型数，且n≤m，

4.如权利要求3所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，步骤C中，划分最优气象因素特征子集中特征气象因素的波动类型的具体过程为：

对最优气象因素特征子集中的特征气象因素进行归一化处理，则其中特征气象因素x_i的波动段定义为：

式中，

分别为归一化后的特征气象因素x_i的波动段始末值，

为

与

中的最小值，且三者均小于等于波动噪声阈值ε_x；

为归一化后的特征气象因素x_i的波动段中的峰值，且数量大于零；n(·)为计算峰值数量的函数；

根据特征气象因素x_i的波动段中峰值的大小划分不同类型的波动过程，计算公式如下：

式中，α为波动过程内测量数据个数；λ为波动过程内峰值序列数，且为正整数；ε₁为小波动过程判别阈值，ε₁≈ε_x；

为波动过程内的峰值，

为峰值左右两侧的极小值；ε₂、ε₃、ε₄分别为各类波动过程的判别阈值；

为小波动过程，

为中波动过程，

为大波动过程，

为尖峰波动过程。

5.如权利要求4所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，步骤D中，所述特征气象因素的波动时间颗粒度与波动特征参数的提取方法包括：统计提取法或人工智能的特征提取方法。

6.如权利要求5所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，采用统计提取法提取特征气象因素的波动时间颗粒度，计算公式如下：

式中，

分别为特征气象因素波动过程的起始时刻，

为波动过程中波峰对应的时刻，T_λ为一个波动过程的波动时间颗粒度，

分别为波动过程的上升趋势波动时间颗粒度与下降趋势波动时间颗粒度，且满足

T为一个波动段的波动时间颗粒度。

7.如权利要求6所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，采用统计提取法提取特征气象因素的波动特征参数，计算公式如下：

式中，r_λ为特征气象因素波动过程的水平线性起始差值，

分别为波动过程上升趋势波动与下降趋势波动水平线性差值，且满足

R为一个波动段的波动水平线性差值。

8.如权利要求7所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，建立特征气象因素波动特征矩阵的具体过程为：定义波动上升趋势率

波动下降趋势率

以及波动段的峰时比η_H，计算公式如下：

式中，t_min1为与

对应的特征气象因素x_i的波动段起始时刻；t_min2为与

对应的特征气象因素x_i的波动段结束时刻；

建立特征气象因素波动特征矩阵M，如公式(6)所示：

式中，x_i为最优气象因素子集中的特征气象因素，x_i∈X；

是特征气象因素x_i的波动过程的上升趋势波动时间颗粒；

是特征气象因素x_i的波动过程的下降趋势波动时间颗粒度；

是特征气象因素x_i的波动过程的波动时间颗粒度；

是特征气象因素x_i的波动段的波动时间颗粒度；

是特征气象因素x_i的波动过程的上升趋势波动水平线性差值；

是特征气象因素x_i的波动过程的下降趋势波动水平线性差值；

是特征气象因素x_i的波动过程的波动水平线性差值；

是特征气象因素x_i的波动段的波动水平线性差值；

是特征气象因素x_i的波动上升趋势率；

是特征气象因素x_i的波动下降趋势率；

是特征气象因素x_i的波动段的峰时比。

9.如权利要求8所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，步骤E中，所述风电功率预测模型为支持向量机或极限学习机的人工智能预测模型，经过训练、测试、预测三个步骤，建立以特征气象因素波动特征矩阵M为输入，以风电功率为输出的风电功率短期预测模型：

p_pre＝f(M) (7)

式中，p_pre为风电功率预测值；f(·)为人工智能预测模型。

10.如权利要求9所述的用于短期风电功率预测的气象因素波动特征提取方法，其特征在于，结合历史风电功率的波动变化，式(7)改进为：

p_pre＝f(M；p) (8)。

Images