CN114021799A - 风电场日前风电功率预测方法及系统 - Google Patents

风电场日前风电功率预测方法及系统 Download PDF

Info

Publication number
CN114021799A
CN114021799A CN202111270931.XA CN202111270931A CN114021799A CN 114021799 A CN114021799 A CN 114021799A CN 202111270931 A CN202111270931 A CN 202111270931A CN 114021799 A CN114021799 A CN 114021799A
Authority
CN
China
Prior art keywords
wind power
predicted
day
prediction
solar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111270931.XA
Other languages
English (en)
Inventor
潘霄
张明理
赵琳
张娜
宋卓然
黄南天
高靖
吕旭明
李华
程孟增
吉星
商文颖
侯依昕
杨朔
杨博
刘禹彤
满林坤
徐熙林
杨海峰
杨方圆
刘凯
李金起
王宗元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID LIAONING ECONOMIC TECHNIQUE INSTITUTE
State Grid Corp of China SGCC
Northeast Electric Power University
Original Assignee
STATE GRID LIAONING ECONOMIC TECHNIQUE INSTITUTE
State Grid Corp of China SGCC
Northeast Dianli University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by STATE GRID LIAONING ECONOMIC TECHNIQUE INSTITUTE, State Grid Corp of China SGCC, Northeast Dianli University filed Critical STATE GRID LIAONING ECONOMIC TECHNIQUE INSTITUTE
Priority to CN202111270931.XA priority Critical patent/CN114021799A/zh
Publication of CN114021799A publication Critical patent/CN114021799A/zh
Priority to US17/652,681 priority patent/US20230136352A1/en
Priority to ZA2022/03480A priority patent/ZA202203480B/en
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F03D7/02—Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04—Automatic control; Regulation
    • F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F05B2260/8211—Parameter estimation or prediction of the weather
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/10—Purpose of the control system
    • F05B2270/103—Purpose of the control system to affect the output of the engine
    • F05B2270/1033—Power (if explicitly mentioned)
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/322—Control parameters, e.g. input parameters the detection or prediction of a wind gust
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/335—Output power or torque
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的风电场日前风电功率预测方法及系统，属于风力发电技术领域，包括：根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建原始数据集；除去原始数据集中的待预测日风电功率，得到聚类数据集开展k‑means聚类，获得带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；根据已知历史日风电功率和数值天气预报气象特征，确定待预测日的簇标签类别，并根据簇标签类别筛选出与待预测日风电功率相似度高的多个场景；根据相似场景中待预测日风电功率的平均值、上限值及下限值，分别获得待预测日多个设定时刻的风电功率的预测结果。本发明提高了风电功率的点预测与区间预测精度。

Description

风电场日前风电功率预测方法及系统
技术领域
本发明涉及风力发电技术领域，特别涉及一种风电场日前风电功率预测方法及系统。
背景技术
近年来，以风电等为代表的可再生能源越来越受到重视。与传统发电不同，风力发电具有复杂性和不稳定性的特点，随着风电机组装机容量的不断增加，其出力的强随机性与波动性给电力系统的安全稳定运行带来了困扰。为了优化电网调度，提高风电场效率，使得对风电功率的准确预测显得极其重要。目前基于物理方法的风电功率预测的技术方案为：建立计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型，并考虑到数值天气预报数据中的风速精确度不高，建立了基于高斯过程的数值天气预报风速修正模型，计入其他气象因素，例如风向、温度、湿度、气压等，进行风电预测；同时，基于目标风电场与相邻风电场区域的风速空间相关性分析，计算其最大相关系数点的延迟时间，建立风速空间相关性预测模型；基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型，建立组合加权预测模型，并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值，得到预测的风电功率。
但是，基于物理方法的风电功率预测无法从多源、多维、多模态数据中找寻其内在规律，无法挖掘历史数据之间的关系，导致预测结果往往不够精确。同时，基于物理方法的风电功率预测模型结构复杂，计算过程繁琐。
发明内容
为了解决现有基于物理方法的风电功率预测结果不够精确，预测模型结构复杂，计算过程繁琐的问题，本发明提供了一种风电场日前风电功率预测方法，包括：
根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
本发明还提供了一种风电场日前风电功率预测系统，包括：
构建模块，用于根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
聚类生成模块，用于除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
筛选组成模块，用于根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
预测模块，用于根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
本发明还提供了一种计算机设备，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，所述计算机程序被处理器执行时实现以下步骤：
根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
本发明提供的风电场日前风电功率预测方法及系统，通过皮尔逊相关系数，构建含待预测日风电功率及数值天气预报气象特征、历史日风电功率的原始数据集，基于聚类算法，构建带标签的原始数据集，设计基于改进鲁棒性辅助分类生成对抗网络的场景生成模型，生成海量带标签样本，根据已知历史日风电功率和数值天气预报气象特征可确定待预测日的簇标签类别，在该类簇标签下筛选出与待预测日风电功率相似度高的场景，进而获得待预测日风电功率点预测及区间预测结果，提高了风电功率的点预测与区间预测精度，与传统WGP区间预测方法相比，本发明的预测结果更加准确及有效。
附图说明
图1是本发明实施例待预测日t时刻风电功率与各影响特征的相关性示意图；
图2是本发明实施例含有待预测日风电功率及其影响特征的原始数据集的样本格式；
图3是本发明实施例提供的RAC-GAN模型原理示意图；
图4是本发明实施例提供的风电场日前风电功率预测流程示意图；
图5是本发明实施例提供的风电场日前风电功率预测方法流程图；
图6是本发明实施例方法与不同置信度下WGP方法在四季的风电功率预测结果及预测指标对比示意图；
图7是本发明实施例提供的风电场日前风电功率预测系统结构示意图；
图8是本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下面结合附图和实施例，对本发明技术方案作进一步描述。
参见图4和图5，本发明实施例提供的风电场日前风电功率预测方法，具体包括如下步骤：
步骤S101、根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含数值天气预报气象特征和待预测日风电功率的原始数据集。
在具体应用中，风电功率受风速、风向、温度、湿度、压强及历史日风电功率影响，采用皮尔逊相关系数(PCC，pearson correlation coefficient)能够分析出微小的局部形态差异，无需对风功率数据进行归一化，能够较好地分析出风电功率与各个影响特征间的相关性。PCC计算公式如下式(1)所示：
Figure BDA0003327977370000051
式(1)中，x为待预测日风电功率、yi为待预测日风电功率的影响特征；xk、yik分别为x、yi中第k个数据；
Figure BDA0003327977370000052
分别为x、yi的数据平均值；k、n为正整数。
选取风速、风向、温度、湿度和压强作为待预测日风电功率的第一初选特征；同时考虑到待预测日风电功率受历史日风电功率影响，基于皮尔逊相关系数，分析各个历史日与待预测日的风电功率之间的相关性，选取皮尔逊相关系数绝对值大于预设阈值的历史日风电功率作为第二初选特征，例如本实施例选取5个历史日内的风电功率作为第二初选特征。将上述选取的10个初选特征设定为待预测日t时刻风电功率的影响特征，并将该10个影响特征进行1-10的编号，分别对应待预测日t时刻的风速、风向、温度、湿度、压强、历史第一日t时刻的风电功率、历史第二日t时刻的风电功率、历史第三日t时刻的风电功率、历史第四日t时刻的风电功率、历史第五日t时刻的风电功率。分别计算出待预测日风电功率与该10个初选特征的皮尔逊相关系数，待预测日风电功率时间序列与各个影响特征时间序列之间的PCC如图1所示。
如图1所示，比较|PCC(x,y)|与预设阈值的大小，可以确定待预测日风电功率与其影响特征的相关强度：假设预设阈值为0.2，当|PCC(x,y)|∈[0,0.2]时，代表极弱相关或无相关；当|PCC(x,y)|∈(0.2,0.4]时，代表弱相关；当PCC(x,y)|∈(0.4,0.6]时，代表中等程度相关；当|PCC(x,y)|∈(0.6,0.8]时，代表强相关；当所述|PCC(x,y)|∈[0.8,1]时，代表极强相关。当PCC(x,y)为正值时，代表正相关；当PCC(x,y)为负值时，代表负相关。风电功率波动性很强，影响风电出力的因素较多。为了保证风电功率预测的准确性，需要去除极弱相关及无相关的特征，而其余特征均用于待预测日风电功率预测的影响特征，包括风速、风向、温度、压强、历史第一日的风电功率及历史第二日的风电功率共6维特征，其中温度、压强与待预测日风电功率之间的相关性为负相关，即其他因素不变时，当温度、压强升高时，风电功率降低，而其余特征与待预测日风电功率之间的相关性为正相关。
根据数据分析所确定的6维特征，将数据集预计对应的特征进行归一化处理，可得到5个归一化特征数据及2个三角函数化特征数据。按照待预测日风速、风向sin值、风向cos值、温度、压强，历史第一日风电功率、历史第二日风电功率、待预测日风电功率的顺序，依次将归一化处理后的各维特征与待预测日风电功率数据整合为一行包含24×8个数据点的原始数据。将一年365天数据构建为363个原始数据样本，随机选取250个原始数据构成原始数据集，剩余113个原始数据作为测试集，原始数据集的样本格式如图2所示。
需要说明的是：预设阈值和待预测日的预测时刻t可根据实际预测要求来设定。
步骤S102、除去原始数据集中的待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景。
原始数据集中含有数值天气预报气象特征和历史日风电功率等多类特征，不同场景之间的差异较大。为了实现风电功率预测的准确性，将影响待预测日风电功率的特征聚类，得到多簇标签并将原始数据集中的每个场景赋予该标签，便于在预测时基于NWP(Numerical Weather Prediction，数值天气预报)气象特征及历史日风电功率，有针对性的在对应簇标签生成场景内筛选相似场景，提高风电功率预测的准确性。
K-means聚类算法具有对大数据集处理简单、运算速度快的优势，可实现聚类后的类与类之间特征区别明显，聚类效果更佳。K-means聚类是将n个数据对象聚类为k类(n、k均为正整数)，使每类中的数据对象相似度最高，不断重复这一过程直到划分完成，其算法步骤如下：1)确定聚类数k，并在数据中任意选取k个初始聚类中心；2)计算所有数据点到聚类中心的距离，并根据距离最小原则将数据归类于所属类别中；3)根据各类的特点，利用均值法迭代更新各类的中心值至迭代结束。
为了解决NWP误差对风电预测的影响，以及有限训练样本数据对风电预测准确率的影响，本发明实施例采用改进鲁棒性辅助分类生成对抗网络(robust auxiliaryclassifier generative adversarial networks，RAC-GAN)生成海量带标签的风电功率及其影响特征的样本。在NWP与实际气象存在误差的复杂场景下，即在含噪声的场景下，为了解决影响风电功率的特征不稳定、提取难度大，风电预测准确率不高的问题，满足NWP误差影响下多标签强鲁棒性场景生成需求，提出了如图3所示的RAC-GAN模型。
辅助分类生成对抗网络(auxiliary classifier generative adversarialnetworks，AC-GAN)，在生成对抗网络基础上加入随机噪声信号标签和多分类功能，能根据标签生成指定类型样本。在AC-GAN的生成器G加入随机噪声信号z及生成样本对应标签c，其生成器针对性生成对应类别样本X(fake)＝G(c，z)。判别器D分别输出的样本X来源于真实样本X(real)，以及生成样本X(fake)的概率P(S|X)和属于不同类别的概率P(C|X)，即
[P(S|X)，P(C|X)]＝D(X) (2)
式(2)中，S为样本来源，X为输出样本；C＝c，c∈{1，2，…，n}，n表示样本类数。在AC-GAN中，G目标函数为最大化LC-LS，D目标函数为最大化LC+LS，LS与LC定义为：
Figure BDA0003327977370000091
式(3)中，LS为正确源损失函数，可判别数据来源正确性；LC为正确类损失函数，可判别输出类别正确性；E为数学期望。通过生成器与判别器内部博弈，在迭代过程中交替优化，最终提高生成器的场景生成能力。
为了实现多标签的风电功率场景生成的需要，首先，在AC-GAN的生成器输入端引入数据编码器，不直接用随机噪声信号，而使其模型根据真实风电及其影响特征数据预先学习浅层原始数据特征，得到随机噪声输入。然后，再输入生成器，使其针对性生成海量满足真实样本概率分布特性的生成数据，生成样本与原始样本输入判别器，判别生成样本质量，实现训练样本数据扩充。RAC-GAN模型迭代过程中，向降低噪声影响的方向开展博弈优化，最终实现噪声干扰下多标签的鲁棒性场景生成。
步骤S103、根据已知历史日风电功率和数值天气预报气象特征，确定待预测日的簇标签类别，并根据簇标签类别，在海量带标签场景中筛选出与待预测日风电功率相似度高的多个场景，组成相似场景集。
生成样本包含7个影响待预测日风电功率的特征及待预测日风电功率，通过NWP可获得5个气象因素特征，且历史第一日与历史第二日风电功率的已知，因此影响待预测日风电功率的7个特征均已知。判别影响特征归属于哪类簇标签，基于加权PCC理论，在该类簇标签生成样本中筛选出与待预测日风电功率相似度高的多个场景，组成相似场景集。
步骤S104、根据相似场景集中待预测日风电功率的平均值、上限值及下限值，分别获得待预测日多个设定时刻的风电功率的点预测和区间预测结果。
在实际应用中，不同影响特征与待预测日风电功率的PCC不同，故各影响特征影响待预测日风电功率的程度不同。以待预测日风电功率与各影响特征的PCC为权系数，设定待预测日风电功率的全部影响特征与第j个生成样本间对应特征的加权PCC为PCCj，表达式如式(4)所示：
Figure BDA0003327977370000101
式(4)中，PCC(x，yi)为待预测日风电功率与特征i之间的PCC；PCC(yi，yji)为已知特征i与第j个生成样本特征i之间的PCC；PCCj为第j个生成样本与待预测日特征间的加权PCC。
已知某一待预测日风电功率的各影响特征，首先基于k-means聚类算法分析这些特征对应的簇标签，查找出该簇标签所对应的生成样本；然后，根据式(4)，按照PCCj从大到小的顺序，在该簇标签生成样本中筛选出与待预测日极强相关历史日间相似性高的N个样本，组成相似场景集，将相似场景集合的待预测日风电功率场景提取出并定义为集合Z。最后，根据Z中各时段平均值与上限值、下限值，得到待预测日多个设定时刻的风电功率的点预测及区间预测结果，如式(5)所示：
Figure BDA0003327977370000111
式(5)中，Pwtmax，t、Pwtmin，t为t时刻风电功率区间预测得的上限值及下限值；Pwtmean，t为t时刻风电功率的点预测结果。
在实际应用中，为了确定风电功率预测所需筛选样本，采用预测区间覆盖率(prediction interval coverage proportion，PICP)、预测区间归一化平均宽度(prediction interval normalized average width，PINAW)分析不同筛选样本数下的区间预测效果，采用平均绝对百分比误差(mean absolute percentage error，MAPE)分析不同筛选样本数下的点预测效果。
为了验证本发明实施例预测方法的预测效果，采用东北某地区一年的实测风电场数据进行实验分析。
筛选样本数分别设置为各簇标签所包含生成样本数的1％、2％、3％、4％、5％，得到不同筛选样本数下的预测指标见表1所示。
分析表1，无法直接选出最优指标的筛选比例，故规定指标在五种筛选比例下最优时可得5分，最差时可得1分。按此规则，得到不同筛选比例下的得分情况如表1最右侧一栏所示，筛选样本数为对应簇标签生成样本数的4％时的预测效果最优。
表1
筛选样本数 MAPE/％ PICP/％ PINAW/％ 得分
1％ 14.2 84.8 11.2 7.0
2％ 13.5 90.4 13.6 10.0
3％ 13.6 94.9 14.1 9.0
4％ 13.4 96.3 15.4 11.0
5％ 14.0 97.1 17.1 8.0
由于风电功率不确定性本身是非高斯的，因此传统高斯过程不适用于风电功率预测，采用风电功率区间预测效果较好的翘曲高斯过程(warped gaussian process，WGP)开展对比实验。在MatlabR2015b环境下运行，置信度分别设置为90％、95％、99％。通过在四个季节各随机选取一周作为预测实验，得到不同预测方法统计预测结果的预测指标如下表2所示。
表2
预测方法 MAPE/％ PICP/％ PINAW/％
WGP(90％置信度) 17.8 85.2 18.2
WGP(95％置信度) 17.8 89.2 22.1
WGP(99％置信度) 17.8 90.1 25.0
本发明实施例的方法 13.4 96.3 15.4
分析表2，本发明实施例方法各预测指标均优于WGP预测方法的预测指标，证明本发明实施例方法区间预测效果好。风电功率受季节影响较大，故分别分析本发明实施例方法与不同置信度下WGP方法在四季的风电功率预测效果，在每个季节随机选取一天进行预测，不同方法的预测结果如图6所示。由图6可知，在各季节随机抽取的四天中，本发明实施例预测方法的MAPE与PINAW均为最小、PICP均为最大。这是因为先经过场景生成得到海量生成场景，通过分标签的相似场景筛选，而得到的相似场景与真实场景相似度高，故预测误差百分比较低，预测区间宽度较低、预测区间覆盖率较高。综上分析，在进行风电功率日前预测研究中，无论是四个季节各选取一周或四个季节随机选取一天实验中，本发明实施例的方法均具有一定优势。
风电功率预测所用特征包含NWP获得的气象特征，NWP气象特征与真实气象之间存在误差，其误差大小会直接影响筛选相似场景的质量，进而间接影响预测效果。为了分析本发明实施例方法在不同NWP误差下的预测效果，在RAC-GAN场景生成时加入噪声以模拟NWP误差，并设置信噪比分别为20dB、25dB、30dB、35dB、40dB来模拟NWP误差。基于分标签筛选的风电功率区间预测新方法，获得不同信噪比下的区间预测指标如下表3所示。
表3
信噪比/dB MAPE/％ PICP/％ PINAW/％
20 16.7 92.6 19.2
25 16.4 94.3 18.1
30 16.0 95.4 17.4
35 15.2 96.0 16.7
40 14.3 96.6 16.1
分析表3，随着信噪比减小，噪声越强，即NWP误差越大，越来越不利于预测结果准确性与稳定性，即20dB时预测效果最差，此时预测指标也优于WGP预测方法，证明本发明实施例的预测方法在存在较大NWP误差时依然能够保证区间预测的良好效果，证明了本发明实施例的基于RAC-GAN场景生成的风电功率区间预测新方法的实用性。
本发明实施例提供的风电场日前风电功率预测方法，通过皮尔逊相关系数，构建含待预测日风电功率及数值天气预报气象特征、历史日风电功率的原始数据集，基于聚类算法，构建带标签的原始数据集，设计基于RAC-GAN的场景生成模型，生成海量带标签样本，根据已知待预测日风电功率的特征可确定待预测日的簇标签类别，在该类簇标签下筛选出与其特征相似度高的场景，进而获得风电功率点预测及区间预测结果，提高了风电功率的点预测与区间预测精度。与传统WGP区间预测方法相比，本发明实施例的预测方法更加准确及有效。同时，考虑NWP与实际气象条件之间存在差异性，在构建基于RAC-GAN的场景生成模型时考虑加入噪声模拟NWP误差，在此条件下得到预测结果。经过仿真验证，NWP误差会略微降低预测结果准确性与可靠性，但计及NWP误差的新方法仍比WGP方法预测效果好，验证本发明实施例的方法承受NWP误差的能力更强，预测结果受外界因素干扰小。
参见图7，本发明实施例还提供了一种风电场日前风电功率预测系统，包括：
构建模块701，可以用于根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含数值天气预报气象特征和待预测日风电功率的原始数据集；
聚类生成模块702，可以用于除去原始数据集中的待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
筛选组成模块703，可以用于根据已知历史日风电功率和数值天气预报气象特征，确定待预测日的簇标签类别，并根据簇标签类别，在海量带标签场景中筛选出与待预测日风电功率相似度高的多个场景，组成相似场景集；
预测模块704，可以用于根据相似场景集中待预测日风电功率的平均值、上限值及下限值，分别获得待预测日多个设定时刻的风电功率的点预测和区间预测结果。
其中，构建模块701进一步包括：
第一选取单元，可以用于选取风速、风向、温度、湿度和压强作为待预测日风电功率的第一初选特征；
第二选取单元，可以用于根据各个历史日与待预测日的风电功率之间的相关性，选取皮尔逊相关系数绝对值大于预设阈值的历史日风电功率作为待预测日风电功率的第二初选特征；
计算确定单元，可以用于计算出待预测日风电功率与第一初选特征、第二初选特征的皮尔逊相关系数，并比较皮尔逊相关系数的绝对值与预设阈值的大小，确定待预测日风电功率与第一初选特征、第二初选特征的相关性；
去除单元，可以用于根据计算确定单元的判定结果，去除极弱相关或无相关的初选特征；
归一化单元，可以用于将去除单元去除后所剩余的初选特征作为待预测日风电功率预测的影响特征，并将数据集预计与影响特征对应的特征进行归一化处理；
整合单元，可以用于根据预先设定的排列顺序，依次将归一化处理后的特征与待预测日风电功率整合，形成待预测日原始数据；
数据集单元，可以用于根据每个待预测日原始数据，构建全年原始数据样本，并从全年原始数据样本随机选取若干原始数据，构建原始数据集。
其中，聚类生成模块702进一步包括：
聚类数据集单元，可以用于除去原始数据集中的待预测日风电功率，得到归一化处理后的与影响特征对应的特征，形成聚类数据集；
聚类单元，可以用于将聚类数据集中的数据进行k-means聚类，得到多簇标签；
赋予单元，可以用于将原始数据集中的每个场景赋予标签；
学习单元，可以用于在辅助分类生成对抗网络的生成器输入端引入数据编码器，并根据真实风电功率及其影响特征数据预先学习浅层原始数据特征，得到随机噪声输入；
生成器单元，可以用于根据随机噪声，生成海量满足真实样本概率分布特性的样本数据；
判别器单元，可以用于根据生成器单元生成的样本数据与原始样本数据，判别生成样本质量，实现训练样本数据扩充；
优化生成单元，可以用于鲁棒性辅助分类生成对抗网络进行迭代过程，向降低噪声影响的方向开展博弈优化，最终生成噪声干扰下海量带标签的风电功率及其影响特征的样本。
其中，筛选组成模块703进一步包括：
查找单元，可以用于根据预测日的簇标签在海量带标签场景中查找出对应的生成样本；
设定单元，可以用于以待预测日风电功率与影响特征的皮尔逊相关系数为权系数，设定待预测日风电功率的全部影响特征与第j个生成样本间对应特征的加权PCC为PCCj；
相似场景集单元，可以用于根据PCCj从大到小的顺序，在簇标签对应的生成样本中筛选出与待预测日极强相关历史日间相似性高的多个样本，组成相似场景集。
其中，预测模块704进一步包括：
提取单元，可以用于将相似场景集合的待预测日风电功率场景提取出并定义为集合Z；
预测单元，可以用于根据集合Z中各时段平均值与上、下限值，得到待预测日多个设定时刻的风电功率的点预测及区间预测结果。
进一步地，本发明实施例提供的风电场日前风电功率预测系统还包括：
第一筛选模块，可以用于采用平均绝对百分比误差分析不同筛选样本数下的风电功率的点预测结果；
第二筛选模块，可以用于采用预测区间覆盖率、预测区间归一化平均宽度分析不同筛选样本数下的风电功率的区间预测结果。
需要说明的是，本发明实施例提供的风电场日前风电功率预测系统所涉及各功能模块的其他相应描述，可以参考图4和5所示方法的对应描述，在此不再赘述。
基于上述如图4和图5所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含数值天气预报气象特征和待预测日风电功率的原始数据集；除去原始数据集中的待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；根据已知历史日风电功率和数值天气预报气象特征，确定待预测日的簇标签类别，并根据簇标签类别，在海量带标签场景中筛选出与待预测日风电功率相似度高的多个场景，组成相似场景集；根据相似场景集中待预测日风电功率的平均值、上限值及下限值，分别获得待预测日多个设定时刻的风电功率的点预测和区间预测结果。
基于上述如图4、5所示方法和如图7所示系统的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图8所示，该计算机设备包括：处理器81、存储器82、及存储在存储器82上并可在处理器上运行的计算机程序，其中存储器82和处理器81均设置在总线83上，所述处理器81执行所述程序时实现以下步骤：根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；除去原始数据集中的待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；根据已知历史日风电功率和数值天气预报气象特征，确定待预测日的簇标签类别，并根据簇标签类别，在海量带标签场景中筛选出与待预测日风电功率相似度高的多个场景，组成相似场景集；根据相似场景集中待预测日风电功率的平均值、上限值及下限值，分别获得待预测日多个设定时刻的风电功率的点预测和区间预测结果。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
在实际应用中，本发明实施例中所涉及的各个功能模块及单元，均可以由运行在计算机硬件上的计算机程序实现，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的硬件指的是包含一个或者多个处理器和存储介质的服务器或者台式计算机、笔记本电脑等；所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等；所述计算机程序由不限于C、C++等计算机语言实现。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种风电场日前风电功率预测方法，其特征在于，包括：
根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
2.根据权利要求1所述的风电场日前风电功率预测方法，其特征在于，所述根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性的步骤具体包括：
选取风速、风向、温度、湿度和压强作为待预测日风电功率的第一初选特征；
根据各个历史日与所述待预测日的风电功率之间的相关性，选取皮尔逊相关系数绝对值大于预设阈值的历史日风电功率作为待预测日风电功率的第二初选特征；
计算出所述待预测日风电功率与所述第一初选特征、第二初选特征的皮尔逊相关系数；
比较所述皮尔逊相关系数的绝对值与预设阈值的大小，确定所述待预测日风电功率与所述第一初选特征、第二初选特征的相关性。
3.根据权利要求2所述的风电场日前风电功率预测方法，其特征在于，所述皮尔逊相关系数的计算公式为：
Figure FDA0003327977360000021
其中，x为待预测日风电功率、yi为待预测日风电功率的影响特征；xk、yik分别为x、yi中第k个数据；
Figure FDA0003327977360000022
分别为x、yi的数据平均值；k、n为正整数。
4.根据权利要求3所述的风电场日前风电功率预测方法，其特征在于，所述构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集的步骤具体包括：
根据所述待预测日风电功率与所述第一初选特征、第二初选特征的相关性判定结果，去除极弱相关或无相关的初选特征；
将剩余的初选特征作为所述待预测日风电功率预测的影响特征，并将数据集预计与所述影响特征对应的特征进行归一化处理；
根据预先设定的排列顺序，依次将归一化处理后的特征与所述待预测日风电功率整合，形成待预测日原始数据；
根据每个待预测日原始数据，构建全年原始数据样本，并从所述全年原始数据样本随机选取若干原始数据，构建原始数据集。
5.根据权利要求4所述的风电场日前风电功率预测方法，其特征在于，所述除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集的步骤具体包括：
除去所述原始数据集中的所述待预测日风电功率，得到归一化处理后的与所述影响特征对应的特征，形成聚类数据集；
将所述聚类数据集中的数据进行k-means聚类，得到多簇标签；
将所述原始数据集中的每个场景赋予所述标签。
6.根据权利要求5所述的风电场日前风电功率预测方法，其特征在于，所述k-means聚类是将n个数据对象聚类为k类，使每类中的数据对象相似度最高，不断重复这一过程直到划分完成，其步骤如下：1)确定聚类数k，并在数据中任意选取k个初始聚类中心；2)计算所有数据点到聚类中心的距离，并根据距离最小原则将数据归类于所属类别中；3)根据各类的特点，利用均值法迭代更新各类的中心直至迭代结束。
7.根据权利要求6所述的风电场日前风电功率预测方法，其特征在于，所述根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景的步骤具体包括：
在辅助分类生成对抗网络的生成器输入端引入数据编码器，并根据真实风电功率及其影响特征数据预先学习浅层原始数据特征，得到随机噪声输入；
生成器根据所述随机噪声，生成海量满足真实样本概率分布特性的样本数据；
判别器根据所述生成的样本数据与原始样本数据，判别生成样本质量，实现训练样本数据扩充；
鲁棒性辅助分类生成对抗网络进行迭代过程，向降低噪声影响的方向开展博弈优化，最终生成噪声干扰下海量带标签的风电功率及其影响特征的样本。
8.根据权利要求7所述的风电场日前风电功率预测方法，其特征在于，所述根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集的步骤具体包括：
根据所述预测日的簇标签在所述海量带标签场景中查找出对应的生成样本；
以所述待预测日风电功率与所述影响特征的皮尔逊相关系数为权系数，设定所述待预测日风电功率的全部影响特征与第j个生成样本间对应特征的加权PCC为PCCj，表达式为：
Figure FDA0003327977360000041
其中，PCC(x,yi)为所述待预测日风电功率与影响特征i之间的PCC；PCC(yi,yji)为已知影响特征i与第j个生成样本影响特征i之间的PCC；PCCj为第j个生成样本与所述待预测日特征间的加权PCC；
根据所述PCCj从大到小的顺序，在所述簇标签对应的生成样本中筛选出与所述待预测日极强相关历史日间相似性高的多个样本，组成相似场景集。
9.根据权利要求8所述的风电场日前风电功率预测方法，其特征在于，所述根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测及区间预测结果的步骤具体包括：
将所述相似场景集合的所述待预测日风电功率场景提取出并定义为集合Z；根据所述集合Z中各时段平均值与上、下限值，得到所述待预测日多个设定时刻的风电功率的点预测及区间预测结果，如下式所示：
Figure FDA0003327977360000051
其中，Pwtmax,t、Pwtmin,t为t时刻风电功率区间预测得到的上限值及下限值；Pwtmean,t为t时刻风电功率的点预测结果。
10.根据权利要求9所述的风电场日前风电功率预测方法，其特征在于，所述方法还包括：采用平均绝对百分比误差分析不同筛选样本数下的所述风电功率的点预测结果，以及采用预测区间覆盖率、预测区间归一化平均宽度分析不同筛选样本数下的所述风电功率的区间预测结果。
11.一种风电场日前风电功率预测系统，其特征在于，包括：
构建模块，用于根据待预测日风电功率、数值天气预报气象特征和历史日风电功率的相关性，构建含所述数值天气预报气象特征和待预测日风电功率的原始数据集；
聚类生成模块，用于除去所述原始数据集中的所述待预测日风电功率，得到聚类数据集并开展k-means聚类，得到带簇标签的原始数据集，并根据鲁棒性辅助分类生成对抗网络，生成海量带标签场景；
筛选组成模块，用于根据已知历史日风电功率和数值天气预报气象特征，确定所述待预测日的簇标签类别，并根据所述簇标签类别，在所述海量带标签场景中筛选出与所述待预测日风电功率相似度高的多个场景，组成相似场景集；
预测模块，用于根据所述相似场景集中所述待预测日风电功率的平均值、上限值及下限值，分别获得所述待预测日多个设定时刻的风电功率的点预测和区间预测结果。
12.根据权利要求11所述的风电场日前风电功率预测系统，其特征在于，所述构建模块包括：
第一选取单元，用于选取风速、风向、温度、湿度和压强作为待预测日风电功率的第一初选特征；
第二选取单元，用于根据各个历史日与所述待预测日的风电功率之间的相关性，选取皮尔逊相关系数绝对值大于预设阈值的历史日风电功率作为待预测日风电功率的第二初选特征；
计算确定单元，用于计算出所述待预测日风电功率与所述第一初选特征、第二初选特征的皮尔逊相关系数，并比较所述皮尔逊相关系数的绝对值与预设阈值的大小，确定所述待预测日风电功率与所述第一初选特征、第二初选特征的相关性；
去除单元，用于根据所述计算确定单元的判定结果，去除极弱相关或无相关的初选特征；
归一化单元，用于将所述去除单元去除后所剩余的初选特征作为所述待预测日风电功率预测的影响特征，并将数据集预计与所述影响特征对应的特征进行归一化处理；
整合单元，用于根据预先设定的排列顺序，依次将所述归一化处理后的特征与所述待预测日风电功率整合，形成待预测日原始数据；
数据集单元，用于根据每个待预测日原始数据，构建全年原始数据样本，并从所述全年原始数据样本随机选取若干原始数据，构建原始数据集。
13.根据权利要求12所述的风电场日前风电功率预测系统，其特征在于，所述聚类生成模块包括：
聚类数据集单元，用于除去所述原始数据集中的所述待预测日风电功率，得到归一化处理后的与所述影响特征对应的特征，形成聚类数据集；
聚类单元，用于将所述聚类数据集中的数据进行k-means聚类，得到多簇标签；
赋予单元，用于将所述原始数据集中的每个场景赋予所述标签；
学习单元，用于在辅助分类生成对抗网络的生成器输入端引入数据编码器，并根据真实风电功率及其影响特征数据预先学习浅层原始数据特征，得到随机噪声输入；
生成器单元，用于根据所述随机噪声，生成海量满足真实样本概率分布特性的样本数据；
判别器单元，用于根据所述生成器单元生成的样本数据与原始样本数据，判别生成样本质量，实现训练样本数据扩充；
优化生成单元，用于鲁棒性辅助分类生成对抗网络进行迭代过程，向降低噪声影响的方向开展博弈优化，最终生成噪声干扰下海量带标签的风电功率及其影响特征的样本。
14.根据权利要求13所述的风电场日前风电功率预测系统，其特征在于，所述筛选组成模块包括：
查找单元，用于根据所述预测日的簇标签在所述海量带标签场景中查找出对应的生成样本；
设定单元，用于以所述待预测日风电功率与所述影响特征的皮尔逊相关系数为权系数，设定所述待预测日风电功率的全部影响特征与第j个生成样本间对应特征的加权PCC为PCCj；
相似场景集单元，用于根据所述PCCj从大到小的顺序，在所述簇标签对应的生成样本中筛选出与所述待预测日极强相关历史日间相似性高的多个样本，组成相似场景集。
15.根据权利要求14所述的风电场日前风电功率预测系统，其特征在于，所述预测模块包括：
提取单元，用于将所述相似场景集合的所述待预测日风电功率场景提取出并定义为集合Z；
预测单元，用于根据所述集合Z中各时段平均值与上、下限值，得到所述待预测日多个设定时刻的风电功率的点预测及区间预测结果。
16.根据权利要求15所述的风电场日前风电功率预测系统，其特征在于，所述系统还包括：
第一筛选模块，用于采用平均绝对百分比误差分析不同筛选样本数下的所述风电功率的点预测结果；
第二筛选模块，用于采用预测区间覆盖率、预测区间归一化平均宽度分析不同筛选样本数下的所述风电功率的区间预测结果。
17.一种计算机设备，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，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
18.一种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权利要求1至10中任一项所述的方法的步骤。
CN202111270931.XA 2021-10-29 2021-10-29 风电场日前风电功率预测方法及系统 Pending CN114021799A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111270931.XA CN114021799A (zh) 2021-10-29 2021-10-29 风电场日前风电功率预测方法及系统
US17/652,681 US20230136352A1 (en) 2021-10-29 2022-02-26 Method and system for predicting a day-ahead wind power of wind farms
ZA2022/03480A ZA202203480B (en) 2021-10-29 2022-03-25 Method and system for predicting a day-ahead wind power of wind farms

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111270931.XA CN114021799A (zh) 2021-10-29 2021-10-29 风电场日前风电功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN114021799A true CN114021799A (zh) 2022-02-08

Family

ID=80058658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111270931.XA Pending CN114021799A (zh) 2021-10-29 2021-10-29 风电场日前风电功率预测方法及系统

Country Status (3)

Country Link
US (1) US20230136352A1 (zh)
CN (1) CN114021799A (zh)
ZA (1) ZA202203480B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618710A (zh) * 2022-09-08 2023-01-17 济南大学 一种基于gan的风电功率概率性预测方法及系统
CN117353302A (zh) * 2023-12-04 2024-01-05 北京东润环能科技股份有限公司 新能源发电功率的预测方法、装置、设备及介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034832A (zh) * 2022-07-05 2022-09-09 广东电网有限责任公司 一种天然气和电力的协调调度方法、装置及系统
CN116504665A (zh) * 2023-06-28 2023-07-28 全芯智造技术有限公司 Cmp工艺预测、预测模型训练方法及装置、计算设备
CN116644866A (zh) * 2023-07-27 2023-08-25 国网江西省电力有限公司经济技术研究院 考虑风光不确定性的综合能源系统鲁棒优化方法及系统
CN116881743B (zh) * 2023-09-06 2024-01-19 国网上海市电力公司 一种用于光伏功率预测的气象转折天气识别方法和系统
CN116913525B (zh) * 2023-09-12 2024-02-06 北京万物成理科技有限公司 特征组归一化方法、装置、电子设备和存储介质
CN117424290B (zh) * 2023-10-07 2024-04-19 国家电网有限公司华东分部 新能源纳入比例计算方法、装置、设备及存储介质
CN117370825B (zh) * 2023-10-11 2024-06-21 国网经济技术研究院有限公司 基于注意力条件生成对抗网络的长期场景生成方法及系统
CN117390967B (zh) * 2023-11-24 2024-03-29 河海大学 海上风电短期功率预测方法、装置、设备及存储介质
CN117763314B (zh) * 2024-02-22 2024-05-17 安徽大学 一种基于时空相关性挖掘的风电功率预测方法
CN117852419A (zh) * 2024-03-07 2024-04-09 齐鲁工业大学(山东省科学院) 基于条件生成对抗网络的可再生能源发电场景生成方法
CN117878928B (zh) * 2024-03-12 2024-05-14 国能日新科技股份有限公司 一种基于深度学习的风电功率预测方法及装置
CN117893030B (zh) * 2024-03-14 2024-05-28 中智(福建)科技有限公司 基于大数据的电力系统风险预警方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618710A (zh) * 2022-09-08 2023-01-17 济南大学 一种基于gan的风电功率概率性预测方法及系统
CN117353302A (zh) * 2023-12-04 2024-01-05 北京东润环能科技股份有限公司 新能源发电功率的预测方法、装置、设备及介质
CN117353302B (zh) * 2023-12-04 2024-02-13 北京东润环能科技股份有限公司 新能源发电功率的预测方法、装置、设备及介质

Also Published As

Publication number Publication date
ZA202203480B (en) 2022-06-29
US20230136352A1 (en) 2023-05-04

Similar Documents

Publication Publication Date Title
CN114021799A (zh) 风电场日前风电功率预测方法及系统
US11960568B2 (en) Model and method for multi-source domain adaptation by aligning partial features
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
Lai et al. A robust correlation analysis framework for imbalanced and dichotomous data with uncertainty
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN110738247B (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN112906770A (zh) 一种基于跨模态融合的深度聚类方法及系统
CN107579846B (zh) 一种云计算故障数据检测方法及系统
CN110728313B (zh) 一种用于意图分类识别的分类模型训练方法及装置
CN110263834B (zh) 一种新能源电能质量异常值的检测方法
CN112711652B (zh) 术语标准化方法及装置
CN111667135B (zh) 一种基于典型特征提取的负荷结构解析方法
CN110472652A (zh) 基于语义引导的少量样本分类方法
CN112529638B (zh) 基于用户分类和深度学习的服务需求动态预测方法及系统
CN114528949A (zh) 一种基于参数优化的电能计量异常数据的识别与补偿方法
CN112381248A (zh) 一种基于深度特征聚类和lstm的配电网故障诊断方法
CN105160598B (zh) 一种基于改进em算法的电网业务分类方法
JP2016194914A (ja) 混合モデル選択の方法及び装置
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN115311449A (zh) 基于类重激活映射图的弱监督图像目标定位分析系统
CN112559741B (zh) 核电设备缺陷记录文本分类方法、系统、介质及电子设备
CN114219228A (zh) 一种基于em聚类算法的体育场疏散评价方法
CN111311025B (zh) 一种基于气象相似日的负荷预测方法
CN117060401A (zh) 新能源功率预测方法、装置、设备和计算机可读存储介质
CN115344693B (zh) 一种基于传统算法和神经网络算法融合的聚类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination