CN114298132A - 风电功率预测方法及装置、电子设备 - Google Patents

Abstract

本公开提供一种风电功率预测方法及装置。所述方法包括：基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据；将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量；基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组；采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。可以有效提高风电短期预测精度。

Description

风电功率预测方法及装置、电子设备

技术领域

本公开属于风电功率预测技术领域，具体涉及一种风电功率预测方法及装置、电子设备。

背景技术

近年来随着新能源发电技术的不断发展，风电装机容量日渐提升，风力发电作为一种可再生能源，已成为发电的重要组成部分。然而，由于天气条件不确定的原因，使得风电功率具有强烈的波动性、随机性和间歇性，不利于电力系统的安全稳定运行。在风力发电发展的早期阶段，风电场的装机容量较低，因此风力发电的不确定性较大这一特点对电网没有重大影响。然而，近年来，由于我国电网上风力发电装机容量的不断增加，由风电并网所产生的影响，如弃风限电、电压和频率波动等，已逐渐引起了广泛的关注。为了减少负面影响，提高风电消耗能力，如何获得高精度的风电功率预测对减轻风电并网压力、制定合理的调度计划等有着重要意义。

到目前为止，国内外学者在风电功率预测上开展了广泛和深入的研究，各种预测方法不断涌现，并取得了显著成果。风电功率预测方法大致可分为四类：统计方法、物理方法、机器学习方法和组合方法。此外，按不同的时间尺度，风电功率预测可分为超短期预测和短期预测。所谓的超短期并没有一致的标准，一般可认为不超过30min的预测为超短期预测，主要用于风力发电控制、电能质量评估及风电机组机械部件的设计等。短期预测一般可认为是30min～72h的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。

早期应用于风电功率预测的统计预测方法包括自回归滑动平均、卡尔曼滤波和灰色预测等，这些方法需要大量的历史风电场数据来建立预测模型，不适用于刚建立的新风电场，此外，预测误差将随着时间的推移而增加。物理预测方法研究大气运动规律，基于数值天气预报数据，通过求解大气运动动力学方程来预测风电场的风速，结合风机的风速-功率曲线可以在相对较长的时间范围内预测风力发电量，通常用于短期和中长期风功率预测，然而，物理方法需要广泛的气象知识和计算资源来训练模型。近年来，随着人工智能的快速发展，机器学习如人工神经网络、支持向量机、深度学习和集成学习等算法在风电功率预测中应用的数量正不断增加。但是模型的训练需要大量的计算资源，在缺乏足够的预测信息的情况下，机器学习算法的准确性不如一些传统方法。为了克服上述预测方法的缺点并充分利用不同方法的优势，许多研究人员考虑了组合预测方法来获得跟准确的风电功率预测值，并已逐渐成为风电功率的主流预测方法。并组合预测方法可分为两类：(1)基于可变权重的组合方法，通过使用相同的样本数据综合分析不同方法的预测性能，将相应的权重分配给不同的方法，以获得更准确的预测结果。(2)使用数据处理的组合方法，通过数据预处理、特征选择、参数优化、误差校正和其他优化方法提高预测精度。

短期风电功率预测是风电功率预测的一个主要分支，预测精度受数值天气预报数据的预测精度的影响，针对短期风电功率预测提出了多种组合方法，然而，由于地理环境、数值计算模型和其他因素的限制，数值天气预报数据无法在短时间内显著改善。因此，在现有数值天气预报数据精度的基础上，研究如何有效提高短期风电功率预测精度的方法具有重要的意义。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提供一种风电功率预测方法及装置、电子设备。

本公开的一方面，提供一种风电功率预测方法，所述方法包括：

基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据；

将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量；

基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组；

采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。

在一些实施方式中，所述将所述训练集和所述测试集中的风速数据进行波分解，包括：

对于给定的风速序列，分别基于小波变换获得近似分量和细节分量，前者代表低频的高尺度信息，后者代表高频的低尺度信息；

选取小波基coif4应用于风速序列分解，分解层数设置为四层，实现风速序列低频噪声信息的过滤；

对经过滤波后得风速定义“波”的概念如下：从风速序列的左侧局部最小点，向右经过局部最大点，再到右侧的局部最小点的过程被称为完全波。

在一些实施方式中，所述将所述训练集和所述测试集中的风速数据进行特征提取，形成特征向量，包括：

对于每个波，总共定义了六个波特征：相对长度RL、相对高度RH、坡度上升比RRU、坡度下降比RRD、平均值AV和标准偏差SD，计算公式如下所示：

其中，v_A、t_A表示完全波左侧极小值点风速和时刻，v_B、t_B表示完全波极大值点风速和时刻，v_C、t_A表示完全波右侧极小值点风速和时刻，N为所有风速序列样本点，n为特定完全波v_T的风速序列样本点；

对风速的波特征进行量化并形成所述特征向量，表示为f＝{RL、RH、RRU、RRD、AV、SD}。

在一些实施方式中，所述基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组，包括：

采用模糊C均值聚类算法FCM对所述特征向量聚类，并确定最佳匹配波组。

在一些实施方式中，所述采用模糊C均值聚类算法FCM对所述特征向量聚类，包括：

确定不同的聚类数目C，不同波的特征向量被分为C个簇F＝{F₁,F₂,..,F_i,...,F_C}，其中F_i表示类别i的特征向量集，每个簇的聚类中心R＝(R₁,R₂,..,R_i,..,R_C)，其中R_i是F_i的相应聚类中心；

FCM聚类过程用于寻找目标函数的最小值，其表示如下：

其中，d_ij是f_j和R_i之间的欧氏距离，U＝(α_ij)C×M是隶属度矩阵，α_ij是f_j对F_i的隶属度，模糊性参数为m，通常设置为2；f_i表示为特征向量f的第i个样本；

采用改进灰太狼优化算法GWO，以防止FCM在计算聚类中心向量R时陷入局部最优，以迭代方式获得更精确的聚类中心向量，定义了GWO的适应度函数如下所示：

在一些实施方式中，将改进后GWO优化FCM算法称为GFCM模型，具体迭代步骤如下：

步骤1：设置聚类数量C，聚类个数大于等于2，将训练集分为C个波组，其对应的特征向量集表示为F＝{F₁,F₂,..,F_i,...,F_C}；

步骤2：使用DE算法初始化灰太狼集S的位置向量，并给出的最终聚类中心向量组成；

步骤3：计算S中每个灰狼的适应度值，并按适应度值的升序选择前三个灰狼，并对其进行标记；

步骤4：迭代更新每个灰狼的位置向量；

步骤5：返回到步骤3并重新计算每个灰太狼更新后的位置；根据适应值的顺序重新选择前三个灰狼，并将适应值最大的灰狼的位置向量作为FCM算法的聚类中心，并计算到隶属度矩阵U，循环直到迭代过程停止；将获取的FCM聚类中心向量重构为适应值最大的灰狼的位置向量，并返回步骤4，通过重构后的位置向量得到最终的聚类中心，并计算相应的隶属度矩阵；

步骤6：在不同的群集数下重复步骤2至步骤6，群集数范围从2到最大群集数，选择使波群标准值最小的数作为最佳聚类数。

在一些实施方式中，所述确定最佳匹配波组，包括：

计算各波组的隶属度，选择隶属度最大值对应的波组作为最佳匹配波组。

在一些实施方式中，所述采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，包括：

最小二乘支持向量机LS-SVM法回归问题表示为如下约束优化问题：

其中，φ(x_i)为从输入空间到高维特征空间的非线性映射；w为特征空间权重向量；b为偏置量；λ为常数；e_i为对损失函数不敏感的松弛因子，y为输出，x为输入；

为求解上述优化问题，需将约束优化问题变为无约束优化问题，引入拉格朗日函数，将优化问题变换到对偶空间，利用最小二乘法求解得到的LS-SVM回归函数表示如下：

其中，β_i为拉格朗日乘子；

为了更清楚地评价预测模型的预测性能，定义模型评价指标，定义归一化均方根误差和平均绝对误差，计算公式如下：

其中，NRMSE为归一化均方根误差，NMAE为平均绝对误差，N_p为样本数，P_t,for为模型预测值，P_t为实际功率值，P_cap为风电场额定功率；

以风速和风向序列作为输入，风电功率序列作为输出，训练LS-SVM模型，以获得更小的NRMSE和NMAE，将测试样本输入到训练好的模型中，得到LS-SVM模型最终预测结果。

本公开的另一方面，提供一种风电功率预测装置，所述装置包括：

采集模块，用于基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据；

处理模块，用于将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量；

聚类匹配模块，用于基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组；

训练模块，用于采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。

本公开的另一方面，提供一种电子设备，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。

本公开的另一方面，提供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能实现根据前文记载的所述的方法。

本公开的风电功率预测方法及装置，通过波形分割、特征提取、波聚类、波匹配以及使用LS-SVM模型来实现风电功率定向预测。主要贡献是在于介绍了一种划分影响风电功率大小的气象波动的新方法。所选具体实施案例表明，本公开提出的基于波形分割的LS-LSTM组合模型的短期风格电功率预测方法，可以有效提高风电短期预测精度，面对风电功率组合预测中数值天气预报精度不高的问题，保证了风电功率预测的精度，具有较强的应用价值，有利于提升风电并网容量以及提升风电并网系统运行的稳定性。

附图说明

图1为本公开一实施例的风电功率预测方法的流程图；

图2为本公开另一实施例的风电功率预测方法的流程图；

图3为本公开另一实施例的风电功率预测结果示意图；

图4为本公开另一实施例的风电功率预测装置的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。

由于数值预报的原始风速包括不同振幅和持续时间的波动，即风速序列既具有波动性，又具有特殊的周期性，可看作多个不同频率分量的叠加，而短期风电功率的结果在一定程度上与风速的波动趋势有关，为了进一步深入探讨这一点，需要对数值天气过程中风速的波动特征进行深入的研究。考虑数值天气预报数据精度对于风电功率预测的影响，为了有效、充分地提取数值天气预报提供的信息，基于点到点预测的传统思想，提出了一种包含波分解(Wave Decomposition,WD)、特征提取、波聚类、波匹配的系统框架，将风速划分为一系列的最佳波组，基于最小二乘支持向量机(least squares support vector machine，LS-SVM)最终实现短期风电功率预测，结合模块化思想实现风电功率的系统预测，对于减少负面影响，提升风电并网容量以及制定更合理的运行调度计划具有不可忽视的作用。

本实施例选取东北某风电场，该风电场共45台风机，装机容量为90MW。选取数值天气预报数据的采样时间间隔为10分钟，满足本公开提出的波划分要求。同时，还采集了以10分钟的为采样间隔的与数值预报系列对应的实际风电数据，经过数据清理和数据处理后，作为本公开所提出的一种短期风电场功率组合预测系统的训练样本和测试样本。

下文将对本公开的风电功率预测方法进行详细说明。

本实施例的一方面，如图1和图2所示，涉及一种风电功率预测方法S100，所述方法S100包括：

S110、基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据。

具体地，在本步骤中，所选数值天气预报数据的采样时间满足短期风电功率预测要求，所选风电数据需经过数据清理和数据处理后划分训练集和测试集，以便为后续的短期风电功率预测提供数据样本基础，其特征在于，训练样本的数据量应远远大于测试样本数据量。

S120、将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量。

具体地，在本步骤中，对训练集和测试集中的风速数据进行波分解(WaveDivision,WD)和特征提取。利用小波变换(Wavelet Transform,WT)滤除噪声，提取非平稳风速序列的波动趋势，基于波动特性不同，定义不同波动特征，对风速的波形特征进行量化并形成特征向量。

更为具体地，对于给定的风速序列，分别基于小波变换获得近似分量和细节分量，前者代表低频的高尺度信息，后者代表高频的低尺度信息。选取小波基coif4应用于风速序列分解，分解层数设置为四层，实现风速序列低频噪声信息的过滤。对经过滤波后得风速定义“波”的概念如下：从风速序列的左侧局部最小点，向右经过局部最大点，再到右侧的局部最小点的过程被称为完全波。其中，风速系列的极值点可通过导数为零的方式进行标记。

由于每个波的波动特性不同，有必要提取代表波的特征，以便对其进行量化。对于每个波，总共定义了六个波特征：相对长度RL、相对高度RH、坡度上升比RRU、坡度下降比RRD、平均值AV和标准偏差SD，计算公式如下所示：

其中，v_A、t_A表示完全波左侧极小值点风速和时刻，v_B、t_B表示完全波极大值点风速和时刻，v_C、t_A表示完全波右侧极小值点风速和时刻，N为所有风速序列样本点，n为特定完全波v_T的风速序列样本点。

对风速的波特征进行量化并形成所述特征向量，表示为f＝{RL、RH、RRU、RRD、AV、SD}。

S130、基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组。

具体地，在本步骤中，可以采用模糊C均值聚类(Fuzzy C-means,FCM)算法对特征向量聚类，并确定最佳匹配波组，以保证预测模型的准确训练。

更具体地，采用模糊C均值聚类(Fuzzy C-means,FCM)算法对特征向量聚类，FCM作为一种基于梯度下降的搜索算法，具有快速收敛和局部搜索能力。确定不同的聚类数目C，不同波的特征向量被分为C个簇F＝{F₁,F₂,..,F_i,...,F_C}，其中F_i表示类别i的特征向量集，每个簇的聚类中心R＝(R₁,R₂,..,R_i,..,R_C)，其中R_i是F_i的相应聚类中心；

FCM聚类过程用于寻找目标函数的最小值，其表示如下：

其中，d_ij是f_j和R_i之间的欧氏距离，U＝(α_ij)C×M是隶属度矩阵，α_ij是f_j对F_i的隶属度，模糊性参数为m，通常设置为2。f_i表示为特征向量f的第i个样本。隶属度的值越高，特征向量f_j属于特征向量集F_i的可能性越高。

采用改进灰太狼优化算法GWO，以防止FCM在计算聚类中心向量R时陷入局部最优，以迭代方式获得更精确的聚类中心向量，定义了GWO的适应度函数如下所示：

将改进后GWO优化FCM算法称为GFCM模型，具体迭代步骤如下：

步骤1：设置聚类数量C，聚类个数大于等于2，将训练集分为C个波组，其对应的特征向量集表示为F＝{F₁,F₂,..,F_i,...,F_C}；

步骤2：使用DE算法初始化灰太狼集S的位置向量，并给出的最终聚类中心向量组成；

步骤3：计算S中每个灰狼的适应度值，并按适应度值的升序选择前三个灰狼，并对其进行标记；

步骤4：迭代更新每个灰狼的位置向量；

步骤5：返回到步骤3并重新计算每个灰太狼更新后的位置；根据适应值的顺序重新选择前三个灰狼，并将适应值最大的灰狼的位置向量作为FCM算法的聚类中心，并计算到隶属度矩阵U，循环直到迭代过程停止；将获取的FCM聚类中心向量重构为适应值最大的灰狼的位置向量，并返回步骤4，通过重构后的位置向量得到最终的聚类中心，并计算相应的隶属度矩阵；

步骤6：在不同的群集数下重复步骤2至步骤6，群集数范围从2到最大群集数，选择使波群标准值最小的数作为最佳聚类数。

经过试凑，对于本公开所选案例，选取聚类数C＝12时，效果最好。

为了选择更有效的训练样本并确保预测模型的准确训练，应确定测试集中划分的波所属的最佳波组。计算各波组的隶属度，选择隶属度最大值对应的波组作为最佳匹配波组，针对训练集的不同最佳匹配波组建立了单独的预测模型。

S140、采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。

具体地，在本步骤中，采用LS-SVM将实际问题转换为求解线性方程组，相较于SVM大大提高了求解速度。所述LS-SVM模型预测值，其特征在于，将聚类得到的各波组模型预测值按时间序列进行连接，得到最终的风电功率预测序列。

进一步地，采用深度学习算法，训练LS-SVM模型获得风电功率预测值，支持向量机是一种全新强有力的回归工具，标准的支持向量机(support vector machine，SVM)算法是将一个实际问题转化为一个带不等式约束的二次凸规划问题，而最小二乘–支持向量机(least squares support vector machine，LS-SVM)是将实际问题转化为求解一组线性方程组的问题，简化了计算，提高了收敛速度。最小二乘支持向量机LS-SVM法回归问题表示为如下约束优化问题：

其中，φ(x_i)为从输入空间到高维特征空间的非线性映射；w为特征空间权重向量；b为偏置量；λ为常数；e_i为对损失函数不敏感的松弛因子，y为输出，x为输入。

为求解上述优化问题，需将约束优化问题变为无约束优化问题，引入拉格朗日函数，将优化问题变换到对偶空间，利用最小二乘法求解得到的LS-SVM回归函数表示如下：

其中，β_i为拉格朗日乘子；

为了更清楚地评价预测模型的预测性能，定义模型评价指标，定义归一化均方根误差和平均绝对误差，计算公式如下：

其中，NRMSE为归一化均方根误差，NMAE为平均绝对误差，N_p为样本数，P_t,for为模型预测值，P_t为实际功率值，P_cap为风电场额定功率；

以风速和风向序列作为输入，风电功率序列作为输出，训练LS-SVM模型，以获得更小的NRMSE和NMAE，将测试样本输入到训练好的模型中，得到LS-SVM模型最终预测结果。

为了获得目标时段的连续风电功率序列，将上述模型预测得到的风电功率按时间序列进行连接，得到目标期内的预测结果。通过波浪匹配和波浪定向预测，获得测试集所有目标时段的预测风功率，本公开所选案例最终预测效果见图3，预测效果评价指标见表1。

表1预测效果评价指标

本公开实施例的风电功率预测方法，通过波形分割、特征提取、波聚类、波匹配以及使用LS-SVM模型来实现风电功率定向预测。主要贡献是在于介绍了一种划分影响风电功率大小的气象波动的新方法。所选具体实施案例表明，本公开提出的基于波形分割的LS-LSTM组合模型的短期风格电功率预测方法，可以有效提高风电短期预测精度，面对风电功率组合预测中数值天气预报精度不高的问题，保证了风电功率预测的精度，具有较强的应用价值，有利于提升风电并网容量以及提升风电并网系统运行的稳定性。

本公开的另一方面，如图4所示，提供一种风电功率预测装置100，该装置100可以适用于前文记载的方法，具体可以参考前文相关记载，在此不作赘述。所述装置100包括：

采集模块110，用于基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据；

处理模块120，用于将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量；

聚类匹配模块130，用于基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组；

训练模块140，用于采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。

本公开实施例的风电功率预测装置，通过波形分割、特征提取、波聚类、波匹配以及使用LS-SVM模型来实现风电功率定向预测。主要贡献是在于介绍了一种划分影响风电功率大小的气象波动的新方法。所选具体实施案例表明，本公开提出的基于波形分割的LS-LSTM组合模型的短期风格电功率预测方法，可以有效提高风电短期预测精度，面对风电功率组合预测中数值天气预报精度不高的问题，保证了风电功率预测的精度，具有较强的应用价值，有利于提升风电并网容量以及提升风电并网系统运行的稳定性。

本公开的另一方面，提供一种电子设备，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的方法。

本公开的另一方面，提供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能实现根据前文记载的所述的方法。

其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。

其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或它们任意合适的组合。

其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。

可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (10)

1.一种风电功率预测方法，其特征在于，所述方法包括：

基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据；

将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量；

基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组；

采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。

2.根据权利要求1所述的方法，其特征在于，所述将所述训练集和所述测试集中的风速数据进行波分解，包括：

对于给定的风速序列，分别基于小波变换获得近似分量和细节分量，前者代表低频的高尺度信息，后者代表高频的低尺度信息；

选取小波基coif4应用于风速序列分解，分解层数设置为四层，实现风速序列低频噪声信息的过滤；

对经过滤波后得风速定义“波”的概念如下：从风速序列的左侧局部最小点，向右经过局部最大点，再到右侧的局部最小点的过程被称为完全波。

3.根据权利要求2所述的方法，其特征在于，所述将所述训练集和所述测试集中的风速数据进行特征提取，形成特征向量，包括：

对于每个波，总共定义了六个波特征：相对长度RL、相对高度RH、坡度上升比RRU、坡度下降比RRD、平均值AV和标准偏差SD，计算公式如下所示：

其中，v_A、t_A表示完全波左侧极小值点风速和时刻，v_B、t_B表示完全波极大值点风速和时刻，v_C、t_A表示完全波右侧极小值点风速和时刻，N为所有风速序列样本点，n为特定完全波v_T的风速序列样本点；

对风速的波特征进行量化并形成所述特征向量，表示为f＝{RL、RH、RRU、RRD、AV、SD}。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组，包括：

采用模糊C均值聚类算法FCM对所述特征向量聚类，并确定最佳匹配波组。

5.根据权利要求4所述的方法，其特征在于，所述采用模糊C均值聚类算法FCM对所述特征向量聚类，包括：

确定不同的聚类数目C，不同波的特征向量被分为C个簇F＝{F₁,F₂,..,F_i,...,F_C}，其中F_i表示类别i的特征向量集，每个簇的聚类中心R＝(R₁,R₂,..,R_i,..,R_C)，其中R_i是F_i的相应聚类中心；

FCM聚类过程用于寻找目标函数的最小值，其表示如下：

其中，d_ij是f_j和R_i之间的欧氏距离，U＝(α_ij)C×M是隶属度矩阵，α_ij是f_j对F_i的隶属度，模糊性参数为m，通常设置为2；f_i表示为特征向量f的第i个样本；

采用改进灰太狼优化算法GWO，以防止FCM在计算聚类中心向量R时陷入局部最优，以迭代方式获得更精确的聚类中心向量，定义了GWO的适应度函数如下所示：

6.根据权利要求5所述的方法，其特征在于，将改进后GWO优化FCM算法称为GFCM模型，具体迭代步骤如下：

步骤1：设置聚类数量C，聚类个数大于等于2，将训练集分为C个波组，其对应的特征向量集表示为F＝{F₁,F₂,..,F_i,...,F_C}；

步骤2：使用DE算法初始化灰太狼集S的位置向量，并给出的最终聚类中心向量组成；

步骤3：计算S中每个灰狼的适应度值，并按适应度值的升序选择前三个灰狼，并对其进行标记；

步骤4：迭代更新每个灰狼的位置向量；

步骤5：返回到步骤3并重新计算每个灰太狼更新后的位置；根据适应值的顺序重新选择前三个灰狼，并将适应值最大的灰狼的位置向量作为FCM算法的聚类中心，并计算到隶属度矩阵U，循环直到迭代过程停止；将获取的FCM聚类中心向量重构为适应值最大的灰狼的位置向量，并返回步骤4，通过重构后的位置向量得到最终的聚类中心，并计算相应的隶属度矩阵；

步骤6：在不同的群集数下重复步骤2至步骤6，群集数范围从2到最大群集数，选择使波群标准值最小的数作为最佳聚类数。

7.根据权利要求6所述的方法，其特征在于，所述确定最佳匹配波组，包括：

计算各波组的隶属度，选择隶属度最大值对应的波组作为最佳匹配波组。

8.根据权利要求1至3任一项所述的方法，其特征在于，所述采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，包括：

最小二乘支持向量机LS-SVM法回归问题表示为如下约束优化问题：

其中，φ(x_i)为从输入空间到高维特征空间的非线性映射；w为特征空间权重向量；b为偏置量；λ为常数；e_i为对损失函数不敏感的松弛因子，y为输出，x为输入；

为求解上述优化问题，需将约束优化问题变为无约束优化问题，引入拉格朗日函数，将优化问题变换到对偶空间，利用最小二乘法求解得到的LS-SVM回归函数表示如下：

其中，β_i为拉格朗日乘子；

为了更清楚地评价预测模型的预测性能，定义模型评价指标，定义归一化均方根误差和平均绝对误差，计算公式如下：

其中，NRMSE为归一化均方根误差，NMAE为平均绝对误差，N_p为样本数，P_t,for为模型预测值，P_t为实际功率值，P_cap为风电场额定功率；

以风速和风向序列作为输入，风电功率序列作为输出，训练LS-SVM模型，以获得更小的NRMSE和NMAE，将测试样本输入到训练好的模型中，得到LS-SVM模型最终预测结果。

9.一种风电功率预测装置，其特征在于，所述装置包括：

采集模块，用于基于预设的采样时间间隔，采集数值天气预报数据以及与所述数值天气预报数据相对应的实际风电功率数据，将所述数值天气预报数据和所述实际风电功率数据划分为训练集和测试集；其中，所述数值天气预报数据包括风速数据；

处理模块，用于将所述训练集和所述测试集中的风速数据进行波分解和特征提取，形成特征向量；

聚类匹配模块，用于基于所述特征向量实现波聚类与波匹配，确定最佳匹配波组；

训练模块，用于采用深度学习算法，将得到的最佳波组下的风速和风向序列作为输入，风电功率序列作为输出，训练最小二乘支持向量机模型，以利用训练好的最小二乘支持向量机模型对风电功率进行预测。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据权利要求1至8任一项所述的方法。

Images