CN114372640A - 一种基于波动序列分类校正的风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于波动序列分类校正的风电功率预测方法，包括：1利用基准模型预测未来N小时内的风电功率基准值；2采用特征聚类的方法划分功率波动过程，从输出功率角度挖掘不同波动序列下气象预报误差和模型泛化误差之间的关联性；3针对出力平缓的小波动序列，采用CNN‑LSTM时序模型1推演未来时段的功率变化；针对非小波动序列，结合CNN‑LSTM时序模型2和反向传播神经网络交互校正双层误差；4将基准功率校正结果重新按照时序组合作为最终风电出力。本发明采取结合时序分析和特征学习的复合方法，实现从多个维度提取特征来修正误差，并贴合实际误差分布规律，确保模型有很好的准确性。

Description

一种基于波动序列分类校正的风电功率预测方法

技术领域

本发明涉及短期风电功率预测技术领域，具体涉及一种基于波动序列分类校正的风电功率预测方法。

背景技术

过去十年，以风电为代表的可再生能源经历了跨越式发展，风电逐步由“辅助电源”向“主力电源”转变。然而，随机波动的风电大规模并入电网，给电网的安全、稳定运行带来了挑战。因此，风电功率的准确预测有利于提高风电的消纳水平，保证电力系统的经济安全调度。目前，短期风电功率的预测方法主要可分为物理方法和统计方法，这些方法高度依赖数值天气预报精度和历史训练样本，尤其对于突发性的天气状况，单一预测方法可能会导致预测结果出现较大偏差。数值天气预报通过建立一系列高维非线性的数学模型来模拟气象的实际变化过程，由于天气系统的不稳定性和数学模型的不完备，对于剧烈的大气运动过程，数值天气预报数据只能近似捕捉未来气象的变化规律。此外，单一的预测方法难以掌握风电波动规律，在未知的数据集上模型存在一定的泛化误差。对风电场历史数据进行异常值监测和调整后，风电功率的预测误差主要源于数值天气预报数据精度不足和模型泛化误差两方面，其中气象预报误差是预测系统误差的主要来源。

针对以上问题，有研究利用数值天气预报中风速序列与实际风速序列间误差的规律性，通过神经网络对风速预报进行修正，减小关键气象特征的误差，提高预测模型的预测精度，但对于气象预报中数据偏差的修正，多数研究往往只选取关键气象因素如风速、风向进行修正，未考虑到整体的气象变动，数据的精细化程度有待提高。

目前，考虑整体性的校正策略和适用多种场景的组合模型成为研究热点，为风电功率预测提供新的思路。有研究通过机器学习算法联合基准预测推演整体气象变化规律，逐点校正基准值，但在误差修正环节没有区分气象预报误差与模型泛化误差，在部分时段预测准确率有所欠缺。因此，结合实时气象和算法模型的误差修正过程，动态校正功率基准值，提高模型在气象因素急剧变化时刻的预测精度是急需解决的问题。

发明内容

本发明为克服上述现有技术中存在的不足之处，提出一种基于波动序列分类校正的风电功率预测方法，以期能从功率角度挖掘不同波动下气象预报误差和模型泛化误差之间的联系，采取针对性结合时序分析和特征学习的复合方法，实现从多个维度提取特征来修正误差，从而提高风电模型的预测精度。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于波动序列分类校正的风电功率预测方法的特点是按如下步骤进行：

步骤一、选取包含l种实测气象特征，l种数值天气预报特征以及与所述实测气象特征对应的历史实际风电功率数据的n个历史样本组成的样本集，并对所述样本集进行归一化处理，得到维度为n×l的实测气象特征集合X_n×l，维度为n×l的数值天气预报特征集合Y_n×l和n个历史样本的实际功率序列P；

步骤二、利用维度为n×l的历史实测气象特征集合X_n×l和n个历史样本的实际功率序列P训练反向传播神经网络，并建立气象数据和波动功率之间的基准模型；

步骤三、针对基准模型的预测结果和预测误差，对所述预测结果进行划分，同时对所述预测误差采取数据驱动策略进行校正：

步骤3.1、利用式(1)、式(2)、式(3)从输出功率角度定义气象预报误差和模型泛化误差的所属范围：

w_nwp＝f_r-f_nwp (1)

w_m＝f_t-f_r (2)

w＝w_nwp+w_m (3)

式(1)、式(2)、式(3)中，f_r表示以实测气象特征为输入的基准模型的预测值，f_nwp表示以数值天气预报特征为输入的基准模型的预测值，f_t表示实际的风电功率值，w_nwp表示气象预报误差，w_m表示模型泛化误差，w表示基准模型预测结果的整体误差，即以归一化后的历史数值天气预报特征为输入的基准模型的预测值与对应时刻的风电功率实际值之间的偏差；

步骤3.2、采用特征聚类的方法对n个历史样本的实际功率序列P进行划分，并得到波动序列，再利用式(4)和式(5)识别波动序列的四种功率波动过程：

式(4)和式(5)中，P_{max_1},P_{max_2}为波动过程内去除气象扰动的所有峰值进行降序排序后的前2个峰值；G为波动类别，P_max为波动过程内的最大峰值，K为峰值比，ε₁为功率低出力的判别阈值，ε₂为功率高出力的判别阈值，K′为峰值比的阈值；

步骤3.3、从波动序列中提取小波动过程，并按照时序组合为小波动序列，其余波动过程按照时序组合为非小波动序列；

步骤3.4、选取小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征中归一化的风速序列和小波动序列所在历史时期中任意一时刻T之前Z小时内的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的三个输入，以选取小波动序列所在历史时期中任意一时刻T的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的输出，从而利用小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型1，并得到训练后的CNN-LSTM时序模型1；

步骤3.5、选取非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的模型泛化误差和非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的气象预报误差作为CNN-LSTM时序模型2的三个输入，以选取非小波动序列所在历史时期中任意一时刻T′的气象预报误差作为CNN-LSTM时序模型2的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型2，并得到训练后的CNN-LSTM时序模型2；

步骤3.6、利用式(6)从非小波动序列所在历史时期的数值天气预报特征集合V_m×l中筛选出与非小波动序列所在历史时期的模型泛化误差y有强相关性的特征，：

式(6)中，r_s为非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征与非小波动序列所在历史时期的模型泛化误差y之间的Pearson相关系数，s＝1,…,l；

表示非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征V_s的平均值；

表示非小波动序列所在历史时期的模型泛化误差y的平均值；m为非小波动序列所在历史时期中的样本个数；V_ps表示非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征的第p个样本值；y_p表示非小波动序列所在历史时期的模型泛化误差y的第p个样本值；

步骤3.7、将Pearson相关系数的绝对值|r_s|按照降序排序，选取其中前q个特征作为对泛化误差有强相关性的数值天气预报特征；

步骤3.8、选取非小波动序列所在历史时期中的数值天气预报特征经过所述基准模型后输出的风电功率预测值、非小波动序列所在历史时期中的气象预报误差和对泛化误差有强相关性的数值天气预报特征作为反向传播神经网络的三个输入，以选取非小波动序列所在历史时期中的模型泛化误差作为反向传播神经网络的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练反向传播神经网络，并得到训练后的反向传播神经网络；

步骤四、当前待预测时段的数值天气预报特征Y′输入所述基准模型中，预测得到当前待预测时段的风电功率基准值；

步骤五、对当前待预测时段的风电功率基准值划分出波动序列，并匹配对应的校正模型，用于校正基准模型的预测误差：

步骤5.1、对当前待预测时段的风电功率基准值进行划分，得到当前待预测时段的波动序列，并从中提取当前待预测时段的小波动序列和非小波动序列；

步骤5.2、采用训练后的CNN-LSTM时序模型1滚动推移校正小波动序列：

步骤5.2.1、定义小波动序列的单次预测范围为[t₁,t_z]，定义变量t_j∈[t₁,t_z]，j＝1,…,z；

步骤5.2.2、以t_j时刻之前Z小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、t_j时刻之前Z小时内的数值天气预报特征中归一化的风速序列和t_j时刻之前Z小时内的基准模型预测结果的整体误差分别作为训练后的CNN-LSTM时序模型1的三个输入，从而推演输出t_j时刻的基准模型预测结果的整体误差w_j；

步骤5.2.3、将j+1赋值给j后，判断j>z是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.3顺序执行，否则，返回步骤5.2.2顺序执行；

步骤5.3、采用训练后的CNN-LSTM时序模型2和反向传播神经网络交互校正非小波动序列：

步骤5.3.1、定义非小波动序列的单次预测范围为[t₁,t_n]，变量t_i∈[t₁,t_n]，i＝1,…,n；

步骤5.3.2、以t_i时刻之前Z′小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、模型泛化误差和气象预报误差分别作为训练后的CNN-LSTM时序模型2的三个输入，从而推演输出t_i时刻的气象预报误差w_{nwp_i}；

步骤5.3.3、以t_i时刻的数值天气预报特征经过所述基准模型后输出的风电功率预测值、t_i时刻的气象预报误差w_{nwp_i}和t_i时刻对泛化误差有强相关性的数值天气预报特征作为训练后的反向传播神经网络的输入，从而输出t_i时刻的模型泛化误差w_{m_i}；

步骤5.3.4、将i+1赋值给i后，判断i>n是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.4顺序执行，否则，返回步骤5.3.2顺序执行；

步骤5.4、将当前待预测时段的风电功率基准值与整体误差叠加作为小波动序列的基准功率校正结果；将当前待预测时段的风电功率基准值与气象预报误差和模型泛化误差叠加作为对于非小波动序列的基准功率校正结果；

步骤5.5、将小波动序列和非小波动序列的基准功率校正结果重新按照时序组合后作为最终风电出力。

与已有技术相比，本发明的有益效果体现在：

1本发明基于风电功率基准值划分波动序列，有利于误差的校正，综合分析了不同波动序列下的误差状况，辨别功率小波动过程，将相应的功率波动按照时序重组为小波动序列和非小波动序列，不同波动序列采取对应的校正策略，提高了风电功率的校正精度，避免了整体校正模型难以贴合误差分布规律，预测结果围绕实际功率震荡的情况。

2本发明针对出力平缓的小波动序列，采用CNN-LSTM时序模型分析历史相似场景进行校正，从历史风电信息中筛选关键特征，充分利用了相邻时刻信息跟踪功率波动，推演未来风电出力的变化趋势。

3本发明针对大幅波动的非小波动序列，贯彻数据驱动的理念，结合多尺度特征以时序推演和基于特征学习的方式动态校正基准结果，以校正结果实时反馈的方式来贴合实际误差分布规律，提高了模型对于风电波动时段的预测效果。

附图说明

图1为当前待预测时段的风电功率预测流程示意图；

图2为单次预测范围内的双层误差交互校正流程示意图；

图3为夏季部分时段的不同方法的预测结果对比图；

图4为冬季部分时段的不同方法的预测结果对比图。

具体实施方式

本实施例中，一种基于波动序列分类校正的风电功率预测方法是结合多尺度特征提取，挖掘不同波动序列下的误差关联性，特别是在急剧波动时段，凭借交互校正过程中实时误差反馈的方式来贴合实际误差分布规律，动态校正大幅波动时刻的功率基准值，以提高预测方法的准确性与适用性。具体的说，该预测方法按如下步骤进行：

步骤一、选取包含l种实测气象特征，l种数值天气预报特征以及与实测气象特征对应的历史实际风电功率数据的n个历史样本组成的样本集，并对样本集进行归一化处理，得到维度为n×l的实测气象特征集合X_n×l，维度为n×l的数值天气预报特征集合Y_n×l和n个历史样本的实际功率序列P；

步骤二、利用维度为n×l的历史实测气象特征集合X_n×l和n个历史样本的实际功率序列P训练反向传播神经网络，并建立气象数据和波动功率之间的基准模型；

风电功率波动涉及多种气象因素，但过多的输入特征会导致模型训练难度增加。因此，对于基准预测模型，以历史实测的主要气象数据为输入，历史实际风电功率为输出训练反向传播神经网络，建立起气象数据和波动功率之间的映射关系。

步骤三、针对基准模型的预测结果和预测误差，对预测结果进行划分，同时对预测误差采取数据驱动策略进行校正：

步骤3.1、利用式(1)、式(2)、式(3)从输出功率角度定义气象预报误差和模型泛化误差的所属范围：

w_nwp＝f_r-f_nwp (1)

w_m＝f_t-f_r (2)

w＝w_nwp+w_m (3)

式(1)、式(2)、式(3)中，f_r表示以实测气象特征为输入的基准模型的预测值，f_nwp表示以数值天气预报特征为输入的基准模型的预测值，f_t表示实际的风电功率值，w_nwp表示气象预报误差，w_m表示模型泛化误差，w表示基准模型预测结果的整体误差，即以归一化后的历史数值天气预报特征为输入的基准模型的预测值与对应时刻的风电功率实际值之间的偏差，包含气象预报误差和模型泛化误差两部分；

步骤3.2、采用特征聚类的方法对n个历史样本的实际功率序列P进行划分，并得到波动序列，再利用式(4)和式(5)识别波动序列的四种功率波动过程：

式(4)和式(5)中，P_{max_1},P_{max_2}为波动过程内去除气象扰动的所有峰值进行降序排序后的前2个峰值；G为波动类别，P_max为波动过程内的最大峰值，K为峰值比，ε₁为功率低出力的判别阈值，ε₂为功率高出力的判别阈值，K′为峰值比的阈值；

小波动过程中风电出力处于较低水平，气象条件变化不大，数值天气预报数据可以基本预报气象波动，因此基准模型有一定的预测精度；对于中波动和大波动过程，风电出力逐步增加，气象波动逐渐剧烈，数值天气预报数据与真实气象间存在一定差距，模型预测结果会有较大偏差；多峰震荡过程相较中波动和大波动过程，整体持续时间更长，过程中包含多个相仿的波动段，气象条件变化复杂，基准模型难以追踪功率起伏。划分四类波动过程，研究不同波动过程下的误差状况，采取针对性的策略修正对应误差。此外，将波动过程内的峰值大小按照降序排序，极短时间内相邻峰值视为扰动情况，取相邻峰值的均值作为其峰值出力，去除了气象扰动的影响，整个过程中最大的两个峰值记为P_{max_1},P_{max_2}，而P_max是未经扰动处理的波动过程内的最大峰值，因此，P_{max_1}与波动过程内峰值的最大值P_max有所差别。

步骤3.3、从波动序列中提取小波动过程，并按照时序组合为小波动序列，其余波动过程按照时序组合为非小波动序列；

小波动序列中，模型可以较好地拟合数据，误差集中在气象预报环节，而对于非小波动序列，双层误差不可以忽略，考虑修正气象误差与泛化误差；同时为尽量保持原始序列的完整性，充分利用相邻时刻信息跟踪功率波动，仅辨别功率小波动过程，将相应的功率波动按照时序重组为小波动序列和非小波动序列，分析历史相似场景中气象预报偏差对于小波动序列的功率基准值的影响，对于非小波动序列，则进一步挖掘双层误差间的关联性，提高模型在大幅波动时刻的准确性。

步骤3.4、选取小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征经过基准模型后输出的风电功率预测值、小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征中归一化的风速序列和小波动序列所在历史时期中任意一时刻T之前Z小时内的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的三个输入，以选取小波动序列所在历史时期中任意一时刻T的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的输出，从而利用小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型1，并得到训练后的CNN-LSTM时序模型1；

时序模型通过分析历史序列的潜在特征与联系，推演未来时段的数据变化。CNN-LSTM模型将多个卷积层和池化层连接来提取数据的内部特征，并将其作为神经网络输入量进行时间序列的预测。其中，CNN模型通过卷积层设置不同的卷积核逐层挖掘数据间的内在联系，池化层从中逐一提取重要特征，在简化特征维度的同时增强模型的预测能力；LSTM网络则对于相关信息进行筛选，利用历史信息去预测未来变化趋势。

步骤3.5、选取非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的数值天气预报特征经过基准模型后输出的风电功率预测值、非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的模型泛化误差和非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的气象预报误差作为CNN-LSTM时序模型2的三个输入，以选取非小波动序列所在历史时期中任意一时刻T′的气象预报误差作为CNN-LSTM时序模型2的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型2，并得到训练后的CNN-LSTM时序模型2；

气象误差的校正结果联合功率基准值，作为实时特征送入泛化误差的修正模型中，可以起到标记波动类型的作用，在快速修正误差的同时，避免校正模型的分类；此外，气象因素的波动规律不易把握，而在功率的波峰、波谷时段实时气象变化明显，泛化误差的正负在标记出力时刻的同时，其数值大小从侧面反映实时气象波动的剧烈程度，融合标记特征和量化特征。此外，时间序列推移过程中，随着预测步长的增加，时间序列的依赖关系将下降，预测误差会逐步提高。通过将贴合实际的泛化误差反馈给时序模型，选取实时特征作为输入，可以有效减少误差的累积，加强时序模型捕捉未来气象的预报偏差对于功率基准值的影响。因此，对于非小波动序列，双层误差具有一定的关联性，使用双层误差的校正结果交互反馈，提高模型在气象因素大幅波动时刻的预测精度。

步骤3.6、利用式(6)从非小波动序列所在历史时期的数值天气预报特征集合V_m×l中筛选出与非小波动序列所在历史时期的模型泛化误差y有强相关性的特征，：

式(6)中，r_s为非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征与非小波动序列所在历史时期的模型泛化误差y之间的Pearson相关系数，s＝1,…,l；

表示非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征V_s的平均值；

表示非小波动序列所在历史时期的模型泛化误差y的平均值；m为非小波动序列所在历史时期中的样本个数；V_ps表示非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征的第p个样本值；y_p表示非小波动序列所在历史时期的模型泛化误差y的第p个样本值；

步骤3.7、将Pearson相关系数的绝对值|r_s|按照降序排序，选取其中前q个特征作为对泛化误差有强相关性的数值天气预报特征；

由于数值天气预报特征中包含众多气象特征，模型泛化误差与这些特征之间关联性不同，从中筛选强相关特征，可以简化模型结构以及加快模型训练速度。此外，Pearson相关系数可以用来衡量变量之间的相关性，其取值范围为[-1,1]，当相关系数大于零时，两变量正相关，当相关系数小于零时则负相关，相关系数的绝对值越大，变量间的相关程度越高，可以利用Pearson相关系数对模型输入特征进行选择和校验。

步骤3.8、选取非小波动序列所在历史时期中的数值天气预报特征经过基准模型后输出的风电功率预测值、非小波动序列所在历史时期中的气象预报误差和对泛化误差有强相关性的数值天气预报特征作为反向传播神经网络的三个输入，以选取非小波动序列所在历史时期中的模型泛化误差作为反向传播神经网络的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练反向传播神经网络，并得到训练后的反向传播神经网络；

步骤四、当前待预测时段的数值天气预报特征Y′输入基准模型中，预测得到当前待预测时段的风电功率基准值；

在预测当前待预测时段的风电功率时，由于实测的气象特征未知，以数值天气预报特征作为模型输入确定功率基准值，当前待预测时段的风电功率预测流程示意图如图1所示。

步骤五、对当前待预测时段的风电功率基准值划分出波动序列，并匹配对应的校正模型，用于校正基准模型的预测误差：

步骤5.1、对当前待预测时段的风电功率基准值进行划分，得到当前待预测时段的波动序列，并从中提取当前待预测时段的小波动序列和非小波动序列；

步骤5.2、采用训练后的CNN-LSTM时序模型1滚动推移校正小波动序列：

步骤5.2.1、定义小波动序列的单次预测范围为[t₁,t_z]，变量t_j∈[t₁,t_z]，j＝1,…,z；

步骤5.2.2、以t_j时刻之前Z小时内的数值天气预报特征经过基准模型后输出的风电功率预测值、t_j时刻之前Z小时内的数值天气预报特征中归一化的风速序列和t_j时刻之前Z小时内的基准模型预测结果的整体误差分别作为训练后的CNN-LSTM时序模型1的三个输入，从而推演输出t_j时刻的基准模型预测结果的整体误差w_j；

步骤5.2.3、将j+1赋值给j后，判断j>z是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.3顺序执行，否则，返回步骤5.2.2顺序执行；

在CNN-LSTM时序模型1的训练过程中，基准模型预测结果的整体误差、数值天气预报特征经过基准模型后输出的风电功率预测值和数值天气预报特征中归一化的风速序列是可以从历史数据中获取的，因此采取单点输出的方式训练模型，而在当前待预测时段的单次预测范围内，实际基准模型预测结果的整体误差无法获取，只能采取滚动推移校正的方式，以当前第j个待预测时刻的基准模型预测结果的整体误差代替实际的基准模型预测结果的整体误差，输入第j+1个预测时刻的训练后的CNN-LSTM时序模型1中进行小波动序列的误差校正，而其余的模型输入可以通过当前时段的数值天气预报特征获取，从而完成完成单次预测范围内的误差校正。

步骤5.3、采用训练后的CNN-LSTM时序模型2和反向传播神经网络交互校正非小波动序列：

步骤5.3.1、定义非小波动序列的单次预测范围为[t₁,t_n]，变量t_i∈[t₁,t_n]，i＝1,…,n；

步骤5.3.2、以t_i时刻之前Z′小时内的数值天气预报特征经过基准模型后输出的风电功率预测值、模型泛化误差和气象预报误差分别作为训练后的CNN-LSTM时序模型2的三个输入，从而推演输出t_i时刻的气象预报误差w_{nwp_i}；

步骤5.3.3、以t_i时刻的数值天气预报特征经过基准模型后输出的风电功率预测值、t_i时刻的气象预报误差w_{nwp_i}和t_i时刻对泛化误差有强相关性的数值天气预报特征作为训练后的反向传播神经网络的输入，从而输出t_i时刻的模型泛化误差w_{m_i}；

步骤5.3.4、将i+1赋值给i后，判断i>n是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.4顺序执行，否则，返回步骤5.3.2顺序执行；

在CNN-LSTM时序模型2的训练过程中，数值天气预报特征经过基准模型后输出的风电功率预测值、模型泛化误差和气象预报误差是可以从历史数据中获取的，因此采取单点输出的方式训练模型；在反向传播神经网络的训练过程中，数值天气预报特征经过基准模型后输出的风电功率预测值、气象预报误差和对泛化误差有强相关性的数值天气预报特征是可以从历史数据中获取的，因此采取基于特征学习的方式训练模型；而在当前待预测时段的单次预测范围内，由于模型泛化误差和气象预报误差无法获取，只能采用交互校正的方式，以时序模型2输出t_i时刻的气象预报误差，以t_i时刻的气象预报误差作为反向传播神经网络的输入，输出t_i时刻的模型泛化误差，循环迭代，直至完成单次预测范围内的误差校正。单次预测范围内的非小波动序列交互校正的流程示意图如图2所示，由于双层误差间的关联性，双层误差的校正结果实时反馈给修正模型来应对气象因素的大幅度波动。

步骤5.4、将当前待预测时段的风电功率基准值与整体误差叠加作为小波动序列的基准功率校正结果；将当前待预测时段的风电功率基准值与气象预报误差和模型泛化误差叠加作为对于非小波动序列的基准功率校正结果；

步骤5.5、将小波动序列和非小波动序列的基准功率校正结果重新按照时序组合后作为最终风电出力。

突发性天气状况给气象预报和风电功率预测都带来不小的挑战，因此在对数据样本进行划分时，选择夏季和冬季作为典型季节，为验证本文所提方法的优越性，选取以下四种方法结合实际功率进行比较，夏季和冬季部分时段内的对比结果如图3，图4所示。方法一：采用当前待预测时段的数值天气预报特征作为基准模型的输入，预测相应时段的功率基准值；方法二：不划分波动序列，采用双层误差交互校正的方法修正完整序列，校正结果作为风电出力；方法三：不划分波动序列，采用CNN-LSTM模型修正完整序列，校正结果作为风电出力；方法四：划分波动序列，采用CNN-LSTM模型修正小波动序列，利用双层误差交互校正的方法修正非小波动序列，最后，校正结果按照时序重组作为风电出力。

综上，本发明基于功率基准值划分功率序列，不同波动序列匹配对应的误差校正策略，提高模型的校正精度，其中，采用时序模型CNN-LSTM提取历史序列的内在特征，分析历史相似场景推演小波动序列误差；对于双层误差耦合度高的非小波动序列，结合多尺度特征提取，在交互校正过程中校正结果互为新的特征维度添加到修正模型当中，共同推演误差变化趋势，避免了气象误差逐一校正的复杂性，同时，对于实时特征难以提取的场景，挖掘气象误差与模型泛化误差之间的关联性，采取实时反馈的方式，提高模型在气象因素大幅波动时刻的预测效果。

Claims (1)

1.一种基于波动序列分类校正的风电功率预测方法，其特征是按如下步骤进行：

步骤一、选取包含l种实测气象特征，l种数值天气预报特征以及与所述实测气象特征对应的历史实际风电功率数据的n个历史样本组成的样本集，并对所述样本集进行归一化处理，得到维度为n×l的实测气象特征集合X_n×l，维度为n×l的数值天气预报特征集合Y_n×l和n个历史样本的实际功率序列P；

步骤二、利用维度为n×l的历史实测气象特征集合X_n×l和n个历史样本的实际功率序列P训练反向传播神经网络，并建立气象数据和波动功率之间的基准模型；

步骤三、针对基准模型的预测结果和预测误差，对所述预测结果进行划分，同时对所述预测误差采取数据驱动策略进行校正：

步骤3.1、利用式(1)、式(2)、式(3)从输出功率角度定义气象预报误差和模型泛化误差的所属范围：

w_nwp＝f_r-f_nwp (1)

w_m＝f_t-f_r (2)

w＝w_nwp+w_m (3)

式(1)、式(2)、式(3)中，f_r表示以实测气象特征为输入的基准模型的预测值，f_nwp表示以数值天气预报特征为输入的基准模型的预测值，f_t表示实际的风电功率值，w_nwp表示气象预报误差，w_m表示模型泛化误差，w表示基准模型预测结果的整体误差，即以归一化后的历史数值天气预报特征为输入的基准模型的预测值与对应时刻的风电功率实际值之间的偏差；

步骤3.2、采用特征聚类的方法对n个历史样本的实际功率序列P进行划分，并得到波动序列，再利用式(4)和式(5)识别波动序列的四种功率波动过程：

式(4)和式(5)中，P_{max_1},P_{max_2}为波动过程内去除气象扰动的所有峰值进行降序排序后的前2个峰值；G为波动类别，P_max为波动过程内的最大峰值，K为峰值比，ε₁为功率低出力的判别阈值，ε₂为功率高出力的判别阈值，K′为峰值比的阈值；

步骤3.3、从波动序列中提取小波动过程，并按照时序组合为小波动序列，其余波动过程按照时序组合为非小波动序列；

步骤3.4、选取小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征中归一化的风速序列和小波动序列所在历史时期中任意一时刻T之前Z小时内的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的三个输入，以选取小波动序列所在历史时期中任意一时刻T的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的输出，从而利用小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型1，并得到训练后的CNN-LSTM时序模型1；

步骤3.5、选取非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的模型泛化误差和非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的气象预报误差作为CNN-LSTM时序模型2的三个输入，以选取非小波动序列所在历史时期中任意一时刻T′的气象预报误差作为CNN-LSTM时序模型2的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型2，并得到训练后的CNN-LSTM时序模型2；

步骤3.6、利用式(6)从非小波动序列所在历史时期的数值天气预报特征集合V_m×l中筛选出与非小波动序列所在历史时期的模型泛化误差y有强相关性的特征，：

式(6)中，r_s为非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征与非小波动序列所在历史时期的模型泛化误差y之间的Pearson相关系数，s＝1,…,l；

表示非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征V_s的平均值；

表示非小波动序列所在历史时期的模型泛化误差y的平均值；m为非小波动序列所在历史时期中的样本个数；V_ps表示非小波动序列所在历史时期的数值天气预报特征集合V_m×l中第s个特征的第p个样本值；y_p表示非小波动序列所在历史时期的模型泛化误差y的第p个样本值；

步骤3.7、将Pearson相关系数的绝对值|r_s|按照降序排序，选取其中前q个特征作为对泛化误差有强相关性的数值天气预报特征；

步骤3.8、选取非小波动序列所在历史时期中的数值天气预报特征经过所述基准模型后输出的风电功率预测值、非小波动序列所在历史时期中的气象预报误差和对泛化误差有强相关性的数值天气预报特征作为反向传播神经网络的三个输入，以选取非小波动序列所在历史时期中的模型泛化误差作为反向传播神经网络的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练反向传播神经网络，并得到训练后的反向传播神经网络；

步骤四、当前待预测时段的数值天气预报特征Y′输入所述基准模型中，预测得到当前待预测时段的风电功率基准值；

步骤五、对当前待预测时段的风电功率基准值划分出波动序列，并匹配对应的校正模型，用于校正基准模型的预测误差：

步骤5.1、对当前待预测时段的风电功率基准值进行划分，得到当前待预测时段的波动序列，并从中提取当前待预测时段的小波动序列和非小波动序列；

步骤5.2、采用训练后的CNN-LSTM时序模型1滚动推移校正小波动序列：

步骤5.2.1、定义小波动序列的单次预测范围为[t₁,t_z]，定义变量t_j∈[t₁,t_z]，j＝1,…,z；

步骤5.2.2、以t_j时刻之前Z小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、t_j时刻之前Z小时内的数值天气预报特征中归一化的风速序列和t_j时刻之前Z小时内的基准模型预测结果的整体误差分别作为训练后的CNN-LSTM时序模型1的三个输入，从而推演输出t_j时刻的基准模型预测结果的整体误差w_j；

步骤5.2.3、将j+1赋值给j后，判断j>z是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.3顺序执行，否则，返回步骤5.2.2顺序执行；

步骤5.3、采用训练后的CNN-LSTM时序模型2和反向传播神经网络交互校正非小波动序列：

步骤5.3.1、定义非小波动序列的单次预测范围为[t₁,t_n]，变量t_i∈[t₁,t_n]，i＝1,…,n；

步骤5.3.2、以t_i时刻之前Z′小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、模型泛化误差和气象预报误差分别作为训练后的CNN-LSTM时序模型2的三个输入，从而推演输出t_i时刻的气象预报误差w_{nwp_i}；

步骤5.3.3、以t_i时刻的数值天气预报特征经过所述基准模型后输出的风电功率预测值、t_i时刻的气象预报误差w_{nwp_i}和t_i时刻对泛化误差有强相关性的数值天气预报特征作为训练后的反向传播神经网络的输入，从而输出t_i时刻的模型泛化误差w_{m_i}；

步骤5.3.4、将i+1赋值给i后，判断i>n是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.4顺序执行，否则，返回步骤5.3.2顺序执行；

步骤5.4、将当前待预测时段的风电功率基准值与整体误差叠加作为小波动序列的基准功率校正结果；将当前待预测时段的风电功率基准值与气象预报误差和模型泛化误差叠加作为对于非小波动序列的基准功率校正结果；

步骤5.5、将小波动序列和非小波动序列的基准功率校正结果重新按照时序组合后作为最终风电出力。

Images