CN115081681B

CN115081681B - 一种基于prophet算法的风电功率预测方法

Info

Publication number: CN115081681B
Application number: CN202210583005.6A
Authority: CN
Inventors: 郑雅涵; 蒋棹骏; 刘祎泽; 唐清苇; 向月
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2022-05-25
Filing date: 2022-05-25
Publication date: 2023-05-02
Anticipated expiration: 2042-05-25
Also published as: CN115081681A

Abstract

本发明公开了一种基于prophet算法的风电功率预测方法，主要解决现有预测方法适用的时间序列数据局限性较大，模型的灵活性不足的问题。该预测方法包括如下步骤：(S1)基于prophet算法确定影响风电功率的时间序列因素；(S2)建立每个时间序列因素对时间序列数据的影响模型；(S3)根据影响模型建立风电功率预测时间序列模型。通过上述方法，本发明采用适合于具有季节性影响的时间序列和具有多个季节的历史数据的prophet算法，与风电功率具有明显周期季节性数据相适配，可以深度挖掘风电数据的周期性因素，并据此提高预测的精确度。因此，适宜推广应用。

Description

一种基于prophet算法的风电功率预测方法

技术领域

本发明属于风电预测技术领域，具体地说，是涉及一种基于prophet算法的风电功率预测方法。

背景技术

能源危机和环境问题的日益凸显，低成本、清洁、可再生的风电能源将是我们今后的不二选择。然而现阶段，风电存在最主要的问题是随着风电并网的规模不断扩大，大多数风电场往往无法提供准确的风电功率预测数据，继而导致各个省份的调度部门无法制定准确可靠的发电计划，最后导致风电并网后对电网稳定运行造成冲击，引发电网波动。基于此如何准确的对风电功率进行预测，则是当下国内外研究的热点。

近年来，众多学者针对风电预测问题上进行了研究，其方法主要分为物理方法、统计方法、学习方法。物理方法通过采用数值天气预报(NWP)模型预测风速，通常将其结果作为其他统计模型的输人量或用于新建风电场的功率预测。统计和学习方法通常不考虑风速变化的物理过程，而是在历史统计数据与风电场输出功率之间建立一种映射关系进行预测而是在历史统计数据与风电场输出功率之间建立一种映射关系进行预测。常见的统计和学习方法包括卡尔曼滤波法，人工神经网络法，小波分解法，支持向量机法、概率预测法，混沌预测法等。

经过对比分析，发现目前物理方法及固有的学习算法适用的时间序列数据局限性较大，模型的灵活性不足，而LSTM预测学习算法相较于其他算法有更好的预测效果，但依然存在一些不足：Lstm处理序列不能任意长且训练复杂度高。

发明内容

本发明的目的在于提供一种基于prophet算法的风电功率预测方法，主要解决现有预测方法适用的时间序列数据局限性较大，模型的灵活性不足的问题。

为实现上述目的，本发明采用的技术方案如下：

一种基于prophet算法的风电功率预测方法，包括如下步骤：

(S1)基于prophet算法确定影响风电功率的时间序列因素；

(S2)建立每个时间序列因素对时间序列数据的影响模型；

(S3)根据影响模型建立风电功率预测时间序列模型。

进一步地，在本发明中，所述时间序列因素包括趋势项、周期项、节假日项和误差项；即所述风电功率预测时间序列模型的表达式为：

y(t)＝g(t)+s(t)+h(t)+∈(t)

其中，y(t)表示风电功率预测时间序列函数；

g(t)为趋势项影响模型函数，所述趋势项用于反映时间序列的非周期性变化；

s(t)为周期项影响模型函数，所述周期项用于反映时间序列的周期性变化；

h(t)为节假日项影响模型函数，所述节假日项用于反映由不规律的节假日所产生的影响；

∈(t)为误差项影响模型函数，所述误差项用于反映未考虑因素对时间序列所造成的影响。

进一步地，在本发明中，所述趋势项影响模型函数g(t)的表达式为：

g(t)＝(k+a(t)^Tδ)t+(m+a(t)^Tγ)；

其中，k表示模型的增长速率；δ为k的变化量；m为偏移量；t为时间； a(t)为指示函数；a(t)^T为a(t)的转置向量；γ为平滑处理的偏移量。

进一步地，在本发明中，所述周期项影响模型函数s(t)的表达式为：

其中，P代表时间序列中的周期，其参数可以表示为β＝[a1,b1,···,aN, bN]^T，β～Normal(0,σ)。

进一步地，在本发明中，所述节假日项影响模型函数h(t)的表达式为：

h(t)＝Z(t)κ；

其中κ＝(κ1,κ2,···,κL)^T，κ服从于N(0,v2)；Z(t)＝[1(t∈ Dt),···,1(t∈DL)]为解释变量矩阵，用以表示在所探究的时间区间内有L 个节假日，第i个节假日的影响范围。

与现有技术相比，本发明具有以下有益效果：

(1)本发明采用适合于具有季节性影响的时间序列和具有多个季节的历史数据的prophet算法，与风电功率具有明显周期季节性数据相适配，可以深度挖掘风电数据的周期性因素，并据此提高预测的精确度。

(2)本发明采用的prophet算法对数据中的异常值和缺失值以及趋势的强烈变化有着较好的鲁棒性，故当出现极端天气、数值天气预报出现较大偏差等其他误差与失误时仍能保持良好的预测效果。

附图说明

图1为本发明的步骤流程图。

图2为本发明中-实施例中的预测结果图。

图3为本发明中prophet的趋势、每周季节性、每年季节性和每日各时段的预测图。

具体实施方式

下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。

实施例

如图1所示，本发明公开的一种基于prophet算法的风电功率预测方法， prophet是Facebook发布的一个基于时间序列数据的预测算法，该算法在处理时间序列数据方面非常稳健，可以根据存在周期性的数据趋势给出未来预测，同时该算法降低了对时间序列数据分析的门槛，即使对时间序列数据没有深入的研究也可以很好的使用该算法对时间序列数据进行分析预测。

对于风电功率预测，首先根据风电时间季节规律，确定影响风电功率的时间序列因素，主要由趋势项、周期项、节假日项和误差项四个部分组成：

y(t)＝g(t)+s(t)+h(t)+∈(t)

其中，g(t)是趋势项，反映了时间序列的非周期性变化；s(t)是周期项，反映了时间序列的周期性变化，一般情况下以周或年为单位；h(t)是节假日项，反映了由规律的节假日所产生的影响；∈(t)是误差项，反映了上述变量末考虑因素对时间序列所造成的影响，其一般服从于正态分布。

由于时间序列上的风电功率数据存在变点，通过对模型设置变点来提高模型的预测精度，设置变点后g(t)的方程式如下：

g(t)＝(k+a(t)^Tδ)t+(m+a(t)^Tγ)；

其中，k表示模型的增长速率；δ为k的变化量；m为偏移量；t为时间； a(t)为指示函数；a(t)^T为a(t)的转置向量；γ为平滑处理的偏移量，其作用是使函数分段连续。

变点可以改变模型的增长率，从而将趋势变化纳入到模型中。假设对于时间t，存在n个变点，则a(t)＝(a1(t),···,an(t))^T，γ＝(γ1,···,γn)^T；对于某一时刻sj，其偏移量γj，γj＝-sjδj，若时间t≥sj，则aj(t)＝1，否则为0。

对于周期项影响模型函数s(t)，采用傅里叶级数来建立周期性模型：

其中，P代表时间序列中的周期，其参数可以表示为β＝[a1,b1,···,aN, bN]^T，β～Normal(0,σ)，σ为标准差。

除周期性影响因素外，一些非周期的节假日因素也会对时间序列数据产生很大的影响，且地区的节假日都不相同，例如，中国的国庆节、美国的超级碗赛事等。因节假日的长短不同，影响力不同，对时间序列数据的影响程度也会产生区别。

prophet模型在节假日项构造中，将不同的节假日当作相互独立的模型。并且用不同的前后窗口值来表示不同节假日对时间序列数据的影响。令Di表示第i个节假日的前后一段时间，用一个指数函数来表示节假日效应，同时引入参数心，用以表示第i个节假日的影响范围。假定在所探究的时间区间内有L 个节假日，首先生成一个解释变量矩阵：

Z(t)＝[1(t∈Dt),···,1(t∈DL)]

因此节假日项h(t)＝Z(t)κ，其中κ＝(κ1,κ2,···,κL)^T，κ服从于N(0, v2)。与周期项构造类似，可以通过控制v的值来控制节假日效应的影响。当 v变大时，节假日效应对模型的影响增大；当v变小时，节假日效应对模型的影响减小。

由于风电预测高度依赖历史数据，并且对历史数据的准确度要求较高，所以本实施例取数据集的最后十个数据作为测试集，进行风电功率的短期预测，预测未来十天的风电功率。将剩下的数据按照8：2划分为训练集和验证集，即使用2018年1月1日到2020年5月31日的数据进行模型训练，使用2020 年6月1日到2020年12月31日的数据进行模型验证。在选择的数据集上，通过prophet得到分别表示时间序列的预测值、预测值的下界和预测值的上界，预测效果如图2所示。其中，prophet的趋势、每周季节性、每年季节性和每日各时段的预测如图3所示。

通过prophet模型和LSTM模型分别进行预测，并适当调整参数。同时，采用均方根(RMSE)用于检验预测结果，其中：

其中x_i是此时的预测功率值，

是相应的实际功率值，n是数据的数量。

实验结果表明，对于某地区风电的数据预测情况，选择prophet模型中的乘法模型和分段线性趋势模型可以得到较好的预测效果。通过计算机程序计算，使用prophet和LSTM两种模型对风电功率预测精度如表1所示，prophet模型的RMSE为22.50，LSTM模型的RMSE为23.02。可以看到prophet的 RMSE更小，预测误差相对较小。

表1：本发明与LSTM预测模型的均方根结果

	RMSE
		prophet	22.50
LSTM	23.20

实验结果证明了prophet模型在风电功率时序预测上的可行性，且比目前比较优秀的LSTM模型的预测精度更高。

上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims

1.一种基于prophet算法的风电功率预测方法，其特征在于，包括如下步骤：

(S1)根据风电时间季节规律，基于prophet算法确定影响风电功率的时间序列因素；

(S2)建立每个时间序列因素对时间序列数据的影响模型；

(S3)根据影响模型建立风电功率预测时间序列模型；

其中，所述时间序列因素包括趋势项、周期项、节假日项和误差项；即所述风电功率预测时间序列模型的表达式为：

y(t)＝g(t)+s(t)+h(t)+∈(t)

其中，y(t)表示风电功率预测时间序列函数；

∈(t)为误差项影响模型函数，所述误差项用于反映未考虑因素对时间序列所造成的影响；

其中，在进行模型预测时，取数据集的最后十个数据作为测试集，进行风电功率的短期预测，预测未来十天的风电功率，将剩下的数据按照8：2划分为训练集和验证集。

2.根据权利要求1所述的一种基于prophet算法的风电功率预测方法，其特征在于，所述趋势项影响模型函数g(t)的表达式为：

g(t)＝(k+a(t)^Tδ)t+(m+a(t)^Tγ)

其中，k表示模型的增长速率；δ为k的变化量；m为偏移量；t为时间；a(t)为指示函数；a(t)^T为a(t)的转置向量；γ为平滑处理的偏移量。

3.根据权利要求2所述的一种基于prophet算法的风电功率预测方法，其特征在于，所述周期项影响模型函数s(t)的表达式为：

其中，P代表时间序列中的周期，其参数表示为β＝[a1,b1,···,aN,bN]^T，β～Normal(0,σ)，σ为标准差。

4.根据权利要求3所述的一种基于prophet算法的风电功率预测方法，其特征在于，所述节假日项影响模型函数h(t)的表达式为：

h(t)＝Z(t)κ；

其中κ＝(κ1,κ2,···,κL)^T，κ服从于N(0,v2)；Z(t)＝[1(t∈Dt),···,1(t∈DL)]为解释变量矩阵，用以表示在所探究的时间区间内有L个节假日，第i个节假日的影响范围。