CN116029465A - 转折性天气日前风电功率预测方法、装置、介质及设备 - Google Patents
转折性天气日前风电功率预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116029465A CN116029465A CN202310314712.XA CN202310314712A CN116029465A CN 116029465 A CN116029465 A CN 116029465A CN 202310314712 A CN202310314712 A CN 202310314712A CN 116029465 A CN116029465 A CN 116029465A
- Authority
- CN
- China
- Prior art keywords
- weather
- turning
- wind power
- scene
- wind
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 48
- 238000001556 precipitation Methods 0.000 claims description 44
- 230000009897 systematic effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 5
- 238000000576 coating method Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于风电功率预测技术领域，为了解决现有预测算法在小样本条件下难以训练以及极端预测偏差大的问题，提供了一种转折性天气日前风电功率预测方法、装置、介质及设备。其中，转折性天气日前风电功率预测方法包括获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果。其有效降低了极端预测偏差，提高了考虑转折性天气的日前风电功率预测精度。
Description
技术领域
本发明属于风电功率预测技术领域，尤其涉及一种转折性天气日前风电功率预测方法、装置、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
风电功率具有随机性、间歇性和波动性等特点，大量并入电网会导致发用电平衡难度加大、电力系统运行不确定性显著增加，系统安全运行与新能源高效消纳矛盾日益突出。因此，建立高精度、高可靠性的风电功率预测系统可以削弱这些影响，指导电力系统制定科学合理的调度计划、建立风电高效市场交易机制，提升新能源消纳能力。
目前，风电功率预测精度提升措施可以总结为三类：针对预测模型输入、针对预测模型本身和针对预测模型输出。针对模型输入，研究多采用主成分分析、粗糙集、小波分解或经验模态分解等方法对输入信号进行特征提取或分解；针对模型本身，采用粒子群算法、遗传算法等优化方法进行预测模型参数优化；针对模型输出，大多增设误差校正模块。现有方法预测模型输入特征变量固定，例如预测全过程只包括风速、风向等。然而，在天气状况改变后，起主导作用的敏感气象因子也将发生变化，因此固定输入特征变量无法在本质上获得预测精度的提升。另外，转折性天气过程下的功率及气象数据集属于小样本，目前风电预测广泛采用的深度学习算法无法通过训练发挥优势，致使产生较大预测偏差。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种转折性天气日前风电功率预测方法、装置、介质及设备，其能够解决预测算法在小样本条件下难以训练的问题，有效降低极端预测偏差，提高考虑转折性天气的日前风电功率预测精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种转折性天气日前风电功率预测方法。
一种转折性天气日前风电功率预测方法，其包括：
获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；
从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；
利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果；
其中，气象场景与气象敏感特征的匹配关系确定过程为：
根据风电功率预测误差与转折性天气的关系，筛选出多重气象场景下的气象敏感特征，从而确定出各类气象场景与气象敏感特征的匹配关系。
作为一种实施方式，各类气象场景对对应的转折性天气功率预测模型基于各类转折性天气扩充数据集训练得到，所述各类转折性天气扩充数据集基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充得到。
作为一种实施方式，利用相关性分析风电功率预测误差与转折性天气的关系。
作为一种实施方式，利用LSTM网络建立转折性天气功率预测模型。
作为一种实施方式，所述转折性天气包括寒潮天气和系统性降水天气；所述寒潮天气包括多重气象场景中的覆冰场景和大风场景；所述系统性降水天气对应多重气象场景中的系统性降水场景。
作为一种实施方式，大风场景相匹配的气象敏感特征为风波动过程对应的风速；覆冰场景相匹配的气象敏感特征为降水量、气压、温度及风速；系统性降水场景相匹配的气象敏感特征为风速、气压及降水量。
本发明的第二个方面提供一种转折性天气日前风电功率预测装置。
一种转折性天气日前风电功率预测装置，其包括：
气象场景确定模块，其用于获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；
气象敏感特征提取模块，其用于从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；
风电功率预测模块，其用于利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果；
其中，气象场景与气象敏感特征的匹配关系确定过程为：
根据风电功率预测误差与转折性天气的关系，筛选出多重气象场景下的气象敏感特征，从而确定出各类气象场景与气象敏感特征的匹配关系。
作为一种实施方式，各类气象场景对对应的转折性天气功率预测模型基于各类转折性天气扩充数据集训练得到，所述各类转折性天气扩充数据集基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充得到。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述所述的转折性天气日前风电功率预测方法中的步骤。
本发明的第四个方面提供一种电子设备。
一种电子设备，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，所述处理器执行所述程序时实现如上述所述的转折性天气日前风电功率预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
（1）本发明根据风电功率预测误差与转折性天气的关系，优选出多重气象场景下的气象敏感特征作为转折性天气功率预测模型的输入，解决了风电功率预测误差产生机理不清，且风电功率预测精度差的问题，有效境地了极端预测偏差，提高了考虑转折性天气的日前风电功率预测精度。
（2）本发明基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充，解决了训练样本匮乏的问题，实现了各类场景敏感气象因子样本集的扩充且具有较为稳定的效果，从而提高了风电功率预测精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中所提预测方法流程框架图；
图2为本发明实施例中系统性降水场景下风电预测偏差；
图3为本发明实施例中大风场景下风电预测偏差；
图4为本发明实施例中覆冰场景下风电预测偏差；
图5为本发明实施例中吉林某场站5月大风条件对风电出力的影响；
图6是积冰对失速型风机输出功率的影响；
图7是积冰对变速变桨型风机输出功率的影响；
图8为本发明实施例中吉林某场站5月降水对风电出力的影响；
图9为本发明实施例中风速波动过程部分提取结果；
图10为风速小波动过程下对应的功率波动场景；
图11为风速大波动过程下对应的功率波动场景；
图12为本发明实施例中生成对抗网络原理图；
图13为本发明实施例中TimeGAN（Time-series Gen-erative AdversarialNetwork，时间序列生成对抗网络）结构框架；
图14为本发明实施例中TimeGAN训练方案；
图15为本发明实施例中LSTM（Long-Short Term Memory，长短期记忆神经网络）网络结构；
图16为t-SNE（t-distributedstochastic neighbor embedding，T分布随机近邻嵌入）可视化散点图；
图17为PCA（Principal Component Analysis，主成分分析）可视化散点图；
图18为本发明实施例中各模型在大风场景下的预测结果；
图19为本发明实施例中各模型在覆冰场景下的预测结果；
图20为本发明实施例中各模型在系统性降水场景下的预测结果；
图21为大风场景下GRU（Gate Recurrent Unit，一种循环神经网络）与LSTM预测结果对比；
图22为覆冰场景下GRU与LSTM预测结果对比；
图23为系统性降水场景下GRU与LSTM预测结果对比。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种转折性天气日前风电功率预测方法，其包括：
步骤1：获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；
步骤2：从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；
步骤3：利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果；
其中，气象场景与气象敏感特征的匹配关系确定过程为：
根据风电功率预测误差与转折性天气的关系，筛选出多重气象场景下的气象敏感特征，从而确定出各类气象场景与气象敏感特征的匹配关系。
其中，利用相关性分析风电功率预测误差与转折性天气的关系。比如：相关性可采用皮尔森相关系数或是其他相关系数来进行表征。
具体地，各类气象场景对对应的转折性天气功率预测模型基于各类转折性天气扩充数据集训练得到，所述各类转折性天气扩充数据集基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充得到。
在一个或多个实施例中，利用LSTM网络建立转折性天气功率预测模型。
此处需要说明的是，在其他实施例中，转折性天气功率预测模型也可采用其他现有的神经网络模型来实现，此处不再详述。
在本实施例中，所述转折性天气包括寒潮天气和系统性降水天气；所述寒潮天气包括多重气象场景中的覆冰场景和大风场景；所述系统性降水天气对应多重气象场景中的系统性降水场景。
具体地，大风场景相匹配的气象敏感特征为风波动过程对应的风速；覆冰场景相匹配的气象敏感特征为降水量、气压、温度及风速；系统性降水场景相匹配的气象敏感特征为风速、气压及降水量。
本实施例充分考虑了功率数据、气象数据以及卫星云图数据等多源异构数据各自的类型特点，并据此分别选取合适的深度学习方法，实现了多数据源与多学习模型的最优匹配。同时依据气象条件进行样本划分，并利用TimeGAN（时间序列生成对抗网络）算法对实现各类转折性天气小样本数据集进行扩充，提高了预测精度。该方法的预测结果可以为风电场站的检修以及发电计划的制定提供参考。
下面以利用LSTM网络建立转折性天气功率预测模型为例，且结合图1来给出转折性天气功率预测模型的训练过程。
首先分析挖掘风电功率预测误差与转折性天气过程的关系，研究误差波形特征与产生机理。经研究发现，风电功率预测结果出现极端误差的时段几乎都位于转折性天气过程中，原因是转折性天气下的冷热交替频繁、大空间范围内气压差态势变化快等，使得预报结果产生较大的横向位移偏差和纵向幅值偏差，如图2-图4所示，对系统安全稳定运行和风电消纳产生了较大的影响。目前，国内外对转折性天气过程导致风电功率预测产生极端偏差的机理认识尚不明确，无法在预测建模过程中采取针对性的改进措施。因此，实施例首先以寒潮、系统性降水两类代表性转折性天气过程为例分析风电功率预测误差与两类天气过程的关系，研究误差波形特征与产生机理。
寒潮天气过程是一种大范围的强冷空气活动过程，其特点为大幅降温、大风以及时常伴有雨、雪、雾凇、霜冻等。根据国家标准GB/T 21987-2017对于寒潮的定义如下：使某地的日最低（或日平均）气温24 h内降温幅度≥8℃，或48 h内降温幅度≥10℃，而且使该地日最低气温≤4℃的冷空气活动，记为一次寒潮过程。
据统计，80%以上的寒潮过程都会伴随高影响天气，根据空气的干湿特征将寒潮过程分为5类：大风天气降温型、雨雪天气降温型、先雨雪后大风降温型、大风与雨雪同日出现降温型以及先出现大风后雨雪降温型，占比分别为38.3%、30.8%、14.3%、10.5%和6%。其中，影响风电出力的主要因素为大风与叶片覆冰。
大风天气也会造成风机飞车等情况。当风速过大甚至超出切出风速时，风电场风机会出现爬坡、高出力、部分切出或全部切出的情况，如图5所示。如果风机切出规模较大，则会对区域甚至全省的电压、频率调整造成较大影响。此时，若风电功率预测系统未能预测到大风切机情况，则会导致全省及场站的功率预测精度明显不足。
又由图6和图7可知，在相同风速下，风机叶片存在积冰时其输出功率均有所下降。变速变桨型风机在少量积冰时若风速足够大也能够达到额定功率，而变速变桨型风机在严重积冰、失速型风机在叶片覆冰情况下均无法达到额定功率，严重影响了风机输出。因此，若只选择风速、风向数据作为预测模型输入，必将引起较大误差。
系统性降水也即大尺度降水，与局地对流降水相区别，主要是指中尺度以上的系统所带来的降水，如台风、低涡等，由明显的天气系统经过产生，一般持续时间长、强度有起有伏。
系统性降水对风电出力的影响如图8所示。由图8可知，在出现大量降水之前，风电出力随风速的波动产生相应变化，功率与风速波动趋势一致；在降水量峰值附近，功率不再随风速的变化而变化，出现风速增大功率反降的情况；降水过后，功率与风速波动趋势重新恢复到接近同步的状态。因此，系统性降水出现时，风速将不再是影响风电出力的主导因素。
然后本实施例进行气象敏感特征优选，根据上述误差产生机理分析以及气象-风电出力相关性结果验证，各场景气象敏感特征优选原因及结果如下。
本实施例定义了一个风速波动过程为：从风速的某个最小阈值开始，经过一个或多个波峰波谷，最终回到风速最小阈值结束。在只有大风的情况下，风速波动是导致风电出力波动的主要气象因素。因此本实施例将提取无覆冰、无降水时的风速大波动过程及其对应风电出力序列进行样本扩充。通过判断每个风波动过程的风速最大值的大小来提取风速大波动过程。风速大波动过程的风速提取区间如下式。
(1)
其中，是单个风波动过程的最小阈值，是单个波动过程的风速最大值，为风速大波动过程的判别阈值，根据本实施例所选风电场的实际情况，数据归一化后取0.5。
以归一化风速等于0.1作为风速大波动过程的起始判断条件，若区间内存在大于等于0.5的风速数值则被判定为一个风速大波动过程，图9展示了风速大波动过程的部分提取结果。类似的，定义归一化功率为零时为功率大波动过程的起始判断条件，若区间内功率峰值存在大于等于0.5的情况则为功率大波动过程，其余为功率小波动过程。从图10和图11可见，功率大波动过程包括功率爬坡及高出力两种波动类型，功率小波动过程主要呈现低出力的特点，与前述结论一致。由此，大风场景输入特征选为大风波动过程对应的风速。
为验证大风场景下的特征优选结果，利用皮尔森相关系数分析各气象要素与风电功率之间的相关性，皮尔森计算公式如下：
（2）
其中，、为两个时间序列，表示和这两个时间序列的皮尔森相关系数，、分别为两个时间序列的平均值，
n为样本数量，越大，两个时间序列之间的相关性就越强。
大风场景下气象要素与风电出力之间的相关系数如表1所示，由表1可知，风速与功率之间显著相关，其他气象要素与功率之间的相关性较弱，因此选择风速作为大风场景下的模型输入。
表1气象要素与风电出力之间的相关系数
叶片覆冰与气象条件、设备柔性以及积冰对象实际属性(如外形、尺寸)等因素有关，主要由空气温度、风速、空气中的液态水含量和液滴粒径分布驱动。叶片结冰的原因、类型及过程复杂，考虑到本实施例的目的，只需建立冰载荷与风电出力之间的映射关系即可，因此本实施例通过简化Makkonen（马尔可夫过程马尔科度）积冰仿真模型引入温度、风速、气压及降水量4种气象因素来表征风机叶片的积冰量。利用皮尔森相关系数进行验证，如表2所示，发现相关系数气压>气温>风速>降水>湿度>风向，由于降水量与湿度表征同类影响且降水量相关系数更高，因此覆冰场景下的特征优选结果为降水量、气压、温度及风速。
表2气象要素与风电出力之间的相关系数
在系统性降水场景下，气温不再是敏感气象因子，对风电出力影响较小，因此只选取风速、气压以及大尺度降水量3类气象因素作为模型输入。利用皮尔森相关系数进行验证，系统性降水场景下风电出力与各气象要素之间的相关系数如表3所示，可以看出，相比于风向、温度及湿度，风速、降水和气压与风电功率具有更强的相关性。
表3气象要素与风电出力之间的相关系数
然后本实施例进行小样本数据的学习与扩充。
深度学习算法依赖海量标注数据的支持，难以在转折性天气风电功率预测中发挥其优势，因此在预测建模前需进行样本集的扩充。
小样本学习是一种由经验E，任务T和指标P指定的机器学习问题，其中，E中只包含目标任务T的有限监督数据。小样本学习方法大致可分为三类，包括基于数据增强的方法、基于模型改进的方法以及基于算法优化的方法。本实施例选用基于数据增强方法中的生成对抗网络实现样本扩充。
GAN，Generative Adversarial Networks，生成对抗网络，是一种通过对抗过程估计生成模型的新框架，在该框架中同时训练生成器和判别器两个独立深层网络，其原理图如图12所示。在训练过程中，生成器G的目标是尽可能生成真实样本以欺骗判别器D，而判别器D的目标则是尽可能把生成样本与真样本区分开来，这样就构成一个动态博弈过程，通过随机梯度下降法交替迭代训练判别器D和生成器G，最终达到纳什平衡。GAN的目标函数如公式(3)所示，可将其拆解为两个优化问题，如公式(4)。
（3）
（4）
式中：
x表示真实样本；
z表示输入生成器G的噪声；表示生成器G生成的样本；表示判别器D的输出得分，即判别样本是否为真的概率；表示GAN的损失函数；是真实数据服从的概率分布；是随机噪声z服从的概率分布；E表示对应分布的期望值；对数函数的底数，为方便计算，通常取2或自然常数e。
GAN的强大之处在于可以自动学习原始样本的数据分布，生成器能够掌握从随机噪声到真实数据的分布规律而收敛于原始数据分布，最终实现样本集的学习与扩充。
如图13所示，TimeGAN，Time-series Gen-erative Adversarial Network，时间序列生成对抗网络，将序列的自相关性考虑进模型中。时间序列生成对抗网络模型包括两个网络及其他四个组成部分，采用联合训练方式，依靠三个不同的损失函数对自编码器和对抗网络进行训练。因此，TimeGAN不仅能够学习每个时间戳上的特征分布，而且可以学习到不同时间点各变量间的潜在复杂关系，从而合成高质量的时序数据，相比GAN更适用于风电功率相关数据集的扩充。
时间序列生成对抗网络模型训练过程如图14所示，图中实线表示数据的正向传递，虚线表示梯度的反馈。其中，为无监督损失，为复现损失，为监督损失，、、、分别表示嵌入网络、复现网络、生成器和判别器的参数；、分别表示原始输入数据的静态特征与动态特征，、是原始数据经嵌入网络降维的潜在空间向量，、是经复现网络还原的特征表达；、表示从已知分布向量空间随机抽取的输入向量，生成函数取静态和动态随机向量的元组合成潜码、，、为判别器返回分类，输出为。
接下来进行预测建模：
长短期记忆神经网络(Long-Short Term Memory, LSTM)是一种特殊的循环神经网络，通过不同的“门控单元”来判断信息的增添或删除，从而使得神经网络能够更准确地学习长期依赖问题，提高了神经网络预测的准确程度。所有递归神经网络都具有神经网络的链式重复模块，区别在于其重复的模块具有不同的结构。在LSTM中，重复模块包含四个以特殊方式交互的神经网络层，如图15，通过遗忘门、输入门和输出门更新细胞状态与隐含层。
1）遗忘门
在LSTM中，第一步是由遗忘门决定丢弃细胞状态中的哪些信息。该门将读取输入层信息和隐含层信息，输出[0,1]之间的数值给细胞状态中的每个数据，1表示“完全保留”，0则表示“完全丢弃”。遗忘门的数学表达式为：
(5)
其中，为遗忘门的输出，为sigmoid函数，和为遗忘门的参数。
2）输入门
输入门的作用是确定更新信息，将新信息选择性地记录到细胞状态中。sigmoid层决定更新哪些信息，tanh层创建新的候选值向量加入到状态中。输入门的数学表达式为：
(6)
(7)
其中，为输入门的输出，为sigmoid函数，、为输入门的参数。为细胞状态中间值，和是细胞状态中间值计算的参数；为正切函数。
3）更新细胞状态
将上一时刻细胞状态与遗忘门输出相乘，丢弃掉确定需要丢弃的信息；然后加上，决定有哪些输入数据被更新到细胞状态中，具体数学表达式为：
(8)
其中，为更新后的细胞状态。
4）输出门
输出门用来确定此次训练得到的隐含层的值。sigmoid层决定输出细胞状态的哪部分，tanh函数将细胞状态处理为[-1,1]之间的值并与sigmoid层输出相乘得到最终输出。输出门的数学表达式为：
(9)
(10)
其中，为输出门的输出，和为输出门的参数。
最后是本实施例的具体算例分析：
本实施例以吉林省某风电场为研究对象，进行前瞻24h的风电功率预测。数据集包括2016年1月1日至2019年6月30日数值天气预报的6类气象因素逐日预报值及风电功率实测值，时间分辨率均为15min。
本实施例采用归一化平均绝对误差NMAE（Normalized Mean Absolute Error）和归一化均方根误差NRMSE（Normalized Root Mean Square Error）作为确定性预测结果评价指标，计算公式如下：
(11)
(12)
其中，为
i时刻对应的归一化风电功率预测值，为
i时刻对应的归一化风电功率观测值；N为时刻总数。
TimeGAN（时间序列生成对抗网络）具体网络参数如表4所示，本实施例采用的TimeGAN（时间序列生成对抗网络）基于门控循环单元(Gate Recurrent Unit, GRU)，生成器和判别器均采用Adam（Adam optimization algorithm，自适应运动估计计算算法）优化算法。
表4TimeGAN网络参数
本实施例采用主成分分析(Principal Component Analysis, PCA)和T分布随机近邻嵌入(T-Distribution Sto-chastic Neighbour Embedding, t-SNE)将生成数据对原始数据分布的模拟程度进行评估与可视化，同时采用TSTR(Train on Synthetic, Test onReal)框架用以评价生成数据的质量。由图16和图17可以看出，TimeGAN（时间序列生成对抗网络）合成数据符合真实序列的趋势，并且时间序列与真实序列遵循类似分布。TSTR测试结果如表5所示，可以看出TSTR(Train on Synthetic, Test on Real)测试精度较高，可以满足要求。因此，当用于风电功率预测的时间序列数据不足时，可以利用TimeGAN时间序列生成对抗网络）模型对数据进行样本扩充。
表5TSTR测试结果
为验证本实施例所提方法的有效性，选用M1、M2和M3作为基准模型进行对比。其中，M1表示未进行样本扩充仅利用风速数据进行预测，为常规预测输入形式，用以对比验证特征优选与样本扩充的有效性；M2表示未进行样本扩充仅利用各类转折性天气敏感气象因子进行预测，用以对比验证转折性天气过程下功率预测敏感气象因子优选的有效性；M3表示进行样本扩充且利用风速数据进行预测，用以对比验证样本扩充的有效性。本实施例所提模型为M4，即进行样本扩充且利用各类敏感气象因子进行预测，M5为风电功率观测值。
表6各模型预测结果的NMAE值对比
表7各模型预测结果的NRMSE值对比
表6-表7展示了利用各模型进行预测时的NMAE和NRMSE。由于大风场景下，所选敏感气象因子仍为风速，因此本实施例仅对比M2与M4两种模型。从表中数据可以看出，M2相对M1精度稍有提升，说明敏感气象因子优选有助于转折性天气场景下的风电出力预测；进行样本扩充后，训练样本集增大，对应M3、M4预测精度均有所提升，但M3模型在某些时段预测偏差仍然较大。利用本实施例所提模型对风电场进行预测时，其预测误差均小于其他基准模型，大风场景下NMAE改善了至少3.5%，覆冰场景下NMAE降低了2.14%，系统性降水场景下NMAE降低了2.73%。
为了直观说明预测效果，图18-图20分别展示了大风、覆冰和系统性降水影响下的风电功率预测结果。纵坐标为归一化后的功率数值。从图中可以看出，利用本实施例所提方法进行预测，得到的风电功率预测值更接近于真实值，此结果验证了本实施例所提模型具有良好的预测性能。
同时，为验证LSTM模型的性能，将其与GRU模型进行了比较，结果如图21-图23及表6-表7所示。相较于本实施例所用模型，GRU模型结构简单且参数较少，利用GRU代替LSTM进行预测，可提高计算速度，但其对时间序列的表征能力较弱。可以看出，LSTM预测模型精度更高，这也验证了LSTM在时序预测方面的优势。
实施例二
本实施例提供了一种转折性天气日前风电功率预测装置，其包括：
气象场景确定模块，其用于获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；
气象敏感特征提取模块，其用于从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；
风电功率预测模块，其用于利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果；
其中，气象场景与气象敏感特征的匹配关系确定过程为：
根据风电功率预测误差与转折性天气的关系，筛选出多重气象场景下的气象敏感特征，从而确定出各类气象场景与气象敏感特征的匹配关系。
在本实施例中，各类气象场景对对应的转折性天气功率预测模型基于各类转折性天气扩充数据集训练得到，所述各类转折性天气扩充数据集基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充得到。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例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如上述所述的转折性天气日前风电功率预测方法中的步骤。
实施例四
本实施例提供了一种电子设备，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，所述处理器执行所述程序时实现如上述所述的转折性天气日前风电功率预测方法中的步骤。
本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种转折性天气日前风电功率预测方法，其特征在于，包括：
获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；
从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；
利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果；
其中，气象场景与气象敏感特征的匹配关系确定过程为：
根据风电功率预测误差与转折性天气的关系，筛选出多重气象场景下的气象敏感特征，从而确定出各类气象场景与气象敏感特征的匹配关系。
2.如权利要求1所述的转折性天气日前风电功率预测方法，其特征在于，各类气象场景对对应的转折性天气功率预测模型基于各类转折性天气扩充数据集训练得到，所述各类转折性天气扩充数据集基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充得到。
3.权利要求2所述的转折性天气日前风电功率预测方法，其特征在于，利用相关性分析风电功率预测误差与转折性天气的关系。
4.如权利要求1所述的转折性天气日前风电功率预测方法，其特征在于，利用LSTM网络建立转折性天气功率预测模型。
5.如权利要求1所述的转折性天气日前风电功率预测方法，其特征在于，所述转折性天气包括寒潮天气和系统性降水天气；所述寒潮天气包括多重气象场景中的覆冰场景和大风场景；所述系统性降水天气对应多重气象场景中的系统性降水场景。
6.如权利要求5所述的转折性天气日前风电功率预测方法，其特征在于，大风场景相匹配的气象敏感特征为风波动过程对应的风速；覆冰场景相匹配的气象敏感特征为降水量、气压、温度及风速；系统性降水场景相匹配的气象敏感特征为风速、气压及降水量。
7.一种转折性天气日前风电功率预测装置，其特征在于，包括：
气象场景确定模块，其用于获取设定时间段内的天气信息，并确定出相应气象场景及其对应的转折性天气功率预测模型；
气象敏感特征提取模块，其用于从所述天气信息中，提取与所述气象场景相匹配的气象敏感特征；
风电功率预测模块，其用于利用预先训练的转折性天气功率预测模型对提取的所述气象敏感特征进行处理，得到日前风电功率预测结果；
其中，气象场景与气象敏感特征的匹配关系确定过程为：
根据风电功率预测误差与转折性天气的关系，筛选出多重气象场景下的气象敏感特征，从而确定出各类气象场景与气象敏感特征的匹配关系。
8.如权利要求7所述的转折性天气日前风电功率预测装置，其特征在于，各类气象场景对对应的转折性天气功率预测模型基于各类转折性天气扩充数据集训练得到，所述各类转折性天气扩充数据集基于时间序列生成对抗网络对各类转折性天气小样本进行学习与扩充得到。
9.一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，该程序被处理器执行时实现如权利要求1-6中任一项所述的转折性天气日前风电功率预测方法中的步骤。
10.一种电子设备，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，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的转折性天气日前风电功率预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314712.XA CN116029465A (zh) | 2023-03-29 | 2023-03-29 | 转折性天气日前风电功率预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314712.XA CN116029465A (zh) | 2023-03-29 | 2023-03-29 | 转折性天气日前风电功率预测方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116029465A true CN116029465A (zh) | 2023-04-28 |
Family
ID=86074397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310314712.XA Pending CN116029465A (zh) | 2023-03-29 | 2023-03-29 | 转折性天气日前风电功率预测方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029465A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842409A (zh) * | 2023-08-28 | 2023-10-03 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
| CN116881743A (zh) * | 2023-09-06 | 2023-10-13 | 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 |
-
2023
- 2023-03-29 CN CN202310314712.XA patent/CN116029465A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 于水: "《建筑室内污染物源辨识及控制》", 重庆：重庆大学出版社, pages: 119 - 120 * |
| 刘雅婷 等: "基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测", 高电压技术, pages 1 - 6 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842409A (zh) * | 2023-08-28 | 2023-10-03 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
| CN116842409B (zh) * | 2023-08-28 | 2024-02-20 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
| CN116881743A (zh) * | 2023-09-06 | 2023-10-13 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
| CN116029465A (zh) | 转折性天气日前风电功率预测方法、装置、介质及设备 | |
| CN109751206B (zh) | 风机叶片结冰故障预测方法、装置及存储介质 | |
| Hu et al. | On estimating uncertainty of wind energy with mixture of distributions | |
| CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
| CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
| CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| Lu et al. | Study on the optimal hydropower generation of Zhelin reservoir | |
| CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN107292446A (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
| CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
| CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
| CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
| Frogner et al. | Ensemble prediction with different spatial resolutions for the 2014 Sochi Winter Olympic Games: The effects of calibration and multimodel approaches | |
| CN117318018A (zh) | 一种风电出力短期预测方法及系统 | |
| Saha et al. | Recurrent neural network based prediction of Indian summer monsoon using global climatic predictors | |
| Mu et al. | The NAO variability prediction and forecasting with multiple time scales driven by ENSO using machine learning approaches | |
| CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
| CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
| CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
| CN114943174A (zh) | 一种用于寒潮小样本情况下的风机出力损失预测方法 | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
| CN111178601A (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
| Gu et al. | Improvement of Prophet energy consumption prediction method based on personnel behavior | |
| CN112396203B (zh) | 一种基于bp神经网络估计法和改进比例系数法的光伏功率区间预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230428 |
|
| RJ01 | Rejection of invention patent application after publication |