CN116187540A - 一种基于时空偏差修正的风电场站超短期功率预测方法 - Google Patents

一种基于时空偏差修正的风电场站超短期功率预测方法 Download PDF

Info

Publication number
CN116187540A
CN116187540A CN202310000718.XA CN202310000718A CN116187540A CN 116187540 A CN116187540 A CN 116187540A CN 202310000718 A CN202310000718 A CN 202310000718A CN 116187540 A CN116187540 A CN 116187540A
Authority
CN
China
Prior art keywords
data
time
weather
wind power
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.)
Granted
Application number
CN202310000718.XA
Other languages
English (en)
Other versions
CN116187540B (zh
Inventor
童超
胡培炎
彭穗
李帆
胡岸
李阳林
华桦
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 Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
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 Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310000718.XA priority Critical patent/CN116187540B/zh
Publication of CN116187540A publication Critical patent/CN116187540A/zh
Application granted granted Critical
Publication of CN116187540B publication Critical patent/CN116187540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于时空偏差修正的风电场站超短期功率预测方法，步骤如下：导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据；构造时序特征，对天气数据进行预处理后构造气象特征；将天气数据作为训练数据并优化样本集，建立误差修正模型，得到天气数据修正结果；通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。本发明的有益效果是：根据数值天气预报数据和场站测风塔实时天气数据对风电功率进行预测，针对数值天气预报数据和场站真实天气数据不匹配以及风力发电存在无法忽视的波动性和随机性，提供一种更加精确的解决方案。

Description

一种基于时空偏差修正的风电场站超短期功率预测方法
技术领域
本发明属于新能源发电领域，涉及一种基于时空偏差修正的风电场站超短期功率预测方法。
背景技术
风功率预测是提高大规模风电接入电力系统运行水平的关键环节，近几年许多学者对超短期功率预测进行了许多的研究，但目前实际各个风电场的风功率预测的准确率普遍较低，其中天气参数的预测误差是导致短期风功率预测准确率低的主要因素之一，传统基于单一历史测风塔数据或者单一数值天气预报数据对未来天气进行预测随机性较大，且未考虑区域之间的相互影响，误差较大。本发明基于历史测风塔实际天气参数开展训练，并引入数值天气预报数据与实际测风塔天气数据进行耦合，同时将该地区前后左右四个区域的数值天气预报数据进行校准，可以大大提升超短期天气预测的准确率，进而进一步提升超短期风功率预测的准确率。
发明内容
本发明根据一般情况下天气预报数据与实际场站天气数据不匹配，提出了一种基于时空偏差修正的风电场站超短期功率预测方法，根据数值天气预报数据和场站测风塔实时天气数据对风电功率进行预测，针对数值天气预报数据和场站真实天气数据不匹配以及风力发电存在无法忽视的波动性和随机性，提供一种更加精确的解决方案。
本发明通过以下技术方案来实现，一种基于时空偏差修正的风电场站超短期功率预测方法，步骤如下：
S1，导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据，数值天气预报数据和实时天气数据作为原始天气数据，原始天气数据中的每一个特征都作为一个数据特征值；数据特征值包括风速、风向、湿度、降雨量、温度、风力；
S2，构造时序特征，对原始天气数据进行预处理后构造气象特征，建立基于时空偏差修正的机制，构造多维数据集；
S3，将原始天气数据作为训练数据，使用双向长短期记忆网络算法和利用贝叶斯优化方法进行参数调整并优化样本集，建立误差修正模型，得到天气数据修正结果；
S4、将得到的天气数据修正结果和风电场站历史发电功率一一对应，优化样本集，使用极端梯度提升算法，通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。
进一步的，步骤S2中构造时序特征，对原始天气数据进行预处理后构造气象特征，具体过程为：
S21,以年份、月份、阳历日、当日时序构造时间特征；
S22,将原始天气数据进行预处理；
S23,预处理后将各个数据特征值归一化，以风速、湿度、风向、降雨量、温度、风力构造气象特征；
预处理包括处理异常值和缺失值；
对于异常值，通过限电、检修筛选出异常样本，将异常样本修正在限定范围内；
对于缺失值，依据构造的时序特征，采用自动插补和修正的原则处理。
进一步的，步骤S2中建立基于时空偏差修正的机制，构造多维数据集，具体过程为：
S24,进行时间修正，将原始天气数据以数据分辨率T进行时序扩充，将每一个数据特征值扩充为公式（1），使用双向长短时记忆网络算法提取(t-mT)~t时段的原始天气数据特征，建立多维数据集，并按季节分群；
Figure 756069DEST_PATH_IMAGE001
（1）
其中，
Figure 735527DEST_PATH_IMAGE002
表示t时刻网格点n的天气特征所构成的向量，
Figure 328313DEST_PATH_IMAGE003
表示t-1时刻网格点 n的天气特征所构成的向量，
Figure 785839DEST_PATH_IMAGE004
表示 t-i时刻网格点n的天气特征所构成的向量,
Figure 911796DEST_PATH_IMAGE005
表示 t-(m-1)T时刻网格点n的天气特征所构成的向量,
Figure 796575DEST_PATH_IMAGE006
表示t-mT时刻 网格点n的天气特征所构成的向量，m为时间步，n为网格点；
S25,进行空间修正，提取时序扩充后的网格点n的数值天气预报的风速，与风电场 站真实风速数据计算出相关系数，相关系数最大的
Figure 876658DEST_PATH_IMAGE007
对应的网格点n是最佳的空间修正 点；计算相关系数的公式（2），表达式为：
Figure 137875DEST_PATH_IMAGE008
（2）
其中r(X,Y)为变量X和变量Y的相关系数，
Figure 118338DEST_PATH_IMAGE009
为变量X和变量Y的协方差，
Figure 314964DEST_PATH_IMAGE010
为变量X的方差，
Figure 741398DEST_PATH_IMAGE011
为变量Y的方差。
进一步的，步骤S3中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的p项作为导入模型的历史数据集；由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：
Figure 681672DEST_PATH_IMAGE012
（3）
其中，d（C，D）为样本数据点c和样本数据点d之间的马氏距离，T为矩阵转置。
进一步的，步骤S3中，得到天气数据修正结果，具体步骤包括：
S31，搭建双向长短时记忆网络-注意力机制模型，搭建双向长短时记忆网络层，建立注意力机制，将最佳的空间修正点的数值天气预报数据作为注意力通道；一般情况下层数不超过三层，LSTM内部函数为公式（4），表达式为：
Figure 267374DEST_PATH_IMAGE013
（4）
其中，f t 表示t时刻的遗忘门的值，it表示t时刻记忆门的值，
Figure 8803DEST_PATH_IMAGE014
表示临时细胞状 态，Ct表示t时刻细胞状态，ht表示t时刻的隐层状态；
Figure 922532DEST_PATH_IMAGE015
函数和
Figure 259973DEST_PATH_IMAGE016
表示sigmoid激活函数，Wf表示遗忘门权重，ht-1表示t-1时刻的隐 层状态，xt表示t时刻的输入，bf表示遗忘门偏置系数，Wi表示输入门权重，bi表示输入门偏 置系数，tanh函数表示激活函数，WC表示细胞状态权重，bC表示细胞状态偏置系数，Ct-1表示 t-1时刻细胞状态，WO表示输出门权重，bO表示输出门偏置系数，e表示自然对数函数的底数， x表示函数自变量。
S32，建立超参数优化过程，采用贝叶斯优化设定超参数范围，使其能够自动进行超参数寻优，评价双向长短时记忆网络-注意力机制模型而设置的损失函数均方误差为公式（5），表达式为：
Figure 106706DEST_PATH_IMAGE017
（5）
其中，MSE表示为损失函数均方误差，n为网格点，
Figure 753457DEST_PATH_IMAGE018
表示真实值、
Figure 544695DEST_PATH_IMAGE019
表示预测值；
S33，原始天气数据导入与模型训练，分别将按照季节分开的原始天气数据依次作为双向长短时记忆网络模型的数据集导入，训练得到不同季节的风速模型。
进一步的，步骤S4中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的q项作为导入模型的历史数据集，由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：
Figure 436559DEST_PATH_IMAGE020
（3）
其中，d（C，D）为样本数据点c和样本数据点d之间的马氏距离，T为矩阵转置。
进一步的，步骤S4中预测风电场站的发电，具体步骤为：
S41,特征值筛选,调用极端梯度提升算法来计算各个数据特征值在模型训练中的重要程度，将数据特征值按重要程度逐个加入模型训练，保留对实验结果有提升的数据特征值，得到最终数据特征值；
S42,搭建极端梯度提升模型并进行超参数优化，提供超参数范围并建立极端梯度提升模型，利用贝叶斯优化方法得出最优超参数，将修正后的天气数据带入极端梯度提升模型，得到预测的风电场功率。
本发明的有益效果是：（1）本发明基于历史测风塔实际天气参数开展训练，并引入数值天气预报数据与实际测风塔天气数据进行耦合，同时将该地区前后左右四个区域的数值天气预报数据进行校准，可以大大提升超短期天气预测的准确率，进而进一步提升超短期风功率预测的准确率。（2）根据数值天气预报数据和场站测风塔实时天气数据对风电功率进行预测，针对数值天气预报数据和场站真实天气数据不匹配以及风力发电存在无法忽视的波动性和随机性，提供一种更加精确的解决方案。
附图说明
图1为本发明的流程图。
图2为本发明的双向长短时记忆网络-注意力机制神经网络结构图。
图3为本发明的特征值筛选步骤流程图。
图4为本发明对风电场超短期功率预测效果图。
具体实施方式
下面结合附图对本发明进行进一步详细阐明。
如图1所示，一种基于时空偏差修正的风电场站超短期功率预测方法，步骤如下：
S1，导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据，数值天气预报数据和实时天气数据作为原始天气数据，原始天气数据中的每一个特征都作为一个数据特征值；数据特征值包括风速、风向、湿度、降雨量、温度、风力；
S2，构造时序特征，对原始天气数据进行预处理后构造气象特征，建立基于时空偏差修正的机制，构造多维数据集；
S3，将原始天气数据作为训练数据，使用双向长短期记忆网络算法和利用贝叶斯优化方法进行参数调整并优化样本集，建立误差修正模型，得到天气数据修正结果；
S4、将得到的天气数据修正结果和风电场站历史发电功率一一对应，优化样本集，使用极端梯度提升算法，通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。
步骤S2中构造时序特征，对天气数据进行预处理后构造气象特征，具体过程为：
S21, 以年份、月份、阳历日、当日时序构造时间特征；
S22,将原始天气数据进行预处理；
S23, 预处理后将各个数据特征值归一化，以风速、湿度、风向、降雨量、温度、风力构造气象特征；
预处理包括处理异常值和缺失值；
对于异常值，通过限电、检修筛选出异常样本，将异常样本修正在限定范围内；
对于缺失值，依据构造的时序特征，采用自动插补和修正的原则处理。
步骤S2中建立基于时空偏差修正的机制后构造多维数据集，具体过程为：
S24,进行时间修正，将原始天气数据以数据分辨率T进行时序扩充，将每一个数据特征值扩充为公式（1），使用双向长短时记忆网络算法提取(t-mT)~t时段的原始天气数据特征，建立多维数据集，并按季节分群；
Figure 996853DEST_PATH_IMAGE021
（1）
其中，
Figure 80085DEST_PATH_IMAGE002
表示t时刻网格点n的天气特征所构成的向量，
Figure 358619DEST_PATH_IMAGE003
表示t-1时刻网格点n 的天气特征所构成的向量，
Figure 54174DEST_PATH_IMAGE004
表示 t-i时刻网格点n的天气特征所构成的向量,
Figure 203396DEST_PATH_IMAGE005
表示 t-(m-1)T时刻网格点n的天气特征所构成的向量,
Figure 723107DEST_PATH_IMAGE006
表示t-mT时刻网 格点n的天气特征所构成的向量，m为时间步，n为网格点；
S25,进行空间修正，提取时序扩充后的网格点n的数值天气预报的风速，与风电场 站真实风速数据计算出相关系数，相关系数最大的
Figure 567567DEST_PATH_IMAGE007
对应的网格点n是最佳的空间修正 点；计算相关系数的公式（2），表达式为：
Figure 191446DEST_PATH_IMAGE008
（2）
其中r(X,Y)为变量X和变量Y的相关系数，Cov(X,Y)为变量X和变量Y的协方差，
Figure 834655DEST_PATH_IMAGE010
为变量X的方差，
Figure 10421DEST_PATH_IMAGE011
为变量Y的方差。
步骤S3中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的p项作为导入模型的历史数据集；由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：
Figure 748701DEST_PATH_IMAGE012
（3）
其中，d（C，D）为样本数据点c和样本数据点d之间的马氏距离，T为矩阵转置。
如图2所示，Bi-LSTM-Attention神经网络结构搭建，步骤S3中，得到天气数据修正结果，具体步骤包括：
S31，搭建双向长短时记忆网络-注意力机制模型，搭建双向长短时记忆网络层，建立注意力机制，将最佳的空间修正点的数值天气预报数据作为注意力通道；一般情况下层数不超过三层，LSTM内部函数为公式（4），表达式为：
Figure 35326DEST_PATH_IMAGE022
（4）
其中，f t 表示t时刻的遗忘门的值，it表示t时刻记忆门的值，
Figure 408407DEST_PATH_IMAGE014
表示临时细胞状 态，Ct表示t时刻细胞状态，ht表示t时刻的隐层状态；
Figure 896021DEST_PATH_IMAGE015
函数和
Figure 370864DEST_PATH_IMAGE016
表示sigmoid激活函数，Wf表示遗忘门权重，ht-1表示t-1时刻的隐 层状态，xt表示t时刻的输入，bf表示遗忘门偏置系数，Wi表示输入门权重，bi表示输入门偏 置系数，tanh函数表示激活函数，WC表示细胞状态权重，bC表示细胞状态偏置系数，Ct-1表示 t-1时刻细胞状态，WO表示输出门权重，bO表示输出门偏置系数，e表示自然对数函数的底数， x表示函数自变量。
S32，建立超参数优化过程，采用贝叶斯优化设定超参数范围，使其能够自动进行超参数寻优，评价双向长短时记忆网络-注意力机制模型而设置的损失函数均方误差为公式（5），表达式为：
Figure 211912DEST_PATH_IMAGE017
（5）
其中，MSE表示为损失函数均方误差，n为网格点，
Figure 721391DEST_PATH_IMAGE018
表示真实值、
Figure 222649DEST_PATH_IMAGE019
表示预测值；
S33，原始天气数据导入与模型训练，分别将按照季节分开的原始天气数据依次作为双向长短时记忆网络模型的数据集导入，训练得到不同季节的风速模型。
如图3所示，步骤S4中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的q项作为导入模型的历史数据集，由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：
Figure 184788DEST_PATH_IMAGE012
（3）
如图4所示，步骤S4中预测风电场站的发电，具体步骤为：
S41,特征值筛选,调用XGBoost算法来计算各个特征值在模型训练中的重要程度，将特征值按重要程度逐个加入模型训练，保留对实验结果有提升的特征值，得到最终特征值；
S42,搭建XGBoost模型并进行超参数优化，提供超参数范围并建立XGBoost模型，利用贝叶斯优化方法得出最优超参数，将修正后的天气数据带入XGBoost模型，得到预测的风电场功率。
实施例：以高龙山风电场及其周围四个网格的数值天气预报数据、高龙山风电场测风塔得到的真实场站天气数据、高龙山风电场发电数据作为数据分析对象，其中天气数据的特征包括：风速、风向、湿度、降雨量、温度、风力，发电数据的特征包括：风电场实时功率。完整数据集样本构建案例如下：
将各类数据的时序特征进行匹配，构建历史数据库。
读取原始数据中天气的预报数据和真实数据，通过年份、月份、阳历日、当日时序构造时序特征。对数据进行预处理，步骤如下：
（1）缺失的时序日期补齐：通过分析整体数据可知各个数据存在不同程度的个别时序缺失，通过识别时序特征将其补齐。
（2）缺失的数据插值填补：对于部分数据存在数值缺失的情况，采用线性插值填补。
（3）超限值的修正：对于数据明显超出风机最大接受范围的，将其修正在限定范围之内。
（4）数据归一化。
（5）时间修正，将气象数据进行时序扩充，将时间步设置为16，数据分辨率设置为 1h，则对于网格点n，即将
Figure 563948DEST_PATH_IMAGE023
转换为
Figure 927933DEST_PATH_IMAGE024
形式，以便于Bi-LSTM提 取(t-10h)~t时段的气象数据特征。建立多维数据集，并按季节分群。
（6）空间修正，取先前扩充好的各个网格点的NWP风速，与场站真实风速数据计算 出相关系数，得到的相关系数最大数据为的
Figure 865671DEST_PATH_IMAGE025
，则对应的网格点2是最佳的空间修正点。 计算相关系数的公式如式（2）所示，其中X是
Figure 315107DEST_PATH_IMAGE026
， Y是站真实风速数据。
Figure 497958DEST_PATH_IMAGE027
（2）
计算历史样本和待预测样本中真实天气数据间的马氏距离并从大到小排序，取前14000项作为导入模型的历史数据集，来实现样本集优化。马氏距离的计算公式如式（3）所示
Figure 450870DEST_PATH_IMAGE020
（3）
搭建并训练Bi-LSTM-Attention神经网络模型。
（1）搭建如图2所示的神经网络，其中LSTM内部网络结构如图2所示，图中的函数由式（4）给出。由上述得到网格点2为最佳修正点，则将Attention通道聚焦于网格点2的风速预报数据。
Figure 582947DEST_PATH_IMAGE028
（4）
（2）输入历史数据并设置训练集和测试集，并采用贝叶斯优化过程进行超参数优化。
（3）将需要修正的天气数据输入建立的Bi-LSTM-Attention模型进行预测，得到修正后的天气数据，并将数据反归一化。
下面的再次筛选是由于加入了风速变量，将历史样本依照马氏相似度排序，取前12000项作为导入模型的历史数据集，来实现样本集优化。马氏距离的计算公式如式（3）所示
Figure 254100DEST_PATH_IMAGE012
（3）
利用XGBoost进行特征筛选并训练模型。
（1）将场站真实天气数据依据上述修正后的天气建立历史数据集，通过XGBoost进行预测。
（2）将特征如图3所示按重要性依次加入模型训练，对比模型效果最终选定风速、温度、湿度作为有效特征。
（3）调用贝叶斯优化算法，导入历史数据集对XGBoost模型进行超参数优化。
（4）将修正后的风速等特征作为XGBoost模型的输入，获得的功率预测结果如图4所示，通过计算，其日平均准确率达到了0.7882总均方误差达到了0.0151。

Claims (6)

1.一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤如下：
S1，导入风电场站及其邻近四个网格的数值天气预报数据，同时导入风电场站测风塔得到的实时天气数据，数值天气预报数据和实时天气数据作为原始天气数据，原始天气数据中的每一个特征都作为一个数据特征值；数据特征值包括风速、风向、湿度、降雨量、温度、风力；
S2，构造时序特征，对原始天气数据进行预处理后构造气象特征，建立基于时空偏差修正的机制，构造多维数据集；
S3，将原始天气数据作为训练数据，使用双向长短期记忆网络算法和利用贝叶斯优化方法进行参数调整并优化样本集，建立误差修正模型，得到天气数据修正结果；
S4、将得到的天气数据修正结果和风电场站历史发电功率一一对应，优化样本集，使用极端梯度提升算法，通过贝叶斯优化方法得到最优模型超参数，建立功率预测模型，预测风电场站的发电情况。
2.根据权利要求1所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S2中构造时序特征，对原始天气数据进行预处理后构造气象特征，具体过程为：
S21, 以年份、月份、阳历日、当日时序构造时间特征；
S22,将原始天气数据进行预处理；
S23,预处理后将各个数据特征值归一化，以风速、湿度、风向、降雨量、温度、风力构造气象特征；
预处理包括处理异常值和缺失值；
对于异常值，通过限电、检修筛选出异常样本，将异常样本修正在限定范围内；
对于缺失值，依据构造的时序特征，采用自动插补和修正的原则处理。
3.根据权利要求2所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S2中建立基于时空偏差修正的机制，构造多维数据集，具体过程为：
S24,进行时间修正，将原始天气数据以数据分辨率T进行时序扩充，将每一个数据特征值扩充为公式（1），使用双向长短时记忆网络算法提取(t-mT)~t时段的原始天气数据特征，建立多维数据集，并按季节分群；
Figure 848613DEST_PATH_IMAGE001
（1）
其中，
Figure 170879DEST_PATH_IMAGE002
表示t时刻网格点n的天气特征所构成的向量，
Figure 201151DEST_PATH_IMAGE003
表示t-1时刻网格点n的 天气特征所构成的向量，
Figure 110333DEST_PATH_IMAGE004
表示 t-i时刻网格点n的天气特征所构成的向量,
Figure 884254DEST_PATH_IMAGE005
表示 t-(m-1)T时刻网格点n的天气特征所构成的向量,
Figure 326605DEST_PATH_IMAGE006
表示t-mT时刻 网格点n的天气特征所构成的向量，m为时间步，n为网格点；
S25,进行空间修正，提取时序扩充后的网格点n的数值天气预报的风速，与风电场站真 实风速数据计算出相关系数，相关系数最大的
Figure 527779DEST_PATH_IMAGE007
对应的网格点n是最佳的空间修正点； 计算相关系数的公式（2），表达式为：
Figure 924257DEST_PATH_IMAGE008
（2）
其中r(X,Y)为变量X和变量Y的相关系数，Cov(X,Y)为变量X和变量Y的协方差，
Figure 236290DEST_PATH_IMAGE009
为变量X的方差，
Figure 533148DEST_PATH_IMAGE010
为变量Y的方差。
4.根据权利要求3所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S3中优化样本集，具体为提出基于马氏距离的气象特征相似度计算方法，通过计算得分并取最优的p项作为导入模型的历史数据集；由样本数据点c的各个特征构成的向量C、由样本数据点d的各个特征构成的向量D之间的马氏距离的计算公式（3），表达式为：
Figure 639644DEST_PATH_IMAGE011
（3）
其中，d（C，D）为样本数据点c和样本数据点d之间的马氏距离，T为矩阵转置。
5.根据权利要求4所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S3中，得到天气数据修正结果，具体步骤包括：
S31，搭建双向长短时记忆网络-注意力机制模型，搭建双向长短时记忆网络层，建立注意力机制，将最佳的空间修正点的数值天气预报数据作为注意力通道；一般情况下层数不超过三层，LSTM内部函数为公式（4），表达式为：
Figure 523417DEST_PATH_IMAGE012
（4）
其中，f t 表示t时刻的遗忘门的值，it表示t时刻记忆门的值，
Figure 373562DEST_PATH_IMAGE013
表示临时细胞状态，Ct表 示t时刻细胞状态，ht表示t时刻的隐层状态；
Figure 524926DEST_PATH_IMAGE014
函数和
Figure 67903DEST_PATH_IMAGE015
表示sigmoid激活函数，Wf表示遗忘门权重，ht-1表示t-1时刻的隐层状 态，xt表示t时刻的输入，bf表示遗忘门偏置系数，Wi表示输入门权重，bi表示输入门偏置系 数，tanh函数表示激活函数，WC表示细胞状态权重，bC表示细胞状态偏置系数，Ct-1表示t-1时 刻细胞状态，WO表示输出门权重，bO表示输出门偏置系数，e表示自然对数函数的底数，x表示 函数自变量；
S32，建立超参数优化过程，采用贝叶斯优化设定超参数范围，使其能够自动进行超参数寻优，评价双向长短时记忆网络-注意力机制模型而设置的损失函数均方误差为公式（5），表达式为：
Figure 438973DEST_PATH_IMAGE016
（5）
其中，MSE表示为损失函数均方误差，n为网格点，
Figure 358387DEST_PATH_IMAGE017
表示真实值、
Figure 98679DEST_PATH_IMAGE018
表示预测值；
S33，原始天气数据导入与模型训练，分别将按照季节分开的原始天气数据依次作为双向长短时记忆网络模型的数据集导入，训练得到不同季节的风速模型。
6.根据权利要求5所述的一种基于时空偏差修正的风电场站超短期功率预测方法，其特征是，步骤S4中预测风电场站的发电，具体步骤为：
S41,特征值筛选,调用极端梯度提升算法来计算各个数据特征值在模型训练中的重要程度，将数据特征值按重要程度逐个加入模型训练，保留对实验结果有提升的数据特征值，得到最终数据特征值；
S42,搭建极端梯度提升模型并进行超参数优化，提供超参数范围并建立极端梯度提升模型，利用贝叶斯优化方法得出最优超参数，将修正后的天气数据带入极端梯度提升模型，得到预测的风电场功率。
CN202310000718.XA 2023-01-03 2023-01-03 一种基于时空偏差修正的风电场站超短期功率预测方法 Active CN116187540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310000718.XA CN116187540B (zh) 2023-01-03 2023-01-03 一种基于时空偏差修正的风电场站超短期功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310000718.XA CN116187540B (zh) 2023-01-03 2023-01-03 一种基于时空偏差修正的风电场站超短期功率预测方法

Publications (2)

Publication Number Publication Date
CN116187540A true CN116187540A (zh) 2023-05-30
CN116187540B CN116187540B (zh) 2023-09-12

Family

ID=86451636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310000718.XA Active CN116187540B (zh) 2023-01-03 2023-01-03 一种基于时空偏差修正的风电场站超短期功率预测方法

Country Status (1)

Country Link
CN (1) CN116187540B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402240A (zh) * 2023-06-08 2023-07-07 北京中科伏瑞电气技术有限公司 面向调度侧区域风电功率预测的模型输入构造方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3620983A1 (en) * 2018-09-05 2020-03-11 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
CN112288164A (zh) * 2020-10-29 2021-01-29 四川大学 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN113379142A (zh) * 2021-06-23 2021-09-10 西安理工大学 一种基于风速修正和融合模型的短期风电功率预测方法
CN113554148A (zh) * 2021-06-07 2021-10-26 南京理工大学 一种基于贝叶斯优化的BiLSTM电压偏差预测方法
CN113657662A (zh) * 2021-08-13 2021-11-16 浙江大学 一种基于数据融合的降尺度风电功率预测方法
CN114358398A (zh) * 2021-12-17 2022-04-15 中国长江三峡集团有限公司 一种基于深度神经网络的数值天气预报风速修正方法
CN114372615A (zh) * 2021-12-21 2022-04-19 国网山东省电力公司经济技术研究院 一种考虑空间相关性的短期光伏功率预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3620983A1 (en) * 2018-09-05 2020-03-11 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
CN112288164A (zh) * 2020-10-29 2021-01-29 四川大学 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN113554148A (zh) * 2021-06-07 2021-10-26 南京理工大学 一种基于贝叶斯优化的BiLSTM电压偏差预测方法
CN113379142A (zh) * 2021-06-23 2021-09-10 西安理工大学 一种基于风速修正和融合模型的短期风电功率预测方法
CN113657662A (zh) * 2021-08-13 2021-11-16 浙江大学 一种基于数据融合的降尺度风电功率预测方法
CN114358398A (zh) * 2021-12-17 2022-04-15 中国长江三峡集团有限公司 一种基于深度神经网络的数值天气预报风速修正方法
CN114372615A (zh) * 2021-12-21 2022-04-19 国网山东省电力公司经济技术研究院 一种考虑空间相关性的短期光伏功率预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIAOMU ZHU等: "Learning Temporal and Spatial Correlations Jointly: A Unified Framework for Wind Speed Prediction", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》, vol. 11, no. 1, pages 509 - 523, XP011762394, DOI: 10.1109/TSTE.2019.2897136 *
杨国清等: "基于Attention-GRU风速修正和Stacking的 短期风电功率预测", 《太阳能学报》, vol. 43, no. 12, pages 273 - 281 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402240A (zh) * 2023-06-08 2023-07-07 北京中科伏瑞电气技术有限公司 面向调度侧区域风电功率预测的模型输入构造方法及装置
CN116402240B (zh) * 2023-06-08 2023-08-18 北京中科伏瑞电气技术有限公司 面向调度侧区域风电功率预测的模型输入构造方法及装置

Also Published As

Publication number Publication date
CN116187540B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN112561058B (zh) 基于Stacking-集成学习短期光伏功率预测方法
CN112257941A (zh) 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN106650784A (zh) 一种基于特征聚类比较的光伏电站功率预测方法及装置
CN115099500B (zh) 基于权重修正和drsn-lstm模型的水位预测方法
CN113837499A (zh) 一种超短期风电功率预测方法及系统
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN116187540B (zh) 一种基于时空偏差修正的风电场站超短期功率预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112215428A (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN112418346A (zh) 一种数值天气预报总辐射系统误差分类计算方法
CN113516271A (zh) 一种基于时空神经网络的风电集群功率日前预测方法
CN116029419A (zh) 基于深度学习的长期新能源日均发电功率预测方法及系统
CN116451821A (zh) 基于深度学习的大区域新能源发电功率预测方法及系统
CN116341613A (zh) 一种基于Informer encoder和LSTM的超短期光伏功率预测方法
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
CN116845875A (zh) 一种基于woa-bp的短期光伏出力预测方法及装置
CN115481788A (zh) 相变储能系统负荷预测方法及系统
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network

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
GR01 Patent grant
GR01 Patent grant