CN117878933B - 一种基于突变气象环境识别的风电功率预测方法 - Google Patents

一种基于突变气象环境识别的风电功率预测方法 Download PDF

Info

Publication number
CN117878933B
CN117878933B CN202410281864.9A CN202410281864A CN117878933B CN 117878933 B CN117878933 B CN 117878933B CN 202410281864 A CN202410281864 A CN 202410281864A CN 117878933 B CN117878933 B CN 117878933B
Authority
CN
China
Prior art keywords
wind speed
data
speed data
historical
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.)
Active
Application number
CN202410281864.9A
Other languages
English (en)
Other versions
CN117878933A (zh
Inventor
熊雄
邹瑞麟
樊玉敏
赵铭奇
许一帆
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202410281864.9A priority Critical patent/CN117878933B/zh
Publication of CN117878933A publication Critical patent/CN117878933A/zh
Application granted granted Critical
Publication of CN117878933B publication Critical patent/CN117878933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于突变气象环境识别的风电功率预测方法，包括收集历史气象数据并对其进行预处理，基于该数据，利用动态自适应的突发气象环境识别算法识别突变气象时段，得到突变气象事件；利用风速相似系数对预测风速时段进行相似时段匹配，得到与预测时段具有相同趋势特征的历史趋同突变气象事件；构建基于注意力机制的Transformer风电功率预测模型，将突变气象事件与历史趋同突变气象事件转为多维输入数据输入到该模型中，实现功率预测。本发明可对复杂大量气象数据实现自动精准识别，可有效的利用同类气象事件之间的趋同性提高突发气象环境下的风电功率预测准确度，保障了电网输入端的可控可预测性。

Description

一种基于突变气象环境识别的风电功率预测方法
技术领域
本发明属于风电功率预测技术领域，尤其涉及一种基于突变气象环境识别的风电功率预测方法。
背景技术
绿色能源取代化石能源成为当前能源结构的主要支柱。风能因其储量巨大，分布广泛与获取容易的优点，在众多绿色能源中备受青睐。然而，风能具有间歇性、波动性与随机性的特性，使得风电并网需要准确可靠的风速预测算法保障其的可靠性。
目前，风电功率预测的研究重点集中于以下两点：一、通过提高物理方案的完备度与初始气象场的数据质量的方法提高风速预测的可靠度，来保障风电功率的可靠度。二、通过模型优化等方法，提高风电功率预测算法对风电功率爬坡事件的准确度。
在风电功率爬坡事件大多是由对流天气、转折性天气等突发气象环境所引起的。当前，针对风电功率爬坡事件的风电功率预测方法均以功率的角度所开展，其并没有从气象角度设计风电功率预测方法。此外，旋转门算法是针对风电功率爬坡事件的风电功率预测方法最常用的一种算法，但其需根据数据自身特征手动设置门宽的局限性使得该算法无法自动有效的处理大量数据，造成不必要的成本损失。
发明内容
本发明所要解决的技术问题：提供一种基于突变气象环境识别的风电功率预测方法，将历史风速数据输入动态自适应选取模型进行突变气象环境的识别与标记作为风电功率预测模型的输入数据，并结合基于风速相似系数的风速匹配算法与Transformer深度学习算法实现风电功率预测，有效提高了突发气象环境下风电功率预测的准确度。
本发明为解决以上技术问题而采用以下技术方案：
本发明提出的一种基于突变气象环境识别的风电功率预测方法，包括以下步骤：
S1、收集历史风速数据并对其进行预处理，得到预处理后的风速数据，基于该数据，利用动态自适应的突发气象环境识别算法识别突变气象时段，得到历史气象数据中的突变气象事件。
S2、将预处理后的风速数据定义为历史风速数据与过往风速数据两部分，其中，过往风速数据是指实时数据前p个小时内的风速数据，历史风速数据是指历史数据库中除过往风速数据之外的所有风速数据；计算过往风速数据的风速时段与历史风速数据的风速时段之间的风速相似系数，利用该系数进行相似时段匹配，得到与过往风速数据的风速时段具有相同趋势特征的历史趋同突变气象事件。
S3、将步骤S1与步骤S2的输出结果转为多维气象功率数据，并输入到基于注意力机制的Transformer风电功率预测模型中，实现功率预测。
进一步的，步骤S1中，得到突变气象事件包括以下子步骤：
S101、收集风场历史风速数据及对应的数值天气预报风速预测数据。
S102、对步骤S101中收集的数据进行预处理，补充气象数据采样时缺漏的记录，得到预处理后的风速数据。
S103、利用VMD模态分解算法对预处理后的风速数据进行模态分解，得到风速数据集/>；其中，/>表示风速数据的总数，/>表示第/>个风速数据。
S104、将每个风速数据分别输入自适应极点模型进行风速数据极值点提取，得到重构后的极值点集，减少分信号内含的细小波动的干扰。具体内容为：
S1041、提取风速数据中的最大值、最小值/>与所有极值点集合，其中/>表示第n个极值点；
S1042、根据自适应系数并计算动态窗宽，具体计算公式为：
；
其中，表示动态窗宽；/>取值一般为/>；
S1043、根据近邻极点间欧氏距离，将满足的极值点保留，其中，d i 表示两个相邻极值点之间的欧氏距离，且i=1,2,3,…,n-1；得到重构后的极值点集/>，其中，/>表示重构后的第m个极值点，且j=1,2,3,…,m。
S105、将重构后的极值点输入到风速数据动态筛选模型中，选取可反映风速爬坡事件的风速数据，完成风速数据的重构，减少“伪爬坡”事件的干扰。具体内容为：
S1051、将预处理后的风速数据与每个经过自适应极点模型处理后的风速数据的重构极值点进行计数；
S1052、计算风速数据的极点率，具体公式为：
；
其中，表示第k个风速数据的极点率，/>表示预处理后的风速数据的重构极值点总数，/>表示第k个风速数据的重构极值点总数；
根据每个风速数据的极点率对风速数据进行筛选，将满足的风速数据保留，得到保留的风速数据集/>，其中，/>为极点率阈值；
S1053、将保留的风速数据集进行叠加实现风速数据重构，并将重构后风速数据记为/>，具体公式为：
。
S106、对重构的风速数据进行突变气象事件识别，将满足条件的风速时段视为突变气象事件，并标记为1，其他则为0，满足的条件为：
；
其中，表示第t时刻的实测风速值，/>表示第t时刻的数值天气预报风速预测值，/>表示第t+q时刻的实测风速值，/>表示第b时刻的实测风速值，/>表示b时刻的数值天气预报风速预测值，q表示突变气象事件时段长度，/>表示风速阈值，/>表示风速变化率阈值，/>表示风速误差阈值。
进一步的，步骤S2中，得到历史趋同突变气象事件包括以下子步骤：
S201、将历史风速数据以p个小时为分段间隔，r小时为分段长度进行分段，分段结果如下所示：
；
其中，表示历史风速数据；/>表示第g段的气象数据；g表示气象分段数据的总数。
S202、选取每段历史风速数据中前p个小时的风速数据作为整段历史风速的趋同气象时段匹配依据，利用基于风速相似系数的时段匹配算法进行时段匹配，得到历史趋同突变气象事件，用于提高风电功率预测的准确性。具体内容为：
S2021、计算历史风速段与过往风速段之间的风速强度差与风速趋势差，公式如下所示：
；
；
其中，表示风速强度差，/>表示风速趋势差，/>表示风速采样间隔时间，表示第a时刻的过往风速数据，/>表示第a时刻的历史风速数据，c表示风速段时长，/>表示第a+1时刻的历史风速数据，/>表示第a+1时刻的过往风速数据；
S2022、将所得的风速强度差与风速趋势差/>进行归一化处理。其中，风速强度差归一化区间设置为/>，风速趋势差归一化区间设置为/>；
S2023、计算经过归一化处理的风速强度差与风速趋势差的风速相似系数，具体公式为：
；
其中，表示风速相似系数；
S2024、选取风速相似系数最小的历史风速段视为历史趋同气象事件。
进一步的，步骤S3中，完成功率预测包括以下子步骤：
S301、根据步骤S2中的风速相关系数选取历史趋同气象事件的相关数据，该数据包括但不限于突发气象环境标签、风速实测数据、数值天气预报数据以及实测功率数据，并将该数据结合过往风速数据与未来时刻风速预测数据构成多维气象功率数据。
S302、将多维气象功率数据输入到基于注意力机制的Transformer风电功率预测模型中，完成风电功率预测。
进一步的，本发明还提出一种电子设备，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计算机程序时实现前文所述的基于突变气象环境识别的风电功率预测方法的步骤。
进一步的，本发明还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的基于突变气象环境识别的风电功率预测方法。
本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：
本发明通过动态自适应的突发气象识别算法从历史气象数据库中识别并标记突发气象事件且将其作为功率预测模型的输入；同时，采用基于风速相关系数的相似时段匹配算法根据预测时段找寻具有趋同性的相似气象事件作为功率预测模型的输入；结合基于注意力机制的神经网络实现风电功率预测模型实现风电功率预测。综上所述，本发明可对复杂大量气象数据实现自动精准识别；基于风速相关系数的相似时段匹配算法可提取气象事件趋同性并将其运用于风电功率预测之中；可有效的利用同类气象事件之间的趋同性提高突发气象环境下的风电功率预测准确度，保障了电网输入端的可控可预测性。
附图说明
图1是本发明的整体实施流程图。
图2是本发明的短临气象识别算法模型流程图。
图3是本发明的极点自适应模型的算法流程图。
图4是本发明的风速数据动态筛选模型的算法流程图。
图5是本发明的基于风速相似系数的时段匹配算法流程图。
图6是本发明实施例中春季鲁棒性测试结果图。
图7是本发明实施例中夏季鲁棒性测试结果图。
图8是本发明实施例中秋季鲁棒性测试结果图。
图9是本发明实施例中冬季鲁棒性测试结果图。
具体实施方式
下面结合附图和实例对本发明的技术方案作进一步的说明。
为实现上述目的，本发明提出了一种基于突变气象环境识别的风电功率预测方法，如图1所示，包括以下步骤：
S1、如图2所示，收集历史风速数据并对其进行预处理，得到预处理后的风速数据，基于该数据，利用动态自适应的突发气象环境识别算法识别突变气象时段，得到突变气象事件，具体内容为：
S101、收集风场历史风速数据及其对应的数值天气预报风速预测数据。
S102、对步骤S101中收集的数据进行预处理，补充气象数据采样时缺漏的记录，得到预处理后的风速数据。
S103、利用VMD模态分解算法对预处理后的风速数据进行模态分解，得到风速数据集/>；本实施例中风速数据量设为8。
S104、将每个风速数据分别输入自适应极点模型，进行风速数据极值点提取，得到重构后的极值点集，如图3所示，具体内容为：
S1041、提取风速数据中的最大值、最小值/>与所有极值点集合，其中/>表示第n个极值点；
S1042、根据自适应系数并计算动态窗宽，具体计算公式为：
；
其中，表示动态窗宽；/>表示自适应系数，本实施例中取为0.05；
S1043、根据近邻极点间欧氏距离，将满足的极值点保留，其中，d i 表示两个相邻极值点之间的欧氏距离，且i=1,2,3,…,n-1；得到重构后的极值点集/>，其中，/>表示重构后的第m个极值点，且j=1,2,3,…,m。
S105、将重构后的极值点输入到风速数据动态筛选模型中，选取反映风速爬坡事件的风速数据，完成风速数据的重构，如图4所示，具体内容为：
S1051、将预处理后的风速数据与每个风速数据的重构极值点进行计数；
S1052、计算风速数据的极点率，具体公式为：
；
其中，表示第k个风速数据的极点率，/>表示预处理后的风速数据的重构极值点总数，/>表示第k个风速数据的重构极值点总数；
根据每个风速数据的极点率对风速数据进行筛选，将满足的风速数据保留，得到保留的风速数据集/>，其中，/>表示极点率阈值；
本实施例中设置为0.35；
S1053、将保留的风速数据集进行叠加完成风速数据重构，具体公式为：
；
其中，表示重构的风速数据。
S106、对重构的风速数据进行突变气象事件识别，将满足条件的风速时段视为突变气象事件，并标记为1，其他则为0，满足的条件为：
；
其中，表示第t时刻的实测风速值，/>表示第t时刻的数值天气预报风速预测值，/>表示第t+q时刻的实测风速值，/>表示第b时刻的实测风速值，/>表示b时刻的数值天气预报风速预测值，q表示突变气象事件时段长度，/>表示风速阈值，/>表示风速变化率阈值，/>表示风速误差阈值。
本实施例中，为4m/s，/>为1/>，/>为2m/s。
S2、如图5所示，将预处理后的风速数据定义为历史风速数据与过往风速数据两部分，其中，过往风速数据是指实时数据前4个小时内的风速数据，历史风速数据是指历史数据库中除过往风速数据之外的所有风速数据；计算过往风速数据的风速时段与历史风速数据的风速时段之间的风速相似系数，利用该系数进行相似时段匹配，得到与过往风速数据的风速时段具有相同趋势特征的历史趋同突变气象事件，具体内容为：
S201、将历史风速数据根据4个小时（16个数据点）为分段间隔，8小时（32个数据点）为分段长度进行分段。分段结果如下所示：
；
其中，表示历史风速数据；/>表示第g段的气象数据，即包括8小时的历史风速与其对应的数值天气预报数据与短临气象标签；g表示气象分段数据的总数。
S202、选取每段历史风速数据中前4个小时的风速数据作为整段历史风速的趋同气象时段匹配依据，利用基于风速相似系数的时段匹配算法进行时段匹配，得到历史趋同突变气象事件，具体内容为：
S2021、计算历史风速段与过往风速段之间的风速强度差与风速趋势差，公式如下所示：
；
；
其中，表示风速强度差，/>表示风速趋势差，/>表示风速采样间隔时间，/>表示第a时刻的过往风速数据，/>表示第a时刻的历史风速数据，c表示风速段时长，/>表示第a+1时刻的历史风速数据，/>表示表示第a+1时刻的过往风速数据；
本实施例中，为15min，c为16；
S2022、将所得的风速强度差与风速趋势差进行归一化处理；其中，风速强度差归一化区间设置为，风速趋势差进行归一化区间设置为/>；
S2023、计算经过归一化处理的风速强度差与风速趋势差的风速相似系数，具体公式为：
；
其中，表示风速相似系数；
S2024、选取风速相似系数最小的历史风速段视为历史趋同气象事件。
S3、将步骤S1与步骤S2的输出结果转为多维气象功率数据，并输入到基于注意力机制的Transformer风电功率预测模型中，完成功率预测，具体内容为：
S301、根据步骤S2中的风速相关系数选取历史趋同气象事件的相关数据，该数据包括突发气象环境标签、风速实测数据、数值天气预报数据和实测功率数据，并将该数据结合过往风速数据与未来时刻风速预测数据构成六维气象功率数据。
S302、将六维气象功率数据输入到基于注意力机制设计的Transformer风电功率预测模型中，完成风电功率预测。
为了检验本发明所提出的基于突变气象环境的风电功率预测方法的有效性，进行了四季鲁棒性测试。本实施例中，数据来源于江苏如东某风电厂2020年4月至2021年1月近10个月的实测数据，将该数据与风速预测数据进行测试并与常规的Transformer算法进行误差对比评估，其中，本测试采用了三种误差评估指标分别为：相对绝对平均误差（）、相对均方根误差（/>）和平均绝对误差（MAE）。四季鲁棒性测结果如图6-9所示。
图6为春季鲁棒性测试结果图，图7为夏季鲁棒性测试结果图，图8为秋季鲁棒性测试结果图，图9冬季鲁棒性测试结果图，从图中可以看出，本发明提出的方法在全年时段中均可实现风电功率的准确、可靠且无迟滞的预测。相比较于传统的风电功率方法，本发明提出的方法有着更强的功率拟合能力。尤其在风速突变引起的功率骤升骤减的情况下，依旧可以保证实时动态的功率跟踪描述能力。可见，本发明提出的方法具有优秀且稳定的性能。
表1四季鲁棒性测试结果
由表1可以看出本发明提出的方法相较于传统方法可大幅提高风电功率预测准确度。在不同季节的环境测试中，相比于传统的风电功率预测方法，本发明所提出的风电功率预测误差均为其的30%以内，尤其是在春秋两个突变气象环境频发的季节，本发明提出的方法有着更为优秀的预测性能。
本发明实施例还提出一种电子设备，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。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明通过极点自适应选取模型对VMD算法的风速数据进行极点筛选对风速数据中的波动；并将经过极点自适应选取模型处理后的风速数据输入风速数据动态筛选模型，选取有效蕴含风速爬坡事件信息的风速数据，舍弃仅含风速随机性、间歇性与波动性的风速数据；最终，将选取的风速数据进行重构并对重构信号实施突变气象环境的识别。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种基于突变气象环境识别的风电功率预测方法，其特征在于，包括以下步骤：
S1、收集历史风速数据并对其进行预处理，得到预处理后的风速数据，基于该数据，利用动态自适应的突变气象环境识别算法识别突变气象时段，得到突变气象事件；具体内容为：
S101、收集风场历史风速数据及对应的数值天气预报风速预测数据；
S102、对步骤S101中收集的数据进行预处理，补充气象数据采样时缺漏的记录，得到预处理后的风速数据；
S103、利用VMD模态分解算法对预处理后的风速数据进行模态分解，得到风速数据集imf＝{imf1,imf2,…,imfω}；其中，ω表示风速数据的总数，imfω表示第ω个风速数据；
S104、将每个风速数据分别输入自适应极点模型，进行风速数据极值点提取，得到重构后的极值点集；
S105、将重构后的极值点集输入到风速数据动态筛选模型中，选取反映风速爬坡事件的风速数据，完成风速数据的重构；
S106、对重构的风速数据进行突变气象事件识别，将满足条件的风速时段视为突变气象事件，并标记为1，其他则为0；满足的条件为：
其中，表示第t时刻的实测风速值，/>表示第t+q时刻的实测风速值，/>表示第b时刻的实测风速值，/>表示b时刻的数值天气预报风速预测值，q表示突变气象事件时段长度，λ1表示风速阈值，λ2表示风速变化率阈值，λ3表示风速误差阈值；
S2、将预处理后的风速数据定义为历史风速数据与过往风速数据两部分，其中，过往风速数据是指实时数据前p个小时内的风速数据，历史风速数据是指历史数据库中除过往风速数据之外的所有风速数据；计算过往风速数据的风速时段与历史风速数据的风速时段之间的风速相似系数，利用该系数进行相似时段匹配，得到与过往风速数据的风速时段具有相同趋势特征的历史趋同突变气象事件；具体内容为：
S201、将历史风速数据以p个小时为分段间隔，r小时为分段长度进行分段，分段结果如下所示：
datahistory＝{d1,d2,…,dg}
其中，datahistory表示历史风速数据，dg表示第g段的气象数据，g表示气象分段数据的总数；
S202、选取每段历史风速数据中前p个小时的风速数据作为整段历史风速的趋同气象时段匹配依据，利用基于风速相似系数的时段匹配算法进行时段匹配，得到历史趋同突变气象事件；具体内容为：
S2021、计算历史风速段与过往风速段之间的风速强度差与风速趋势差，公式如下所示：
其中，WindSTR表示风速强度差，WindTRE表示风速趋势差，Δt表示风速采样间隔时间，表示第a时刻的过往风速数据，/>表示第a时刻的历史风速数据，c表示风速段时长，/>表示第a+1时刻的历史风速数据，/>表示第a+1时刻的过往风速数据；
S2022、将得到的风速强度差与风速趋势差进行归一化处理；
S2023、计算经过归一化处理的风速强度差与风速趋势差的风速相似系数，具体公式为：
其中，Ω表示风速相似系数；
S2024、选取风速相似系数Ω最小的历史风速段视为历史趋同气象事件；
S3、将步骤S1与步骤S2的输出结果转为多维气象功率数据，并输入到基于注意力机制的Transformer风电功率预测模型中，完成功率预测。
2.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S104中，提取极值点包括以下子步骤：
S1041、提取风速数据中的最大值Zmax、最小值Zmin与所有极值点集P＝{p1,p2,…,pn}，其中pn表示第n个极值点；
S1042、根据自适应系数并计算动态窗宽，具体计算公式为：
其中，widthdoor表示动态窗宽；表示自适应系数；
S1043、根据近邻极点间欧氏距离，将满足di＝|pi-pi+1|＞widthdoor的极值点保留，其中，di表示两个相邻极值点之间的欧氏距离，且i＝1,2,3,…,n-1；得到重构后的极值点集其中，/>表示重构后的第m个极值点，且j＝1,2,3,…,m。
3.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S105中，重构风速数据包括以下子步骤：
S1051、将预处理后的风速数据与每个风速数据的重构极值点进行计数；
S1052、计算风速数据的极点率，具体公式为：
其中，ηk表示第k个风速数据的极点率，Noriginal表示预处理后的风速数据的重构极值点总数，表示第k个风速数据的重构极值点总数；
根据每个风速数据的极点率对风速数据进行筛选，将满足ηk≤τ的风速数据保留，得到保留的风速数据集，其中，τ表示极点率阈值；
S1053、将保留的风速数据集进行叠加完成风速数据重构，具体公式为：
IMFrenewed＝sum(imfreserved)；
其中，imfreserved表示保留的风速数据集，IMFrenewed表示重构的风速数据。
4.根据权利要求1所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S3中，完成功率预测包括以下子步骤：
S301、根据步骤S2中的风速相关系数选取历史趋同气象事件的相关数据，并将该数据结合过往风速数据与未来时刻风速预测数据构成多维气象功率数据；
S302、将多维气象功率数据输入到基于注意力机制的Transformer风电功率预测模型中，完成风电功率预测。
5.根据权利要求4所述的基于突变气象环境识别的风电功率预测方法，其特征在于，步骤S301中的相关数据包括但不限于突变气象环境标签、风速实测数据、数值天气预报数据和实测功率数据。
6.一种电子设备，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计算机程序时实现权利要求1至5中任一项所述方法的步骤。
7.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至5中任一项所述的方法。
CN202410281864.9A 2024-03-13 2024-03-13 一种基于突变气象环境识别的风电功率预测方法 Active CN117878933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410281864.9A CN117878933B (zh) 2024-03-13 2024-03-13 一种基于突变气象环境识别的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410281864.9A CN117878933B (zh) 2024-03-13 2024-03-13 一种基于突变气象环境识别的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN117878933A CN117878933A (zh) 2024-04-12
CN117878933B true CN117878933B (zh) 2024-05-28

Family

ID=90581444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410281864.9A Active CN117878933B (zh) 2024-03-13 2024-03-13 一种基于突变气象环境识别的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN117878933B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529719A (zh) * 2016-11-08 2017-03-22 中国地质大学（武汉） 基于粒子群优化算法风速融合的风电功率预测的方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN116388184A (zh) * 2023-06-05 2023-07-04 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统
CN117220283A (zh) * 2023-09-27 2023-12-12 广东电网有限责任公司 一种光伏发电功率预测方法、装置和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529719A (zh) * 2016-11-08 2017-03-22 中国地质大学（武汉） 基于粒子群优化算法风速融合的风电功率预测的方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法
CN116388184A (zh) * 2023-06-05 2023-07-04 南京信息工程大学 一种基于风速日波动特征的超短期风速修订方法、系统
CN117220283A (zh) * 2023-09-27 2023-12-12 广东电网有限责任公司 一种光伏发电功率预测方法、装置和设备

Also Published As

Publication number Publication date
CN117878933A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN109766950B (zh) 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN112712209B (zh) 水库入库流量预测方法、装置、计算机设备及存储介质
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN111241755A (zh) 电力负荷预测方法
CN110210660B (zh) 一种超短期风速预测方法
Jiang et al. Principal component analysis for extremes and application to US precipitation
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN117081064B (zh) 一种基于误差评估的风电功率组合预测方法和系统
CN114676622A (zh) 基于自编码器深度学习模型的短期光伏功率预测方法
Fan et al. Short-term load forecasting based on empirical wavelet transform and random forest
Li et al. GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method
CN116739172A (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN117833216A (zh) 基于混合神经网络的光伏电站发电功率预测方法及装置
CN117878933B (zh) 一种基于突变气象环境识别的风电功率预测方法
CN116388184B (zh) 一种基于风速日波动特征的超短期风速修订方法、系统
CN117458437A (zh) 一种短期风电功率预测方法、系统、设备及介质
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN111090679A (zh) 基于时序影响和图嵌入的时序数据表示学习方法
KR102593144B1 (ko) 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법
Wu et al. Overview of day-ahead solar power forecasts based on weather classifications
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
CN109800923B (zh) 一种分散式风力发电短期功率组合预测方法
CN114629103A (zh) 一种基于inception结构负荷分解模型的楼宇负荷分解方法

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
GR01 Patent grant
GR01 Patent grant