一种短期风速预测方法

技术领域

本发明属于风电场发电技术领域，特别涉及一种短期风速预测方法。

背景技术

风能资源储量非常庞大，且不会对环境造成任何污染，所以风力发电受到大力推崇。准确的风速预测对电力系统的调度和规划十分重要，是风力发电中非常关键的环节。

传统的风速预测大多是采用一台代表性风电机数据对整个风电场进行预测的，目前多采用与机器学习相结合的方法。由于风机位置以及尾流的影响，风电场中的每台风电机组的运行数据差别较大，仅由一台风电机组数据进行预测，其准确性不高。

发明内容

针对上述问题，本发明提供一种短期风速预测方法，能够得到较为精准的风速预测值。

一种短期风速预测方法，包括以下步骤：

利用K-medoids聚类算法对风电机组进行场景聚类，获得多个等效风机；

构建LSTM模型，通过LSTM模型对多个等效风机进行训练，获得风速的初步预测值；

利用混合Copula函数建立多个等效风机间的函数关系，利用遗传算法求解混合Copula函数中的参数；

通过多个等效风机的风速边缘分布值和混合Copula函数，求出风速的残差值；

通过风速的初步预测值和残差值，得到风速的精确预测值。

进一步的，利用K-medoids聚类算法对风电机组进行场景聚类，获得多个等效风机，具体如下：

从风电场获取各风电机组风速历史数据；

从气象站获取地区的风速、功率、发电机转速和叶片角度历史数据，并对数据进行分析和处理，确定模型输入和输出变量；

采用K-medoids聚类对风电机组进行场景聚类，将风电机组的风速、功率分别作为横、纵坐标值，并构建直角坐标系，建立准则函数Fs，具体如下：

式中，j表示每个类中风机变量的编号，n表示每个类中风机变量的总数，x

求解准则函数Fs，确定k个风电机组聚类；

将每类风电机组确定为等效风机。

进一步的，求解准则函数Fs，确定k个风电机组聚类，具体如下：

S11、随机的在n个样本中选取k个点作为中心点medoids；

S12、按照与中心最近的原则，将剩余的点分配到当前最佳的簇内；

S13、对于每个类中除medoids外的所有其他点，按顺序计算当其为medoids时，准则函数Fs的值，遍历所有可能，选取准则函数Fs最小时对应的点作为新的medoids；

S14、重复S12和S13，直到所有的medoids不在发生变化为止；

S15、经过不断的迭代运算，最终确定k个风电机组聚类。

进一步的，确定等效风机方法具体如下：

等效风机的功率为聚类的多个风电机组的功率之和；

等效风机的风速为聚类的多个风电机组的风速平均值；

等效风机的发电机转速为聚类的多个风电机组的发电机转速平均值；

等效风机的叶片角度为聚类的多个风电机组的叶片角度平均值。

进一步的，构建LSTM模型，通过LSTM模型对多个等效风机进行训练，获得风速的初步预测值，具体如下：

将计算得到的等效风机的风速、功率、发电机转速和叶片角度整理为新的数据集，将新的数据集分为训练集和测试集，将训练集输入到LSTM模型进行训练，得到模型参数和风速的初步预测值。

进一步的，训练集和测试集的数据比例为8:2。

进一步的，利用混合Copula函数建立多个等效风机间的函数关系，利用遗传算法求解混合Copula函数中的参数，具体如下：

假设x

f(x

令u

建立混合Copula函数，具体形式C如下：

C(u,v；θ)＝ω

ω

式中，u为第一等效风机的风速边缘分布值，v为第二等效风机的风速边缘分布值，ω

采用遗传算法求解上式(3)中混合Copula的参数ω

进一步的，采用遗传算法求解上式(3)中混合Copula的参数ω

S21、利用高斯核密度估计法求出第一等效风机、第二等效风机风速的边缘分布值u,v；

S22、确定遗传算法(GA)的适应度函数的惩罚因子γ，结合式子(4)中的约束条件，建立的适应度函数f

其中，C

C

式中，U,V为历史风速的边缘分布；

S23、确定遗传迭代的最大次数G

S24、结合公式(4)、(5)和(6)求解ω

进一步的，通过多个等效风机的风速边缘分布值和混合Copula函数，求出风速的残差值，具体如下：

S31、将第一等效风机的数据集分成训练集和测试集两部分，将训练集输入到LSTM模型进行训练，得到LSTM风速预测模型，并求得测试集LSTM模型风速的初步预测值，设测试集的样本总数为n；

S32、求取与第一等效风机测试集数量相同、对应时刻的第二等效风机的边缘分布值v；

S33、将第一等效风机对应时刻的实际值与LSTM模型风速预测值相减得到残差序列，记为y，求得残差序列的边缘分布函数w，具体如下：

w＝G(y)

S34、建立等效风机2风速与等效风机1残差值的混合Copula函数；

S35、在已知t-1时刻第二等效风机的风速值时，求得第二等效风机相应的边缘分布值v

C＝C(v

S36、将上述求得的数对

C＝a

式中，a

S37、联立求解式(7)和式(8)，可求解得到w

式中，G

S38、求第一等效风机在t时刻的残差值

式中，

进一步的，通过风速的初步预测值和残差值，得到风速的精确预测值，具体如下：

利用上述LSTM风速预测模型，输入风速、功率、发电机转速和叶片角度等指标，求取t时刻的风速的初步预测值f

得到精度较高的风速预测值，具体如下：

式中，f

本发明的有益效果：利用K-medoids聚类算法将风电场内的风机分类，获得等效风机，降低了风速的随机性，对等效风机利用混合Copula函数进行建模，之后与长短期网络相结合，提高了风速预测的精度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明实施例的一种短期风速预测方法的流程示意图；

图2示出了根据本发明实施例的一种短期风速预测方法的求解准则函数Fs，确定k个风电机组聚类的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1示出了根据本发明实施例的一种短期风速预测方法的流程示意图，一种短期风速预测方法，包括以下步骤：

利用K-medoids聚类算法对风电机组进行场景聚类，获得多个等效风机；

构建LSTM(Long Short-Term Memory，长短期记忆网络)模型，通过LSTM模型对多个等效风机进行训练，获得风速的初步预测值；

利用混合Copula函数建立多个等效风机间的函数关系，利用遗传算法(GA)求解混合Copula函数中的参数；

利用风速边缘分布值和混合Copula函数，求出风速的残差值；

将风速的初步预测值和残差值求和，得到风速的精确预测值。

通过利用K-medoids聚类算法将风电场内的风机分类，然后将类看作一台等效风机，对等效风机间利用混合Copula进行建模，之后与长短期记忆网络相结合得到较为精准的风速预测值。

长短期记忆是一种特殊的循环神经网络，其中引入了成为“门(gate)”的概念，可以起到调控信息的作用。通过个门的构建，能够很好的“记住”前面序列的有用信息。利用keras(Keras是一个由Python编写的开源人工神经网络库)框架，可以很轻易地构建LSTM模型。

利用K-medoids聚类算法对风电机组进行场景聚类，获得多个等效风机，具体如下：

从风电场获取各风电机组风速历史数据。

对于一个风电场，它的风速、风功率等指标存在着一定的规律性。由于风速的成因是太阳能热辐射的变化导致空气流动，风速具有积分特性，即未来时刻的风速与当前时刻的风速和历史风速有关。因此根据历史相关数据，利用LSTM等深度学习或机器学习方法学习其规律，可以获得风速的预测模型。

从气象站获取地区的风速、功率、发电机转速和叶片角度历史数据，并对数据进行分析和处理，以减少风速测量和信号采集中产生的随机噪声，确定模型输入和输出变量。

采用K-medoids聚类对风电机组进行场景聚类，将风机的风速、功率分别作为横、纵坐标值，并构建直角坐标系，建立准则函数Fs，准则函数Fs为当前类中所有其它点到该中心点medoids的欧式距离，具体第i类(1≤i≤k)的表达式如下：

式中，j表示每个类中风机变量的编号，n表示每个类中风机变量的总数，x

请参阅图2，图2示出了根据本发明实施例的一种短期风速预测方法的求解准则函数Fs，确定k个风电机组聚类的流程示意图，求解准则函数Fs，确定k个风电机组聚类，具体步骤如下：

S11、随机的在n个样本中选取k个点作为中心点medoids。

S12、按照与中心最近的原则，将剩余的点分配到当前最佳的簇内。

S13、对于每个类中除medoids外的所有其他点，按顺序计算当其为medoids时，准则函数Fs的值，遍历所有可能，选取准则函数Fs最小时对应的点作为新的medoids。

S14、重复S2和S3，直到所有的medoids不在发生变化为止。

S15、经过不断的迭代运算，最终确定k个风电机组聚类。

将每类风电机组确定为等效风机，确定为等效风机方法具体如下：

等效风机的功率为聚类的多个风电机组的功率之和；

等效风机的风速为聚类的多个风电机组的风速平均值；

等效风机的发电机转速为聚类的多个风电机组的发电机转速平均值；

等效风机的叶片角度为聚类的多个风电机组的叶片角度平均值。

构建LSTM模型，通过LSTM模型对多个等效风机进行训练，获得风速的初步预测值，具体如下：

将计算得到的等效风机的风速、功率、发电机转速和叶片角度整理为新的数据集，将新的数据集分为训练集和测试集，将训练集输入到LSTM模型进行训练，得到模型参数和风速的初步预测值。

示例的，训练集和测试集的数据比例为8:2。

利用混合Copula函数建立多个等效风机间的函数关系，利用遗传算法(GA)求解混合Copula函数中的参数，具体如下：

对于分类之后的场景，根据sklar定理，对于N个随机变量的联合分布，可以将其分解为N个单变量分布和一个Copula函数。

假设x

f(x

令u

采用特性不同的Copula函数组成混合Copula建立风速间的相依结构能够提高预测的精度。将Gumbel、Clayton、Frank三个单一Copula函数按照一定的比例相结合，其中C

以二维Copula为例，建立混合Copula函数，具体形式C如下：

C(u,v；θ)＝ω

ω

式中，u为第一等效风机的风速边缘分布值，v为第二等效风机的风速边缘分布值，ω

由上式(3)可知混合Copula具有六个参数，相比于单一Copula，混合Copula可以更容易描述变量间的相关程度，其中的参数也更加具体的表现出变量间的相依关系，采用遗传算法(GA)求解上式(3)中混合Copula的参数ω

S21、利用高斯核密度估计法求出第一等效风机、第二等效风机风速的边缘分布值u,v，其中u,v代表着第一等效风机、第二等效风机的风速小于某一具体值的概率。

S22、确定遗传算法(GA)的适应度函数的惩罚因子γ，结合式子(4)中的约束条件，建立的适应度函数f

其中，C

以二维Copula函数为例，C

C

式中，U,V为历史风速的边缘分布。

S23、确定遗传迭代的最大次数G

S24、结合公式(4)、(5)和(6)求解ω

通过多个等效风机的风速边缘分布值和混合Copula函数，求出风速的残差值，具体如下：

S31、将上述求得的第一等效风机的数据集按照8:2比例分成训练集和测试集两部分，将训练集输入到LSTM模型进行训练，得到LSTM风速预测模型，并求得测试集LSTM模型风速的初步预测值，设测试集的样本总数为n。

S32、求取与第一等效风机测试集数量相同、对应时刻的第二等效风机的边缘分布值v。

S33、将第一等效风机对应时刻的实际值与LSTM模型风速预测值相减得到残差序列，记为y，求得残差序列的边缘分布函数w，具体如下：

w＝G(y)

S34、建立等效风机2风速与等效风机1残差值的混合Copula函数。

S35、在已知t-1时刻第二等效风机的风速值时，求得第二等效风机相应的边缘分布值v

C＝C(v

S36、将上述求得的数对

C＝a

式中，a

S37、联立求解式(7)和式(8)，可求解得到w

式中，G

S38、求第一等效风机在t时刻的残差值

由于残差具有微分特性，用t-1时刻的残差

式中，

将风速的初步预测值和残差值求和，得到风速的精确预测值，具体如下：

利用上述求得的LSTM风速预测模型，输入风速、功率、发电机转速和叶片角度等指标，求取t时刻的风速的初步预测值f

残差值与对应的风速的初步预测值求和，便可得到精度较高的风速预测值，具体如下：

式中，f

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。