一种考虑气象波动自适应匹配的风电功率预测方法及系统

技术领域

本公开属于风电功率预测技术领域，具体涉及一种考虑气象波动自适应匹配的风电功率预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着全球对能源的需求急剧增加，新能源逐渐替代传统的化石能源成为社会未来能源的基础；其中，风能具有蕴量巨大、分布广泛、利用技术成熟等优点，是国际公认的最具有大规模开发和商业化潜力的可再生能源之一。合理地开发利用风能具有十分重要的意义。但风能具有的强波动性、随机性和间歇特性等特点，导致风电接入电网时会产生很大的不确定性，会给电力系统安全运行带来严重危害。精准的风电功率预测十分重要，风电功率预测技术不仅能够有效提高电力系统对风电的消纳能力，而且具有重要的理论价值与实际意义。

风电场风电功率预测的输入主要为数值天气预报(NWP)数据，包括风速、风向、气压、温度等气象因素。大部分的风功率预测方法使用时间序列法，人工神经网络，深度学习方法等进行建模预测，且预测模型的输入一般为特定高度的风速或典型气象因素。目前面向天气类型的预测方法能够有效提高风电功率预测精度。此外，风电功率预测模型大多采用单一模型和定权重的组合预测模型，而风能的随机性、间歇性使单一预测模型和定权重组合模型很难完全描述其波动规律，导致预测误差较高。

发明内容

为了解决上述问题，本公开提出了一种考虑气象波动自适应匹配的风电功率预测方法及系统，自适应辨识气象类型变化情况，建立不同天气类型下的变权重组合风电功率预测模型，充分利用不同模型的优势，可以有效降低预测误差，实现风电功率短期预测。

一种考虑气象波动自适应匹配的风电功率预测方法，包括：

获取风电场的天气预报数据；

聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；

根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；

其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。

作为进一步的技术限定，使用模糊C均值聚类算法进行分析，聚类得到不同的天气类型；具体的，通过优化目标函数得到每个样本点对所有类中心的隶属度，通过所得到的隶属度完成对样本数据的分类，得到不同的天气类型。

进一步的，所述目标函数J

进一步的，所述隶属度矩阵表示每个样本点属于每个类的程度；计算使得所述目标函数最小的聚类中心，完成对样本数据的分类，得到不同的天气类型；其中，隶属度矩阵μ

作为进一步的技术限定，在组合预测模型中，采用线性递减权值的粒子群算法进行各个子模型权重的寻优。

作为进一步的技术限定，优化调节每个子模型的权重的过程为：

获取各个预测子模型预测结果的归一化平均绝对误差的值，得到预测结果的适应度；

采用粒子群优化算法进行所得到适应度的寻优，更新适应度；

当满足最大迭代次数或者收敛时，得到最优适应度值和最优位置，得到每个子模型的最优权重。

作为进一步的技术限定，通过相关系数分析所获取风电场的天气预报数据与风电功率之间的相关性，所得到的相关系数越大，则表示天气预报数据与风电功率之间的相关性越强。

根据一些实施例，本公开的第二方案提供了一种考虑气象波动自适应匹配的风电功率预测系统，采用如下技术方案：

一种考虑气象波动自适应匹配的风电功率预测系统，包括：

获取模块，其被配置为获取风电场的天气预报数据；

聚类模块，其被配置为聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；

预测模块，其被配置为根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；

其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。

根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的考虑气象波动自适应匹配的风电功率预测方法中的步骤。

根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：

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程序，所述处理器执行所述程序时实现如本公开第一方面所述的考虑气象波动自适应匹配的风电功率预测方法中的步骤。

与现有技术相比，本公开的有益效果为：

本公开针对直接采用数值天气预报初值进行预测会导致预测数据不准确、精度不高的问题，通过挖掘气象的特征，对不同的气象类型进行划分，有针对性的进行预测；利用模糊C均值聚类算法对天气类型进行聚类，可以使错综复杂的数据呈现一定的规律性和分类性；通过自适应辨识气象类型变化情况，建立不同天气类型下的动态变权重组合风电功率预测模型，可以及时对预测结果进行调整，使模型组合随时保持最佳状态，有效提高预测精度；利用组合模型能充分有效的利用单项模型的信息，且消除单一预测产生的较大偏差，使预测结果更加精确。利用粒子群优化算法对组合预测中子模型权重进行优化，来提高预测精度。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例一中的考虑气象波动自适应匹配的风电功率预测方法的流程图；

图2是本公开实施例一中的基于自适应动态匹配的不同气象波动过程下的风电功率预测的流程图；

图3是本公开实施例一中的不同气象要素与风电功率之间的相关系数图；

图4是本公开实施例一中的粒子群算法的流程图；

图5是本公开实施例一中的不同天气类型下的模型权重图；

图6是本公开实施例一中的各模型风电功率预测结果图；

图7是本公开实施例二中的考虑气象波动自适应匹配的风电功率预测系统的结构框图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

本公开实施例一介绍了一种考虑气象波动自适应匹配的风电功率预测方法。

如图1和图2所示的一种考虑气象波动自适应匹配的风电功率预测方法，包括：

获取风电场的天气预报数据；

聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；

根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；

其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。

本实施例以所获取的天气预报数据作为输入数据，根据历史气象数据作为依据，聚类划分天气类型。针对不同天气类型建立组合预测模型的自适应变权重风电功率预测模型，从而提高风电功率预测精度。首先，针对每一气象类型，分别建立风电功率预测子模型，并利用粒子群算法方法对组合模型中的子模型权重进行优化，形成从基础子模型预测结果到经过优化后的组合模型预测结果的完整链路；然后根据气象类型的时间相依关系，自适应辨识气象变化情况，建立不同气象类型下的风电功率短期预测模型；预测结果可作为风电场发电计划的制定提供参考。

作为一种或多种实施方式，所获取的风电场天气预报数据包括温度、气压、湿度、100米风速、10米风速、100风向和10米风向。

为确定风电功率预测模型的输入变量，本实施例利用相关系数ρ

其中，

表1影响变量和光伏功率之间的相关系数

如图3所示的温度T、气压A、湿度H、100米风速S、10米风速s、100风向和10米风向与风电功率观测值的P之间的相关系数图，各网格数值为所在行列对应的两个变量之间的相关系数。基于相关系数图，本实施例选择100米风速和10米风速作为模型输入。

不同气象类型之间的界限具有一定的模糊性，本实施例采用模糊C均值聚类算法进行分析，聚类得到不同的天气类型。

通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。目标函数J

其中，N表示样本数；C表示聚类中心数；μ

隶属度矩阵应当是N*C的矩阵,隶属度矩阵表示的是每个样本点属于每个类的程度。对于单个样本x

程序开始赋值给μ

迭代地更新μ

组合模型能充分利用不同子模型的优势。人工神经网络(ANN)具有准确度高，并行分布处理能力强等优点、随机森林(RF)具有较强的抗干扰能力和泛化能力、循环神经网络(RNN)能够针对时间序列上的变化情况进行处理。以ANN为子模型Y

Y＝M

本实施例利用不同种类数据分别训练三个子预测模型：

人工神经网络(ANN)

人工神经网络，是一种模拟人脑神经系统工作机制而建立的算法模型。人工神经网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的。人工神经网络在处理模糊数据、随机性数据、非线性数据方面具有明显优势，对规模大、结构复杂、信息不明确的系统尤为适用。以人工神经网络作为组合预测的子模型之一，可有效实现风电功率预测。

Multi-layer Perceptron(MLP多层感知器)，是人工神经网络的一种前向结构，由输入层、隐藏层和输出层三部分构成。

前向传播公式为：

式中，x

模型有n个样本，m个隐藏层。最终得到的目标应使真实值与预测值之间误差尽可能小，则设目标函数为：

其中，

随机森林(RF)

随机森林是一种Ensemble Learning(集成算法)，它属于Bagging类型，通过组合多个弱分类器，最终结果通过取均值，使得整体模型的结果具有较高的精确度和泛化性能。

Bagging即bootstrap aggregating，对样本使用bootstrap有放回的进行随机采样，在每轮随机采样中，训练集中大约有36.8％的数据没有被采样集采集中；这部分没采集到的数据为Out Of Bag(OOB)。这些数据没有参与训练集模型的拟合，可以用来检测模型的泛化能力。对于回归问题，通常使用简单平均法，对多个弱学习器得到的回归结果进行算术平均得到最终的模型输出。

随机森林算法使用了CART决策树作为弱学习器，随机森林会选择采集和训练集样本数一样个数的样本，其数学表达式为：

式中，h(x,a

在每个回归树的建立过程中，对样本空间和特征空间进行随机采样，引入随机属性，进而降低了回归树模型之间的相关性，又通过组合大量的回归树，改善了模型的泛化性，使得此算法具备高效、准确等特点。在模型建立过程中，回归树模型的数量K是主要的模型参数，并且K逐渐增加会导致随机森林的泛化误差收敛到一个极限，且不会出现过拟合的现象，K的取值范围一般为几百到几千。

循环神经网络(RNN)

循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归(且所有节点(循环单元)按链式连接的递归神经网络。风电场风电功率数据之间并非是相互独立的，而循环神经网络会对前面的信息进行记忆并应用于当前输出的计算中，主要有输入层,隐藏层,输出层组成。

隐藏层的输入有两部分，分别是S

S

式中，X表示输入的气象样本。S

在t＝1时刻,一般初始化输入S

h

s

o

其中，f和g均为激活函数。f可以选择sigmoid作为激活函数，g通常选择的激活函数是softmax。

时间向前推进，此时的状态s

h

s

o

权重参数W、U、V的更新，则利用将输出端的误差值反向传递，运用梯度下降法进行更新的方法，也就是要求参数的梯度。

组合预测中由于各子模型的预测效果与精度不相同，随着时间的推移，依据历史数据预测的准确性也在下降，所以平均或固定权值不能体现权值的最优分配。本实施例利用粒子群算法(PSO)对组合预测中的各子模型权重进行寻优。PSO是一种基于集群智能的随机优化算法，此算法流程图如图4所示。

具体的，PSO算法的理论如下：

PSO首先初始化一群随机粒子，这些粒子具有2个属性：速度和位置，其中速度表示移动的快慢，位置代表粒子移动的方向。定义适应度函数F(t)，gpresent(个体极值)为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做gBest(全局最优解)，并与历史gBest比较，进行更新。粒子群中的所有粒子根据自己的当前pBest和整个粒子群的gBest来调整自己的速度和位置。在找到这两个最优值时，速度和位置的更新计算式为：

V

g

其中，V

如果W比较大，粒子的全局寻优能力比较强，如果W比较小，粒子的局部寻优能力比较强。如果让W随着迭代次数的增加而逐渐减小，那么可以显著改善算法的收敛性能。动态的W可以获得比固定值更好的寻优结果。本实施例采用线性递减权值策略来对传统的粒子群算法进行改进。

设W

其中，W

权重优化的具体步骤为：

1)对于组合模型Y＝M

其中，n为样本点个数；P

2)在搜索空间中，对于时刻t，第i个粒子的位置为x

3)将粒子的新位置对应的参数赋值给组合模型并计算适应度，然后将新的适应度与之前的适应度进行比较进而确定哪些粒子的个体最优值需要更新，并更新全局最优值。

4)利用改进粒子群算法进行迭代并且在满足最大迭代次数或者收敛时终止算法，得到此算法对应的最优适应度值以及最优位置，此时最优位置对应的3个参数即为组合模型的3个参数最优值。

本实例利用某风电场数据作为算例进行分析，仿真平台均为MATLAB，进行风电功率预测。数据集包括风电场的NWP数据和历史风电功率数据，且时间分辨率均为15min。

使用FCM对气象数据进行聚类，计算在不同聚类个数下的聚类有效性指标，如表2所示。

表2不同聚类数下的有效性指标

通过对比不同聚类个数的聚类有效性指标发现，聚类个数为4时，划分熵H达到最小，聚类效果达到最佳，因此，取聚类个数为4。

针对不同的天气类型，通过粒子群优化算法寻找组合模型下3个子模型的最优权重。如图5所示，通过聚类分析产生的4种天气类型下的各子模型在组合模型所占权重。

为验证本实施例中所提出方法的有效性，选取M1、M2、M3和M4这4个模型作为对比模型，其中M1表示单独利用ANN模型进行预测，M2表示单独利用RF模型进行预测，M3表示单独利用RNN模型进行预测，M4代表在不进行聚类分析时利用组合模型进行预测，M5是本文提出的模型。

为分析各模型风电功率预测值与实际值之间的误差，选取归一化均方根误差(NRMSE)、归一化平均绝对误差(NMAE)，2个指标对模型的预测精度以及拟合优度进行评价。如表3所示，利用组合预测模型与其它几种对比模型进行预测时的预测结果误差，从表中数据可以看出，利用本实施例所提的模型进行预测时，其NMAE和NRMSE均小于其他4个模型。

表3各模型的NMAE和NRMSE值

如图6所示，利用各模型进行预测的结果对比，M1、M2、M3、M4和本文模型M5的风电功率预测值曲线；利用本实例所提出的模型进行预测，得到的风电功率预测结果更加接近真实功率，此结果验证了本实例所提模型具有良好的预测性能。

本实施例针对直接采用数值天气预报初值进行预测会导致预测数据不准确、精度不高的问题，通过挖掘气象的特征，对不同的气象类型进行划分，有针对性的进行预测；利用模糊C均值聚类算法对天气类型进行聚类，可以使错综复杂的数据呈现一定的规律性和分类性；通过自适应辨识气象类型变化情况，建立不同天气类型下的动态变权重组合风电功率预测模型，可以及时对预测结果进行调整，使模型组合随时保持最佳状态，有效提高预测精度；利用组合模型能充分有效的利用单项模型的信息，且消除单一预测产生的较大偏差，使预测结果更加精确。利用粒子群优化算法对组合预测中子模型权重进行优化，来提高预测精度。

实施例二

本公开实施例二介绍了一种考虑气象波动自适应匹配的风电功率预测系统。

如图7所示的一种考虑气象波动自适应匹配的风电功率预测系统，包括：

获取模块，其被配置为获取风电场的天气预报数据；

聚类模块，其被配置为聚类分析所获取的天气预报数据，自适应辨识气象变化，得到不同类型的天气数据；

预测模块，其被配置为根据所得到的不同类型的天气数据和不同气象类型下预设的风电功率预测模型，完成考虑气象波动自适应匹配的风电功率预测；

其中，不同气象类型下预设的风电功率预测模型采用由人工神经网络预测子模型、随机森林预测子模型和循环神经网络预测子模型构成的组合预测模型，优化调节每个子模型的权重，完成不同气象类型下的风电功率预测。

详细步骤与实施例一提供的考虑气象波动自适应匹配的风电功率预测方法相同，在此不再赘述。

实施例三

本公开实施例三提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的考虑气象波动自适应匹配的风电功率预测方法中的步骤。

详细步骤与实施例一提供的考虑气象波动自适应匹配的风电功率预测方法相同，在此不再赘述。

实施例四

本公开实施例四提供了一种电子设备。

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程序，所述处理器执行所述程序时实现如本公开实施例一所述的考虑气象波动自适应匹配的风电功率预测方法中的步骤。

详细步骤与实施例一提供的考虑气象波动自适应匹配的风电功率预测方法相同，在此不再赘述。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。