[发明专利]一种基于RCNN和气象时序特征的海上风电功率预测方法

说明书

本发明涉及一种基于RCNN和气象时序特征的海上风电功率预测方法，包括以：提取风电场历史数值天气预报和输出功率数据，将历史数据平分为训练集和验证集；构建RCNN为初步预测模型，并利用训练集训练RCNN使权值最优；利用训练好的RCNN预测验证集中的风电功率，得到历史预测功率误差；采用xgboost算法计算选取出强相关性数值天气预报作为气象时序特征；构建双向循环神经网络，利用气象时序特征与历史预测功率误差训练网络；获取待预测时段数值天气预报信息，输入训练好的RCNN得到初步功率预测，同时将待预测时段数值天气预报信息输入训练好的双向循环神经网络，得到最终预测风电功率。与现有技术相比，本发明保证了时效性的同时提升了模型整体预测性能。

技术领域

本发明涉及海上风电功率预测领域，尤其是涉及一种基于RCNN和气象时序特征的海上风电功率预测方法。

背景技术

随着海上风电装机容量的不断扩大，海上风电出力的波动性对电网稳定运行的影响也日益彰显。高精度的短期海上风电功率预测技术是解决电力系统稳定运行、提高海上风电消纳的重要手段。目前，短期风电功率技术多以陆上风电作为研究对象，不同于陆地，海上具有气象因素复杂、数值天气预报(numerical weather prediction，NWP)精度低等特点，使得传统的陆地风电功率方法应用于海上预测时精度难以满足工程实际要求。

传统的风电功率预测(Wind power predicted，WPP)方法主要分为物理模型法与统计模型法。然而，相关研究表明海上风力发电的物理机理不同于陆上风力发电，故陆上风电出力预测物理模型难以用于海上风电。而陆上风电预测统计模型通过归纳历史风电数据之间的统计规律，回避了复杂的物理建模过程，是构建海上风电预测模型的重要参考。统计方法中的神经网络方法由于较强的自适应性和学习能力,在预测领域得到了广泛应用。2014年，中国电力科技院王勃等人利用系统聚类算法将天气分类，并采用反向传播神经网络建立不同预测模型，在吉林电网运行时取得了较好效果。但反向传播神经网络存在易陷入局部极小值、泛化性能较差等问题。2018年，丁明在文献《基于功率波动过程的风电功率短期预测及误差修正》中利用经引力搜索法优化后的反向传播神经网络进行风电功率预测，提高了预测精度。但其模型仍处于静态建模阶段，难以挖掘功率序列时间相关性，难以应对不稳定的天气类型，预测精度仍有待提高。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于RCNN和气象时序特征的海上风电功率预测方法，用于实现高精度的海上风电功率预测。

本发明的目的可以通过以下技术方案来实现：

一种基于RCNN和气象时序特征的海上风电功率预测方法，包括以下步骤：

S1、提取风电场历史数值天气预报和输出功率数据，将历史数据平分为训练集和验证集；

S2、构建RCNN为初步预测模型，初始化RCNN初始权值矩阵，并利用训练集训练RCNN使权值最优；

S3、利用训练好的RCNN预测验证集中的风电功率，并将RCNN预测结果与验证集中历史风电功率作差，得到历史预测功率误差；

S4、采用xgboost算法计算验证集中数值天气预报与历史预测功率误差的相关性，选取出强相关性数值天气预报作为气象时序特征；

S5、构建双向循环神经网络，利用气象时序特征与历史预测功率误差训练网络，其中气象时序特征为网络输入，预测功率误差为网络输出；

S6、获取待预测时段数值天气预报信息，输入训练好的RCNN得到初步功率预测，同时将待预测时段数值天气预报信息输入训练好的双向循环神经网络，得到初步预测功率误差，将初步功率预测结果与初步预测功率误差相加，得到最终预测风电功率。