[发明专利]基于机组动态特性的风电功率预测不确定性量化方法

说明书

本发明属于风电功率预测技术领域，具体涉及一种基于机组动态特性的风电功率预测不确定性量化方法。该方法考虑发电机转速和叶片角度对发电机组实时运行动态的影响，建立贝叶斯超参数优化的轻量梯度提升机确定性风电功率预测模型；然后采用模糊C均值聚类对历史预测风电功率值和预测误差进行工况区段划分，从预测误差和预测出力的条件相关性出发，构建机组预测出力和预测误差耦合的非参数区间估计方法，并以置信区间对风电功率预测区间进行了离散化表征，实现风电机组出力预测的不确定性的量化。

技术领域

本发明属于风电功率预测技术领域，具体涉及一种基于机组动态特性的超短期风电功率预测不确定性量化方法。

背景技术

风资源的随机性和波动性是造成风电机组出力不确定性的主要因素，进而限制大规模风电并网。风电功率预测方法按时间尺度可分为超短期(0-4h)、短期(4-72h)、中期和长期预测(＞72h)。风电功率预测时间尺度越短，对预测精度要求越高。精确的超短期风电功率预测对风电机组参与优化调频、旋转备用容量的优化配置和实时电力市场确定清算价格提供重要依据。

近年来，神经网络和回归模型的人工智能方法，及非参数的概率预测方法，在风电功率预测研究中被广泛关注，主要包括输入数据的预处理、预测模型的构建和预测不确定性的量化分析三个方面研究。特征选取作为数据预处理的方法之一，在保证预测精度前提下，降低输入变量的维度，以提高模型计算效率。风电功率预测的输入特征依据建模对象(风电场或风电机组)的不同有所侧重。利用模糊神经网络处理采集数据的不确定性，湿度、温度、压力和风速作为输入特征，提出粒子群优化的模糊神经网络模型对整个风电场功率进行预测。选取风向，偏航角和风速作为预测机组出力曲线的输入，以提高预测的精度，但忽略发电机运行的动态控制因素影响。

目前，风电功率不确定性量化分析的研究主要有概率密度和分位数回归。其中采用分位数回归进行风电功率的概率预测，分位数回归不能描述联系连续的概率分布，难以描述风速等气象变量与风电功率间的非线性映射，实际预测效果受限。

相比于传统的神经网络和回归模型训练高维大数据时计算成本较高和模型不稳定的问题，新兴的基于决策树的集成学习方法，通过构建和组合多个基础学习器来完成学习任务，能够提供比单个学习器更健壮的性能。然而上述研究针对超短期风电功率预测和区间估计虽有一定的指导意义，但在数据特征信息挖掘和模型性能方面仍有待提高。

发明内容

针对目前不确定性量化分析存在的忽略了发电机运行动态因素的影响、计算时间较长的缺陷和问题，本发明提供一种机组动态特性超短期风电功率预测不确定性量化方法。

本发明解决其技术问题所采用的方案是：一种基于机组动态特性的风电功率预测不确定性量化方法，包括以下步骤：

(1)选取风电机组一定时间范围内的历史实测运行数据，基于皮尔逊相关性和模型特征重要度排序分析影响机组出力的特征，剔除相关性较弱和分数较低的特征，选出影响机组出力的重要特征，以重要特征作为输入特征，以机组风电功率作为输出，构建LGBM风电功率预测模型；同时采用贝叶斯优化算法对LGBM风电功率预测模型的超参数进行优化，以均方根误差作为评估函数获取最优超参数，将最优超参数代入LGBM风电功率预测模型得到贝叶斯优化的 LGBM风电功率预测模型；

(2)以历史实测运行数据的一部分作为训练集对贝叶斯优化的 LGBM预测模型进行训练，以历史实测运行数据的另一部分作为测试集进行测试，获取机组风电功率历史预测值；将历史预测值与历史实测值进行对比得到预测误差；

(3)利用非参数估计建立预测风电功率和预测误差的条件相依性，采用模糊C均值聚类对预测风电功率的样本特征进行聚类，将预测风电功率值离散划分为多个功率区段，并获得不同功率区段的样本子集；