[发明专利]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

说明书

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，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。

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_m为其中，N表示样本数；C表示聚类中心数；μ_ij表示隶属度矩阵，即样本x_i对聚类中心C_j的隶属度；m表示超参数；x_i表示第i个样本；C_j表示第j个聚类中心；||*||表示数据相似性度量。

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_ij为第j个聚类中心C_j为

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。