一种时空气象特征提取与深度学习的风电功率预测方法与流程

1.本发明涉及一种时空气象特征提取与深度学习的风电功率预测方法，属于新能源功率预测领域。


背景技术：

2.风资源具有典型的波动性和随机性的自然特性，这是气象因素以及地形地貌多种因素综合作用的体现；由风资源驱动，并进一步受到风力发电转化规律的影响，风功率的时间特征也具有一定的波动性和随机性，且随着空间尺度变化，不同风功率的时间和空间特征的波动性会叠加表现出不同的特征。掌握功率发电时间及空间波动性及其变化规律，是提高功率预测结果，提高系统精度、安全性和经济性的必要前提。
3.风电场功率波动是气象参数的一致性和差异性共同作用的结果，因此，在对区域风电场群的功率进行集中预测时，不同空间位置对应气象参数的趋势性和差异性是必须考虑的。但是，对于人工神经网络来说，过多的输入参数必将导致网络结构的复杂化，进而在训练过程中易陷入局部极值，导致算法收敛速度慢甚至无法收敛。因此，在采用人工神经网络进行风电集群建模时，空间气象参数的特征提取是保证预测效果的关键。
4.通过构建复合时空气象特征提取的多层级深度集群功率预测方法，不仅可以同时基于时间空间因素进行功率预测，提高结果的准确性，还可以减少预测数据的冗杂度，提高功率预测速率。


技术实现要素：

5.本发明的目的是提供一种时空气象特征提取与深度学习的风电功率预测方法，以解决上述背景技术中存在的问题，不仅可以同时基于时间空间因素进行功率预测，提高结果的准确性，还可以减少预测数据的冗杂度，提高功率预测速率。
6.本发明的目的由以下技术措施实现：
7.一种时空气象特征提取与深度学习的风电功率预测方法，其特征在于按以下步骤进行：
8.s1：将采集到不同经纬度的数据进行层级数据检索，依据时空资源动态自适应选择进行集群数据划分，构建不同指标为依据的多层级新能源子区域；
9.s2：依据新能源多维数据特征，将区域原始数据进行不同特征分解，构建子区域复合特征库，在数据挖掘的复合气象特征基础上进行特征优选，选取有效特征；
10.s3：基于对步骤s1.3采集的24h数据、48h数据、72h数据和96h数据和优选的有效特征进行数据资源匹配，基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测，选取气象数据投入深度学习模型适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
11.进一步地，s1的具体步骤包括：
12.s1.1：选取处于同一经度和维度区域的总装机容量相同的n个风电场、m个光电厂
的海量数据；
13.s1.2：通过基于集群聚类划分的时空资源动态自适应选择对步骤s1.1采集的海量数据进行空间区域分层，将选取的风/光电厂的数据按照地理空间作出拓扑结构，依据地理区域的行政区域级别，划分为由省级至区级的层级数据结构，依次为层级1数据、层级2数据至层级n数据；
14.s1.3：通过基于集群聚类划分的时空资源动态自适应选择对步骤s1.2的层级1数据、层级2数据至层级n数据进行时间尺度判定，将数据划分为有相似日历史功率的24h数据、48h数据、72h数据和96h数据，时间尺度越小的数据在功率预测中分配的权重越大；
15.s1.4：考虑新能源场站地形地貌、气候特征的影响，对步骤s1.3采集的24h数据、48h数据、72h数据和96h数据进行特征提取，对提取到的特征进行相关性分析，以新能源场站历史功率数据序列为基础，采用聚类分析的方法将所有提取的特征划分为若干集群，再考虑电网拓扑结构对划分的集群进行调整，保证集群的完整性，从而实现最小颗粒度的最优集群划分，得到多层级新能源子区域。
16.进一步地，s2的具体步骤包括：
17.s2.1：采用主成分分析的方法对步骤s1.1采集的区域原始的海量数据进行特征提取，并对特征数据进行频域特征分解、时序特征分解和空间特征分解；
18.s2.2：将分解的数据特征划分为统计特征、波动序列特征和函数变换特征，构建多维气象与功率数据特征库；
19.s2.3：基于网格化数值天气预报和集群划分结果，针对每个子集群的提取特征构造每个子集群的均值、众数、各分位数和极差统计特征，通过互信息的最大相关最小冗余算法计算数据之间的互信息，按照最大相关和最小冗余排序，对高维特征库做特征选择，从原始特征中选择出一些最有效特征；
20.s2.4：通过多次的预测结果确定数据最优特征的个数以及最优特征的组合。
21.进一步地，s3的具体步骤包括：
22.s3.1:基于对步骤s1.3采集的24h数据、48h数据、72h数据和96h数据和步骤s2.4优选的有效特征进行数据资源匹配；
23.s3.2：基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测；
24.s3.3:参照历史资源库数据中各深度学习模型之间的误差，对深度学习模型进行适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
25.本发明达到的有益效果是：通过数据的多层级划分，掌握新能源场站出力的波动性及变化规律，有效提高系统运行规划制定的精度、安全性和经济性。通过数据特征提取，可以减少参数输入，提高收敛速度，有效减少并避免陷入局部极值的情况，通过深度学习模型构建，提高预测结果的准确度和稳定性，降低电网的运行成本，综合使用基于特征选择与多层级深度迁移学习的风电场短期功率预测方法可以有效提高预测模型精度，对风功率预测具有重要作用。
附图说明
26.图1为本发明的整体流程结构框图。
具体实施方式
27.下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种时空气象特征提取与深度学习的风电功率预测方法。
28.如图1所示，一种时空气象特征提取与深度学习的风电功率预测方法，包括以下步骤：
29.s1：将采集到不同经纬度的数据进行层级数据检索，依据时空资源动态自适应选择进行集群数据划分，构建不同指标为依据的多层级新能源子区域；具体步骤包括：
30.s1.1：选取处于同一经度和维度区域的总装机容量相同的n个风电场、m个光电厂的海量数据；
31.s1.2：通过基于集群聚类划分的时空资源动态自适应选择对步骤s1.1采集的海量数据进行空间区域分层，将选取的风/光电厂的数据按照地理空间作出拓扑结构，依据地理区域的行政区域级别，划分为由省级至区级的层级数据结构，依次为层级1数据、层级2数据至层级n数据；
32.s1.3：通过基于集群聚类划分的时空资源动态自适应选择对步骤s1.2的层级1数据、层级2数据至层级n数据进行时间尺度判定，将数据划分为有相似日历史功率的24h数据、48h数据、72h数据和96h数据，时间尺度越小的数据在功率预测中分配的权重越大；
33.s1.4：考虑新能源场站地形地貌、气候特征的影响，对步骤s1.3采集的24h数据、48h数据、72h数据和96h数据进行特征提取，对提取到的特征进行相关性分析，以新能源场站历史功率数据序列为基础，采用聚类分析的方法将所有提取的特征划分为若干集群，再考虑电网拓扑结构对划分的集群进行调整，保证集群的完整性，从而实现最小颗粒度的最优集群划分，得到多层级新能源子区域。
34.s2：s2：依据新能源多维数据特征，将区域原始数据进行不同特征分解，构建子区域复合特征库，在数据挖掘的复合气象特征基础上进行特征优选，选取有效特征；具体步骤包括：
35.s2.1：采用主成分分析的方法对步骤s1.1采集的区域原始的海量数据进行特征提取，并对特征数据进行频域特征分解、时序特征分解和空间特征分解；
36.s2.2：将分解的数据特征划分为统计特征、波动序列特征和函数变换特征，构建多维气象与功率数据特征库；
37.s2.3：基于网格化数值天气预报和集群划分结果，针对每个子集群的提取特征构造每个子集群的均值、众数、各分位数和极差统计特征，通过互信息的最大相关最小冗余算法计算数据之间的互信息，按照最大相关和最小冗余排序，对高维特征库做特征选择，从原始特征中选择出一些最有效特征；
38.s2.4：通过多次的预测结果确定数据最优特征的个数以及最优特征的组合。
39.s3：基于对步骤s1.3采集的24h数据、48h数据、72h数据和96h数据和优选的有效特征进行数据资源匹配，基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测，选取气象数据投入深度学习模型适用性评估，选取最优深度学习模型为最终的层级功率预测模型；具体步骤包括：
40.s3.1:基于对步骤s1.3采集的24h数据、48h数据、72h数据和96h数据和步骤s2.4优
选的有效特征进行数据资源匹配；
41.s3.2：基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测；
42.s3.3:参照历史资源库数据中各深度学习模型之间的误差，对深度学习模型进行适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
43.本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。