一种新建风电场的功率预测方法与流程

1.本发明属于新能源技术领域，更为具体地讲，涉及一种新建风电场的功率预测方法。


背景技术：

2.随着低碳化能源系统战略的不断推进，化石能源被逐步取代以及新能源成为主流能源已经不可逆转，风电作为一种清洁可再生能源在能源系统中扮演着重要的角色。为了大规模的风电能并入电网，准确的风电功率预测是必不可少的。
3.目前，国内外的风电功率预测主要有物理模型和数值模型两种。物理模型主要是指基于数值天气预测(nwp)的预测方法，通过当前的气象数据(初始条件)来求解微分方程以获得风电功率预测结果。但是，在天气突变的状况下，物理模型的预测准确度会严重下降。数值模型则是利用历史数据来预测未来的风电功率。传统的数值模型主要指时间序列模型，如自回归模型、自回归滑动平均模型(arma)等。随着人工智能的兴起，一种基于各类机器学习算法的新型数值模型得到了发展，如人工神经网络(ann)、支持向量机(svm)等。然而，数值模型获得准确预测结果的前提是有足够的历史数据，因此大多数数值模型的预测都是基于大量历史数据进行的。
4.对于一个新建的风电场，在没有足够的历史数据时，大多数数值模型都无法获得准确的风电功率预测结果，然而准确的风电功率预测对于新建立风电场的并网至关重要，因此，如何获得一个新建立风电场的准确功率预测成为亟待解决的问题。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提供一种新建风电场的功率预测方法，利用建立时间比较长的源风电场的大量历史数据来辅助新建立风电场训练多任务高斯过程预测模型，从而实现新建立风电场功率预测。
6.为实现上述发明目的，本发明一种新建风电场的功率预测方法，其特征在于，包括以下步骤：
7.(1)、获取风电场功率数据和气象数据；
8.(1.1)、获取新建风电场l在不同时刻t时的风电功率数据，记为以及新建风电场l在不同时刻t时的气象数据，包括纬向风分量和径向风分量t＝1,2,
…
,n
l
，n
l
为采样时刻数；
9.(1.2)、获取源风电场s在不同时刻t时的风电功率数据，记为以及源风电场s在不同时刻t时的气象数据，包括纬向风分量和径向风分量t＝1,2,
…
,n
s
，n
s
为采样时刻数，且满足n
s
＞＞n
l
；
10.(2)、提取风力信息和时间信息；
11.(2.1)、根据新建风电场和源风电场的气象数据获取所在地不同时刻的风速、风向和风能；
[0012][0013][0014]
其中，d为空气密度；为新建风电场在t时刻的风速、风向和风能；为源风电场在t时刻的风速、风向和风能；
[0015]
(2.2)、根据新建风电场和源风电场在第t时刻的风电功率数据，分别获取该时刻t对应的小时信息，分别记为
[0016]
(3)、构建新建风电场和源风电场的数据集；
[0017]
(3.1)、构建新建风电场在不同时刻t时的输入输出数据集
[0018][0019]
(3.2)、构建源风电场在不同时刻t时的输入输出数据集
[0020][0021]
(4)、构建训练集；
[0022]
对不同时刻t时的输入输出数据集分别进行归一化处理；
[0023]
归一化完成后，将n
l
个时刻的输入输出数据集构成训练集{x
l
,y
l
}：
[0024][0025]
将n
s
个时刻的输入输出数据集构成辅助新建风电场训练的训练集{x
s
,y
s
}：
[0026][0027]
(5)、构建多任务高斯过程预测模型mtgp；
[0028]
(5.1)、构建新建风电场的高斯过程模型，记为gp
l
，该模型反映了新建风电场训练
集{x
l
,y
l
}中的输入到输出的关系：
[0029][0030]
其中，ε
l
为新建风电场中输入的高斯噪声，ε
l
服从正态分布服从正态分布为ε
l
的方差；指输入与输出之间构成一个0均值高斯过程，即：
[0031][0032]
其中，和分别表示新建风电场训练数集{x
l
,y
l
}中第t个时刻输入的两个不同维度的数据，是gp
l
的协方差函数，表示为：
[0033][0034]
其中，b是待训练的正半定矩阵；k
l
(
·
)是核函数，可以表示为：
[0035][0036]
其中，μ
l
为核参数；
[0037]
(5.2)、构建源风电场的高斯过程模型，记为gp
s
，该模型反映了源风电场训练集{x
s
,y
s
}中的输入到输出的关系：
[0038][0039]
其中，ε
s
为新建风电场中输入的高斯噪声，ε
s
服从正态分布服从正态分布为ε
s
的方差；指输入与输出之间构成一个0均值高斯过程，即：
[0040][0041]
其中，和分别表示源风电场训练数集{x
s
,y
s
}中第t个时刻输入的两个不同维度的数据，是gp
l
的协方差函数，表示为：
[0042][0043]
其中，b是待训练的正半定矩阵；k
s
(
·
)是核函数，可以表示为：
[0044][0045]
其中，μ
s
为核参数；
[0046]
(6)、训练多任务高斯过程预测模型mtgp；
[0047]
(6.1)、将源风电场的训练数据集{x
s
,y
s
}输入到模型gp
s
中，通过优化训练模型gp
s
的参数θ
s
＝[b,σ
s
,μ
s
]，使模型gp
s
收敛；
[0048]
(6.2)、在gp
s
训练结束后，将得正半定矩阵b代入到模型gp
l
中，然后再将目标风电场的训练数据集{x
l
,y
l
}输入到模型gp
l
中，对b进一步进行训练，待模型gp
l
收敛后并得到对应参数θ
l
＝[b,σ
l
,μ
l
]；
[0049]
(7)、新建风电场的功率实时预测；
[0050]
(7.1)、实时采集新建风电场l的气象数据，并按照步骤(2)～(4)所述方法进行处
理，得到归一化后的输入数据集
[0051]
(7.2)、将的输入数据集输入训练好的gp
l
模型中，从而得到预测值
[0052]
从目标风电场的测试集{x*,y*}中将测试集输入x*输入训练好的gp
l
模型中，可以得到预测值：
[0053][0054][0055]
其中，上标t表示转置，指克罗内克积，b
l
是b的第l列，y＝(y
l
,y
s
)
t
，d是一个2
×
2对角矩阵，且对角元素为和i是一个n
l
阶单位矩阵；
[0056]
(7.3)、对预测值进行反归一化处理，从而得到新建风电场的实时预功率。
[0057]
本发明的发明目的是这样实现的：
[0058]
本发明一种新建风电场的功率预测方法，先分别采集新建风电场和源风电场的历史数据，然后利用建立时间较长的源风电场的大量历史数据来辅助新建立风电场的历史数据完成多任务高斯过程模型的训练，最后通过训练完成的模型实现新建风电场实时功率的预测，这样解决了新建立风电场历史数据不足而难以获得准确的功率预测结果的问题。
[0059]
同时，本发明一种新建风电场的功率预测方法还具有以下有益效果：
[0060]
(1)、在新建立风电场历史数据不足的情况下获得了准确的功率预测结果，这是新建风电场并网和新能源电力调度的重要依据，保障了新建风电场并网时电网的稳定，为电力调度提供了可靠依据；
[0061]
(2)、利用建立时间较长的源风电场的大量数据来辅助新建立风电场的功率预测，但是预测结果不会因来自源风电场的大量数据而受到干扰变差；
[0062]
(3)、选择风电场所在地的风力信息如：风速、风向、风能作为输入特征，这些风力信息都是影响风电场出力的关键因素，能大大提高风电场功率预测结果的准确性。
附图说明
[0063]
图1是本发明一种新建风电场的功率预测模型结构图；
[0064]
图2是本发明一种输入特征(风速)与输出(风电功率)的关系图；
[0065]
图3是本发明一种新建风电场的功率预测方法流程图；
[0066]
图4是图1所示中心节点一种具体实施方式结构图；
[0067]
图5是图1所示用户终端一种具体实施方式结构图。
具体实施方式
[0068]
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
[0069]
实施例
[0070]
在本实施例中，以风电场1和风电场2的实际数据为例，对本发明一种新建风电场
的功率预测模型进行说明，如图1所示，一种新建风电场的功率预测模型结构图。
[0071]
下面我们结合图1对本发明一种新建风电场的功率预测方法进行详细说明，如图2所示，具体包括以下步骤：
[0072]
s1、获取风电场功率数据和气象数据；
[0073]
s1.1、获取新建风电场l在不同时刻t时的风电功率数据，记为以及新建风电场l在不同时刻t时的气象数据，包括纬向风分量和径向风分量t＝1,2,
…
,n
l
，n
l
为采样时刻数；
[0074]
s1.2、获取源风电场s在不同时刻t时的风电功率数据，记为以及源风电场s在不同时刻t时的气象数据，包括纬向风分量和径向风分量t＝1,2,
…
,n
s
，n
s
为采样时刻数，且满足n
s
＞＞n
l
；
[0075]
在本实施例中，以1h为间隔，即每过1h采样一次，每天采样24个点，假设新建风电场刚刚建立5天，那么n
l
＝24
×
5，而源风电场采集这5天的数据，以及新建风电场建立前的45天的数据，总共采集50天的数据，即n
s
＝24
×
50。
[0076]
s2、提取风力信息和时间信息；
[0077]
s2.1、根据新建风电场和源风电场的气象数据获取所在地不同时刻的风速、风向和风能；
[0078][0079][0080]
其中，d为空气密度，本实例中取常数1；为新建风电场在t时刻的风速、风向和风能；为源风电场在t时刻的风速、风向和风能；在本实施例中，新建风电场和源风电场的风向的取值范围为0
°
～360
°
。图2是风电功率和风速的关系图，可以看到风电功率和风速的趋势基本一致，反映了风速等风力因素是影响风电功率的关键因素。
[0081]
s2.2、根据新建风电场和源风电场在第t时刻的风电功率数据，分别获取该时刻t对应的小时信息，分别记为
[0082]
s3、构建新建风电场和源风电场的数据集；
[0083]
s3.1、构建新建风电场在不同时刻t时的输入输出数据集
[0084][0085]
s3.2、构建源风电场在不同时刻t时的输入输出数据集
[0086][0087]
s4、构建训练集；
[0088]
对不同时刻t时的输入输出数据集分别进行归一化处理；
[0089]
归一化完成后，将n
l
个时刻的输入输出数据集构成训练集{x
l
,y
l
}：
[0090][0091]
将n
s
个时刻的输入输出数据集构成辅助新建风电场训练的训练集{x
s
,y
s
}：
[0092][0093]
s5、构建多任务高斯过程预测模型mtgp；
[0094]
s5.1、构建新建风电场的高斯过程模型，记为gp
l
，该模型反映了新建风电场训练集{x
l
,y
l
}中的输入到输出的关系：
[0095][0096]
其中，ε
l
为新建风电场中输入的高斯噪声，ε
l
服从正态分布服从正态分布为ε
l
的方差；指输入与输出之间构成一个0均值高斯过程，即：
[0097][0098]
其中，和分别表示新建风电场训练数集{x
l
,y
l
}中第t个时刻输入的两个不同维度的数据，是gp
l
的协方差函数，表示为：
[0099][0100]
其中，b是待训练的正半定矩阵；k
l
(
·
)是核函数，可以表示为：
[0101][0102]
其中，μ
l
为核参数；
[0103]
s5.2、构建源风电场的高斯过程模型，记为gp
s
，该模型反映了源风电场训练集{x
s
,y
s
}中的输入到输出的关系：
[0104]
[0105]
其中，ε
s
为新建风电场中输入的高斯噪声，ε
s
服从正态分布服从正态分布为ε
s
的方差；指输入与输出之间构成一个0均值高斯过程，即：
[0106][0107]
其中，和分别表示源风电场训练数集{x
s
,y
s
}中第t个时刻输入的两个不同维度的数据，是gp
l
的协方差函数，表示为：
[0108][0109]
其中，b是待训练的正半定矩阵；k
s
(
·
)是核函数，可以表示为：
[0110][0111]
其中，μ
s
为核参数；
[0112]
s6、训练多任务高斯过程预测模型mtgp；
[0113]
s6.1、将源风电场的训练数据集{x
s
,y
s
}输入到模型gp
s
中，通过优化训练模型gp
s
的参数θ
s
＝[b,σ
s
,μ
s
]，使模型gp
s
收敛；
[0114]
s6.2、在gp
s
训练结束后，将得正半定矩阵b代入到模型gp
l
中，然后再将目标风电场的训练数据集{x
l
,y
l
}输入到模型gp
l
中，对b进一步进行训练，待模型gp
l
收敛后并得到对应参数θ
l
＝[b,σ
l
,μ
l
]；
[0115]
s7、新建风电场的功率实时预测；
[0116]
s7.1、实时采集新建风电场l的气象数据，并按照步骤s2～s4所述方法进行处理，得到归一化后的输入数据集
[0117]
s7.2、将的输入数据集输入训练好的gp
l
模型中，从而得到预测值
[0118]
从目标风电场的测试集{x*,y*}中将测试集输入x*输入训练好的gp
l
模型中，可以得到预测值：
[0119][0120][0121]
其中，上标t表示转置，指克罗内克积，b
l
是b的第l列，y＝(y
l
,y
s
)
t
，d是一个2
×
2对角矩阵，且对角元素为和i是一个n
l
＝24
×
5阶单位矩阵；
[0122]
s7.3、对预测值进行反归一化处理，从而得到新建风电场的实时预功率。
[0123]
方法对比及指标评估：
[0124]
为了验证本发明能够在新建风电场历史数据不足的情况下获得准确的功率预测结果，使用了其余几种对比方法，分别是高斯过程(gp)、反向传播神经网络(bpnn)、线性回归(lr)、分位数回归(qr)和支持向量回归(svr)。这些对比方法只使用来自目标风电场的训练数据即n
l
＝24
×
5组数据进行训练而不使用来自源风电场的大量数据进行辅助预测。
[0125]
为了对比不同方案的功率预测效果，使用了两种评估指标分别是均方根误差(rmse)和平均绝对误差(mae)，具体形式为：
[0126][0127][0128]
其中，代表预测值；y代表实际值；n*代表预测总数。两者都是取值越小代表精度越高、预测效果越好。
[0129]
预测场景1：
[0130]
在场景1中，以风电场1为目标风电场，风电场2为源风电场，预测结果如图4所示；本发明和基准方法线性回归相比，本发明所用方法在rmse和mae分别提升了接近36.00％和23.71％，和对比方法中预测效果最好的qr对比，本发明所用方法在rmse和mae各提升了24.71％和20.00％。以上结果说明，本发明所用利用源风电场的大量数据进行辅助训练的方法在场景1的效果远远超过所有不使用源风电场数据进行辅助训练的方法；
[0131]
预测场景2：
[0132]
在场景2中，以风电场1为源风电场，风电场2为目标风电场，预测结果如图5所示；本发明和基准方法线性回归相比，本发明所用方法在rmse和mae分别提升了接近25.91％和29.15％，和对比方法中预测效果最好的gp对比，本发明所用方法在rmse和mae各提升了11.50％和13.57％。以上结果说明，本发明所用利用源风电场的大量数据进行辅助训练的方法在场景2的效果远远超过所有不使用源风电场数据进行辅助训练的方法。
[0133]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。