[發明專利]一種基于氣象特征的風電場風速超短期預測方法

在審

• 申請號: 201710893846.6
• 申請日: 2017-09-28
• 公開（公告）號: CN107665379A
• 公開（公告）日: 2018-02-06
• 發明（設計）人: 李升;周志浩
• 申請（專利權）人: 南京工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/16;G06F17/18
• 代理公司: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林,張賞

技術領域

本發明涉及一種基于氣象特征的風電場風速超短期預測方法，屬于新能源發電技術領域。

背景技術

機器學習技術是人工智能的核心，涉及多個領域多個學科，專門研究計算機如何模擬人類大腦以實現人類行為，甚至自主獲取新知識新技能，重新組織已有知識結構從而不斷改進自身性能。機器學習已經在數據挖掘、計算機視覺、自然語言處理、搜索引擎、生物特征識別、醫學診斷、證券市場分析、DNA序列測序、語音和手寫識別等各個領域廣泛應用。2012年微軟公司在“21世紀的計算”大會上展出一個應用機器學習技術將微軟研究院創始人的英文演講語音識別成英文文本，再將英文翻譯成中文，最后將中文文本合成中文語音的同聲傳譯；2016年AlphaGo擊敗圍棋世界冠軍李世石，2017年升級版Master戰勝中日韓頂尖圍棋選手以60勝0負1和的戰績結束比賽。目前，谷歌開源的Tensor Flow項目、Facebook公司的Torch和Caffe深度學習框架開發、亞馬遜宣布在其新的機器學習平臺支持MXNet……對數據的占有和學習已成為各大企業爭奪的焦點。隨著社會進步，掌握各種數據甚至成為了國家向前發展的重要基礎，能否對數據進行有效學習則是發展質量優劣的重要衡量標準。對于電力系統而言，隨著智能化水平的不斷提高，機器學習技術的滲透也將日趨明顯。接入電網的傳感器每隔一定時間將自動測量系統的運行狀態，有很大規模的數據值得學習，或將能得到對電網運行有益的高價值參考信息。

近年來新能源發電技術蓬勃發展，電網正逐步發展成為廣泛接納光伏、風電等新能源并充分結合儲能系統的新型清潔智能電網。充分利用機器學習技術對新能源出力進行準確預測成為了新型清潔智能電網實時優化調度的基礎和保障，更是電網各項穩定性指標實時計算的依據。關于風電場的風速預測，目前國內外關于風速預測的研究主要致力于提前24小時的日前風速預測，日前發電預測是為了安排一天的調度任務。然而接納大規模新能源并配備一定量儲能系統的新型清潔智能電網應具備實時優化調度功能，以達到在滿足負荷需求的前提下最大限度地利用新能源的清潔特點、發揮蓄電池的儲調優勢，從而實現資源和能量的合理配置，實現電網綜合效益最優。這就促進了風電場風速超短期預測技術的發展。目前用于風電場風速預測的機器學習方法主要有支持向量機、BP神經網絡等，以基于時間序列、相似數據、小波分解等的預測方法居多。超短期預測的時間間隔一般認為是15min甚至更短，因此將有大量數據被采集，如何有效學習現場的數據至關重要。

發明內容

本發明所要解決的技術問題是克服現有技術的缺陷，提供一種基于氣象特征的風電場風速超短期預測方法，以滿足接納了大規模風電的新型清潔智能電網實時優化調度的需求。

為解決上述技術問題，本發明提供一種基于氣象特征的風電場風速超短期預測方法，包括以下步驟：

1)根據風電場氣象監測數據，創建若干個訓練樣本，訓練樣本表示為(x⁽ⁱ⁾,y⁽ⁱ⁾)，其中，x⁽ⁱ⁾表示第i時段訓練樣本中的特征向量，y⁽ⁱ⁾為第i+1時段的風速數據；

2)對所有訓練樣本中的特征向量x⁽ⁱ⁾進行多項式化、歸一化處理；

3)將歸一化處理后的特征向量作為多變量多項式回歸訓練的原始樣本，將多變量多項式回歸模型轉化為多變量線性回歸模型；

4)利用訓練樣本，對多變量線性回歸模型中的參數向量進行尋優，確定參數向量；

5)采集一個時段的風電場氣象特征參量，利用訓練樣本的均值和標準差進行多項式化、歸一化處理后，輸入到多變量線性回歸模型的預測函數中，結合步驟4)尋優的參數向量，進行下一時段的風速預測；

6)待下一時段的真實風速值采集完成，與上一時段的氣象特征參量構成一個訓練樣本，對此單個樣本的特征向量進行多項式化、歸一化處理，然后根據此單個樣本修正參數向量；

7)將步驟6)多項式化、歸一化處理的特征向量，修正后的參數向量帶入預測函數中，進行下一次的風速預測；

8)重復步驟6)和步驟7)。

前述的特征向量x⁽ⁱ⁾包括氣壓、相對濕度、水汽壓、溫度、現時風速5個氣象特征參量。

前述的步驟1)中，定義15min為一個時段。