[發明專利]一種基于氣象模式識別的風電功率預測誤差建模方法

有效

• 申請號: 201911309950.1
• 申請日: 2019-12-18
• 公開（公告）號: CN111008504B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 柯德平;劉念璋;牛四清;楊健;劉健;柳玉;姜尚光
• 申請（專利權）人: 武漢大學;國家電網公司華北分部
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06Q10/04;G06Q10/06;G06Q50/06;G06F111/10;G06F113/06
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 彭艷君

1.一種基于氣象模式識別的風電功率預測誤差建模方法，其特征是，包括通過對歷史氣象數據進行k-means聚類分析得到相應的氣象模式；根據各氣象模式下氣象數據特征，訓練支持向量機分類器；并用其將歷史風電功率預測誤差數據劃分為各個氣象模式下的子數據集，分別對子數據集進行統計分析得到對應的概率密度曲線；進而基于通用分布模型，通過最小二乘擬合得到各氣象模式下風電功率預測誤差概率密度模型，從而完成對風電功率預測誤差的建模；

包括以下具體步驟：

步驟1、選取氣象指標，對歷史氣象數據以及歷史風電功率預測誤差數據進行預處理；

步驟2、將歷史氣象數據根據月份劃分為四個季度下的數據集，通過肘部法確定各季度下氣象模式數目，并利用K-means算法對各季度下歷史氣象數據分別進行聚類分析，建立相應的氣象模式；

步驟3、根據步驟2所建立氣象模式，利用支持向量機算法對各氣象模式下的氣象數據進行學習訓練，得到支持向量機分類器；根據歷史風電功率預測誤差數據對應的氣象數據，將風電功率預測誤差劃分為各個氣象模式下的子集；

步驟4、根據步驟3計算所得各氣象模式下風電功率預測誤差數據子集，對各數據子集進行統計分析得到各氣象模式下風電功率預測誤差概率密度曲線；利用最小二乘擬合，基于通用分布模型，得到各氣象模式下風電功率預測誤差的概率密度通用分布解析表達式，完成不同氣象模式下的風電功率預測誤差建模；

步驟1的實現包括以下步驟：

步驟1.1、選取風速、風向、氣溫和氣壓作為氣象指標；

步驟1.2、對歷史數據進行的預處理包括缺失值與異常值處理以及數據的標準化；具體步驟如下：

步驟1.2.1、采用刪除法將存在缺失以及數值明顯超出其物理意義范圍的數據刪除，實現缺失值與異常值處理；

步驟1.2.2、數據的標準化采用0-1標準化方法，通過對歷史數據進行線性變換使其轉換到[0,1]區間，轉換所用公式如下:

其中u表示待轉換的歷史數據風速、風向、氣溫、氣壓、風電功率預測誤差，u^*表示0-1標準化后的歷史數據，u_max與u_min分別為歷史數據中的最大值與最小值；

步驟2的實現包括以下步驟：

步驟2.1、利用肘部法確定各季度下氣象模式數目為：

其中，k為該季度下的氣象模式數目，ω_j表示第j個氣象模式，n_j為第j個氣象模式的聚類中心，e_i為屬于第j個氣象模式當中的第i個氣象數據樣本點，SSE為誤差平方和，表示各氣象模式內樣本點與聚類中心的誤差平方的和；

步驟2.2、利用k-means算法對各季度下歷史氣象數據分別進行聚類分析，形成各季度下的氣象模式的具體步驟如下：

步驟2.2.1、從t個歷史氣象數據樣本點中隨機性的選取其中的k個氣象數據樣本點作為初始聚類中心，然后依次計算其余各樣本點到這些初始聚類中心的距離，并將樣本點賦給距離最近的類簇，從而形成初始的k個類簇；

步驟2.2.2、分別計算k個類簇內樣本點數據的均值，即得到中心樣本，以這k個中心樣本作為新的聚類中心，重新計算各個氣象數據樣本點與新的聚類中心的距離，并再次根據最小距離原則將各個樣本點分配給距離最近的類簇；

步驟2.2.3、重新計算k個類簇的均值，循環步驟2.2.2與步驟2.2.3，直到聚類中心不再發生變化為止；

步驟3的實現包括以下步驟：

步驟3.1、利用支持向量機算法對各氣象模式下的氣象數據進行學習訓練，得到支持向量機分類器的步驟：

步驟3.1.1、氣象模式類別為2的支持向量機算法；

對于容量為L的氣象數據訓練樣本集T＝{(x_i,y_i),i＝1,2,…,L}，若x_i屬于第一類，則記為y_i＝1；若x_i屬于第二類，則記為y_i＝-1；

選取高斯徑向基核函數，將線性不可分的樣本數據映射到高維特征空間中，變得可分，核函數形式為：

它將訓練樣本集映射到Hilbert空間，得到對應的新的氣象數據訓練集

選取懲罰因子C，控制外點規模和抑制噪聲數據點，構造并求解最優問題；

s.t.y_i((τ·x_i)+b)≥1-ξ_i,ξ_i≥0,i＝1,…,L

上式中τ是Hilbert空間中的分類面；ξ是松弛變量；C是懲罰參數；構造Lagrange函數，得到上述問題的對偶問題為：

得到最優解選取α^*的一個正分量并據此計算閾值：

最終得到用于氣象數據分類的最優分類函數為

步驟3.1.2、氣象模式類別大于2的支持向量機算法；

采用逐一鑒別方法，構造k個SVM子分類器，在構造第j個SVM子分類器時，將屬于第j類別的樣本數據標記為正類，不屬于j類別的樣本數據標記為負類；訓練時，對歷史氣象數據樣本分別計算各個子分類器的判別函數值，并選取判別函數值最大所對應的類別為氣象數據樣本的類別，從而實現多分類；

步驟3.2、利用訓練得到的支持向量機分類器，根據與歷史風電功率預測誤差數據對應的歷史氣象數據，判斷出歷史風電功率預測誤差數據樣本點所對應的氣象模式，進而將歷史風電功率預測誤差數據進行分箱，變為各季度各氣象模式的誤差數據箱；

步驟4的實現包括以下步驟：

步驟4.1、利用matlab對各季度各氣象模式下風電功率預測誤差數據集進行統計分析得到各氣象模式下風電功率預測誤差的概率密度曲線；各曲線為一組二維數據，即平面上的m個點(w_p,v_p),p＝1,2,…,m，w_p各不相同，令v＝f(w)，使得f(w)在最小二乘下與所有數據點最為接近，利用最小二乘擬合，基于通用分布模型，得到各氣象模式下風電功率預測誤差的概率密度通用分布解析表達式；

令f(w)＝a₁r₁(w)+a₂r₂(w)+…a_sr_s(w)，

式中，r_z(w)為選定的一組線性無關的函數，a_z為待定系數，z＝1,2,…,s，δ_p為v_p與f(w_p)的距離；v與w之間的函數關系為所選取的通用分布模型；

步驟4.2、確定待定系數a_z；

記

式中，J即為各點的距離平方之和；為求a_z使J達到最小，利用極值的必要條件z＝1,…,s,得到關于a₁,…,a_s的線性方程組，

即

記

A＝[a₁,…,a_m]^T,V＝[v₁,…,v_s]^T

則方程組可表示為

R^TRA＝R^TV

當{r₁(w),…,r_s(w)}線性無關時，R列滿秩，R^TR可逆，于是方程組有唯一解：

A＝(R^TR)^-1R^TV

所選取的通用分布函數形式已知，通用分布的概率密度表達式如下：

式中λ,β,γ即為決定通用分布模型形狀的參數；

步驟4.3、利用最小二乘擬合，通過使擬合函數與概率密度曲線的距離平方和最小，求出與曲線最接近的通用分布模型中的未知參數，得到相應的通用分布模型，完成不同氣象模式下風電功率預測誤差的通用分布建模。