[發明專利]一種基于RCNN和氣象時序特征的海上風電功率預測方法

在審

• 申請號: 202010564863.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111815033A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 周勇良;劉建鋒;李美玉
• 申請（專利權）人: 上海電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 上?？剖⒅R產權代理有限公司 31225
• 代理人: 陳源源

本發明涉及一種基于RCNN和氣象時序特征的海上風電功率預測方法，包括以：提取風電場歷史數值天氣預報和輸出功率數據，將歷史數據平分為訓練集和驗證集；構建RCNN為初步預測模型，并利用訓練集訓練RCNN使權值最優；利用訓練好的RCNN預測驗證集中的風電功率，得到歷史預測功率誤差；采用xgboost算法計算選取出強相關性數值天氣預報作為氣象時序特征；構建雙向循環神經網絡，利用氣象時序特征與歷史預測功率誤差訓練網絡；獲取待預測時段數值天氣預報信息，輸入訓練好的RCNN得到初步功率預測，同時將待預測時段數值天氣預報信息輸入訓練好的雙向循環神經網絡，得到最終預測風電功率。與現有技術相比，本發明保證了時效性的同時提升了模型整體預測性能。

技術領域

本發明涉及海上風電功率預測領域，尤其是涉及一種基于RCNN和氣象時序特征的海上風電功率預測方法。

背景技術

隨著海上風電裝機容量的不斷擴大，海上風電出力的波動性對電網穩定運行的影響也日益彰顯。高精度的短期海上風電功率預測技術是解決電力系統穩定運行、提高海上風電消納的重要手段。目前，短期風電功率技術多以陸上風電作為研究對象，不同于陸地，海上具有氣象因素復雜、數值天氣預報(numerical weather prediction，NWP)精度低等特點，使得傳統的陸地風電功率方法應用于海上預測時精度難以滿足工程實際要求。

傳統的風電功率預測(Wind power predicted，WPP)方法主要分為物理模型法與統計模型法。然而，相關研究表明海上風力發電的物理機理不同于陸上風力發電，故陸上風電出力預測物理模型難以用于海上風電。而陸上風電預測統計模型通過歸納歷史風電數據之間的統計規律，回避了復雜的物理建模過程，是構建海上風電預測模型的重要參考。統計方法中的神經網絡方法由于較強的自適應性和學習能力,在預測領域得到了廣泛應用。2014年，中國電力科技院王勃等人利用系統聚類算法將天氣分類，并采用反向傳播神經網絡建立不同預測模型，在吉林電網運行時取得了較好效果。但反向傳播神經網絡存在易陷入局部極小值、泛化性能較差等問題。2018年，丁明在文獻《基于功率波動過程的風電功率短期預測及誤差修正》中利用經引力搜索法優化后的反向傳播神經網絡進行風電功率預測，提高了預測精度。但其模型仍處于靜態建模階段，難以挖掘功率序列時間相關性，難以應對不穩定的天氣類型，預測精度仍有待提高。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于RCNN和氣象時序特征的海上風電功率預測方法，用于實現高精度的海上風電功率預測。

本發明的目的可以通過以下技術方案來實現：

一種基于RCNN和氣象時序特征的海上風電功率預測方法，包括以下步驟：

S1、提取風電場歷史數值天氣預報和輸出功率數據，將歷史數據平分為訓練集和驗證集；

S2、構建RCNN為初步預測模型，初始化RCNN初始權值矩陣，并利用訓練集訓練RCNN使權值最優；

S3、利用訓練好的RCNN預測驗證集中的風電功率，并將RCNN預測結果與驗證集中歷史風電功率作差，得到歷史預測功率誤差；

S4、采用xgboost算法計算驗證集中數值天氣預報與歷史預測功率誤差的相關性，選取出強相關性數值天氣預報作為氣象時序特征；

S5、構建雙向循環神經網絡，利用氣象時序特征與歷史預測功率誤差訓練網絡，其中氣象時序特征為網絡輸入，預測功率誤差為網絡輸出；

S6、獲取待預測時段數值天氣預報信息，輸入訓練好的RCNN得到初步功率預測，同時將待預測時段數值天氣預報信息輸入訓練好的雙向循環神經網絡，得到初步預測功率誤差，將初步功率預測結果與初步預測功率誤差相加，得到最終預測風電功率。