[發明專利]一種基于AMS-TCN的風電功率誤差修正方法

在審

• 申請號: 202111055074.1
• 申請日: 2021-09-09
• 公開（公告）號: CN113947237A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 孫蓉;李強;吳盛軍;賈勇勇;唐偉佳;汪成根;羅海峰;竇迅;鄧葉航
• 申請（專利權）人: 國網江蘇省電力有限公司電力科學研究院;國網江蘇省電力有限公司;南京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 許婉靜

本發明公開了風力發電功率預測技術領域的一種基于AMS?TCN的風電功率誤差修正方法，包括：獲取原始風電功率序列；基于原始風電功率序列進行預處理和歸一化處理；對處理后的風電功率序列進行分解，得到主成分序列；提取主成分序列的時間和空間特征，得到初步預測功率；提取預測誤差的時間特性，對初步預測功率進行修正，得到最終的預測結果。本發明能夠達到減少風電功率預測誤差，提高預測精度和穩定性的效果。

技術領域

本發明涉及一種基于AMS-TCN的風電功率誤差修正方法，屬于風力發電功 率預測技術領域。

背景技術

風力發電技術不斷成熟帶動了風力發電容量的增加，然而由于風電場輸出 功率具有波動性和間歇性，風電的大規模接入會對全網的電力平衡帶來很大影 響。風電功率預測是把握風電隨機性的一個重要手段，直接影響著調度計劃的 有效性，準確的風電功率預測結果有助于規避風電隨機波動帶來的不利影響， 提高風電消納能力。由于現有預測技術的限制，預測誤差不可避免，分析風電 功率預測誤差及其分布特性，對提升風電消納能力和保障電力系統安全可靠運 行具有重要作用。

目前廣泛使用的風電功率預測方法主要分為統計法和物理法，此外還有將 多種方法組合起來的組合預測法。其中，物理法是單純基于風電功率歷史數據 和數值天氣預報(Numerical Weather Prediction，NWP)數據的風電功率預測 方法。基于物理法的風電功率預測優點在于依賴的數據量小，模型簡單，預測 方便快捷；但NWP數據與真實氣象數據間存在著較大的誤差，且NWP數據與風 電場存在著空間上的差異，這使物理法對風電功率預測精度普遍偏低。統計法 是基于預測值與真實值的誤差來更新、調整模型權重和參數的風電功率預測方 法，該方法通常又被分為概率統計模型、機器學習模型和深度學習模型。概率 統計模型，相比于物理法能更好的跟隨風電功率的變化趨勢；機器學習模型的 預測精度均優于傳統概率模型；深度學習模型能充分挖掘輸入序列的時間和空 間特性，進一步提高風電功率預測的精度。統計方法能夠很好的提取出歷史數 據的線性和非線性關系，提高風電功率預測精度，但對歷史數據變化規律的一 致性有很高的要求；同時統計法的建模過程帶有“黑箱”性；與物理預測方法 一樣都沒有對預測誤差做進一步分析，都存在預測穩定性差的問題。

組合預測法是結合各單一預測模型的優勢而形成的一種預測精度更高，穩 定性更好的風電功率預測方法。組合模型相較于單一模型有更好的預測性能， 但是與單一模型相同都沒有考慮對預測誤差的再分析，導致預測精度偏低，預 測不太穩定等。

結合上述，現有研究在風電功率預測中存在預測誤差問題，在進行功率預 測時缺少對預測誤差的分析和修正。

發明內容

本發明的目的在于克服現有技術中的不足，提供一種基于AMS-TCN的風電 功率誤差修正方法，能夠達到減少風電功率預測誤差，提高預測精度和穩定性 的效果。

為達到上述目的，本發明是采用下述技術方案實現的：

第一方面，本發明提供了一種基于AMS-TCN的風電功率誤差修正方法，包 括：

獲取原始風電功率序列；

基于原始風電功率序列進行預處理和歸一化處理；

對處理后的風電功率序列進行分解，得到主成分序列；

提取主成分序列的時間和空間特征，得到初步預測功率；

提取預測誤差的時間特性，對初步預測功率進行修正，得到最終的預測結 果。

進一步的，所述預處理包括：

采用直接置零的方式對負值進行處理，以及利用前后兩個時刻的風電功率 值對超滿發值和亂碼進行修正，對空缺值進行填充；

所述歸一化處理表達式為：