融合时序特征和统计特征的风电超短期功率预测方法

摘要

本发明涉及一种融合时序特征和统计特征的风电超短期功率预测方法。本发明的目的是提供一种融合时序特征和统计特征的风电超短期功率预测方法。本发明的技术方案是：一种融合时序特征和统计特征的风电超短期功率预测方法，其特征在于：获取NWP数据，并对NWP数据进行修正；将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征；获取历史功率数据，并对历史功率数据进行清洗；将经清洗的历史功率数据输入GRU网络模型提取时序特征；将风速风向的统计特征和功率数据的时序特征融合，输入训练好的超短期风电预测模型，输出风电功率预测值。本发明适用于风力发电功率预测领域。

说明书

技术领域

本发明涉及一种融合时序特征和统计特征的风电超短期功率预测方法。适用于风力发电功率预测领域。

背景技术

国外在风电场功率预测领域有近20年的历史，较为成熟的研究有，丹麦Ris国家实验室开发的Prediktor、丹麦技术大学的WPPT(Wind Power Prediction Tool)、德国OlenBurg大学研发的Previent等等。我国在风电场功率预测领域的研究取得了一定的成果，成果多集中在统计模型算法的研究。

国内外使用深度学习技术进行风电功率预测研究的非常少，此类研究处正于起步阶段。现有的研究集中于采用深度学习算法预测风速的研究，少部分研究关注了风电功率的预测。

H.Z.Wang等人提出使用深度信念网络来预测短期风速，先将风速进行小波分解，再建立四层的深度信念网络来学习分解后的数据，最后将网络输出数据进行网络重构得到预测风速，该模型在实例中取得了较高的精度。Qinghua Hu等人则在风速数据丰富的风电场训练基于深度学习的风速预测模型，然后利用迁移学习算法将训练好的风速预测网络迁移至风速数据较少的风电场，风速数据较少的风电场使用迁移网络再经过少量数据训练后能得到较高精度的风速预测模型。

总体而言，现阶段还未形成系统化的功率预测大数据分析方法，缺乏建模数据、模型结构、建模思路、模型适应性等多方面的分析。并且目前深度学习模型用于风电功率预测系统都是确定性系统，模型无法展示预测结果的可信程度。在实际使用中，模型预测无法做到较高的准确性，在预测错误的时候，盲目信任预测结果可能对发电机造成严重伤害。

风电功率预测方法是影响预测的准确率的关键因素，当前的传统风功率预测方法主要有基于统计的方法，基于物理建模的方法以及基于人工智能技术的方法。但单一技术难以实现高精度预测，无法充分挖掘出未来风电出力与各因素之间关系，加之噪声数据影响，使得超短期风功率预测成为多变量高度非线性的复杂问题。

发明内容

本发明要解决的技术问题是：针对上述存在的问题，提供一种融合时序特征和统计特征的风电超短期功率预测方法。

本发明所采用的技术方案是：一种融合时序特征和统计特征的风电超短期功率预测方法，其特征在于：

获取NWP数据，并对NWP数据进行修正；

将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征；

获取历史功率数据，并对历史功率数据进行清洗；

将经清洗的历史功率数据输入GRU网络模型提取时序特征；

将风速风向的统计特征和功率数据的时序特征融合，输入训练好的超短期风电预测模型，输出风电功率预测值。

所述对NWP数据进行修正采用基于实验观测的粗糙度变化模型与基于势流理论的地形变化模型来分析风电场局地效应对大气边界层风的影响，之后再采用拉森尾流模型进行尾流效应的修正。

所述粗糙度模型以风电机组为研究对象，根据风电机组地理位置、内边界层高度h以及风电机组轮毂高度，可由方程(1)得到上风向未受扰风速经粗糙度变化影响后在风电机组轮毂高度处的风速；

其中，Z

u

式中：Z

所述地形变化模型为边界层内外层风速扰动求解；

根据方程(3)、(4)，在给定风电机组地理位置以及周围地形变化信息后，获得地形变化对风电机组位置外层流场的扰动；

式三中：u’

对于边界层内层风速扰动求解，由于内层流场扰动随高度按对数律变化，求得内层中任意高度的扰动流场对同高度外层扰动势流解的修正值，内层流场对于同一高度势流解的修正值为：

式中：u

将得到与风电机组位置不同高度流场扰动的解析解，与上风向未受扰风矢量叠加获得经地形扰动后的风速与风向。

一种融合时序特征和统计特征的风电超短期功率预测装置，其特征在于，包括：

NWP数据获取模块，用于获取NWP数据，并对NWP数据进行修正；

统计特征提取模块，用于将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征；

功率数据获取模块，用于获取历史功率数据，并对历史功率数据进行清洗；

时序特征提取模块，将经清洗的历史功率数据输入GRU网络模型提取时序特征；

风电功率预测模块，用于将风速风向的统计特征和功率数据的时序特征输入训练好的超短期风电预测模型，输出风电功率预测值。

所述对NWP数据进行修正采用基于实验观测的粗糙度变化模型与基于势流理论的地形变化模型来分析风电场局地效应对大气边界层风的影响，之后再采用拉森尾流模型进行尾流效应的修正。

所述粗糙度模型以风电机组为研究对象，根据风电机组地理位置、内边界层高度h以及风电机组轮毂高度，可由方程(1)得到上风向未受扰风速经粗糙度变化影响后在风电机组轮毂高度处的风速；

其中，Z

u

式中：Z

所述地形变化模型为边界层内外层风速扰动求解；

根据方程(3)、(4)，在给定风电机组地理位置以及周围地形变化信息后，获得地形变化对风电机组位置外层流场的扰动；

式三中：u’

对于边界层内层风速扰动求解，由于内层流场扰动随高度按对数律变化，求得内层中任意高度的扰动流场对同高度外层扰动势流解的修正值，内层流场对于同一高度势流解的修正值为：

式中：u

将得到与风电机组位置不同高度流场扰动的解析解，与上风向未受扰风矢量叠加获得经地形扰动后的风速与风向。

一种存储介质，其上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述融合时序特征和统计特征的风电超短期功率预测方法的步骤。

一种计算机设备，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述融合时序特征和统计特征的风电超短期功率预测方法的步骤。

本发明的有益效果是：本发明使用NWP(Numerical Weather Prediction，数值天气预报)数据和历史功率数据作为输入，对数据进行了一系列数据处理结束，包括对NWP数据进行使用物理模型的修正和对历史功率数据进行包括数据补缺、异常数据预处理、数据归一化的数据预处理工作。本发明使用信息融合的框架进行超短期风力发电的预测，将处理后的功率历史数据和NWP数据分别送入GRU和CNN网络分别学习时序特征和统计特征，之后再这两种特征进行信息融合以得到最终的模型。本发明结合了物理模型和统计方法的数据预处理方式和使用了信息融合的深度学习技术可以有效地提高预测的精度。

本发明在训练模型选择上，使用了技术成熟的ResNet和GRU，前者使用残差连接，网络极深，非常适用于提取统计特征；后者是LSTM网络的一种变体，比LSTM的结构更加简单，同时处理时序信息时效果也更加好；这两种网络可以很好地提取数据的时序和统计特征，最后对两种特征进行信息融合，提高模型的精度和鲁棒性。

附图说明

图1为本实施例融合时序特征和统计特征的风电超短期功率预测方法的流程图。

图2为本实施例的系统整体框图。

图3为本实施例的处理NWP数据的物理模型图。

图4为本实施例融合时序特征和统计特征的风电超短期功率预测装置的功能模块图。

具体实施方式

本实施例为融合时序特征和统计特征的风电超短期功率预测方法，包括以下步骤：

S01、获取NWP(Numerical WeatherPrediction，数值天气预报)数据，并对NWP数据进行修正。

NWP数据只能代表对应均匀下垫面的各计算网格的空间平均值，实际风电场地表具有明显的非均匀特征，各风电机组位置的风速、风向可能存在较大差异，因此NWP数据并不能直接作为风电机组的风速、风向而用于功率预测必然会带来一定程度的误差。此外，上风向机组的尾流效应也是风电场功率预测中必须考虑的重要因素。

本实施例分别采用基于实验观测的粗糙度变化模型与基于势流理论的地形变化模型模拟风电场局地效应。

粗糙度模型以风电机组为研究对象，根据风电机组地理位置、内边界层高度h以及风电机组轮毂高度，可由方程(1)得到上风向未受扰风速经粗糙度变化影响后在风电机组轮毂高度处的风速。

其中，Z

u

式中：Z

地形变化模型本质是边界层内外层风速扰动求解，对于边界层外层，本实施例采用基于势流理论的解析方法分析地形变化的影响，根据方程(3)、(4)，在给定风电机组地理位置以及周围地形变化信息后，就可获得地形变化对风电机组位置外层流场的扰动。

对于边界层内层风速扰动求解，由于内层流场扰动随高度按对数律变化，因此可求得内层中任意高度的扰动流场对同高度外层扰动势流解的修正值。内层流场对于同一高度势流解的修正值为：

至此，就得到了与风电机组位置不同高度流场扰动的解析解，与上风向未受扰风矢量叠加后就可获得经地形扰动后的风速与风向。

之后再采用欧洲风电机组标准中推荐的拉森尾流模型(Larsen wake model)，该模型为解析模型，可分析尾流区内的风速衰减与上风向风电机组对下游环境湍流水平的影响。经过分析修正后，便可以得到较为精确的风电机组处的风速与风向。

S02、将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征。

CNN网络可以非常好地提取统计特征。本步骤使用的CNN是一个两层的网络，网络模型尺寸较小，运行速度快。本层网络的结构参数如表一，其由卷积层、ReLU、最大值池化构成，其中的卷积核大小为3*3大小，步长为1，不进行padding。此外，本次网络训练的batchsize为100。

表一、提取统计特征的CNN参数

S03、获取历史功率数据，并对历史功率数据进行清洗。对历史功率数据进行数据清洗，主要包括数据补缺、异常数据处理和数据归一化。将风电功率值小于零的用零值代替，并把空缺值使用与其相似的数据样本的均值取代；然后对初始的风电数据中的异常数据进行去除校正，例如远偏离于均值的数据；最后利用“线性归一化”法，对历史功率数据进行归一化处理，以避免给之后的训练带来过大的波动。

S04、将经清洗的历史功率数据输入GRU网络模型提取时序特征。

GRU网络是循环神经网络(Recurrent Neural Network,RNN)的一种，和LSTM(Long-Short Term Memory)一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。本次使用的GRU网络参数如表二所示，其输入为连续4个时刻的功率预测特征，两个GRU模块和一个全连接层构成，最终输出为100*1*64。

表二提取时序特征的GRU参数

S05、将风速风向的统计特征和功率数据的时序特征融合，输入训练好的超短期风电预测模型，输出风电功率预测值。

将获得的统计特征和时序特征进行拼接后的特征，其尺寸为100*128，使用该合并后的输入训练好的超短期风电预测模型，输出风电功率预测值。表三为超短期风电预测模型的网络结构参数，其最终输出的尺寸为100*1。

表三

本实施例还提供一种融合时序特征和统计特征的风电超短期功率预测装置，包括：NWP数据获取模块1、统计特征提取模块2、功率数据获取模块3、时序特征提取模块4和风电功率预测模块5，NWP数据获取模块用于获取NWP数据，并对NWP数据进行修正；统计特征提取模块用于将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征；功率数据获取模块用于获取历史功率数据，并对历史功率数据进行清洗；时序特征提取模块将经清洗的历史功率数据输入GRU网络模型提取时序特征；风电功率预测模块用于将风速风向的统计特征和功率数据的时序特征输入训练好的超短期风电预测模型，输出风电功率预测值。

本实施例还提供一种存储介质，其上存储有可供处理器执行的计算机程序，该计算机程序被执行时实现本实施例融合时序特征和统计特征的风电超短期功率预测方法的步骤。

本实施例还提供一种计算机设备，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现本实施例融合时序特征和统计特征的风电超短期功率预测方法的步骤。