基于WRF风速预测的风电功率预测方法及系统

摘要

本发明公开了一种基于WRF风速预测的风电功率预测方法及系统，包括：获取测量得到的历史风速数据，基于所述数据，使用WRF模式获取预测风速；采用VMD对所述历史风速数据进行分解，将设定频率的基本模态分量进行叠加，实现历史风速数据的样本重构；将重构后的历史风速数据、预测风速数据和历史风电功率作为输入特征量，输入LightGBM功率预测模型，输出风电功率预测数据。本发明将历史风速数据用VMD分解并去掉一定高频分量重构后输入LightGBM功率预测模型，在不增加输入复杂度的情况下，更加平滑的序列数据更有利于LightGBM的参数训练。两个算法的结合以较低的训练成本显著准确提高了功率预测准确率和预测效率。

说明书

技术领域

本发明涉及风电功率预测技术领域，尤其涉及一种基于WRF风速预测的风电功率预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前，风电功率预测形式分为点预测与概率分布预测，点预测以不同的时间间隔给出功率点的预测值，概率预测则是针对风力发电的预测不确定性进行的范围预测。

概率预测方法主要包括以下几种：

(1)统计方法：包括自回归综合移动平均法(ARIMA)、自回归和移动平均法(ARMA)、持续法(PM)、卡尔曼滤波法(KF)、高斯过程(GP)等。

(2)物理模型驱动方法：建立风场的数学拓扑结构和物理模型，将气象要素输入拓扑结构建立功率输出曲线，从物理角度揭示相关因素对风功率的影响，能够为专门的风电场建立风功率预测(WPF)模型。

(3)数据驱动方法：将预测的气象要素作为部分特征量，与风场大量运行数据与记录气象数据结合，使用机器学习算法，包括支持向量机(SVM)、进化算法(EA)、神经网络(NN)、小波分析(WA)等，随着深度学习的发展。目前深度神经网络(DNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)、卷积神经网络、混合模型CNN-LSTM等方法应用较多。

但是，在实际的风功率预测中，主要存在以下三个问题：

(1)预测功率需要更加精准的定制化的预测风速。利用统计学或机器学习方法预测风速，预测时间短且缺乏稳定性与可解释性。采用附近气象站的数值天气预报(NMP)，可能产生时间和空间位置偏差，导致获得的预测风速与风场的实际风速差距较大，而且预测风速在时间分辨率与地形高度位置的选择上也不能满足实际的需求。

(2)需要对记录风速进行合理的特征挖掘。一个风场可以达到10×10km的规模，由于成本问题，测风塔数目较少，甚至只有一个测风塔。而且采集的风速波动性较大，甚至会记录到波动性极大的极高点，或者是因为采集系统故障造成记录缺失，难以代表整个风场的风速变化。针对这一问题，有的研究提出了由小波算法和奇异谱分析组成的二次分解技术，将风速序列分解为若干个子序列。也有研究将自适应噪声互补集成经验模态分解(CEEMDAN)和变分模态分解(VMD)相结合，建立了两阶段分解方案。即使采用了一些分解技术，对不同子序列分别进行特征挖掘，高频风速分量的变化的随机性也非常显著，而且将高频带过度细分，物理意义并不大。对于预测整个风场的输出功率来讲，适当去除风速序列的高频随机分量，比过度挖掘风速序列的波动性特征，更具实际意义。

(3)在实际的日常预测中，预测模型在提供预测功率的同时，还要定期重新训练模型参数。当前在预测准确率表现较好的各种深度神经网络模型，参数多，每次训练花费时间长，在实际部署中常常采取离线训练的方法实现参数更新，维护工作量比较大。

发明内容

为了解决上述问题，本发明提出了一种基于WRF风速预测的风电功率预测方法及系统，使用WRF模型预测风速，可以得到较为准确的风场未来风速，也可以根据需求灵活调整预测风速的时间间隔与预测周期，为风场提供定制化的数值天气预报(NWP)。

为了实现上述目的，在一些实施方式中，采用如下技术方案：

一种基于WRF风速预测的风电功率预测方法，包括：

(1)获取测量得到的历史风速数据，基于所述数据，使用WRF模式获取预测风速；

(2)采用VMD对所述历史风速数据进行分解，将设定频率的基本模态分量进行叠加，实现历史风速数据的样本重构；

(3)将重构后的历史风速数据、预测风速数据和历史风电功率作为输入特征量，输入LightGBM功率预测模型，输出风电功率预测数据。

作为进一步地方案，使用WRF模式获取预测风速，具体过程包括：

将获取的预测风速与真实记录风速根据绝对值误差与均方根误差对比，多次修正物理参数组合，直至获取最佳参数组合；

确定最佳参数组合后，每日运行WRF模式，为目标风场提供未来设定时间内的数值天气预报。

作为进一步地方案，采用VMD对所述历史风速数据进行分解，得到不同频率的基本模态分量；分别将设定的不同频率的基本模态分量进行叠加，对样本进行重构，得到历史数据样本集。

作为进一步地方案，将重构后的历史风速数据、预测风速数据和历史风电功率作为功率预测模型的输入特征量，其中，历史风电功率基于风场的数据采集与监视系统采集得到。

作为进一步地方案，对于LightBGM功率预测模型的训练过程具体为：

将重构后的历史风速数据、预测风速数据和历史风电功率按照时间序列组成训练与预测数据集；

将训练数据集输入至LightBGM功率预测模型，每轮训练与测试后统计绝对值误差和均方根误差，利用网格调参法，对学习率与最大层数进行调参；

利用预测数据集对训练好的LightBGM功率预测模型进行预测，最终得到训练好的LightBGM功率预测模型。

在另一些实施方式中，采用如下技术方案：

一种基于WRF风速预测的风电功率预测系统，包括：

数据获取模块，用于获取测量得到的历史风速数据，基于所述数据，使用WRF模式获取预测风速；

历史风速数据重构模块，用于采用VMD对所述历史风速数据进行分解，将设定频率的基本模态分量进行叠加，实现历史风速数据的样本重构；

风电功率预测模块，将重构后的历史风速数据、预测风速数据和历史风电功率作为输入特征量，输入LightGBM功率预测模型，输出风电功率预测数据。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于WRF风速预测的风电功率预测方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于WRF风速预测的风电功率预测方法。

与现有技术相比，本发明的有益效果是：

(1)本发明使用WRF模型预测风速，可以得到较为准确的风场未来风速，也可以根据需求灵活调整预测风速的时间间隔与预测周期，为风场提供定制化的NWP。

(2)风场的记录风速对未来四小时的预测功率相关性较大，本发明将记录的历史风速利用VMD分解，去掉高频分量后进行重构，可以剔除极高风速值与修正记录缺失风速，使风速曲线更加平滑，更能代表整个风场的风速情况，也更有利于模型的训练学习，合理进行特征深入挖掘，提高模型预测的泛化能力与功率预测准确度。

(3)本发明采用LightGBM作为功率预测模型，有利于在实际的部署中实现在线训练并更新参数，减少维护工作量。将历史风速数据用VMD分解并去掉一定高频分量重构后输入LightGBM功率预测模型，，在不增加输入复杂度的情况下，更加平滑的序列数据更有利于LightGBM的参数训练。两个算法的结合以较低的训练成本显著准确提高了功率预测准确率和预测效率。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1是本发明实施例中基于WRF风速预测的风电功率预测方法流程图；

图2是本发明实施例中VMD分解样本示意图；

图3是本发明实施例中V_history重构样本示意图；

图4是本发明实施例中LightBGM功率预测模型结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种基于WRF风速预测的风电功率预测方法，具体包括以下过程：

(1)获取测量得到的历史风速数据和历史风电功率数据，基于历史风速数据，使用WRF模式获取预测风速；

具体地，历史风速数据和历史风电功率基于实际风场的数据采集与监视控制系统(SCADA)以间隔15分钟进行数据的采样记录，其中包括了测风塔检测的风速记录。

使用WRF模式获取预测风速的过程中，需要将获取的预测风速与真实记录风速根据绝对值误差与均方根误差对比，多次修正物理参数组合，直至获取最佳参数组合。

确定最佳参数组合后，每日运行WRF模式，为目标风场提供未来7日包括风速在内的数值天气预报，其中预测风速作为特征量进入模型进行风电功率的预测。

具体的调参过程具体为：

WRF模式的物理参数包括微物理过程、长波辐射、短波辐射等七类，每类物理参数包含多套运行方案，需要调参选择最佳的物理参数组合，调参方案如下：

①以WRF自带的初始参数组合为基准，首先确定每类物理参数对于预测地区的敏感性。每次针对一类物理参数的所有方案进行敏感性试验，其余参数方案与基准相同。运行后统计每个方案风速预测误差，最佳与最劣方案的误差之差为该类物理参数的敏感性。

②确定七类物理参数的敏感性梯度排序，由高到低进行顺序调参。每类物理参数所有方案运行完后，选取误差最小的方案为该类参数的最终方案并替换基准方案，然后进行下一类敏感性较低的物理参数方案寻优。最终基于敏感性梯度调优的策略，将基准方案组合更新为最优方案组合。

(2)采用VMD对所述历史风速数据进行分解，将设定频率的基本模态分量进行叠加，实现历史风速数据的样本重构；

具体地，VMD是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现基本模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。

本实施例中，采用VMD对上述的历史风速数据进行分解，得到5种不同频率的基本模态分量；

在经过VMD分解后，取1000个连续点为样本，如图2所示，可以看出低频分量幅值大，与原始V_history的幅值和趋势接近，高频IMF分量幅值小，与原始V_history的趋势也严重不符。

本实施例中，分别将设定的不同频率的基本模态分量进行叠加，对样本进行重构，图3给出了5种IMF进行叠加后的重构样本；

按照表1所示的重构方式，分别进行样本重构，得到历史数据样本集。

表1数据集命名

将这些分别进行训练与测试，根据测试效果，选出最佳的重构历史风速，本实施例中，最终采取由IMF(1+2)重构的V_history4的Dataset4获取最佳预测效果。

(3)将重构后的历史风速数据、预测风速数据和历史风电功率作为LightBGM功率预测模型的输入特征量，输出风电功率预测数据。

本实施例中，选取LightBGM为算法模型，选取历史风速V_history、预测风速V_predict和历史功率P_history作为模型输入特征量，进行4小时的风功率预测。整个模型的训练流程与框架结构如图4，t为当前时间，间隔T为15分钟。

本实施例中，对于LightGBM功率预测模型进行预测的过程包括：

数据组织：将重构后的历史风速数据、预测风速数据和历史风电功率按照时间序列组成训练与预测数据集，每组数据输入为16*3矩阵，输出为16*1矩阵。

模型训练测试与调参：每轮训练与测试后统计绝对值误差和均方根误差，利用网格调参法，对学习率与最大层数进行调参，学习率为0.01-0.2，步长为0.01，最大层数从3到10，最终确立的最佳学习率与最大层数为0.1与7。

采用LightGBM作为功率预测模型，有利于在实际的部署中实现在线训练并更新参数，减少维护工作量。

实施例二

在一个或多个实施方式中，公开了一种基于WRF风速预测的风电功率预测系统，包括：

数据获取模块，用于获取测量得到的历史风速数据，基于所述数据，使用WRF模式获取预测风速；

历史风速数据重构模块，用于采用VMD对所述历史风速数据进行分解，将设定频率的基本模态分量进行叠加，实现历史风速数据的样本重构；

风电功率预测模块，将重构后的历史风速数据、预测风速数据和历史风电功率作为输入特征量，输入LightGBM功率预测模型，输出风电功率预测数据。

需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了详细的说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于WRF风速预测的风电功率预测方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于WRF风速预测的风电功率预测方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。