考虑风电集相关性的风电功率预测方法

1.本发明属于电力系统新能源预测技术领域，具体涉及一种考虑风电集相关性的风电功率预测方法。

背景技术：

2.为推进国家双碳目标的实现，风电\光伏等新能源接入电网的比例逐渐提高。相较于煤炭、石油等一次能源，风电、光伏等新能源受大气系统的混沌特性影响，出力具有高不确定性的特征，严重影响电力系统的稳定安全运行。因此，开展稳定可靠的风电功率预测，对于电力系统调度、电力市场具有重要意义。目前的风电场功率预测未考虑各个风电场之间的时空相关性，未能深度挖掘相邻风电场中隐藏的海量相关数据，受单一风电场数据不确定性影响，风电功率预测的精度堪忧，无法准确预测实际风电出力情况。

技术实现要素：

3.本发明的目的是提供一种考虑风电场集相关性、为电力系统调度提供关键数据支撑的风电功率预测方法。
4.为达到上述目的，本发明采用的技术方案是：
5.一种考虑风电集相关性的风电功率预测方法，用于实现超短期风电场出力的确定性预测，所述的考虑风电集相关性的风电功率预测方法包括以下步骤：
6.步骤1：相邻各风电场与待预测风电场功率之间最优延时计算：以待预测风电场为基础，分别给予相邻风电场风电功率以不同的时间延时，计算不同延时下相邻风电场和待预测风电场之间风电功率的皮尔逊相关系数，得出皮尔逊相关系数取最大值时的相邻风电场风电功率延时，将其作为各个相邻风电场的最优延时；
7.步骤2：构建各个相邻风电场功率与待预测风电场功率的相似性权重：将相邻各风电场功率叠加各自对应的最优延时，并计算其与待预测风电场风电功率之间的皮尔逊相关系数，即为各个相邻风电场功率与待预测风电场功率的相似性权重；
8.步骤3：构建虚拟风电集出力时间序列：基于步骤2得到的各个相邻风电场功率与待预测风电场功率的相似性权重，进行相似性权重的加权组合，构建虚拟风电集出力时间序列；
9.步骤4：构建待预测风电场风电功率预测模型：基于机器学习构建待预测风电场风电功率预测模型；
10.步骤5：得出风电功率确定性预测结果：以虚拟风电集出力、历史风电功率为输入，训练待预测风电场风电功率预测模型，开展预测，实现待预测风电场风电功率预测。
11.上述技术方案中，进一步地，步骤1中，所述皮尔逊相关系数的计算方法为：
[0012][0013]
其中x
i,j
为第i个相邻风电场风电功率叠加延时j后的时间序列，y为待预测风电场
风电功率的时间序列，cov(x
i,j
,y)为两者之间的协方差，与σy分别为x
i,j
和y的标准差，per
i,j
为两者之间的皮尔逊相关系数。
[0014]
进一步地，步骤2中，所述各个相邻风电场功率与待预测风电场功率的相似性权重的计算方法为：
[0015]
ωi＝max{per
i,j
,j∈[1,n]}
[0016]
其中，ωi为第i相邻风电场对应的相似性权重，n为相邻风电场的个数。
[0017]
进一步地，所述步骤3中，所述虚拟风电集出力时间序列的计算方法为：
[0018][0019]
其中x
t
为虚拟风电集出力时间序列，xi为第i个相邻风电场风电功率叠加最优延时后的时间序列。
[0020]
进一步地，所述步骤4中，采用改进极限学习机算法构建所述的风电功率预测模型。基于改进极限学习机算法构建待预测风电场风电功率预测模型的方法如下：
[0021]
设训练集合{(xi,ti)|xi∈rn,ti∈rm,i＝1,...,n1}元素数量为n1，xi为虚拟风电集出力和待预测风电场历史功率构成的特征向量，ti为待预测风电场的历史功率。输入层、隐含层、输出层的神经元个数分别是n、h、m，g(x)为激活函数。基于极限学习机算法得到的预测模型为：
[0022][0023]
其中b
τ
，β
τ
分别为第τ隐含层神经元的偏置及权重，ω
τ
＝[ω
τ1
,ω
τ2
,...,ω
τn
]
t
为极限学习机的输入权重，xi为虚拟风电集出力和待预测风电场历史功率构成的特征向量，oi＝[o
i1
,o
i2
,...,o
im
]
t
表示极限学习机的输出。
[0024]
损失函数为：
[0025]
e(θ)＝||hβ-t||
[0026]
其中，e(θ)为模型的损失函数，θ＝{ωi,bi,βi}，h为隐含层的输出矩阵，β为输出权重，t为输出期望矩阵。训练极限学习机的过程可转化为求解以下线性方程：
[0027]
hβ＝t
[0028]
β＝h-1
t
[0029]
式中，h-1
为矩阵h的moore-penrose广义逆。
[0030]
由于极限学习机初始化权重以及阈值对训练结果有很大影响，引入遗传算法(ga)对极限学习机进行改进，优化极限学习机的初始权重和阈值，开展风电功率预测。所述基于改进极限学习机算法的待预测风电场风电功率预测模型的训练步骤如下：
[0031]
(1)数据预处理。开展历史风电功率异常数据处理与归一化。
[0032]
(2)确定极限学习机基本模型结构。设置隐含层单元个数等超参数，随机初始化模型的权重和阈值。
[0033]
(3)设置遗传算法的参数，包括种数、迭代次数、交叉概率和变异概率。
[0034]
(4)种初始化并开始训练。设置初始种，进行交叉、变异的迭代训练。
[0035]
(5)达到最大的迭代次数后，输出优化后的极限学习机权值和阈值。
[0036]
(6)依据优化所得的极限学习机初始权值、阈值，进行模型训练。
[0037]
模型训练完毕，得到输出权重β的结果后，输入待预测时刻的虚拟风电集出力、待预测风电场历史功率构成的特征向量，得到风电功率确定性预测结果。
[0038]
本发明的有益效果为：
[0039]
本发明提出的考虑风电集相关性的风电功率预测方法，通过计算待预测风电场与相邻风电场风电功率相关性最高时对应的最优延时，量化各个相邻风电场与待预测风电场的时间相关性；计算待预测风电场与相邻风电场风电功率的相似性权重，构建与待预测风电场相关性高的虚拟风电集出力时间序列；以虚拟集出力时间序列、历史风电功率为输入，构建基于极限学习机的待预测风电场风电功率预测模型，实现待预测风电场风电功率确定性预测。与传统的风电功率确定性预测技术相比，本发明提出的考虑风电集相关性的风电功率预测方法，考虑了风电功率的集相关性，充分挖掘了隐藏在相邻风电场中的历史风电功率数据，提升了模型方法的稳定性，对电力系统的安全稳定运行具有重要意义。
[0040]
附图方式
[0041]
图1为极限学习机网络模型；
[0042]
图2为本发明的考虑风电集相关性的风电功率预测方法的流程图。
具体实施方式
[0043]
步骤1：计算相邻各风电场与待预测风电场功率之间最优延时
[0044]
以待预测风电场为基础，分别给予相邻风电场风电功率以不同的时间延时，计算不同延时下相邻风电场和待预测风电场之间风电功率的皮尔逊相关系数，得出皮尔逊相关系数取最大值时的相邻风电场风电功率延时，将其作为各个相邻风电场的最优延时δt。所述皮尔逊相关系数的计算方法为：
[0045][0046]
其中x
i,j
为第i个相邻风电场风电功率叠加延时tj的时间序列，y为待预测风电场风电功率的时间序列，cov(x
i,j
,y)为两者之间的协方差，与σy分别为x
i,j
和y的标准差，per
i,j
为两者之间的皮尔逊相关系数。
[0047]
步骤2：构建各个相邻风电场功率与待预测风电场功率的相似性权重
[0048]
将相邻各风电场功率叠加各自对应的最优延时，并计算其与待预测风电场风电功率之间的皮尔逊相关系数，即为各个相邻风电场功率与待预测风电场功率的相似性权重。所述各个相邻风电场功率相似性权重的计算方法为：
[0049]
ωi＝max{per
i,j
,j∈[1,n]}
[0050]
其中，ωi为第i相邻风电场对应的相似性权重，n为相邻风电场的个数。
[0051]
步骤3：构建与待预测风电场相关性高的虚拟风电集出力时间序列
[0052]
将相邻各风电场功率叠加各自对应的最优延时，进行相似性权重的加权组合，构建与待预测风电场相关性高的虚拟风电集出力时间序列。所述虚拟风电集出力时间序列的计算方法为：
[0053][0054]
其中x
t
为与虚拟风电集出力时间序列，xi为第i个相邻风电场风电功率叠加最优延时后的时间序列。
[0055]
步骤4：构建风电功率预测模型
[0056]
构建待预测风电场风电功率预测模型。基于极限学习机算法构建待预测风电场风电功率预测模型的方法如下：
[0057]
设训练集合{(xi,ti)|xi∈rn,ti∈rm,i＝1,...,n1}样本数量为n1，xi为虚拟风电集出力和待预测风电场历史功率构成的特征向量，ti为待预测风电场的历史功率。输入层、隐含层、输出层的神经元个数分别是n、h、m，g(x)为激活函数。基于极限学习机算法得到的预测模型为：
[0058][0059]
其中b
τ
，β
τ
分别为第τ隐含层神经元的偏置及权重，ω
τ
＝[ω
τ1
,ω
τ2
,...,ω
τn
]
t
为极限学习机的输入权重，oi＝[o
i1
,o
i2
,...,o
im
]
t
表示极限学习机的输出。
[0060]
改进极限学习机的损失函数为：
[0061]
e(θ)＝||hβ-t||
[0062]
其中，θ＝{ωi,bi,βi}，h为隐含层的输出矩阵，β为输出权重，t为输出期望矩阵。训练极限学习机的过程可转化为求解以下线性方程：
[0063]
hβ＝t
[0064]
β＝h-1
t
[0065]
式中，h-1
为矩阵h的moore-penrose广义逆。
[0066]
步骤5：得出风电功率确定性预测结果
[0067]
以虚拟风电集出力、历史风电功率为输入，构造监督序列，划分训练集和测试集，训练风电功率预测模型；模型训练完成后，开展风电功率预测，得到待预测风电场风电功率确定性预测结果。
[0068]
由于极限学习机初始化权重以及阈值对训练结果有很大影响，引入遗传算法(ga)对极限学习机进行改进，优化极限学习机的初始权重和阈值，开展风电功率预测。所述基于改进极限学习机算法的待预测风电场风电功率预测模型的训练步骤如下：
[0069]
(1)数据预处理。开展历史风电功率异常数据处理与归一化。
[0070]
(2)确定极限学习机基本模型结构。设置隐含层单元个数等超参数，随机初始化模型的权重和阈值。
[0071]
(3)设置遗传算法的参数，包括种数、迭代次数、交叉概率和变异概率。
[0072]
(4)种初始化并开始训练。设置初始种，进行交叉、变异的迭代训练。
[0073]
(5)达到最大的迭代次数后，输出优化后的极限学习机权值和阈值。
[0074]
(6)依据优化所得的极限学习机初始权值、阈值，进行模型训练。

技术特征：

1.一种考虑风电集相关性的风电功率预测方法，用于预测未来一段时间之内的风电场出力情况，其特征在于：所述考虑风电集相关性的风电功率预测方法包括以下步骤：步骤1：相邻各风电场与待预测风电场功率之间最优延时计算：以待预测风电场为基础，分别给予相邻风电场风电功率以不同的时间延时，计算不同延时下相邻风电场和待预测风电场之间风电功率的皮尔逊相关系数，得出皮尔逊相关系数取最大值时的相邻风电场风电功率延时，将其作为各个相邻风电场的最优延时；步骤2：构建各个相邻风电场功率与待预测风电场功率的相似性权重：将相邻各风电场功率叠加各自对应的最优延时，并计算其与待预测风电场风电功率之间的皮尔逊相关系数，即为各个相邻风电场功率与待预测风电场功率的相似性权重；步骤3：构建虚拟风电集出力时间序列：基于步骤2得到的各个相邻风电场功率与待预测风电场功率的相似性权重，进行相似性权重的加权组合，构建虚拟风电集出力时间序列；步骤4：构建待预测风电场风电功率预测模型：基于机器学习构建待预测风电场风电功率预测模型；步骤5：得出风电功率预测结果：以虚拟风电集出力、历史风电功率为输入，训练待预测风电场风电功率预测模型，开展预测，实现待预测风电场风电功率预测。2.根据权利要求1所述的考虑风电集相关性的风电功率预测方法，其特征在于：步骤1中，所述皮尔逊相关系数的计算方法为：其中x
i,j
为第i个相邻风电场风电功率叠加延时j的时间序列，y为待预测风电场风电功率的时间序列，cov(x
i,j
,y)为两者之间的协方差，与σ
y
分别为x
i,j
和y的标准差，per
i,j
为两者之间的皮尔逊相关系数。3.根据权利要求2所述的考虑风电集相关性的风电功率预测方法，其特征在于：步骤2中，所述各个相邻风电场功率与待预测风电场功率的相似性权重的计算方法为：ω
i
＝max{per
i,j
,j∈[1,n]}其中，ω
i
为第i相邻风电场对应的相似性权重，n为相邻风电场的个数。4.根据权利要求1所述的考虑风电集相关性的风电功率预测方法，其特征在于：所述步骤3中，所述虚拟风电集出力时间序列的计算方法为：其中x
t
为虚拟风电集出力时间序列，x
i
为第i个相邻风电场风电功率叠加最优延时后的时间序列。5.根据权利要求1所述的考虑风电集相关性的风电功率预测方法，其特征在于：所述步骤4中，基于极限学习机算法构建所述的待预测风电场风电功率预测模型，具体为：其中b
τ
，β
τ
分别为第τ隐含层神经元的偏置及权重，为极限学习机的输
入权重，x
i
为虚拟风电集出力和待预测风电场历史功率构成的特征向量，表示极限学习机的输出；损失函数为：e(θ)＝||hβ-t||其中，e(θ)为模型的损失函数，θ＝{ω
i
,b
i
,β
i
}，h为隐含层的输出矩阵，β为输出权重，t为输出期望矩阵；训练极限学习机的过程转化为求解以下线性方程：hβ＝tβ＝h-1
t式中，h-1
为矩阵h的moore-penrose广义逆。6.根据权利要求5所述的考虑风电集相关性的风电功率预测方法，其特征在于，所述步骤5中，训练待预测风电场风电功率预测模型的过程中，引入遗传算法优化极限学习机的初始权重和阈值，具体步骤如下：(1)数据预处理：开展历史风电功率异常数据处理与归一化；(2)确定极限学习机基本模型结构：设置隐含层单元个数，随机初始化模型的权重和阈值；(3)设置遗传算法的参数：包括种数、迭代次数、交叉概率和变异概率；(4)种初始化并开始训练：设置初始种，进行交叉、变异的迭代训练；(5)达到最大迭代次数后，输出优化后的极限学习机权值和阈值；(6)依据优化所得的极限学习机初始权值、阈值，进行模型训练。

技术总结

本发明公开了一种考虑风电集相关性的风电功率预测方法。该方法考虑了风电集之间的时间相关性，基于皮尔逊相关系数方法，计算各个相邻风电场与待预测风电场风电功率的最优延时；结合各风电场出力之间的相关性，构建与待预测风电场功率相关性高的虚拟风电集功率曲线；引入机器学习方法，构建基于改进极限学习机的风电功率预测模型；以虚拟风电集出力、历史风电功率为输入，实现风电功率的预测。本发明的风电功率预测方法，考虑了风电集之间的时间相关性，方法的稳定性更好，具有更强的泛化能力。更强的泛化能力。更强的泛化能力。