CN116701868A

CN116701868A - 一种短期风电功率区段概率预测方法

Info

Publication number: CN116701868A
Application number: CN202310669588.9A
Authority: CN
Inventors: 高鹏; 蔡佳诺; 罗奕; 张应红; 陈金龙; 高成; 莫愁; 刘士琦; 徐晋勇
Original assignee: Guilin Intelligent Technology Co ltd; Guilin University of Electronic Technology
Current assignee: Guilin Intelligent Technology Co ltd; Guilin University of Electronic Technology
Priority date: 2023-06-07
Filing date: 2023-06-07
Publication date: 2023-09-05

Abstract

本发明涉及电力系统运行与规划技术领域，具体涉及一种短期风电功率区段概率预测方法，利用深度学习挖掘数据中的隐含信息以及风电序列中的非线性特征，并产生预测概率区间，同时选择一种非线性权重方法提高粒子群算法的优化性能，即IPSO算法解决传统算法存在的部分问题，提高收敛速度，再混合人工智能算法选择CNN‑LSTM混合算法构建基于结合SVM与分位数回归的IPSO‑CNN‑LSTM算法预测模型，通过训练后完成短期风电功率概率预测，其中CNN网络能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分，避免现有部分算法存在梯度消失、爆炸的现象，提高了风电功率概率预测的效率。

Description

一种短期风电功率区段概率预测方法

技术领域

本发明涉及电力系统运行与规划技术领域，具体涉及一种短期风电功率概率预测方法。

背景技术

随着社会科技的发展，能源的作用日益增加，而快速的发展伴随而来的是传统化石能源的不断被消耗，可再生能源开始进入到各方学者的研究中。在电力行业中，优化传统能源结构，增加可再生能源占比，提高并网效率，已经成为了全球能源发展的重点研究方向，而风能的清洁、储量丰富等特点得到了学者们的青睐。但风速的不稳定性和不确定性也让风电场的发电效率产生较大的波动，难以提前进行风电调度，准确的功率预测既可以有效缓解风电的不确定性带来的影响，也对电力系统的安全运行提供了保障。目前风电功率预测发展的新趋势是人工智能方法，但传统单点预测的模型无法量化风电的不规则性和不确定性，浅层学习模型不能完全提取风电序列中的深层非线性特征；单一预测模型难以捕获风电序列中的变化规律，达到满意的预测效果。因此现有技术在亟需要新的方案来解决这一问题。

发明内容

本发明的目的在于提供一种短期风电功率概率预测方法，旨在解决传统的点预测方法难以挖掘风电数据集子序列中的隐含信息以及单一预测模型难以捕获风电序列中的变化规律的技术问题。

为实现上述目的，本发明提供了一种短期风电功率概率预测方法，包括下列步骤：

步骤1：收集历史气象资料处理获得风电概率预测的初始数据集；

步骤2：对所述初始数据集进行筛选补充获得风电数据集，并进行归一化处理；

步骤3：将风电数据集的数据划分为训练集和测试集，构建基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型并进行训练和预测；

步骤4：根据预测结果以及误差调整模型参数直到结果接近于测试集，完成短期风电功率概率预测。

可选的，收集历史气象资料处理获得风电概率预测的初始数据集的过程，具体为获取地区历史气象资料，通过查询当地日志、气象台的记录信息以及其他气候监测系统的记录信息对原始气象数据以及风力情况进行处理，根据历史预测功率和风电场的数值天气预报NWP预测结果的风速波动量，获得风电概率预测的初始数据集。

可选的，所述数值天气预报NWP的数据采用选定的某一风电场整年气象数据，参数包括风速、风向、温度和气压。

可选的，对所述初始数据集进行筛选补充获得风电数据集，并进行归一化处理的过程，具体为筛选出与风电功率相关性最强的气象因素，将相关数据筛选出来后对异常数据部分进行处理，通过聚类算法或人工方法筛选，将筛选后的整体数据集分为若干条件子集；将各个子集中异常数据采用清洗或插值等方法进行补充处理，并将最后获得风电数据集进行归一化处理。

可选的，采用皮尔逊系数筛选气象因素数据，保留相关性最强的气象数据进行后续的预测；所述聚类算法包括DBSCAN和K-means算法，人工办法为手动处理异常数据。

可选的，步骤3的执行过程，具体为将获得的数据划分为训练集和测试集两组，在训练集中通过历史数据构建基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型，通过训练集训练后进行预测，在模型输出侧进行量化分析，得到在既定置信度下分位数形式的短期风电功率上下边界值以及待预测日预测序列，最后与预先设定好的测试集进行比对。

可选的，所述基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型的构建过程，包括下列步骤：

选用IPSO算法对惯性权重ω进行优化；

将CNN网络与LSTM网络相结合，利用CNN网络从样本数据中提取出其潜在的特征，LSTM网络捕捉到长期的成分；

利用QRNN模型反映数据的非线性情况，并得出既定置信度下的概率预测区间，对所得数据进行进一步分析；

采用平均绝对误差MAE和均方根误差RMSE、区间覆盖率PICP和区间平均带宽PINAW作为模型准确性的评价指标。

本发明提供了一种短期风电功率概率预测方法，利用深度学习挖掘数据中的隐含信息以及风电序列中的非线性特征，并产生预测概率区间，同时选择一种非线性权重方法提高粒子群算法的优化性能，即IPSO算法解决传统算法存在的部分问题，提高收敛速度，再混合人工智能算法选择CNN-LSTM混合算法构建基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型，通过训练后完成短期风电功率概率预测，其中CNN网络能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分，避免现有部分算法存在梯度消失、爆炸的现象，提高了风电功率概率预测的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是卷积神经网络结构示意图。

图2是LSTM网络记忆单元结构示意图。

图3是LSTM网络信息传递过程示意图。

图4是CNN-LSTM算法流程图。

图5是本发明的一种短期风电功率概率预测方法的具体流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种短期风电功率概率预测方法，包括下列步骤：

S1：收集历史气象资料处理获得风电概率预测的初始数据集；

S2：对所述初始数据集进行筛选补充获得风电数据集，并进行归一化处理；

S3：将风电数据集的数据划分为训练集和测试集，构建基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型，并进行训练和预测；

S4：根据预测结果以及误差调整模型参数直到结果接近于测试集，完成短期风电功率概率预测。

以下结合具体实施步骤进行说明：

在步骤S1中，具体的执行过程为：获取地区历史气象资料，通过查询当地日志、气象台的记录信息以及其他气候监测系统的记录信息对原始气象数据以及风力情况进行处理，根据历史预测功率和风电场的数值天气预报NWP预测结果的风速波动量，获得风电概率预测的初始数据集；

其中数值天气预报(NWP)数据采用某一风电场整年气象数据，包括风速、风向、温度、气压等。

步骤S2的具体过程如下：筛选出与风电功率相关性最强的气象因素，将相关数据筛选出来后对异常数据部分进行处理，通过聚类算法或人工方法筛选，将筛选后的整体数据集分为若干条件子集；将各个子集中异常数据采用清洗或插值等方法进行补充处理，并将最后获得新数据集进行归一化处理；

进一步的，上述步骤S2中采用皮尔逊系数筛选气象因素数据，保留相关性最强的气象数据进行后续的预测；所述聚类算法主要包括DBSCAN和K-means算法，人工办法为手动处理异常数据，将筛选后存在的异常数据进行清洗或插值方法进行补充处理，获得风电数据集，并将数据进行归一化处理；

对于数据的选择某一风电场一年的数值天气预报(NWP)，通过皮尔逊系数法筛选出相关性最强的气象因素数据作为数据集进行后续预测。Pearson分析法是通过两个变量之间的距离来衡量两变量的相关性，其具体函数表达公式为：

式中ρxy为皮尔逊相关系数，当ρxy>0时，两变量正相关，反之则负相关。ρ_xy|越大，两变量相关程度越大，x，y为两个n维向量；

步骤S3：将获得的数据划分为训练集和测试集两组，在训练集中通过历史数据构建基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型，通过训练集训练后进行预测，在模型输出侧进行量化分析，得到在既定置信度下分位数形式的短期风电功率上下边界值以及待预测日预测序列，最后与预先设定好的测试集进行比对；

具体的，将数据集划分为训练集和测试集后，构建基于SVM与分位数回归相结合的IPSO-CNN-LSTM算法预测模型进行训练和预测，其中先将数据集输入到IPSO-CNN-LSTM算法模型中，利用IPSO算法提高收敛速度，同时得到最优的惯性权重ω，此ω可以作为SVM的权重进行数据输出，再将数据集放入到CNN-LSTM中生成功率预测值，将预测值放入到一个SVM与分位数回归相结合的模型中进行量化分析，生成概率分布，进一步地得到既定置信度下的功率区间预测图形。

训练集和测试集都取自处理后的数据集，训练时只单独利用训练集数据，所得数据与测试集进行比对验证；所述基于分位数回归的IPSO-CNN-LSTM算法预测模型结构如下：

首先针对模型的收敛速度慢等问题，利用粒子群优化算法(PSO)对其超参数进行优化，将所需优化的超参数映射为粒子，每个粒子共享个体极值与全局比较，不断地更新位置和迭代优化，其中引入一个惯性权重ω，ω与粒子的全局搜索能力呈正相关，与局部搜索能力呈负相关，而传统粒子群优化算法ω为一固定值，粒子的局部搜索能力与全局搜索能力均不突出，易陷入局部最优，因此提出一种非线性权重方法提高粒子群算法的优化性能，即IPSO算法，ω优化公式为：

ωmax与ωmin分别为权重的最大值与最小值，值为0.9和0.4；t为当前迭代次数；Tmax为最大迭代次数。

进一步的，将卷积神经网络(CNN)与长短期记忆神经网络(LSTM)相结合，利用CNN从样本数据中提取出其潜在的特征，LSTM捕捉到长期的成分。将处理过的数据集作为预测模型输入，功率值作为输出，模型表示为：P_t＝f(p_t-n,k)，Pt为t时刻的风功率，pt-n为历史风电场数据，k为预处理后的数据。最后采用单隐含层的深度神经网络作为输出层，输出结果为t时刻风功率；

卷积神经网络(CNN)由卷积层和池化层交替叠加而成，在每个卷积层与池化层之间都有ReLu激活函数作用来加速模型的收敛，模型中数据经过卷积神经网络的处理，所有特征融合后得到卷积神经网络的特征描述，此时传递数据给LSTM，通常情况下此时输入的数据需要Reshape成LSTM处理的类型，LSTM得到新的输入后，确定需要保持与丢弃的，其中保持与丢弃借助sigmoid激活函数完成，可选择遗忘以及保存重要的数据。从输入门中获取的数据即为我们更新了状态,最后借助输出门确定携带的信息，将新的状态，以及隐藏状态转移到下个时间步。

CNN网络可提取多维时间序列数据在空间结构上的关系，由卷积层和池化层组成，利用其权值共享等特征加快训练速度、提升泛化性能。一维卷积的计算为：

式中为l层第k次卷积映射，f为激活函数，N为输入卷积映射的数量，*为卷积运算，/>为l层相对应第k个卷积核的偏置，CNN网络原理如图1所示；

所述LSTM网络是循环神经网络(RNN)的一种，在传统RNN隐含层中加入了输入门、遗忘门和输出门，并增加了用于存储记忆的单元，其内部记忆单元结构与信息传递过程如图2、图3所示，图中Ut为将要输出到隐含层状态的预备值，σ，l，g为激活函数，其中σ为sigmoid函数，l、g为tanh函数，Ht为t时刻的隐藏状态，ft、it、ot为遗忘门、输入门和输出门，xt为t时刻输入信息，yt为y时刻输出信息。LSTM网络数学计算过程为：

遗忘门：f_t＝σ(W_fxx_t+W_fxh_t-1+W_fcC_t-1+b_f)；

输入门：i_t＝σ(W_ixx_t+W_ihh_t-1+W_icC_t-1+b_i)；U_t＝g(W_cxx_t+W_chh_t-1+b_c)；

C_t＝C_t-1f_t+U_ti_t；

输出门：o_t＝σ(W_oxx_t+W_ohh_t-1+W_ocC_t-1+b_o)；

遗忘门帮助LSTM决定哪些信息将从记忆单元状态中删除；输入门it来决定将要存储到新单元状态Ct的新信息，输出门用来计算输出值Ht。式中Ct-1ft表示确定有多少信息从Ct-1中遗忘，Utit表示有多少信息添加到新单元状态Ct，Wix、Wfx、Wox、Wcx为连接输入信息xt的权值矩阵；Wic、Wfc、Woc为连接神经元激活函数输出值ct和门函数的对角矩阵；Wih、Wfh、Woh、Wch为连接输出信号Ht的权值矩阵；bi、bf、bo、bc为输入门、遗忘门、输出门、预备输出值Ut对应的偏置。拟合后算法流程如图4所示。

进一步的，利用神经网络分位数回归(QRNN)模型反映数据的非线性情况，对CNN-LSTM算法模型所得数据进行进一步分析。设QRNN算法的解释变量为X＝[x1,x2...,xn]，响应变量为Y，X对Y的非线性响应模型为：

式中J为隐含层节点数，S为输入层节点数，g_i(τ)为隐含层输入结果，QY(τ丨X)为分位点τ的条件分位数，f(1)为输入层与隐含层之间的转换函数，取tanh函数，为输入层的权重和偏置，/>b⁽²⁾(τ)为输出层的权重和偏置，f(2)为隐含层与输出层之间的激活函数。对QRNN模型根据最小化损失函数对权重和偏置进行估计：

式中EYτ为损失函数，Yi为第i个样本的被解释量，I(·)为指示函数，其取值范围为：

设CNN-LSTM网络中隐含层神经元有N个，则t时刻输出的向量为将此输出向量作为全连接层输入即可得到输出值：

式中ωk、b为隐含层输出与全连接层输入之间的权重和偏置，以此得出在既定置信度下的功率预测图像。

进一步的，采用平均绝对误差(MAE)和均方根误差(RMSE)作为模型准确性的评价指标，其表达式分别为：

式中xt、为标准化后的功率真实值和预测值，N为测试验证的数量。所得到的MAE和RMSE值越小，模型预测精度越高，预测性能越好。

进一步的，采用预测区间覆盖率(PICP)和预测区间平均带宽(PINAW)作为区间预测准确性的评价指标，其表达式分别为：

式中，N为评估样本数，如果评估目标值落入评估区间内，则α_i＝1，否则为零；β为区间宽度，即区间上界和下界之差。所得到的PICP的值越大，该路预测的精度越高，可靠性越高；在PICP值一定时，PINAW值越小，则预测效果越好。

最终，根据图像数据对比调试模型参数，直到所预测数据与测试集相近，完成短期风电功率概率预测，具体流程如图5所示。

综上所述，本发明具有以下有益效果：

1.利用多元预测模型提高了计算效率以及计算精度，还有利于电力系统的稳定运行和促进弃风消纳，提高能源利用率；

2.有利于提高风电在电力行业的竞争力；

3.有助于电力相关部门确定合理的风电机组维检时间，提高风电机组的发电效率。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims

1.一种短期风电功率区段概率预测方法，其特征在于，包括下列步骤：

步骤3：将风电数据集的数据划分为训练集和测试集，构建基于SVM与分位数回归的IPSO-CNN-LSTM算法预测模型并进行训练和预测；

2.如权利要求1所述的短期风电功率区段概率预测方法，其特征在于，

收集历史气象资料处理获得风电概率预测的初始数据集的过程，具体为获取地区历史气象资料，通过查询当地日志、气象台的记录信息以及其他气候监测系统的记录信息对原始气象数据以及风力情况进行处理，根据历史预测功率和风电场的数值天气预报NWP预测结果的风速波动量，获得风电概率预测的初始数据集。

3.如权利要求2所述的短期风电功率区段概率预测方法，其特征在于，

所述数值天气预报NWP的数据采用选定的某一风电场整年气象数据，参数包括风速、风向、温度和气压。

4.如权利要求3所述的短期风电功率区段概率预测方法，其特征在于，

对所述初始数据集进行筛选补充获得风电数据集，并进行归一化处理的过程，具体为筛选出与风电功率相关性最强的气象因素，将相关数据筛选出来后对异常数据部分进行处理，通过聚类算法或人工方法筛选，将筛选后的整体数据集分为若干条件子集；将各个子集中异常数据采用清洗或插值等方法进行补充处理，并将最后获得风电数据集进行归一化处理。

5.如权利要求4所述的短期风电功率区段概率预测方法，其特征在于，

采用皮尔逊系数筛选气象因素数据，保留相关性最强的气象数据进行后续的预测；所述聚类算法包括DBSCAN和K-means算法，人工办法为手动处理异常数据。

6.如权利要求5所述的短期风电功率区段概率预测方法，其特征在于，

步骤3的执行过程，具体为将获得的数据划分为训练集和测试集两组，在训练集中通过历史数据构建基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型，通过训练集训练后进行预测，在模型输出侧进行量化分析，得到在既定置信度下分位数形式的短期风电功率上下边界值以及待预测日预测序列，最后与预先设定好的测试集进行比对。

7.如权利要求6所述的短期风电功率区段概率预测方法，其特征在于，

所述基于结合SVM与分位数回归的IPSO-CNN-LSTM算法预测模型的构建过程，包括下列步骤：

选用IPSO算法对惯性权重ω进行优化；

利用QRNN模型反映数据的非线性情况，并得出不同置信度下的预测概率区间，对所得数据进行进一步分析；

采用平均绝对误差MAE和均方根误差RMSE，区间覆盖率PICP和区间平均带宽PINAW作为模型准确性的评价指标。