[发明专利]一种基于时空分位数回归的区域风电预测方法及系统

说明书

本公开提供了一种基于时空分位数回归的区域风电预测方法及系统，采集多个风电场预设时间段内的运行和数值天气预报数据，将采集到的数据转换为特征图，建立训练集、验证集和测试集；建立时空分位数回归模型，利用训练集训练集、验证集和测试集对模型进行训练和优化；实时采集各个风电场的运行数据和环境数据，根据优化好的时空分位数回归模型进行未来一定时间段内的区域风力发电预测；本公开通过时空分位数回归模型对区域风电进行短期非参数化的概率预测，解决了在进行具有较大的输入信息时的区域风电风电预测中解释变量的选择问题，极大的提高预测的准确性和可靠性，为具有大数据的区域风力发电概率预测提供了一种具体的解决方案。

技术领域

本公开涉及风电预测技术领域，特别涉及一种基于时空分位数回归的区域风电预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

由于风力发电具有间歇性和波动性的特点，高比例风电将对电力系统的安全稳定运行构成严峻挑战。而准确的短期风电预测可以有效地缓解风电的不利影响。以往的研究主要集中在风力发电的点预测方面。然而，由于风的固有间歇性和波动性，预测误差不可避免地存在。作为替代，概率预测可以量化风的不确定性信息，例如置信区间，概率分布函数和分位数等。根据是否假定概率的分布类型，可将概率风电预测方法分为参数预测和非参数预测。

本公开发明人发现，目前对风电进行预测主要是利用参数化概率预测通常假设随机变量服从一定的函数分布，例如贝塔分布、对数正态分布和高斯分布。然而，实际风电可能不满足假定的分布，甚至不满足任何已知分布，不合理的分布假设可能直接导致概率预测结果的偏差。

而且，目前大多数的风电概率预测方法将目光投向单个风电场，很少考虑区域风电场，有学者提出了一种基于copula函数的方法来预测多个风电场风电总功率的误差分布，然而，这种方法是基于每个单个风电场的点预测结果，这可能造成累积预测误差并导致分布预测结果失真；同时由于风资源的具有的典型区域特征，风资源丰富的地区，可以分布成多个风电场，因此多个风电场间存在强烈的时空性和非线性的相关性，而由于大数据的集合和复杂的相关性，区域风电预测比单个风电场更复杂，从而给区域风力预测的准确度和可靠性带来了巨大的困难。

发明内容

为了解决现有技术的不足，本公开提供了一种基于时空分位数回归的区域风电预测方法及系统，解决了在进行具有较大的输入信息时的区域风电风电预测中解释变量的选择问题，极大的提高风电预测的准确性和可靠性，为具有大数据特点的区域风力发电概率预测提供了一种具体的解决方案。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供了一种基于时空分位数回归的区域风电预测方法；

一种基于时空分位数回归的区域风电预测方法，步骤如下：

采集多个风电场预设时间段内的运行和数值天气预报数据，将采集到的数据转换为特征图，建立训练集、验证集和测试集；

建立时空分位数回归模型，利用训练集对模型进行训练，利用验证集诊断模型适应性并优化模型超参数，利用测试集对模型进行可靠度和锐度评价，根据评价结果进一步优化模型；

实时采集各个风电场的运行数据和数值天气预报数据，根据优化好的时空分位数回归模型进行未来一定时间段内的区域风力发电预测。

作为可能的一些实现方式，所述多个风电场预设时间段内的运行和历史数值天气预报数据为任何与风力发电相关的数据，包括但不限于各个风电场的发电功率、风向、风速、温度、湿度和气压。

作为可能的一些实现方式，将采集到的数据转换为特征图，具体为：计算每个风电场与区域风电之间的相关性，选择相关系数最大的风电场作为基础，并根据每个风电场与基础风电场之间的距离按降序排列，生成特征图。