[发明专利]一种基于梯度提升算法预测风力发电的系统模型

说明书

近年来风力发电在我国得到了长足的发展，然而与常规能源不同之处在于风电场输出功率具有随机性，波动性和不可控性等特点。当风电大规模接入电网时，势必对电力系统安全稳定运行造成安全隐患，甚至可能导致局部电压波动，频率不稳定，造成严重的生产事故。准确的风电功率预测是降低风电并网不利影响的重要措施之一，可有效减小风电接入电网对系统造成的影响，提高系统运行的安全性和可靠性。因此，对大规模风电超短期风电功率预测进行分析预评价，具有重要的经济价值以及工程实用价值。本发明提出了一种基于梯度提升（Gradient Boost）算法,采用历史天气数据和预测数据,和历史风力数据进而预测风力发电的系统和方法。

技术领域

本发明涉及一种电力系统运行管理技术, 特别涉及一种基于梯度提升算法(Gradient Boosting)的预测风力发电的方法。

背景技术

风能是一种无污染、可再生的能源，风力发电具有不消耗其他能源、不产生污染物、没有辐射等优势。但是由于自然界的风是波动的、间歇性的，这就致使了利用风能进行发电的风力发电机其输出功率是波动变化的。由于风电机组输出功率与风速的立方存在关系，因此微小的风速波动都可能带来大幅度的输出功率波动。要是风力发电输出到电网的电能在整个电网输送的电能的比重很小的时候，风电并网对电网的影响不大。但风电输出到电网的电能在整个电网输送的电能的比重达到一定比例的时候，风电功率的大幅度波动将给电力系统的平衡带来很大的冲击，严重影响电能的质量，同时风电输出功率的不确定性将给电网的调度带来极大的困难。

综上所述，随着风力发电在电力系统中的占比不断加大，风力发电预测的重要性将愈来愈突显，预测结果越准确就越能使电力系统运行效率和稳定性极大增加。本发明提出了一种基于梯度提升算法 (Gradient Boosting) 预测风力发电的系统模型。

发明内容

本发明提出了一种基于历史天气数据和预测数据, 和历史风力数据进而预测风力发电的系统和方法。本方法应用了Gradient Boost算法，可以极大的提高预测准确度。如图1所示。

附图说明

图1是本发明实施中预测风力发电的流程图。

图2是本发明实施中所使用的样本实际风力发电出力曲线图。

图3是本发明实施中实际风力发电出力与预测风力发电出力对比曲线图。

具体实施方式

步骤一、通过测量或取得历史数据的方式，获得该区域的历史数据包括连续一年以上的纬向风分量，经向风分量，风速和风向, 以及历史风力发电, 其中所述历史数据的时间分辨点为1小时，图2为样本风力发电出力曲线图。

步骤二、数据准备：，表示用来预测风力发电的输入数据，包括分别为, 季节变量(一月之前/之后的月数, 四月之前/之后的月数), 时天变量(凌晨3点（之前/之后）的小时数, 凌晨6点（之前/之后）的小时数, 上午9点（之前/之后）的小时数), 最新的风速预测值，每小时所有风预测的纬向风分量平均值，每小时所有风预测的经向风分量平均值，每小时所有风预测的风速平均值，每小时所有风预测的纬向风分量方差，每小时所有风预测的经向风分量方差，每小时所有风预测的风速方差，前8小时最新风预测的纬向风分量值平均值，前8小时最新风预测的纬向风分量值方差，，前8小时最新风预测的纬向风分量值平均值，前8小时最新风预测的纬向风分量值方差，，前8小时最新风预测的风速平均值，前8小时最新风预测的风速方差。表示风力发电值，也就是实际值, 表示数据量。 表示损失函数，用来分析预测值的效果，其中为预测值。目标是目标是为了优化或者说最小化损失函数，梯度提升算法的思想是迭代生多个（M个）弱的模型，然后将每个弱模型的预测结果相加，后面的模型基于前面学习模型的的效果生成的，关系如下：

。

步骤三、设立初始值，，表示残差值,而一开始为零, 是观测值， 预测值。