[发明专利]基于高维网格化和LightGBM的风电预测方法及装置

说明书

本发明提供一种基于高维网格化和LightGBM的风电预测方法及装置，将风电机组或风电场中心坐标位置周围的W个网格点的气象要素数据提取出来，将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；对实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用LightGBM算法，建立预测模型，得到功率预测结果。本发明通过风电机组或风电场周围的气象信息，构建高维输入特征，利用lightGBM的强大学习能力，挖掘气象信息与风功率的关联信息，能更加准确地进行风功率预测。

技术领域

本发明属于风电领域，特别是涉及到一种基于高维网格化和LightGBM的风电预测方法及装置。

背景技术

风力发电是一种具有很大发展潜力的新能源发电方式，清洁无污染，极具商业化发展前景，但是，由于风力发电具有明显的间歇性和波动性，并网后严重影响电网电能质量，同时，随着风电并网容量的逐年攀升，风力发电对电网的影响日益严重，为减少风电对电网的冲击，保护电网稳定运行，调度机构不得不在必要时对风电场采取限制并网的措施，造成风能消纳问题。提前对风电功率进行准确预测，可以缓解电力系统调峰压力，有效提高风电并网的能力。因此，风电功率预测对风风力发电的可持续发展起着重要的作用。

国内外对风电功率预测方法进行了大量研究，主流方法分为三类统计模型方法、物理模型方法、以及发展迅速的机器学习方法。传统上的统计模型方法旨在利用统计学的方法，通过获取历史风功率数据中与时间和空间相关的关联信息，建立映射关系，进行预测；常用到的统计学方法有时间序列法、回归拟合法、灰色预测法和卡尔曼滤波等。然而统计学模型在平稳时间序列的预测精度较高，对阵风突变情况的预测精度较低，且长期预测的准确性较低。物理模型方法的实质是必须依靠数值天气预报模式的准确率，根据NWP中的风速、风向、气温等气象变量作为输入，修正预报风电场风速，然后根据风电场的功率曲线来推算出风功率的预测值。机器学习方法的核心思想是通过计算机人工智能算法，对大量历史实际数据的训练与学习，捕捉输入的特征向量与输出数据中隐含的规律与逻辑关系，使得模型能做出准确的预测，如人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine，SVM)等。但是，传统神经网络对长时间序列处理能力较弱，难以有较高的准确度。而支持向量回归算法虽然能够避免陷入局部最优解，但当处理大规模训练样本时会出现收敛速度慢、难以实施的问题。

发明内容

本发明提出一种基于高维网格化和LightGBM的风电预测方法及装置，针对风力发电波动性和随机性较强的特点，提供更准确的风功率预测。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于高维网格化和LightGBM的风电预测方法，包括：

S1、将风电机组或风电场中心坐标位置周围的W个网格点的气象要素数据提取出来，以每个气象要素的每个网格点作为一个特征量，所述气象要素包括风速、风向、温度、湿度和压强；

S2、将各类气象要素线性插值处理成与功率数据相同时间分辨率的时间序列气象数据，形成多维气象预报数据；其中，风向由x方向风速和y方向风速分别线性插值后计算得到；

S3、对风电机组或风电场的实际功率数据进行基于密度分布的功率曲线的预处理，获得有效的实际功率数据；将有效的实际功率数据以及与其对应时间段的多维气象预报数据作为训练数据，调用LightGBM算法，建立预测模型，得到功率预测结果。

进一步的，步骤S3中所述得到功率预测结果的具体步骤包括：

将获得的有效实际功率数据和对应时间段的多维气象预报数据作为训练数据，调用python库LightGBM算法，网格搜索自动进行参数寻优，建立功率预测模型，得到功率预测结果。