[发明专利]一种基于多模型组合优化的风力电站输出功率预测方法

说明书

本发明提出了一种基于多模型组合优化的风力电站输出功率预测方法。获取目标风力电站的气象影响因子数据、风电功率数据，依次进行数据缺失值补齐、数据归一化，并通过灰色关联度分析法分析二者的关联度；进一步建立支持向量机预测模型，通过灰狼群优化算法优化参数；将优化后支持向量机模型作为弱回归器，通过建立AdaBoost集成模型构建强回归器，利用强回归器预测获得训练集风电功率预测值序列；进一步构建门控循环单元网络对误差序列E进行预测；将修正后的预测误差值与AdaBoost集成预测模型的预测结果进行叠加，获得最终预测结果。本发明提升了风电功率预测模型的预测效率、预测精度，有助于电力系统的科学调度和并网运行的安全稳定。

技术领域

本发明属于风力发电技术领域，涉及一种基于多模型组合优化的风力电站输出功率预测方法。

背景技术

随着经济的快速发展，各国对能源的需求越来越大，同时对环境的要求也越来越高。风能作为一种清洁能源，可以有效缓解当前能源短缺、环境污染和温室效应等突出问题；同时，作为一种可再生能源，在化石能源日渐枯竭的背景下，风能具有广阔的发展前景。数据显示，2018年，我国新增并网风电装机2059万千瓦，累计并网装机容量达到1.84亿千瓦，占全部发电装机容量的9.7％。2019年1-6月，全国新增风电装机容量909万千瓦，其中海上风电40万千瓦，累计并网装机容量达到1.93亿千瓦。

由于风力的不确定性、波动性和间歇性，当进行风力发电时，会对电网的安全稳定运行和电力系统并网的安全性和可靠性带来严峻考验。为减少风力发电对电力系统的影响，实现对风电场风电功率的准确预测具有重大意义。

发明内容

本发明的目的是提供一种基于多模型组合优化的风力电站输出功率预测方法，以提高风电输出功率的预测精度，实现电力系统的科学调度和优化运行。

为了解决上述技术问题，本发明实施例提供以下技术方案：

一种基于多模型组合优化的风力电站输出功率预测方法，所述方法根据历史风电特征数据，预测未来时段内的风力发电功率。

所述基于组合模型的风力电站输出功率预测方法包含以下步骤：

步骤1，获取目标风力电站的气象影响因子数据、风电功率数据，依次将气象影响因子数据、风电功率数据通过数据缺失值补齐、数据归一化方法得到预处理后气象影响因子数据、预处理后风电功率数据，将预处理后气象影响因子数据作为比较数列，预处理后风电功率数据作为参考数列，通过灰色关联度分析法得到各气象影响因子与风电功率的关联度；

步骤2，对各气象影响因子关联度进行从大到小的排序，将关联度大于预设阈值的气象影响因子作为特征选择后气象影响因子，将特征选择后气象影响因子作为训练集，进一步建立支持向量机预测模型；

步骤3，通过灰狼群优化算法对支持向量机的惩罚参数和支持向量机的核函数参数分别进行优化，得到优化后支持向量机的惩罚参数、优化后支持向量机的核函数参数；

步骤4，将特征选择后气象影响因子按照一定比例划分为训练集、测试集，将优化后支持向量机模型作为弱回归器，初始化样本权重，并得到多个弱回归器，计算训练集中每个样本的相对误差，结合相对误差计算多个弱回归器的误差率，进一步计算弱回归器的权重系数以更新样本权重，通过建立AdaBoost集成模型构建强回归器，并通过网格搜索方法对弱回归器的数量、学习率、损失函数模型进行寻优，利用强回归器对训练集中每个样本进行预测，获得训练集风电功率预测值序列，进一步计算误差序列；

步骤5，构建门控循环单元网络，通过门控循环单元网络对误差序列E进行预测，将特征选择后的气象因子作为误差修正时门控循环单元网络的输入数据，根据门控循环单元网络的损失函数模型进行门控循环单元网络的参数寻优，得到优化后门控循环单元网络；

步骤6，将修正后的预测误差值与AdaBoost集成预测模型的预测结果进行叠加，获得最终预测结果；