[发明专利]一种分布式区域风电功率预测方法

说明书

本发明提出分布式区域风电功率预测方法，包括：获取分布式风电场的样本数据集；对所述分布式风电场的样本数据集进行预处理；分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；选择若干风电场进行预测模型训练；使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；对所述风电场进行风电有功功率预测。本发明基于总分式框架以及基于Attention机制的长短期记忆神经网络，提高短期区域风电有功功率预测精度。

技术领域

本发明涉及风电领域，具体地涉及一种分布式框架下的区域风电有功功率预测方法。

背景技术

在电网规模不断增长的背景下，能源与环境问题同日益增长的用电需求之间的矛盾不断凸显，清洁能源发电的比例逐步提高。改善能源结构，促进新能源消纳，将是电力系统研究的重要方向。然而，以风力发电、光伏阵列为首的清洁能源发电具有高随机性与波动性，并且电能难以大规模存储，同时考虑到源网规划不协调等因素，对电力系统调峰和调度提出了新的挑战，也在很大程度上限制了可再生能源的消纳。因而对新能源出力的精准预测是维护电网运营供需平衡及安全稳定的有效方式。

现有风光发电功率预测方法主要包括基于物理建模方法和统计方法。其中，物理建模方法主要通过建立数学模型以研究气象演变过程，并根据光电、风电转换物理模型等进行预测，其不需要大量的样本数据，但模型复杂、计算量大，抗干扰能力较差。统计方法，诸如时间序列模型、回归分析模型以及卡尔曼滤波模型等，使用历史测量数据间的统计关系对功率进行预测，可以有效解决预测延迟的问题，然而其对原始数据的处理和时间序列的稳定性要求较高，难以反映非线性因素的影响；而诸如人工神经网络、支持向量机等，可以拟合复杂的非线性关系，然而现有方法多为浅层神经网络，对输入数据的深层特征挖掘不够，泛化能力有待提高。

深度学习技术受噪声干扰小，能充分挖掘数据间的关联性，为可再生能源发电功率预测提供了强大支撑。然而基础深度学习预测方法只考虑了单向的数据信息流，忽视了反向数据序列变换规律对短时预测的影响，同时对数据的时间相关性以及周期性考虑不足，当输入的时间序列较长时，易丢失序列信息，模型的预测精度不高。

由于风电有功功率预测精度仍然无法满足有功功率精细化调度的要求；现有的预测模型当输入的时间序列较长时，易丢失序列信息，模型的预测精度不高。

因此，有必要提供一种新的区域风电有功功率预测方法，以提高预警的精度、满足调度要求。

发明内容

针对现有技术的上述问题，本发明拟提出一种分布式区域风电功率预测方法，以有效提高风电有功功率预测精度，提高模型的预测精度。

具体地，本发明的实施方式提供了一种分布式区域风电功率预测方法，包括以下步骤：

获取分布式风电场的样本数据集；

对所述分布式风电场的样本数据集进行预处理；

分割所述预处理后的样本数据集为训练集和测试集，并对所述训练集和所述测试集进行归一化处理；

构建分布式预测框架，基于所述分布式预测框架建立全局预测模型；

定义所述全局预测模型的训练误差函数、优化器与学习率，并将网络结构以及初始化参数分发至各个风电场；

选择若干风电场进行预测模型训练；

使用所述训练集和所述测试集分别进行模型训练与测试，并更新预测模型；

对所述风电场进行风电有功功率预测。

可选地，还包括：

定期更新全局预测模型；