[发明专利]一种基于深度学习网络的短期风电功率预测方法和系统

说明书

本发明提供了一种基于深度学习网络的短期风电功率预测方法和系统，包括：获取待预测风电所在区域的数值天气预报数据；将数值天气预报数据输入预先训练的深度学习映射模型，得到风电功率的预测值；其中，深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系；数值天气预报数据按照位置构成网格，网格中每个格点包括多个天气参数；本发明可提升风电场短期功率预测精度，同时可以降低区域风电功率预测模型的建模时间，降低所需的计算资源和人力资源。

技术领域

本发明属于清洁能源消纳技术领域，具体涉及一种基于深度学习网络的短期风电功率预测方法和系统。

背景技术

随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力系统发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力系统带来的一系列问题日益突出，严重威肋、电力系统安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力系统的安全性、稳定性、经济性和可控性，并增强风电的消纳能力。

现有短期风电功率预测技术通常使用风电场所在经纬度的数值天气预报数据作为输入，使用数值天气预报数据到发电功率的映射模型，对未来发电功率进行预测。短期风电功率预测技术的关键步骤包括：首先，获取数值天气预报数据，数值天气预报数据是根据气象演化原理对未来气象参数的预测结果，包括各经纬度、各高度的风速、风向、温度、湿度、压力等，数值天气预报数据可通过购买相关产品获得，或者通过搭建数值天气预报系统进行计算获得；第二，对数值天气预报数据进行处理，包括选择最优参数、参数变换等，得到与发电功率最相关的映射模型输入；第三，采用一定的数学算法建立从模型输入到发电功率之间的映射模型，使用的算法通常包括神经网络算法、支持向量机算法、线性回归算法等。最后，基于建立好的映射模型进行计算，输入待预测时刻的数值天气预报数据，计算得到风电功率预测结果。

针对一个风电场的短期功率预测，给定该风电场的经纬度，首先获取该经纬度或者该经纬度附近位置的数值天气预报数据，以及该风电场的历史发电功率；第二，对数值天气预报数据和历史发电功率进行预处理，包括数据转换、最优参数选择、归一化等操作；第三，以数值天气预报数据预处理结果作为输入，历史发电功率预处理结果作为输出，采用数学方法建立映射模型，反映输入与输出之间的映射关系；最后，对待预测时刻的数值天气预报数据采用上一步骤中同样的预处理方法进行预处理，将预处理结果作为上一步骤建立好的映射模型的输入，计算得到风电功率预测结果。

现有技术有以下缺点：

首先，现有的短期风电功率预测技术通常基于风电场所在经纬度位置或者附近位置的数值天气预报结果进行预测，而风电场的发电功率通常受到周边一定区域气象的影响，单纯采用某一个经纬度点的数值天气预报数据通常不能完全反映影响风电场发电功率的气象因素。

其次，现有的数值天气预报技术提供的一定空间范围内的气象趋势较为准确，提供的一个特定经纬度点的气象参数准确度通常较低，使用一个经纬度点的气象参数对风电功率进行预测时，会引入由于气象参数不准确而引入的额外预测误差，造成功率预测精度难以提升。

最后，区域气象数据量巨大，基于传统的映射模型结构使用区域气象数据进行建模，难以反映区域气象的特征，还会造成模型的过拟合，不能对未来的风电功率进行准确预测。

若对一个区域的短期风电功率预测，现有技术通常采用的方法是使用上述技术方案，对每个风电场的发电功率分别进行预测，然后进行累加得到该区域内所有风电场的总加功率预测结果，称为累加法。采用累加法进行区域风电功率预测，需要对每个风电场都建立一个模型，需要建立多个模型，所需的人力资源和计算资源较多。

发明内容

为克服上述现有技术的不足，本发明提出一种基于深度学习网络的短期风电功率预测方法，包括：获取待预测风电所在区域的数值天气预报数据；

将所述数值天气预报数据输入预先训练的深度学习映射模型，得到风电功率的预测值；