[发明专利]一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法

说明书

本发明提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。该方法包括基于主成分分析的数据降维方法和时间滑动窗口的输入数据集构建方法，用于对原始风电数据集进行数据降维和构建输入数据集；以及基于P_LSTNet模型的初步风电输出功率预测方法，用于通过输入的初始风电数据预测初步风电输出功率预测值，充分提取原始数据中的短期特征、长期特征及线性特征；以及基于加权Markov和K‑means++算法的误差值校验，用于提高现有模型预测精准度低下的问题。该发明在充分提取历史风电功率数据的基础上，初步高精度的预测了风电输出功率，并结合加权Markov chain链进一步校验预测误差，并进行误差填补，进一步提高了风电输出功率预测的精准度。

技术领域

本发明属于机器学习、大数据分析与应用技术及电网技术混合交叉领域，涉及风电输出功率预测及风电场的风电并网，特别涉及一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。

背景技术

风电场通过开展风电功率预测来进行电力市场竞价和风电场运行维护，通过风电功率预测系统的预测结果，电网调度部门进行合理的发电计划安排，减少系统的旋转备用容量，提高电网运行的经济性，同时通过提前预测风电功率的波动，合理的安排运行方式和应对措施，提高电网的安全性和可靠性。但是由于目前不同风电场所存有的数据差异，不同形式的风电输出功率预测模型并不完全适用于每一个风电场，且现有预测模型的预测精准度和时效性等无法满足真实的生产生活需要，故根据不同风电场特点需建立相应的高精度风电输出功率预测模型。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，通过P_LSTNet模型的初步预测，并结合k-means++算法与加权Markov chain进行误差值校验修正，提高现有模型预测的精准度，为真实的生产生活需要提供高精度的预测模型支持。

为了实现上述目的，本发明采用的技术方案是：

一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，包括如下步骤：

步骤1，将风电场中所接收的原始风电数据集采用主成分分析法(PCA)进行特征提取，并采用时间滑动窗口构建得到初始的风电功率预测输入数据集，所述原始风电数据集包含天气预报数据和历史风电输出功率数据；

步骤2，将所述初始的风电功率预测输入数据集输入至P_LSTNet模型(改进的LSTNet模型)中，获得初步的风电输出功率预测值；

步骤3，将所述初步的风电输出功率预测值与真实风电输出功率做差，得出每个预测时刻点的预测误差值，并将该预测误差值采用K-means++算法来进行初始聚类的设置，获得聚类中心及聚类集，再采用加权Markov chain进行误差状态估计，将概率值最大的聚类中心值作为误差校验值进行填补，获得风电输出功率的最终预测值。

所述步骤3中，利用k-means++算法和加权Markov chain进行误差校验操作，其中k-means++算法的所划分的簇作为加权Markov chain的状态集。

与现有技术相比，本发明针对目前实际风电场预测精准度低，无法满足真实生产生活需求的现象，采用P_LSTNet和加权Markov chain的方法，将现有历史天气预报数据和风电输出功率数据进行数据预处理和输入数据集的构建，对初步预测中所存在的误差值进行校验修正，最终获得高精度的风电输出功率，达到风电场所需的高精度预测模型。采用本发明，可极大程度上提高风电输出功率预测的精准度，为电网调度部门和风电场提高提供更精准的预测数据支持。

附图说明

图1是本发明整体流程示意图。

图2是本发明实施例中风电输出功率真实值与风电输出功率校验值的可视化对比示意图。