一种考虑要素转化及信号降噪的风电场超短期出力过程预测方法与流程

本发明属于风电超短期出力预测领域，更具体地，涉及一种基于机器学习非线性回归理论、将气象监测信息转化与风电出力关联密切的要素信息、考虑风电出力过程降噪及实时误差控制机制的风电场超短期出力过程预测方法。

背景技术：

1、目前在风电超短期出力预测领域，基于气象监测信息，采用人工神经网络、极限学习机等机器学习算法进行风电场超短期出力过程预测的方法得到广泛应用。该方法根据风速、风向、气温、相对湿度、气压等气象监测信息以及超短期(提前量)的要求，采用机器学习算法，错位超短期数值相应时段，构建气象监测要素过程与风电出力过程之间的非线性回归关系，实现用历史气象监测信息预测未来风电出力过程的效果。

2、该方法计算逻辑简单，计算量较小，在超短期尺度风电出力预测上也能有一定精度，因此在风电出力预测领域得到广泛应用。

3、但该方法存在以下无法忽视的问题：

4、(1)直接影响风力发电的天气现象是特定密度的空气流动作用。现有方法采用气象监测信息作为自变量与风电出力过程(因变量)构建非线性回归关系，自变量因子过程与因变量过程间的物理机制不强，无法反映与风力发电相关直接的、关联密切因素的影响作用，影响了风电超短期出力过程预测精度，也影响了方法的通用性、实用性。

5、(2)此外，风电场出力过程具有较强的周期性、波动性及间歇性，监测信息里受到一定的随机干扰，现有方法在建模前未考虑剔除风电场出力过程随机干扰项，导致构建的非线性回归关系一定程度上“失真”，影响预测稳定性及效果。

6、(3)再有，现有方法更多像黑箱子一样，接收气象监测信息输入后，直接输出未来超短期内的出力过程成果，不具备实时误差校正功能，也导致预测成果不够稳定、预测精度不够高的问题。

技术实现思路

1、针对现有基于气象监测信息采用机器学习算法开展电场超短期出力过程预测的方法在实际应用中的实用性不高、预测精度有限、预测成果稳定性不强的问题，提出一种考虑要素转化及信号降噪的风电场超短期出力过程预测方法，该方法将气象监测信息转化为与特定密度空气流动相关的物理因素信息，并通过离散小波变化方法对历史风电出力过程进行降噪处理，构建物理因素信息与降噪后风电出力过程的非线性回归关系。为实现风电出力预测实时误差校正，方法还将通过机器学习模型实时分析历史预测过程与回顾实测过程间关系，修正风电出力预测的原始过程，最终得到误差控制后的高精度的风电出力预测过程。本发明解决了原有方法自变量因子与风电出力过程间物理机制不强、构建预测模型受风电场出力过程随机项干扰以及不具备实时误差校正功能的三大问题，提高了风电场超短期出力过程预测精度和稳定性，可为风电场发电计划上报、(含风电)多能互补优化调度提供有力的理论及技术支撑。

2、具体提供以下技术方案：

3、一种风电场超短期出力过程预测方法，包括以下步骤：

4、s1基于气象监测信息构建特定密度空气流动相关物理因素的转化公式根据分量风速u及变量风速v计算风速w，公式如下：

5、

6、根据分量风速u及变量风速v计算特征风向d，公式如下：

7、d＝atan(u/v)*180/π                               (2)

8、再基于下列组式，计算风向dir：

9、当u≠0，且v<0时：dir＝d+180                               (3)

10、当u<0，且v>0时：dir＝d+360                               (4)

11、当u＝0，且v>0时：dir＝0                                    (5)

12、当u＝0，且v<0时：dir＝180                                   (6)

13、当u>0，且v＝0时：dir＝90                                    (7)

14、当u<0，且v＝0时：dir＝270                                   (8)

15、当u＝0，且v＝0时：dir＝-999                                  (9)式(3)～(9)中：u为分量风速；v为变量风速，d为特征风向；

16、风切变指数α计算公式如下式所示：

17、

18、式(10)中：v2为高度z2的风速；v1为高度z1的风速；

19、湍流强度i计算公式如下：

20、

21、式(11)中：σ为某高度上某风速段风速的平均标准偏差；v为某高度上某风速段风速的平均值；

22、空气密度ρ，计算公式如下：

23、

24、式(12)中：p为标准大气压；t为热力学温度；pb为饱和水汽压；为空气相对湿度；

25、s2基于离散小波变换理论构建风电出力过程降噪计算模型

26、假设长度为n的风电出力过程原始信号为w[n]，通过离散小波变换将其分解为s个尺度和频率上不同的新信号；

27、s2-1定义一个长度为d的低通滤波器d[n]和一个长度为g的高通滤波器g[n]，其中d+g＝n；

28、s2-2，在第s级(s＝1,2,…，s)分解中，将原始信号w[n]分别通过低通滤波器和高通滤波器进行滤波，得到近似系数js-1和细节系数xs-1：

29、js-1＝w[n]*d[n]                                   (13)

30、xs-1＝w[n]*g[n]                                   (14)

31、式(13)(14)中：“*”表示卷积运算；

32、对近似系数js-1进行下采样，得到长度为n/2的新信号：

33、ks＝js-1[0],js-1[2],...,js-1[n-2]                            (15)

34、对细节系数xs-1也进行下采样，得到长度为n/2的新信号：

35、ys＝xs-1[0],xs-1[2],...,xs-1[n-2]                            (16)

36、根据式(15)(16)获得第s级分解的近似系数ks和细节系数ys；

37、s2-3将所有尺度和频率上的新信号合成为原始信号w[n]：

38、在第s级合成中，基于长度为n/2的近似系数ks和细节系数ys，并通过低通滤波器d[n]和高通滤波器g[n]进行卷积运算，并将结果相加，计算得到原始信号w[n]的近似系数js：

39、js＝ks+1*d[n]+ys+1*g[n]                            (17)

40、得到的js包含了信号在尺度s上的低频信息，即降噪后的风电出力过程；

41、s3基于集合理论的非线性回归模型建模预测风电场超短期出力过程

42、采用机器学习中的集合型算法-随机森林算法开展非线性回归建模，设训练期长度为nn，超短期为fp；训练期的自变量矩阵如下，下标为时间序列序号，整个训练期物理因素数据的序号为0至nn-1：

43、

44、式(18)中：w为风速，dir为风向，ρ为空气密度，i为湍流强度，α为风切变指数，下标代表时间序列序号；

45、构筑因变量训练期风电出力pow向量如下：

46、

47、式(19)中：pow为风电出力，下标代表时间序列序号；

48、根据获得的训练期的自变量矩阵和因变量向量，采用随机森林算法进行训练获得rf_f模型；

49、构筑超短期自变量矩阵为：

50、

51、式(20)中：w为风速，dir为风向，ρ为空气密度，i为湍流强度，α为风切变指数，下标代表时间序列序号；

52、将超短期自变量矩阵代入rf_f模型，即可得到未来fp个时段的风电出力预测值：

53、

54、式(21)中：pow为风电出力，下标代表时间序列序号；

55、根据设定的超短期时间值于超短期fp时段内获得风电场超短期出力过程；

56、s4修正得到误差控制后的风电场超短期出力预测过程

57、过去预测的时段长为m的风电出力预测过程作为自变量，以实测风电出力过程作为因变量，代入随机森林模型中进行训练，构建rf_ec模型，将预测的时段长为fp的风电超短期出力预测过程作为自变量，代入rf_ec模型中，输出结果即为误差控制后的风电超短期出力过程。

58、作为一种实施方式，本发明提供一种计算机程序，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述的一种风电场超短期出力过程预测方法。

59、作为另一种实施方式，本发明提供一种计算机可读存储介质，所述计算机可读存储介质用于存储所述的计算机程序。

60、作为另一种实施方式，本发明提供一种计算机系统/设备/装置，包括存储器、处理器以及存储在存储器上的计算机程序，所述计算机程序为上述的计算机程序。

61、与现有技术相比，本发明具有以下优点和有益效果：

62、1、本发明构建了与风电出力关系密切的特定密度空气流动相关物理因素。相比原方法(采用机器学习算法进行风电场超短期出力过程预测的方法)采用的气象监测信息自变量因子过程，新构建的自变量因子过程与因变量过程间的关联性更直接、物理机制更强，能够有效提高模拟预测精度；

63、2、相比原方法，本发明方法采用离散小波变换方法对风电出力过程进行了降噪处理，提高了后续建模输入的因变量过程的可靠性、代表性，在方法预测稳定性及精度提升方面有一定有益效果；

64、3、本发明基于随机森林方法构建了风电出力预测成果误差修正方法，能够解析历史预测过程与回顾实测过程间的非线性回归关系，实时修正风电超短期出力预测的原始过程，最终得到误差控制后的高精度的风电出力预测过程，进一步提高了风电超短期出力过程预测精度。

65、总体来说，本发明方法相比原方法加强了自变量因子过程与因变量过程间的物理联系，提高了建模采用的风电出力过程的可靠性、代表性，且配套有实时误差控制机制，提高了风电超短期出力过程预测精度，可为风电场发电计划上报、(含风电)多能互补优化调度提供有力的理论及技术支撑。