自适应不同气象条件变化的风电日内滚动预测方法及系统与流程

本发明涉及电力系统运行与控制，并且更具体地，涉及一种自适应不同气象条件变化的风电日内滚动预测方法及系统。

背景技术：

1、风电作为可再生能源的重要组成部分，在全球能源结构转型中扮演着关键角色。然而，风能的波动性和不确定性给电网的稳定运行和能源调度带来了挑战。准确预测风电功率对于提高风电的可调度性、减少能源浪费、降低电网运营风险至关重要。传统的风电功率预测方法多依赖于历史数据和统计模型，但在捕捉风速和功率非线性关系、响应气象条件变化等方面存在局限。近年来，神经网络在处理非线性和高维度数据上展现出优越性能，特别是在序列数据的处理上，双向长短期记忆网络(bilstm)由于其对时间序列的前后依赖捕捉能力，成为超短期风电功率预测的有力工具。

2、此外，集成学习方法，如xgboost和catboost，通过组合多个模型减少预测偏差，提高预测精度。尽管如此，现有方法尚未充分利用多模型集成和误差修正策略来提升日内高频更新预测的准确度和稳定性。

技术实现思路

1、针对上述问题，本发明提出了一种风电日内滚动预测方法，其特征在于，包括：

2、获取预设时间内风电场站在不同气象条件变化下的目标nwp数据与目标功率数据，基于所述目标nwp数据预测得到未来第一设定时长的归一化场站nwp数据，并对所述目标nwp数据与目标功率数据进行聚类，生成聚类数据；

3、基于所述聚类数据对预设模型进行训练，生成预测模型，将所述归一化场站nwp数据输入至所述预测模型，基于所述预测模型，预测出风电场站的初步预测功率；

4、计算所述初步预测功率的横向和纵向误差，基于所述纵向和横向误差，确定预测功率误差，将风电场站的实际功率与所述预测功率误差进行叠加，以得到风电场站的日内滚动预测风电功率。

5、可选的，预设时间为3小时。

6、可选的，获取预设时间内风电场站在不同气象条件变化下的目标nwp数据与目标功率数据，包括：

7、获取预设时间内风电场站在不同气象条件变化下的nwp数据与功率数据，对所述nwp数据与功率数据依次进行清洗、删减、剔除空缺值/异常值、统一时间戳和归一化处理，得到目标nwp数据与目标功率数据。

8、可选的，对所述目标nwp数据与目标功率数据进行聚类，生成聚类数据，包括：

9、采用pca算法对所述目标nwp数据与目标功率数据进行降维处理，对于降维后的目标nwp数据与目标功率数据，采用dbscan聚类算法进行基于数据密度的聚类，并根据聚类标签将目标nwp数据与目标功率数据，分别进行不同类别的标识，以生成初步聚类数据；

10、检验所述初步聚类数据是否达到分类效果，若达到，则将生成的初步聚类数据作为最终生成的聚类数据，若未达到，则继续对所述目标nwp数据与目标功率数据进行聚类处理，直到达到分类效果。

11、可选的，检验所述初步聚类数据是否达到分类效果，包括：

12、对每个类别中的气象数据和功率数据，计算数据间的pearson相关系数，检验所述pearson相关系数是否达到预设阈值，若达到，则初步聚类数据达到分类效果，否则，初步聚类数据未达到分类效果。

13、可选的，预设模型，包括：

14、bilstm神经网络模型和xgboost模型。

15、可选的，基于所述聚类数据对预设模型进行训练，生成预测模型，包括：

16、将聚类处理后的目标nwp数据与目标功率数据，根据数据参数范围，输入至bilstm神经网络模型和xgboost模型进行训练，并采用网格寻优法寻找到所述bilstm神经网络模型和所述xgboost模型训练效果最好的参数集，采用catboost模型将在训练效果最好的参数集下的所述bilstm神经网络模型和所述xgboost模型进行集成，以生成预测模型。

17、可选的，计算所述初步预测功率的横向和纵向误差，包括：

18、将初步预测功率与实际功率对比，统计对比结果中各个波峰之间的正负时间间隔作为横向误差，将各正负时间间隔加和取平均值，作为横向误差的修正时间间隔；

19、使用修正时间间隔对横向误差进行修正，得到横向误差修正的初步预测功率，将所述横向误差修正的初步预测功率与实际功率对比，获取误差数据，将所述误差数据作为纵向误差。

20、可选的，基于所述预测模型预测出风电场站的初步预测功率，包括：基于所述预测模型，预测出风电场站第一预设时长的预测归一化功率，将所述预测归一化功率进行逆归一化处理得到初步预测功率。

21、再一方面，本发明还提出了一种风电日内滚动预测系统，包括：

22、数据处理单元，用于获取预设时间内风电场站在不同气象条件变化下的目标nwp数据与目标功率数据，基于所述目标nwp数据预测得到未来第一设定时长的归一化场站nwp数据，并对所述目标nwp数据与目标功率数据进行聚类，生成聚类数据；

23、第一预测单元，用于基于所述聚类数据对预设模型进行训练，生成预测模型，将所述归一化场站nwp数据输入至所述预测模型，基于所述预测模型，预测出风电场站的初步预测功率；

24、第二预测单元，用于计算所述初步预测功率的横向和纵向误差，基于所述纵向和横向误差，确定预测功率误差，将风电场站的实际功率与所述预测功率误差进行叠加，以得到风电场站的日内滚动预测风电功率。

25、可选的，预设时间为3小时。

26、可选的，获取预设时间内风电场站在不同气象条件变化下的目标nwp数据与目标功率数据，包括：

27、获取预设时间内风电场站在不同气象条件变化下的nwp数据与功率数据，对所述nwp数据与功率数据依次进行清洗、删减、剔除空缺值/异常值、统一时间戳和归一化处理，得到目标nwp数据与目标功率数据。

28、可选的，对所述目标nwp数据与目标功率数据进行聚类，生成聚类数据，包括：

29、采用pca算法对所述目标nwp数据与目标功率数据进行降维处理，对于降维后的目标nwp数据与目标功率数据，采用dbscan聚类算法进行基于数据密度的聚类，并根据聚类标签将目标nwp数据与目标功率数据，分别进行不同类别的标识，以生成初步聚类数据；

30、检验所述初步聚类数据是否达到分类效果，若达到，则将生成的初步聚类数据作为最终生成的聚类数据，若未达到，则继续对所述目标nwp数据与目标功率数据进行聚类处理，直到达到分类效果。

31、可选的，检验所述初步聚类数据是否达到分类效果，包括：

32、对每个类别中的气象数据和功率数据，计算数据间的pearson相关系数，检验所述pearson相关系数是否达到预设阈值，若达到，则初步聚类数据达到分类效果，否则，初步聚类数据未达到分类效果。

33、可选的，预设模型，包括：

34、bilstm神经网络模型和xgboost模型。

35、可选的，基于所述聚类数据对预设模型进行训练，生成预测模型，包括：

36、将聚类处理后的目标nwp数据与目标功率数据，根据数据参数范围，输入至bilstm神经网络模型和xgboost模型进行训练，并采用网格寻优法寻找到所述bilstm神经网络模型和所述xgboost模型训练效果最好的参数集，采用catboost模型将在训练效果最好的参数集下的所述bilstm神经网络模型和所述xgboost模型进行集成，以生成预测模型。

37、可选的，计算所述初步预测功率的横向和纵向误差，包括：

38、将初步预测功率与实际功率对比，统计对比结果中各个波峰之间的正负时间间隔作为横向误差，将各正负时间间隔加和取平均值，作为横向误差的修正时间间隔；

39、使用修正时间间隔对横向误差进行修正，得到横向误差修正的初步预测功率，将所述横向误差修正的初步预测功率与实际功率对比，获取误差数据，将所述误差数据作为纵向误差。

40、可选的，所述基于所述预测模型预测出风电场站的初步预测功率，包括：基于所述预测模型，预测出风电场站第一预设时长的预测归一化功率，将所述预测归一化功率进行逆归一化处理得到初步预测功率。

41、再一方面，本发明还提供了一种计算设备，包括：一个或多个处理器；

42、处理器，用于执行一个或多个程序；

43、当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的方法。

44、再一方面，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如上述所述的方法。

45、与现有技术相比，本发明的有益效果为：

46、本发明提供了一种自适应不同气象条件变化的风电日内滚动预测方法，包括：获取预设时间内风电场站在不同气象条件变化下的目标nwp数据与目标功率数据，基于所述目标nwp数据预测得到未来第一设定时长的归一化场站nwp数据，并对所述目标nwp数据与目标功率数据进行聚类，生成聚类数据；基于所述聚类数据对预设模型进行训练，生成预测模型，将所述归一化场站nwp数据输入至所述预测模型，基于所述预测模型，预测出风电场站的初步预测功率；第一预设时长的预测归一化功率，将所述预测归一化功率进行逆归一化处理得到初步预测功率；计算所述初步预测功率的横向和纵向误差，基于所述纵向和横向误差，确定预测功率误差，将风电场站的实际功率与所述预测功率误差进行叠加，以得到风电场站的日内滚动预测风电功率。本发明结合训练得到的预测模型，可以有效的预测出不同气象条件下风电场站的风电功率。