区域风电功率预测方法、装置及介质

本发明涉及风电功率预测，更具体地，涉及一种区域风电功率预测方法、装置及介质。

背景技术：

1、风能作为重要的可再生能源，对提升能源安全和环境保护具有关键作用。电能则是二次能源，对节能减排和社会发展至关重要。因此，将风能和太阳能高效换为电能，并稳定地供应给用户，是能源革命的核心目标。然而，风电的波动性和间歇性导致其具有较高的不确定性。这种不确定性对电力系统的可靠性、能量质量、经济性以及社会福利的影响随着风电渗透率的提高而显著加剧。电力系统的稳定性反映了其应对扰动和避免崩溃的能力，而充裕性则反映了系统满足用户功率和电量需求的能力。风电作为继火电和水电之后的第三大电源，其引入显著增加了系统的随机性和不确定性。这对电力系统的安全稳定运行提出了挑战。因此，准确的风电功率预测技术成为保障电力系统稳定运行的关键。利用气象数据进行风电功率预测时，各风电场的环境因素不同与气象数据的随机性、不确定性进一步增加了预测模型的复杂性。国内对于风电系统的预测注重于对单个风电场进行建模预测，每个风电场的模型不尽相同。一个区域内会存在多个风电场，多个预测模型大大增加了风电管理的难度与复杂程度。单个预测模型难以适应各个风电场，导致需要对每个风电场进行建模训练。

技术实现思路

1、本发明的目的在于提供一种区域风电功率预测方法、装置及介质，以提高预测的便捷性、准确性和系统的稳定性。

2、为了达到上述目的，本发明采用如下技术方案：

3、根据本发明的第一方面，提供一种区域风电功率预测方法，所述方法包括：

4、获取目标区域风电场的湿度序列、气压序列、温度序列、不同高度风向正弦序列、不同高度风向余弦序列、不同高度风速序列、光照序列、光伏发电序列、风电功率序列；

5、基于地理位置信息，对目标区域风电场进行聚类，得到多个目标子风电场，利用时间关联性指标与波动性指标，对多个目标子风电场进行特性划分；其中时间关联性指标为自相关性分析系数与周期性系数，波动性指标为变异系数与方差系数；

6、对多个目标子风电场分别赋予时间关联性与波动性的标签，根据时间关联性与波动性的强弱，将目标区域风电场划分为多个目标子集群，每个目标子集群分别使用不同的预测模型进行风电功率预测；

7、利用不同学习方法对各目标子集群的预测模型进行集成，建立多种集成模型，并进行模型评估，选出性能最优的集成模型作为最终预测模型，基于所述最终预测模型实现区域风电功率预测。

8、根据本发明的第二方面，提供一种区域风电功率预测装置，所述装置包括：

9、数据获取模块，被配置为获取目标区域风电场的湿度序列、气压序列、温度序列、不同高度风向正弦序列、不同高度风向余弦序列、不同高度风速序列、光照序列、光伏发电序列、风电功率序列；

10、特性划分模块，被配置为基于地理位置信息，对目标区域风电场进行聚类，得到多个目标子风电场，利用时间关联性指标与波动性指标，对多个目标子风电场进行特性划分；其中时间关联性指标为自相关性分析系数与周期性系数，波动性指标为变异系数与方差系数；

11、第一预测模块，被配置为对多个目标子风电场分别赋予时间关联性与波动性的标签，根据时间关联性与波动性的强弱，将目标区域风电场划分为多个目标子集群，每个目标子集群分别使用不同的预测模型进行风电功率预测；

12、第二预测模块，被配置为利用不同学习方法对各目标子集群的预测模型进行集成，建立多种集成模型，并进行模型评估，选出性能最优的集成模型作为最终预测模型，基于所述最终预测模型实现区域风电功率预测。

13、根据本发明的第三方面，提供一种可读存储介质，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的方法。

14、本发明至少具有以下有益效果：

15、本发明通过时间关联性指标与波动性指标对目标子风电场进行特性划分，并基于特性划分结果，构建不同的目标子集群，不同的目标子集群采用不同预测模型进行预测，最终通过一个筛选出的学习模型将多个预测模型进行整合得到一个最终预测模型，基于最终预测模型实施的区域风电功率预测，能够提升预测的便捷性、准确性和系统的稳定性。

技术特征：

1.一种区域风电功率预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，通过如下方法计算时间关联性指标与波动性指标：

3.根据权利要求2所述的方法，其特征在于，利用时间关联性指标与波动性指标，对多个目标子风电场进行特性划分，包括：

4.根据权利要求3所述的方法，其特征在于，对多个目标子风电场分别赋予时间关联性与波动性的标签，根据时间关联性与波动性的强弱，将目标区域风电场划分为多个目标子集群，包括：

5.根据权利要求4所述的方法，其特征在于，每个目标子集群分别使用不同的预测模型进行风电功率预测，包括：

6.根据权利要求4所述的方法，其特征在于，每个目标子集群分别使用不同的预测模型进行风电功率预测，包括：

7.根据权利要求4所述的方法，其特征在于，每个目标子集群分别使用不同的预测模型进行风电功率预测，包括：

8.根据权利要求4所述的方法，其特征在于，每个目标子集群分别使用不同的预测模型进行风电功率预测，包括：

9.一种区域风电功率预测装置，其特征在于，所述装置包括：

10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至8中任一项所述的方法。

技术总结本发明属于风电功率预测技术领域，公开一种区域风电功率预测方法、装置及介质，提出判定时间关联性与波动性强弱的系数指标，对风电场进行特性分析，将风电场归类为4种情况，并设计不同的预测方法。对于时间关联性强、波动性强的风电场，采用经验模态分解降噪和主成分分析对数据降维，结合CNN‑LSTM模型进行预测。对于时强波弱、时弱波强、时弱波弱的风电场，分别采用BiLSTM、随机森林和液态神经网络，通过异常值处理、数据填充和特征选择来优化预测精度。最终通过选用bagging集成学习、adaboost集成学习、LightGBM集成学习进行预测，通过比较其优劣性进一步筛选并提升模型效果，选取最优的集成方法以预测整个区域的总预测功率。技术研发人员：罗朋,郑海力,曾沛桐,黄柯铭,柯永福,姜淏予,刘洺辛受保护的技术使用者：广东海洋大学技术研发日：技术公布日：2024/11/21