一种基于Vague软集的海上风电功率区间预测方法

本发明涉及功率预测领域，尤其是涉及一种基于vague软集的海上风电功率区间预测方法。

背景技术：

1、海上风电是优质的新能源资源之一，对电力低碳转型具有重要意义。然而，由于受风、浪、涌、流等复杂海洋环境影响，海上风电系统的功率输出存在着高度耦合的强不确定性，进而给海上风电场并网运行带来了巨大的安全挑战。因此，为提升海上风电场的感知能力，保障海上风电与电网的对接，亟需引入合适的预测方法来精准追踪海上风电功率的变化趋势。

2、如公开号为cn115563884a的专利，其公开了一种基于海气耦合模式的海上风资源预测方法。利用层次聚类法对基于海上耦合模式预报的历史环境要素预报值进行聚类分析；然后利用lstm神经网络算法对聚类模型进行训练，建立海上风资源分类预测模型；最后将基于海上耦合模式预报的预测日环境要素预报值代入分类预测模型，实现海上风资源的预测，有助于提升海上风电功率预测精度。

3、该方法所用的模型为海上风电功率的数值预测模型，其功率预测结果难以准确涵盖海上风电系统的波动性与不确定性。因此需要提出一种能够反映海上风电不确定性的海上风电功率区间预测方法，以保障海上风电系统及其接入电网的安全稳定运行。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的难以准确涵盖海上风电系统的波动性与不确定性的缺陷而提供一种基于vague软集的海上风电功率区间预测方法。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于vague软集的海上风电功率区间预测方法，包括如下步骤：

4、步骤1、收集海上风电功率的历史电功率数据；

5、步骤2、对历史电功率数据进行清洗得到清洗后的数据，清洗后的数据切分成若干区间的数据，将各个区间的数据使用真隶属度函数和伪隶属度函数进行转换得到转换后的数据，取转换后数据的并集得到vague软集；

6、步骤3、将vague软集进行编码，将编码结果进行数据特征提取，并进行时序预测，得到的时序预测结果为区间预测概率集；

7、步骤4、通过类vague区间转化规则将区间预测概率集转换为区间结果，区间结果即海上风电功率区间预测结果。

8、进一步地，步骤2进行数据清洗的方法为孤立森林算法，孤立森林算法包括如下步骤：在二叉树中检索样本点，根据检索结果计算各个样本点的异常值，将各个样本点按照异常值从高到低进行排序，从排序结果首项开始选取预设比例数量的点作为异常点。

9、进一步地，步骤2中清洗后的数据进行切分的方法的表达式为：

10、dk＝[xk-d,xk+d],k＝1,2,...,n

11、xi-xi-1＝d,i＝2,3,...,n

12、式中，dk为第k个区间，d为区间半径，n为区间个数，xk为区间中点，x1为风机最小输出功率，xn为风机最大输出功率，xi-xi-1为第i个区间中点值与第i-1个区间中点值的差。

13、进一步地，步骤2中的真隶属度函数和伪隶属度函数的表达式分别为：

14、

15、

16、式中，u为样本点，d为区间半径，tk(u)为样本点u对于区间dk的真隶属度，xk为区间中点，fk(u)为样本点u对于区间dk的伪隶属度。

17、进一步地，步骤3中，编码所用的方法为vague-cnn，vague-cnn的输入为真隶属度函数转换后的数据和伪隶属度函数转换后的数据；输出为真隶属度编码信息和伪隶属度编码信息。

18、进一步地，步骤3中进行特征提取的方法为vague-lstm神经网络，对vague-cnn输出的真隶属度编码信息和伪隶属度编码信息进行时序分析，提取vague软集包含的长期特征，并进行预测，输出包含vague不确定性信息的概率矩阵。

19、进一步地，步骤3中使用vague-lstm神经网络进行时序预测的表达式为：

20、[fvt,t,fvf,t]＝σ(wf·[[hvt,t-1,hvf,t-1],[xvt,t,xvf,t]]+bf)

21、[ivt,t,ivf,t]＝σ(wi·[[hvt,t-1,hvf,t-1],[xvt,t,xvf,t]]+bi)

22、[ovt,t,ovf,t]＝σ(wo·[[hvt,t-1,hvf,t-1],[xvt,t,xvf,t]]+bo)

23、

24、

25、

26、式中，[fvt,t,fvf,t]、[ivt,t,ivf,t]、[ovt,t,ovf,t]、和[hvt,t,hvf,t]分别为vague-lstm网络的遗忘门、输入门、输出门、长期记忆单元和输出单元的vague状态矩阵；σ表示sigmoid激活函数；为当前记忆单元状态的候选vague细胞向量；wf、wi、wo和wc分别为遗忘门、输入门、输出门和记忆单元的权重矩阵；bf、bi、bo和bc分别为遗忘门、输入门、输出门和记忆单元的偏置项；tanh(·)是激活函数；表示矩阵对应元素相乘；[xvt,t,xvf,t]为vague-cnn输出编码xvt及xvf第t个元素构成的vague矩阵。

27、进一步地，类vague区间转化规则为：

28、1)设定一个基准概率值；

29、2)挑选出区间对应的概率值高于基准概率值的区间，记录为候选区间；

30、3)将每两个相邻的候选区间合并成一个区间，该区间记录为候选大区间；

31、4)选择各个候选大区间中最大概率值最高的大区间作为最终区间，如果没有符合条件的区间，则降低基准概率值，并返回2)继续执行；

32、5)将最终区间作为区间预测结果。

33、进一步地，vague-cnn的输入数据进行归一化处理，归一化处理的表达式如下，

34、

35、式中，y为被归一化的特征向量，yj为y的第j个特征值，归一化后的第j个特征值，m为特征向量y的模长。

36、本发明的第二方面，一种基于如上任一的一种vague软集的海上风电功率区间预测方法的vague软集的海上风电功率区间预测系统，系统包括输入单元、数据处理单元、区间预测单元和输出单元，数据处理单元包括数据清洗单元和vague软集转化单元，区间预测单元包括解析单元和预测单元，输入单元获取海上风电历史电功率数据，数据处理单元根据输入单元获取的海上风电历史电功率数据进行数据清洗，并将清洗后的数据利用转换规则转换为vague软集，解析单元解析vague软集的时序特征，并通过预测单元实现时序预测得到区间预测概率集，输出单元通过定义类vague区间转化规则将区间预测概率集转换为区间结果，区间结果即海上风电功率区间预测结果。

37、与现有技术相比，本发明具有以下有益效果：

38、1、本发明使用孤立森林算法对海上风电功率历史数据进行清洗，对清洗后的历史数据进行切分，将切分后数据转换成vague软集，对vague软集进行编码，数据特征提取，并进行时序预测，得到预测结果；本发明通过以上步骤，降低在大量数据背景下坏数据对最终预测结果的影响，实现对海上风电强耦合的复杂不确定性的量化，提取vague软集的短期深层不确定性特征，得到能够反映不确定性的海上风电功率区间预测结果，更加准确地对海上风电功率进行预测。

39、2、本发明同时对真隶属度下的区间与伪隶属度下的区间进行分析预测，vague软集的真隶属度结果及伪隶属度结果共同构成了类vague区间，伪隶属度的区间宽度更大，并且能够完全包括真隶属区间，两类区间之间的部分即为犹豫区域，因此本发明的结果可以同时反映接受度、拒绝度和犹豫度。