本技术涉及电数字数据处理,尤其涉及一种风电场的短期风速预测方法、装置、设备及存储介质。
背景技术:
1、风力发电是指把风的动能转为电能,风能是一种清洁无公害的可再生能源,风力发电通过风力带动风车叶片旋转,再透过增速机将旋转的速度提升,来促使发电机发电,且风力发电不需要使用燃料,也不会产生辐射或空气污染,是一种可再生的新能源。
2、风速短期预测是指对未来几分钟到数小时内的风速进行预测,对风电场的运营和管理有着重要作用。准确的风速短期预测可以帮助风电场运营者更好地了解未来的风能状况,从而优化风机的调度和控制。另外,风电场的输出受风速波动影响较大,短期预测可以帮助电网运营者更好地预测风电的波动性,从而更好地平衡电网负荷。这样可以减少电网频繁调整的需求,提高电网的稳定性。通过减少不确定性,短期预测有助于优化风电场的电力市场运营和电力交易策略,预测结果可以帮助风电场更好地参与电力市场,进一步减少电网波动,从而稳定电力供给。
3、目前在风电产业上应用较多的风速预测方法分为物理方法和统计方法两大类,其中统计学方法具有计算较快、对设备要求较低等优点,但由于没有对天气变化过程的模拟,难以解决如何模拟突然的天气变化的问题。物理方法通过数值计算模式对未来的风速进行预测,能较好地模拟天气变化过程,但由于计算量大,设备要求较高,一般由计算中心输出中长期风速预报,为风电场参与日前电力市场提供参考,应用于短期风速预报的条件尚不成熟,常规的预测算法(例如神经网络预测、时间序列分析、卡尔曼滤波、遗传算法等)存在的困难是所建模型无法实现超前多步预测或超前多步预测精度较低。
技术实现思路
1、本技术的主要目的在于提供一种风电场的短期风速预测方法、装置、设备及存储介质,以解决现有技术中应用于短期风速预报的条件尚不成熟,常规的预测算法所建模型无法实现超前多步预测或超前多步预测精度较低的问题。
2、为了实现上述目的,本技术提供了如下技术方案:
3、一种风电场的短期风速预测方法,所述风电场包括架设于预设区域内的若干个测风塔,所述风电场的短期风速预测方法包括:
4、以预设单位时长为周期获取所述测风塔的原始风速序列;
5、通过小波分析算法将所述原始风速序列分解为第一预设个数的高频分量序列,以及第二预设个数的低频分量序列;
6、通过时间序列预测算法分别对每个高频分量序列以及每个低频分量序列建模,以得到所述第一预设个数的高频预测模型以及所述第二预设个数的低频预测模型;
7、分别计算每个高频预测模型以及每个低频预测模型的超前预设步数的高频预测值和低频预测值;
8、通过加权平均法计算所有高频预测值以及所有低频预测值的加权平均值;
9、定义所述加权平均值为超前所述预设步数的风速预测值。
10、作为本技术的进一步改进,通过小波分析算法将所述原始风速序列分解为第一预设个数的高频分量序列,以及第二预设个数的低频分量序列,包括:
11、根据式(1)定义多贝西小波函数的分解层数:
12、(1);
13、其中,为所述分解层数;为所述原始风速序列的最高子频带的中心频率;为所述原始风速序列的基频;
14、将所述分解层数向最近的整数取整,得到所述分解层数的可实施数值;
15、通过所述多贝西小波函数将所述原始风速序列分解为所述第一预设个数的高频分量序列,以及所述第二预设个数的低频分量序列,所述第一预设个数与所述第二预设个数相等且所述第一预设个数与所述第二预设个数之和等于所述可实施数值。
16、作为本技术的进一步改进,通过时间序列预测算法分别对每个高频分量序列以及每个低频分量序列建模,以得到所述第一预设个数的高频预测模型以及所述第二预设个数的低频预测模型,包括:
17、将一个高频分量序列按照预设比例划分为一个高频训练集和一个高频测试集;
18、分别基于每个高频训练集生成一个高频时序图;
19、通过单位根检验法分别检验每个高频时序图是否存在单位根;
20、获取不存在单位根的高频时序图的并标记为第一合格时序图;
21、分别获取每个第一合格时序图的第一自相关图和第一偏相关图;
22、基于同一个高频训练集根据所述第一自相关图以及所述第一偏相关图的指数趋势对arima模型进行、定阶,并将定阶后的arima模型定义为所述高频预测模型;
23、将一个低频分量序列按照所述预设比例划分为一个低频训练集和一个低频测试集;
24、分别基于每个低频训练集生成一个低频时序图;
25、通过所述单位根检验法分别检验每个低频时序图是否存在单位根;
26、获取不存在单位根的低频时序图的并标记为第二合格时序图;
27、分别获取每个第二合格时序图的第二自相关图和第二偏相关图;
28、基于同一个低频训练集根据所述第二自相关图以及所述第二偏相关图的指数趋势对arima模型进行、定阶,并将定阶后的arima模型定义为所述低频预测模型。
29、作为本技术的进一步改进,所述arima模型通过式(2)表征:
30、(2);
31、其中,为阶自回归;为阶滑动平均;为差分次数;
32、所述通过式(3)表征:
33、(3);
34、其中,为所述高频分量序列或所述低频分量序列的当前值;为第个预设单位时长;为第个自相关系数;为正态分布误差;
35、所述通过式(4)表征:
36、(4);
37、其中,为第个自相关系数;为第个预设单位时长的正态分布误差。
38、作为本技术的进一步改进,分别计算每个高频预测模型以及每个低频预测模型的超前预设步数的高频预测值和低频预测值,包括:
39、定义所述超前预设步数为;
40、将第个预设单位时长的高频测试集输出至所述高频预测模型,得到第个预设单位时长的高频预测值;
41、将第个预设单位时长的高频测试集输出至所述高频预测模型,得到第个预设单位时长的高频预测值;
42、以一个预设单位时长为一次迭代次数计算所述高频预测值在个预设单位时长的高频预测值,即为超前预设步数的高频预测值;
43、将第个预设单位时长的低频测试集输出至所述低频预测模型,得到第个预设单位时长的低频预测值;
44、将第个预设单位时长的低频测试集输出至所述低频预测模型,得到第个预设单位时长的低频预测值;
45、以一个预设单位时长为一次迭代次数计算所述低频预测值在个预设单位时长的低频预测值,即为超前预设步数的低频预测值。
46、作为本技术的进一步改进,通过单位根检验法分别检验每个高频时序图是否存在单位根,之后;分别获取每个第一合格时序图的第一自相关图和第一偏相关图,之前,包括:
47、获取存在单位根的高频时序图并进行差分处理;
48、基于所述差分处理迭代存在单位根的高频时序图第一预设次数,直至不存在所述单位根;
49、将迭代后的高频时序图定义为所述第一合格时序图。
50、作为本技术的进一步改进,通过所述单位根检验法分别检验每个低频时序图是否存在单位根,之后;获取不存在单位根的低频时序图的并标记为第二合格时序图,之前,包括:
51、获取存在单位根的低频时序图并进行差分处理;
52、基于所述差分处理迭代存在单位根的低频时序图第二预设次数,直至不存在所述单位根;
53、将迭代后的低频时序图定义为所述第二合格时序图。
54、为了实现上述目的,本技术还提供了如下技术方案:
55、一种风电场的短期风速预测装置,其应用于如上述的风电场的短期风速预测方法,所述风电场的短期风速预测装置包括:
56、原始风速序列获取模块,用于以预设单位时长为周期获取所述测风塔的原始风速序列;
57、原始风速序列分解模块,用于通过小波分析算法将所述原始风速序列分解为第一预设个数的高频分量序列,以及第二预设个数的低频分量序列;
58、预测模型建立模块,用于通过时间序列预测算法分别对每个高频分量序列以及每个低频分量序列建模,以得到所述第一预设个数的高频预测模型以及所述第二预设个数的低频预测模型;
59、预测值计算模块,用于分别计算每个高频预测模型以及每个低频预测模型的超前预设步数的高频预测值和低频预测值;
60、加权平均值计算模块,用于通过加权平均法计算所有高频预测值以及所有低频预测值的加权平均值;
61、风速预测值定义模块,用于定义所述加权平均值为超前所述预设步数的风速预测值。
62、为了实现上述目的,本技术还提供了如下技术方案:
63、一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的风电场的短期风速预测方法。
64、为了实现上述目的,本技术还提供了如下技术方案:
65、一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如上述的风电场的短期风速预测方法。
66、本技术通过以预设单位时长为周期获取测风塔的原始风速序列;通过小波分析算法将原始风速序列分解为第一预设个数的高频分量序列,以及第二预设个数的低频分量序列;通过时间序列预测算法分别对每个高频分量序列以及每个低频分量序列建模,以得到第一预设个数的高频预测模型以及第二预设个数的低频预测模型;分别计算每个高频预测模型以及每个低频预测模型的超前预设步数的高频预测值和低频预测值;通过加权平均法计算所有高频预测值以及所有低频预测值的加权平均值;定义加权平均值为超前预设步数的风速预测值。本技术采用了小波分析算法的分解与重构功能,目的在于将非平稳的原始风速序列转化为预设层数的平稳分量序列,并利用了时间序列预测算法具有较强自学习能力的特点,通过两者结合以分别计算出每个分量序列的短期预测值,最后通过加权计算所有分量序列的加权平均值,实现了对风速序列的强追踪,进而较为精确地实现了对短期风速的超前一步或多步的预测,且本技术在实际编程及动态仿真中的实际算力难度相比于传统算法未产生明显增加。