一种基于BiLSTM预测的风电功率超短期概率预测方法及系统与流程

本发明涉及新能源消纳，更具体的说是涉及一种基于bilstm预测的风电功率超短期概率预测方法及系统。

背景技术：

1、风力发电作为一种越来越成熟的可再生新能源发电形式，在全球已成为具备最大规模开发和工业化前景的新型电力能源。迄今为止，中国风电装机容量已经达到3亿kw，年装机量达到2200万kw，风电已占全国电力的8.7％以上。虽然风电在一定程度上缓解能源危机和环境压力的同时，但是大规模的风电并网也给电力系统带来了一些不利影响。风电严重依赖于风能，可是风能其力度和方向具备随机性和不确定性，由此会导致风电场的输出功率的可控性降低，风电的大规模接入将会给电网带来功率冲击，影响电力系统安全稳定运行，也增大了电力系统调度的难度。为了支撑电力系统对常规能源与风能之间的协调调度，开展风电场功率高精度预测研究显得尤为重要。

2、风电功率预测方法按照预测时间长短可分为：长期预测、中期预测、短期预测和超短期预测。其中长期预测为依据往年的年发电情况预测年发电量大小、中期预测为预测未来一周每天的功率数值大小、短期预测为预测未来几天的功率数值大小、超短期预测为预测未来几小时的功率数值大小。

3、风电功率预测方法按照模型分类可分为物理法、时间序列法、人工智能法、多元预测法等4大类。物理法首先通过天气预报的气象数据和风电场周围的地形地貌计算风机轮毂高度的风速、风向等数据，再结合风速功率特性曲线，预测风电场输出功率。这种方法精度依赖于天气预报的数据精度和频率，因此只适合于风电功率的短期和中长期预测。时间序列法采用风电功率的历史时间序列推测重构风电出力的运行规律并预测未来的风电出力，这种方法应用简单，并且不依赖天气预报数据，但是预测精度相对较低，主要用于短期和超短期功率预测。

4、虽然目前通过从预测方法、模型算法等方面进行风电功率预测技术研究，在一定程度上改善了预测效果，但随着电网能量管理的要求越来越严格，亟需更高精度的风电功率预测模型方法。尤其是在风电功率的超短期预测方面，不仅包括了预测未来时段功率大小的确定性预测，还包括预测值的概率分布和置信区间的预测。概率预测能够提供衡量预测结果的不确定性，有助于决策者在电网规划、风险分析、可靠性评估等方面更好地把握数据的变化情况，因此研究高精度的风电功率超短期预测具有重要应用意义。

5、但是，现有的风电功率超短期预测技术中主要有以下几点问题，一是风电功率概率预测精度较低，呈现随着预测时长的增加预测精度逐步降低的现象；二是应用天气预报数据的相关方法预测数值极易受天气预报精度的影响；三是人工智能法需要大量有效的历史数据支撑对输入输出变量关系的挖掘。

技术实现思路

1、针对以上问题，本发明的目的在于提供一种基于bilstm预测的风电功率超短期概率预测方法及系统，基于dbscan-bilstm-beta概率区间预测模型，实现了风电功率超短期预测模型的构建和应用，有效的提高了风电功率超短期概率预测的精度。

2、本发明为实现上述目的，通过以下技术方案实现：一种基于bilstm预测的风电功率超短期概率预测方法，包括如下步骤：

3、s1：收集历史气象参数作为建立预测模型所需的历史数据来源，将采集后的历史气象参数划分为训练集和评估集，并进行统计特征提取，生成历史气象特征数据；

4、s2：应用dbscan聚类方法对训练集特征数据进行自动分类，得到多类别的样本集；

5、s3：利用最优小波函数和阈值，对固定时间窗内的历史发电功率数据应用小波分析技术进行1层小波分解，得到归一化处理的小波系数，然后利用最优阈值对小波系数进行处理，得到稀疏化后的小波系数；

6、s4：构建bilstm预测模型，将训练集数据作为bilstm预测模型的输入，将稀疏化后的小波系数作为bilstm预测模型的输出，进行bilstm模型训练；按照相同操作对每类历史气象特征数据训练一个对应的预测模型；

7、s5：利用训练完成的预测模型，输入评估集中的历史气象特征数据，得到风电功率小波系数预测值，将得到的风电功率小波系数预测数值重构得到评估集的风电功率预测值，并利用风电功率误差值训练beta分布拟合模型；

8、s6：采集实时的气象预报参数，并进行特征提取操作，得到气象预报特征数据；s7：对气象预报特征数据进行识别和分类；

9、s8：将不同类型的气象特征数据分别输入对应的bilstm预测模型中，得到风电功率小波系数预测值；

10、s9：重构风电功率小波系数预测值，得到实时的风电功率预测值，并利用beta分布拟合模型估算每个预测时刻的概率区间。

11、进一步，步骤s1具体包括如下步骤：

12、s11：根据待预测风电场的所在地区具体位置信息采集过去24个月的气象数据，气象数据包括风速、风向、气温和气压数据，数据时间间隔定为15分钟；同时从scada数据库里读取该风电场过去24个月的风电总功率参数作为风电功率数据，数据时间间隔为15分钟；

13、s12：将采集的气象数据和风电总功率参数划分为训练集评估集数据，在每个季度的气象数据和风电总功率参数中截取前2个月的数据作为训练集，截取后1个月的数据作为评估集；

14、s13：以24小时的时间窗口对训练集和评估集中的每类气象数据进行遍历提取，提取出气象数据的第一四分位数、中位数、第三四分位数、方差的统计特征，并将提取出的数据按照从小到大排列。

15、进一步，dbscan聚类方法包括如下步骤：

16、s21：对训练集的特征数据进行数值归一化处理，消除量纲；

17、s22：从归一化数据集中任意选取一个数据对象点p；

18、s23：如果对于定义密度的邻域半径的参数eps和定义核心点的数目阈值参数minpts，所选取的数据对象点p均满足要求则对象点p为核心点，则找出数据集中所有从p密度可达的对象点，形成一个数据簇；

19、s24：如果选取的数据对象点p是边缘点，选取另一个数据对象点；

20、s25：重复步骤s23和步骤s24，直到所有点被处理。

21、进一步，步骤s3包括：

22、使用haar小波、dbn小波、symn小波、coifn小波、biornr.nd小波，以24小时时间窗口对风电功率数据处理，得到稀疏度和重构误差测试结果。

23、进一步，步骤s5包括：

24、s51：以固定24小时的时间窗口分别对评估集中的风速、风向、气温、气压参数进行遍历提取第一四分位数、中位数、第三四分位数、方差的统计特征，经过特征提取后得16维的气象统计特征数据，16个统计特征分别是风速第一四分位数、风速中位数、风速第三四分位数、风速方差、风向第一四分位数、风向中位数、风向第三四分位数、风向方差、气温第一四分位数、气温中位数、气温第三四分位数、气温方差、气压第一四分位数、气压中位数、气压第三四分位数、气压方差；

25、s52：依次识别评估集每条统计特征数据的类型，首先进行数据归一化消量纲处理，再按照下面的距离公式计算评估集的每条气象统计特征数据跟8个类中心数据的距离：

26、

27、其中，d为数据于类中心的距离，xi为气象统计特征数据，为类中心数据；以气象统计特征数据跟类中心数据距离最小的类作为该气象特征数据的所属气象类别；

28、s53：根据识别的气象类别，选取训练得到的对应的bilstm预测模型，输入评估集的16维气象特征数据，得到对应预测的风电功率小波系数；再对风电功率小波系数进行稀疏化处理，然后对稀疏化小波系数进行小波系数重构，获取风电功率预测值；

29、s54，计算评估集的风电功率预测误差，并进行beta分布拟合和95％置信区间的挖掘。

30、进一步，步骤s54具体为：

31、以风电功率真实值和风电功率预测值的差值作为风电功率预测误差，以风电功率预测误差为统计分析的数据集合，根据下式计算该数据集的均值和方差：

32、

33、

34、其中，pw为风电功率误差数值，u为均值，σ2为方差，n为误差数据集的数目；根据以下公式

35、

36、

37、得到风电功率误差数值建立beta分布模型的两个形状参数，从而得到风电功率预测误差数据集的beta分布模型；

38、计算出beta分布模型的95％概率水平对应置信区间为[-5.3,4.6]。

39、进一步，步骤s6包括：

40、采集风速、风向、气温、气压的24小时气象预报参数作为bilstm预测模型所需的输入数据来源；

41、分别对每个气象预报参数提取第一四分位数、中位数、第三四分位数、方差的统计特征，得到形式为1*16维的气象预报特征数据；

42、16个统计特征包括：风速第一四分位数、风速中位数、风速第三四分位数、风速方差、风向第一四分位数、风向中位数、风向第三四分位数、风向方差、气温第一四分位数、气温中位数、气温第三四分位数、气温方差、气压第一四分位数、气压中位数、气压第三四分位数、气压方差。

43、进一步，步骤s7包括：

44、通过计算气象预报特征数据与对应的训练集的中心数据的距离，确定气象预报特征数据的类型。

45、进一步，步骤s9包括：

46、将风电功率小波系数预测数值重构得到24小时时长15分钟间隔的风电功率预测值；

47、将风电功率预测值加上挖掘的beta分布置信区间，估算出每个预测时刻的概率预测区间。

48、相应的，本发明公开了一种基于bilstm预测的风电功率超短期概率预测系统，包括：

49、第一数据采集与处理单元，用于收集历史气象参数作为建立预测模型所需的历史数据来源，将采集后的历史气象参数划分为训练集和评估集，并进行统计特征提取，生成历史气象特征数据；

50、气象数据自动分类单元，用于应用dbscan聚类方法对训练集特征数据进行自动分类，得到多类别的样本集；

51、小波系数提取单元，用于利用最优小波函数和阈值，对固定时间窗内的历史发电功率数据应用小波分析技术进行1层小波分解，得到归一化处理的小波系数，然后利用最优阈值对小波系数进行处理，得到稀疏化后的小波系数；

52、模型构建和训练单元，用于构建bilstm预测模型，将训练集数据作为bilstm预测模型的输入，将稀疏化后的小波系数作为bilstm预测模型的输出，进行bilstm模型训练；按照相同操作对每类历史气象特征数据训练一个对应的预测模型；误差分布拟合单元，用于利用训练完成的预测模型，输入评估集中的历史气象特征数据，得到风电功率小波系数预测值，将得到的风电功率小波系数预测数值重构得到评估集的风电功率预测值，并利用风电功率误差值训练beta分布拟合模型；

53、第二数据采集与处理单元，用于采集实时的气象预报参数，并进行特征提取操作，得到气象预报特征数据；

54、气象预报数据识别分类单元，用于通过计算气象预报特征数据与对应的训练集的中心数据的距离，确定气象预报特征数据的类型；

55、功率预测单元，用于将不同类型的气象特征数据分别输入对应的bilstm预测模型中，得到风电功率小波系数预测值；

56、概率区间估算单元，用于重构风电功率小波系数预测值，得到实时的风电功率预测值，并利用beta分布拟合模型估算每个预测时刻的概率区间。

57、对比现有技术，本发明有益效果在于：

58、1、针对于风电功率因外部因素(如风速数据)造成的随机性和波动性强的特点，本发明对风电功率数据采用小波分析技术计算相关的小波系数，对不同区间的小波系数进行高频低频信息重构，即实现对风电功率数据的趋势形态信息进行了抽取，又实现对风电功率数据的细节分析，实现了预测模型对风速数据的精致信息处理。

59、2.本发明使用了bi-lstm网络作为预测模型对新能源发电场的风电功率进行超短期预测，bi-lstm网络采用顺序和倒序两个方向对历史风速功率多维序列进行模型训练，输出模型结果包含正反两个方向的信息，因此对于强调顺序的风电功率数据能够实现更强的表达能力。

60、3、本发明将气象相关数据进行自动聚类。由于在不同气象条件下气象数据对风电功率造成的变化的影响程度和关系不同，即其相互之间转换关系随气象类型变化发生了变化，通过自动聚类将同类型的数据划分到一起建模，模型的预测能力更强，从而提升了模型的总体预测精度。

61、4、本发明能够利用小波变换能将风速数据转化为高频、中频、低频信号，可以聚焦到信号任意的细节处，增加了预测结果的精度；本发明通过数据聚类方法对外界气候数据进行数据自动划分，分成不同的预测阶预测子系统，改善了预测模型的泛化能力；本发明基于负荷的变化具有高度时间序列特点，使用双向循环网络使用顺序和倒序2个方向对已知序列进行学习二者信息，训练出表达能力更强的时序模型，从而提升了总体预测精度。

62、由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。