一种基于时空多重聚类算法的区域风电集群功率预测方法与流程

本发明属于风电集群功率预测，尤其涉及一种基于时空多重聚类算法的区域风电集群功率预测方法。

背景技术：

1、近年来，由于全球化石能源的紧缺和节能减排的需求，可再生能源已成为电力工业发展极其重要的资源。可再生能源中的风能由于其风能量丰富、近乎无尽、广泛分布等优点越来越受到欢迎。

2、近年来，风电场建设由分散式、小规模向集中式、大规模转变，形成区域性风电集群。由于风电的间歇性、随机性和波动性，区域风电集群对电力系统的调峰能力和频率稳定性产生较大影响。因此，单一风电场的功率预测已不能满足电力调度部门的需求。同时，随着风电越来越深入地参与电力市场交易，区域风电集群功率预测得到了越来越多的研究。风电集群功率预测与风电机组和场站的功率预测不同，集群功率预测需要从时间和空间两个角度综合分析多个风电场的信息，不仅关注确定性预测的精度，更加关注整体预测趋势的精度。同时风电集群中通常包含数十甚至几十座风电场，庞大的数据规模增加了集群功率预测模型建立的难度。

3、风电集群功率预测的方法一般分为累加法、升尺度法和空间资源匹配法。累加法是最早使用的方法，但是其具有明显的局限性。该方法需要为每个风电场建立单独的功率预测模型，因此当区域规模较大时，数据存储和模型训练需要消耗巨大的资源。同时每个风电场的单独建模对数据质量的要求更为严格。升尺度法一般分为物理升尺度法和统计升尺度法，其中统计升尺度法应用较为广泛。统计升尺度法需要在区域内选择代表性风电场，并根据代表性风电场的预测结果得到风电集群的出力。统计升尺度法的优点在于代表性风电场的选择使预测过程不过分依赖各单场数据，场站间相关性低的因素被有效忽略，动态适应能力较好。空间资源匹配法近年来较为流行，该方法计算资源少，精度高，但模型参数难以优化。此外，在相关研究中，一些擅长提取重要空间特征和时空信息的方法被经常使用，如cnn(卷积神经网络)、gcn(图神经网络)、sdae(堆叠去噪自编码网络)、convlstm(卷积长短期记忆)、convgru(卷积门控循环单元)等。

4、风电场之间具有一定的出力空间关联特性，空间位置和地理条件是影响风电场出力相关性的重要因素，但是很多方法忽略了风电场的空间位置信息，导致空间相关性特征提取不完整。同时，多个风电场的数据量庞大，时空相关性的动态变化也是需要解决的重要问题。对于具有多个风电场的广阔区域，由于空间距离和风力资源的差异，区域内多个风电场的时空相关性存在差异。同时风电场输出功率曲线的时间特征既具有多样性，又具有相似性。将区域风电集群根据相关特征划分为多个子区域，分别对每个子区域进行预测是一种减少模型计算量，提高区域风电功率预测效果的有效方案。但是很多子区域聚类方法没有充分考虑到风电场时空相关性的动态变化，从而导致整体预测精度较差，因此需要进一步研究更为先进的方法。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提供了一种基于时空多重聚类算法的区域风电集群功率预测方法，主要目的在于提高区域风电集群功率预测精度。

2、根据本发明的第一方面，提供了一种基于时空多重聚类算法的区域风电集群功率预测方法，包括：

3、获取风电集群的各个风电场的风电功率数据和相关数据，所述相关数据包括测风塔数据、气象观测数据和数值天气预报数据；

4、基于所述各个风电场的风电功率数据获得对应风电场的功率曲线，采用时空多重聚类算法对所有风电场的功率曲线进行分类，以将风电集群划分为多个子区域；

5、在各子区域中，基于所述风电功率数据采用互信息法确定代表风电场；

6、针对各代表风电场，采用自相关法从多个历史时间步长的所述风电功率数据中选择目标时间步长的风电功率数据作为标签，还选择目标时间步长之前相邻的一定数量的时间步长的所述风电功率数据作为模型输入功率数据，采用互信息法对目标时间步长前的历史时间步长的所述风电功率数据和所述相关数据进行相关性分析以从所述相关数据中选取多种类型的特征数据，进而得到模型输入其他数据，基于所述模型输入功率数据、模型输入其他数据和标签构成训练数据集；

7、构建预测模型，利用所述训练数据集训练所述预测模型得到目标预测模型；

8、针对各代表风电场，将预测时间步长之前相邻的一定数量的时间步长的所述风电功率数据作为目标预测模型的模型输入功率数据，将所述相关数据中对应类型的特征数据作为目标预测模型的模型输入其他数据，利用所述目标预测模型输出对应代表风电场的当前时间步长相邻的预测时间步长的风电功率预测值，对所有子区域的代表风电场的风电功率预测值进行求和得到风电集群的区域风电功率预测值。

9、在本发明的第一方面提供的基于时空多重聚类算法的区域风电集群功率预测方法中，所述时空多重聚类算法包括快速搜索和密度峰值发现算法、自组织特征映射网络。

10、在本发明的第一方面提供的基于时空多重聚类算法的区域风电集群功率预测方法中，所述基于所述各个风电场的风电功率数据获得对应风电场的功率曲线，采用时空多重聚类算法对所有风电场的功率曲线进行分类，以将风电集群划分为多个子区域，包括：基于所述各个风电场的风电功率数据提取每个风电场的日功率曲线，利用快速搜索和密度峰值发现算法对所有日功率曲线进行初步分类，基于初步分类结果对风电集群所在区域进行初步划分；基于所述各个风电场的风电功率数据获得每个风电场的当前时间步长的功率曲线，利用自组织特征映射网络对当前时间步长的功率曲线的波动类型进行二次分类，基于二次分类结果对对风电集群所在区域再次进行划分，从而将风电集群划分为多个子区域。

11、在本发明的第一方面提供的基于时空多重聚类算法的区域风电集群功率预测方法中，在获取所述风电功率数据和相关数据之后，还对所述风电功率数据和相关数据进行预处理，所述预处理方法包括：先对所述风电功率数据和相关数据进行清洗；然后利用数据插补方法对清洗后的所述风电功率数据和相关数据进行插补；最后，对完成插补的所述风电功率数据和相关数据进行归一化处理。

12、在本发明的第一方面提供的基于时空多重聚类算法的区域风电集群功率预测方法中，所述基于所述风电功率数据采用互信息法确定代表风电场，包括：采用互信息法计算子区域内各风电场风电功率与该子区域所有风电场的总风电功率的互相关系数；筛选出所述互相关系数大于互相关阈值的风电场作为候补风电场；比较所述候补风电场的数据质量，选择数据质量最好的风电场作为代表风电场。

13、在本发明的第一方面提供的基于时空多重聚类算法的区域风电集群功率预测方法中，所述预测模型包括编码器和解码器，所述编码器采用波网单元，所述解码器采用门控循环单元。

14、根据本发明的第二方面，还提供了一种基于时空多重聚类算法的区域风电集群功率预测系统，包括：

15、数据获取模块，用于获取风电集群的各个风电场的风电功率数据和相关数据，所述相关数据包括测风塔数据、气象观测数据和数值天气预报数据；

16、子区域划分模块，用于基于所述各个风电场的风电功率数据获得对应风电场的功率曲线，采用时空多重聚类算法对所有风电场的功率曲线进行分类，以将风电集群划分为多个子区域；

17、选择模块，用于在各子区域中，基于所述风电功率数据采用互信息法确定代表风电场；

18、建模模块，用于针对各代表风电场，采用自相关法从多个历史时间步长的所述风电功率数据中选择目标时间步长的风电功率数据作为标签，还选择目标时间步长之前相邻的一定数量的时间步长的所述风电功率数据作为模型输入功率数据，采用互信息法对目标时间步长前的历史时间步长的所述风电功率数据和所述相关数据进行相关性分析以从所述相关数据中选取多种类型的特征数据，进而得到模型输入其他数据，基于所述模型输入功率数据、模型输入其他数据和标签构成训练数据集；构建预测模型，利用所述训练数据集训练所述预测模型得到目标预测模型；

19、预测模块，用于针对各代表风电场，将预测时间步长之前相邻的一定数量的时间步长的所述风电功率数据作为目标预测模型的模型输入功率数据，将所述相关数据中对应类型的特征数据作为目标预测模型的模型输入其他数据，利用所述目标预测模型输出对应代表风电场的当前时间步长相邻的预测时间步长的风电功率预测值，对所有子区域的代表风电场的风电功率预测值进行求和得到风电集群的区域风电功率预测值。

20、在本发明的第二方面提供的基于时空多重聚类算法的区域风电集群功率预测系统中，在建模模块中，所述时空多重聚类算法包括快速搜索和密度峰值发现算法、自组织特征映射网络，所述预测模型包括编码器和解码器，所述编码器采用波网单元，所述解码器采用门控循环单元。

21、在本发明的第二方面提供的基于时空多重聚类算法的区域风电集群功率预测系统中，所述子区域划分模块，具体用于：基于所述各个风电场的风电功率数据提取每个风电场的日功率曲线，利用快速搜索和密度峰值发现算法对所有日功率曲线进行初步分类，基于初步分类结果对风电集群所在区域进行初步划分；基于所述各个风电场的风电功率数据获得每个风电场的当前时间步长的功率曲线，利用自组织特征映射网络对当前时间步长的功率曲线的波动类型进行二次分类，基于二次分类结果对对风电集群所在区域再次进行划分，从而将风电集群划分为多个子区域。

22、根据本发明的第三方面，还提供了一种基于时空多重聚类算法的区域风电集群功率预测设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明的第一方面提出的基于时空多重聚类算法的区域风电集群功率预测方法。

23、在本发明一个或多个方面中，获取风电集群的各个风电场的风电功率数据和相关数据，相关数据包括测风塔数据、气象观测数据和数值天气预报数据；基于各个风电场的风电功率数据获得对应风电场的功率曲线，采用时空多重聚类算法对所有风电场的功率曲线进行分类，以将风电集群划分为多个子区域；在各子区域中，基于风电功率数据采用互信息法确定代表风电场；针对各代表风电场，采用自相关法从多个历史时间步长的风电功率数据中选择目标时间步长的风电功率数据作为标签，还选择目标时间步长之前相邻的一定数量的时间步长的风电功率数据作为模型输入功率数据，采用互信息法对目标时间步长前的历史时间步长的风电功率数据和相关数据进行相关性分析以从相关数据中选取多种类型的特征数据，进而得到模型输入其他数据，基于模型输入功率数据、模型输入其他数据和标签构成训练数据集；构建预测模型，利用训练数据集训练预测模型得到目标预测模型；针对各代表风电场，将预测时间步长之前相邻的一定数量的时间步长的风电功率数据作为目标预测模型的模型输入功率数据，将相关数据中对应类型的特征数据作为目标预测模型的模型输入其他数据，利用目标预测模型输出对应代表风电场的当前时间步长相邻的预测时间步长的风电功率预测值，对所有子区域的代表风电场的风电功率预测值进行求和得到风电集群的区域风电功率预测值。在这种情况下，采用时空多重聚类算法对所有风电场的功率曲线进行分类，以将风电集群划分为多个子区域，由此，能够动态识别风电场集群的时空特征，从而增强了对时空相关风电场的识别能力，实现了区域多个风电场基于时空相关性的动态多重聚类，从而能够更加准确地选择代表风电场，以得到更加准确的训练数据集，进而提高了区域风电集群功率预测精度。

24、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。