结合风机运行状态与误差修正的风功率预测方法及系统

本发明属于电力系统功率预测，尤其涉及结合风机运行状态与误差修正的风功率预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、随着全球减碳行动的进行，越来越多的风能接入了电力系统，未来五年内全球风电新增并网容量将达到680gw。由于风能出力具备高度随机性，其并网必将带来潜在的不稳定性，提前对风电场的出力进行准确预测可以有效降低风电对系统的冲击，同时降低提供旋转备用的成本。

3、风电功率预测(wind power prediction，wpp)任务根据时间尺度可划分为超短期、短期和中长期预测。经过近几十年的研究，wpp的基本方法可分为三类：物理方法、统计方法和人工智能(ai)方法。

4、物理方法依赖高精度的数值天气预报(numerical weather prediction，nwp)。nwp可以为处于模拟计算范围的风电场提供风速、风向、气压等预报要素，并以此为基础获得风电场的出力曲线。物理方法建模考虑地形和大气运动，对热力学和空气动力学方程组进行求解计算，在长期预测中性能稳定。然而物理方法对计算资源要求高，且预报地理分辨率不足，预报中易产生时空偏差，不适用于0-4小时较短期预测。

5、统计方法可以依据历史数据实现风电功率的外推预测，在超短期和短期的wpp中精度较高。常用的统计模型包括持续法(pm)，自回归综合滑动平均(arima)，回归树(rt)，支持向量回归(svr)等。虽然统计方法易于实现，但面对风能复杂的非线性不平稳变化，会随着预测尺度的延长而性能急速下降。

6、随着ai方法在其他领域的发展，wpp研究人员也对其展现了极大的兴趣。ai不仅可以实现风电功率的外推预测，也被用于修正物理方法的预测偏差。ai模型具备复杂的非线性学习能力，可以使用大量数据进行学习训练。已经应用的ai方法有浅层人工神经网络(ann)，极端学习机(elm)，径向基函数(rbf)神经网络，多层感知器(mlp)等。近几年随着深度学习的兴起，许多特殊架构的神经网络也被应用到wpp，比如深度玻尔兹曼机(dbn)，埃尔曼神经网络(enn)，适用于时间序列学习的递归神经网络(rnn)，以及rnn的变体门控循环单元(gru)，长短期记忆网络(lstm)，适用于空间特征学习的卷积神经网络(cnn)。尽管ai模型普遍优于统计方法，但是单个模型预测精度仍然受限。并且单个模型也难以应对wpp复杂的时空关联性。

7、为了进一步提升wpp性能，现有技术提出了如下方案：

8、混合预测架构，多模型预测结果组合优化，基于误差修正(ec)的二次预测等多种预测策略；一个集成gru的k-shape和k-means引导的cnn(kk-cnn-gru)混合架构，包含了三个模块，在预测试验中优于其他七个模型；用ann、svr和高斯过程(gp)三个模型进行初步预测，然后通过贝叶斯模型平均值综合三个模型的预测结果，提高了单个模型的预测效果；结合历史数据和wrf模式的预测序列，再使用cnn-bilstm混合模型进行修正，实现了更高精度的多步序列预测；对记录数据序列进行多频率分级，低频分量用于初步预测，高频分量用于训练一个专门的ec模型。

9、以上研究提升了wpp的预测精度，但是复杂的架构与多方法的组合提升了训练参数寻优的难度。因此，提出了一个统一架构预测堆栈自动编码器(psae)，以端到端的方式实现了序列到序列的预测任务，在训练过程中可共享损失函数。提出了一个时空预测架构，先以2d cnn实现10×10风机矩阵的二维空间特征提取，随后基于lstm完成时序特征学习。

10、然而上述方案仍然存在一个尚未解决的问题，即为风电场所有风机同时提供wpp，并考虑风机之间复杂的时空关联性与每个风机运行的差异性。

技术实现思路

1、为了解决上述背景技术中存在的至少一项技术问题，本发明提供结合风机运行状态与误差修正的风功率预测方法及系统，其提出了一个统一的风功率预测框架，预测框架包括一个时空联合预测模型和多个单机误差修正模型，同时考虑风机之间复杂的时空关联性与每个风机运行的差异性，极大地提升了风功率预测的精度。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一方面提供结合风机运行状态与误差修正的风功率预测方法，包括如下步骤：

4、获取风机历史运行状态数据和数值天气预报网格数据；

5、对数值天气预报网格数据进行预处理得到风机转化功率序列；

6、结合风机历史功率序列、风机转化功率序列和训练后的时空联合预测模型，获得每个风机统一预测的功率序列；

7、为每个风机添加一个单独的误差修正模型，结合风机历史运行状态数据、统一预测的功率序列及每个风机对应位置的预测气象要素，得到误差预测序列；

8、采用误差预测序列修正统一预测的功率序列，得到修正后的统一风功率预测序列。

9、本发明的第二方面提供结合风机运行状态与误差修正的风功率预测系统，包括：

10、数据获取模块，被配置为：获取风机历史运行状态数据和数值天气预报网格数据；

11、数据预处理模块，被配置为：对数值天气预报网格数据进行预处理得到风机转化功率序列；

12、初始功率预测模块，被配置为：结合风机历史功率序列、风机转化功率序列和训练后的时空联合预测模型，获得每个风机统一预测的功率序列；

13、误差预测模块，被配置为：为每个风机添加一个单独的误差修正模型，结合风机历史运行状态数据、统一预测的功率序列及每个风机对应位置的预测气象要素，得到误差预测序列；

14、误差修正模块，被配置为：采用误差预测序列修正统一预测的功率序列，得到修正后的统一风功率预测序列。

15、本发明的第三方面提供一种计算机可读存储介质。

16、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的结合风机运行状态与误差修正的风功率预测方法中的步骤。

17、本发明的第四方面提供一种计算机设备。

18、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的结合风机运行状态与误差修正的风功率预测方法中的步骤。

19、与现有技术相比，本发明的有益效果是：

20、本发明考虑了风机之间复杂的时空关联性与每个风机运行的差异性，首先从整体上通过时空联合预测模型，获得每个风机统一预测的功率序列；然后为每个风机添加一个单独的误差修正模型，结合风机历史运行状态数据、统一预测的功率序列及每个风机对应位置的预测气象要素，得到误差预测序列；采用误差预测序列修正统一预测的功率序列，得到修正后的统一风功率预测序列，提升了提高风电场所有风机风功率预测精度。

21、本发明附加方面的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。