本申請涉及風光聯(lián)合功率預測，尤其涉及一種高精度風光聯(lián)合功率預測方法。

背景技術：

1、

2、風電、光伏的功率因其自身固有隨機波動的不確定性導致其難以被精準預測。功率的隨機波動可能致使發(fā)電與負荷之間嚴重失衡，從而引發(fā)較大的頻率偏差或電壓穩(wěn)定性問題，增加系統(tǒng)運行風險。在低慣性、頻率響應能力有限的電力系統(tǒng)中，風電光伏的不確定性帶給系統(tǒng)的負面影響尤為顯著。當并網(wǎng)的新能源功率發(fā)生波動時，系統(tǒng)需提供更多的靈活性電源以平衡風電出力波動，但新能源滲透率的提高會相應削減靈活性電源的占比，致使電網(wǎng)靈活性不足，這就形成了新能源出力特性與電力系統(tǒng)對電源出力要求間的矛盾。隨著新能源裝機容量比例增加，這種矛盾日益嚴峻，并逐漸成為制約新能源產(chǎn)業(yè)進一步發(fā)展的瓶頸。

3、風光互補發(fā)電系統(tǒng)是應對新能源的波動性和間歇性的重要實現(xiàn)路徑之一。本項目通過研究風光出力互補特性，掌握風光出力在時間和空間上的匹配度，并基于數(shù)據(jù)驅動建模技術和高精度風光功率預測技術，建立風光互補一體化運行平臺，實現(xiàn)風光互補發(fā)電系統(tǒng)經(jīng)濟友好調度，從而平抑新能源波動，提高電能質量，增加綠電消納。

4、風光一體化場站因其在土地資源充分利用、不同電源類型互補調節(jié)、外送路線設備復合利用多方面的先進優(yōu)勢，將成為未來集中式新能源發(fā)電場站規(guī)劃建設的重要趨勢。為應對這種趨勢和相應需求，需要展開超短期、短期和中長期的風光場站聯(lián)合出力曲線高精度預測技術的研究。

5、目前的預測技術能夠達到預測的目的，但是，無法實現(xiàn)風光發(fā)電功率的聯(lián)合預測，預測精度低。

技術實現(xiàn)思路

1、本申請?zhí)峁┮环N高精度風光聯(lián)合功率預測方法，以解決現(xiàn)有技術預測精度低的問題，實現(xiàn)了能夠實現(xiàn)風光發(fā)電功率的聯(lián)合預測，預測精度高。

2、本申請?zhí)峁┮环N高精度風光聯(lián)合功率預測方法，包括以下步驟：

3、a、首先分別采集風力發(fā)電數(shù)據(jù)和光伏發(fā)電數(shù)據(jù)；

4、b、對采集的風力發(fā)電數(shù)據(jù)和光伏發(fā)電數(shù)據(jù)進行預處理；

5、c、對預處理后的發(fā)電數(shù)據(jù)進行特征提?。?/p>

6、d、之后根據(jù)風光發(fā)電功率的時空相關性和負荷曲線，引入時序注意力機制，借助gru網(wǎng)絡的時序特征挖掘能力與cnn網(wǎng)絡的空間特征挖掘能力構建風光發(fā)電功率聯(lián)合預測模型；

7、e、開展模型的訓練、驗證及測試，實現(xiàn)風光發(fā)電功率的聯(lián)合預測；

8、f、最后，以高精度氣象數(shù)據(jù)基礎，通過測試評估不同方法的預測準確率表現(xiàn)，并形成選優(yōu)策略，得到最佳預測方法。

9、優(yōu)選的，本申請?zhí)峁┑囊环N高精度風光聯(lián)合功率預測方法，其中，所述步驟b中預處理方法如下：

10、a、對采集到的發(fā)電數(shù)據(jù)進行清洗；

11、b、對清洗后的數(shù)據(jù)進行校驗是否有缺失；

12、c、對校驗后的數(shù)據(jù)進行校正；

13、d、對校正后的數(shù)據(jù)進行濾波；

14、e、對濾波后的數(shù)據(jù)進行更新。

15、優(yōu)選的，本申請?zhí)峁┑囊环N高精度風光聯(lián)合功率預測方法，其中，所述步驟a中數(shù)據(jù)清洗包括對采集的數(shù)據(jù)進行時間校驗并排序、對數(shù)據(jù)單點閥值過濾處理

16、優(yōu)選的，本申請?zhí)峁┑囊环N高精度風光聯(lián)合功率預測方法，其中，所述步驟c中特征提取方法如下：

17、a、建立數(shù)據(jù)集，其中數(shù)據(jù)集中包含待特征提取的多個子數(shù)據(jù)集；

18、b、對數(shù)據(jù)集進行特征訓練，得到訓練模型；

19、c、提取數(shù)據(jù)集中的第一關鍵字和第二關鍵字；

20、d、循環(huán)搜索數(shù)據(jù)集中各子數(shù)據(jù)集，以第一關鍵字和第二關鍵字為初始條件，對子數(shù)據(jù)集進行搜索；

21、e、各子數(shù)據(jù)集中搜索匹配到第一關鍵字或第二關鍵字，則對數(shù)據(jù)進行提取。

22、優(yōu)選的，本申請?zhí)峁┑囊环N高精度風光聯(lián)合功率預測方法，其中，所述步驟e中聯(lián)合預測采用bp神經(jīng)網(wǎng)絡、lstm神經(jīng)網(wǎng)絡、雙向lstm神經(jīng)網(wǎng)絡、gru神經(jīng)網(wǎng)絡、雙向gru神經(jīng)網(wǎng)絡、cnn神經(jīng)網(wǎng)絡、極限學習機中的任意一種神經(jīng)網(wǎng)絡。

23、優(yōu)選的，本申請?zhí)峁┑囊环N高精度風光聯(lián)合功率預測方法，其中，所述步驟d中采用改進gru-cnn算法構建聯(lián)合預測模型。

24、有益效果：本發(fā)明采用的高精度風光聯(lián)合功率預測方法能夠實現(xiàn)風光發(fā)電功率的聯(lián)合預測，預測精度高；本發(fā)明根據(jù)風光發(fā)電功率的時空相關性和負荷曲線，引入時序注意力機制，借助gru網(wǎng)絡的時序特征挖掘能力與cnn網(wǎng)絡的空間特征挖掘能力，通過異類信息編碼、時空特征融合、功率預測三個核心步驟，構建基于改進gru-cnn算法的風光發(fā)電功率聯(lián)合預測模型，并開展模型的訓練、驗證及測試，實現(xiàn)風光發(fā)電功率的聯(lián)合預測。另外，本發(fā)明采用的特征提取方法中通過搜索第一關鍵字和第二關鍵字，能夠降低提取難度，提高了特征提取精度，進一步提高了聯(lián)合預測精度。

25、上述說明僅是本申請實施例技術方案的概述，為了能夠更清楚了解本申請實施例的技術手段，而可依照說明書的內容予以實施，并且為了讓本申請實施例的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本申請的具體實施方式。

技術特征：

1.一種高精度風光聯(lián)合功率預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種高精度風光聯(lián)合功率預測方法，其特征在于，所述步驟b中預處理方法如下：

3.根據(jù)權利要求1所述的一種高精度風光聯(lián)合功率預測方法，其特征在于，所述步驟a中數(shù)據(jù)清洗包括對采集的數(shù)據(jù)進行時間校驗并排序、對數(shù)據(jù)單點閥值過濾處理。

4.根據(jù)權利要求1所述的一種高精度風光聯(lián)合功率預測方法，其特征在于，所述步驟c中特征提取方法如下：

5.根據(jù)權利要求1所述的一種高精度風光聯(lián)合功率預測方法，其特征在于，所述步驟e中聯(lián)合預測采用bp神經(jīng)網(wǎng)絡、lstm神經(jīng)網(wǎng)絡、雙向lstm神經(jīng)網(wǎng)絡、gru神經(jīng)網(wǎng)絡、雙向gru神經(jīng)網(wǎng)絡、cnn神經(jīng)網(wǎng)絡、極限學習機中的任意一種神經(jīng)網(wǎng)絡。

6.根據(jù)權利要求1所述的一種高精度風光聯(lián)合功率預測方法，其特征在于，所述步驟d中采用改進gru-cnn算法構建聯(lián)合預測模型。

技術總結
本申請?zhí)峁┮环N高精度風光聯(lián)合功率預測方法，包括以下步驟：A、首先分別采集風力發(fā)電數(shù)據(jù)和光伏發(fā)電數(shù)據(jù)；B、對采集的風力發(fā)電數(shù)據(jù)和光伏發(fā)電數(shù)據(jù)進行預處理；C、對預處理后的發(fā)電數(shù)據(jù)進行特征提??；D、之后根據(jù)風光發(fā)電功率的時空相關性和負荷曲線，引入時序注意力機制，借助GRU網(wǎng)絡的時序特征挖掘能力與CNN網(wǎng)絡的空間特征挖掘能力構建基于改進GRU?CNN算法的風光發(fā)電功率聯(lián)合預測模型；E、開展模型的訓練、驗證及測試，實現(xiàn)風光發(fā)電功率的聯(lián)合預測；F、最后，以高精度氣象數(shù)據(jù)基礎，通過測試評估不同方法的預測準確率表現(xiàn)，并形成選優(yōu)策略，得到最佳預測方法，本發(fā)明采用的高精度風光聯(lián)合功率預測方法能夠實現(xiàn)風光發(fā)電功率的聯(lián)合預測，預測精度高。

技術研發(fā)人員：盧新君,薄其明,賈成鵬,董紅星,郭小偉
受保護的技術使用者：華電（寧夏）能源有限公司新能源分公司
技術研發(fā)日：
技術公布日：2025/1/2