一种基于风电场数据预处理的风电功率组合预测方法，包括以下步骤：利用小波去噪原理对风电场的历史风速数据和历史功率数据进行处理，分别得到光滑的风速序列和功率序列；对风速序列和功率序列的特征指标分别进行频繁项集分析和关联规则挖掘，得到风速强关联规则和功率强关联规则，利用强关联规则找出与待修正的当前预报相似的历史预报；并利用历史相似预报对待修正的当前预报进行误差修正；利用统计方法对修正后的当前风速预报进行训练并建立预测模型；利用预测模型进行功率预测，并利用历史相似预报对预测后的功率进行二次预测，最后得到最终的组合预测结果。
1.一种基于风电场数据预处理的风电功率组合预测方法，其特征在于，包括以下步骤：S1、利用小波去噪原理对风电场的历史风速数据和历史功率数据进行处理，分别得到光滑的风速序列和功率序列；
S2、对经过步骤S1处理后得到的风速序列和功率序列的特征指标分别进行频繁项集分析和关联规则挖掘，得到风速强关联规则和功率强关联规则，利用风速强关联规则找出与待修正的当前风速预报相似的历史风速预报，利用功率强关联规则找出与待修正的当前功率预报相似的历史功率预报；
S3、利用相似的历史风速预报对待修正的当前风速预报进行误差修正，利用相似的历史功率预报对待修正的当前功率预报进行误差修正；
S4、利用统计方法对修正后的当前风速预报进行训练并建立预测模型；
S5、利用步骤S4建立的预测模型进行功率预测，并利用步骤S3对预测后的功率进行二次预测，最后得到最终的组合预测结果。
2.如权利要求1所述的基于风电场数据预处理的风电功率组合预测方法，其特征在于，步骤S2中所述特征指标为标准偏差、持续时间和相对误差。
3.如权利要求1所述的基于风电场数据预处理的风电功率组合预测方法，其特征在于，步骤S2中所述频繁项集分析和关联规则挖掘，包括以下步骤：S21、从风速序列和功率序列中，找出所有频繁项集；
S22、利用特征指标分别对风速序列和功率序列的频繁项集进行分类，分类后利用Apriori算法生成布尔型关联规则的风速频繁项集和功率频繁项集，并设定最小支持度和最小置信度的阈值；
S23、利用生成的风速频繁项集和功率频繁项集提取所有满足最小置信度的规则；
S24、由步骤S23得到的风速频繁项集和功率频繁项集产生风速强关联规则和功率强关联规则，强关联规则必须大于或等于最小支持度和最小置信度。
4.如权利要求3所述的基于风电场数据预处理的风电功率组合预测方法，其特征在于，步骤S22所述的最小支持度的阈值为5％，最小置信度的阈值为60％。
5.如权利要求1所述的基于风电场数据预处理的风电功率组合预测方法，其特征在于，步骤S3中所述误差修正包括以下步骤：S31、定义一个合适的距离指标对历史相似预报与待修正的当前预报的相似程度进行定量度量，距离指标的计算公式为：其中，Ft是指在t时刻待修正的当前预报，单位为m/s；At’表示在同一地点t’时刻的历史相似预报，单位为m/s；Nv和wi是指对距离度量产生影响物理量的个数以及其对应的权重；
是指计算度量距离值的时间窗的长度的二分之一； 是某个物理量过去预报时间序列的标准差；
S32、利用步骤S31得到的距离指标公式求解每个历史相似预报的权重γi，计算公式为：S33、利用步骤S32得到的权重γi，对历史相似预报进行加权平均，计算公式为：其中ANt是同一特定地点下在时刻t下的相似误差修正结果，单位为m/s，Na是历史相似预报的数量, 是通过距离指标公式(3)得到的Na个最相似的历史预报在t时刻所对应的实际值，其中i＝1，2，……Na，t是这些历史相似预报发布的时间。
6.如权利要求1所述的基于风电场数据预处理的风电功率组合预测方法，其特征在于，步骤S5中所述二次预测为对预测后的功率进行误差修正。
一种基于风电场数据预处理的风电功率组合预测方法
技术领域
[0001] 本发明涉及电力系统运行与控制领域，特别是涉及一种基于风电场数据预处理的风电功率预测方法。
背景技术
[0002] 随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻，风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全，调整能源结构，减轻环境污染，实现可持续发展等都具有非常重要的意义。
[0003] 自然界风能的间歇特性决定了风电功率具有很强的波动性，随着风电场数量和装机容量的不断增大，一旦将风电并入电网，这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测，可以缓解电力系统调峰、调频的压力，有效提高电网对风电的接纳能力。
[0004] 目前，国内外对于风力发电预测课题的研究越来越广泛和深入。在各种预测方法中，最简单直接的是将最近一点风速或功率观测值作为下一点预测值的持续法，该方法模型简单，但是随着时间尺度的增大其精度快速下降，因此持续法一般只作为评估高级预测方法性能优劣的标准。其他常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑和支持向量机等统计方法。以上这些风电功率预测方法的步骤主要包括：风电数据的采集、对采集到的NWP(数值天气预报)数据进行预处理，以及使用处理后的数据来预测未来的风电功率。其中，预处理过程的目的在于摈弃与后续工作不相关的数据，并且提供干净、准确和更有针对性的数据。因此，要准确地预测风电功率，需首先对采集到的风电数据进行有效的预处理。
发明内容
[0005] 为了克服上述现有技术的不足，本发明提供了一种基于风电场数据预处理的风电功率组合预测方法。该方法充分考虑了空气运动的湍流特性随机变化的过程，并利用Apriori算法挖掘得到各波段标准偏差和持续时间与相对误差之间的多维关联关系，最后根据过程相似性，从历史样本集中搜索出相似预报，利用相似预报对待修正的风电场预报数据进行相似误差修正，提高风电功率预测的精度。
[0006] 为达到以上目的，本发明综合考虑如下因素：
[0007] 1、风电场历史风速数据和历史功率数据；
[0008] 2、根据风速本身的特征指标制定频繁项集，频繁项集中分类的标准分别为标准偏差、持续时间和相对误差；
[0009] 3、本地风电场数据的历史年变化规则。
[0010] 在以上因素的基础上，一种基于风电场数据预处理的风电功率组合预测方法，包括以下步骤：
[0011] S1、利用小波去噪原理对风电场的历史风速数据和历史功率数据进行处理，分别得到光滑的风速序列和功率序列；
[0012] S2、对经过步骤S1处理后得到的风速序列和功率序列的特征指标分别进行频繁项集分析和关联规则挖掘，得到风速强关联规则和功率强关联规则，利用风速强关联规则找出与待修正的当前风速预报相似的历史风速预报，利用功率强关联规则找出与待修正的当前功率预报相似的历史功率预报；
[0013] 在上述方案的基础上，所述特征指标为标准偏差、持续时间和相对误差。
[0014] 在上述方案的基础上，所述频繁项集分析和关联规则挖掘，包括以下步骤：
[0015] S21、从风速序列和功率序列中，找出所有频繁项集；
[0016] S22、利用特征指标分别对风速序列和功率序列的频繁项集进行分类，分类后利用Apriori算法生成布尔型关联规则的风速频繁项集和功率频繁项集，并设定最小支持度和最小置信度的阈值；
[0017] S23、利用生成的风速频繁项集和功率频繁项集提取所有满足最小置信度的规则；
[0018] S24、由步骤S23得到的风速频繁项集和功率频繁项集产生风速强关联规则和功率强关联规则，强关联规则必须大于或等于最小支持度和最小置信度。
[0019] 在上述方案的基础上，步骤S22所述的最小支持度的阈值为5％，最小置信度的阈值为60％。
[0020] S3、利用相似的历史风速预报对待修正的当前风速预报进行误差修正，利用相似的历史功率预报对待修正的当前功率预报进行误差修正；
[0021] 在上述方案的基础上，所述误差修正包括以下步骤：
[0022] S31、定义一个合适的距离指标对历史相似预报与待修正的当前预报的相似程度进行定量度量，距离指标的计算公式为：
[0023]
[0024] 其中，Ft是指在t时刻待修正的当前预报，单位为m/s；At’表示在同一地点t’时刻(早于待修正当前预报Ft的发布时间)的历史相似预报，单位为m/s；Nv和wi是指对距离度量产生影响物理量(如风速、风向和气压)的个数以及其对应的权重；是指计算度量距离值的时间窗的长度的二分之一； 是某个物理量过去预报时间序列的标准差。
[0025] S32、利用步骤S31得到的距离指标公式求解每个历史相似预报的权重γi，计算公式为：
[0026]
[0027] S33、利用步骤S32得到的权重γi，对历史相似预报进行加权平均，计算公式为：
[0028]
[0029] 其中ANt是同一特定地点下在时刻t下的相似误差修正结果，单位为m/s，Na是历史相似预报的数量, 是通过距离指标公式(3)得到的Na个最相似的历史预报在t时刻所对应的实际值，其中i＝1，2，……Na，t是这些历史相似预报发布的时间。
[0030] S4、利用统计方法对修正后的当前风速预报进行训练并建立预测模型；
[0031] S5、利用步骤S4建立的预测模型进行功率预测，并利用步骤S3对预测后的功率进行二次预测，最后得到最终的组合预测结果。
[0032] 在上述方案的基础上，所述二次预测为对预测后的功率进行误差修正。
附图说明
[0033] 本发明有如下附图：
[0034] 图1一种基于风电场数据预处理的风电功率组合预测方法的流程示意图；
[0035] 图2利用小波去噪原理对风电场的历史风速数据进行去噪的流程示意图。
具体实施方式
[0036] 以下结合附图1-2对本发明作进一步详细说明。
[0037] 一种基于风电场数据预处理的风电功率组合预测方法，包括以下步骤：
[0038] S1、利用小波去噪原理对风电场的历史风速数据和历史功率数据进行处理，分别得到光滑的风速序列和功率序列,以消除噪声带来的干扰。
[0039] 有用信号通常表现为低频信号或是相对比较平稳的信号。而噪声信号通常表现为高频信号。利用小波去噪原理对含噪的原始信号分解后，含噪部分主要集中在高频小波系数中，并且包含有用信号的小波系数幅值较大，但数目少；而噪声对应的小波系数幅值小，数目较多。可以应用门限阈值法对小波系数进行处理。然后对信号重构即可达到消噪的目的，小波去噪原理对风电场的历史风速数据进行去噪的具体流程如图2所示。
[0040] S2、对经过步骤S1处理之后得到的风速序列和功率序列的特征指标分别进行频繁项集分析和关联规则挖掘，得到风速强关联规则和功率强关联规则，利用风速强关联规则找出与待修正的当前风速预报相似的历史风速预报，利用功率强关联规则找出与待修正的当前功率预报相似的历史功率预报。
[0041] 频繁项集分析和关联规则挖掘，包括以下步骤：
[0042] S21、从风速序列和功率序列中，找出所有频繁项集。
[0043] 定义标准偏差、持续时间和相对误差为项集的三个项目。其中：标准偏差可以表征曲线的波动情况；相对误差指波段内各NWP原始风速预报值与观测值之间的相对误差。
[0044] S22、利用特征指标分别对风速序列和功率序列的频繁项集进行分类，分类标准依据各风电场历史数据的分布情况决定。分类后利用Apriori算法生成布尔型关联规则的风速频繁项集和功率频繁项集，并设定最小支持度和最小置信度的阈值，最小支持度的阈值为5％，最小置信度的阈值为60％。
[0045] S23、利用生成的风速频繁项集和功率频繁项集提取所有满足最小置信度的规则。
[0046] S24、由步骤S23得到的风速频繁项集和功率频繁项集产生风速强关联规则和功率强关联规则，强关联规则必须大于或者等于最小支持度和最小置信度。
[0047] 遍历所有的频繁项目集，然后从每个项目集中依次取1、2、...k个元素作为后件，该项目集中的其他元素作为前件，计算该规则的置信度进行筛选即可。
[0048] 其中支持度和置信度的定义如下：
[0049] 支持度——关联规则 支持度是指D中包括A∪B(即同时包含A和B的事务百分比)，即：
[0050]
[0051] 置信度——关联规则置信度是指包含A和B的事务数与A事务数的百分比，即：
[0052]
[0053] S3、利用相似的历史风速预报对待修正的当前风速预报进行误差修正，利用相似的历史功率预报对待修正的当前功率预报进行误差修正。
[0054] 误差修正包括以下步骤：
[0055] S31、定义一个合适的距离指标对历史相似预报与待修正的当前预报的相似程度进行定量度量。即，与待修正的当前预报非常相似的历史预报也表现出相似的预测误差。距离指标的公式定义如下：
[0056]
[0057] 其中，Ft是指在t时刻需要待修正的当前预报，单位为m/s；At’表示在同一地点t’时刻(早于待修正当前预报Ft的发布时间)的历史相似预报，单位为m/s；Nv和wi是指对距离度量产生影响物理量(如风速、风向、气压等)的个数以及其对应的权重；是指计算度量距离值的时间窗的长度的二分之一； 是某个物理量过去预报时间序列的标准差。
[0058] S32、利用步骤S31得到的距离指标公式求解每个历史相似预报的权重γi，计算公式为：
[0059]
[0060] S33、利用步骤S32得到的权重γi，对历史相似预报进行加权平均，计算公式为：
[0061]
[0062] 其中ANt是同一特定地点下在时刻t下的相似误差修正结果，单位为m/s，Na是历史相似预报的数量, 是通过距离指标公式(3)得到的Na个最相似的历史预报在t时刻所对应的实际值，其中i＝1，2，……Na，t是这些历史相似预报发布的时间。
[0063] S4、利用统计方法对修正后的当前风速预报进行训练并建立预测模型。
[0064] 采用极端学习机(ELM)对修正后的当前风速预报分月进行训练，调节算法参数使得每月均建立一个最优的模型。然后对下一年的每月的风速预报数据进行修正。
[0065] S5、利用步骤S4建立的预测模型进行功率预测，并利用步骤S3对预测后的功率进行二次预测，最后得到最终的组合预测结果。
[0066] 由步骤S4得到经过修正的当前预报风速，然后利用修正的当前风速进行功率的预测。步骤S3是对待修正的当前风速预报和待修正的当前功率进行修正，此处再次利用步骤S3的方法对预测后的功率进行修正，即二次预测。首先利用步骤S2得到的功率强关联规则找到与实际功率相似的历史功率预报，并利用步骤S3的方法对待修正的当前功率预报进行相似误差修正，修正误差是对历史相似预报的加权平均，计算公式为：
[0067]
[0068] 式中ANt是同一特定地点下在时刻t下的相似误差修正结果，单位为m/s，Na是历史相似预报的数量, 是通过距离指标公式(3)得到的Na个最相似的历史预报在t时刻所对应的实际值，其中i＝1，2，……Na，t是这些历史相似预报发布的时间。每个相似预报的权重γi由下式算得：
[0069]
[0070] 本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
