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

一种基于bilstm预测的风电功率超短期概率预测方法及系统
技术领域
1.本发明涉及新能源消纳技术领域，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：

2.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。
3.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。
4.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。
5.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。
6.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。


技术实现要素：

7.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。
8.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：
9.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；
10.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；
11.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；
12.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；
13.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；
14.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；
15.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；
16.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。
17.进一步，步骤s1具体包括如下步骤：
18.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；
19.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；
20.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。
21.进一步，dbscan聚类方法包括如下步骤：
22.s21：对训练集的特征数据进行数值归一化处理，消除量纲；
23.s22：从归一化数据集中任意选取一个数据对象点p；
24.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；
25.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；
26.s25：重复步骤s23和步骤s24，直到所有点被处理。
27.进一步，步骤s3包括：
28.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。
29.进一步，步骤s5包括：
30.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；
31.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：
[0032][0033]
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；
[0034]
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；
[0035]
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。
[0036]
进一步，步骤s54具体为：
[0037]
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：
[0038][0039][0040]
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
[0041]
[0042][0043]
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；
[0044]
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]。
[0045]
进一步，步骤s6包括：
[0046]
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；
[0047]
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；
[0048]
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。
[0049]
进一步，步骤s7包括：
[0050]
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。
[0051]
进一步，步骤s9包括：
[0052]
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；
[0053]
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。
[0054]
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：
[0055]
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；
[0056]
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；
[0057]
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；
[0058]
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；
[0059]
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；
[0060]
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；
[0061]
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；
[0062]
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。
[0063]
对比现有技术，本发明有益效果在于：
[0064]
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。
[0065]
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。
[0066]
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。
[0067]
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。
[0068]
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。
附图说明
[0069]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0070]
图1是本发明具体实施方式的方法流程图。
[0071]
图2是本发明具体实施方式的bi-lstm网络中第t个输入的展开示意图。
[0072]
图3是本发明具体实施方式的实际应用效果示意图。
[0073]
图4是本发明具体实施方式的系统结构图。
[0074]
图中，1、第一数据采集与处理单元；2、气象数据自动分类单元；3、小波系数提取单元；4、模型构建和训练单元；5、误差分布拟合单元；6、第二数据采集与处理单元；7、气象预
报数据识别分类单元；8、功率预测单元；9、概率区间估算单元。
具体实施方式
[0075]
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0076]
本发明提供了一种基于bilstm预测的风电功率超短期概率预测方法，主要包括两个阶段，一是风电功率预测模型的构建；二是风电功率预测模型的应用。
[0077]
风电功率预测模型的构建阶段，主要包括数据采集与数据处理、气象数据自动分类、风电功率数据小波系数提取、同类数据构建bilstm预测模型、计算评估集数据的预测误差分布等五个步骤；风电功率预测模型的应用阶段，主要包括数据采集与数据处理、气象数据识别分类、应用对应bilstm模型预测功率、估计实时数据的预测区间等四个步骤。
[0078]
如图1所示，本方法包括如下步骤：
[0079]
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。
[0080]
本步骤实现了数据采集与数据处理，风电功率主要依赖于风电场的地理环境与气象条件，其中以风速最为重要，考虑到数据采集的方便，故收集风速、风向、气温、气压、风电功率等相关气象参数作为为建立预测模型所需的历史数据来源，采集后的数据进行特征提取和训练集评估集数据划分等预处理操作，得到的数据用于后续预测模型构建的输入。
[0081]
作为示例的，本步骤具体实现过程包括如下三步：
[0082]
s1.1：根据风电场的所在地区(以北方某风电场为例)具体位置信息获取风速、风向、气温、气压4种气象信息的2020年及2021年过去24个月的历史数据，数据时间间隔定为15分钟。气象数据选取与接近风电机组轮毂高度的风速、风向、气温和相同海平面气压作为基本变量。同时从scada数据库里读取该风电场的风电总功率参数的过去24个月的历史数据，数据时间间隔也定为15分钟，共计70080条数据；
[0083]
s1.2：将步骤s1.1获取的气象数据及风电功率历史数据划分为训练集和评估集数据两部分。其中，训练集数据主要用于风电功率预测模型的构建，评估集数据主要用于风电功率概率区间阈值的挖掘。本发明考虑到北方季节气候对风速、风向、气温、气压4种气象影响巨大，因此采用在每个季度的气象数据及风电功率历史数据中截取前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的方式进行数据划分。
[0084]
s1.3：对训练集和评估集的气象数据分别进行统计特征提取，由于本方法的目的在于进行24小时风电功率超短期预测，因此采用24小时的时间窗口。主要提取数据分布特征和数据波动特征两类，固定24小时的时间窗口对每个气象数据(风速、风向、气温、气压)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。其中，将数据按照从小到大排列。需要说明的是，在25％的位置上的数据叫做第一四分位数，在50％的位置上的数据叫做中位数，在75％的位置上的数据叫做第三四分位数；
[0085]
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。
[0086]
本步骤的目的在于实现气象数据自动分类。具体的，应用dbscan聚类技术对训练
集特征数据进行数据自动分类，可得到多类别的样本集，并输出每个数据类的类中心。
[0087]
作为示例的，本步骤采用的dbscan聚类方法的具体实现步骤如下：
[0088]
s2.1：训练集特征数据进行数值归一化处理，消除量纲。
[0089]
s2.2：从归一化数据集中任意选取一个数据对象点p。
[0090]
s2.3：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。
[0091]
s2.4：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。
[0092]
s2.5：重复s2.3、s2.4，直到所有点被处理。
[0093]
按照上面的dbscan的操作步骤，设置密度的邻域半径的参数eps为0.01和定义核心点的数目阈值参数minpts为50，可以实现对训练集的特征数据进行自动聚类，经过聚类训练集特征数据被自动划分为8类特征数据。其中，每个数据类的类中心的计算公式为
[0094][0095]
其中，x为类中心数值，xi为同类数据数值，n为同类数据的数目。
[0096]
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。
[0097]
作为示例的，对1年的风电功率数据采用24小时时间窗的小波，通过前期使用haar小波、dbn小波、symn小波、coifn小波、biornr.nd小波对风电功率数据处理得到的稀疏度和重构误差测试结果。本发明认为应用bior2.2小波基函数可以实现将96条原始功率数据小波分解后经过最优阈值处理成稀疏化的50条小波系数，压缩率约为48％，经过小波系数重构的数据与原始数据也有很好的吻合性。
[0098]
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。
[0099]
作为示例的，针对步骤s2得到8类数据，为每类数据构建一个bilstm预测模型，将每类数据的风速、风向、气温、气压等16个气象特征数据(第一四分位数、中位数、第三分位数、方差统计特征)作为预测模型的输入，将对应的往后推24小时的稀疏化风电功率小波系数作为预测模型的输出，进行bilstm模型训练，按照相同操作分别对每类特征数据训练。最终可得8个bilstm预测模型。
[0100]
需要特别说明的是，lstm网络的基本单元由遗忘门、输入门和输出门3个逻辑门构成。其遗忘门、输入门、输出门的正向传播过程可分别由以下两个公式表示。
[0101]
[0102][0103]
在上述两个公式中：x
t
为输入；f
t
为遗忘门值；i
t
为输入门值；s
t
为临时状态量；c
t
为状态量；o
t
为中间输出量；h
t
为输出门值；y
t
为输出；wf,wi,ws,wo分别为对应的权值矩阵；bf,bi,bs,bo分别为对应的偏置项；
⊙
表示阵列乘法，即向量各元素相乘；σ为sigmoid激活函数。
[0104]
bi-lstm网络中第t个输入的展开示意图如图2所示，输入分别经过不同方向的lstm网络，其输出结果是2个方向的拼接。因此，bi-lstm网络训练出的模型输出包含了输入序列在顺序和逆序2个方向的信息，并且由于复用权重，在丰富其表达能力的同时，并没有增加对数据量的要求，降低了模型欠拟合的风险。通过设置合理的输入特征维数、隐层状态的维数、网络层数、dropout参数等参数完成网络的初始化，再输入训练集特征数据进行bilstm网络模型的参数训练。
[0105]
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。
[0106]
本步骤的目的在于计算评估集数据的预测误差分布。具体来说，首先利用步骤s4得到的预测模型，输入8个月评估集的风速、风向、气温、气压等气象数据的统计特征数据，得到风电功率小波系数预测值；再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。最后利用风电功率误差值进行beta分布拟合，该分布将用于模型应用阶段的概率预测区间的估算。
[0107]
作为示例的，本步骤的具体实现过程如下：
[0108]
s5.1：依次计算评估集中每条数据的统计特征，按照步骤s1.3相同操作，以固定24小时的时间窗口对每个气象参数数据(风速、风向、气温、气压)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，这样4维的原始气象数据经过特征提取后得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。
[0109]
s5.2：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。
[0110][0111]
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。
[0112]
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。
[0113]
s5.3：依次预测评估集每条统计特征数据对应的后24小时风电功率数值。首先，根据步骤s5.2识别的气象类别，选取步骤s4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。
[0114]
s5.4：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。具体按下述方式进行：
[0115]
beta分布是最基本的有界分布，根据所取参数的不同，beta分布能够逼近多种不同的分布形式，如正态分布、均匀分布，瑞利分布等。其密度函数的数学表达式如下所示：
[0116][0117]
其中，x(0≤x≤1)为被统计的随机变量；a、b(a》0，b》0)为beta分布的形状参数。
[0118]
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，可以根据下式计算该数据集的均值和方差：
[0119][0120][0121]
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。结合上式可以计算误差数据集合的均值和方差。
[0122]
结合公式得到风电功率误差数值建立beta分布模型的两个参数，从而得到风电功率预测误差数据集的beta分布模型，并进而计算该分布模型的95％概率水平对应置信区间，通过计算可得95％概率水平对应置信区间为[-5.3,4.6]。
[0123]
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。
[0124]
作为示例的，收集风速、风向、气温、气压等24小时的气象预报参数作为bilstm预测模型所需的输入数据来源，采集后的气象预报数据进行特征提取操作,按照步骤s1.3相同操作，分别对每个气象预报参数数据(风速、风向、气温、气压)提取第一四分位数、中位数、第三四分位数、方差的统计特征，这样形式为96*4维的原始气象数据经过特征提取后得形式为1*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。
[0125]
s7：对气象预报特征数据进行识别和分类。
[0126]
本步骤实现了气象特征数据类型识别。具体通过计算气象预报特征数据跟多个训练样本集的中心数据的距离来进行数据的识别和分类。距离的大小代表了样本集内部数据之间具有的相似程度高低，气象预报数据的类别被识别为具有最小距离的类别。
[0127]
作为示例的，跟训练阶段的步骤s5.2操作一样，首先对气象预报特征数据进行归
一化消量纲处理，再按照距离公式计算气象统计特征数据跟8个类中心数据的距离。以该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。
[0128]
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。
[0129]
作为示例的，应用对应bilstm模型预测功率小波系数，将气象预报的风速、风向、气温、气压气象特征数据输入到训练后的对应类别bilstm预测模型当中，即得到风电功率小波系数预测值，再对风电功率小波系数预测值进行稀疏化处理。
[0130]
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。
[0131]
具体来说，将前一步得到的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。然后通过风电功率预测值与挖掘的beta分布置信区间相加可以估算出每个预测时刻的概率预测区间；从图3的实际应用效果图中可知，采用基于dbscan-bilstm-beta风电功率概率区间预测方法具有较好的准确性，按照国标准确率计算公式得出准确率为98.5％。远远满足实际应用要求，同时高达93％的实际功率落于对应的风电功率预测概率区间之中。
[0132]
相应的，如图4所示，本发明还公开了一种基于bilstm预测的风电功率超短期概率预测系统，包括：
[0133]
第一数据采集与处理单元1，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。
[0134]
气象数据自动分类单元2，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。
[0135]
小波系数提取单元3，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。
[0136]
模型构建和训练单元4，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。
[0137]
误差分布拟合单元5，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。
[0138]
第二数据采集与处理单元6，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。
[0139]
气象预报数据识别分类单元7，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。
[0140]
功率预测单元8，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。
[0141]
概率区间估算单元9，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。
[0142]
综上所述，本发明公开的一种基于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。
[0143]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0144]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0145]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0146]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0147]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。
[0148]
同理，在本发明各个实施例中的各处理单元可以集成在一个功能模块中，也可以是各个处理单元物理存在，也可以两个或两个以上处理单元集成在一个功能模块中。
[0149]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0150]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0151]
以上对本发明所提供的基于bilstm预测的风电功率超短期概率预测方法及系统
进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

技术特征：
1.一种基于bilstm预测的风电功率超短期概率预测方法，其特征在于，包括如下步骤：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；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；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；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；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；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；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；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。2.根据权利要求1所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s1具体包括如下步骤：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；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；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。3.根据权利要求1所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述dbscan聚类方法包括如下步骤：s21：对训练集的特征数据进行数值归一化处理，消除量纲；s22：从归一化数据集中任意选取一个数据对象点p；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；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；s25：重复步骤s23和步骤s24，直到所有点被处理。
4.根据权利要求2所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s3包括：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。5.根据权利要求2所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s5包括：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；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：其中，d为数据于类中心的距离，x
i
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；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；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。6.根据权利要求5所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s54具体为：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：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：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；根据以下公式式
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；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]。7.根据权利要求1所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s6包括：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；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；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。8.根据权利要求7所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s7包括：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。9.根据权利要求7所述的基于bilstm预测的风电功率超短期概率预测方法，其特征在于，所述步骤s9包括：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；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。10.一种基于bilstm预测的风电功率超短期概率预测系统，其特征在于，包括：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；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；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；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；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；
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；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；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。

技术总结
本发明提出的一种基于BiLSTM预测的风电功率超短期概率预测方法及系统，所述方法包括风电功率预测模型的构建和风电功率预测模型的应用两个阶段。风电功率预测模型的构建阶段，主要包括数据采集与数据处理、气象数据自动分类、风电功率数据小波系数提取、同类数据构建BiLSTM预测模型、计算评估集数据的预测误差分布等五个步骤；风电功率预测模型的应用阶段，主要包括数据采集与数据处理、气象数据识别分类、应用对应BiLSTM模型预测功率、估计实时数据的预测区间等四个步骤。本发明基于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。提高了风电功率超短期概率预测的精度。提高了风电功率超短期概率预测的精度。


技术研发人员：李洪海 郑凯 安佰京 王尚斌 赵俊 苑丽伟 任兴辉 潘爱兵 牛恩荃 程艳 关逸飞 王楠
受保护的技术使用者：山东鲁软数字科技有限公司
技术研发日：2023.03.08
技术公布日：2023/7/19