【技術實現步驟摘要】
本申請涉及風光場站預測，尤其涉及一種風光場站聯合出力曲線高精度預測系統及方法。
技術介紹
1、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、外送路線設備復合利用多方面的先進優勢，將成為未來集中式新能源發電場站規劃建設的重要趨勢。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合出力曲線高精度預測技術的研究。
2、目前的預測技術能夠達到預測的目的，但是，無法實現風光發電功率的聯合預測，預測精度低，因此，有必要設計一種風光場站聯合出力曲線高精度預測系統。
技術實現思路
1、本申請提供一種風光場站聯合出力曲線高精度預測系統及方法，以解決現有技術中預測精度低的問題，實現了風光發電功率的聯合預測，預測精度高的目的。
2、本申請提供一種風光場站聯合出力曲線高精度預測系統，預測系統包括數據收集模塊、數據清洗和預處理模塊、數據特征提取模塊、模型選擇模塊、模型訓練模塊、模型評估模塊、模型部署模塊和主控模塊；
3、所述數據收集模塊通過數據清洗和預處理模塊連接主控模塊；所述數據收集模塊用于收集風力和光伏發電系統的歷史數據，包括風速、風向、太陽輻射、溫度氣象數據，以及對應的發電功率數據；所述數據清洗和預處理模塊對收集到的數據進行清洗和預處理，包括去除異常值、處理缺失數據、進行時間序列的處理；
4、所述數據特征提取模塊、模型選擇模塊、模型訓練模塊、模型評估模塊、模型部署模塊分別連接主控模塊；所述數據特征提取模塊根據領域知識和數據
5、優選的，所述模型選擇模塊使用機器學習模型如支持向量機、隨機森林或者深度學習模型如循環神經網絡、bp神經網絡、lstm神經網絡、雙向lstm神經網絡(bi-lstm)、gru神經網絡、雙向gru神經網絡(bi-gru)、cnn神經網絡。
6、優選的，一種風光場站聯合出力曲線高精度預測系統的使用方法，包括以下步驟：
7、a、風光場站發電及氣象數據分析及處理；
8、b、場站地貌及氣象環境特征研究分析；
9、c、高精度場站氣象預報結果的影響研究；
10、d、高精度風光聯合功率預測。
11、優選的，所述步驟a具體流程如下：
12、首先要收集風光場站的歷史發電和氣象數據以及周圍微型氣象站數據；在歷史發電數據方面，需要收集風光場站在過往2年以上的場站內風力發電機組整體功率數據、光伏發電組件整體功率數據、場站整體功率數據、以及對應的電量數據；針對數據不全或者質量不佳的情況，需要通過線性補值方法，對已收集的數據進行補全、平滑等后處理；
13、在歷史氣象數據方面，同樣需要風光場站的風速儀、環境檢測儀以及風機scada系統收集的風速、風向、光輻照度數據，并進行數據后處理，同時，需要進行場站所在區域的數值天氣預報回算，得出區域性范圍的歷史氣象數據，并進行后處理。
14、優選的，所述步驟b具體流程如下：
15、在地貌特征方面，研究發電機組團塊分布的特征和所處丘陵地貌的特征，以及根據場站所處周邊地理環境對于發電機組可能造成的尾流、光照遮擋影響；
16、在氣象特征研究方面，將已獲取的場站觀測的風速、風向、光輻照度等數據，與區域數值天氣預報回算結果進行對比分析，通過場站所在的地貌特征分析結果對氣象數據結果的映射關系進行機理分析，需要通過該分析結果得出地貌特征對風力發電、光伏發電相關氣象因素的單獨影響分析結果，以及風光聯動的氣象因素影響分析結果和風電氣象測風塔數據與光伏微型氣象站與功率之間的相關性。
17、優選的，所述步驟c具體流程如下：
18、首先開展區域數值天氣預報結果與場站風速儀、風機scada系統、環境檢測儀實時采集數據結果的多源異構數據同化，并進行數據后處理，得出全面的、高質量的氣象預報數據基礎；
19、根據環境特征對風力發電、光伏發電和風光聯動的氣象因素影響形成的映射關系，對氣象預報數據進行出力修正，形成考慮場站所處環境特征的場站氣象預報結果。
20、優選的，所述步驟d具體流程如下：
21、通過步驟a中的歷史數據，對風力發電單獨、光伏發電單獨、以及風光聯合發電進行超短期、短期、中長期功率預測算法模型訓練研究，并評估風/光疊加預測和風光聯合直接預測對提升風光場站功率預測精度的效果；
22、在風/光疊加預測方面，選擇多種深度學習算法作為風、光單一能源發電功率預測的基本方法；
23、在風光聯合預測方面，根據風光發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網絡的時序特征挖掘能力與cnn網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算法的風光發電功率聯合預測模型，并開展模型的訓練、驗證及測試，實現風光發電功率的聯合預測。
24、有益效果：本專利技術工作原理簡單，根據風光發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網絡的時序特征挖掘能力與cnn網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算法的風光發電功率聯合預測模型，并開展模型的訓練、驗證及測試，實現風光發電功率的聯合預測，預測精度高。
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、特征和優點能夠更明顯易懂，以下特舉本申請的具體實施方式。
本文檔來自技高網...【技術保護點】
1.一種風光場站聯合出力曲線高精度預測系統，其特征在于，預測系統包括數據收集模塊(1)、數據清洗和預處理模塊(2)、數據特征提取模塊(3)、模型選擇模塊(4)、模型訓練模塊(5)、模型評估模塊(6)、模型部署模塊(7)和主控模塊(8)；
2.根據權利要求1所述的一種風光場站聯合出力曲線高精度預測系統，其特征在于，所述模型選擇模塊使用機器學習模型如支持向量機、隨機森林或者深度學習模型如循環神經網絡、BP神經網絡、LSTM神經網絡、雙向LSTM神經網絡(BI-LSTM)、GRU神經網絡、雙向GRU神經網絡(BI-GRU)、CNN神經網絡。
3.實現權利要求1所述的一種風光場站聯合出力曲線高精度預測系統的使用方法，其特征在于，其使用方法包括以下步驟：
4.根據權利要求3所述的一種風光場站聯合出力曲線高精度預測系統的使用方法，其特征在于，所述步驟A具體流程如下：
5.根據權利要求3所述的一種風光場站聯合出力曲線高精度預測系統的使用方法，其特征在于，所述步驟B具體流程如下：
6.根據權利要求3所述的一種風光場站聯合出力曲線高精度預
7.根據權利要求3所述的一種風光場站聯合出力曲線高精度預測系統的使用方法，其特征在于，所述步驟D具體流程如下：
...【技術特征摘要】
1.一種風光場站聯合出力曲線高精度預測系統，其特征在于，預測系統包括數據收集模塊(1)、數據清洗和預處理模塊(2)、數據特征提取模塊(3)、模型選擇模塊(4)、模型訓練模塊(5)、模型評估模塊(6)、模型部署模塊(7)和主控模塊(8)；
2.根據權利要求1所述的一種風光場站聯合出力曲線高精度預測系統，其特征在于，所述模型選擇模塊使用機器學習模型如支持向量機、隨機森林或者深度學習模型如循環神經網絡、bp神經網絡、lstm神經網絡、雙向lstm神經網絡(bi-lstm)、gru神經網絡、雙向gru神經網絡(bi-gru)、cnn神經網絡。
3.實現權利要求1所...
【專利技術屬性】
技術研發人員：許新華，曹軍軍，李昌田，楊桃，柏悅梅，劉李斌，李月影，萬國家，
申請(專利權)人：華電寧夏能源有限公司新能源分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。