【技術實現步驟摘要】
本專利技術涉及短期風電功率預測，具體涉及一種基于frandsen尾流模型的短期風電預測方法。
技術介紹
1、隨著風電行業的迅速發展，風電預測技術在風電場規劃、運維管理和電力系統調度中起著至關重要的作用。目前，風電預測技術主要采用基于機器學習和深度學習的方法。例如，中國專利?cn104700156a?提出了一種基于支持向量機篩選變量的風電功率預測方法，具有較高的準確度。然而，該方法依賴大量高質量的歷史數據，數據噪聲和缺失可能顯著影響預測效果。此外，中國專利?cn114819369a提到了基于兩段式特征選擇和隨機森林改進模型的短期風電功率預測方法，適用于非線性特征，但在數據規模較大時計算開銷較高，模型訓練時間長。這些現有技術在一定程度上提高了風電預測精度，但其對歷史數據和特征工程的依賴較大，模型的泛化能力仍有待提升。此外，面對多變的風電場環境，現有方法的適應性較差，無法有效應對數據噪聲和缺失等問題。基于此，本專利技術提出了一種改進的風電預測模型，旨在通過優化數據處理方法及模型架構，減小對歷史數據的依賴，提高預測精度和泛化能力，從而更好地適應不同風電場的環境。
技術實現思路
1、本專利技術提供一種基于frandsen尾流模型的短期風電預測方法，綜合利用尾流模型和深度學習技術，在提高預測精度的同時，降低對歷史數據的依賴。
2、為解決上述技術問題，本專利技術所采用的技術方案是：
3、一種基于frandsen尾流模型的短期風電預測方法，包括以下方法：
4、s
5、s2、基于frandsen尾流模型算法，利用風機的推力系數曲線，基于不同風速、風向，制作風電場的尾流效應數據庫；
6、s3、?利用預測風速和風向導入尾流效應數據庫，實現預測風速考慮尾流效應的降尺度處理；
7、s4、對新產生的若干降尺度風速特征，結合已有預測氣象數據和風電實發功率，形成數據集，進行遞歸特征消除；
8、s5、基于消除后剩下的風電特征，通過多種深度學習算法進行模型訓練與模型堆疊；
9、s6、對訓練的多類模型進行線性組合形成最終短期風電預測模型。
10、上述的s2具體包括：
11、s21、建立該風電場的frandsen尾流模型，尾流模型在假設流動具有自相似性的基礎上，設定風速具有固定的輪廓，將動量方程運用到控制體，得出與軸向距離x相關的尾流衰減方程，frandsen尾流模型的速度衰減系數可以計算為：
12、；
13、風機下游尾流影響區域的直徑可以計算為：
14、；
15、式中，為上游風機的葉片直徑；為上游風機的葉輪掃風面積；為風機下游尾流影響區域面積；為風機的推力系數；為frandsen尾流模型的尾流衰減因子；為尾流膨脹參數；k為經驗系數；參數可通過如下公式計算得到：
16、；
17、；
18、式中，為尾流衰減常數，用來體現尾流的橫向擴散速度；
19、s22、將收集到的風速和風向數據輸入到尾流效應模型中，計算不同風速和風向下每臺風機的尾流效應，并將模擬計算得到的尾流效應數據整理成數據庫的格式，數據庫包含風速、風向、推力系數、相對位置和尾流效應信息。
20、上述的s4具體包括：
21、s41、整合新產生的降尺度風速特征、預測氣象數據和風電實發功率數據，構建數據集；
22、s42、對數據進行特征工程處理，包括缺失值處理和數據歸一化，確保數據質量和一致性；
23、s43、對數據進行遞歸特征消除處理，通過遞歸地訓練模型并消除對模型性能影響較小的特征來選擇最佳特征子集。
24、上述的s43具體包括：
25、s431、使用所有特征訓練隨機森林模型，計算得到每個特征對模型性能的重要性；
26、s432、從當前特征子集中移除特征重要性最低的一個特征，得到一個新的特征子集，再次輸入到隨機森林模型中，計算新的特征子集中每個特征的重要性，并利用交叉驗證方法得到新的特征子集的預測精度；
27、s433、?當隨機森林模型預測精度不再提升時，停止遞歸特征消除過程，最終得到的特征子集合就是通過遞歸特征消除方法選擇出的最佳特征集合。
28、上述的s5具體包括：
29、s51、將數據集劃分為訓練集、驗證集和測試集；
30、s52、在訓練集上分別訓練多個基礎模型，通過網格搜索優化各模型的超參數；
31、s53、使用驗證集對各基礎模型進行性能評估，根據評估結果對模型進行微調；
32、s54、將訓練好的多個基礎模型在驗證集上進行預測,將各模型的預測結果作為新的特征；
33、s55、基于新特征訓練一個元模型，元模型能學習到各基礎模型的權重，實現加權集成；
34、s56、使用測試集評估堆疊集成模型的性能,并用于后續的在線預測。
35、本專利技術提供一種基于frandsen尾流模型的短期風電預測方法，具有如下有益效果：
36、（1）通過frandsen尾流模型實現預測風速的降尺度處理，能更精細地刻畫風電場內部的尾流效應，基于物理先驗知識，增強預測模型魯棒性，提高預測精度。
37、（2）采用遞歸特征消除，自動篩選出關鍵風電特征，降低了對人工特征工程的依賴。
38、（3）利用深度學習算法和模型集成技術，充分挖掘風電數據的非線性關系，增強模型的泛化能力。
39、（4）線性組合多類模型，能根據不同模型的預測能力，自適應地調整權重，進一步提升預測性能。
40、綜上所述，本專利技術提供了一種新穎的風電預測算法，通過創新性地融合尾流模型和深度學習技術，在提高預測精度的同時，增強了模型的可解釋性和魯棒性，降低了對歷史數據和人工特征的依賴，具有顯著的技術優勢和應用前景。
本文檔來自技高網...【技術保護點】
1.一種基于Frandsen尾流模型的短期風電預測方法，其特征在于，包括以下方法：
2.根據權利要求1中所述的一種基于Frandsen尾流模型的短期風電預測方法，其特征在于，所述的S2具體包括：
3.根據權利要求2中所述的一種基于Frandsen尾流模型的短期風電預測方法，其特征在于，所述的S4具體包括：
4.根據權利要求3中所述的一種基于Frandsen尾流模型的短期風電預測方法，其特征在于，所述的S43具體包括：
5.根據權利要求4中所述的一種基于Frandsen尾流模型的短期風電預測方法，其特征在于，所述的S5具體包括：
【技術特征摘要】
1.一種基于frandsen尾流模型的短期風電預測方法，其特征在于，包括以下方法：
2.根據權利要求1中所述的一種基于frandsen尾流模型的短期風電預測方法，其特征在于，所述的s2具體包括：
3.根據權利要求2中所述的一種基于frandsen尾流模型的短期風電預...
【專利技術屬性】
技術研發人員：趙國漢，程建，馬龍，慎志勇，吳松熊，徐翠梅，余忠澤，
申請(專利權)人：中國長江電力股份有限公司，
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。