[发明专利]一种基于prophet算法的风电功率预测方法

说明书

本发明公开了一种基于prophet算法的风电功率预测方法，主要解决现有预测方法适用的时间序列数据局限性较大，模型的灵活性不足的问题。该预测方法包括如下步骤：(S1)基于prophet算法确定影响风电功率的时间序列因素；(S2)建立每个时间序列因素对时间序列数据的影响模型；(S3)根据影响模型建立风电功率预测时间序列模型。通过上述方法，本发明采用适合于具有季节性影响的时间序列和具有多个季节的历史数据的prophet算法，与风电功率具有明显周期季节性数据相适配，可以深度挖掘风电数据的周期性因素，并据此提高预测的精确度。因此，适宜推广应用。

技术领域

本发明属于风电预测技术领域，具体地说，是涉及一种基于prophet算法的风电功率预测方法。

背景技术

能源危机和环境问题的日益凸显，低成本、清洁、可再生的风电能源将是我们今后的不二选择。然而现阶段，风电存在最主要的问题是随着风电并网的规模不断扩大，大多数风电场往往无法提供准确的风电功率预测数据，继而导致各个省份的调度部门无法制定准确可靠的发电计划，最后导致风电并网后对电网稳定运行造成冲击，引发电网波动。基于此如何准确的对风电功率进行预测，则是当下国内外研究的热点。

近年来，众多学者针对风电预测问题上进行了研究，其方法主要分为物理方法、统计方法、学习方法。物理方法通过采用数值天气预报(NWP)模型预测风速，通常将其结果作为其他统计模型的输人量或用于新建风电场的功率预测。统计和学习方法通常不考虑风速变化的物理过程，而是在历史统计数据与风电场输出功率之间建立一种映射关系进行预测而是在历史统计数据与风电场输出功率之间建立一种映射关系进行预测。常见的统计和学习方法包括卡尔曼滤波法，人工神经网络法，小波分解法，支持向量机法、概率预测法，混沌预测法等。

经过对比分析，发现目前物理方法及固有的学习算法适用的时间序列数据局限性较大，模型的灵活性不足，而LSTM预测学习算法相较于其他算法有更好的预测效果，但依然存在一些不足：Lstm处理序列不能任意长且训练复杂度高。

发明内容

本发明的目的在于提供一种基于prophet算法的风电功率预测方法，主要解决现有预测方法适用的时间序列数据局限性较大，模型的灵活性不足的问题。

为实现上述目的，本发明采用的技术方案如下：

一种基于prophet算法的风电功率预测方法，包括如下步骤：

(S1)基于prophet算法确定影响风电功率的时间序列因素；

(S2)建立每个时间序列因素对时间序列数据的影响模型；

(S3)根据影响模型建立风电功率预测时间序列模型。

进一步地，在本发明中，所述时间序列因素包括趋势项、周期项、节假日项和误差项；即所述风电功率预测时间序列模型的表达式为：

y(t)＝g(t)+s(t)+h(t)+∈(t)

其中，y(t)表示风电功率预测时间序列函数；

g(t)为趋势项影响模型函数，所述趋势项用于反映时间序列的非周期性变化；

s(t)为周期项影响模型函数，所述周期项用于反映时间序列的周期性变化；

h(t)为节假日项影响模型函数，所述节假日项用于反映由不规律的节假日所产生的影响；

∈(t)为误差项影响模型函数，所述误差项用于反映未考虑因素对时间序列所造成的影响。

进一步地，在本发明中，所述趋势项影响模型函数g(t)的表达式为：

g(t)＝(k+a(t)^Tδ)t+(m+a(t)^Tγ)；