[发明专利]一种基于分段滤波与纵横聚类的风电功率预测方法

说明书

本发明提供了一种基于分段滤波与纵横聚类的风电功率预测方法，首先获取风电功率的历史数据，SDT进行爬坡识别，分别使用MEEMD滤波、smooth滤波对数据进行预处理，得到分段滤波后的波形；采用纵横聚类对数据进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；使用变分自动编码器对聚类后的数据进行特征提取，然后使用改进的蒲公英优化算法优化Transformer预测模型参数，预测得到风电功率。本发明解决了数据波动性对预测精度的影响，其次考虑单日相似性与细化季节特性的实际情况，有效提高了预测风电功率的精确性和鲁棒性。

技术领域

本发明属于风电功率预测技术邻域，具体涉及一种基于分段滤波与纵横聚类的风电功率预测方法。

背景技术

随着我国经济发展越来越好，社会各行各业和人们对能源需求也不断增加。而传统能源已不能满足人们的需求，再加上传统能源对环境的污染也比较严重，风电作为一种新型可再生能源在我国发展迅速，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。然而，风电的不稳定性是风电系统与主电网结合的障碍之一，为了更安全有效的利用持续增长的风能，高精度的风电功率预测方法对电网运行有着重要意义。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。

风电并网给电力系统的调度和安全稳定带来很大的挑战，使得风电功率的准确预测变得尤为重要。目前，风电功率预测方法主要分为统计方法和机器学习方法等，而统计方法只对波动规律明显、较平稳的功率可取得较好的预测，然而风能和风电功率具有较强的随机性和波动性，导致这种方法对风电功率预测的精确度差。考虑到客观因素等的影响，就会涉及到高维特征，而传统的功率预测方法在实际运用中，预测方法的训练周期长，运算复杂，预测准确性不高。并且风能在不同季节以及一天内不同时间段的差别大，普通的聚类和预测方法都不能满足实际的情况，这对风电功率预测也有很大的影响。

发明内容

发明目的：为了解决背景技术中所提出的问题，本发明提供一种基于分段滤波与纵横聚类的风电功率预测方法，使用纵横聚类对风电功率进行聚类，从而考虑到了不同季节以及单日内风电功率变化，使用VAE对聚类后的数据进行特征提取，通过改进的DO算法对Transformer模型进行优化，来实现对风电功率的准确预测。

技术方案：本发明提出一种基于分段滤波与纵横聚类的风电功率预测方法，包括以下步骤：

(1)对风电场的原始功率数据进行采集，并将采集后的数据进行预处理；

(2)采用改进的蒲公英优化算法优化旋转门算法，对预处理后的数据进行爬坡事件的特征识别，然后把识别后的数据根据是否爬坡分成两类；

(3)将识别为爬坡的数据通过MEEMD滤波，将非爬坡的数据通过smooth滤波；

(4)将滤波后的数据采用纵横聚类策略对其进行聚类，纵向聚类通过日内预聚类、单日间再聚类和纵向时间单元的三步聚类来实现全年细化季节特性聚类，同时将纵向类内的全部数据联排聚类，实现小时间尺度下的精细横向聚类；

(5)使用变分自动编码器对聚类后的数据分别进行特征提取；

(6)构建Transformer预测模型，并采用改进的蒲公英优化算法对Transformer预测模型参数进行优化；将特征提取后的数据输入优化后的Transformer预测模型，对未来风电功率进行预测。

进一步地，所述步骤(2)实现过程如下：

(2.1)首先进行初始化，其中K_1new为初始化的上旋转门斜率，K_2new为初始化的下旋转门斜率，公式如下所示：