1.非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,包括以下步骤:S1.对数值天气预报NWP数据进行特征提取,得到样本相关特征和序列相关特征,构成样本-序列特征向量;
S2.根据样本-序列特征向量进行相似度搜索和聚类,划分出不同的气象模式;
S3.使用每个气象模式的历史NWP和功率数据离线训练LightGBM网络,得到功率预测模型,根据实时收集NWP气象数据进行功率预测,基于漂移检测与DDA算法,对每个气象模式下功率预测模型的预测性能进行实时监测,并自适应地调整模型参数,实现非平稳数据流下风电功率自适应预测。
2.根据权利要求1所述的非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,所述S1包括以下子步骤:S11.利用滑动窗口将原始输入的每个气象变量的NWP数据划分为等长的数据片段,对于气象变量i,第t个时间窗内长度为T的数据片段为所述气象变量包括风速、风向正弦、风向余弦、温度、气压、空气密度;
S12.从所述数据片段中提取14个样本相关特征,包括气象变量i在第t个时间窗内的算术平均值、最大值、最小值、百分之五和百分之九十五分位数、第一、二、三四分位数、最小值和最大值出现次数、极差、方差、偏度的近似无偏估计、峰度的近似无偏估计;
S13.从所述数据片段中提取19个序列相关特征,包括:
自相关性相关特征:自相关函数ACF、偏自相关函数PACF、Box-Pierce统计量、Hurst指数;
波动性相关特征:去趋势波动分析DFA、Lomb-Scargle周期图、水平位移、方差变化、交叉点、香农熵、Kullback-Leibler散度;
时间序列分解相关特征:趋势因子、季节性因子、去趋势序列相关性、Spikiness强度、Lumpiness强度;
发生时间相关特征:最大值、最小值、最大KL散度的出现时间;
S14.对提取的样本相关特征、序列相关特征进行归一化处理,将并将6个气象变量的特征组合,形成同一时间窗所划分数据片段的198维样本-序列特征向量。
3.根据权利要求2所述的非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,所述趋势因子为:季节因子为:
其中,Var(·)为方差函数;为去季节序列;为去趋势序列;为经过Box-Cox变换的稳定归一化时间序列;分别进行LOESS分解得到的趋势分量、季节分量和残差分量;
去趋势相关性为:
式中,为去趋势NWP序列i在时间窗口t中第k滞后的自相关函数,n为序列的长度,h为考虑的最大滞后量。
4.根据权利要求1所述的非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,所述S2包括以下子步骤:S21.根据所述样本-序列特征向量,通过计算欧几里得距离进行相似性搜索;
S22.采用k-means++算法依据相似性搜索结果对数据片段进行聚类,通过肘部法则确定最优气象模式数量,将相似的数据片段聚类为不同气象模式。
5.根据权利要求1所述的非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,所述S3包括以下子步骤:S31.针对每个气象模式,使用历史NWP数据及其对应的历史功率数据离线训练LightGBM网络,得到对应气象模式的功率预测模型;
S32.实时采集NWP数据,提取样本-序列特征向量,计算样本-序列特征向量与各个气象模式的相似度,匹配对应的气象模式,将实时采集的NWP数据输入对应气象模式的功率预测模型进行功率预测;
S33.利用漂移检测和DDA算法,通过预警阈值Tp1、漂移阈值Tp2将功率预测模型划分为正常、预警和漂移三种状态,实时监测模型预测性能,在不同状态下根据预测精度变化决定是否更新模型参数,实现模型参数自适应调整。
6.根据权利要求5所述的非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,S33所述利用漂移检测和DDA算法,通过预警阈值Tp1、漂移阈值Tp2将功率预测模型划分为正常、预警和漂移三种状态,具体如下:输入的NWP数据通过滑动窗口输入到模型中,计算模型对相邻两个窗口的预测精度下降值:Difp=RMSE1/RMSE2
其中,RMSE1和RMSE2为相邻两个窗口的模型预测误差的均方根和;
当Difp
7.根据权利要求6所述的非平稳数据流下的风电机组发电功率自适应预测方法,其特征在于,S33所述在不同状态下根据预测精度变化决定是否更新模型参数,实现模型参数自适应调整,包括:
1)在正常状态下,若当前LightGBM模型对相邻两个窗口的预测精度下降值满足Tp2≥Difp>Tp1,则进入预警状态,缓存窗口开始收集新样本;
2)在预警状态下,若预测精度进一步降低,且Difp>Tp2、预警状态持续时间未超过设定时长,则使用新样本重新训练模型,并进入漂移状态,同时记录性能基准;若预测精度进一步降低,但是Tp2≥Difp>Tp1且预警状态持续时间超过设定时长,则视为误报,恢复正常状态;
3)在漂移状态下,缓存窗口继续采集样本,持续对当前模型在新采集样本上的性能进行评估,当RMSE1/Basp>Tp1时,Basp为新概念的性能基准,则再次使用缓存窗口中的样本重新训练模型,状态恢复正常后释放缓存窗口。