基于风电场集群短期功率预测方法及系统

1.一种基于风电场集群短期功率预测方法，其特征在于，包括：获取目标地区 个风电场站 个历史样本日5分钟级的功率数据 、风机轮毂处实测风速数据 和风机轮毂处预测风速数据 ，其中， 为一个三维实数空间， 表示实数域， 表示 个样本日，288 表示一天中5分钟级样本的数量， 表示风电场站的数量， 为第 个风电场站的功率序列， 为第 个风电场站的实测风速序列， 为第 个风电场站的预测风速序列；计算风机轮毂处风速的ACF曲线，并计算不同场站ACF曲线之间的加权欧式距离，并构建不同场站间关键气象要素时变规律的相似性距离矩阵 ，其中， 为一个二维实数空间， 表示风电场站的数量；计算各场站历史功率样本之间的Copula熵，并根据各个Copula熵构建场站功率的空间相似性矩阵 ；将相似性距离矩阵 和空间相似性矩阵 进行归一化处理，并对归一化处理后的相似性距离矩阵 和空间相似性矩阵 求和，得到时空相似性距离矩阵 ；采用层次聚类算法对所述时空相似性距离矩阵 进行聚类，结合新能源场站的地理分布确定分区方案，将目标地区 个风电场划分为K个区域；对各个区域分别建立LSTM时序预测模型，将某一区域中的功率序列、某一区域中代表场站的风机轮毂处实测风速序列以及某一区域中代表场站的风机轮毂处预测风速序列输入至某一LSTM时序预测模型，所述某一LSTM时序预测模型输出得到某一区域的总功率预测结果，其中，某一区域中代表场站基于最大相关-最小冗余原则在某一区域中选取得到。 2.根据权利要求1所述的一种基于风电场集群短期功率预测方法，其特征在于，所述计算风机轮毂处风速的ACF曲线，并计算不同场站ACF曲线之间的加权欧式距离，并构建不同场站间关键气象要素时变规律的相似性距离矩阵 包括：计算各风电场站风机轮毂处风速 的ACF曲线，其中，计算第i个场站在滞后时间t处的ACF值 的表达式为： ，式中， 为风速序列长度， 为第i个风电场站的实测风速序列的均值， ， 为第i个风电场站在滞后时间t处的ACF值， 为第i个风电场站的实测风速序列在时间点 的风速值， 为第i个风电场站的实测风速序列在时间点 的风速值；构建ACF矩阵，表达式为： ，式中， 为ACF矩阵， 为第m个风电场站在滞后时间n处的ACF值；计算所有风电场在滞后时间t处的平均ACF值 ，并根据平均ACF值计算各滞后时间点的欧式距离权重，其中，计算平均ACF值的表达式为： ，式中， 为风电场k在滞后时间t处的ACF值， 为风电场站的数量；计算欧式距离权重的表达式为： ，根据欧式距离权重，计算各场站ACF曲线之间的加权欧式距离矩阵，即构建不同场站间关键气象要素时变规律的相似性距离矩阵 ，表达式为： ，式中， 为第m个风电场与第m个风电场之间的加权欧式距离，数值为0， 为风电场h与风电场j之间的加权欧式距离； ，式中， 、 分别为风电场站h和风电场站j在滞后时间t的自相关系数， 为ACF最大滞后时间。 3.根据权利要求1所述的一种基于风电场集群短期功率预测方法，其特征在于，所述计算各场站历史功率样本之间的Copula熵，并根据各个Copula熵构建场站功率的空间相似性矩阵 包括：通过次序统计量，分别估计风电场h和风电场j的经验边缘分布函数，其中，次序统计量为描述序列中各数据点相对位置的统计量，表达式为： ， ，式中， 为第h个风电场的功率时间序列样本的经验边缘分布函数， 为功率时间序列样本数量， 为示性函数，若 成立时，函数值为1，若 不成立时，函数值为0， 为第h个风电场的功率时间序列中第s个样本， 为第j个风电场的功率时间序列中第s个样本， 为风电场的功率时间序列；将风电场 和风电场 的功率时间序列样本通过经验分布函数映射为边缘概率，表达式为： ， ，式中， 为风电场 h 的功率序列中第t个样本， 为风电场 j 的功率序列第t个样本， 为风电场 j 的功率序列的经验边缘分布函数， 为风电场 h 的功率序列的经验边缘分布函数， 为风电场 h 的功率序列中第t个样本的边缘概率， 为风电场 j 的功率序列中第t个样本的边缘概率；基于边缘概率构建联合样本对 ，并根据切比雪夫距离计算样本对之间的距离，表达式为： ， ，式中， 为第s个样本对 和第v个样本对 之间的切比雪夫距离， ， 为样本对 中风电场h中第s个样本的边缘概率， 为样本对 中风电场h中第v个样本的边缘概率， 为样本对 中风电场j中第s个样本的边缘概率， 为样本对 中风电场j中第v个样本的边缘概率， 为第s个功率样本， 为第v个功率样本；对于每一个样本对，找到每一个样本对的第k近邻距离，并基于k近邻距离估计各场站历史功率样本之间的Copula熵，表达式为： ，式中， 为二维单位球体积，切比雪夫距离下 =1， 为样本对s的第k近邻的切比雪夫距离， 为场站h和场站j之间Copula熵， 为Digamma函数；由 组成两场站之间代表非线性的空间相关性矩阵，即构建得到场站功率的空间相似性矩阵 ，表达式为： ，式中， 为场站h和场站j之间Copula熵， 为场站m和场站m之间Copula熵。 4.根据权利要求1所述的一种基于风电场集群短期功率预测方法，其特征在于，所述时空相似性距离矩阵 的表达式为： ，式中， 为归一化的Copula熵矩阵， 为归一化后的各场站ACF曲线之间的加权欧式距离矩阵， 为场站h和场站j之间的时空相似性距离， 为第m个风电场与第m个风电场之间的时空相似性距离。 5.根据权利要求1所述的一种基于风电场集群短期功率预测方法，其特征在于，在对各个区域分别建立LSTM时序预测模型之前，所述方法还包括：在第k个区域中，计算 个风电场站中各个风电场站的风机轮毂处实测风速序列 与区域总功率 之间的互信息，表达式为： ，式中， 为风电场站b的风机轮毂处实测风速序列与区域总功率之间的互信息， 为风电场站b的风机轮毂处实测风速的边缘概率函数， 为风电总功率的边缘概率函数， 为风电场站b的风机轮毂处实测风速的边缘概率函数与风电总功率之间的联合概率分布， 为区域k的总功率， 为风电场站b的风机轮毂处实测风速序列， 为风电场站b的风机轮毂处实测风速的一个具体观测值；将计算结果存储为相关性向量 ，选择与区域总功率相关性最大的首个代表场站 ， 为相关性向量，将 加入代表场站集合 ，剩余场站集合为 ，对每个候选场站u∈U，计算MRMR得分 ， 为区域k候选风场站轮毂处风速， 为区域k已选代表风场站轮毂处风速， 为区域k候选风场站轮毂处风速与区域k的区域总功率之间互信息， 为区域k候选风场站轮毂处风速与区域k已选代表风场站轮毂处风速之间的互信息，选择MRMR得分最高的场站加入代表集合，当 时，输出代表场站集合 作为区域k的代表场站。 6.一种基于风电场集群短期功率预测系统，其特征在于，包括：获取模块，配置为获取目标地区 个风电场站 个历史样本日5分钟级的功率数据 、风机轮毂处实测风速数据 和风机轮毂处预测风速数据 ，其中， 为一个三维实数空间， 表示实数域， 表示 个样本日，288 表示一天中5分钟级样本的数量， 表示风电场站的数量， 为第 个风电场站的功率序列， 为第 个风电场站的实测风速序列， 为第 个风电场站的预测风速序列；计算模块，配置为计算风机轮毂处风速的ACF曲线，并计算不同场站ACF曲线之间的加权欧式距离，并构建不同场站间关键气象要素时变规律的相似性距离矩阵 ，其中， 为一个二维实数空间， 表示风电场站的数量；构建模块，配置为计算各场站历史功率样本之间的Copula熵，并根据各个Copula熵构建场站功率的空间相似性矩阵 ；求和模块，配置为将相似性距离矩阵 和空间相似性矩阵 进行归一化处理，并对归一化处理后的相似性距离矩阵 和空间相似性矩阵 求和，得到时空相似性距离矩阵 ；划分模块，配置为采用层次聚类算法对所述时空相似性距离矩阵 进行聚类，结合新能源场站的地理分布确定分区方案，将目标地区 个风电场划分为K个区域；输出模块，配置为对各个区域分别建立LSTM时序预测模型，将某一区域中的功率序列、某一区域中代表场站的风机轮毂处实测风速序列以及某一区域中代表场站的风机轮毂处预测风速序列输入至某一LSTM时序预测模型，所述某一LSTM时序预测模型输出得到某一区域的总功率预测结果，其中，某一区域中代表场站基于最大相关-最小冗余原则在某一区域中选取得到。 7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。 8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。