CN112288164A - 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 - Google Patents

Abstract

本发明公开了一种计及空间相关性和修正数值天气预报的风功率组合预测方法，针对传统的基于单一核函数的GP的不足，组合多种核函数，求得最佳的核函数方案，以基于组合核函数的GP为基础，建立预测模型。考虑到多维气象因素的数据复杂程度较高，通过自动相关判定算法筛选关键因素，并建立NWP风速偏差修正模型。同时，利用空间相关法，分析目标风电场和相邻风电场的风速时间序列，使用皮尔逊相关系数法求得其相关性最强对应的时间差，建立空间相关性模型。并基于上述模型的组合加权预测模型，并通过拉格朗日法求得了组合模型权值系数。由此通过组合加权预测模型将数值天气预报偏差修正法和空间相关法的有效结合，提高了风功率的预测精度。

Description

一种计及空间相关性和修正数值天气预报的风功率组合预测 方法

技术领域

本发明涉及风功率预测技术领域，具体地讲，是涉及一种计及空间相关性和修正数值天气预报的风功率组合预测方法。

背景技术

化石能源的日益枯竭及其带来的环境污染问题日趋严重，发展可再生能源的任务迫在眉睫。风能作为绿色无污染的可再生能源，近年来在电网中的渗透率持续上升。据全球风能理事会提供的数据显示，至2018年，风电的全球装机容量达到591GW，其中中国为184GW，风电装机排名全球第一。然而，风功率出力的随机性和间歇性对其准确预测造成了较大的困难，为电网的安全稳定运行和减少弃风量带来了一定挑战。因此，准确的风功率预测越来越受到重视。

风功率预测方法大致可分为统计学方法、物理学方法和空间相关法。常用的统计学预测方法有时间序列分析法和人工智能法，前者包含了差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)、自回归移动平均模型(Autoregressive and Moving Average,ARMA)、自回归模型(Autoregressive,AR)等，这些方法对于线性数据有更好的预测效果。后者包括了人工神经网络、支持向量机、支持向量回归等，其更好的考虑了非线性因素。上述统计学方法具有建模简单、计算迅速的优点。然而，由于统计学模型对训练集数据量的需求较大，其应用受到限制。如对于新建风电场，其历史数据不足，将增加风功率预测模型训练的难度。通常，统计方法适用于短期预测。

物理方法可以克服历史数据缺失产生的不利影响，常见的方法为基于数值天气预报(Numerical Weather Prediction，NWP)数据并结合“风速-功率曲线”。NWP以气象资料和地表信息作为初始条件，通过求解流体力学和热力学方程获取物理模型的关键信息，在一定程度上可以增大预测时间尺度。然而，热力学是不稳定的，有时会受到气候的影响，将会影响NWP的精度。且更新缓慢的数值天气预报也会对风功率预测造成一定的误差。

空间相关法(Spatial Correlation，SC)指的是使用相邻风电场的信息，对目标风电场进行预测，该方法在目标风电场风资源数据不足的情况下对于提高预测精度具有重要价值。当仅使用单个风电场数据时，可能会存在数据缺乏或信息获取不及时等问题，从而降低预测效率，而使用空间相关法，则可以弥补上述不足。且该方法计入了风电场所处地理位置与地形等因素，在一定程度上可以解决由风速突变引起的预测精度较低的问题。

为改进单一统计学或物理模型在风功率预测方面的局限性，部分研究结合多种方法，例如统计学方法与物理方法，建立组合预测模型，以提高风功率预测的准确性与模型的适用性。但是目前广泛应用到的统计学方法——神经网络存在收敛速度较慢、容易导致过拟合的缺点。高斯过程(Gaussian Processes，GP)是一种有效的非线性、非参数的概率预测方法，与其他统计学模型相比，GP包含的参数更少，可以简化计算过程。另外，GP具有自适应获取超参数的能力，建模过程较为灵活。然而，由于风速变化剧烈，传统的单一核函数的GP对风功率的预测能力有限，而发明人发现将多种核函数组合起来，可以使预测结果更加准确。同时，现有研究均没有同时考虑风功率预测的时序性、空间性与数值天气预报的不准确性等因素。

发明内容

针对上述现有技术中的上述问题，本发明提供一种准确性更高的计及空间相关性和修正数值天气预报的风功率组合预测方法。

为了实现上述目的，本发明采用的技术方案如下：

一种计及空间相关性和修正数值天气预报的风功率组合预测方法，包括以下步骤：

S100、读取风电场a的历史数据和数值天气预报中的多种气象因素的数据，所述气象因素至少包括风速、风向、温度、气压、相对湿度；

S200、通过自动相关判定算法筛选出所述多种气象因素中与风功率的相关性强的气象因素，将其数据作为输入变量，建立基于高斯过程的预测模型，并得到风功率预测值P₁；

S300、通过对应的已知风速数据，建立风速修正模型，并将通过该风速修正模型修正后的风速数据作为基于高斯过程的预测模型的输入，再进行风功率预测，得到风功率预测值P₂；

S400、对与风电场a相邻的m个风电场b_m进行空间相关性分析，分别计算每个风电场b_m与风电场a的皮尔逊相关系数以及其对应的延迟时间Δt_m，并由此通过风电场b_m的历史风速预测该风电场a在时刻t的风速，结合风电场a在时刻t的除风速外的其他气象因素数据，建立多维预测模型，并得到风电场a时刻t的风功率预测值P_2+m；

S500、基于P₂、P_2+m建立组合模型，用皮尔逊相关系数和拉格朗日乘子法求出该组合模型中的各预测模型的权值系数，建立组合加权风功率预测模型；

S600、利用该组合加权风功率预测模型对风电场a的风功率进行预测，输出风电场a的风功率预测值P。

进一步地，所述计及空间相关性和修正数值天气预报的风功率组合预测方法，还包括：

步骤S700、分别计算基于得到P₁、P₂、P_2+m、P的模型的标准均方根误差NRMSE、平均绝对百分比误差MAPE和归一化平均绝对误差NMAE三个误差评价指标，并进行对比分析，将误差精度最小的风功率预测值作为风电场a的最终风功率预测值输出。

具体地，所述步骤S200中基于高斯过程的预测模型建立过程如下：

建立高斯表达式，输出函数g(x)＝待预测函数f(x)+高斯白噪声e(x)，根据高斯分布表示为：g(x)～N(m(x),K(X,X)+σ_n ²I)，该式中，m(x)为均值函数，σ_n为高斯白噪声的单位方差，I为n维单位矩阵，K(X,X)为协方差矩阵，包含元素K_ij＝k(x_i,x_j)，i,j＝1,2,…,n；

根据风电场a的历史数据形成高斯回归预测过程的训练集d＝{X,y}，其中，输入集X＝{x_i∈R^D|i＝1,…,n}由各种气象因素的数据形成D维的输入向量x，输出集y＝{y_i|i＝1,2,…,n}由对应的风功率观测值形成，通过该训练集确定出该高斯表达式中的预测参数；

根据训练集的输出y和预测值f_*的联合先验分布：

确定该基于高斯过程的预测模型的结果均值

和方差∑_*：

该式中，x_*表示新的输入值，k_*为k(X,x_*)＝k(x_*,X)^T＝[k(x₁,x_*),…,k(x_n,x_*)]的简化，表示X与x_i之间的n×1阶协方差矩阵，k(x_*,x_*)为新的输入值x_*自身的协方差。

具体地，所述协方差矩阵K(X,X)选择以下函数之一作为核函数：

1)平方指数协方差函数：

2)有理二次协方差函数：

3)Matern协方差函数,v＝3/2：

4)Matern协方差函数,v＝5/2：

该式中，σ_f为信号协方差，l为长度尺度参数。

具体地，所述高斯过程中超参数的学习通过极大似然估计算法来完成：

该式中，f_*为风功率预测中输出功率值，K为高斯过程的核函数；

通过自动相关判定算法确定高斯过程中的每个气象因素参数值匹配的长度尺度参数，由此判断出与风功率的相关性强的气象因素：

该式中，D为输入向量x的维数，对应气象因素的种类个数，b为偏差，所有超参数都包含在向量θ＝(θ₀,L,b)^T中，L表示L＝{l₁,……,l_D}中的参数，超参数{l₁,……,l_D}用于实现自动相关判定，随着l_i长度变短，函数对相应的输入变量x_i愈加敏感，输入变量的相关越强。

更具体地，所述步骤S300中，根据数值天气预报中的风速预测数据和风电场a的历史数据中对应的实际风速数据，构建风速修正模型表达式，通过自动相关判定算法筛选出所述数值天气预报的各气象因素中对风速影响最大的气象因素数据，作为该风速修正模型表达式的输入，并将所述风速预测数据也作为输入，以实际风速数据作为输出，建立出风速修正模型。

更具体地，所述步骤S400中，根据风电场a与相邻的风电场b_m的历史数据，获取风电场a与相邻的风电场的风速序列，并使用皮尔逊相关系数η_v来定量分析不同风电场风速序列之间的相关性大小：

该式中，N为风速相关性分析样本个数，v_a、v_bi分别为风电场a与相邻风电场b_m(i＝1,…,m)的风速观测值，由此获得风电场a与相邻的风电场b_m之间对应的延迟时间Δt_m，从而利用相邻风电场的风速数据对风电场a的风速进行预测。

其中，所述步骤S400中，选取皮尔逊相关系数η_v的极大值点对应的延迟时间作为两个风电场之间的时间差。

更具体地，所述步骤S500中根据不同预测模型对预测值的贡献程度大小进行加权处理，建立组合加权模型的表达式：

该式中，n种风功率预测模型的预测功率为P_n，对应的权值系数为β_n；

各风功率预测模型中风功率的误差为ε_n，对应的方差为ζ_n，该组合加权模型的方差为：

该式中，Cov(β_iε_i,β_jε_j)为各风功率预测模型误差对应的相互之间的协方差；在进行权值分配时以最小化预测方差和为目标函数，满足下式：

通过拉格朗日法求出预测误差方差的最小值，从而求出该组合加权模型中的各个权值系数，确定出该组合加权风功率预测模型。

其中，所述求出各个权值系数的过程中，引入拉格朗日乘子：

分别对β_i和λ求偏导数，令其偏导数为零，求得权重系数β₁、β₂、…、β_n。

与现有技术相比，本发明具有以下有益效果：

(1)本发明考虑到多维气象因素的数据复杂程度较高，使用了自动相关判定(ARD)算法，从多维数据中选择关键因子，并建立NWP风速修正模型。修正后的风速代替了NWP的风速，有效地提高了风速的精度和预报模型的泛化性能。

(2)本发明利用空间相关法，分析目标风电场和相邻风电场的风速时间序列，引入空间相邻风电场对目标风电场进行预测，反映了风电场地形和地理位置对功率大小产生的影响，同时弥补了目标风电场数据不足的导致预测精确度不够的缺陷。

(3)本发明针对传统的基于单一核函数的GP的不足，组合多种核函数，求得最佳的核函数方案，在基于组合核函数的高斯过程的基础上，建立了一种新颖的组合加权风功率预测模型。并根据风速的季节变化，建立不同季节情况下，采用拉格朗日乘子法确定模型的加权值，减小了组合模型的误差，从而有效地提高了风功率的预测精度。

附图说明

图1为本发明-实施例的流程示意图。

图2为本发明-实施例中NWP风速修正模型的流程示意图。

图3为本发明-实施例中空间平移法的示意图。

图4为本发明-实施例中不同季节的预测功率与误差示意图，其中图4a为春天，图4b为夏天，图4c为秋天，图4d为冬天。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

实施例

如图1至图4所示，该计及空间相关性和修正数值天气预报的风功率组合预测方法，包括以下步骤：

S100、读取风电场a的历史数据和数值天气预报中的多种气象因素的数据，所述气象因素至少包括风速、风向、温度、气压、相对湿度；

S200、通过自动相关判定算法筛选出所述多种气象因素中与风功率的相关性强的气象因素，将其数据作为输入变量，建立基于高斯过程的预测模型，并得到风功率预测值P₁；

S300、通过对应的已知风速数据，建立风速修正模型，并将通过该风速修正模型修正后的风速数据作为基于高斯过程的预测模型的输入，再进行风功率预测，得到风功率预测值P₂；

S400、对与风电场a相邻的m个风电场b_m进行空间相关性分析，分别计算每个风电场b_m与风电场a的皮尔逊相关系数以及其对应的延迟时间Δt_m，并由此通过风电场b_m的历史风速预测该风电场a在时刻t的风速，结合风电场a在时刻t的除风速外的其他气象因素数据，建立多维预测模型，并得到风电场a时刻t的风功率预测值P_2+m；

S500、基于P₂、P_2+m建立组合模型，用皮尔逊相关系数和拉格朗日乘子法求出该组合模型中的各预测模型的权值系数，建立组合加权风功率预测模型；

S600、利用该组合加权风功率预测模型对风电场a的风功率进行预测，输出风电场a的风功率预测值P。

进一步地，所述计及空间相关性和修正数值天气预报的风功率组合预测方法，还包括：

步骤S700、分别计算基于得到P₁、P₂、P_2+m、P的模型的标准均方根误差NRMSE、平均绝对百分比误差MAPE和归一化平均绝对误差NMAE三个误差评价指标，并进行对比分析，将误差精度最小的风功率预测值作为风电场a的最终风功率预测值输出。

具体地，基于高斯过程的预测模型建立过程：

高斯过程是建立在以贝叶斯理论为基础上的一种无参数机器学习算法，能自适应地求取其最优超参数、预测结果及其置信区间，具有训练速度快、适合处理高维数、非线性等复杂数据的优点。

设有输入集X＝{x_i∈R^D|i＝1,…,n}，输出集y＝{y_i|i＝1,2,…,n}，输入集与输出集的组合d＝{X,y}作为高斯回归预测过程的训练集，待预测函数为f(x)，假设f(x)服从高斯分布，其表达式为：

f(x)～N(m(x),k(x,x'))…………(1)

该式中，m(x)表示均值函数，k(x,x')表示协方差函数，分别定义为：

m(x)＝E[f(x)]…………(2)

k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))]]…………(3)

假设d为训练集，且由n个观测值组成，d＝{(x_i,y_i)|i＝1,…,n}，其中x表示D维的输入向量，y表示输出值，由于有n个输入x，D×n矩阵可用来表示整个输入数据。在高斯过程中，目标输出一般包含高斯白噪声e(x)，假设其符合零均值、单位方差，公式如下：

e(x)～N(0,σ_n ²)…………(4)

加入高斯白噪声的含噪序列后，表达式为：

g(x)＝f(x)+e(x)…………(5)

故g(x)也服从高斯分布，可表示为：

g(x)～N(m(x),K(X,X)+σ_n ²I)…………(6)

该式中，I为n维单位矩阵，K(X,X)为协方差矩阵，包含元素K_ij＝k(x_i,x_j)，i,j＝1,2,…,n，也被称作核函数。

本实施例中选取以下四种核函数：

1)平方指数协方差函数：

2)有理二次协方差函数：

3)Matern协方差函数,v＝3/2：

4)Matern协方差函数,v＝5/2：

该式中，σ_f为信号协方差，l为长度尺度参数，合理地选取核函数是保证预测精度的关键。可通过以下方式选择最优核函数方案：

所选的四种核函数的组合形式为：k(x,x′)＝k₁(x,x′)+k₂(x,x′)；

不同核函数及其组合情况下的预测误差指标如下表1所示：

表1不同核函数及其组合的预测误差指标

核函数及组合形式	RMSE(MW)	MAPE	MAE(MW)
				SE	6.069902	0.395229	5.653775
RQ	6.156618	0.39465	5.647139
				Mat(v＝3/2)	6.77634	0.405166	6.091823
Mat(v＝5/2)	6.812558	0.405619	6.11798
				SE+RQ	5.730346	0.327676	5.01388
SE+Mat(v＝3/2)	4.24602	0.25317	4.807119
				SE+Mat(v＝5/2)	5.586123	0.330217	4.914534
RQ+Mat(v＝3/2)	6.291651	0.337668	5.354872
				RQ+Mat(v＝5/2)	6.196443	0.341961	5.305759
Mat(v＝3/2)+Mat(v＝5/2)	5.899431	0.337354	5.108981

从表1中可见，组合核函数的预测误差均小于单一核函数的预测误差，当SE核函数和Mat(v＝3/2)组合时，预测误差最小。在接下来的预测中，基于该组合核函数的高斯过程模型被用于风功率预测。

训练集的输出y和预测值f_*的联合先验分布为高斯过程，如下式：

该式中，x_*表示新的输入值，k_*为k(X,x_*)＝k(x_*,X)^T＝[k(x₁,x_*),…,k(x_n,x_*)]的简化，表示X与x_i之间的n×1阶协方差矩阵，k(x_*,x_*)为新的输入值x_*自身的协方差。根据联合高斯分布原理，给出了基于高斯过程进行预测结果的均值

和方差∑_*分别为：

高斯过程超参数的学习通过极大似然估计算法来完成：

该式中，f_*为风功率预测中输出功率值，K为高斯过程的核函数。最大似然函数可以确定高斯过程中的参数值，通过为每个输入变量合并一个单独的长度比例参数来进行扩展，可以从观察到的数据中推断出不同输入的相对重要性，称为自动相关判定算法：

该式中，D为输入向量x的维数，对应气象因素的种类个数，b为偏差，所有超参数都包含在向量θ＝(θ₀,L,b)^T中，L表示L＝{l₁,……,l_D}中的参数，超参数{l₁,……,l_D}用于实现自动相关判定，随着l_i长度变短，函数对相应的输入变量x_i愈加敏感，输入变量的相关越强。

具体地，NWP风速修正模型的建立过程：

根据数值天气预报中的风速预测数据和风电场a的历史数据中对应的实际风速数据，构建风速修正模型表达式，通过自动相关判定算法筛选出所述数值天气预报的各气象因素中对风速影响最大的气象因素数据，作为该风速修正模型表达式的输入，并将所述风速预测数据也作为输入，以实际风速数据作为输出，建立出风速修正模型。修正后的NWP风速将更接近实际风速，提高风速预测的准确性，进而提高风功率预测的准确性。例如将修正后的风速数据作为基于高斯过程的预测模型的输入，得到风功率预测值P₂。

具体地，基于空间相关法的多维预测模型的建立过程：

目标风电场与周边地区的风速之间存在一定的空间相关性，选取合适的相邻风电场的历史风速对目标风电场风速进行预测，能够有效提高风功率预测的准确性。且当目标风电场缺失一部分历史数据时，可利用相邻风电场的数据对目标风电场进行预测。同时，考虑到一些风电场位于地形复杂的地区，仅依靠自身的数据很难反映出由于复杂地形造成的风速突变对预测产生的影响，而利用空间相关法进行预测能较好地解决上述问题。所选取的目标风电场和其相邻风电场并不是总处于一条直线上，可采用空间平移法对其进行处理，其示意图如图3所示。

通过目标风电场绘制一条直线，使其位于所选取的周边风电场之间，通过各个相邻风电场绘制该直线的垂线，获得对应的交点。当相邻风电场与其对应交点的距离较短时，交点处的数据可以等同于相邻风电场的数据。

当进行风电场之间的空间相关性分析时，需要大量的相邻风电场与目标风电场的历史数据。不同风电场风速序列之间的时间差需要精准计算。在本研究中，使用皮尔逊相关系数用来定量分析不同风电场风速序列之间的相关性大小，其公式为：

该式中，N为风速相关性分析样本个数，v_a、v_bi分别为风电场a与相邻风电场b_m(i＝1,…,m)的风速观测值。相关系数越接近1，正相关性越强。在不同的时间差情况下，得到目标风电场与相邻风电场的风速序列与其对应的皮尔逊相关系数，相关系数越大，代表两个风电场的风速序列的相似性越高。因此，选取相关系数的极大值点对应的延迟时间作为两个风电场之间的时间差，从而利用相邻风电场的数据对目标风电场进行预测。例如分别计算风电场a和风电场b₁与风电场b₂的皮尔逊空间相关系数以及其对应的延迟时间Δt，选取相关系数最大的点作为最佳延迟时间。分别通过风电场b₁、b₂的历史风速预测风电场a时刻t的风速v₃、v₄；加入风电场a时刻t的其他因素如风向、温度、气压、湿度等，建立多维预测模型，得到风电场a时刻t的风功率P3、P₄。

具体地，组合加权风功率预测模型的建立过程：

根据不同预测模型对预测值的贡献程度大小进行加权处理，假设有n中风功率预测模型，预测的功率分别为P₁、P₂、…、P_n，对应的权值系数为β₁、β₂、…、β_n，组合加权模型的表达式为：

各风功率预测模型中风功率的误差为ε₁、ε₂、…、ε_n，对应的方差为ζ₁、ζ₂、…、ζ_n，该组合加权模型的方差为：

该式中，Cov(β_iε_i,β_jε_j)为各风功率预测模型误差对应的相互之间的协方差。

该组合加权模型在进行权值分配时以最小化预测方差和为目标函数，满足下式：

通过拉格朗日法求出预测误差方差的最小值，从而求出该组合加权模型中的各个权值系数，确定出该组合加权风功率预测模型。

其中，所述求出各个权值系数的过程中，引入拉格朗日乘子：

分别对β_i和λ求偏导数，令其偏导数为零，求得权重系数β₁、β₂、…、β_n。

在不同季节下，不同预测方法的预测结果如图4所示，其中图4a展示春天预测功率与误差，图4b展示夏天预测功率与误差，图4c展示秋天预测功率与误差，图4d展示冬天预测功率与误差。风电场b₁、b₂是与风电场a相邻的风电场。

春夏秋冬不同季节场景下，相比于风速修正前，风速修正后的功率预测值更加接近实际值，提高了预测精度。基于空间相关性模型得到的各个场景下的风功率预测值的准确度优于风速修正前的NWP风功率预测值。从图中可以发现，各个季节的风功率并不是处于较为平稳的状态，均有较大波动，其中春天的风速最大，它的风功率值也最大，导致风功率绝对误差值也最大，其次依次是冬季和秋季，夏季的风速较小，该误差值也相应的小于其他季节。

使用组合加权模型进行风功率预测，其预测值更接近实际值，预测精准度比其他方法更高，各个季节的预测误差有明显的降低，说明所提出的组合加权风功率预测模型是合理的。以上模型的预测误差评价指标如表2所示。

由表2的预测误差评价指标表可以看出，组合加权预测模型求得的预测精度明显高于单一模型，例如，其NRMSE、MAPE、NMAE三个指标在春季分别降低了0.33078–1.5919MW，0.0287–0.12918、0.17644–2.69465MW，夏季降低了0.01102–0.15111MW，0.0494–0.21913、0.01448–0.28154MW，秋季降低了0.31536–0.76779MW、0.03481–0.2738、0.35463–1.14045MW，冬季降低了0.46431–1.53667MW、0.07372–0.16959、1.15365–2.72491MW。

表2不同模型的风功率预测误差评价指标

定义组合加权模型预测精度提高的计算公式为

该式中，ε_NWP表示基于NWP误差修正后的预测NRMSE误差值，ε_mix表示组合加权预测模型的NRMSE误差值，与基于NWP的预测模型相比较，组合加权预测模型的预测精度在各个季节的提高为春季37.49％，夏季10.88％，秋季31.88％，冬季35.67％，平均提高了28.98％。组合加权预测模型的适用性明显优于单一预测模型，在增加预测时间尺度的同时，能够有效提高风功率的预测精度。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (10)

1.一种计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，包括以下步骤：

S100、读取风电场a的历史数据和数值天气预报中的多种气象因素的数据，所述气象因素至少包括风速、风向、温度、气压、相对湿度；

S200、通过自动相关判定算法筛选出所述多种气象因素中与风功率的相关性强的气象因素，将其数据作为输入变量，建立基于高斯过程的预测模型，并得到风功率预测值P₁；

S300、通过对应的已知风速数据，建立风速修正模型，并将通过该风速修正模型修正后的风速数据作为基于高斯过程的预测模型的输入，再进行风功率预测，得到风功率预测值P₂；

S400、对与风电场a相邻的m个风电场b_m进行空间相关性分析，分别计算每个风电场b_m与风电场a的皮尔逊相关系数以及其对应的延迟时间Δt_m，并由此通过风电场b_m的历史风速预测该风电场a在时刻t的风速，结合风电场a在时刻t的除风速外的其他气象因素数据，建立多维预测模型，并得到风电场a时刻t的风功率预测值P_2+m；

S500、基于P₂、P_2+m建立组合模型，用皮尔逊相关系数和拉格朗日乘子法求出该组合模型中的各预测模型的权值系数，建立组合加权风功率预测模型；

S600、利用该组合加权风功率预测模型对风电场a的风功率进行预测，输出风电场a的风功率预测值P。

2.根据权利要求1所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，还包括：

步骤S700、分别计算基于得到P₁、P₂、P_2+m、P的模型的标准均方根误差NRMSE、平均绝对百分比误差MAPE和归一化平均绝对误差NMAE三个误差评价指标，并进行对比分析，将误差精度最小的风功率预测值作为风电场a的最终风功率预测值输出。

3.根据权利要求2所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述步骤S200中基于高斯过程的预测模型建立过程如下：

建立高斯表达式，输出函数g(x)＝待预测函数f(x)+高斯白噪声e(x)，根据高斯分布表示为：g(x)～N(m(x),K(X,X)+σ_n ²I)，该式中，m(x)为均值函数，σ_n为高斯白噪声的单位方差，I为n维单位矩阵，K(X,X)为协方差矩阵，包含元素K_ij＝k(x_i,x_j)，i,j＝1,2,...,n；

根据风电场a的历史数据形成高斯回归预测过程的训练集d＝{X,y}，其中，输入集X＝{x_i∈R^D|i＝1,...,n}由各种气象因素的数据形成D维的输入向量x，输出集y＝{y_i|i＝1,2,...,n}由对应的风功率观测值形成，通过该训练集确定出该高斯表达式中的预测参数；

根据训练集的输出y和预测值f_*的联合先验分布：

确定该基于高斯过程的预测模型的结果均值

和方差∑_*：

该式中，x_*表示新的输入值，k_*为k(X,x_*)＝k(x_*,X)^T＝[k(x₁,x_*),...,k(x_n,x_*)]的简化，表示X与x_i之间的n×1阶协方差矩阵，k(x_*,x_*)为新的输入值x*自身的协方差。

4.根据权利要求3所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述协方差矩阵K(X,X)选择以下函数之一作为核函数：

1)平方指数协方差函数：

2)有理二次协方差函数：

3)Matern协方差函数,v＝3/2：

4)Matern协方差函数,v＝5/2：

该式中，σ_f为信号协方差，l为长度尺度参数。

5.根据权利要求4所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述高斯过程中超参数的学习通过极大似然估计算法来完成：

该式中，f_*为风功率预测中输出功率值，K为高斯过程的核函数；

通过自动相关判定算法确定高斯过程中的每个气象因素参数值匹配的长度尺度参数，由此判断出与风功率的相关性强的气象因素：

该式中，D为输入向量x的维数，对应气象因素的种类个数，b为偏差，所有超参数都包含在向量θ＝(θ₀,L,b)^T中，L表示L＝{l₁,......,l_D}中的参数，超参数{l₁,......,l_D}用于实现自动相关判定，随着l_i长度变短，函数对相应的输入变量x_i愈加敏感，输入变量的相关越强。

6.根据权利要求1～5任一项所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述步骤S300中，根据数值天气预报中的风速预测数据和风电场a的历史数据中对应的实际风速数据，构建风速修正模型表达式，通过自动相关判定算法筛选出所述数值天气预报的各气象因素中对风速影响最大的气象因素数据，作为该风速修正模型表达式的输入，并将所述风速预测数据也作为输入，以实际风速数据作为输出，建立出风速修正模型。

7.根据权利要求6所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述步骤S400中，根据风电场a与相邻的风电场b_m的历史数据，获取风电场a与相邻的风电场的风速序列，并使用皮尔逊相关系数η_v来定量分析不同风电场风速序列之间的相关性大小：

该式中，N为风速相关性分析样本个数，v_a、v_bi分别为风电场a与相邻风电场b_m(i＝1,...,m)的风速观测值，由此获得风电场a与相邻的风电场b_m之间对应的延迟时间Δt_m，从而利用相邻风电场的风速数据对风电场a的风速进行预测。

8.根据权利要求7所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述步骤S400中，选取皮尔逊相关系数η_v的极大值点对应的延迟时间作为两个风电场之间的时间差。

9.根据权利要求8所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述步骤S500中根据不同预测模型对预测值的贡献程度大小进行加权处理，建立组合加权模型的表达式：

该式中，n种风功率预测模型的预测功率为P_n，对应的权值系数为β_n；

各风功率预测模型中风功率的误差为ε_n，对应的方差为ζ_n，该组合加权模型的方差为：

该式中，Cov(β_iε_i,β_jε_j)为各风功率预测模型误差对应的相互之间的协方差；

在进行权值分配时以最小化预测方差和为目标函数，满足下式：

通过拉格朗日法求出预测误差方差的最小值，从而求出该组合加权模型中的各个权值系数，确定出该组合加权风功率预测模型。

10.根据权利要求9所述的计及空间相关性和修正数值天气预报的风功率组合预测方法，其特征在于，所述求出各个权值系数的过程中，引入拉格朗日乘子：

分别对β_i和λ求偏导数，令其偏导数为零，求得权重系数β₁、β₂、…、β_n。

Images