本发明涉及一种风电超短期功率集合预测方法，尤其涉及一种基于相似图识别的风电超短期功率集合预测方法。
背景技术：
1、推进能源转型、发展现代化能源结构已经成为世界各国降低碳排放的主要手段，随着我国新型电力系统的不断建设以及可再生能源发电成本的急速下降，以风能、太阳能等为主的可再生能源将会提供未来大部分电力需求。《世界能源展望2021》预计，2023年全球可再生能源装机容量将达到为4153gw，占比约70％。据国家能源局统计，截止2024年4月底，风电装机容量约460gw，同比增长20.6％。
2、随着风电渗透率的增加，其波动性和随机性对电力调度、调峰、消纳带来巨大挑战，而精准的功率预测可以为电力调度、调峰以及电力交易提供数据支撑，是确保电力系统可靠性和安全性的重要手段。在风电站功率预测方面，目前研究中还存在观测资料质量差、天气预报精度低等问题，导致风电站发电功率难以精准预测。另外，风速具有较强的间歇性与不确定性的特性，也在一定程度上造成了风电超短期功率输出的不稳定，超短期风电功率的准确预测对天气预报的依赖度较高，不同数据驱动会造成结果的不确定性，且天气要素在时空尺度上具有一定的相似性。
技术实现思路
1、为了解决上述技术所存在的不足之处，本发明提供了一种基于相似图识别的风电超短期功率集合预测方法。
2、为了解决以上技术问题，本发明采用的技术方案是：一种基于相似图识别的风电超短期功率集合预测方法，包括以下步骤：
3、步骤s1：获取历史数据，并整理历史数据至历史数据集；采用k-means方法对历史数据集中的异常历史数据进行剔除，并基于k邻近值法填充剔除的历史数据的异常值；
4、步骤s2：基于相似图识别方法筛选待预测日的相似日，作为风电功率超短期预测模型的样本数据；
5、步骤s3：基于灰色关联分析法筛选关键气象因素，作为风电功率超短期预测模型中的气象因素；
6、步骤s4：基于wrf模式对多套气象因素的预报数据进行动力降尺度处理，并采用多模式加权集合平均法得到风电站的未来天气预报结果即风电站未来关键气象数据；
7、步骤s5：基于informer构建风电出力预测模型对风电功率进行超短期预测模型对风电功率的超短期预测，以步骤s2中待测日作为训练样本，输入相似日的气象因素；输出风电出力的短期预测。
8、进一步地，步骤s1中采用k-means方法对历史数据集中的异常历史数据进行剔除，具体包括以下步骤：
9、步骤s11：采用k-means方法对历史数据进行聚类，以获得k类数据集；
10、步骤s12：基于贝塞尔公式对获得的每个数据集做出标准偏差估计；贝塞尔公式为：
11、
12、其中，s为标准偏差；li为待估计样本元素；为样本均值；
13、步骤s13：通过拉伊达准则判断数据集中的数据是否为异常数据；拉伊达准则公式为：
14、|xv-x|≥3s；
15、其中，x为距离簇心最近距离下的平均值；xv为检测数据距离簇心的距离；
16、若检测数据距离簇心的距离与距离簇心最近距离下的平均值之差的绝对值不小于3倍的标准偏差，则该检测数据为异常数据。
17、进一步地，步骤s1中基于k邻近值法填充剔除的历史数据的异常值，即对步骤s13中的异常数据进行填充；k邻近值法的公式为：
18、
19、其中，xi-k为异常数据前k个数据；xi+k为异常数据后k个数据。
20、进一步地，步骤s2中基于相似图识别方法筛选待预测日的相似日，具体包括以下步骤：
21、步骤s21：设置一天中第i个时刻包含n个气象要素，并转化为一个n维的气象向量vi；设置一个时刻的周期为15分钟，构建一天的气象向量组，即转化为96个气象向量组{v1，v2，...，v96}；
22、步骤s22：将步骤s21中的气象向量组两两内积转化为96×96的格拉姆矩阵，格拉姆矩阵为：
23、
24、其中，vi表示第i个向量；vi·vj表示向量vi和vj的内积；
25、步骤s23：将步骤s22的格拉姆矩阵进行最大最小归一化，并映射到[0,1]上；最大最小归一化的公式为：
26、
27、其中，li为格拉姆矩阵g的第i个元素；l‘i为li的最大最小归一化结果；lmax为格拉姆矩阵元素中的最大值；lmin为格拉姆矩阵元素中的最小值；
28、步骤s24：将最大最小归一化的结果映射到[1,255]的颜色索引区间，生成具有96×96个像素点的图片生成标准化样图；
29、步骤s25：将每一天的气象数据均分别转化为一张96×96个像素点的图片即对比图；
30、步骤s26：基于结构相似性算法ssim评价待预测日与训练样本每一张对比图分别进行相似性对比，并选取相似图对应的相似日；
31、步骤s27：通过在结构相似性算法ssim在历史数据集中选取与待测日最为相似的m天作为样本数据。
32、进一步地，步骤s24中计算格拉姆矩阵中的每个元素对应的颜色索引值，使数据转换为整数类型以便于在图片中进行可视化；计算元素对应的颜色索引值的公式为：
33、k’＝round(254li)+1；
34、其中，k’为格拉姆矩阵元素li的颜色索引值。
35、进一步地，步骤s26中结构相似性算法包括亮度模块算法、对比度模块算法和结构模块算法；
36、亮度模块算法的计算公式为：
37、
38、c1＝(k1l)2；
39、
40、其中，xi为图像x的像素值；n为图像x的总像素数；μx为图像x的平均灰度；μy为图像y的平均灰度；c1为常数，用于避免μx2+μy2接近0造成系统不稳定；l为图像灰度级数，l＝255；k1为常数，k1＝0.01；l(x,y)为两幅图像的亮度对比函数；
41、对比度模块算法的计算公式为：
42、
43、c2＝(k2l)2；
44、
45、其中，σx为图像x的方差；k2为常数，k2＝0.03；c(x,y)为两幅图像的对比度函数；
46、结构模块算法的计算公式为：
47、
48、其中，σxy为两幅图的协方差；s(x,y)为两幅图像的结构对比函数；
49、结构相似性算法的计算公式为：
50、ssim(x，y)＝[l(x,y)]α[c(x,y)]β[s(x，y)]γ；
51、设置α＝β＝γ＝1；且c3＝c2/2；得到：
52、
53、若计算结果ssim相似度越接近1代表两幅图越相似，越接近-1两幅图越不相似。
54、进一步地，步骤s3中基于灰色关联分析法筛选关键气象因素，具体包括以下步骤：
55、步骤s31：将气象数据和功率数据转化为气象因素矩阵，气象因素矩阵为：
56、
57、其中，β为样本的总量；
58、步骤s32：对气象因素矩阵进行量纲统一，量纲统一的公式为：
59、
60、其中，β为样本的总量；
61、量纲统一后的矩阵为：
62、
63、其中，β为样本的总量；
64、步骤s33：计算各个气象因素序列与功率序列在各个对应元素上的差值，基于各对应元素的差值计算关联系数，关联系数的计算公式为：
65、
66、其中，n的取值范围为[1,n]；k的取值范围为[1,β]；ρ为对关联系数进行区分，ρ的取值范围为(0,1)；
67、步骤s34：基于关联系数，计算各个气象因素序列与功率序列的关联度，关联度计算公式为：
68、
69、其中，k的取值范围为[1,β]；
70、步骤s35：根据各个气象因素序列与功率序列的关联度，筛选符合相似日的关键气象数据。
71、进一步地，步骤s4中基于wrf模式对多套大尺度气象预报数据进行动力降尺度处理，具体包括以下步骤：
72、步骤s41：进行wrf模式的wps前处理；运用geogrid解码器、ungrib解码器和metgrid解码器处理模拟区域的静态地面数据，静态地面数据包括海拔高度、土壤类别和植被情况，将解压后的气象数据差值到选定的模拟区域，生成主处理模块的初始场；
73、步骤s42：运用主处理模块real.exe和呈可执行程序；real.exe读取wps的输出文件并结合实际的物理过程方案，为积分运算提供初始场；real.exe对选定的模拟区域的大气物理过程进行积分运算，提取出需要的关键气象变量；
74、步骤s43：使用空间相关系数r、均方根误差rmse、中心化标准差σ对各预报数据集对关键气象变量的整体模拟能力进行验证；
75、步骤s44：采用多模式加权集合平均法得到风电站的未来天气预报结果计算年际变化技能分数ivs，评估各模式在重现时间变异性的技能；
76、步骤s45：根据计算的各模式的ivs、使用空间相关系数r、均方根误差rmse和中心化标准差σ的排名，计算各个模式的权重wi；权重的计算公式为：
77、
78、其中，wi为模式的权重；ri为单个模式i的综合性能指标，较高的值表示更好的模式技能；si为各模式的排名；α为模式数量。
79、进一步地，步骤s43中空间相关系数r的计算公式为：
80、
81、均方根误差rmse的计算公式为：
82、
83、中心化标准差σ的计算公式为：
84、
85、其中，ai为气象变量的观测值；si为气象变量的模拟值；
86、步骤s44中ivs年际变化技能分数的计算公式为：
87、
88、其中，stdm为观测的气象变量标准差；stdo为模拟的气象变量标准差。
89、进一步地，步骤s5中构建基于informer模型的风电出力预测模型，包括以下步骤：
90、步骤s51：将样本数据中相似日作为训练集，待测日作为验证集；气象因素序列和功率序列作为训练集的输入；基于informer模型训练的历史数据，构建基于样本数据的发电功率超短期预测模型；
91、步骤s52：评估风电功率超短期预测模型的精度，评估指标包括平均绝对百分比误差mape、均方根误差rmse、均方误差mse和判定系数r2；
92、平均绝对百分比误差mape的计算公式为：
93、
94、均方根误差rmse的计算公式为：
95、
96、均方误差mse的计算公式为：
97、
98、判定系数r2的计算公式为：
99、
100、基于风电功率超短期预测模型输出功率的日预测值，并对计算该日预测值的日准确率，日准确率的计算公式为：
101、
102、其中，xi为功率的预测值；yi为功率的实际值；n为数据的数量；pmi为第i时刻的实际功率；ppi为第i时刻的日预测值；cap为风电站额定容量；n'为一日的样本个数。
103、本发明公开了一种基于相似图识别的风电超短期功率集合预测方法，通过采用相似图识别的方法挑选待测日的相似日，并采用灰色关联分析法对多个气象因素进行关联性分析，找出与风电功率序列相关性最大的关键气象变量；并以多套气象预测数据作为驱动源，使用wrf模式进行动力降尺度提取出多套高精度气象数据；采用多模式加权集合的方法得到风电站未来关键气象数据；并基于informer构建风电超短期预测模型对风电功率进行短期预测，能够准确识别各个气象变量对风电功率的影响，有助于提高预测精度，进而实现超短期的风电功率预测；有效提高风电超短期功率预测的可靠性，为电力调度调峰以及电力交易提供技术支撑。
1.一种基于相似图识别的风电超短期功率集合预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s1中采用k-means方法对历史数据集中的异常历史数据进行剔除，具体包括以下步骤：
3.根据权利要求1所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s1中基于k邻近值法填充剔除的历史数据的异常值，即对步骤s13中的异常数据进行填充；k邻近值法的公式为：
4.根据权利要求1所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s2中基于相似图识别方法筛选待预测日的相似日，具体包括以下步骤：
5.根据权利要求4所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s24中计算格拉姆矩阵中的每个元素对应的颜色索引值，使数据转换为整数类型以便于在图片中进行可视化；计算元素对应的颜色索引值的公式为：
6.根据权利要求4所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s26中结构相似性算法包括亮度模块算法、对比度模块算法和结构模块算法；
7.根据权利要求1所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s3中基于灰色关联分析法筛选关键气象因素，具体包括以下步骤：
8.根据权利要求1所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s4中基于wrf模式对多套大尺度气象预报数据进行动力降尺度处理，具体包括以下步骤：
9.根据权利要求8所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s43中空间相关系数r的计算公式为：
10.根据权利要求1所述的基于相似图识别的风电超短期功率集合预测方法，其特征在于：所述步骤s5中构建基于informer模型的风电出力预测模型，
