一种基于二十四节气的风电功率预测方法技术领域
本发明属于风电场技术领域，尤其涉及一种基于二十四节气的风电功率预测方
法。
背景技术
风能的随机波动性对电网产生的较大冲击给风电产业的发展带来了巨大挑战。目
前风电功率预测误差较大，数值天气预报精度、训练样本的代表性与数量、预测算法与参数
设置是风电功率预测误差的主要来源。其中，数值天气预报与训练样本的影响最为显著。在
气候变化或季节更替时，由于风速、风向、温度、湿度的变化，自然风波动的随机性、多样性
增加了数值天气预报与训练样本构建的难度，然而自然风的波动特征具有一定的季节性、
气候性规律。准确划分季节、预判气候转换、掌握天气参数的变化规律是提高数值天气预报
精度、选择能够代表当前预测时刻气候状态的样本集，从而提升风电功率预测技术水平的
重要前提。传统的风电功率预测建模方法大多以年或阳历月份为周期划分样本数据，然而
这种纪历方法在季节表现上会出现日期误差，我国独创的二十四节气以“运行角度”来表述
地球与太阳相对位置进而反映季节变化，在历法上可以精确到秒，因此二十四节气相对阳
历更能准确表述季节、气候及物候变化情况，因而一定程度上，同一节气内的气象数据相对
阳历更具有相似性，以同一节气内的数据来训练预测模型，会在一定程度上提高预测精度。
发明内容
针对上述问题，本发明提出一种基于二十四节气的风电功率预测方法，包括以下
步骤：
步骤1：采集风电场功率预测所需的指定风电场数值天气预报数据、选定年份的二
十四节气信息以及风电场运行数据，并对上述数据进行清洗与预处理，提取指定年份节气
的节点日期；
步骤2：根据二十四节气的时间节点，将经过预处理的风电场数值天气预报数据、
风电场实测输出功率数据进行划分，建立与节气对应的24组数据样本集；
步骤3：以对应二十四节气的24组训练样本集为基础，建立24个对应节气的风电功
率预测模型；
步骤4：依据所需预测时间点所在的节气或依据输入数值天气预报数据所对应的
节气，确定预测模型及参数，在模型输入参量进行数据预处理后，将数值天气预报数据输入
对应节气的风电功率预测模型，得到风电功率预测结果。
所述步骤2：建立与节气对应的24组训练数据样本集，同一组训练样本来源于同一
节气的数据，所选数据仅与节气有关、与年份无关，既可来源于同一年相同节气也可以是不
同年份相同节气。
所述步骤3：建立24个对应节气的风电功率预测模型；在建立24组预测模型时，不
限定预测算法，可根据每个节气的数据特点和最终预测精度选定预测算法。
所述步骤1：采集风电场功率预测所需运行数据及天气数据，并对数据进行清洗与
预处理，提取指定年份的节气的节点日期；其中对数据进行清洗与预处理包括合理的检验
筛选、剔除错误数据以及插补和修正。
本发明的有益效果在于：
考虑到季节气候因素对风速、风向的影响，二十四节气能够科学准确地反映了一
年中的自然力特征，相对阳历更能准确表述季节、气候及物候变化情况。本发明从建立预测
模型和样本划分角度出发，考虑到同一节气内的气象数据样本集更能代表当前预测时刻气
候状态，根据二十四节气的时间节点，将样本数据进行划分，以同一节气内的数据建立预测
模型，从而在一定程度上减小了由于季节和气候变化对于预测精度的影响，提高了预测精
度。
附图说明
附图1为基于二十四节气的风电功率预测方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。附图1为基于二十四节气
的风电功率预测方法流程图，如图1所示，该方法采集风电场功率预测所需的指定风电场数
值天气预报数据、选定年份的二十四节气信息以及风电场运行数据，并对数据进行清洗与
预处理，提取指定年份的节气的节点日期，对数据进行清洗和预处理包括合理性检验和筛
选、错误数据的剔除及插补和修正。根据二十四节气的时间节点，将经过预处理的风电场数
值天气预报数据、风电场实测输出功率数据进行划分，建立与节气对应的24组数据训练样
本集；以对应二十四节气的24组训练样本集为基础，根据算法特点和测试精度确定每组样
本的预测算法，经训练后确定模型参数，建立24个对应节气的风电功率预测模型；依据预测
时间点所在的节气或依据输入数值天气预报数据所对应的节气，将数值天气预报数据输入
对应节气的风电功率预测模型，得到风电功率预测结果。下面以某风电场的数据为例进行
分析说明。表1是2011年5月1日至2012年4月30日每5分钟的数据，包括数值天气预报的风
速、风向的正弦余弦值以及对应点的实测功率。
表1某风电场数据示例
按照二十四节气的时间点来划分数据样本，即划分为24组，表2为基于节气的数据
训练样本示例，表3为基于节气的数据测试样本示例，如表2和表3所示，为比较基于二十四
节气的风电功率预测与传统预测方法的误差，把以上24组数据，每组划分为训练样本和测
试样本。本实施例的数据样本为一年内的数据资料，测试数据从每组内选取。在对每组数据
样本进行测试数据选取时，在此实施例中，测试样本取自交叉部分，即按照节气划分的数据
样本与其对应的按照阳历划分的数据样本的重叠部分，如表3、表4所示。
表2基于节气的数据训练样本示例
表3基于节气的数据测试样本示例
表4按照阳历划分数据样本示例
针对二十四组数据样本选择预测算法，建立预测模型。预测模型以数值天气预报
数据作为模型输入，同一时刻的风电场输出功率为训练目标；在测试阶段，根据预测均方根
误差确定每组数据最合适的预测模型，分别建立预测模型。
经过计算到24组预测结果，其中夏至数据和谷雨数据为问题数据，被剔除。在本实
施例中，选取均方根误差(RMSE)以及预测值与真实值的对比图作为评价预测精度的两个因
素，通过MATLAB输出均方根误差(RMSE)的结果，如表5、表6所示。
表5 RMSE输出结果
表6 RMSE输出结果
从平均误差来看：在基于二十四节气的风功率预测实验中，22组计算结果的平均
误差为0.11888，而对比试验中，22组计算结果的平均误差为0.12069。相比之下，基于节气
的风功率预测平均误差减小0.181％。通过以上对实验结果的分析，可以得到以下结论：基
于二十四节气的风电功率预测方法，相比传统方法会在一定程度上提高预测精度。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，
都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围
为准。