CN102545211B - 一种通用的用于风电功率预测的数据预处理装置及方法 - Google Patents

Abstract

本发明公开了一种通用的用于风电功率预测的风电场历史数据的预处理方法和装置。利用统计拟合的方法，形成数值天气预报(NWP)数据和风电场实测功率的统计拟合曲线，在考虑一定误差范围的情况下，剔除限电、NWP故障等明显的功率异常点。根据风电场实测功率与统计拟合曲线对应历史数据的比较，判断风电场是否发生扩建，并选择相应的样本更新频率，保证有效样本集中均为风电场最新的有效数据。本发明介绍的用于风电功率预测的数据预处理装置可以方便的集成到各种风电功率预测系统中，进一步提高风电功率系统的预测精度、工程实用性和系统的自适应能力。

Description

一种通用的用于风电功率预测的数据预处理装置及方法

技术领域

本发明属于风电场功率预测领域，涉及一种风电功率短期预测装置和方法，尤其是一种通用的用于风电功率预测的数据预处理装置及方法。

背景技术

由于化石燃料的日益枯竭，风能作为一种清洁、无污染的可再生能源，越来越受到世界各国的重视。但由于风能的间歇性、波动性，风电大规模接入将对电网产生巨大影响，并使电力系统的实时运行调度和潮流控制难度增加。因此对风电场发电功率进行预测具有重要意义。

对风电场的出力进行短期预测，电力调度部门能够根据风电出力变化调整调度计划，减少系统的备用容量，降低系统的运行成本。根据风电场预测的出力曲线优化常规机组的出力，可以降低运行成本，增强系统的安全性、可靠性和可控性。

根据输入数据的不同，风电功率预测方法可以分为采用数值天气预报(Numerical Weather Prediction-NWP)与不采用数值天气预报两种。不采用数值天气预报的预测模型主要考虑大气条件的持续性，在超短期内具有较好的效果。但当时间尺度较大时，必须采用考虑数值天气预报的预测方法。此方法大致可以分为物理法和统计法。物理法不需要历史数据的支持，根据大气边界层动力学和边界层气象的理论，直接建立数值天气预报预测模型。统计法旨在建立一个输入数据(数值天气预报、历史数据、实测数据)与输出风电功率间的映射关系，不仅需要风电场历史数据的支持，而且要求风电场数值天气预报数据和实测的风电场输出功率之间具有一致性。

然而，风电场实际运行过程中可能出现多种异常变化，导致数值天气预报数据和风电场输出功率之间失去相关性。如在风能密集的地区，部分热电厂承担冬季供暖的任务，风电场可能出现弃风现象。同时为保证系统安全稳定运行，在特殊运行方式下可能限制风电场的出力。这些人为因素使得风电场输出功率的变化规律无法保持一致。另外，部分风电场往往分为多期建设，在一期风电场投入运行后，再陆续建设后续风电场。风电场装机容量的不断增加，使得同一风速对应的风电场出力相差较大，使得风速与风电场输出功率间的不一致性加剧。此外，风电机组本身的故障停运、NWP的预测误差、功率测量坏点、数据传输故障等问题均可能加剧NWP预测数据和风电场输出功率之间的不一致性。此时如果直接利用此历史数据进行风电功率预测，即使经过较长的训练过程，也很难得到良好的预测效果。

我国风电利用技术起步较晚，风电场功率预测技术尚不成熟，预测精度较低。目前投入运行的各种风电功率预测系统均未考虑风电场历史数据中存在的不一致性问题，且未考虑系统运行过程中的风电场扩建问题，自适应能力和工程实用性较差。

发明内容

本发明的目的在于针对上述背景中提到的问题，提供一种通用的用于风电功率预测的历史数据预处理方法和装置。此发明旨在解决NWP历史数据和风电场历史测量功率不一致性问题，自动判断风电场是否发生扩建并采用相应的措施，提高风电场功率预测方法的自适应性和工程实用性。

本发明克服上述现有技术的缺点，提供的风电场功率数据预处理装置，包括如下模块：

数据采集模块，采集风电场的NWP历史数据及对应的风电场实测功率；

统计拟合曲线生成模块，利用采集的信息和保存的有效样本集生成新的统计拟合曲线，修正曲线参数；

风电场扩建判断模块，统计风电场实测功率超过历史对应数据的功率点个数，若一段时间内超过一定比例，则认为风电场发生扩建；

有效样本选择模块，根据生成的统计拟合曲线并考虑一定的拟合误差，剔除所采集的风电场数据中明显偏离统计拟合曲线的功率点；

快速更新样本模块和慢速更新样本模块，通过选择不同的模块即可设定不同的样本更新频率。

基于所述数据预处理系统的数据预处理方法，包括如下步骤：

A.装置启动初始化、断电或故障恢复后，首先由数据采集模块采集风电场的NWP历史数据和对应的风电场实测功率，进而调用统计拟合模块生成风电场的初始统计拟合曲线。

结合风电机组的风速-功率曲线的特点，整个风电场风速-功率曲线应大体服从类似规律：低风速区，出力较少；超过额定风速后，出力平稳；中间过程出力逐渐增大。故可以利用下式所述S型曲线拟合风电场历史数据的统计规律。

$P=\frac{k}{1+{\mathrm{ae}}^{-\mathrm{bv}}}$

其中，v为NWP预测的风速；P为对应的风电场输出功率；k、a和b为统计拟合曲线的参数。

B.装置进入稳定运行后将按下述步骤进行数据预处理。

(1)由数据采集模块采集风电场的NWP预测数据和对应的风电场实测功率；

(2)利用近期采集的数据信息，判断风电场是否发生扩建。具体方法为统计短时间内，风电场实测出力明显高于历史统计值的数据个数，当此类数据超过一定比例时认为风电场发生扩建；

在考虑一定的统计曲线拟合误差的基础上，实测功率是否超过历史数据点采用下式判断：

$P_S=\frac{k_i}{1+a_i{e}^{-b_i{v}_i}}$

P_i-P_s≥c×S_N

其中：v_i为NWP预测的风速，k_i、a_i和b_i为对应时刻统计拟合曲线模型的参数，P_S为计算出的历史对应功率，P_i为与NWP预测风速时刻相对应的实测功率，S_N为风电场额定功率，c为所允许的统计拟合曲线的拟合误差，应根据风电场的具体情况确定。

若实测功率满足上式，则将计数值加1。连续统计一段时间(如一周或半月)的数据，若此类数据超过一定比例(如15％或20％)，则认为风电场发生了扩建。

(3)根据风电场是否发生扩建选择相应的处理流程，更新有效样本集。

a当风电场发生扩建时，其流程如下：

调用统计拟合曲线生成模块，重新计算曲线参数；

调用有效样本选择模块，剔除明显偏离拟合曲线的功率异常点；

调用快速更新样本模块，设置相应参数，使有效样本集以较快频率更新，保证尽快形成扩建后风电场的统计拟合曲线；

b当风电场未扩建时，其流程如下：

调用有效样本选择模块，利用原有的统计拟合曲线剔除功率异常点；

调用慢速更新样本模块，使有效样本集以较慢频率更新，保证有效样本集中均为风电场最新数据。

一种通用的用于风电功率预测的数据预处理方法，包括如下步骤：

(1)首先根据风电场历史数据形成初始统计拟合曲线，得到NWP预测风速和风电场输出功率间的统计规律，该规律用下式所述S型曲线描述。

$P=\frac{k}{1+{\mathrm{ae}}^{-\mathrm{bv}}}$

其中，v为NWP预测的风速；P为对应的风电场输出功率；k、a和b为统计拟合曲线的参数。

(2)读取风电场的实测功率，并与对应的历史数据相比较；

(3)统计短时间内实测值明显超出历史数据的功率点的个数，当此类数据超过一定比例时认为风电场发生了扩建，选择样本快速更新程序，并设置快速更新标志UpdateFlag＝1；

在考虑一定的统计曲线拟合误差的基础上，实测功率是否超过历史数据点采用下式判断：

$P_S=\frac{k_i}{1+a_i{e}^{-b_i{v}_i}}$

P_i-P_s≥c×S_N

其中：v_i为NWP预测的风速，k_i、a_i和b_i为对应时刻统计拟合曲线模型的参数，P_S为计算出的历史对应功率，P_i为与NWP预测风速时刻相对应的实测功率，S_N为风电场额定功率，c为所允许的统计拟合曲线的拟合误差，应根据风电场的具体情况确定。

(4)风电场发生扩建时，启动样本快速更新程序；更新统计拟合曲线参数、剔除功率异常点、更新样本，此过程在短时间内进行，直到样本快速更新标志UpdateFlag达到要求，此时完成对扩建后风电场NWP数据和输出功率统计规律的拟合；

(5)风电场未扩建时，选择样本慢速更新程序，经过长时间更新一次有效样本集，保证有效样本集中的数据始终是最近的数据；此时需利用风电场上一状态的统计拟合曲线，剔除近期数据中的功率异常点。

(6)经过处理后的有效样本集，集中体现了目前风电场NWP数据和输出功之间的统计规律，将这些数据用于各种风电功率预测模型得到精度较高的风电场预测功率。

上述方法中所述短时间和长时间可以根据具体风电场实例而确定，如设定短时间为一周、长时间为一个月或者短时间为半月、长时间为一个季度等。

本发明通过形成风电场整体的统计拟合曲线，可以有效的识别、剔出功率异常点，进而解决历史数据中存在的不一致性问题。本发明的自适应性主要体现在可以根据风电场统计拟合曲线和实测功率的比较，自动识别风电场是否发生扩建，并自动修正统计拟合曲线的参数。依据风电场扩建与否的判断，自动选择相应的样本处理程序：风电场扩建时，快速更新有效样本集；风电场未扩建时，慢速更新样本集，保证无论风电场扩建与否，均可自动的将风电场的最新信息更新到有效样本集。

本发明的特点在于对风电场历史数据中存在的不一致性进行了处理，并考虑了风电场是否扩建等问题。本发明不涉及具体的风电场功率预测方法，本发明介绍的用于风电功率预测的数据预处理装置可以方便的集成到各种风电功率预测系统中，与其他各种风电功率预测方法相结合，提高系统的预测精度、自适应性和工程实用性。

以本发明与神经网络模型相结合的方法为例，说明此发明对于提高风电功率预测精度的有效性。神经网络模型采用3层反向误差传播(BP)神经网络，以风速、风向和温度为输入，风电场的预测功率为输出。中间层神经元的个数采用试探法确定。以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数；训练样本集分为两类，一种直接来自风电场历史数据，另一种来自经过本发明预处理后的有效样本集。两种训练样本集下的风电功率预测曲线如图3所示，显然采用本发明可以显著提高预测精度。

附图说明

图1风电场历史数据中存在的不一致性；

图2风电场扩建导致的不一致性；

图3本发明对预测精度的提高；

图4风电场历史数据预处理模块流程图；

图5风电场历史数据预处理算法流程图；

图6风电场历史数据预处理装置结构示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参见图1-6，统计法预测成功的关键在于NWP数据与风电场输出功率的变化规律具有一致性，但实际运行过程中可能出现同一风速对应大量不同输出功率的情况，如图1所示。预测系统运行过程中可能出现风电场扩建问题，导致NWP数据和风电场输出功率之间的不一致性加剧，如图2所示。此时若直接利用此历史数据进行风电功率预测，很难得到NWP数据和风电场输出功率间的统计规律。

针对上述问题，本发明提出了一种通用的用于风电功率预测的数据预处理方法和装置，解决了上述问题。本发明提出的数据预处理装置可以同任何风电功率预测系统相结合，不仅提高了系统的预测精度，而且具有较强的通用性，对于建立适合我国风电场特点的功率预测系统具有重大意义。其模块流程如图4所示，具体实现步骤如图5所示。

●首先根据风电场历史数据形成初始统计拟合曲线，得到NWP预测风速和风电场输出功率间的统计规律。

本实例所采用的统计拟合曲线为S型拟合曲线，其通式为：

$P=\frac{k}{1+{\mathrm{ae}}^{-\mathrm{bv}}}$

其中，v为NWP预测的风速；P为对应的风电场输出功率；k、a和b为统计拟合曲线的参数，可以通过历史数据中NWP风速和对应的实测功率的非线性拟合获得。

●读取风电场的实测功率，并与对应的历史数据相比较。

●统计一段时间(如一周)内实测值明显超出历史数据的功率点的个数，当此类数据超过一定比例时认为风电场发生了扩建，选择样本快速更新程序，并设置快速更新标志UpdateFlag。

(a)在考虑一定的统计曲线拟合误差的基础上，实测功率是否超过历史数据点采用下式判断：

$P_S=\frac{k_i}{1+a_i{e}^{-b_i{v}_i}}$

P_i-P_s≥c×S_N

其中：v_i为NWP预测的风速，k_i、a_i和b_i为对应时刻统计拟合曲线模型的参数，P_S为计算出的历史对应功率，P_i为与NWP预测风速时刻相对应的实测功率，S_N为风电场额定功率，c为所允许的统计拟合曲线的拟合误差，在本实例中取20％。

(b)若实测功率满足上式，则将计数值加1。连续统计一段时间，如一周的数据，若此类数据超过一定比例(在本实例中取15％)，则认为风电场发生了扩建，选择快速更新程序并设置UpdateFlag标志位。

(c)样本快速更新模块的选择与风电场是否发生扩建无关，仅与UpdateFlag的状态有关。

当风电场发生扩建时，设置UpdateFlag＝1，此时启动样本快速更新模块。只有当UpdateFlag满足相应的时间要求时，才终止样本快速更新模块。此时间要求的设置应保证能够获得扩建后风电场的统计特性，应根据具体风电场而设置。

当风电场未扩建时，设置UpdateFlag＝Inf，启动样本慢速更新模块。Inf为一个较大的值，保证不会由于上述时间要求的选择而启动样本快速更新模块。

●风电场发生扩建时，启动样本快速更新程序。更新统计拟合曲线参数——剔除功率异常点——更新样本，此过程以较短的周期(如一周)进行，直到获得扩建后风电场NWP数据和输出功率统计拟合规律。本实例中认为一个月时间即可拟合出扩建后风电场的统计规律，则样本快速更新的标志为UpdateFlag≤4。每次快速更新完一周的数据时将UpdateFlag加1，若UpdateFlag＞4，则不再执行快速更新程序。

●风电场未扩建时，经过较长的时间(如一个月)更新一次有效样本集，保证有效样本集中的数据始终是最近的数据。此时在形成有效样本集时需利用上一状态风电场的统计拟合曲线，剔除近期数据中的功率异常点。

经过处理后的有效样本集，集中体现了目前风电场NWP数据和输出功之间的统计规律，将这些数据用于各种风电功率预测模型即可得到精度较高的风电场预测功率。

三层BP神经网络模型是一种常用的风电功率预测模型，输入层神经元信息为数值天气预报预测的风速、风向和温度，输出层信息为风电场的预测功率，隐层神经元个数采用试探法确定；以训练样本均方根误差最小为目标，隐层神经元传递函数采用s型正切函数；输入层信息归一化到[-1，1]之间；输入层信息归一化后的值v_i，v_i由下式决定：

$v_i=1-\frac{v_{\max }-v_{\mathrm{forecast}}}{v_{\max }-v_{\min }}\×2$

其中，v_i为归一化后的值；v_forecast为数值天气预报预测的值；v_max为训练样本中统计的历史最大值；v_min为训练样本中统计的历史最小值。

分别用风电场原始数据和经过本模型处理后的有效样本集训练BP神经网络，所得预测结果如图3所示，风电功率预测精度得到大幅提高，误差降低水平见表1。

表1经过本发明数据处理后预测效果表

本发明通用的用于风电功率预测的数据预处理装置由数据采集模块、统计拟合曲线生成模块、风电场扩建判断模块和有效数据选择模块组成，其结构示意图见图6。

装置在最初启动初始化、断电或故障恢复时，首先由数据采集模块采集风电场的NWP历史数据和对应的风电场实测功率，进而调用统计拟合模块生成风电场的初始统计拟合曲线。

风电场历史数据的统计规律采用下述S型曲线拟合。

$P=\frac{k}{1+{\mathrm{ae}}^{-\mathrm{bv}}}$

其中，v为NWP预测的风速；P为对应的风电场输出功率；k、a和b为统计拟合曲线的参数。

当装置投入运行后，本装置工作流程如下：

1.由数据采集模块采集风电场的NWP预测数据和对应的风电场实测功率。

2.利用近期采集的数据信息，判断风电场是否发生扩建。具体方法为统计一段时间(如一周)内，风电场实测出力明显高于历史统计值的数据个数，当此类数据超过一定比例时认为风电场发生扩建。

在考虑一定的统计曲线拟合误差的基础上，实测功率是否超过历史数据点采用下式判断：

$P_S=\frac{k_i}{1+a_i{e}^{-b_i{v}_i}}$

P_i-P_s≥c×S_N

其中：v_i为NWP预测的风速，k_i、a_i和b_i为对应时刻统计拟合曲线模型的参数，P_S为计算出的历史对应功率，P_i为与NWP预测风速时刻相对应的实测功率，S_N为风电场额定功率，c为所允许的统计拟合曲线的拟合误差，应根据风电场的具体情况确定。

3.根据风电场是否发生扩建选择相应的处理流程，更新有效样本集。

●当风电场发生扩建时，其流程如下：

调用统计拟合曲线生成模块，重新计算曲线参数；

调用有效样本选择模块，剔除明显偏离拟合曲线的功率异常点；

调用快速更新样本模块，设置相应参数，使有效样本集以较快频率更新(如一周一次)。

●当风电场未扩建时，其流程如下：

调用有效样本选择模块，利用原有的统计拟合曲线剔除功率异常点；

调用慢速更新样本模块，使有效样本集以较慢频率更新(如一个月一次)，保证有效样本集中均为风电场最新数据。

将本发明的通用的用于风电功率预测的数据预处理方法和装置相结合，即可完成对风电场历史数据的预处理。将本发明与风电功率预测系统相集成，即可预测风电场的输出功率。由于本发明对数据的处理，使得预测系统的数据为最近的有效数据，具有更高的预测精度，提高了预测系统的自适应性和工程实用性。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的方法及技术内容作出些许的更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，仍属于本发明技术方案的范围内。

Claims (8)

1.一种通用的用于风电功率预测的数据预处理装置，其特征在于，包括如下模块：

数据采集模块，采集风电场的数值天气预报NWP历史数据及对应的风电场实测功率；

统计拟合曲线生成模块，利用采集的信息和保存的有效样本集生成新的统计拟合曲线，修正曲线参数；

风电场扩建判断模块，统计风电场实测功率超过历史对应数据的功率点个数，若一段时间内超过一定比例，则认为风电场发生扩建；

有效样本选择模块，根据生成的统计拟合曲线并考虑一定的拟合误差，剔除所采集的风电场数据中明显偏离统计拟合曲线的功率点；

快速更新样本模块和慢速更新样本模块，通过选择不同的模块即可设定不同的样本更新频率。

2.基于权利要求1所述数据预处理装置的数据预处理方法，其特征在于：

(1)装置启动初始化、断电或故障恢复后，首先由数据采集模块采集风电场的NWP历史数据和对应的风电场实测功率，进而调用统计拟合模块生成风电场的初始统计拟合曲线；

(2)装置正常运行时，采用下述步骤：

1)由数据采集模块采集风电场的NWP预测数据和对应的风电场实测功率；

2)利用近期采集的数据信息，判断风电场是否发生扩建；具体方法为统计短时间内，风电场实测出力明显高于历史统计值的数据个数，当此类数据超过一定比例时认为风电场发生扩建；

3)根据风电场是否发生扩建选择相应的处理流程，更新有效样本集。

3.如权利要求2所述的数据预处理方法，其特征在于，所述步骤(1)风电场的统计拟合规律采用下式描述：

$P=\frac{k}{1+{\mathrm{ae}}^{-\mathrm{bv}}}$

其中，v为NWP预测的风速；P为对应的风电场输出功率；k、a和b为统计拟合曲线的参数。

4.如权利要求2所述的数据预处理方法，其特征在于，所述步骤(2)中2)风电场实测出力是否超过历史统计值采用下式判断：

$P_S=\frac{k_i}{1+a_i{e}^{-b_i{v}_i}}$

P_i-P_s≥c×S_N

其中：v_i为NWP预测的风速，k_i、a_i和b_i为对应时刻统计拟合曲线模型的参数，P_S为计算出的历史对应功率，P_i为与NWP预测风速时刻相对应的实测功率，S_N为风电场额定功率，c为所允许的统计拟合曲线的拟合误差，应根据风电场的具体情况确定。

5.如权利要求2所述的数据预处理方法，其特征在于，所述步骤(2)中2)风电场是否发生扩建采用下述方法判断：

连续统计一段时间的数据，若风电场实测出力超过历史统计值的数据超过一定比例，则认为风电场发生扩建。

6.如权利要求2所述的数据预处理方法，其特征在于，所述步骤(2)中3)按照如下过程：

A当风电场发生扩建时，其流程如下：

调用统计拟合曲线生成模块，重新计算曲线参数；

调用有效样本选择模块，剔除明显偏离拟合曲线的功率异常点；

调用快速更新样本模块，设置相应参数，使有效样本集以较快频率更新；

B当风电场未扩建时，其流程如下：

调用有效样本选择模块，利用原有的统计拟合曲线剔除功率异常点；

调用慢速更新样本模块，使有效样本集以较慢频率更新，保证有效样本集中均为风电场最新数据。

7.一种通用的用于风电功率预测的数据预处理方法，其特征在于，包括如下步骤：

(1)首先根据风电场历史数据形成初始统计拟合曲线，得到NWP预测风速和风电场输出功率间的统计规律，该规律用下式S型拟合曲线描述；

$P=\frac{k}{1+{\mathrm{ae}}^{-\mathrm{bv}}}$

其中，v为NWP预测的风速；P为对应的风电场输出功率；k、a和b为统计拟合曲线的参数；

(2)读取风电场的实测功率，并与对应的历史数据相比较；

(3)统计短时间内实测值明显超出历史数据的功率点的个数，当此类数据超过一定比例时认为风电场发生了扩建，选择样本快速更新程序，并设置快速更新标志UpdateFlag；

在考虑一定的统计曲线拟合误差的基础上，实测功率是否超过历史数据点采用下式判断：

$P_S=\frac{k_i}{1+a_i{e}^{-b_i{v}_i}}$

P_i-P_s≥c×S_N

其中：v_i为NWP预测的风速，k_i、a_i和b_i为对应时刻统计拟合曲线模型的参数，P_S为计算出的历史对应功率，P_i为与NWP预测风速时刻相对应的实测功率，S_N为风电场额定功率，c为所允许的统计拟合曲线的拟合误差，应根据风电场的具体情况确定；

(4)风电场发生扩建时，启动样本快速更新程序；更新统计拟合曲线参数、剔除功率异常点、更新样本，此过程在短时间内进行，直到样本快速更新标志UpdateFlag达到长时间的要求，此时完成对扩建后风电场NWP数据和输出功率统计规律的拟合；

(5)风电场未扩建时，选择样本慢速更新程序，经过长时间更新一次有效样本集，保证有效样本集中的数据始终是最近的数据；此时需利用风电场上一状态的统计拟合曲线，剔除近期数据中的功率异常点；

(6)经过处理后的有效样本集，集中体现了目前风电场NWP数据和输出功率之间的统计规律，将这些数据用于各种风电功率预测模型得到精度较高的风电场预测功率。

8.如权利要求7所述的数据预处理方法，其特征在于：所述短时间和长时间可以根据风电场的具体实例而定，短时间指一周、长时间指一个月。

Images