CN104217260B - 一种风场邻近多台风电机测量风速缺损值的组合填充系统 - Google Patents

一种风场邻近多台风电机测量风速缺损值的组合填充系统 Download PDF

Info

Publication number
CN104217260B
CN104217260B CN201410484067.7A CN201410484067A CN104217260B CN 104217260 B CN104217260 B CN 104217260B CN 201410484067 A CN201410484067 A CN 201410484067A CN 104217260 B CN104217260 B CN 104217260B
Authority
CN
China
Prior art keywords
len
wind
wind turbine
speed data
air speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410484067.7A
Other languages
English (en)
Other versions
CN104217260A (zh
Inventor
杜杰
曹家
曹一家
刘玉宝
潘林林
刘月巍
陆金桂
顾云丽
王雷
董江伟
张琛
其他发明人请求不公开姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhongke Huaxing Emergency Technology Research Institute Co ltd
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201410484067.7A priority Critical patent/CN104217260B/zh
Publication of CN104217260A publication Critical patent/CN104217260A/zh
Application granted granted Critical
Publication of CN104217260B publication Critical patent/CN104217260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Wind Motors (AREA)

Abstract

本发明提供一种风场邻近多台风电机测量风速缺损值的组合填充系统,包括风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充单元、组合填充单元。本发明克服了现有方法针对风场邻近多台风电机测量风速同时发生缺损值时,对于缺损测量风速值填充的技术缺点,从二维时间域上采用动态时间规整法,结合相关系数法、空间近邻法共3种方法对风速数据的相似性进行分析;提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速,各自构建小波神经网络进行缺损风速填充;通过系统可调参数以适应不同风场的风速数据;采用基于熵权的组合填充方法,最终提出了一种风场邻近多台风电机测量风速缺损值的填充系统。

Description

一种风场邻近多台风电机测量风速缺损值的组合填充系统
技术领域
本发明涉及风力发电系统中风场邻近多台风电机测量风速缺损值的组合填充系统。主要针对从风场的数据采集与监视控制系统(Supervisory Control And DataAcquisition,简称SCADA)中采集的所有风电机带有缺损值标记的固定采样间隔的平均风速数据,以缺损测量风速发生的时间先后逐台进行填充。本发明的系统为一种基于小波神经网络,采用动态时间规整法,结合相关系数法、空间近邻法共同搜寻与缺损测量风速风电机风速演化相似的风电机集,利用这些风电机的测量风速来为缺损测量风速风电机进行风速填充的系统。
背景技术
为了有效地将风能并入电网中,对于风场的出力进行准确预测是极其必要和关键的,这其中,0至6小时的短期预报对于电网实时调度,确保电网频率、功率和电压平衡等涉及电网安全的技术参数具有重要意义。为了开发更加准确的风场出力预报系统,完整的风场风电机风速采集数据是这一系统顺利实施的关键环节之一。针对我国多个风场的采集数据进行分析,在经过必要的数据质量检查后,最突出的问题是出现了缺损的数据,其时间跨度从10分钟至几小时。并且,由于风场内多台相邻风电机公用一条数据传输线路,当发生传输故障时,往往风场内相邻多台风电机同时发生风速缺测。现有研究表明风力数据的缺失对于风电的预估将产生重要影响,必须加以考量,风场内相邻多台风电机同时发生缺损测量风速的工况,尚未见报道的缺损值填充方法。
1997年,美国能源部发布《风能资源预估手册(Wind Resources AssessmentHandbook,WRAH)NREL/SR-440-22223》,中国政府于2002年发布了《风场风能资源测量方法GB/T 18709-2002》、《风场风能资源评估方法GB/T 18710-2002》以及2010年发布《地面气象观测资料质量控制QX/T 118-2010》。这些手册只是做了规范性的指导和要求,缺乏具体的技术方法。针对风场测量风速缺损值的填充策略大多是围绕空间相关性,采用持续法、曲线拟合法、差分自回归移动平均法(Autoregressive Integrated Moving Average Model,简称ARIMA)以及以神经网络等模型。持续法假设风速不变;曲线拟合插值函数的非线性特性很难与风速变化趋势一致,使得缺损值填充效果不好。ARIMA将风速数据视为一个随机序列,通过对历史风速数据进行平稳化处理、模型识别,来近似描述风速的变化趋势。由于风速数据的高度非线性,ARIMA也较适用于超短期的缺损值的填补应用中。人工神经网络作为一种新的方法,具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特点,符合风速数据高度非线性的特点。已有文献多基于空间相关性原理,即相邻地区气象观测资料强相关的基础,采用地理位置上相邻的测量设备或站点的测量数据组织神经网络训练集并进行缺损值的填充。
由于整个风场占地面积较大,风电机众多,如果考虑到风场地势高低起伏的地理环境、风电机的尾流效应、以及季节对风速风向等影响因素,风场中空间位置邻近的风电机,其测量风速很难保证强相关;相关系数法强调其线性相关性,而风速具有强非线性特点。当风场内邻近多台风电机同时发生缺损测量风速的工况时,无论采用空间近邻法或者相关系数法搜寻的风电机,其风速与缺损测量风速风电机的相似性远不如邻近风电机测量风速完整的工况,严重影响了填充的精度。
发明内容
本发明的技术解决问题:克服现有单一采用空间近邻法或者相关系数法,针对风场邻近多台风电机测量风速同时发生缺损值工况下,对于风电机测量风速缺损值填充的技术缺点,从二维时间域上采用动态时间规整法,结合相关系数法、空间近邻法共3种方法,对风速数据的相似性进行分析;提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速,各自构建小波神经网络进行缺损风速填充;通过改变填充系统可调参数从而适应不同风场的风速数据;针对风场内所有风电机缺乏一个普适的缺损风速填充模型,采用基于熵权的组合填充方法,最终提出了一种风场邻近多台风电机测量风速缺损值的填充系统及填充方法。
本发明的技术解决方案:
一种风场邻近多台风电机测量风速缺损值的组合填充系统,该系统包括以下几个单元:风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充单元和组合填充单元;
1)风速数据相似性判定单元:
读入风场中风电机的原始采样风速集V={v(#WTp,Tq),p=1,2,…,S;q=1,2,…,Z},其中v(#WTp,Tq)表示风电机#WTp在采样点Tq的测量风速值,S为风电机的总数,Z为采样点总数;对采样区间[Tk~Tl]内缺损采样风速的风电机#WTi,采用动态时间规整法(DynamicTime Warping,简称DTW)、相关系数法、空间近邻法共3种方法,各从风场内在区间[Tk~Tl]采样风速数据完整的风电机集#WT中搜索与风电机#WTi风速演化最相似的M1、M2、M3台风电机:
动态时间规整法,计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk-Len~Tk-1]风速数据的DTW距离,取DTW距离最小的前M1台风电机;
相关系数法,计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk-Len~Tk-1]风速数据的相关系数R,取R最大的前M2台风电机;
空间近邻法,计算风电机#WTi与风电机集#WT中的每台风电机的大圆距离D,取D最小的前M3台风电机;
其中,定义Tk和Tl为风电机#WTi缺损采样区间的起止点,[Tk~Tl]的区间长度为Lmiss,Tk-Len和Tk-1为动态时间规整法和相关系数法中采样区间的起止点,[Tk-Len~Tk-1]的区间长度为Len,Len为风速采样点个数;
针对动态时间规整法,假设Len为len1个小时的风速采样点个数,M1取3,4,5,len1取1,2,…,15个小时,遍历M1,len1各种组合{(M1=3,len1=1),(M1=3,len1=2),…,(M1=5,len1=15)},对每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集;
针对相关系数法,假设Len为len2个小时的风速采样点个数;M2取3,4,5,len2取1,2,…,15个小时,遍历M2,len2各种组合{(M2=3,len2=1),(M2=3,len2=2),…,(M2=5,len2=15)},对每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集;
针对空间近邻法,假设M3取3,4,5,遍历M3各种组合{M3=3,M3=4,M3=5},对每种M3情形下大圆距离D的计算结果得到对应的风电机集;
2)模型参数识别单元:
上述单元中采用动态时间规整法得到的每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M1,隐含层神经元个数L1=M1+1,M1+2,…,2M1+3,生成{(M1=3,L1=4,len1=1),(M1=3,L1=5,len1=1),…,(M1=5,L1=13,len1=15)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M1,L1,len1不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M1,L1,len1分别为:Mdtw,Ldtw,Lendtw,即为动态时间规整法建立的小波神经网络子模型结构的最佳参数;
上述单元中采用相关系数法得到的每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M2,隐含层神经元个数L2=M2+1,M2+2,…,2M2+3,生成{(M2=3,L2=4,len2=1),(M2=3,L2=5,len2=1),…,(M2=5,L2=13,len2=15)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M2,L2,len2不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M2,L2,len2分别为:Mr,Lr,Lenr,即为采用相关系数法建立的小波神经网络子模型结构的最佳参数;
上述单元中采用空间近邻法得到的每种M3情形下大圆距离D的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M3,隐含层神经元个数L3=M3+1,M3+2,…,2M3+3,生成{(M3=3,L3=4),(M3=3,L3=5),…,(M3=5,L3=13)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M3,L3不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M3,L3分别为:Md,Ld,即为采用空间近邻法建立的小波神经网络子模型结构的最佳参数;
按最佳参数确定的各小波神经网络子模型对于风电机#WTi在采样区间为[Tk-Lmiss~Tk-1]的风速数据的模拟误差,按基于信息熵的组合填充原理,确定各小波神经网络子模型在组合模型中的权重ωdtw、ωr、ωd;其中ωdtw为采用动态时间规整法建立的小波神经网络子模型的权重,ωr为采用相关系数法建立的小波神经网络子模型的权重,ωd为采用空间近邻法建立的小波神经网络子模型的权重;
3)小波神经网络子模型填充单元:
根据模型参数识别单元中确定的3个小波神经网络子模型的最佳参数及其在组合模型中的权重,建立3个小波神经网络子模型,并重新划分3个子模型的训练集和测试集供各小波神经网络子模型使用,其中:
采用动态时间规整法建立的小波神经网络子模型重新划分的训练集为以(Mdtw,Ldtw,Lendtw)为参数确定的这Mdtw台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Mdtw台风电机对应采样区间为[Tk~Tl]的采样风速数据;
采用相关系数法建立的小波神经网络子模型重新划分的训练集为以(Mr,Lr,Lenr)为参数确定的这Mr台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Mr台风电机对应采样区间为[Tk~Tl]的采样风速数据;
采用空间近邻法建立的小波神经网络子模型重新划分的训练集为以(Md,Ld)为参数确定的这Md台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Md台风电机对应采样区间为[Tk~Tl]的采样风速数据;
建立好了的3个小波神经网络子模型分别对风电机#WTi对应各子模型训练集所在区间的采样风速数据经学习后,分别对风电机#WTi的缺损测量风速区间[Tk~Tl]进行填充,得到3个子模型的填充结果分别为fdtw(ls)、fr(ls)、fd(ls),ls=Tk,Tk+1,...,Tl,其中fdtw(ls)为采用动态时间规整法建立的小波神经网络子模型的填充结果,fr(ls)为采用相关系数法建立的小波神经网络子模型的填充结果,fd(ls)为采用空间近邻法建立的小波神经网络子模型的填充结果;
4)组合填充单元:
利用小波神经网络子模型填充单元的填充结果fdtw(ls)、fr(ls)、fd(ls),以及模型参数识别单元确定的各小波神经网络子模型的权重ωdtw、ωr、ωd,对风电机#WTi在缺损测量风速区间[Tk~Tl]进行组合填充,组合填充结果为F(ls)=ωdtwfdtw(ls)+ωrfr(ls)+ωdfd(ls),ls=Tk,Tk+1,...,Tl
本发明中,风速数据相似性判定单元中进行风速演化相似性比较采用的3种方法具体如下:
1)动态时间规整法:计算两台风电机#WTi和#WTj在采样区间[T1~TN]的风速数据构建的弯曲矩阵中从各自起点到各自终点的最短路径DTW(#WTi,#WTj),称为DTW距离,DTW距离越小则风电机#WTi和#WTj在采样区间[T1~TN]的风速数据在时间轴上伸缩后相似度越高;
2)相关系数法:计算两台风电机#WTi和#WTj在采样区间[T1~TN]的风速数据的皮尔逊相关系数R(#WTi,#WTj),称为相关系数R,R越大则风电机#WTi和#WTj在采样区间[T1~TN]的风速数据线性相关性越强;
3)空间近邻法:通过两台风电机#WTi和#WTj的经纬度坐标,采用大圆距离公式,计算风电机#WTi和#WTj的距离d(#WTi,#WTj),称为大圆距离D,D越小则风电机#WTi和#WTj按大圆距离标准越近。
本发明中,小波神经网络学习采用增加动量项的梯度下降法,学习目标以前后两次训练的累积误差平方和的比值E(r)/E(r-1)达到0.999为衡量标准,其中E(r)和E(r-1)为分别为第r次和第r-1次小波神经网络训练的累积误差平方和。
本发明主要针对从风场SCADA中采集的所有风电机带有缺损值标记的固定采样间隔的平均风速数据,以缺损测量风速发生的时间先后逐台进行填充,对同一时刻多台风电机同时发生缺损测量风速的工况,按风电机编号从小到大逐台进行缺损测量风速填充。
本发明中固定采样间隔如5、10、15或20分钟。
本发明中风速数据相似性判定单元采用动态时间规整法,结合相关系数法、空间近邻法,分别搜索与缺损测量风速风电机风速演化最相似的数据集,并划分3个子模型的训练集和测试集;模型参数识别单元通过模拟填充确定各子模型的最优参数和各个子模型在组合模型中的权重;小波神经网络子模型填充单元,进行各子模型对于缺损测量风速的填充;组合填充单元采用基于信息熵的组合填充方法,对3个子模型的填充结果进行组合,得到最终的填充结果。本发明能够更准确的完成风场邻近多台风电机测量风速缺损值的填充,同时提高系统的普适性。
本发明与现有技术相比的优点在于:
(1)本发明采用动态时间规整法在二维时间轴上对风速演化的非线性相似性进行度量,其结果优于相关系数法和空间近邻法,尤其适合于风场邻近多台风电机测量风速同时发生缺损值的工况,采用动态时间规整法构建的小波神经网络模型的填充效果优于采用相关系数法和空间近邻法构建的小波神经网络。
(2)本发明中建立子模型所需确定的小波神经网络输入层神经元个数M,相似性比较的风速数据长度Len和小波神经网络中间层神经元个数L共3个可调参数,可以针对不同风场风电机的测量风速数据的特点进行全局寻优,提高了模型的适应性。
(3)改进的小波神经网络模型以两次训练累计误差比达到0.999作为神经网络学习指标,优点在于两次训练累积误差比值越接近1,说明此时的神经网络对于样本的训练误差下降有限,训练基本达到目标,如果继续训练,增加了模型对于样本的过学习风险;同时以神经网络两次训练累积误差比值作为衡量标准,避免了对于不同学习样本,需设定不同的学习精度或者最大迭代次数的不便;既减少了计算量,缩短了训练时间,又避免了过学习的发生,因此更加适合于波动性剧烈的风速的建模。
(4)本发明集成了动态时间规整法、相关系数法、空间近邻法共3种方法建立的填充模型,将这3种方法的填充结果进行基于信息熵的加权组合,生成最终的组合填充结果,可提高模型对于不同风场不同风速数据的普遍适用性,有效克服了以往模型单一性的缺点。
附图说明:
图1为系统组成框图;
图2为系统流程图;
图3为动态时间规整法流程图;
图4为模型参数识别单元中模拟测试集和模拟训练集对应的采样区间;
图5为小波神经网络结构图;
图6为小波神经网络训练流程图;
图7为基于熵权的组合填充法流程图;
图8为小波神经网络子模型填充单元中训练集和测试集对应的采样区间;
图9为某风场#WT8风电机的采样风速数据;
图10为风电机#WT8第271-290缺损采样风速区间的填充结果;
图11为对风场所有风电机按邻近3-10台风电机同时缺损测量风速时的组合填充结果。
具体实施方式:
如图1、2所示,本申请是一种基于小波神经网络,采用动态时间规整法,结合相关系数法、空间近邻法,共同搜寻与缺损测量风速风电机风速演化最相似的若干台风电机,利用这些风电机的测量风速来为缺损测量风速风电机进行风速填充的系统,包括风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充单元、组合填充单元。
一、风速数据相似性判定单元:
首先,读入风场中风电机的原始采样风速集V={v(#WTp,Tq),p=1,2,…,S;q=1,2,…,Z},其中v(#WTp,Tq)表示风电机#WTp在采样点Tq的测量风速值,S为风电机的总数,Z为采样点总数。将V输入到风速数据相似性判定单元,本申请将针对缺损测量风速发生的时间先后逐台进行填充,对同一时刻多台风电机同时发生缺损测量风速的工况,按风电机编号从小到大逐台进行缺损测量风速填充。
以下以风电机#WTi针对缺损采样区间[Tk~Tl]进行缺损测量风速填充为例,加以说明详细的填充步骤。采用动态时间规整法(DynamicTimeWarping,简称DTW)、相关系数法、空间近邻法共3种方法,各从风场内在区间[Tk~Tl]采样风速数据完整的风电机集#WT中搜索与风电机#WTi风速演化最相似的M1、M2、M3台风电机:
动态时间规整法计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk-Len~Tk-1]风速数据的DTW距离,取DTW距离最小的前M1台风电机;
相关系数法计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk-Len~Tk-1]风速数据的相关系数R,取R最大的前M2台风电机;
空间近邻法计算风电机#WTi与风电机集#WT中的每台风电机的大圆距离D,取D最小的前M3台风电机;
其中,定义Tk和Tl为风电机#WTi缺损采样区间的起止点,[Tk~Tl]的区间长度为Lmiss,Tk-Len和Tk-1为动态时间规整法和相关系数法中采样区间的起止点,[Tk-Len~Tk-1]的区间长度为Len;
针对动态时间规整法,假设Len为len1个小时的风速采样点个数,M1取3,4,5,len1取1,2,…,15个小时,遍历M1,len1各种组合{(M1=3,len1=1),(M1=3,len1=2),…,(M1=5,len1=15)},对每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集;
针对相关系数法,假设Len为len2个小时的风速采样点个数;M2取3,4,5,len2取1,2,…,15个小时,遍历M2,len2各种组合{(M2=3,len2=1),(M2=3,len2=2),…,(M2=5,len2=15)},对每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集;
针对空间近邻法,假设M3取3,4,5,遍历M3各种组合{M3=3,M3=4,M3=5},对每种M3情形下大圆距离D的计算结果得到对应的风电机集;
为了提高后续小波神经网络的建模效果,Tk应大于10Lmiss长度为宜,若Tk较小,则此步骤中相应缩小Len的范围以适合该单元的应用。
进行风速演化相似性比较的3种方法为:
1)动态时间规整法,如图3所示,假设风电机#WTi和#WTj的采样风速数据分别为{v(#WTi,T1),v(#WTi,T2),...,v(#WTi,TN)}和{v(#WTj,T1),v(#WTj,T2),...,v(#WTj,TN)},其中N为采样点的个数。初始化风电机测量风速数据距离矩阵dNN,其中dNN的每一个元素为:l,k=1,2,...,N。在矩阵dNN中,把一组相邻的矩阵元素的集合称为弯曲路径,记为W={w1,w2,...,wK},W的第k个元素wk=(i,j)k,这条路径满足下列条件:(a)N≤K<2N-1;(b)w1=(1,1),wK=(N,N);(c)对于wk=(i,j),wk-1=(i',j'),满足0≤i-i'≤1,0≤j-j'≤1。在此基础上,DTW算法可以归结为运用动态规划思想寻找一条从d(1,1)到d(N,N)的最短路径D,其状态转移方程为:DTW(#WTi,#WTj)越小说明风电机#WTi和#WTj的采样风速数据在时间轴上伸缩后相似度越高。
2)相关系数法,假设风电机#WTi和#WTj的采样风速数据分别为{v(#WTi,T1),v(#WTi,T2),...,v(#WTi,TN)}和{v(#WTj,T1),v(#WTj,T2),...,v(#WTj,TN)},其中N为采样点的个数。风电机#WTi和#WTj的采样风速数据的相关系数为:,其中v(#WTi,Tk)、v(#WTj,Tk)和分别为风电机#WTi和#WTj在采样区间[T1~TN]的测量风速和平均风速。R(#WTi,#WTj)越大说明风电机#WTi和#WTj的采样风速数据线性相关性越强。
3)空间近邻法,假设风电机#WTi和#WTj的经纬度坐标分别为φi,λi;φj,λj,计算两风电机大圆距离其中:为两台风电机的圆心角;R为地球半径。D(#WTi,#WTj)越小,说明风电机#WTi和#WTj的大圆距离越近。
二、模型参数识别单元:
其次,进入模型参数识别单元,该单元将分别识别各小波神经网络子模型的最佳参数,并确定在组合填充时各子模型的权重。
1)确定各个子模型最佳参数的过程
上述单元中采用动态时间规整法得到的每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M1,隐含层神经元个数L1=M1+1,M1+2,…,2M1+3,生成{(M1=3,L1=4,len1=1),(M1=3,L1=5,len1=1),…,(M1=5,L1=13,len1=15)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M1,L1,len1不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M1,L1,len1分别为:Mdtw,Ldtw,Lendtw,即为动态时间规整法建立的小波神经网络子模型结构的最佳参数:Mdtw,Ldtw,Lendtw;Mdtw为最佳的风电机台数。
上述单元中采用相关系数法得到的每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M2,隐含层神经元个数L2=M2+1,M2+2,…,2M2+3,生成{(M2=3,L2=4,len2=1),(M2=3,L2=5,len2=1),…,(M2=5,L2=13,len2=15)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M2,L2,len2不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M2,L2,len2分别为:Mr,Lr,Lenr,即为采用相关系数法建立的小波神经网络子模型结构的最佳参数:Mr,Lr,Lenr;Mr为最佳的风电机台数。
上述单元中采用空间近邻法得到的每种M3情形下大圆距离D的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M3,隐含层神经元个数L3=M3+1,M3+2,…,2M3+3,生成{(M3=3,L3=4),(M3=3,L3=5),…,(M3=5,L3=13)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M3,L3不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M3,L3分别为:Md,Ld,即为采用空间近邻法建立的小波神经网络子模型结构的最佳参数:Md,Ld;Md为最佳的风电机台数。
图4以模拟训练集为10倍Lmiss长度为例,刻画了以上3个子模型确定模型最佳参数过程中的模拟测试集和模拟训练集对应的采样区间。
在本单元以及小波神经网络子模型填充单元中使用的小波神经网络及其改进:
风电机测量风速缺损值所采用的小波神经网络是一个多输入单输出3层神经网络系统,如图5所示,为了加快搜索最优参数的进度,此处的小波神经网络的训练方法如图6所示,采用增加动量项的梯度下降法:假设x1,x2,...,xm是小波神经网络的输入,y1是输出,ωij和βj为神经网络权值,m是输入层神经元个数,l为隐含层神经元个数,输出层神经元个数为1。隐含层输出计算公式为:
所以Hj=f(net1j)。其中,ωij为输入层和隐含层的连接权,bj为小波基函数的平移因子,aj为小波基函数的伸缩因子。本申请采用的小波基函数为Morlet母小波基函数,公式为:
依据隐含层输出Hj、隐含层和输出层连接权βj,输出层计算公式为:
根据网络预测输出Y和期望输出O,小波神经网络预测误差e为:
e=O-Y
设训练集规模为T,那么第r次训练的累积误差为:
采用增加动量项的梯度下降法对连接权ωij、βj、aj和bj进行调整。其公式为:
ωij(r)=αωij(r-1)+Δωij(r)
βj(r)=αβj(r-1)+Δβj(r)
aj(r)=δaj(r-1)+Δaj(r)
bj(r)=δbj(r-1)+Δbj(r)
其中,本申请中动量因子α=0.01,δ=0.01,r为训练次数;
Δβj(r)=eHj
Δaj(r)=-f'(net1j)·net1j·eβj/aj
Δbj(r)=-f'(net1j)·eβj/aj
学习目标以前后两次训练的累积误差平方和的比值E(r)/E(r-1)达到0.999为衡量标准。其依据和优点为:
(1)梯度下降法前后两次迭代的累积误差比值越接近1,说明此时的神经网络对于样本的训练误差下降有限,训练基本达到目标,如果继续训练,增加了模型对于样本的过学习,若此时结束训练,模型尚未出现过拟合的情形;
(2)以神经网络两次训练累积误差比值作为衡量标准,避免了对于不同学习样本,需设定不同的学习精度或者最大迭代次数的不便,更加适合于波动性剧烈的风速的建模;
(3)由于学习中采用增加动量项的学习方法,不仅使得神经网络不易陷入局部最小值,而且学习速度较快,减少了过拟合的发生,加上Morlet小波函数良好的时频局部化性质,能加快训练进程。
经实验,以两次训练累积误差比值达到0.999作为结束训练的判定标准。本文的学习方法普遍在学习40至70次就达到训练目标,极大的缩短了训练时长,同时提高了模型的泛化性能。
2)确定各子模型的权重ωdtw、ωr、ωd的过程
基于信息熵的组合填充模型原理,如图7所示,按最佳参数确定的各小波神经网络子模型对于风电机#WTi在采样区间为[Tk-Lmiss~Tk-1]风速的模拟结果为fdtw(ls)、fr(ls)、fd(ls),ls=Tk-Lmiss,Tk-Lmiss+1,...,Tk-1,其中采用动态时间规整法建立的小波神经网络子模型的模拟结果是fdtw(ls),采用相关系数法建立的小波神经网络子模型的模拟结果为fr(ls),采用空间近邻法建立的小波神经网络子模型的模拟结果为fd(ls)。在第Tt采样点各小波神经网络子模拟结果的相对误差eit分别为:其中t=k-Lmiss,k-Lmiss+1,…,k-1,e1t为采用动态时间规整法建立的小波神经网络子模型模拟结果的相对误差,e2t为采用相关系数法建立的小波神经网络子模型模拟结果的相对误差,e3t为采用空间近邻法建立的小波神经网络子模型模拟结果的相对误差,各子模型模拟结果的相对误差比重pit为:
计算各子模型的相对填充误差的熵hi
计算各子模型相对填充误差序列的变异程度系数di
di=1-hi,i=1,2,3
计算各子模型在组合模型中的加权系数大小ωi
令ωdtw=ω1,ωr=ω2,ωd=ω3,其中ωdtw为采用动态时间规整法建立的小波神经网络子模型的权重,ωr为采用相关系数法建立的小波神经网络子模型的权重,ωd为采用空间近邻法建立的小波神经网络子模型的权重。
三、小波神经网络子模型填充单元:
再次,根据模型参数识别单元中确定的3个小波神经网络子模型的最佳参数及其在组合模型中的权重,建立3个小波神经网络子模型,并重新划分3个子模型的训练集和测试集供各小波神经网络子模型使用,其中:
采用动态时间规整法建立的小波神经网络子模型重新划分的训练集为以(Mdtw,Ldtw,Lendtw)为参数确定的这Mdtw台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Mdtw台风电机对应采样区间为[Tk~Tl]的采样风速数据;
采用相关系数法建立的小波神经网络子模型重新划分的训练集为以(Mr,Lr,Lenr)为参数确定的这Mr台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Mr台风电机对应采样区间为[Tk~Tl]的采样风速数据;
采用空间近邻法建立的小波神经网络子模型重新划分的训练集为以(Md,Ld)为参数确定的这Md台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Md台风电机对应采样区间为[Tk~Tl]的采样风速数据。
图8以训练集为10倍Lmiss长度为例,刻画了以上3个子模型在缺损值填充单元中小波神经网络训练集和测试集对应的采样区间。
建立好了的3个小波神经网络子模型分别对风电机#WTi对应各子模型训练集所在区间的采样风速数据经学习后,分别对风电机#WTi的缺损测量风速区间[Tk~Tl]进行填充,得到3个子模型的填充结果分别为fdtw(ls)、fr(ls)、fd(ls),ls=Tk,Tk+1,...,Tl,其中fdtw(ls)为采用动态时间规整法建立的小波神经网络子模型的填充结果,fr(ls)为采用相关系数法建立的小波神经网络子模型的填充结果,fd(ls)为采用空间近邻法建立的小波神经网络子模型的填充结果。
四、组合填充单元:
最后,进入组合填充单元,利用小波神经网络子模型填充单元的填充结果fdtw(ls)、fr(ls)、fd(ls),以及模型参数识别单元确定的各小波神经网络子模型的权重ωdtw、ωr、ωd,对风电机#WTi在缺损测量风速区间[Tk~Tl]进行组合填充,组合填充结果为F(ls)=ωdtwfdtw(ls)+ωrfr(ls)+ωdfd(ls),ls=Tk,Tk+1,...,Tl
具体测试实例:
首先,图9为某风场SCADA系统采集的风电机#WT8于2008年10月23日至10月28日的原始采样风速数据,每个风速数据为每10分钟内的平均值,每天有风速数据144个,图中风速数据共1008个,为一周测量风速数据。从图中可以明显的看出风速的强非线性和随机性,风电机#WT8在该时间段内的风速数据最大值为18.05m/s左右,最小值为0.4m/s左右,在第120采样点附近,短短10小时内,风速变化超过20m/s,经历了陡降和陡升的情形。
本申请附上2个测试实例,实例1为针对#WT8风电机在缺损测量风速区间[271~290]进行组合填充的效果对比;实例2为针对风场内所有274台风机模拟6个缺损测量风速起始点、邻近多台风电机同时缺损测量风速工况下,以误差平方和为标准(Error Sum ofSquare,简称SSE),各进行20个步长缺损值填充效果对比。
实例1
以风电机#WT8在缺损测量风速区间[271~290]进行组合填充为例说明缺损值填充步骤及效果,此处缺损值起止点Tk=271,Tl=290,填充区间长度为20。
首先,风速数据相似性判定单元,采用动态时间规整法(Dynamic Time Warping,简称DTW)、相关系数法、空间近邻法共3种方法,各从风场内在区间[T271~T290]采样风速数据完整的风电机集#WT中搜索与风电机#WT8风速演化最相似的M1、M2、M3台风电机:
动态时间规整法计算风电机#WT8与风电机集#WT中的每台风电机对应采样区间[T271-Len~T270]风速数据的DTW距离,取DTW距离最小的前M1台风电机;
相关系数法计算风电机#WT8与风电机集#WT中的每台风电机对应采样区间[T271-Len~T270]风速数据的相关系数R,取R最大的前M2台风电机;
空间近邻法计算风电机#WT8与风电机集#WT中的每台风电机的大圆距离D,取D最小的前M3台风电机;
其中,定义T271和T290为风电机#WT8缺损采样区间的起止点,[T271~T290]的区间长度为20,T271-Len和T270为动态时间规整法和相关系数法中采样区间的起止点,[T271-Len~T270]的区间长度为Len;
针对动态时间规整法,假设Len为len1个小时的风速采样点个数,M1取3,4,5,len1取1,2,…,15个小时,遍历M1,len1各种组合{(M1=3,len1=1),(M1=3,len1=2),…,(M1=5,len1=15)},对每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集;
针对相关系数法,假设Len为len2个小时的风速采样点个数;M2取3,4,5,len2取1,2,…,15个小时,遍历M2,len2各种组合{(M2=3,len2=1),(M2=3,len2=2),…,(M2=5,len2=15)},对每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集;
针对空间近邻法,假设M3取3,4,5,遍历M3各种组合{M3=3,M3=4,M3=5},对每种M3情形下大圆距离D的计算结果得到对应的风电机集。
其次,进入模型参数识别单元。
上述单元中采用动态时间规整法得到的每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M1,隐含层神经元个数L1=M1+1,M1+2,…,2M1+3,生成{(M1=3,L1=4,len1=1),(M1=3,L1=5,len1=1),…,(M1=5,L1=13,len1=15)}的不同组合;模拟测试集对应从采样点T270开始倒推20长度的采样风速数据,对应的采样区间为[T251~T270],模拟训练集对应从采样点T250开始倒推所有的采样风速数据;对M1,L1,len1不同组合下模拟训练集针对风电机#WT8在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WT8在模拟测试集对应采样区间的采样风速数据进行模拟填充,误差平方和最小时M1=3,L1=9,len1=11,即为动态时间规整法建立的小波神经网络子模型结构的最佳参数:Mdtw=3,Ldtw=9,Lendtw=11。
按如上步骤,可确定采用相关系数法建立的小波神经网络子模型结构的最佳参数为:Mr=3,Lr=8,Lenr=11。
上述单元中采用空间近邻法得到的每种M3情形下大圆距离D的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M3,隐含层神经元个数L3=M3+1,M3+2,…,2M3+3,生成{(M3=3,L3=4),(M3=3,L3=5),…,(M3=5,L3=13)}的不同组合;模拟测试集对应从采样点T270开始倒推20长度的采样风速数据,对应的采样区间为[T251~T270],模拟训练集对应从采样点T250开始倒推所有的采样风速数据;对M3,L3不同组合下模拟训练集针对风电机#WT8在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WT8在模拟测试集对应采样区间的采样风速数据进行模拟填充,误差平方和最小时M3=3,L3=5,即为采用空间近邻法建立的小波神经网络子模型结构的最佳参数:Md=3,Ld=5。
按最佳参数确定的各小波神经网络子模型对于风电机#WT8在采样区间为[T251~T270]的风速数据的模拟误差,按基于信息熵的组合填充原理,确定各小波神经网络子模型的权重ωdtw=0.3493、ωr=0.3638、ωd=0.2869。
再次,进入小波神经网络子模型填充单元。
根据模型参数识别单元中确定的3个小波神经网络子模型的最佳参数及其在组合模型中的权重,建立3个小波神经网络子模型,并重新划分3个子模型的训练集和测试集供各小波神经网络子模型使用:
其中,采用动态时间规整法建立的小波神经网络子模型重新划分的训练集为以(Mdtw=3,Ldtw=9,Lendtw=11)为参数确定的这3台风电机从采样点T270开始倒推所有的采样风速数据,测试集为这3台风电机对应采样区间为[T271~T290]的采样风速数据;
采用相关系数法建立的小波神经网络子模型重新划分的训练集为以(Mr=3,Lr=8,Lenr=11)为参数确定的这3台风电机从采样点T270开始倒推所有的采样风速数据,测试集为这3台风电机对应采样区间为[T271~T290]的采样风速数据;
采用空间近邻法建立的小波神经网络子模型重新划分的训练集为以(Md=3,Ld=5)为参数确定的这3台风电机从采样点T270开始倒推所有的采样风速数据,测试集为这3台风电机对应采样区间为[T271~T290]的采样风速数据;
建立好了的3个小波神经网络子模型分别对风电机#WT8对应各子模型训练集所在区间的采样风速数据经学习后,分别对风电机#WT8的缺损测量风速区间[T271~T290]进行填充,得到3个子模型的填充结果分别为fdtw(ls)、fr(ls)、fd(ls),ls=T271,T272,...,T290
最后,进入组合填充单元。
利用小波神经网络子模型填充单元的输出结果fdtw(ls)、fr(ls)、fd(ls),以及模型参数识别单元确定的各小波神经网络子模型的权重ωdtw=0.3493、ωr=0.3638、ωd=0.2869,对风电机#WT8在缺损测量风速区间[271~290]进行组合填充,组合填充结果为F(ls)=0.3493fdtw(ls)+0.3638fr(ls)+0.2869fd(ls),ls=T271,T272,...,T290
实例1还将本文提出的组合填充模型与差分自回归移动平均法(ARIMA)以及持续法进行对比。ARIMA模型识别中,风电机#WT8测量风速数据经1阶差分后达到平稳,通过AIC准则定阶法确定为ARIMA(2,1,2)结构;持续法以缺损测量风速起始点之前最后测量风速数据作为缺损风速填充值。实验结果如图10所示,组合填充法的误差平方和SSE最小,为19.8891;ARIMA法误差平方和SSE为71.1221;持续法最大,达到174.6365。
实例2
为了验证本申请的普适性,针对该风场274台风电机,每一台风电机以第650采样点为开始,每隔一小时,共模拟了6个缺损测量风速起始点Tk={650,656,662,668,674,680},每个测试点进行缺损值区间长度Lmiss=20的缺损值填充实验,以误差平方和SSE衡量各个方法的效果。
按此方法,对风场内所有274台风电机#WT1至#WT274,6个缺损测量风速起始点Tk={650,656,662,668,674,680}按上述步骤进行模拟,综合来看,当N=4,L=9时,各小波神经网络子模型的泛化能力最优。并且,依据动态时间规整法和空间近邻法建立的小波神经网络,SSE随着Len的增加迅速降低,并在len为11时基本达到最低值,之后变化缓慢,因此选择Ndtw=Nr=Nd=4,Ldtw=Lr=Ld=9,Lendtw=Lenr=11,按最佳N、L、Len确定的各小波神经网络子模型对于风电机#WTi在采样区间为[Tk-20~Tk-1]的模拟误差,确定各小波神经网络子模型权重ωdtw、ωr、ωd
经小波神经网络子模型填充单元,根据模型参数识别单元中确定的3个小波神经网络子模型的最佳参数及其在组合模型中的权重,重新划分3个训练集和测试集供各小波神经网络子模型使用,此处,各小波神经网络子模型的训练集的长度选择为30倍缺损区间长度,即600,各小波神经网络子模型建模过程如上所述,将各子模型的填充结果经组合填充单元后得到最终的填充结果。
针对风场中每一台风电机,假设其邻近3台风电机同时缺损测量风速,统计的补缺效果对比结果如下表所示。
可见,基于动态时间规整法建立的小波神经网络无论从误差平方和角度,还是最小平方误差占比上,都要远好于另两种模型,原因在于动态时间规整法本质上衡量的是风速时序在时间轴上的非线性相似性,搜寻的与缺损测量风速风电机在缺损时刻风速演化相似的风电机可能在风场的另一端;而相关系数法是一种线性相关法则,而风速是强非线性的;空间近邻法仅仅以空间距离为标准,当邻近风电机都缺损测量风速时,其填充效果最差。但是,基于动态时间规整法建立的小波神经网络在最小平方误差占比上并不占绝对优势。
另一组实验测试了邻近缺测风速风电机台数对于填充效果的影响。针对风场中每一台风电机,模拟相邻缺测风速风电机台数为3至10,共8组实验,构造基于信息熵的组合填充模型,统计的20步填充误差平方和SSE如图11所示。可见组合模型的3个子模型中,基于动态时间规整法的小波神经网络的精度最高,其20步填充误差平方和均值为6.9668,较基于相关系数法的小波神经网络降低了14.11%,较基于空间近邻法的小波神经网络降低了13.32%。其次,组合填充法精度最高,且误差平方和波动小,其20步填充误差平方和均值为5.9909,较动态时间规整法的小波神经网络降低了14.01%。

Claims (5)

1.一种风场邻近多台风电机测量风速缺损值的组合填充系统,其特征在于:该系统包括以下几个单元:风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充单元和组合填充单元;
1)风速数据相似性判定单元:
读入风场中风电机的原始采样风速集V={v(#WTp,Tq),p=1,2,…,S;q=1,2,…,Z},其中v(#WTp,Tq)表示风电机#WTp在采样点Tq的测量风速值,S为风电机的总数,Z为采样点总数;对采样区间[Tk~Tl]内缺损采样风速的风电机#WTi,采用动态时间规整法(DynamicTime Warping,简称DTW)、相关系数法、空间近邻法共3种方法,各从风场内在区间[Tk~Tl]采样风速数据完整的风电机集#WT中搜索与风电机#WTi风速演化最相似的M1、M2、M3台风电机:
动态时间规整法,计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk-Len~Tk-1]风速数据的DTW距离,取DTW距离最小的前M1台风电机;
相关系数法,计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk-Len~Tk-1]风速数据的相关系数R,取R最大的前M2台风电机;
空间近邻法,计算风电机#WTi与风电机集#WT中的每台风电机的大圆距离D,取D最小的前M3台风电机;
其中,定义Tk和Tl为风电机#WTi缺损采样区间的起止点,[Tk~Tl]的区间长度为Lmiss,Tk-Len和Tk-1为动态时间规整法和相关系数法中采样区间的起止点,[Tk-Len~Tk-1]的区间长度为Len,Len为风速采样点个数;
针对动态时间规整法,假设Len为len1个小时的风速采样点个数,M1取3,4,5,len1取1,2,…,15个小时,遍历M1,len1各种组合{(M1=3,len1=1),(M1=3,len1=2),…,(M1=5,len1=15)},对每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集;
针对相关系数法,假设Len为len2个小时的风速采样点个数;M2取3,4,5,len2取1,2,…,15个小时,遍历M2,len2各种组合{(M2=3,len2=1),(M2=3,len2=2),…,(M2=5,len2=15)},对每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集;
针对空间近邻法,假设M3取3,4,5,遍历M3各种组合{M3=3,M3=4,M3=5},对每种M3情形下大圆距离D的计算结果得到对应的风电机集;
2)模型参数识别单元:
上述单元中采用动态时间规整法得到的每种M1和len1组合情形下DTW距离的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M1,隐含层神经元个数L1=M1+1,M1+2,…,2M1+3,生成{(M1=3,L1=4,len1=1),(M1=3,L1=5,len1=1),…,(M1=5,L1=13,len1=15)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M1,L1,len1不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M1,L1,len1分别为:Mdtw,Ldtw,Lendtw,即为动态时间规整法建立的小波神经网络子模型结构的最佳参数;
上述单元中采用相关系数法得到的每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M2,隐含层神经元个数L2=M2+1,M2+2,…,2M2+3,生成{(M2=3,L2=4,len2=1),(M2=3,L2=5,len2=1),…,(M2=5,L2=13,len2=15)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M2,L2,len2不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M2,L2,len2分别为:Mr,Lr,Lenr,即为采用相关系数法建立的小波神经网络子模型结构的最佳参数;
上述单元中采用空间近邻法得到的每种M3情形下大圆距离D的计算结果得到对应的风电机集的采样风速数据,建立小波神经网络模拟测试集和模拟训练集以进行子模型最佳参数的识别,小波神经网络的输入神经元个数即为该风电机集中风电机的台数M3,隐含层神经元个数L3=M3+1,M3+2,…,2M3+3,生成{(M3=3,L3=4),(M3=3,L3=5),…,(M3=5,L3=13)}的不同组合;模拟测试集对应从采样点Tk-1开始倒推Lmiss长度的采样风速数据,对应的采样区间为[Tk-Lmiss~Tk-1],模拟训练集对应从采样点Tk-Lmiss-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据;对M3,L3不同组合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后,模拟测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充,选定误差平方和最小时的M3,L3分别为:Md,Ld,即为采用空间近邻法建立的小波神经网络子模型结构的最佳参数;
按最佳参数确定的各小波神经网络子模型对于风电机#WTi在采样区间为[Tk-Lmiss~Tk-1]的风速数据的模拟误差,按基于信息熵的组合填充原理,确定各小波神经网络子模型在组合模型中的权重ωdtw、ωr、ωd;其中ωdtw为采用动态时间规整法建立的小波神经网络子模型的权重,ωr为采用相关系数法建立的小波神经网络子模型的权重,ωd为采用空间近邻法建立的小波神经网络子模型的权重;
3)小波神经网络子模型填充单元:根据模型参数识别单元中确定的3个小波神经网络子模型的最佳参数及其在组合模型中的权重,建立3个小波神经网络子模型,并重新划分3个子模型的训练集和测试集供各小波神经网络子模型使用,其中:
采用动态时间规整法建立的小波神经网络子模型重新划分的训练集为以(Mdtw,Ldtw,Lendtw)为参数确定的这Mdtw台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Mdtw台风电机对应采样区间为[Tk~Tl]的采样风速数据;
采用相关系数法建立的小波神经网络子模型重新划分的训练集为以(Mr,Lr,Lenr)为参数确定的这Mr台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Mr台风电机对应采样区间为[Tk~Tl]的采样风速数据;
采用空间近邻法建立的小波神经网络子模型重新划分的训练集为以(Md,Ld)为参数确定的这Md台风电机从采样点Tk-1开始倒推10~30倍Lmiss长度的采样风速数据,若长度不够则采用所有长度的采样风速数据,测试集为这Md台风电机对应采样区间为[Tk~Tl]的采样风速数据;
建立好了的3个小波神经网络子模型分别对风电机#WTi对应各子模型训练集所在区间的采样风速数据经学习后,分别对风电机#WTi的缺损测量风速区间[Tk~Tl]进行填充,得到3个子模型的填充结果分别为fdtw(ls)、fr(ls)、fd(ls),ls=Tk,Tk+1,...,Tl,其中fdtw(ls)为采用动态时间规整法建立的小波神经网络子模型的填充结果,fr(ls)为采用相关系数法建立的小波神经网络子模型的填充结果,fd(ls)为采用空间近邻法建立的小波神经网络子模型的填充结果;
4)组合填充单元:利用小波神经网络子模型填充单元的填充结果fdtw(ls)、fr(ls)、fd(ls),以及模型参数识别单元确定的各小波神经网络子模型的权重ωdtw、ωr、ωd,对风电机#WTi在缺损测量风速区间[Tk~Tl]进行组合填充,组合填充结果为F(ls)=ωdtwfdtw(ls)+ωrfr(ls)+ωdfd(ls),ls=Tk,Tk+1,...,Tl
2.根据权利要求1所述组合填充系统,其中,风速数据相似性判定单元中进行风速演化相似性比较采用的3种方法具体如下:
1)动态时间规整法:假设T1和TN为采用动态时间规整法计算风电机#WTi和#WTj采样风速DTW距离的采样区间的起止点,计算两台风电机#WTi和#WTj在采样区间[T1~TN]的风速数据构建的弯曲矩阵中从各自起点到各自终点的最短路径DTW(#WTi,#WTj),称为DTW距离,DTW距离越小则风电机#WTi和#WTj在采样区间[T1~TN]的风速数据在时间轴上伸缩后相似度越高;
2)相关系数法:假设T1和TN为采用相关系数法计算风电机#WTi和#WTj采样风速皮尔逊相关系数的采样区间的起止点,计算两台风电机#WTi和#WTj在采样区间[T1~TN]的风速数据的皮尔逊相关系数R(#WTi,#WTj),称为相关系数R,R越大则风电机#WTi和#WTj在采样区间[T1~TN]的风速数据线性相关性越强;
3)空间近邻法:通过两台风电机#WTi和#WTj的经纬度坐标,采用大圆距离公式,计算风电机#WTi和#WTj的距离d(#WTi,#WTj),称为大圆距离D,D越小则风电机#WTi和#WTj按大圆距离标准越近。
3.根据权利要求1所述组合填充系统,其中,上述小波神经网络学习采用增加动量项的梯度下降法,学习目标以前后两次训练的累积误差平方和的比值E(r)/E(r-1)达到0.999为衡量标准,其中E(r)和E(r-1)为分别为第r次和第r-1次小波神经网络训练的累积误差平方和。
4.根据权利要求1所述组合填充系统,其中,该系统主要针对从风场SCADA中采集的所有风电机带有缺损值标记的固定采样间隔的平均风速数据,以缺损测量风速发生的时间先后逐台进行填充,对同一时刻多台风电机同时发生缺损测量风速的工况,按风电机编号从小到大逐台进行缺损测量风速填充。
5.根据权利要求4所述组合填充系统,其中,所述固定采样间隔为5、10、15或20分钟。
CN201410484067.7A 2014-09-19 2014-09-19 一种风场邻近多台风电机测量风速缺损值的组合填充系统 Active CN104217260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410484067.7A CN104217260B (zh) 2014-09-19 2014-09-19 一种风场邻近多台风电机测量风速缺损值的组合填充系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410484067.7A CN104217260B (zh) 2014-09-19 2014-09-19 一种风场邻近多台风电机测量风速缺损值的组合填充系统

Publications (2)

Publication Number Publication Date
CN104217260A CN104217260A (zh) 2014-12-17
CN104217260B true CN104217260B (zh) 2017-08-22

Family

ID=52098720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410484067.7A Active CN104217260B (zh) 2014-09-19 2014-09-19 一种风场邻近多台风电机测量风速缺损值的组合填充系统

Country Status (1)

Country Link
CN (1) CN104217260B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105138729B (zh) * 2015-07-24 2018-01-09 南京信息工程大学 基于pso‑grnn风电场风电机缺损风速值填充方法
CN106155985B (zh) * 2016-06-02 2019-01-18 重庆大学 一种基于相邻数据特征的数据缺失填充方法
CN106874674B (zh) * 2017-02-20 2019-04-19 上海海洋大学 一种面向海洋领域的多元时间序列相似性度量方法
CN109063939B (zh) * 2018-11-01 2020-08-18 华中科技大学 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN113971350B (zh) * 2021-12-22 2022-03-15 中国民用航空总局第二研究所 风速场拟合补缺方法及装置、介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065202A (zh) * 2012-12-24 2013-04-24 电子科技大学 一种基于组合核函数的风电场超短期风速预测方法
CN103400210A (zh) * 2013-08-13 2013-11-20 广西电网公司电力科学研究院 一种短期风速组合预测方法
CN103903071A (zh) * 2014-04-17 2014-07-02 上海电机学院 一种风电功率预测组合方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012009502A1 (de) * 2012-05-14 2013-11-14 Kisters Ag Verfahren zum Trainieren eines künstlichen neuronalen Netzes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065202A (zh) * 2012-12-24 2013-04-24 电子科技大学 一种基于组合核函数的风电场超短期风速预测方法
CN103400210A (zh) * 2013-08-13 2013-11-20 广西电网公司电力科学研究院 一种短期风速组合预测方法
CN103903071A (zh) * 2014-04-17 2014-07-02 上海电机学院 一种风电功率预测组合方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Vertically correlated echelon model for the interpolation of missing wind speed data》;LIN Q,WANG J;《IEEE Transactions on Sustainable Energy》;20140731;第5卷(第3期);第804-812页 *
《基于原子稀疏分解理论的短期风电功率滑动预测》;崔明建等;《电力自动化设备》;20140131;第34卷(第1期);第120-127页 *

Also Published As

Publication number Publication date
CN104217260A (zh) 2014-12-17

Similar Documents

Publication Publication Date Title
CN104217260B (zh) 一种风场邻近多台风电机测量风速缺损值的组合填充系统
CN108876021B (zh) 一种中长期径流预报方法及系统
CN107390298A (zh) 一种复杂山地下垫面大风的模拟方法及装置
CN107862148B (zh) 一种基于遥感数据的参考作物腾发量计算方法
CN108227041A (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN104281780B (zh) 线性水库滞留汇流及嵌套流域(多子流域)汇流方法
CN105912836A (zh) 一种纯遥感数据驱动的流域水循环模拟方法
CN105608326B (zh) 一种山区复杂地形风场大涡模拟入口边界条件输入方法
CN109061601A (zh) 一种基于无人机激光雷达反演人工林森林结构参数的方法
CN107169258A (zh) 一种多源气象信息数据同化方法及其在降雨预报中的应用
CN113011372B (zh) 一种盐碱化土地自动监测和识别方法
CN106021868A (zh) 一种基于多规则算法的遥感数据降尺度方法
CN106019408A (zh) 一种基于多源遥感数据的高分辨率卫星遥感估算方法
CN105138729B (zh) 基于pso‑grnn风电场风电机缺损风速值填充方法
CN113553766B (zh) 一种使用机器学习反演北极积雪深度的方法
CN106779208A (zh) 一种基于虚拟测风塔技术的风电超短期功率预测方法
CN104615855A (zh) 融合数值天气预报的日前风速多步预报方法
CN104915982A (zh) 树冠层光照分布预测模型构建方法及光照分布检测方法
CN102799770A (zh) 一种基于pso自适应分段线性拟合的海浪有效波高反演模型建模方法
CN108256546A (zh) 一种非降水条件下大气边界层高度探测方法和系统
CN111639803A (zh) 一种应用于气候变化情景下区域未来植被指数的预估方法
US20230123790A1 (en) Method, system and equipment for vegetation restoration or rehabilitation of simulating natural ecosystem based on machine learning
CN108154260A (zh) 一种短期风电功率预测方法
CN107194507A (zh) 一种基于组合支持向量机的风电场短期风速预测方法
CN117787081A (zh) 一种基于Morris和Sobol法的水文模型参数不确定性分析方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20191205

Address after: 221300 No.22, Fumin Road, Pizhou high tech Industrial Development Zone, Xuzhou City, Jiangsu Province (in Pizhou high tech Zone New Energy Technology Research Institute Co., Ltd.)

Patentee after: Jiangsu Xinda environmental remote sensing Big Data Application Research Institute Co.,Ltd.

Address before: 210044 Nanjing City, Pukou Province, Nanjing Road, No. 219, No. six, No.

Patentee before: Nanjing University of Information Science and Technology

TR01 Transfer of patent right
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201124

Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province

Patentee after: Nanjing University of Information Science and Technology

Address before: 221300 No.22, Fumin Road, Pizhou high tech Industrial Development Zone, Xuzhou City, Jiangsu Province (in Pizhou high tech Zone New Energy Technology Research Institute Co., Ltd.)

Patentee before: Jiangsu Xinda environmental remote sensing Big Data Application Research Institute Co.,Ltd.

TR01 Transfer of patent right

Effective date of registration: 20210928

Address after: 210000 room 401-74, floor 4, building D4, No. 15, Wanshou Road, Jiangbei new area, Nanjing, Jiangsu

Patentee after: Nanjing Zhongke Huaxing emergency Technology Research Institute Co.,Ltd.

Address before: 210044 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu

Patentee before: Nanjing University of Information Science and Technology

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A combined filling system for measuring wind speed defect values near multiple wind turbines in a wind farm

Effective date of registration: 20220811

Granted publication date: 20170822

Pledgee: China Construction Bank Corporation Nanjing Jiangbei new area branch

Pledgor: Nanjing Zhongke Huaxing emergency Technology Research Institute Co.,Ltd.

Registration number: Y2022320000458

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230830

Granted publication date: 20170822

Pledgee: China Construction Bank Corporation Nanjing Jiangbei new area branch

Pledgor: Nanjing Zhongke Huaxing emergency Technology Research Institute Co.,Ltd.

Registration number: Y2022320000458

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Combined Filling System for Measuring Wind Speed Deficit Values of Multiple Typhoon Motors Adjacent to a Wind Farm

Effective date of registration: 20230901

Granted publication date: 20170822

Pledgee: China Construction Bank Corporation Nanjing Jiangbei new area branch

Pledgor: Nanjing Zhongke Huaxing emergency Technology Research Institute Co.,Ltd.

Registration number: Y2023980054864

PE01 Entry into force of the registration of the contract for pledge of patent right