CN108052963A - 风电功率预测建模的数据筛选方法、装置及风力发电机组 - Google Patents

风电功率预测建模的数据筛选方法、装置及风力发电机组 Download PDF

Info

Publication number
CN108052963A
CN108052963A CN201711250897.3A CN201711250897A CN108052963A CN 108052963 A CN108052963 A CN 108052963A CN 201711250897 A CN201711250897 A CN 201711250897A CN 108052963 A CN108052963 A CN 108052963A
Authority
CN
China
Prior art keywords
value
sample
model error
model
error sample
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.)
Withdrawn
Application number
CN201711250897.3A
Other languages
English (en)
Inventor
梁志平
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.)
Beijing Gold Wind Technology Co Ltd Huineng
Original Assignee
Beijing Gold Wind Technology Co Ltd Huineng
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 Beijing Gold Wind Technology Co Ltd Huineng filed Critical Beijing Gold Wind Technology Co Ltd Huineng
Priority to CN201711250897.3A priority Critical patent/CN108052963A/zh
Publication of CN108052963A publication Critical patent/CN108052963A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种风电功率预测建模的数据筛选方法、装置及风力发电机组，其中，方法包括：获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本；基于所述原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对所述风速实测值进行模型预测，得到功率预测值；基于所述功率实测值与所述功率预测值之间的偏差，构建模型误差样本；对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值，并将所述有效值对应的所述原始样本中的数据部分作为用于风电功率预测建模的有效样本。本发明提供的方案，能够从用于风电功率预测建模的原始数据中筛选出合理有效的数据，作为建模的输入数据。

Description

风电功率预测建模的数据筛选方法、装置及风力发电机组
技术领域
本发明涉及风电技术领域，尤其涉及一种风电功率预测建模的数据筛选方法、装置及风力发电机组。
背景技术
随着风力发电的大规模发展，风力发电也逐渐成为重要的能源角色，风电在能源结果中占比也越来越高，但是由于风电的不可预知性，大规模的风电并网影响了电力系统的稳定性，带来了巨大的调峰成本。风电功率预测的主要功能是计算风电场未来时刻的发电功率，为电网吸纳风电，降低调峰成本，提高风电质量提供可靠的依据。
在风电功率预测的建模过程中，历史训练样本的数据质量直接决定了模型训练的优劣，但是对于实际采集到的测风数据及功率数据都存在各种各样的问题。无论采用何种方法进行建模，都需要有准确的实测数据来分析风电特征及发电规律，高质量的观测数据是进行功率预测建模的基础。但是从风场收集到的数据中通常包含异常数据点，这些异常点的主要来源有：风机叶片受污垢和覆冰等环境因素的影响，维修或弃风限电造成的风电场停机，传感器故障、测试误差等。这些异常点给风电功率预测带来负面影响。
现有的异常数据识别方法往往基于中心极限定理，将数据按照正态分布处理，采用3-sigma准则直接进行实测风速功率数据的异常识别，该方法是以假定数据分布符合正态分布为前提的，但实际数据往往不是严格服从正态分布，显然这种识别异常数据筛选建模样本的方法有效性是有限的。因此亟需可靠有效的风电数据筛选方法，用来筛选合理有效的数据以进行风电功率预测建模。
发明内容
本发明提供了一种风电功率预测建模的数据筛选方法、装置及风力发电机组，能够从用于风电功率预测建模的原始数据中筛选出合理有效的数据，作为建模的输入数据。
为达到上述目的，本发明实施例提供了一种风电功率预测建模的数据筛选方法，包括：
获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本；
基于所述原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对所述风速实测值进行模型预测，得到功率预测值；
基于所述功率实测值与所述功率预测值之间的偏差，构建模型误差样本；
对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值，并将所述有效值对应的所述原始样本中的数据部分作为用于风电功率预测建模的有效样本。
本发明实施例还提供了一种风电功率预测建模的数据筛选装置，包括：
数据获取模块，用于获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本；
数据处理模块，用于基于所述原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对所述风速实测值进行模型预测，得到功率预测值；
样本构建模块，用于基于所述功率实测值与所述功率预测值之间的偏差，构建模型误差样本；
数据提取模块，用于对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值，并将所述有效值对应的所述原始样本中的数据部分作为用于风电功率预测建模的有效样本。
本发明实施例还提供了一种风力发电机组，包括：设置有如上所述的风电功率预测建模的数据筛选装置。
本发明提供的风电功率预测建模的数据筛选方法、装置及风力发电机组，基于合理的风速-功率会产生合理的模型误差这一原则，通过对风速实测值及对应的功率实测值进行原始建模得到原始预测模型，然后基于原始预测模型，计算得到功率预测值并与功率实测值求取偏差，构建模型误差样本，通过对该模型误差样本进行有效值分析提取有效值，从而反推出原始样本中与这些有效值相对应的数据部分作为用于风电功率预测建模的有效样本，从而提高了建模所需的输入数据的有效性，进而提高最终所建模型的预测准确性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的风电功率预测建模的数据筛选方法流程图一；
图2为本发明实施例提供的风电功率预测建模的数据筛选方法流程图二；
图3为本发明实施例提供的模型误差样本的四分位数及四分位距说明图；
图4为本发明实施例提供的风电功率预测建模的数据筛选方法流程图三；
图5为本发明实施例的风电功率预测建模的数据筛选装置的结构示意图一；
图6为本发明实施例的风电功率预测建模的数据筛选装置的结构示意图二；
图7为本发明实施例的风电功率预测建模的数据筛选装置的结构示意图三。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明提供的风电功率预测建模的数据筛选方法，区别于传统的通过直接对训练样本进行处理，来提高预测模型准确性的方案，其他核心在于，通过对训练样本所训练出的原始预测模型的模型误差进行筛选分析，从而反推出最优的用于风电功率预测建模的训练样本。
下面通过多个实施例来说明本申请的技术方案。
实施例一
图1为本发明实施例的风电功率预测建模的数据筛选方法流程图一。该方法的执行主体可以为设置在风电机组中的控制器，如图1所示，该方法包括：
S110，获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本。
具体地，可以从风力发电机组(简称“风电机组”)的偏航系统、测风系统中获取风电机组在过去一段时间内(如一年)的风速值，即风速实测值，同时从风电机组的主控系统中获取与这些风速值相对应的风电机组的功率值，即功率实测值。上述数据的采样周期可设置为15分钟。将风速实测值和功率实测值按采样点对应起来形成用于训练风电功率预测模型的原始样本。
S120，基于原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对风速实测值进行模型预测，得到功率预测值。
对上述原始样本中的训练数据进行训练学习，构建风速-风电功率之间的关系模型，即原始预测模型。该原始预测模型也可基于风速值作为模型输入对风电功率进行预测得到功率预测值，但该预测得到功率预测值仅是用于构建后续涉及到的模型误差样本，并且由于训练该原始预测模型的原始样本没有经过数据的有效筛选，所以预测的准确性效果也欠佳。
在得到原始预测模型后，以上述原始样本中的风速实测值作为输入数据，经原始预测模型预测计算，得到风速实测值对应的功率预测值。
其中，在训练建模原始预测模型的过程中，可采用但不局限于基于神经网络的非线性拟合算法进行建模训练，如基于上述原始样本构建支持向量机模型作为原始预测模型。
例如，模型函数为：
其中，f(x)为风电功率，x为风速，αi、b分别为优化权值参数，该参数通过优化算法求解，xi表示训练的风速样本序列，i＝1,2,3…,n,n为风速-风电功率样本总数，K(x,xi)表示核函数，该核函数可采用径向基函数(Radial Basis Function,简称RBF)：
K(x,xi)＝exp(-γ||x-xi||2)
其中，γ为函数的宽度参数。
S130，基于功率实测值与功率预测值之间的偏差，构建模型误差样本。
例如，可以将计算功率实测值与功率预测值的差值、绝对偏差(偏差的绝对值)，或者以这两种差值进行简单运算得到的值的集合所构成的数据样本均可作为模型误差样本。
S140，对模型误差样本进行有效值分析，提取模型误差样本中的有效值，并将有效值对应的原始样本中的数据部分作为用于风电功率预测建模的有效样本。
具体地，可以利用数理统计中对样本数据的有效性(可信度)的分析过程，对模型误差样本进行有效性分析，并从中提取出有效值。这些有效值所对应的原始样本中的数据部分(基于原始样本中的该数据部分得到的这些有效值)可认为也是在原始样本中的有效数据，进而可以将这部分数据作为用于风电功率预测建模的有效样本。
其中，在对模型误差样本进行有效性分析的过程中，可采用单不局限于四分位法、3-sigma准则的样本筛选方法等来确定模型误差样本中的有效值。
本发明实施例提供的风电功率预测建模的数据筛选方法，基于合理的风速-功率会产生合理的模型误差这一原则，通过对风速实测值及对应的功率实测值进行原始建模得到原始预测模型，然后基于原始预测模型，计算得到功率预测值并与功率实测值求取偏差，构建模型误差样本，通过对该模型误差样本进行有效值分析提取有效值，从而反推出原始样本中与这些有效值相对应的数据部分作为用于风电功率预测建模的有效样本，从而提高了建模所需的输入数据的有效性，进而提高最终所建模型的预测准确性。
实施例二
图2为本发明实施例的风电功率预测建模的数据筛选方法流程图二，本实施例在实施例1所述方法的基础上，对模型误差样本的构建过程，以及对模型误差样本进行有效值分析，提取模型误差样本中的有效值的具体实现方式进行详细说明。如图2所示，该风电功率预测建模的数据筛选方法包括如下步骤：
S210，获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本。
S220，基于原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对风速实测值进行模型预测，得到功率预测值。
上述步骤S210～S220的内容与步骤S110～S120的内容相同。
S230，计算功率实测值与功率预测值之间的绝对偏差，并将绝对偏差构成的数据集合作为模型误差样本。
具体地，用原始预测模型对风速实测值进行模型预测得到功率预测值Pre，然后计算功率实测值P与功率预测值Pre之间的绝对偏差Error＝|P-Pre|，并将原始样本中所有样本数据对应的绝对偏差Error构成的数据集合作为上述模型误差样本。
步骤S230可为上述步骤S130的一种具体实现方式。
S240，对模型误差样本中的数据按大小关系进行排序，并计算模型误差样本的第一四分位数、第三四分位数以及四分位距。
对模型误差样本中的数据按大小关系进行排序后，计算样本误差Error的第一四分位数Q1和第三四分位数Q3。通过计算出的Q1和Q3，可以得到四分位距IQR(Inter QuartileRange)。
具体地，对于一个升序排列的样本X＝(x1,x2,…,xn)，采用的四分位数计算方法如下：
首先，计算第二四分位数即中位数Q2。
其次，计算第一四分位数Q1和第三四分位数Q3。
当n＝2k(k＝1,2…)时，从Q2处将X分为两部分，Q2不包含在两部分数据之内，分别计算两部分的中位数Q′2和Q″2(Q′2＜Q″2)，则Q1＝Q′2，Q3＝Q″2。
当n＝4k+3(k＝0,1,2…)时
当n＝4k+1(k＝0,1,2…)时
通过计算出的Q1和Q3，可以得到四分位距IQR(Inter Quartile Range)，IQR＝Q3-Q1。
因此，以模型误差样本作为上述样本X，可以同样的方法得到模型误差样本的第一四分位数、第三四分位数以及四分位距。
S250，根据第一四分位数、第三四分位数以及四分位距确定出模型误差样本的有效内限，并将有效内限中的值确定为模型误差样本中的有效值。
如图3所示，为模型误差样本的四分位数及四分位距说明图。根据IQR可以但不局限于确定数据样本误差Error中有效值的内限如下：
[Fl,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]
其中，Fl为有效内限的下限值，Fu为有效内限的上限值，Q1为第一四分位数，Q3为第三四分位数，IQR为四分位距。
处于内限[Fu,Fl]以外的数据都是异常值。四分位距与方差、标准差一样，表示一个变量的统计数据的分散情况，但四分位距是一种稳健统计，即IQR的值不随个别的异常数据而有显著的变化，因此根据IQR来识别异常值稳定可靠，从而可使得从模型误差样本中确定出的有效值也更加可信有效。
S260，将有效值对应的原始样本中的数据部分作为用于风电功率预测建模的有效样本。
步骤S240～S260可为上述步骤S140的一种具体实现方式。
本发明实施例提供的风电功率预测建模的数据筛选方法，以功率实测值与功率预测值之间的绝对偏差形成模型误差样本，并对该模型误差样本采用四分位距的方法确定模型误差样本中有效值的内限，从而提取出有效值，进而从原始样本中确定出作为用于风电功率预测建模的有效样本，提高了有效样本的合理性。
实施例三
图4为本发明实施例的风电功率预测建模的数据筛选方法流程图三，本实施例在实施例1所述方法的基础上，对模型误差样本的构建过程，以及对模型误差样本进行有效值分析，提取模型误差样本中的有效值的具体实现方式进行详细说明。如图4所示，该风电功率预测建模的数据筛选方法包括如下步骤：
S410，获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本。
S420，基于原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对风速实测值进行模型预测，得到功率预测值。
上述步骤S410～S420的内容与步骤S110～S120的内容相同。
S430，计算功率实测值与功率预测值之间的绝对偏差，并将绝对偏差构成的数据集合作为模型误差样本。
具体地，用原始预测模型对风速实测值进行模型预测得到功率预测值Pre，然后计算功率实测值P与功率预测值Pre之间的绝对偏差Error＝|P-Pre|，并将原始样本中所有样本数据对应的绝对偏差Error构成的数据集合作为上述模型误差样本。
步骤S430可为上述步骤S130的一种具体实现方式。
S440，计算模型误差样本的标准偏差和平均值；
通过对模型误差样本中的数据进行数据统计，得到模型误差样本的标准偏差σ和平均值μ。
S450，根据标准偏差和平均值确定出模型误差样本的有效内限，并将有效内限中的值确定为模型误差样本中的有效值。
在对样本进行有效分析的方法中常采用3σ准则，又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。
3σ原则为
数值分布在(μ-σ,μ+σ)中的概率为0.6826
数值分布在(μ-2σ,μ+2σ)中的概率为0.9544
数值分布在(μ-3σ,μ+3σ)中的概率为0.9974
本方案中，将(μ-σ,μ+σ)、(μ-2σ,μ+2σ)、(μ-3σ,μ+3σ)中任一范围确定为模型误差样本对应的有效内限；
其中，μ为被处理样本的平均值，σ为被处理样本的标准偏差。该被处理样本对应为本实施例中的模型误差样本。
S460，将有效值对应的原始样本中的数据部分作为用于风电功率预测建模的有效样本。
步骤S440～S460可为上述步骤S140的一种具体实现方式。
本发明实施例提供的风电功率预测建模的数据筛选方法，以功率实测值与功率预测值之间的绝对偏差形成模型误差样本，并对该模型误差样本采用3-sigma准则确定模型误差样本中有效值的内限，从而提取出有效值，进而从原始样本中确定出作为用于风电功率预测建模的有效样本，提高了有效样本的合理性。
实施例四
图5为本发明实施例的风电功率预测建模的数据筛选装置的结构示意图一，该数据筛选装置可用于执行图1所示的方法步骤。如图2所示，该风电功率预测建模的数据筛选装置包括：
数据获取模块510，用于获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本；
数据处理模块520，用于基于原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对所述风速实测值进行模型预测，得到功率预测值；
样本构建模块530，用于基于功率实测值与功率预测值之间的偏差，构建模型误差样本；
数据提取模块540，用于对模型误差样本进行有效值分析，提取模型误差样本中的有效值，并将有效值对应的原始样本中的数据部分作为用于风电功率预测建模的有效样本。
本发明实施例提供的风电功率预测建模的数据筛选装置，基于合理的风速-功率会产生合理的模型误差这一原则，通过对风速实测值及对应的功率实测值进行原始建模得到原始预测模型，然后基于原始预测模型，计算得到功率预测值并与功率实测值求取偏差，构建模型误差样本，通过对该模型误差样本进行有效值分析提取有效值，从而反推出原始样本中与这些有效值相对应的数据部分作为用于风电功率预测建模的有效样本，从而提高了建模所需的输入数据的有效性，进而提高最终所建模型的预测准确性。
实施例四
图6为本发明实施例的风电功率预测建模的数据筛选装置的结构示意图二，该数据筛选装置作为图5所示的细化结构，可用于执行图2所示的方法步骤。如图6所示，该风电功率预测建模的数据筛选装置包括：数据获取模块510、数据处理模块520、样本构建模块530和数据提取模块540，其中数据获取模块510和数据处理模块520与图5所示相应模块对应相同，并且数据处理模块520可具体用于，基于原始样本构建支持向量机模型作为原始预测模型。
此外，在图5所示结构的基础上：
样本构建模块530可具体用于，计算功率实测值与功率预测值之间的绝对偏差，并将绝对偏差构成的数据集合作为模型误差样本。
进一步地，数据提取模块540具体可包括：
第一计算单元541，用于对模型误差样本中的数据按大小关系进行排序，并计算模型误差样本的第一四分位数、第三四分位数以及四分位距；
第一确定单元542，用于根据第一四分位数、第三四分位数以及四分位距确定出模型误差样本的有效内限，并将有效内限中的值确定为模型误差样本中的有效值。
具体地，第一确定单元542具体用于将[Fl,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]确定为所述有效内限；
其中，Fl为有效内限的下限值，Fu为有效内限的上限值，Q1为第一四分位数，Q3为第三四分位数，IQR为四分位距。
本发明实施例提供的风电功率预测建模的数据筛选装置，以功率实测值与功率预测值之间的绝对偏差形成模型误差样本，并对该模型误差样本采用四分位距的方法确定模型误差样本中有效值的内限，从而提取出有效值，进而从原始样本中确定出作为用于风电功率预测建模的有效样本，提高了有效样本的合理性。
实施例六
图7为本发明实施例的风电功率预测建模的数据筛选装置的结构示意图三，该数据筛选装置作为图5所示的细化结构，可用于执行图3所示的方法步骤。如图7所示，该风电功率预测建模的数据筛选装置包括：数据获取模块510、数据处理模块520、样本构建模块530和数据提取模块540，其中数据获取模块510和数据处理模块520与图5所示相应模块对应相同，并且数据处理模块520可具体用于，基于原始样本构建支持向量机模型作为原始预测模型。
此外，在图5所示结构的基础上：
样本构建模块530可具体用于，计算功率实测值与功率预测值之间的绝对偏差，并将绝对偏差构成的数据集合作为模型误差样本。
进一步地，数据提取模块540具体可包括：
第二计算单元543，用于计算模型误差样本的标准偏差和平均值；
第二确定单元544，用于根据标准偏差和平均值确定出模型误差样本的有效内限，并将有效内限中的值确定为模型误差样本中的有效值。
进一步地，第二确定单元544可具体用于，将(μ-σ,μ+σ)、(μ-2σ,μ+2σ)、(μ-3σ,μ+3σ)中任一范围确定为有效内限；
其中，μ为平均值，σ为标准偏差。
本发明实施例提供的风电功率预测建模的数据筛选装置，以功率实测值与功率预测值之间的绝对偏差形成模型误差样本，并对该模型误差样本采用3-sigma准则确定模型误差样本中有效值的内限，从而提取出有效值，进而从原始样本中确定出作为用于风电功率预测建模的有效样本，提高了有效样本的合理性。
进一步地，本发明实施例还提供了一种风力发电机组，设置有如图5、图6或图7中任一种所述的风电功率预测建模的数据筛选装置。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (13)

1.一种风电功率预测建模的数据筛选方法，其特征在于，包括：
获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本；
基于所述原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对所述风速实测值进行模型预测，得到功率预测值；
基于所述功率实测值与所述功率预测值之间的偏差，构建模型误差样本；
对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值，并将所述有效值对应的所述原始样本中的数据部分作为用于风电功率预测建模的有效样本。
2.根据权利要求1所述的方法，其特征在于，所述基于所述功率实测值与所述功率预测值之间的偏差，构建模型误差样本包括：
计算所述功率实测值与所述功率预测值之间的绝对偏差，并将所述绝对偏差构成的数据集合作为所述模型误差样本。
3.根据权利要求2所述的方法，其特征在于，所述对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值包括：
对所述模型误差样本中的数据按大小关系进行排序，并计算所述模型误差样本的第一四分位数、第三四分位数以及四分位距；
根据所述第一四分位数、第三四分位数以及四分位距确定出所述模型误差样本的有效内限，并将所述有效内限中的值确定为所述模型误差样本中的有效值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一四分位数、第三四分位数以及四分位距确定出所述模型误差样本的有效内限包括：
将[Fl,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]确定为所述有效内限；
其中，Fl为所述有效内限的下限值，Fu为所述有效内限的上限值，Q1为所述第一四分位数，Q3为所述第三四分位数，IQR为所述四分位距。
5.根据权利要求2所述的方法，其特征在于，所述对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值包括：
计算所述模型误差样本的标准偏差和平均值；
根据所述标准偏差和所述平均值确定出所述模型误差样本的有效内限，并将所述有效内限中的值确定为所述模型误差样本中的有效值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述标准偏差和所述平均值确定出所述模型误差样本的有效内限包括：
将(μ-σ,μ+σ)、(μ-2σ,μ+2σ)、(μ-3σ,μ+3σ)中任一范围确定为所述有效内限；
其中，μ为所述平均值，σ为所述标准偏差。
7.一种风电功率预测建模的数据筛选装置，其特征在于，包括：
数据获取模块，用于获取风力发电机组所处环境的风速实测值及对应的功率实测值作为原始样本；
数据处理模块，用于基于所述原始样本进行风电功率预测建模得到原始预测模型，并采用该原始预测模型对所述风速实测值进行模型预测，得到功率预测值；
样本构建模块，用于基于所述功率实测值与所述功率预测值之间的偏差，构建模型误差样本；
数据提取模块，用于对所述模型误差样本进行有效值分析，提取所述模型误差样本中的有效值，并将所述有效值对应的所述原始样本中的数据部分作为用于风电功率预测建模的有效样本。
8.根据权利要求7所述的装置，其特征在于，所述样本构建模块具体用于，
计算所述功率实测值与所述功率预测值之间的绝对偏差，并将所述绝对偏差构成的数据集合作为所述模型误差样本。
9.根据权利要求8所述的装置，其特征在于，所述数据提取模块具体包括：
第一计算单元，用于对所述模型误差样本中的数据按大小关系进行排序，并计算所述模型误差样本的第一四分位数、第三四分位数以及四分位距；
第一确定单元，用于根据所述第一四分位数、第三四分位数以及四分位距确定出所述模型误差样本的有效内限，并将所述有效内限中的值确定为所述模型误差样本中的有效值。
10.根据权利要求9所述的装置，其特征在于，所述第一确定单元具体用于，
将[Fl,Fu]＝[Q1-1.5IQR,Q3+1.5IQR]确定为所述有效内限；
其中，Fl为所述有效内限的下限值，Fu为所述有效内限的上限值，Q1为所述第一四分位数，Q3为所述第三四分位数，IQR为所述四分位距。
11.根据权利要求8所述的装置，其特征在于，所述数据提取模块具体包括：
第二计算单元，用于计算所述模型误差样本的标准偏差和平均值；
第二确定单元，用于根据所述标准偏差和所述平均值确定出所述模型误差样本的有效内限，并将所述有效内限中的值确定为所述模型误差样本中的有效值。
12.根据权利要求11所述的装置，其特征在于，所述第二确定单元具体用于，
将(μ-σ,μ+σ)、(μ-2σ,μ+2σ)、(μ-3σ,μ+3σ)中任一范围确定为所述有效内限；
其中，μ为所述平均值，σ为所述标准偏差。
13.一种风力发电机组，其特征在于，包括：设置有如权利要求7-12中任一项所述的风电功率预测建模的数据筛选装置。
CN201711250897.3A 2017-12-01 2017-12-01 风电功率预测建模的数据筛选方法、装置及风力发电机组 Withdrawn CN108052963A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711250897.3A CN108052963A (zh) 2017-12-01 2017-12-01 风电功率预测建模的数据筛选方法、装置及风力发电机组

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711250897.3A CN108052963A (zh) 2017-12-01 2017-12-01 风电功率预测建模的数据筛选方法、装置及风力发电机组

Publications (1)

Publication Number Publication Date
CN108052963A true CN108052963A (zh) 2018-05-18

Family

ID=62121889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711250897.3A Withdrawn CN108052963A (zh) 2017-12-01 2017-12-01 风电功率预测建模的数据筛选方法、装置及风力发电机组

Country Status (1)

Country Link
CN (1) CN108052963A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108767877A (zh) * 2018-06-01 2018-11-06 深圳供电局有限公司 基于四分位比例弃风法的风储一次调频备用容量确定方法
CN108767906A (zh) * 2018-06-01 2018-11-06 深圳供电局有限公司 一种考虑集群电动汽车的风光一次调频备用容量确定方法
CN109947625A (zh) * 2019-03-27 2019-06-28 阿里巴巴集团控股有限公司 一种集群中异常单机的识别方法和装置
CN113792032A (zh) * 2021-08-09 2021-12-14 中国电建集团西北勘测设计研究院有限公司 一种基于正态分布误差修正的测风数据塔影效应分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496927A (zh) * 2011-12-16 2012-06-13 中国电力科学研究院 基于误差统计修正的风电场功率预测方法
US20150039538A1 (en) * 2012-06-01 2015-02-05 Mohamed Hefeeda Method for processing a large-scale data set, and associated apparatus
CN106897941A (zh) * 2017-01-03 2017-06-27 北京国能日新系统控制技术有限公司 一种基于四分位箱线图的风机异常数据处理方法及装置
CN107330183A (zh) * 2017-06-29 2017-11-07 华北电力大学 一种基于运行数据的风电利用率计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496927A (zh) * 2011-12-16 2012-06-13 中国电力科学研究院 基于误差统计修正的风电场功率预测方法
US20150039538A1 (en) * 2012-06-01 2015-02-05 Mohamed Hefeeda Method for processing a large-scale data set, and associated apparatus
CN106897941A (zh) * 2017-01-03 2017-06-27 北京国能日新系统控制技术有限公司 一种基于四分位箱线图的风机异常数据处理方法及装置
CN107330183A (zh) * 2017-06-29 2017-11-07 华北电力大学 一种基于运行数据的风电利用率计算方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108767877A (zh) * 2018-06-01 2018-11-06 深圳供电局有限公司 基于四分位比例弃风法的风储一次调频备用容量确定方法
CN108767906A (zh) * 2018-06-01 2018-11-06 深圳供电局有限公司 一种考虑集群电动汽车的风光一次调频备用容量确定方法
CN108767906B (zh) * 2018-06-01 2021-08-06 深圳供电局有限公司 一种考虑集群电动汽车的风光一次调频备用容量确定方法
CN108767877B (zh) * 2018-06-01 2021-12-14 深圳供电局有限公司 基于四分位比例弃风法的风储一次调频备用容量确定方法
CN109947625A (zh) * 2019-03-27 2019-06-28 阿里巴巴集团控股有限公司 一种集群中异常单机的识别方法和装置
CN113792032A (zh) * 2021-08-09 2021-12-14 中国电建集团西北勘测设计研究院有限公司 一种基于正态分布误差修正的测风数据塔影效应分析方法
CN113792032B (zh) * 2021-08-09 2024-01-23 中国电建集团西北勘测设计研究院有限公司 一种基于正态分布误差修正的测风数据塔影效应分析方法

Similar Documents

Publication Publication Date Title
Zhang et al. A small sample focused intelligent fault diagnosis scheme of machines via multimodules learning with gradient penalized generative adversarial networks
CN108052963A (zh) 风电功率预测建模的数据筛选方法、装置及风力发电机组
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
CN109751206B (zh) 风机叶片结冰故障预测方法、装置及存储介质
CN102184337B (zh) 一种受气象信息影响的新能源发电能力动态组合分析方法
CN110222416B (zh) 一种基于大数据的工业蒸汽量预测方法
CN112765890B (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
CN112611584B (zh) 风力发电机组的疲劳失效检测方法、装置、设备及介质
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、系统及介质
CN106979126A (zh) 基于svr的风力发电机组高风速段有效风速估计方法
CN113626297A (zh) 一种服务器能效评估方法及相关装置
CN109494716B (zh) 基于Bootstrap的风电输出功率置信区间预测方法
CN112017070A (zh) 一种基于数据增强评估电力系统暂态稳定的方法及系统
CN113987870B (zh) 一种风电机组主传动系统状态评估方法及终端设备
CN112146882B (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
CN111680823A (zh) 一种风向信息预测方法及系统
CN111340307B (zh) 预测风机风力发电功率的方法以及相关装置
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN117992899A (zh) 基于小样本的电力新能源设备故障诊断方法及装置
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN117332367A (zh) 基于机理数据融合的小样本旋转机械智能诊断方法
CN111461923A (zh) 一种基于深度卷积神经网络的窃电监测系统和方法
Li et al. Wind turbine wake prediction modelling based on transformer-mixed conditional generative adversarial network
CN114139482A (zh) 一种基于深度度量学习的eda电路失效分析方法
CN108167133A (zh) 风速误差模型的训练方法、装置及风力发电机组

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20180518

WW01 Invention patent application withdrawn after publication