CN109033027A - 一种高速阵风导致风电功率下爬坡事件的预测方法 - Google Patents
一种高速阵风导致风电功率下爬坡事件的预测方法 Download PDFInfo
- Publication number
- CN109033027A CN109033027A CN201810894972.8A CN201810894972A CN109033027A CN 109033027 A CN109033027 A CN 109033027A CN 201810894972 A CN201810894972 A CN 201810894972A CN 109033027 A CN109033027 A CN 109033027A
- Authority
- CN
- China
- Prior art keywords
- wind
- high speed
- fitful
- wind power
- data
- 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.)
- Granted
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 241001269238 Data Species 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000005684 electric field Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种高速阵风导致风电功率下爬坡事件的预测方法，通过该方法在输入一个风电场的风速历史数据的同时，输入距离风电场最近的2个风力数据采集点的数据，通过这些数据构建高速阵风属性列表，进而进行一个风电场是否存在高速阵风导致风电功率下爬坡事件的情况进行预测。本发明不单纯依赖于一个风电场的数据，而且将距离风电场最近的2个风力数据采集点的数据也作为判断的辅助数据，解决了数据量高速阵风导致风电功率下爬坡事件量较少的问题；在风电功率下爬坡事件的预测方面具有较高的实用意义。
Description
技术领域：
本发明属于风电功率预测技术领域，尤其涉及一种高速阵风导致风电功率下爬坡事件的预测方法。
背景技术：
风电爬坡事件是指风电场或风电基地的风电功率输出在一个较短时间尺度内发生大幅度的变化。风电爬坡事件具有强波动性和强不确定性的特点，可造成系统中发/用电的严重不平衡，进而导致负荷损失。当风电场出现较高风速的阵风，使得风力涡轮机达到风速切出极限时，会导致典型的风电功率下爬坡事件，导致风电场有风但无输出功率的问题，对电网危害较大；准确的预测这种风电功率下爬坡事件，对于电网管理单位提前做好管理和应对准备，提高电网安全稳定运行、合理利用风电资源十分重要。
当前对于预测风电爬坡采用的手段主要是：收集风电爬坡事件，针对爬坡过程中的大气诸多因素构建样本,然后引入人工智能或统计学方法建立预测模型，随后利用预测模型对风电场的是否出现风功率爬坡可能进行预测。这些方法会遇到两个问题：（一）风电爬坡分为上爬坡和下爬坡事件类型，导致每种事件类型的引发原因又多种多样，当前方法试图通过一个模型或者算法将不同时间尺度、空间尺度和大气环境诸多因素整合在一起进行统一的预测，这种方式易于导致多种事件混淆，进而导致预测精度较低；（二）多数预测模型需要较多的训练爬坡事件来构建训练样本，风电场不可能选址在灾害频发、风力十分不稳定的地区，所以对于任意一个风电场，都难于保证获得足够多的样本来训练预测模型，可能导致产生的模型与特定的某几个爬坡事件数据耦合，预测能力较低。对于高速阵风导致风电功率下爬坡事件，目前较为实用的方法的较少。
因此需要提出一种方法，能够对一个风电场高速阵风导致风电功率下爬坡事件进行分析，并针对爬坡事件本身较少这一问题进行处理，使得风电场可以有效预测高速阵风导致风电功率下爬坡事件。
发明内容：
本发明提供一种高速阵风导致风电功率下爬坡事件的预测方法，解决了数据量高速阵风导致风电功率下爬坡事件量较少的问题；通过该方法在输入一个风电场的风速历史数据的同时，输入距离风电场最近的2个风力数据采集点的数据，通过这些数据构建高速阵风属性列表，进而进行一个风电场是否存在高速阵风导致风电功率下爬坡事件的情况进行预测。
本发明所述的一种高速阵风导致风电功率下爬坡事件的预测方法，包括以下步骤：
S1, 对于待预测风电场，输入其风电场风速历史数据H1，输入距离最近的2个风力数据采集点的风速历史数据D1,D2；分析起始时间点tstart，分析结束时间点tend；高速阵风导致风电功率下爬坡事件列表tlist;风电特征区间长度fdist;阵风预判区间长度zdist；计算采样间隔时间fgap；统计H1，获得H1的最大值H1Max，H1的最小值H1Min， H1的均值H1Mean，H1的标准差H1Stdv；
H1为待预测风电场的风速历史数据，为一个以时间为索引的数组，如H1[t]表示一个风电场在时间点t的风速值；
D1为风力数据采集点1的风速历史数据，风力数据采集点1为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离最近，D1为一个以时间为索引的数组，如D1[t]表示一个在时间点t的风速值；
D2为风力数据采集点2的风速历史数据，风力数据采集点2为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离比风力数据采集点1远，但是比其它风力数据采集点近，D2为一个以时间为索引的数组，如D2[t]表示一个在时间点t的风速值；
tlist为高速阵风导致风电功率下爬坡事件列表，tlist为一个列tlist={t1,t2,…,tn}，列表中的每一个元素对应一个时间点；
fdist为风电波动区间长度，该长度为描述和预测风电特征的时间长度值，其默认值为60，单位为分钟；
zdist为阵风预判区间长度，该长度为算法预判可能导致风电功率下爬坡事件的高速阵风出现的时间长度值，默认值为30，单位为分钟；
fgap为计算采样间隔时间，其默认值为10，单位为分钟；
S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；
S201，构建高速阵风特征算子WindOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组X1，第二个为特征抽取时间点tc；
S202，计算起始时间OStart=tc-fdist/2；计算结束时间OEnd=tc+fdist/2；
S203，风速数组WW=（从X1中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；
S204，参考数量值NWW=(OEnd-OStart)/fgap+1；
S205，统计WW，获得WW的最大值WWMax,最小值WWMin,均值WWMean，标准差WWStdv；
S206，计算a1=(WWMean/H1Mean)，a2= (WW中高于WWMean的元素个数/NWW), a3=(WW的WWMax/H1Max)，a4=(WWStdv/H1Stdv)，a5=(WW中高于(WWMax-WWStdv/2)的元素个数/NWW),a6=(WW中高于(WWMean+WWStdv)的元素个数/NWW)；
S207, 构建高速阵风特征矢量v=(a1,a2,a3,a4,a5,a6)；
S208, 将高速阵风特征矢量v作为WindOperator的结果进行返回；
S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；
S301, 构建阵风判别算子DecisonOperator,该算子包含两个输入参数，第一个为一个以时间为索引的数组DTX，第二个为特征抽取时间点dttc；
S302，高速阵风列表dtlist=空，高速阵风计数器dtcounter=1；
S303, dtnum=tlist的元素个数；
S304，dtnode=取出tlist的第dtcounter个元素,该元素为一个时间点数据；
S305，dtv=WindOperator(H1,dtnode),将H1和dtnode作为高速阵风特征算子WindOperator的输入，获得对应的高速阵风特征矢量；
S306，将dtv加入到高速阵风列表dtlist之中；
S307，dtcounter=dtcounter+1；
S308,如果dtcounter>dtnum则转到S307，否则转到S304；
S309，建立变量数组dty,dty包含dtnum个元素，dty每一个元素的初始值=1/dtnum；
S310, currentv=WindOperator(DTX,dttc),将DTX和dttc作为高速阵风特征算子的输入，获得对应的高速阵风特征矢量；
S310，将dty作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量minvalue中；
S311，如果minvalue<(H1Stdv/2)则转到S312，否则转到S313；
S312，决策结果decision=TRUE，转到S314；
S313，决策结果decision=FALSE；
S314，将decision作DecisonOperator的结果返回；
S4，构建风速计算属性算子FeatureOperator，算子可以获取一个风速历史数据在一个时间点上的风速计算属性；
S401，构建风速计算属性算子FeatureOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组FX，第二个为特征抽取时间点ftc；
S402，计算属性起始时间FStart=ftc-fdist/2；计算属性结束时间FEnd=ftc+fdist/2；
S403，属性风速数组FWW=（从FX中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；
S404，[ta1,ta2,ta3,ta4,ta5]=对FWW进行点数为5的傅里叶变换,并存储到5个变量之中；计算ta1=abs(ta1)/fdist,ta2=abs(ta2)/fdist,ta3=abs(ta3)/fdist，
ta4=abs(ta4)/fdist,ta5=abs(ta5)/fdist；
其中abs表示计算对应数的绝对值；
S405，对FWW进行统计获得FWW的均值为FWWMean，获得FWW最大值为FWWMax，获得FWW最小值FWMin；
S406，计算ta6=tanh（FWWMean/H1Max）, ta7=tanh(FWWMax/H1Max), ta8=tanh(FWMin/H1Max)；
S407，计算ta1=ta1,ta2=ta2-ta1,ta3=ta3-ta2,ta4=ta4-ta3,ta5=ta5-ta4；
S408，构建风速计算属性矢量Fwv=[ ta1,ta2,ta3,ta4,ta5,ta6,ta7,ta8]；
S409，将Fwv作为算子的结果返回；
S5,利用阵风判别算子DecisonOperator和风速计算属性算子FeatureOperator，从H1，D1，D2中抽取可用阵风特性，获得高速阵风属性列表highspeedlist；
S501，抽取时间currenttime=tstart；
S502，高速阵风属性列表highspeedlist=0；
S503，如果DecisonOperator(H1,currenttime)的结果为FALSE那么转到S505，,否则转到S504；
S504，计算FeatureOperator(H1,currenttime-zdist)获得的结果加入到highspeedlist之中；
S505，如果DecisonOperator(D1,currenttime)的结果为FALSE那么转到S507，否则转到S506；
S506，计算FeatureOperator(D1,currenttime-zdist)获得的结果加入到highspeedlist之中；
S507，如果DecisonOperator(D2,currenttime)的结果为FALSE那么转到S509,否则转到S508；
S508，计算FeatureOperator(D3,currenttime-zdist)获得的结果加入到highspeedlist之中；
S509，currenttime=currenttime+fgap；
S510，如果currenttime>tend则转到S511，否则转到S503；
S6，输入风电场新输入的风速数据数组FDCurrent，当前的时间点FDTime，利用风速计算属性算子FeatureOperator和高速阵风属性列表highspeedlist对当前时间点是否存在高速阵风导致风电功率下爬坡事件进行预测；
FDCurrent为待预测风电场的当前的风速数据数组，为一个以时间为索引的数组，如FDCurrent[t]表示一个风电场在时间点t的风速值；
S601，决策时间点DecisionPoint=FDTime-fdist/2；
S602, FDCV=计算FeatureOperator(FDCurrent,DecisionPoint)；
S603，FDCNum=highspeedlist中元素的个数；
S604，建立变量数组fdcy, fdcy包含FDCNum个元素，fdcy每一个元素的初始值=1/FDCNum；
S605，将fdcy作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量fdcvalue中；
S606，如果fdcvalue<(H1Stdv/2)则转到S607，否则转到S608；
S607，预测当前风电场存在高速阵风导致风电功率下爬坡事件的风险，转到S609；
S608，预测当前风电场不存在高速阵风导致风电功率下爬坡事件的风险；
S609，预测过程结束。
本发明的积极效果在于：
提供一种高速阵风导致风电功率下爬坡事件的预测方法，通过该方法在输入一个风电场的风速历史数据的同时，输入距离风电场最近的2个风力数据采集点的数据，通过这些数据构建高速阵风属性列表，进而进行一个风电场是否存在高速阵风导致风电功率下爬坡事件的情况进行预测。本发明不单纯依赖于一个风电场的数据，而且将距离风电场最近的2个风力数据采集点的数据也作为判断的辅助数据，解决了数据量高速阵风导致风电功率下爬坡事件量较少的问题；
本发明针对于高速阵风导致风电功率下爬坡事件的方法，解决了多种事件混淆精度降低的问题；在风电功率下爬坡事件的预测方面具有较高的实用意义。
附图说明
图1为发明实施例2风电场风速历史数据H1图；
图2为发明实施例2风力数据采集点1的风速历史数据D1；
图3为发明实施例2风力数据采集点2的风速历史数据D2；
图4为发明实施例2当FDCurrent为该风电场在2016年4月1日至4月10日连续10天每天采样1440次的风速历史数据。
具体实施方式
通过以下实施例进一步举例描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。
实施例1
本发明一种高速阵风导致风电功率下爬坡事件的预测方法，包括以下步骤：
S1, 对于待预测风电场，输入其风电场风速历史数据H1，输入距离最近的2个风力数据采集点的风速历史数据D1,D2；分析起始时间点tstart，分析结束时间点tend；高速阵风导致风电功率下爬坡事件列表tlist;风电特征区间长度fdist;阵风预判区间长度zdist；计算采样间隔时间fgap；统计H1，获得H1的最大值H1Max，H1的最小值H1Min， H1的均值H1Mean，H1的标准差H1Stdv；
H1为待预测风电场的风速历史数据，为一个以时间为索引的数组，如H1[t]表示一个风电场在时间点t的风速值；
D1为风力数据采集点1的风速历史数据，风力数据采集点1为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离最近，D1为一个以时间为索引的数组，如D1[t]表示一个在时间点t的风速值；
D2为风力数据采集点2的风速历史数据，风力数据采集点2为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离比风力数据采集点1远，但是比其它风力数据采集点近，D2为一个以时间为索引的数组，如D2[t]表示一个在时间点t的风速值；
tlist为高速阵风导致风电功率下爬坡事件列表，tlist为一个列tlist={t1,t2,…,tn}，列表中的每一个元素对应一个时间点；
fdist为风电波动区间长度，该长度为描述和预测风电特征的时间长度值，其默认值为60，单位为分钟；
zdist为阵风预判区间长度，该长度为算法预判可能导致风电功率下爬坡事件的高速阵风出现的时间长度值，默认值为30，单位为分钟；
fgap为计算采样间隔时间，其默认值为10，单位为分钟；
S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；
S201，构建高速阵风特征算子WindOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组X1，第二个为特征抽取时间点tc；
S202，计算起始时间OStart=tc-fdist/2；计算结束时间OEnd=tc+fdist/2；
S203，风速数组WW=（从X1中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；
S204，参考数量值NWW=(OEnd-OStart)/fgap+1；
S205，统计WW，获得WW的最大值WWMax,最小值WWMin,均值WWMean，标准差WWStdv；
S206，计算a1=(WWMean/H1Mean)，a2= (WW中高于WWMean的元素个数/NWW), a3=(WW的WWMax/H1Max)，a4=(WWStdv/H1Stdv)，a5=(WW中高于(WWMax-WWStdv/2)的元素个数/NWW),a6=(WW中高于(WWMean+WWStdv)的元素个数/NWW)；
S207, 构建高速阵风特征矢量v=(a1,a2,a3,a4,a5,a6)；
S208, 将高速阵风特征矢量v作为WindOperator的结果进行返回；
S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；
S301, 构建阵风判别算子DecisonOperator,该算子包含两个输入参数，第一个为一个以时间为索引的数组DTX，第二个为特征抽取时间点dttc；
S302，高速阵风列表dtlist=空，高速阵风计数器dtcounter=1；
S303, dtnum=tlist的元素个数；
S304，dtnode=取出tlist的第dtcounter个元素,该元素为一个时间点数据；
S305，dtv=WindOperator(H1,dtnode),将H1和dtnode作为高速阵风特征算子WindOperator的输入，获得对应的高速阵风特征矢量；
S306，将dtv加入到高速阵风列表dtlist之中；
S307，dtcounter=dtcounter+1；
S308,如果dtcounter>dtnum则转到S307，否则转到S304；
S309，建立变量数组dty,dty包含dtnum个元素，dty每一个元素的初始值=1/dtnum；
S310, currentv=WindOperator(DTX,dttc),将DTX和dttc作为高速阵风特征算子的输入，获得对应的高速阵风特征矢量；
S310，将dty作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量minvalue中；
S311，如果minvalue<(H1Stdv/2)则转到S312，否则转到S313；
S312，决策结果decision=TRUE，转到S314；
S313，决策结果decision=FALSE；
S314，将decision作DecisonOperator的结果返回；
S4，构建风速计算属性算子FeatureOperator，算子可以获取一个风速历史数据在一个时间点上的风速计算属性；
S401，构建风速计算属性算子FeatureOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组FX，第二个为特征抽取时间点ftc；
S402，计算属性起始时间FStart=ftc-fdist/2；计算属性结束时间FEnd=ftc+fdist/2；
S403，属性风速数组FWW=（从FX中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；
S404，[ta1,ta2,ta3,ta4,ta5]=对FWW进行点数为5的傅里叶变换,并存储到5个变量之中；计算ta1=abs(ta1)/fdist,ta2=abs(ta2)/fdist,ta3=abs(ta3)/fdist，
ta4=abs(ta4)/fdist,ta5=abs(ta5)/fdist；
其中abs表示计算对应数的绝对值；
S405，对FWW进行统计获得FWW的均值为FWWMean，获得FWW最大值为FWWMax，获得FWW最小值FWMin；
S406，计算ta6=tanh（FWWMean/H1Max）, ta7=tanh(FWWMax/H1Max), ta8=tanh(FWMin/H1Max)；
S407，计算ta1=ta1,ta2=ta2-ta1,ta3=ta3-ta2,ta4=ta4-ta3,ta5=ta5-ta4；
S408，构建风速计算属性矢量Fwv=[ ta1,ta2,ta3,ta4,ta5,ta6,ta7,ta8]；
S409，将Fwv作为算子的结果返回；
S5,利用阵风判别算子DecisonOperator和风速计算属性算子FeatureOperator，从H1，D1，D2中抽取可用阵风特性，获得高速阵风属性列表highspeedlist；
S501，抽取时间currenttime=tstart；
S502，高速阵风属性列表highspeedlist=0；
S503，如果DecisonOperator(H1,currenttime)的结果为FALSE那么转到S505，,否则转到S504；
S504，计算FeatureOperator(H1,currenttime-zdist)获得的结果加入到highspeedlist之中；
S505，如果DecisonOperator(D1,currenttime)的结果为FALSE那么转到S507，否则转到S506；
S506，计算FeatureOperator(D1,currenttime-zdist)获得的结果加入到highspeedlist之中；
S507，如果DecisonOperator(D2,currenttime)的结果为FALSE那么转到S509,否则转到S508；
S508，计算FeatureOperator(D3,currenttime-zdist)获得的结果加入到highspeedlist之中；
S509，currenttime=currenttime+fgap；
S510，如果currenttime>tend则转到S511，否则转到S503；
S6，输入风电场新输入的风速数据数组FDCurrent，当前的时间点FDTime，利用风速计算属性算子FeatureOperator和高速阵风属性列表highspeedlist对当前时间点是否存在高速阵风导致风电功率下爬坡事件进行预测；
FDCurrent为待预测风电场的当前的风速数据数组，为一个以时间为索引的数组，如FDCurrent[t]表示一个风电场在时间点t的风速值；
S601，决策时间点DecisionPoint=FDTime-fdist/2；
S602，FDCV=计算FeatureOperator(FDCurrent,DecisionPoint)；
S603，FDCNum=highspeedlist中元素的个数；
S604，建立变量数组fdcy, fdcy包含FDCNum个元素，fdcy每一个元素的初始值=1/FDCNum；
S605，将fdcy作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量fdcvalue中；
S606，如果fdcvalue<(H1Stdv/2)则转到S607，否则转到S608；
S607，预测当前风电场存在高速阵风导致风电功率下爬坡事件的风险，转到S609；
S608，预测当前风电场不存在高速阵风导致风电功率下爬坡事件的风险；
S609，预测过程结束。
实施例2
步骤S1，
输入风电场风速历史数据H1，该数据为某风电场2015年4月1日至4月10日连续10天每天采样1440次的风速历史数据（参见图1）；
输入风力数据采集点1的风速历史数据D1，该数据风力数据采集点1在2015年4月1日至4月10日连续10天每天采样1440次的风速历史数据（参见图2）；
风力数据采集点2的风速历史数据D2，风力数据采集点2的风速历史数据D1，该数据风力数据采集点1在2015年4月1日至4月10日连续10天每天采样1440次的风速历史数据（参见图3）；
分析起始时间点tstart=2015-4-1 0:0:0；
分析结束时间点tend=2015-4-1 23:59:59；
高速阵风导致风电功率下爬坡事件列表tlist={（2015-4-5 11:30:0）} 仅仅包含一次高速阵风导致的下爬坡事件；
fdist=60分钟；
zdist=30分钟；
fgap=10分钟；
在S1步骤对H1进行统计获得：
H1Max=30.9；
H1Min=4.3；
H1Mean=19.6；
H1Stdv=4.5；
S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；
S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；
S4，构建风速计算属性算子FeatureOperator，算子可以获取一个风速历史数据在一个时间点上的风速计算属性；
S5，利用阵风判别算子DecisonOperator和风速计算属性算子FeatureOperator，从H1，D1，D2中抽取可用阵风特性，获得高速阵风属性列表highspeedlist；
该步骤计算结果highspeedlist包括以下内容：
{ [0.31, 0.2, 0.11, 0.023, 0.17, 0.70, 0.83, 0.34]，
[0.27, 0.22, 0.17, 0.11, 0.19, 0.67, 0.87, 0.44]，
[0.21, 0.19, 0.09, 0.13, 0.17, 0.71, 0.81, 0.37]}；
S6，输入风电场新输入的风速数据数组FDCurrent，当前的时间点FDTime，利用风速计算属性算子FeatureOperator和高速阵风属性列表highspeedlist对当前时间点是否存在高速阵风导致风电功率下爬坡事件进行预测；
当FDCurrent为该风电场在2016年4月1日至4月10日连续10天每天采样1440次的风速历史数据（参见图4）；
测试的时间FDTime从2016-4-1 0:30:0为起始，以2016-4-1 23:30:0为终止，每次间隔10分钟，进行测试；测试的结果，在FDTime=2016-4-6 4:25:00时，FeatureOperator的输出结果为： [0.32, 0.19, 0.14, 0.14, 0.16, 0.75, 0.80, 0.40]；
步骤S6对应的输出结果为存在高速阵风导致风电功率下爬坡事件的风险，在FDTime为其他时间点时，步骤S6的输出结果为不存在高速阵风导致风电功率下爬坡事件的风险。
本发明的预测结果与其他方法的对比如下：
| 预测成功 | 漏掉的预测数 | 预测出现风险但未出现相关事件 | |
| 本发明 | 19 | 0 | 2 |
| 支持向量机方法 | 8 | 11 | 34 |
| 决策树方法 | 10 | 9 | 23 |
结论：从表中可以看出，本发明可以成功预测所有的高速阵风导致风电功率下爬坡事件，相对支持向量机方法、决策树方法成功率较高，漏掉的预测数和预测出现风险但未出现相关事件的次数也明显优于传统方法。
Claims (1)
1.一种高速阵风导致风电功率下爬坡事件的预测方法，包括以下步骤：
S1, 对于待预测风电场，输入其风电场风速历史数据H1，输入距离最近的2个风力数据采集点的风速历史数据D1,D2；分析起始时间点tstart，分析结束时间点tend；高速阵风导致风电功率下爬坡事件列表tlist;风电特征区间长度fdist;阵风预判区间长度zdist；计算采样间隔时间fgap；统计H1，获得H1的最大值H1Max，H1的最小值H1Min， H1的均值H1Mean，H1的标准差H1Stdv；
H1为待预测风电场的风速历史数据，为一个以时间为索引的数组，如H1[t]表示一个风电场在时间点t的风速值；
D1为风力数据采集点1的风速历史数据，风力数据采集点1为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离最近，D1为一个以时间为索引的数组，如D1[t]表示一个在时间点t的风速值；
D2为风力数据采集点2的风速历史数据，风力数据采集点2为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离比风力数据采集点1远，但是比其它风力数据采集点近，D2为一个以时间为索引的数组，如D2[t]表示一个在时间点t的风速值；
tlist为高速阵风导致风电功率下爬坡事件列表，tlist为一个列tlist={t1,t2,…,tn}，列表中的每一个元素对应一个时间点；
fdist为风电波动区间长度，该长度为描述和预测风电特征的时间长度值，其默认值为60，单位为分钟；
zdist为阵风预判区间长度，该长度为算法预判可能导致风电功率下爬坡事件的高速阵风出现的时间长度值，默认值为30，单位为分钟；
fgap为计算采样间隔时间，其默认值为10，单位为分钟；
S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；
S201，构建高速阵风特征算子WindOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组X1，第二个为特征抽取时间点tc；
S202，计算起始时间OStart=tc-fdist/2；计算结束时间OEnd=tc+fdist/2；
S203，风速数组WW=（从X1中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；
S204，参考数量值NWW=(OEnd-OStart)/fgap+1；
S205，统计WW，获得WW的最大值WWMax,最小值WWMin,均值WWMean，标准差WWStdv；
S206，计算a1=(WWMean/H1Mean)，a2= (WW中高于WWMean的元素个数/NWW), a3=(WW的WWMax/H1Max)，a4=(WWStdv/H1Stdv)，a5=(WW中高于(WWMax-WWStdv/2)的元素个数/NWW),a6=(WW中高于(WWMean+WWStdv)的元素个数/NWW)；
S207, 构建高速阵风特征矢量v=(a1,a2,a3,a4,a5,a6)；
S208, 将高速阵风特征矢量v作为WindOperator的结果进行返回；
S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；
S301, 构建阵风判别算子DecisonOperator,该算子包含两个输入参数，第一个为一个以时间为索引的数组DTX，第二个为特征抽取时间点dttc；
S302，高速阵风列表dtlist=空，高速阵风计数器dtcounter=1；
S303, dtnum=tlist的元素个数；
S304，dtnode=取出tlist的第dtcounter个元素,该元素为一个时间点数据；
S305，dtv=WindOperator(H1,dtnode),将H1和dtnode作为高速阵风特征算子WindOperator的输入，获得对应的高速阵风特征矢量；
S306，将dtv加入到高速阵风列表dtlist之中；
S307，dtcounter=dtcounter+1；
S308,如果dtcounter>dtnum则转到S307，否则转到S304；
S309，建立变量数组dty,dty包含dtnum个元素，dty每一个元素的初始值=1/dtnum；
S310, currentv=WindOperator(DTX,dttc),将DTX和dttc作为高速阵风特征算子的输入，获得对应的高速阵风特征矢量；
S310，将dty作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量minvalue中；
S311，如果minvalue<(H1Stdv/2)则转到S312，否则转到S313；
S312，决策结果decision=TRUE，转到S314；
S313，决策结果decision=FALSE；
S314，将decision作DecisonOperator的结果返回；
S4，构建风速计算属性算子FeatureOperator，算子可以获取一个风速历史数据在一个时间点上的风速计算属性；
S401，构建风速计算属性算子FeatureOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组FX，第二个为特征抽取时间点ftc；
S402，计算属性起始时间FStart=ftc-fdist/2；计算属性结束时间FEnd=ftc+fdist/2；
S403，属性风速数组FWW=（从FX中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；
S404，[ta1,ta2,ta3,ta4,ta5]=对FWW进行点数为5的傅里叶变换,并存储到5个变量之中；计算ta1=abs(ta1)/fdist,ta2=abs(ta2)/fdist,ta3=abs(ta3)/fdist，
ta4=abs(ta4)/fdist,ta5=abs(ta5)/fdist；
其中abs表示计算对应数的绝对值；
S405，对FWW进行统计获得FWW的均值为FWWMean，获得FWW最大值为FWWMax，获得FWW最小值FWMin；
S406，计算ta6=tanh（FWWMean/H1Max）, ta7=tanh(FWWMax/H1Max), ta8=tanh(FWMin/H1Max)；
S407，计算ta1=ta1,ta2=ta2-ta1,ta3=ta3-ta2,ta4=ta4-ta3,ta5=ta5-ta4；
S408，构建风速计算属性矢量Fwv=[ ta1,ta2,ta3,ta4,ta5,ta6,ta7,ta8]；
S409，将Fwv作为算子的结果返回；
S5,利用阵风判别算子DecisonOperator和风速计算属性算子FeatureOperator，从H1，D1，D2中抽取可用阵风特性，获得高速阵风属性列表highspeedlist；
S501，抽取时间currenttime=tstart；
S502，高速阵风属性列表highspeedlist=0；
S503，如果DecisonOperator(H1,currenttime)的结果为FALSE那么转到S505，,否则转到S504；
S504，计算FeatureOperator(H1,currenttime-zdist)获得的结果加入到highspeedlist之中；
S505，如果DecisonOperator(D1,currenttime)的结果为FALSE那么转到S507，否则转到S506；
S506，计算FeatureOperator(D1,currenttime-zdist)获得的结果加入到highspeedlist之中；
S507，如果DecisonOperator(D2,currenttime)的结果为FALSE那么转到S509,否则转到S508；
S508，计算FeatureOperator(D3,currenttime-zdist)获得的结果加入到highspeedlist之中；
S509，currenttime=currenttime+fgap；
S510，如果currenttime>tend则转到S511，否则转到S503；
S6，输入风电场新输入的风速数据数组FDCurrent，当前的时间点FDTime，利用风速计算属性算子FeatureOperator和高速阵风属性列表highspeedlist对当前时间点是否存在高速阵风导致风电功率下爬坡事件进行预测；
FDCurrent为待预测风电场的当前的风速数据数组，为一个以时间为索引的数组，如FDCurrent[t]表示一个风电场在时间点t的风速值；
S601，决策时间点DecisionPoint=FDTime-fdist/2；
S602, FDCV=计算FeatureOperator(FDCurrent,DecisionPoint)；
S603，FDCNum=highspeedlist中元素的个数；
S604，建立变量数组fdcy, fdcy包含FDCNum个元素，fdcy每一个元素的初始值=1/FDCNum；
S605，将fdcy作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量fdcvalue中；
S606，如果fdcvalue<(H1Stdv/2)则转到S607，否则转到S608；
S607，预测当前风电场存在高速阵风导致风电功率下爬坡事件的风险，转到S609；
S608，预测当前风电场不存在高速阵风导致风电功率下爬坡事件的风险；
S609，预测过程结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810894972.8A CN109033027B (zh) | 2018-08-08 | 2018-08-08 | 一种高速阵风导致风电功率下爬坡事件的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810894972.8A CN109033027B (zh) | 2018-08-08 | 2018-08-08 | 一种高速阵风导致风电功率下爬坡事件的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109033027A true CN109033027A (zh) | 2018-12-18 |
| CN109033027B CN109033027B (zh) | 2022-07-29 |
Family
ID=64649975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810894972.8A Active CN109033027B (zh) | 2018-08-08 | 2018-08-08 | 一种高速阵风导致风电功率下爬坡事件的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109033027B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
| CN111582557A (zh) * | 2020-04-20 | 2020-08-25 | 哈尔滨工业大学 | 基于变差函数的风电爬坡事件多级预警方法 |
| CN112270439A (zh) * | 2020-10-28 | 2021-01-26 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
| CN117196122A (zh) * | 2023-11-02 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
| CN105068148A (zh) * | 2015-07-14 | 2015-11-18 | 北京金风科创风电设备有限公司 | 风电场阵风预测方法和系统 |
| CN106203693A (zh) * | 2016-07-05 | 2016-12-07 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
-
2018
- 2018-08-08 CN CN201810894972.8A patent/CN109033027B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
| CN105068148A (zh) * | 2015-07-14 | 2015-11-18 | 北京金风科创风电设备有限公司 | 风电场阵风预测方法和系统 |
| CN106203693A (zh) * | 2016-07-05 | 2016-12-07 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| YUZHONG GONG 等: "《Ramp Event Forecast Based Wind Power Ramp Control With Energy Storage System》", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
| 刘红柳等: "基于小波变换和支持向量机的风电功率爬坡事件识别与预测", 《东北电力大学学报》 * |
| 欧阳庭辉等: "基于气象背景选取邻近点的风电功率爬坡事件预测方法", 《电网技术》 * |
| 黄麒元等: "基于ASTFA-ELM的风电功率爬坡预测", 《电器与能效管理技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582557A (zh) * | 2020-04-20 | 2020-08-25 | 哈尔滨工业大学 | 基于变差函数的风电爬坡事件多级预警方法 |
| CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
| CN111582751B (zh) * | 2020-05-19 | 2022-06-14 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
| CN112270439A (zh) * | 2020-10-28 | 2021-01-26 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
| CN112270439B (zh) * | 2020-10-28 | 2024-03-08 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
| CN117196122A (zh) * | 2023-11-02 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
| CN117196122B (zh) * | 2023-11-02 | 2024-02-06 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109033027B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109033027A (zh) | 一种高速阵风导致风电功率下爬坡事件的预测方法 | |
| CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
| CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
| CN117421687A (zh) | 一种数字化电力环网柜运行状态监测方法 | |
| CN107436162B (zh) | 一种电网线路舞动发生预测方法和系统 | |
| CN106022529A (zh) | 一种基于高维随机矩阵的配电网异常数据检测方法 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN107437135A (zh) | 一种新型储能选型方法 | |
| CN106443164B (zh) | 一种电能分类计量过程中暂态与稳态事件的监测方法 | |
| CN105974223B (zh) | 一种用于在线检测用电设备工作状态的方法及系统 | |
| CN110390117B (zh) | 一种雷暴起电过程的数值模拟方法和系统 | |
| CN111551887A (zh) | 一种多维度识别电压互感器计量性能在线监测平台 | |
| CN105406461A (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
| CN109377079A (zh) | 一种用于电力抱杆施工的安全监控系统 | |
| CN109639736A (zh) | 一种基于optics的电力系统状态估计恶意攻击检测与定位方法 | |
| CN109543083A (zh) | 一种多元电网实时数据中异常数据的检测方法 | |
| CN109978217A (zh) | 基于奇异谱分析和记忆网络的电力负荷预测方法 | |
| CN116484554A (zh) | 一种配电网的拓扑辨识方法、装置、设备及介质 | |
| CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
| CN116881665A (zh) | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 | |
| CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 | |
| CN103400046A (zh) | 适用于电网广域监测系统的数据建模方法及应用 | |
| Li et al. | Forecasting of wind capacity ramp events using typical event clustering identification | |
| CN118174276A (zh) | 一种低压光伏台区相序自动识别方法及装置 | |
| CN117498559A (zh) | 配电网低电压预警分析方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220715 Address after: No. 395, KUANPING Road, Chaoyang District, Changchun City, Jilin Province Applicant after: CHANGCHUN INSTITUTE OF TECHNOLOGY Applicant after: BAICHENG POWER SUPPLY COMPANY OF STATE GRID JILIN ELECTRIC POWER Co.,Ltd. Address before: No. 395, KUANPING Road, Chaoyang District, Changchun City, Jilin Province Applicant before: CHANGCHUN INSTITUTE OF TECHNOLOGY |