CN110766215B - 基于特征自适应选择和wdnn的风电爬坡事件预测方法 - Google Patents

基于特征自适应选择和wdnn的风电爬坡事件预测方法 Download PDF

Info

Publication number
CN110766215B
CN110766215B CN201910986952.8A CN201910986952A CN110766215B CN 110766215 B CN110766215 B CN 110766215B CN 201910986952 A CN201910986952 A CN 201910986952A CN 110766215 B CN110766215 B CN 110766215B
Authority
CN
China
Prior art keywords
wind power
sample set
time
sample
ptr
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
CN201910986952.8A
Other languages
English (en)
Other versions
CN110766215A (zh
Inventor
唐振浩
孟庆煜
曹生现
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN201910986952.8A priority Critical patent/CN110766215B/zh
Publication of CN110766215A publication Critical patent/CN110766215A/zh
Application granted granted Critical
Publication of CN110766215B publication Critical patent/CN110766215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及风电爬坡事件预测技术领域，提供一种基于特征自适应选择和WDNN的风电爬坡事件预测方法。首先采集风机运行原始数据集并对其进行归一化；然后构建风电爬坡事件样本集PTr；接着基于特征自适应选择方法，从样本集PTr中选出相关样本集，并对每个相关样本中有功功率构成的信号进行小波分解，将分解得到的信号与温度及类别标签数据进行组合，得到分解后的样本集；再以分解后的样本集中除类别标签之外的变量为输入、类别标签为输出，构建并训练基于DNN的风电爬坡事件预测模型；最后实时采集并处理风机运行原始数据，利用训练后的预测模型输出对应的类别标签。本发明能够优化风电爬坡事件预测模型的输入变量，提高预测的精度。

Description

基于特征自适应选择和WDNN的风电爬坡事件预测方法
技术领域
本发明涉及风电爬坡事件预测技术领域，特别是涉及一种基于特征自适应选择和WDNN的风电爬坡事件预测方法。
背景技术
随着全球的不可再生能源逐渐枯竭，可再生能源在工业与生活当中逐渐占据了主导地位。在我国，电能作为生活中必不可少的能源形式，也面临着巨大的改变，其主要表现在风能等新型能源发电并网的占比越来越大。根据中国能源网发布的信息，2017年中国风电发电量为3056亿千瓦时，相较2016年增长了26.8％，占比从4.0％上升到4.8％。但随着风力发电的飞速发展与大规模并网，风电所带来的一些问题也渐渐凸显出来。由于风的突变性和不确定性，短时间内风电功率会大幅变动，即发生风电爬坡事件。因此，有效并精确地预测出风电爬坡事件对减小风电功率波动对电网产生的冲击、保证电网的安全稳定运行有重要的意义。
现有的风电爬坡事件预测方法中，如“Using auto-regressive logit models toforecast the exceedance probability for financial riskmanagement”(Taylor JW，YuK.Journal of the Royal Statistical Society，2016，179(4)：1069-1092.)使用风电场的历史风功率数据进行建模，利用卡尔模型对爬坡事件的短期概率进行预测，其引入了一个新的多阈值CARML模型，同时估计多个阈值的爬坡事件概率；“基于相似性修正的风电功率爬坡事件预测方法”(欧阳庭辉，查晓明，秦亮，熊一，黄鹤鸣.中国电机工程学报，2017，37(02)：572-581.)利用数值天气数据进行爬坡预测。然而，现有技术中考虑的风电爬坡事件的影响因素比较单一，导致预测精度较低。
发明内容
针对现有技术存在的问题，本发明提供一种基于特征自适应选择和WDNN的风电爬坡事件预测方法，能够优化风电爬坡事件预测模型的输入变量，提高预测的精度。
本发明的技术方案为：
一种基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，包括下述步骤：
步骤1：从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L1内的风机有功功率和空气温度的原始数据，构成风机运行原始数据集PT0＝{(P(tn)0,T(tn)0)|n＝1,2,...,N}；其中，tn为第n个采样点对应的时间，N为采样点总数，tn+1-tn＝Δt，L1＝(N-1)Δt，P(tn)0为tn时刻风机有功功率的原始数据，T(tn)0为tn时刻空气温度的原始数据；
步骤2：对风机运行原始数据集PT0进行归一化处理，得到风机运行数据集为PT＝{(P(tn),T(tn))n＝1,2,...,N}；其中，P(tn)、T(tn)分别为归一化处理后的风机有功功率数据、空气温度数据；
步骤3：计算tm时刻风电爬坡事件的爬坡率CR(tm)和类别标签r(tm)，构建风电爬坡事件的样本集为
Figure BDA0002236997150000021
其中，
Figure BDA0002236997150000022
为tm时刻风电爬坡事件的样本，l∈{1,2,...,L}，a、b、L均为预设的整数参数，
Figure BDA0002236997150000023
为tm时刻及tm时刻之前a个采样点的风机有功功率数据及空气温度数据构成的有功功率-温度数据集，
Figure BDA0002236997150000024
步骤4：基于特征自适应选择方法，从样本集PTr中选取与风电爬坡事件相关的样本构成相关样本集
Figure BDA0002236997150000025
其中，TIME为相关样本集PTr*中类别标签对应的时刻的集合；
步骤5：对相关样本集PTr*中每个样本
Figure BDA0002236997150000026
中有功功率数据构成的信号xs＝{P(ts-a),...,P(ts-2),P(ts-1),P(ts)}进行小波分解；
步骤5.1：初始化i＝0、分解总层数为I，令第0层的低频信号为
Figure BDA0002236997150000027
步骤5.2：令i＝i+1；
步骤5.3：对第i-1层的低频信号
Figure BDA0002236997150000028
进行分解，得到第i层的低频信号为
Figure BDA0002236997150000029
高频信号为
Figure BDA00022369971500000210
其中，L、H分别为低通滤波器、高通滤波器，
Figure BDA00022369971500000211
Figure BDA00022369971500000212
分别为信号
Figure BDA00022369971500000213
在ts时刻的信号值；
步骤5.4：若i＜I，则返回步骤5.2；若i≥I，则留存每一层分解得到的高频信号
Figure BDA0002236997150000031
及最后一层分解得到的低频信号
Figure BDA0002236997150000032
步骤6：将相关样本集PTr*中每个样本
Figure BDA0002236997150000033
分解得到的信号
Figure BDA0002236997150000034
Figure BDA0002236997150000035
与温度数据{T(ts-a),...,T(ts-2),T(ts-1),T(ts)}、类别标签数据r(ts)进行组合，得到ts时刻分解后的样本为
Figure BDA0002236997150000036
形成分解后的风电爬坡事件的样本集为
Figure BDA0002236997150000037
步骤7：以样本集DATA中除类别标签之外的变量为输入、类别标签为输出，构建基于DNN的风电爬坡事件第二预测模型，利用样本集DATA对基于DNN的风电爬坡事件第二预测模型进行训练；
步骤8：实时从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L2内的风机有功功率和空气温度的原始数据，构成时间L2内的风机运行原始数据集，对时间L2内的风机运行原始数据集进行步骤2至步骤6中相同的处理，得到分解后的风电爬坡事件的样本集DATA'，将样本集DATA'中每个样本的除类别标签之外的数据输入训练后的基于DNN的风电爬坡事件第二预测模型中，输出样本集DATA'中每个样本里最大时刻的风电爬坡事件的类别标签；其中，
Figure BDA0002236997150000038
进一步的，所述步骤2中，归一化处理的方法为Min-max方法，
Figure BDA0002236997150000039
Figure BDA00022369971500000310
其中，Pmin＝0，Pmax＝110％×Pe，Pe为风机额定功率，Tmin、Tmax分别为风机所在地5年内的空气最低温度、空气最高温度。
进一步的，所述步骤3中，
计算tm时刻风电爬坡事件的爬坡率为
Figure BDA00022369971500000311
其中，c为预设的整数参数；
计算tm时刻风电爬坡事件的类别标签为
Figure BDA0002236997150000041
其中，r(tm)＝0代表tm时刻未发生爬坡事件，r(tm)＝1代表tm时刻发生上行爬坡事件，r(tm)＝-1代表tm时刻发生下行爬坡事件，PRR为预设的爬坡率阈值。
进一步的，所述步骤4包括下述步骤：
步骤4.1：初始化相关样本集PTr*为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；
步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；
步骤4.3：计算每个样本中有功功率-温度数据集
Figure BDA0002236997150000043
与类别标签之间的Pearson相关性，将样本集PTr中的样本按照Pearson相关性由大到小进行排序，得到排序后的样本集PTr'；
步骤4.4：添加样本集PTr'中的第G个样本到相关样本集PTr*中、第G个样本中类别标签对应的时刻到时间集合TIME中，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率-温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为
Figure BDA0002236997150000042
其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；
步骤4.5：令G＝G+1，执行步骤4.4；
步骤4.6：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入步骤4.7；若不减小，则从相关样本集PTr*中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.7；
步骤4.7：若G<Gmax，则返回步骤4.5；若G≥Gmax则输出相关样本集
Figure BDA0002236997150000051
进一步的，所述步骤4包括下述步骤：
步骤4.1：初始化相关样本集PTr*为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；
步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；
步骤4.3：从样本集PTr中随机选取一个未被选取过的样本添加到相关样本集PTr*中、添加该样本对应的时刻到时间集合TIME中，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率-温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为
Figure BDA0002236997150000052
其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；
步骤4.4：令G＝G+1，执行步骤4.3；
步骤4.5：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入步骤4.6；若不减小，则从相关样本集PTr*中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.6；
步骤4.6：若G<Gmax，则返回步骤4.4；若G≥Gmax则输出相关样本集
Figure BDA0002236997150000053
本发明的有益效果为：
本发明基于特征自适应选择方法，从风电爬坡事件的样本集中选取与风电爬坡事件相关的样本构成相关样本集，并对每个相关样本中有功功率构成的信号进行小波分解，将分解得到的信号与温度及类别标签数据进行组合得到分解后的样本集，再利用分解后的样本集构建并训练基于DNN的风电爬坡事件预测模型，能够优化风电爬坡事件预测模型的输入变量，显著提高风电爬坡事件的预测精度。本发明的方法具有普适性，能够分析各个地区的风电爬坡事件的主要影响因素，为各个风电场的风电爬坡事件预测模型选取最合适的输入变量，保证该预测方法在任意地区、任意风电场的预测精度。
附图说明
图1为本发明的基于特征自适应选择和WDNN的风电爬坡事件预测方法的流程图；
图2为具体实施方式中下半年部分时刻的风机有功功率曲线图；
图3为具体实施方式中下半年部分时刻的类别标签曲线图；
图4为具体实施方式中进行特征自适应选择的流程图；
图5为具体实施方式中进行小波分解的流程图；
图6为具体实施方式中小波分解的结果示意图；
图7为具体实施方式中本发明的基于特征自适应选择和WDNN的风电爬坡事件预测方法与基于特征自适应选择和DNN的风电爬坡事件预测方法的预测结果对比图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，本发明的基于特征自适应选择和WDNN的风电爬坡事件预测方法，包括下述步骤：
步骤1：从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L1内的风机有功功率和空气温度的原始数据，构成风机运行原始数据集PT0＝{(P(tn)0,T(tn)0)|n＝1,2,...,N}；其中，tn为第n个采样点对应的时间，N为采样点总数，tn+1-tn＝Δt，L1＝(N-1)Δt，P(tn)0为tn时刻风机有功功率的原始数据，T(tn)0为tn时刻空气温度的原始数据。
步骤2：对风机运行原始数据集PT0进行归一化处理，得到风机运行数据集为PT＝{(P(tn),T(tn))n＝1,2,…,N}；其中，P(tn)、T(tn)分别为归一化处理后的风机有功功率数据、空气温度数据。
本实施例中，归一化处理的方法为Min-max方法，
Figure BDA0002236997150000061
Figure BDA0002236997150000062
其中，Pmin＝0，Pmax＝110％×Pe，Pe为风机额定功率，Tmin、Tmax分别为风机所在地5年内的空气最低温度、空气最高温度。
本实施例中，以采样周期Δt＝1min分别采集某风电场的上半年20150101-20150630、下半年20150701-20151231的风机有功功率和空气温度的原始数据，构成上半年的风机运行原始数据集、下半年的风机运行原始数据集，对上半年、下半年的风机运行原始数据集分别进行归一化处理，得到上半年、下半年的风机运行数据集。
步骤3：计算tm时刻风电爬坡事件的爬坡率CR(tm)和类别标签r(tm)，构建风电爬坡事件的样本集为
Figure BDA0002236997150000071
其中，
Figure BDA0002236997150000072
为tm时刻风电爬坡事件的样本，l∈{1,2,...,L}，a、b、L均为预设的整数参数，
Figure BDA0002236997150000073
为tm时刻及tm时刻之前a个采样点的风机有功功率数据及空气温度数据构成的有功功率-温度数据集，
Figure BDA0002236997150000074
本实施例中，计算tm时刻风电爬坡事件的爬坡率为
Figure BDA0002236997150000075
其中，c为预设的整数参数，c＝30；
计算tm时刻风电爬坡事件的类别标签为
Figure BDA0002236997150000076
其中，r(tm)＝0代表tm时刻未发生爬坡事件，r(tm)＝1代表tm时刻发生上行爬坡事件，r(tm)＝-1代表tm时刻发生下行爬坡事件，PRR为预设的爬坡率阈值，PRR＝16。
本实施例中，a＝15，b＝10，也即tm时刻及tm时刻之前15个采样点的风机有功功率数据及空气温度数据构成有功功率-温度数据集
Figure BDA0002236997150000077
每隔10min选择一个时间点来构建样本。
本实施例中，对上半年、下半年的风机运行数据集均按照上述方法构建样本，分别得到上半年、下半年的风电爬坡事件的样本集。其中，下半年的部分时刻的风机有功功率、对应的类别标签分别如图2、图3所示。
步骤4：基于特征自适应选择方法，从样本集PTr中选取与风电爬坡事件相关的样本构成相关样本集
Figure BDA0002236997150000081
其中，TIME为相关样本集PTr*中类别标签对应的时刻的集合。
本实施例中，如图4所示，所述步骤4包括下述步骤：
步骤4.1：初始化相关样本集PTr*为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；其中，最大迭代次数Gmax＝32，时间窗口B的长度为150min；
步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；
步骤4.3：计算每个样本中有功功率-温度数据集
Figure BDA0002236997150000082
与类别标签之间的Pearson相关性，将样本集PTr中的样本按照Pearson相关性由大到小进行排序，得到排序后的样本集PTr'；
步骤4.4：添加样本集PTr'中的第G个样本到相关样本集PTr*中、第G个样本中类别标签对应的时刻到时间集合TIME中，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率-温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为
Figure BDA0002236997150000083
其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；
步骤4.5：令G＝G+1，执行步骤4.4；
步骤4.6：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入步骤4.7；若不减小，则从相关样本集PTr*中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.7；
步骤4.7：若G<Gmax，则返回步骤4.5；若G≥Gmax则输出相关样本集
Figure BDA0002236997150000084
其中，本领域技术人员能够直接、毫无疑义地确定，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，即为将相关样本集PTr*中的每一个样本中有功功率数据及温度数据构成的列向量作为第一预测模型的输入、对应的类别标签作为第一预测模型的输出，来训练第一预测模型。
本实施例中，先计算每个样本中有功功率-温度数据集
Figure BDA0002236997150000091
与类别标签之间的Pearson相关性，然后优先选取Pearson相关性较大的样本到相关样本集中。此外，还可以不计算Pearson相关性，直接从样本集PTr中随机选取一个未被选取过的样本添加到相关样本集PTr*中、添加该样本对应的时刻到时间集合TIME中再进行相关样本的选择，具体步骤如下：
步骤4.1：初始化相关样本集PTr*为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；
步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；
步骤4.3：从样本集PTr中随机选取一个未被选取过的样本添加到相关样本集PTr*中、添加该样本对应的时刻到时间集合TIME中，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率-温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为
Figure BDA0002236997150000092
其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；
步骤4.4：令G＝G+1，执行步骤4.3；
步骤4.5：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入步骤4.6；若不减小，则从相关样本集PTr*中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.6；
步骤4.6：若G<Gmax，则返回步骤4.4；若G≥Gmax则输出相关样本集
Figure BDA0002236997150000093
本实施例中，对上半年、下半年的风电爬坡事件的样本集均进行特征自适应选择，分别得到上半年、下半年的相关样本集。
步骤5：如图5所示，对相关样本集PTr*中每个样本
Figure BDA0002236997150000101
中有功功率数据构成的信号xs＝{P(ts-a),...,P(ts-2),P(ts-1),P(ts)}进行小波分解：
步骤5.1：初始化i＝0、分解总层数为I，令第0层的低频信号为
Figure BDA0002236997150000102
步骤5.2：令i＝i+1；
步骤5.3：对第i-1层的低频信号
Figure BDA0002236997150000103
进行分解，得到第i层的低频信号为
Figure BDA0002236997150000104
高频信号为
Figure BDA0002236997150000105
其中，L、H分别为低通滤波器、高通滤波器，
Figure BDA0002236997150000106
Figure BDA0002236997150000107
分别为信号
Figure BDA0002236997150000108
在ts时刻的信号值；
步骤5.4：若i＜I，则返回步骤5.2；若i≥I，则留存每一层分解得到的高频信号
Figure BDA0002236997150000109
及最后一层分解得到的低频信号
Figure BDA00022369971500001010
本实施例中，I＝3，对上半年、下半年的相关样本集中每个样本中有功功率数据构成的信号均进行小波分解，均留存相关样本集中每个样本的每一层分解得到的高频信号
Figure BDA00022369971500001011
及最后一层分解得到的低频信号
Figure BDA00022369971500001012
其中，对上半年的相关样本集中每个样本中有功功率数据构成的信号进行小波分解的结果如图6所示。
步骤6：将相关样本集PTr*中每个样本
Figure BDA00022369971500001013
分解得到的信号
Figure BDA00022369971500001014
Figure BDA00022369971500001015
与温度数据{T(ts-a),...,T(ts-2),T(ts-1),T(ts)}、类别标签数据r(ts)进行组合，得到ts时刻分解后的样本为
Figure BDA00022369971500001016
形成分解后的风电爬坡事件的样本集为
Figure BDA00022369971500001017
本实施例中，将相关样本集PTr*中每个样本
Figure BDA00022369971500001018
分解得到的信号
Figure BDA00022369971500001019
Figure BDA00022369971500001020
与温度数据{T(ts-15),...,T(ts-2),T(ts-1),T(ts)}、类别标签数据r(ts)进行组合，得到ts时刻分解后的样本为
Figure BDA00022369971500001021
对上半年、下半年的相关样本集均进行上述数据重组，分别得到上半年、下半年的分解后的风电爬坡事件的样本集。
步骤7：以样本集DATA中除类别标签之外的变量为输入、类别标签为输出，构建基于DNN的风电爬坡事件第二预测模型，利用样本集DATA对基于DNN的风电爬坡事件第二预测模型进行训练。
其中，本领域技术人员能够直接、毫无疑义地确定，利用样本集DATA对基于DNN的风电爬坡事件第二预测模型进行训练，即为将样本集DATA中的每一个样本中除类别标签之外的数据构成的列向量作为第二预测模型的输入、对应的类别标签作为第二预测模型的输出，来训练第二预测模型。本实施例中，基于DNN的风电爬坡事件第二预测模型中，采用sigmoid激活函数。在模型的训练过程中，使每层神经元充分训练且堆叠达到DNN的最大层数，然后通过BP反向进行有监督学习来优化整个网络参数。
如图7所示，为本发明的基于特征自适应选择和WDNN的风电爬坡事件预测方法与基于特征自适应选择和DNN的风电爬坡事件预测方法的预测结果对比图。其中，本实施例中，分别利用上半年、下半年的进行小波分解后重组得到的风电爬坡事件的样本集构建并训练上半年、下半年的基于DNN的风电爬坡事件第二预测模型。从上半年、下半年的分解后的风电爬坡事件的样本集中分别选取后600个样本构建上半年、下半年的测试集，将上半年、下半年的测试集分别输入训练后的上半年、下半年的基于DNN的风电爬坡事件第二预测模型，将得到的预测结果与实际值进行比较，计算预测的正确率为
Figure BDA0002236997150000111
漏报率为
Figure BDA0002236997150000112
误报率为
Figure BDA0002236997150000113
错报率为
Figure BDA0002236997150000114
其中，NT为测试集中的样本总数，N1为爬坡事件发生且被预测到的次数，N2为爬坡事件发生但未被预测到的次数，N3为爬坡事件未发生但预测到发生的次数，N4为上、下爬坡事件被预测相反的次数。此外，在步骤4中，还分别利用上半年、下半年的相关样本集构建并训练上半年、下半年的基于DNN的风电爬坡事件第一预测模型，并从上半年、下半年的相关样本集中分别选取后600个样本构建上半年、下半年的测试集对训练后的上半年、下半年的基于DNN的风电爬坡事件第一预测模型进行测试，计算未进行小波分解的方法下预测的正确率、漏报率、误报率及错报率。从图7中的结果可以看出，本发明的进行特征自适应选择后又对功率数据进行小波分解的方法，相对于进行特征自适应选择后不对功率数据进行小波分解的方法，其预测结果正确率明显提高，漏报率和误报率均有所下降。
步骤8：实时从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L2内的风机有功功率和空气温度的原始数据，构成时间L2内的风机运行原始数据集，对时间L2内的风机运行原始数据集进行步骤2至步骤6中相同的处理，得到分解后的风电爬坡事件的样本集DATA'，将样本集DATA'中每个样本的除类别标签之外的数据输入训练后的基于DNN的风电爬坡事件第二预测模型中，输出样本集DATA'中每个样本里最大时刻的风电爬坡事件的类别标签；其中，
Figure BDA0002236997150000121
此外，本实施例中，还构建了基于其他方法如BPNN、LSTM、LSSVM、MLP的风电爬坡事件预测模型，得到各个方法的上半年和下半年的预测正确率、漏报率、误报率、错报率如下表1所示。
表1
Figure BDA0002236997150000122
由表1可以看出，本发明构建的基于DNN的风电爬坡事件预测模型能够更加准确地预测未来风电场的爬坡事件，且预测精确程度较高。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (5)

1.一种基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，包括下述步骤：
步骤1：从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L1内的风机有功功率和空气温度的原始数据，构成风机运行原始数据集PT0＝{(P(tn)0,T(tn)0)|n＝1,2,...,N}；其中，tn为第n个采样点对应的时间，N为采样点总数，tn+1-tn＝Δt，L1＝(N-1)Δt，P(tn)0为tn时刻风机有功功率的原始数据，T(tn)0为tn时刻空气温度的原始数据；
步骤2：对风机运行原始数据集PT0进行归一化处理，得到风机运行数据集为PT＝{(P(tn),T(tn))|n＝1,2,...,N}；其中，P(tn)、T(tn)分别为归一化处理后的风机有功功率数据、空气温度数据；
步骤3：计算tm时刻风电爬坡事件的爬坡率CR(tm)和类别标签r(tm)，构建风电爬坡事件的样本集为
Figure FDA0002236997140000011
其中，
Figure FDA0002236997140000012
为tm时刻风电爬坡事件的样本，l∈{1,2,...,L}，a、b、L均为预设的整数参数，
Figure FDA0002236997140000013
为tm时刻及tm时刻之前a个采样点的风机有功功率数据及空气温度数据构成的有功功率-温度数据集，
Figure FDA0002236997140000014
步骤4：基于特征自适应选择方法，从样本集PTr中选取与风电爬坡事件相关的样本构成相关样本集
Figure FDA0002236997140000015
其中，TIME为相关样本集PTr*中类别标签对应的时刻的集合；
步骤5：对相关样本集PTr*中每个样本
Figure FDA0002236997140000016
中有功功率数据构成的信号xs＝{P(ts-a),...,P(ts-2),P(ts-1),P(ts)}进行小波分解；
步骤5.1：初始化i＝0、分解总层数为I，令第0层的低频信号为
Figure FDA0002236997140000017
步骤5.2：令i＝i+1；
步骤5.3：对第i-1层的低频信号
Figure FDA0002236997140000018
进行分解，得到第i层的低频信号为
Figure FDA0002236997140000019
高频信号为
Figure FDA0002236997140000021
其中，L、H分别为低通滤波器、高通滤波器，
Figure FDA0002236997140000022
Figure FDA0002236997140000023
分别为信号
Figure FDA0002236997140000024
在ts时刻的信号值；
步骤5.4：若i＜I，则返回步骤5.2；若i≥I，则留存每一层分解得到的高频信号
Figure FDA0002236997140000025
及最后一层分解得到的低频信号
Figure FDA0002236997140000026
步骤6：将相关样本集PTr*中每个样本
Figure FDA0002236997140000027
分解得到的信号
Figure FDA0002236997140000028
Figure FDA0002236997140000029
与温度数据{T(ts-a),...,T(ts-2),T(ts-1),T(ts)}、类别标签数据r(ts)进行组合，得到ts时刻分解后的样本为
Figure FDA00022369971400000210
形成分解后的风电爬坡事件的样本集为
Figure FDA00022369971400000211
步骤7：以样本集DATA中除类别标签之外的变量为输入、类别标签为输出，构建基于DNN的风电爬坡事件第二预测模型，利用样本集DATA对基于DNN的风电爬坡事件第二预测模型进行训练；
步骤8：实时从风电场中的数据采集与监视控制系统中以采样周期Δt按时序提取时间L2内的风机有功功率和空气温度的原始数据，构成时间L2内的风机运行原始数据集，对时间L2内的风机运行原始数据集进行步骤2至步骤6中相同的处理，得到分解后的风电爬坡事件的样本集DATA'，将样本集DATA'中每个样本的除类别标签之外的数据输入训练后的基于DNN的风电爬坡事件第二预测模型中，输出样本集DATA'中每个样本里最大时刻的风电爬坡事件的类别标签；其中，
Figure FDA00022369971400000212
2.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤2中，归一化处理的方法为Min-max方法，
Figure FDA00022369971400000213
Figure FDA00022369971400000214
其中，Pmin＝0，Pmax＝110％×Pe，Pe为风机额定功率，Tmin、Tmax分别为风机所在地5年内的空气最低温度、空气最高温度。
3.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤3中，
计算tm时刻风电爬坡事件的爬坡率为
Figure FDA0002236997140000031
其中，c为预设的整数参数；
计算tm时刻风电爬坡事件的类别标签为
Figure FDA0002236997140000032
其中，r(tm)＝0代表tm时刻未发生爬坡事件，r(tm)＝1代表tm时刻发生上行爬坡事件，r(tm)＝-1代表tm时刻发生下行爬坡事件，PRR为预设的爬坡率阈值。
4.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤4包括下述步骤：
步骤4.1：初始化相关样本集PTr*为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；
步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；
步骤4.3：计算每个样本中有功功率-温度数据集
Figure FDA0002236997140000034
与类别标签之间的Pearson相关性，将样本集PTr中的样本按照Pearson相关性由大到小进行排序，得到排序后的样本集PTr'；
步骤4.4：添加样本集PTr'中的第G个样本到相关样本集PTr*中、第G个样本中类别标签对应的时刻到时间集合TIME中，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率-温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为
Figure FDA0002236997140000033
其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；
步骤4.5：令G＝G+1，执行步骤4.4；
步骤4.6：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入步骤4.7；若不减小，则从相关样本集PTr*中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.7；
步骤4.7：若G<Gmax，则返回步骤4.5；若G≥Gmax则输出相关样本集
Figure FDA0002236997140000041
5.根据权利要求1所述的基于特征自适应选择和WDNN的风电爬坡事件预测方法，其特征在于，所述步骤4包括下述步骤：
步骤4.1：初始化相关样本集PTr*为空集、时间集合TIME为空集、迭代次数G＝1、最大迭代次数为Gmax，将样本集PTr中类别标签对应的时刻在时间窗口B内的样本组成测试样本集；
步骤4.2：以当前时刻及当前时刻之前a个采样点的风机有功功率及空气温度为输入、当前时刻的类别标签为输出，构建基于DNN的风电爬坡事件第一预测模型；
步骤4.3：从样本集PTr中随机选取一个未被选取过的样本添加到相关样本集PTr*中、添加该样本对应的时刻到时间集合TIME中，利用相关样本集PTr*对基于DNN的风电爬坡事件第一预测模型进行训练，将测试样本集中每个样本的有功功率-温度数据集输入训练后的基于DNN的风电爬坡事件第一预测模型，得到第G次迭代的预测标签，将预测标签与实际标签进行比较，计算第G次迭代的误差率为
Figure FDA0002236997140000042
其中，NG为第G次迭代的预测标签中预测错误的个数，NB为测试样本集中的样本总数；
步骤4.4：令G＝G+1，执行步骤4.3；
步骤4.5：判断本次迭代的误差率相对于上次迭代的误差率是否减小：若减小，则进入步骤4.6；若不减小，则从相关样本集PTr*中去掉本次迭代添加的样本、从时间集合TIME中去掉本次迭代添加的样本中类别标签对应的时刻，进入步骤4.6；
步骤4.6：若G<Gmax，则返回步骤4.4；若G≥Gmax则输出相关样本集
Figure FDA0002236997140000051
CN201910986952.8A 2019-10-17 2019-10-17 基于特征自适应选择和wdnn的风电爬坡事件预测方法 Active CN110766215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910986952.8A CN110766215B (zh) 2019-10-17 2019-10-17 基于特征自适应选择和wdnn的风电爬坡事件预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910986952.8A CN110766215B (zh) 2019-10-17 2019-10-17 基于特征自适应选择和wdnn的风电爬坡事件预测方法

Publications (2)

Publication Number Publication Date
CN110766215A CN110766215A (zh) 2020-02-07
CN110766215B true CN110766215B (zh) 2022-04-01

Family

ID=69332073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910986952.8A Active CN110766215B (zh) 2019-10-17 2019-10-17 基于特征自适应选择和wdnn的风电爬坡事件预测方法

Country Status (1)

Country Link
CN (1) CN110766215B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111952969B (zh) * 2020-08-14 2022-06-10 哈尔滨工业大学 结合广义源-网-荷信息的风电爬坡事件直接预报方法
CN114254805A (zh) * 2021-11-22 2022-03-29 华北电力大学 爬坡事件的时间窗口识别方法、装置、设备及存储介质
CN116662638B (zh) * 2022-09-06 2024-04-12 荣耀终端有限公司 数据采集方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203391889U (zh) * 2013-07-19 2014-01-15 崔相如 一种自适应风电塔外廓的机械装置
CN105207253A (zh) * 2015-09-15 2015-12-30 重庆大学 考虑风电及频率不确定性的agc随机动态优化调度方法
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
CN109002593A (zh) * 2018-06-27 2018-12-14 华北电力大学 适于沙尘暴异常天气情况下的光伏系统出力仿真计算方法
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203391889U (zh) * 2013-07-19 2014-01-15 崔相如 一种自适应风电塔外廓的机械装置
CN105207253A (zh) * 2015-09-15 2015-12-30 重庆大学 考虑风电及频率不确定性的agc随机动态优化调度方法
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
CN109002593A (zh) * 2018-06-27 2018-12-14 华北电力大学 适于沙尘暴异常天气情况下的光伏系统出力仿真计算方法
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ASTFA-ELM的风电功率爬坡预测;黄麒元等;《电器与能效管理技术》;20170215(第03期);60-65 *
基于前置分解组合预测方法的风电功率爬坡预测研究;黄麒元等;《可再生能源》;20161220(第12期);113-118 *

Also Published As

Publication number Publication date
CN110766215A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110766215B (zh) 基于特征自适应选择和wdnn的风电爬坡事件预测方法
CN109711609B (zh) 基于小波变换和极限学习机的光伏电站输出功率预测方法
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
CN110941928A (zh) 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法
CN106933778A (zh) 一种基于爬坡事件特征识别的风电功率组合预测方法
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN110378286B (zh) 一种基于dbn-elm的电能质量扰动信号分类方法
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN114548586B (zh) 一种基于混合模型的短期电力负荷预测方法及系统
CN112580874A (zh) 一种基于随机森林算法和tcn的短期风电功率预测方法
CN114037143A (zh) 一种短期风电功率组合预测方法
Rehman et al. Low complexity non-intrusive load disaggregation of air conditioning unit and electric vehicle charging
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
CN113962433A (zh) 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN110222840B (zh) 一种基于注意力机制的集群资源预测方法和装置
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN104834816A (zh) 一种短期风速预测方法
CN117689082A (zh) 一种短期风电功率概率预测方法、系统及存储介质
CN116384574A (zh) 一种基于w-lstm的非参数负荷区间预测方法
CN116664098A (zh) 一种光伏电站的异常检测方法及系统
CN114034966A (zh) 一种基于支持向量机的输电线路故障识别方法和装置

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