CN111177114A - 一种基于arma模型的风电场出力数据修复方法 - Google Patents
一种基于arma模型的风电场出力数据修复方法 Download PDFInfo
- Publication number
- CN111177114A CN111177114A CN201911253750.9A CN201911253750A CN111177114A CN 111177114 A CN111177114 A CN 111177114A CN 201911253750 A CN201911253750 A CN 201911253750A CN 111177114 A CN111177114 A CN 111177114A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal data
- arma model
- wind power
- power plant
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 241001123248 Arma Species 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Wind Motors (AREA)
Abstract
本发明属于电力系统技术领域，涉及风电发电运行监测方法，具体涉及一种基于ARMA模型的风电场出力数据修复方法。本发明将异常数据分为局部异常型数据和连续异常型数据，对局部局部异常型数据利用标杆风机的多项式插值法修复，对连续异常型数据利用ARMA模型修复，修复相应数据，并以试验机组为基准，基于Cholesky分解得到其他机组出力数据。本发明有效的提升了风电场发电及运行数据的结构完备性。
Description
技术领域
本发明属于电力系统技术领域，涉及风电发电运行监测方法，具体涉及一种基于ARMA模型的风电场出力数据修复方法。
背景技术
当前数据修复的方法和工具有很多，比如数据处理软件，包括SAS、SPSS、S-PLUS、MICE等。数据修复方法包括多重插值法、马尔可夫链蒙特卡洛法、时间序列法、回归法(高斯迭代、牛顿迭代法)等。在这些数据修复方法中，多重插值算法适合处理一些多维非线性的缺失数据，需要做大量的工作来创建插补集并进行结果分析，无论是何种情况下的多重插补，其处理过程都是比较复杂的。时间序列法主要是从序列自相关的角度揭示时间序列的发展规律，目前已广泛应用于自然科学和社会科学的各个领域，适合利用现有数据估计预测未来数据。回归法可以进行非线性曲线拟合，非线性曲线拟合技术在图像处理、逆向工程以及测试数据的处理等领域中的应用越来越广泛。
目前国内外针对风电场出力数据修复的方法较少，也尚无对风电场出力数据有针对性的修复软件。在国内，仅有个别学者针对光伏数据进行了异常数据筛选的研究，然后采用SAS对数据进行修复和分析，数据修复方法对新能源出力数据修复仍不具有实际参考意义。
风电场的出力数据往往会出现数据缺失或者无效数据，如何在大量的数据中捕捉出力数据的特征，甄别无效数据，并利用插值法或利用时间序列预测的方法对出力数据进行修复是研究风电场出力相关性和进行生产模拟的基础，所以出力数据的修复方法是本专利解决的一大技术问题。
另外，如何排除无效数据的干扰，并对出力数据的数字特征进行捕捉，以及如何有效修复原本具有高随机性的出力数据也是本专利解决的另一技术问题。
发明内容
本发明提供了一种基于ARMA模型的风电场出力数据修复方法，本发明对局部局部异常型数据利用标杆风机的多项式插值法修复，对连续异常型数据利用ARMA模型修复，使得风电场发电及运行数据的结构完备。
为实现上述目的，本发明采用的技术方案如下所述：
一种基于ARMA模型的风电场出力数据修复方法，其特征在于，包括以下步骤：
步骤1、将风电场的出力数据从第一组到第K组依次筛选得到数据中的异常数据，并将数据分为局部异常型数据和连续异常型数据；
步骤2、对局部局部异常型数据利用标杆风机的多项式插值法修复，对连续异常型数据利用ARMA模型修复；
步骤3、判断所有异常数据组是否全部修复完成，确定修复完成后，在数据库中修复相应数据，输出修复报告；
步骤4、以上述机组为基准，基于Cholesky分解得到其他机组出力数据。
所述连续异常型数据修复方式包括以下步骤：
S1、利用异常数据前后的正常数据判断异常数据是否含有分段点；
S2、利用异常数据前后的数据估计ARMA模型参数；
S3、利用相应ARMA模型得到异常数据所对应的风速序列；
S4、得到各类型风机出力序列；
S5、计算得到风电场出力，作为修复数据。
所述步骤S1中，判断异常数据确定含有分段点后，判断分段点位置，并分别利用异常数据前后的正常数据估计两个ARMA模型参数。
本发明的有益效果为：本发明提升了风电场发电及运行数据的结构完备性，分析出了不同时空及类别数据源的相互关联影响及典型特征，通过基于ARMA模型的风电场出力数据修复方法，提升风电资源富集地区的发电数据质量和数据管理水平，为弃风评价以及风电消纳预警提供了数据分析基础.
附图说明
图1是风电场出力数据修复流程图；
图2是错误数据的分类图；
图3是标杆风机位置选取示意图。
具体实施方式
下面结合附图并通过具体的实施例进一步的说明本发明的技术方案：
实施例1
本专利所针对的风电场错误数据主要包含重复数据、缺失数据和不合理数据三种。如图1所示，重复数据是指某一时刻所对应多条不同的光伏电站出力数据记录；缺失数据是指某一时刻对应的不完备的新能源出力数据记录，此处“不完备”是指出力数据记录中存有的各数据项不足以由彼此之间的物理意义相互推导；不合理数据是指不符合物理实际的出力数据记录，如风电场出力数据变化趋势与风资源监测数据变化趋势不一致等。
如图2所示分类，依次查找和筛选三类异常数据：
①查找相同时间点对应多条数据出力的数据记录，这些数据记录为重复数据；
②查找数据修复时间窗口内无出力数据的时间点，这些时间点所对应的为缺失数据；
③筛选风电场出力数据中连续4个时间点以上数据相同的数据记录、出力数据大于开机容量的数据记录、出力数据变化趋势与风资源监测数据变化趋势不一致的数据记录，这些数据记录为不合理数据。
在筛选不合理数据时，考虑数据纪录的精度和误差。当开机容量为Pon时，可以将风电场出力数据在[-αPon,(1+α)Pon]区间时判定为未超出风电场装机容量，α可根据数据质量选择0.03～0.1的数值。
局部异常型数据和连续异常型数据的性质不同，前者所对应的时间间隔较短，气象数据在此时间间隔内的变化并不明显，此时影响新能源出力的主要因素为局部区域的特性，不需要利用气象数据进行修复。所以，本专利对于局部异常型数据和连续异常型数据采用不同的修复方法。对于局部异常型数据，直接利用图3所示的基于标杆风机的多项式插值法进行修复；对于连续型异常数据，风电采用图1所述流程进行修复。
ARMA模型是一类常用的随机时间序列预测模型，是一种精度较高的时间序列短期预测方法，它的基本思想是：某些时间序列是依赖于时间t的一族随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定规律性，可用数学模型近似描述。
基于上述思想，对于风电场出力数据修复方法，包括以下步骤：
步骤1、将风电场的出力数据从第一组到第K组依次筛选得到数据中的异常数据，并将数据分为局部异常型数据和连续异常型数据。判断异常数据确定含有分段点后，判断分段点位置，并分别利用异常数据前后的正常数据估计两个ARMA模型参数。
步骤2、对局部局部异常型数据利用标杆风机的多项式插值法修复，对连续异常型数据利用ARMA模型修复；
步骤3、判断所有异常数据组是否全部修复完成，确定修复完成后，在数据库中修复相应数据，输出修复报告；
步骤4、以上述机组为基准，基于Cholesky分解得到其他机组出力数据。
连续异常型数据修复方式包括以下步骤：
步骤1、利用异常数据前后的正常数据判断异常数据是否含有分段点。
步骤2、利用异常数据前后的数据估计ARMA模型参数。
步骤3、利用相应ARMA模型得到异常数据所对应的风速序列。
步骤4、得到各类型风机出力序列。
步骤5、计算得到风电场出力，作为修复数据。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于ARMA模型的风电场出力数据修复方法，其特征在于，包括以下步骤：
步骤1、将风电场的出力数据从第一组到第K组依次筛选得到数据中的异常数据，并将数据分为局部异常型数据和连续异常型数据；
步骤2、对局部局部异常型数据利用标杆风机的多项式插值法修复，对连续异常型数据利用ARMA模型修复；
步骤3、判断所有异常数据组是否全部修复完成，确定修复完成后，在数据库中修复相应数据，输出修复报告；
步骤4、以上述机组为基准，基于Cholesky分解得到其他机组出力数据。
2.根据权利要求1所述的一种基于ARMA模型的风电场出力数据修复方法，其特征在于：所述连续异常型数据修复方式包括以下步骤：
S1、利用异常数据前后的正常数据判断异常数据是否含有分段点；
S2、利用异常数据前后的数据估计ARMA模型参数；
S3、利用相应ARMA模型得到异常数据所对应的风速序列；
S4、得到各类型风机出力序列；
S5、计算得到风电场出力，作为修复数据。
3.根据权利要求2所述的一种基于ARMA模型的风电场出力数据修复方法，其特征在于：所述步骤S1中，判断异常数据确定含有分段点后，判断分段点位置，并分别利用异常数据前后的正常数据估计两个ARMA模型参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911253750.9A CN111177114A (zh) | 2019-12-09 | 2019-12-09 | 一种基于arma模型的风电场出力数据修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911253750.9A CN111177114A (zh) | 2019-12-09 | 2019-12-09 | 一种基于arma模型的风电场出力数据修复方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111177114A true CN111177114A (zh) | 2020-05-19 |
Family
ID=70650307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911253750.9A Pending CN111177114A (zh) | 2019-12-09 | 2019-12-09 | 一种基于arma模型的风电场出力数据修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111177114A (zh) |
-
2019
- 2019-12-09 CN CN201911253750.9A patent/CN111177114A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
| CN106548256B (zh) | 一种风电场时空动态相关性建模的方法和系统 | |
| CN102663232A (zh) | 一种面向用户能效评估的多维仿真分析系统及其方法 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| Yang et al. | Monitoring data factorization of high renewable energy penetrated grids for probabilistic static voltage stability assessment | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN115587489A (zh) | 制氢模型的确定方法及装置、非易失性存储介质、处理器 | |
| CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| CN111177127A (zh) | 一种基于bp神经网络的光伏电站出力数据修复方法 | |
| CN104933469A (zh) | 一种基于灰色生成扰动模型的短期风速预测方法 | |
| CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
| CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
| CN105426991A (zh) | 一种变压器缺陷率预测的方法和系统 | |
| CN110707703B (zh) | 基于改进Nataf变换的含高维相关不确定源的概率潮流高效计算方法 | |
| CN111177114A (zh) | 一种基于arma模型的风电场出力数据修复方法 | |
| CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
| Wang et al. | Probabilistic production simulation of a power system with wind power penetration based on improved UGF techniques | |
| Yang et al. | Correlation dimension based stability analysis for cyber-physical systems | |
| CN114017049A (zh) | 一种基于Multi-Agent理论的盾构掘进装备核心部件协同设计制造方法 | |
| CN114091243A (zh) | 一种产品概念设计可靠性的预测方法及系统 | |
| CN108959719B (zh) | 交直流混合的分布式可再生能源系统测试场景模拟方法 | |
| CN111709602A (zh) | 一种泛在电力物联网系统中可靠性的评价方法 | |
| CN111797564A (zh) | 一种高维分布式光伏出力的相关性样本获取方法及系统 |
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 |