CN111414354A - 一种风电场数据的处理方法、装置及计算机可读存储介质 - Google Patents
一种风电场数据的处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111414354A CN111414354A CN202010170990.9A CN202010170990A CN111414354A CN 111414354 A CN111414354 A CN 111414354A CN 202010170990 A CN202010170990 A CN 202010170990A CN 111414354 A CN111414354 A CN 111414354A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- wind
- wind speed
- speed 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title description 4
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 9
- 238000012937 correction Methods 0.000 description 11
- 238000005065 mining Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 210000000003 hoof Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场数据的处理方法、装置及计算机可读存储介质。该方法包括：获取风电场数据，风电场数据包括风电功率数据和风速数据；识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据；基于小波分析，对风电功率数据进行降噪处理；对风速数据进行修正。本发明提供的方案能够对风电场数据进行处理，以提高对风电功率研究的准确性。
Description
技术领域
本发明实施例涉及可再生能源应用领域，尤其涉及一种风电场数据的处理方法、装置及计算机可读存储介质。
背景技术
随着电力大数据时代的到来，电力大数据在应用过程中存在着对行业内外能源数据、天气数据等多类型数据的大量关联分析需求，而多样化的数据极大地增加了电力数据的复杂度。
风电场数据是电力大数据的重要组成部分，从风电场收集到的大量数据中通常包含异常运行数据点，由于风电所固有的较强波动性和随机性，很难从时序变化特征上完全区分正常数据和异常数据。因此，如何对消除异常数据对风电功率波动特性、风电功率预测、风电功率曲线的计算等方面研究带来的负面影响，成为了当前需要解决的问题。
发明内容
本发明实施例提供了一种风电场数据的处理方法、装置及计算机可读存储介质，能够对风电场数据进行处理，以提高对风电功率研究的准确性。
第一方面，本发明实施例提供了一种风电场数据的处理方法，包括：
获取风电场数据，风电场数据包括风电功率数据和风速数据；
识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据；
基于小波分析，对风电功率数据进行降噪处理；
对风速数据进行修正。
可选的，无效风电功率数据包括无法识别的功率数据、功率为负值的数据和功率大于额定出力值的数据；无效风速数据为无效风电功率数据对应的风速数据。
可选的，基于小波分析，对风电功率数据进行降噪处理，包括：
利用多尺度一维离散小波分解和重构，将风电功率数据变换为n层逼近分量和n层细节分量，n为大于或者等于2的整数；
利用小波分析法，对包含噪声的细节分量进行降噪处理。
可选的，对风速数据进行修正，包括：
获取风速数据的相似集，相似集为与风速数据相似的历史风速数据；
利用相似集，对风速数据进行修正。
可选的，在获取风速数据的相似集前，还包括：
利用高斯过滤器，将风速数据分解为至少两个波段；
利用关联分析算法，得到每个波段的多维关联关系，多维关联关系为相对高度、相对长度与预报误差之间的关系；
确认多维关联关系满足强关联规则。
可选的，在所有历史风速数据中，相似集与风速数据之间的距离最短。
第二方面，本发明实施例还提供了一种风电场数据的处理装置，包括：获取模块和处理模块；
获取模块，用于获取风电场数据，风电场数据包括风电功率数据和风速数据；
处理模块，用于识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据；基于小波分析，对风电功率数据进行降噪处理；以及对风速数据进行修正。
可选的，处理模块，具体用于利用多尺度一维离散小波分解和重构，将风电功率数据变换为n层逼近分量和n层细节分量，n为大于或者等于2的整数；利用小波分析法，对包含噪声的细节分量进行降噪处理。
可选的，处理模块，具体用于利用高斯过滤器，将风速数据分解为至少两个波段；利用关联分析算法，得到每个波段的多维关联关系，多维关联关系为相对高度、相对长度与预报误差之间的关系；确认多维关联关系满足强关联规则；获取风速数据的相似集，相似集为与风速数据相似的历史风速数据；利用相似集，对风速数据进行修正。
第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例的方法。
本发明实施例提供一种风电场数据的处理方法、装置及计算机可读存储介质，该方法包括：获取风电场数据，风电场数据包括风电功率数据和风速数据；识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据；基于小波分析，对风电功率数据进行降噪处理；对风速数据进行修正。通过剔除风电场数据中的无效数据，并对风电功率数据进行降噪处理、对风速数据进行修正，将原本非平稳、非线性的风电场数据尽可能地平稳化、规律化，以提高对风电功率波动特性、风电功率预测、风电功率曲线的计算等方面研究的准确性。
附图说明
图1是一实施例提供的一种风电场数据的处理方法的流程示意图；
图2是一实施例提供的另一种风电场数据的处理方法的流程示意图；
图3是一实施例提供的一种风电场数据的处理装置的结构示意图；
图4是一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
随着电力大数据时代的到来，电力大数据在应用过程中存在着对行业内外能源数据、天气数据等多类型数据的大量关联分析需求，而多样化的数据极大地增加了电力数据的复杂度。在电力生产环节，风光储等新能源的大量接入，打破了传统相对“静态”的电力生产，使得电力生产的计量和管理变得日趋复杂。
当前，风力发电是可再生能源开发利用中技术最成熟、最具开发规模和商业化发展前景的发电形式。随着风力发电技术的不断发展，由于风电功率所呈现的随机性、波动性和间歇性，风电大规模并网对电力系统的影响也越来越明显，研究风电对系统的影响并在此基础上提出相关技术解决措施已成为当前的研究热点和重要课题。风电场数据是电力大数据的重要组成部分，是研究风电功率波动特性、风电功率预测、风电功率对电网影响评估及控制策略、风电功率曲线的计算、测试以及修正的基础，因此，对风电场数据的记录就尤为重要。
然而，从风电场收集到的大量数据中通常包含异常数据点，这样的异常点表现出数据缺失、越限、功率波动梯度过大等特征。由于风电所固有的较强波动性和随机性，很难从时序变化特征上完全区分正常数据和异常数据。因此，如何对消除异常数据对风电功率波动特性、风电功率预测、风电功率曲线的计算等方面研究带来的负面影响，成为了当前需要解决的问题。
为解决上述问题，本发明实施例提供一种风电场数据的处理方法、装置及计算机可读存储介质，通过剔除风电场数据中的无效数据，并对风电功率数据进行降噪处理、对风速数据进行修正，将原本非平稳、非线性的风电场数据尽可能地平稳化、规律化，以提高对风电功率波动特性、风电功率预测、风电功率曲线的计算等方面研究的准确性。
需要说明的是，本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。本发明实施例中用“第一”、“第二”等来描述各种组件，但是这些组件不应该受这些术语限制。这些术语仅用来将一个组件与另一组件区分开。
下面，对风电场数据的处理方法、装置及其技术效果进行描述。
图1为一实施例提供的一种风电场数据的处理方法的流程示意图，如图1所示，本实施例提供的方法适用于电子设备(如计算机等)，该方法包括如下步骤。
S101、获取风电场数据，风电场数据包括风电功率数据和风速数据。
对于风力发电运营管理方，通过实测风速数据和风电功率数据得到的功率曲线是衡量风电机组和风电场经济技术水平的最佳标尺，可以用于评估风机和风电场的性能和运行状况、预测风机和风电场的年发电量等；对于预测服务商，历史实测风速数据和风电功率数据作为预测系统的基础输入数据，对预测精度有显著影响。
具体的，风电场数据可以从各个风电场收集获取。
S102、识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据。
然而，从风电场收集到的大量数据中通常包含无效数据(也称为异常数据点或者异常点)，无效数据通常会表现出数据缺失、越限、功率波动梯度过大等特征。通过对风电场的运行经验和统计结果的分析，无效数据的主要来源包括以下四点：
(1)环境因素，例如风机叶片受污垢、故障和冰的影响会对单个风机的功率曲线造成误差，形成无效数据体现在风电场功率曲线上；
(2)维修或弃风限电造成的风电场停机；
(3)控制系统问题，例如控制参数不能通用于不同风况(具体归因于传感器故障，叶面角误差，叶片损坏，控制程序问题，控制器的错误设置，约束运行等)；
(4)由表计测量误差导致的异常观测，例如风电出力首先通过功率表记录，然后传送到风电场数据采集与监视控制(Supervisory Control And Data Acquisition，SCADA)系统，风速通过测风塔风速计记录，记录环节可能产生误差。
因此，有必要基于数据挖掘知识，采用自动化的数学模型对风电场数据中的无效数据进行识别和剔除。
在一实施例中，无效风电功率数据包括无法识别的功率数据、功率为负值的数据和功率大于额定出力值的数据；无效风速数据为无效风电功率数据对应的风速数据。
具体的，无法识别的功率数据是指功率为“NAN”的数据；功率为负值的数据分为在[vci,vco]区间范围内功率小于等于0的数据，以及在[0,vci]区间范围内功率小于等于0的数据。其中，vci为风电场的切入风速，vco为风电场的切出风速。在[vci,vco]区间范围内功率小于等于0的数据主要是由于弃风限电造成的堆积型无效数据，在[0,vci]区间范围内功率小于等于0的数据主要是由于当实际风速v小于切入风速vci时，风电场的理论输出功率恒等于0，将在[0,vci]区间范围内功率小于等于0的数据去除有利于后续利用四分位算法对其余无效数据的处理。
S103、基于小波分析，对风电功率数据进行降噪处理。
风电功率数据通常以序列的方式存在，可以看作由规律性成分和随机性成分两大部分组合而成。规律性成分主要处于低频段，反映了风电功率序列的变化规律；而随机性成分主要分布于高频段，是由许许多多不确定性因素引起的不规则波动。由于风电场受多种不确定性因素的影响，干扰繁多，风电功率信号特征非常不规则，包含丰富的多频段信息与噪声，通过增大消失矩(dbn小波函数中的n称为此小波函数的消失矩)并不能达到一次性滤掉噪声的目的，而且可能导致有效信息的流失。虽然一般风电功率预测是以全功率进行预测的，但是从风电功率的非线性非平稳特性出发来考虑，将风电功率序列进行信号预处理使得高、低频分量分解开来然后分别建模预测是非常可行和必要的。
图2为一实施例提供的另一种风电场数据的处理方法的流程示意图，如图2所示，步骤S103具体可以包括步骤S103a和S103b。
S103a、利用多尺度一维离散小波分解和重构，将风电功率数据变换为n层逼近分量和n层细节分量，n为大于或者等于2的整数。
S103b、利用小波分析法，对包含噪声的细节分量进行降噪处理。
首先，利用多尺度一维离散小波分解和重构，将风电功率数据p(t)(t＝l,2,3,...,n)变换为n层逼近分量ak(t＝l,2,3,...,n)和n层细节分量dk(t＝l,2,3,...,n)。随后再次应用小波分析法，对包含较多噪声信号的细节分量进行降噪处理。如此，即可实现非平稳风电功率序列到较平稳功率子序列的转化。
示例性的，可以选择db系列小波函数db5，对风电功率数据P作分解尺度为3的小波分解和单支重构，得到规律性部分(即逼近分量)和随机性部分(即细节分量)。为有效去除风电功率序列中夹杂的高频噪声并且尽可能的不丢失有用信号，下面再次利用小波分析对分解后的部分细节分量进行降噪处理。其降噪处理可以分为以下三个步骤：
步骤1、分别选择db系列小波函数dbl和db3对细节分量D1作2尺度、3尺度小波分解变换，得到相应的低频小波系数和高频小波系数；
步骤2、选择两序列经小波分解所得的细节分量的低频部分和逼近分量，忽略细节信号的高频部分；
步骤3、对蹄选后的小波系数作逆变换，重构恢复原始信号的估计值，得到去噪后的序列。
S104、对风速数据进行修正。
风速数据是风电场的关键基础数据之一，在风电场的选场、设计、运营中发挥着重要的作用。在实际工作中，由于传感器误差、故障等各种原因，几乎每个测风塔都会出现数据缺失和无效数据。必须对风速数据进行检验、插补和延长，才能得到一套完整的风电场风速数据。
继续参考图2，步骤S104具体可以包括步骤S104a-S104e。
S104a、利用高斯过滤器，将风速数据分解为至少两个波段。
S104b、利用关联分析算法，得到每个波段的多维关联关系，多维关联关系为相对高度、相对长度与预报误差之间的关系。
S104c、确认多维关联关系满足强关联规则。
频繁模式(Frequent pattern)是频繁地出现在数据集中的模式，挖掘搜索给定数据集中反复出现的关联或相关联系，这些模式可以用关联规则的形式表示。
规则的支持度(Support)和置信度(Confidence)是度量所发现关联规则有用性和确定性的测度，如果关联规则同时满足最小支持度阈值和最小置信度阈值，则此关联规则是强关联规则。
设I＝{I1，I2，……，Im}是项的集合。设任务相关的数据D是数据库事务的集合，其中每个事务T是项的集合，使得
设A、B是两个项集，事务T包含A当且仅当
关联规则是形如
的蕴涵式，其中
并且
规则
在事务集D中成立，具有支持度
即D中事务包含A∪B的百分比。规则
在事务集D中具有置信度
即事务集D中包含A的事务同时也包含B的百分比。支持度和置信度的定义如下：
(1)支持度：关联规则
支持度是指D中包括A∪B(即同时包含A和B的事务百分比)，即：
(2)置信度：关联规则置信度是指包含A和B的事务数与B事务数的百分比，即：
一般来说，关联规则的挖掘过程分为两步：第一步是识别所有的频繁项集，即支持度不小于预定义的最小支持度的项集；第二步是从频繁项集中构造其置信度不低于预定义的最小置信度的规则。
本发明实施例在关联规则挖掘过程中，采用Apriori算法对各风速序列过滤后波段的相对长度(L)、相对高度(H)和相对误差(E)之间的关系进行分类挖掘。相对长度是指波段的长度与全序列长度的比值；相对高度是指波段内最大值与最小值差的绝对值与全序列中最大值与最小值差的绝对值的比值；相对误差指波段内各原始风速预报值与观测值之间的相对误差。即L、H和E分别是项集I中的三个项目。
Apriori算法是一种经典的关联规则频繁项集挖掘算法，是在大型数据库中挖掘关联规则的有效工具。Apriori性质基于频繁项集的所有非空子集也必须是频繁的反单调性。使用逐层搜索的迭代方法，k项集用于探索(k+1)项集。通过扫描数据库，累积每个项的计数，并收集满足最小支持度的项，首先找出频繁1项集的集合，该集合记作M1。然后，M1用于找频繁2项集的集合M2，M2用于找M3，如此下去，直到不能再找到频繁k项集。找每个Mk需要一次数据库全扫描。如上，Apriori算法分为连接和剪枝两步。在连接部分，Mk-1与Mk连接产生可能的候选频繁项集；剪枝部分利用Apriori性质(即反单调性)删除具有非频繁子集的候选。值得注意的是，对于多层多维的结构，通过构造数据立方体对维间关联规则进行挖掘。本发明实施例首先通过L和H构造与E对应的候选频繁项集，再删除候选项集中不满足支持度和置信度的项集，构造出L、H和E三项指标之间的强关联规则。
本发明实施例通过挖掘过滤后各波段的L、H和E三项指标之间的关联规则，采用与相对误差指标具有强关联关系，即支持度、置信度较高的关联规则采用历史相似误差对风速序列进行订正。在进行关联规则分析之前，对各项指标进行分类是挖掘关联规则的基础，将对构造出的强关联规则产生一定影响，从而影响到模型的修正效果。示例性的，关联规则挖掘指标分类结果如表1所示。
表1
以上三种指标的分类结果分别将相对长度分成4类，相对高度分成3类，相对误差分成2类。其中相对长度和相对高度通过对其值排序得到，以最大值为上限，0值为下限，将其值分别均分为4类和3类。而相对误差是通过对各波段的相对误差百分比进行分类得到，对其误差较大的E8(-∞,10％]和E9[10％,+∞)进行频繁项集分析和关联规则挖掘。若待修正波段的L、H和E满足强关联规则，则对该波段所对应的原始预报风速序列采用相似误差订正方法进行修正。相似误差订正方法如下述步骤S104d和S104e。
S104d、获取风速数据的相似集，相似集为与风速数据相似的历史风速数据。
S104e、利用相似集，对风速数据进行修正。
如果定义并找到合适的相似集，这样的相似误差订正过程能够在预报误差剧烈变化的情况下有效订正。因此，该方法的重点是要定义一个合适的距离指标对历史预报与需要实时修正的当前预报的相似程度进行定量度量。即，与当前预报非常相似的历史预报也表现出相似的预测误差。距离指标定义如下：
其中，Ft是指t时刻需要实时修正的当前风速预报(单位m/s)；At’表示在同一地点t’时刻(早于待修正当前预报Ft的发布时间)的历史相似风速预报(单位m/s)；Nv和wi是指对距离度量产生影响物理量(如风速、风向、气压等)的个数以及其对应的权重；
是指计算度量距离值的时间窗的长度的二分之一；
是某个物理量过去预报时间序列的标准差。
对当前预报进行相似误差订正的结果是历史有效相似预报的加权平均，即：
其中，ANt是同一特定地点下时刻t的相似误差订正结果(单位m/s)，Na是历史相似预报的数量，{OAi，ti}i＝1，2，……，Na是在历史空间的距离指标度量得到的Na个最相似的历史预报所对应的测风塔风速观测值，ti是这些历史相似预报发布的时间(早于待修正当前预报的发布时间)。每个相似预报的权重γi由下式算得：
由此可知，通过每个相似历史风速预报距离的倒数之和进行标准化；即历史相似预报与需要实时修正的当前预报之间的距离越短，它们之间的相似程度越高，该历史相似预报集所对应的观测值在对当前预报进行实时修正时所占的权重越大。即在所有历史风速数据中，相似集与风速数据之间的距离最短。
本发明实施例提供一种风电场数据的处理方法，包括：获取风电场数据，风电场数据包括风电功率数据和风速数据；识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据；基于小波分析，对风电功率数据进行降噪处理；对风速数据进行修正。通过剔除风电场数据中的无效数据，并对风电功率数据进行降噪处理、对风速数据进行修正，将原本非平稳、非线性的风电场数据尽可能地平稳化、规律化，以提高对风电功率波动特性、风电功率预测、风电功率曲线的计算等方面研究的准确性。
图3为一实施例提供的一种风电场数据的处理装置的结构示意图，该装置可以设置于电子设备中，如图3所示，包括获取模块10和处理模块11；
获取模块10，用于获取风电场数据，风电场数据包括风电功率数据和风速数据；
处理模块11，用于识别并剔除风电场数据中的无效数据，无效数据包括无效风电功率数据和无效风速数据；基于小波分析，对风电功率数据进行降噪处理；以及对风速数据进行修正。
本实施例提供的风电场数据的处理装置为实现上述实施例的风电场数据的处理方法，本实施例提供的风电场数据的处理装置实现原理和技术效果与上述实施例类似，此处不再赘述。
可选的，无效风电功率数据包括无法识别的功率数据、功率为负值的数据和功率大于额定出力值的数据；无效风速数据为无效风电功率数据对应的风速数据。
可选的，处理模块11，具体用于利用多尺度一维离散小波分解和重构，将风电功率数据变换为n层逼近分量和n层细节分量，n为大于或者等于2的整数；利用小波分析法，对包含噪声的细节分量进行降噪处理。
可选的，处理模块11，具体用于获取风速数据的相似集，相似集为与风速数据相似的历史风速数据；利用相似集，对风速数据进行修正。
可选的，处理模块11，还用于在获取风速数据的相似集前，利用高斯过滤器，将风速数据分解为至少两个波段；利用关联分析算法，得到每个波段的多维关联关系，多维关联关系为相对高度、相对长度与预报误差之间的关系；确认多维关联关系满足强关联规则。
可选的，在所有历史风速数据中，相似集与风速数据之间的距离最短。
本发明实施例提供一种电子设备，包括：处理器，处理器用于在执行计算机程序时实现上述任一实施例的方法。图4为一实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器30、存储器31和通信接口32；电子设备中处理器30的数量可以是一个或多个，图4中以一个处理器30为例；电子设备中的处理器30、存储器31、通信接口32可以通过总线或其他方式连接，图4中以通过总线连接为例。总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器31作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本发明实施例中的方法对应的程序指令/模块。处理器30通过运行存储在存储器31中的软件程序、指令以及模块，从而执行电子设备的至少一种功能应用以及数据处理，即实现上述的方法。
存储器31可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器31可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器31可包括相对于处理器30远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信接口32可设置为数据的接收与发送。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如本发明任意实施例所提供的方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质包括(非穷举的列表)：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(electrically erasable,programmable Read-Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，数据信号中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或多种程序设计语言组合来编写用于执行本公开操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Ruby、Go，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(Local Area Network，LAN)或广域网(Wide Area Network，WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域内的技术人员应明白，术语用户终端涵盖任何适合类型的无线用户设备，例如移动电话、便携数据处理装置、便携网络浏览器或车载移动台。
一般来说，本发明的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本发明不限于此。
本发明的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
本发明附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(ROM)、随机访问存储器(RAM)、光存储器装置和系统(数码多功能光碟DVD或CD光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑器件(Field－Programmable Gate Array，FGPA)以及基于多核处理器架构的处理器。
Claims (10)
1.一种风电场数据的处理方法，其特征在于，包括：
获取风电场数据，所述风电场数据包括风电功率数据和风速数据；
识别并剔除所述风电场数据中的无效数据，所述无效数据包括无效风电功率数据和无效风速数据；
基于小波分析，对所述风电功率数据进行降噪处理；
对所述风速数据进行修正。
2.根据权利要求1所述的方法，其特征在于，所述无效风电功率数据包括无法识别的功率数据、功率为负值的数据和功率大于额定出力值的数据；所述无效风速数据为所述无效风电功率数据对应的风速数据。
3.根据权利要求1所述的方法，其特征在于，所述基于小波分析，对所述风电功率数据进行降噪处理，包括：
利用多尺度一维离散小波分解和重构，将所述风电功率数据变换为n层逼近分量和n层细节分量，n为大于或者等于2的整数；
利用小波分析法，对包含噪声的细节分量进行降噪处理。
4.根据权利要求1所述的方法，其特征在于，所述对所述风速数据进行修正，包括：
获取所述风速数据的相似集，所述相似集为与所述风速数据相似的历史风速数据；
利用所述相似集，对所述风速数据进行修正。
5.根据权利要求4所述的方法，其特征在于，在获取所述风速数据的相似集前，还包括：
利用高斯过滤器，将所述风速数据分解为至少两个波段；
利用关联分析算法，得到每个所述波段的多维关联关系，所述多维关联关系为相对高度、相对长度与预报误差之间的关系；
确认所述多维关联关系满足强关联规则。
6.根据权利要求4所述的方法，其特征在于，在所有历史风速数据中，所述相似集与所述风速数据之间的距离最短。
7.一种风电场数据的处理装置，其特征在于，包括：获取模块和处理模块；
所述获取模块，用于获取风电场数据，所述风电场数据包括风电功率数据和风速数据；
所述处理模块，用于识别并剔除所述风电场数据中的无效数据，所述无效数据包括无效风电功率数据和无效风速数据；基于小波分析，对所述风电功率数据进行降噪处理；以及对所述风速数据进行修正。
8.根据权利要求7所述的装置，其特征在于，
所述处理模块，具体用于利用多尺度一维离散小波分解和重构，将所述风电功率数据变换为n层逼近分量和n层细节分量，n为大于或者等于2的整数；利用小波分析法，对包含噪声的细节分量进行降噪处理。
9.根据权利要求7所述的装置，其特征在于，
所述处理模块，具体用于利用高斯过滤器，将所述风速数据分解为至少两个波段；利用关联分析算法，得到每个所述波段的多维关联关系，所述多维关联关系为相对高度、相对长度与预报误差之间的关系；确认所述多维关联关系满足强关联规则；获取所述风速数据的相似集，所述相似集为与所述风速数据相似的历史风速数据；利用所述相似集，对所述风速数据进行修正。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的风电场数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010170990.9A CN111414354A (zh) | 2020-03-12 | 2020-03-12 | 一种风电场数据的处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010170990.9A CN111414354A (zh) | 2020-03-12 | 2020-03-12 | 一种风电场数据的处理方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111414354A true CN111414354A (zh) | 2020-07-14 |
Family
ID=71491063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010170990.9A Pending CN111414354A (zh) | 2020-03-12 | 2020-03-12 | 一种风电场数据的处理方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111414354A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113884705A (zh) * | 2021-09-28 | 2022-01-04 | 上海电气风电集团股份有限公司 | 簇群风机风速计的监测方法及其系统及计算机可读存储介质 |
| CN115983663A (zh) * | 2022-11-04 | 2023-04-18 | 广西电网有限责任公司 | 基于新能源的发电分析方法及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447086A (zh) * | 2016-09-07 | 2017-02-22 | 中国农业大学 | 一种基于风电场数据预处理的风电功率组合预测方法 |
| 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 |
| CN107292446A (zh) * | 2017-07-03 | 2017-10-24 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
| CN110365053A (zh) * | 2019-08-09 | 2019-10-22 | 南京信息工程大学 | 基于延迟优化策略的短期风电功率预测方法 |
-
2020
- 2020-03-12 CN CN202010170990.9A patent/CN111414354A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447086A (zh) * | 2016-09-07 | 2017-02-22 | 中国农业大学 | 一种基于风电场数据预处理的风电功率组合预测方法 |
| 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 |
| CN107292446A (zh) * | 2017-07-03 | 2017-10-24 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
| CN110365053A (zh) * | 2019-08-09 | 2019-10-22 | 南京信息工程大学 | 基于延迟优化策略的短期风电功率预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113884705A (zh) * | 2021-09-28 | 2022-01-04 | 上海电气风电集团股份有限公司 | 簇群风机风速计的监测方法及其系统及计算机可读存储介质 |
| CN115983663A (zh) * | 2022-11-04 | 2023-04-18 | 广西电网有限责任公司 | 基于新能源的发电分析方法及相关设备 |
| CN115983663B (zh) * | 2022-11-04 | 2023-09-12 | 广西电网有限责任公司 | 基于新能源的发电分析方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| de la Hermosa González | Wind farm monitoring using Mahalanobis distance and fuzzy clustering | |
| CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
| CN111414354A (zh) | 一种风电场数据的处理方法、装置及计算机可读存储介质 | |
| CN111209934A (zh) | 风机故障预报警方法及系统 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN116388402B (zh) | 一种应用于变电设备的异常报警分析方法 | |
| Rehman et al. | Low complexity non-intrusive load disaggregation of air conditioning unit and electric vehicle charging | |
| Wang et al. | Short-term wind speed forecasting using variational mode decomposition and support vector regression | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN115827577A (zh) | 智能电表高频数据压缩与重构的云端协同自适应分治方法 | |
| CN115081795A (zh) | 多维场景下企业能耗异常成因分析方法及系统 | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
| CN112855458A (zh) | 一种风力发电机组的风速仪故障诊断方法、系统及介质 | |
| CN116203352A (zh) | 一种配电网的故障预警方法、装置、设备及介质 | |
| 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 | |
| CN111563543B (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
| CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
| Yu et al. | Research on risk identification of power theft in low-voltage distribution network based on machine learning hybrid algorithm | |
| CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
| Mascali et al. | Synthetic ground truth generation of an electricity consumption dataset | |
| WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
| CN117291479B (zh) | 一种基于upfc的设备画像生成方法和系统 | |
| CN113806495B (zh) | 一种离群机器检测方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |
|
| RJ01 | Rejection of invention patent application after publication |