CN113469467B - 基于带通滤波的风电超短期预测方法及装置 - Google Patents

基于带通滤波的风电超短期预测方法及装置 Download PDF

Info

Publication number
CN113469467B
CN113469467B CN202111023236.3A CN202111023236A CN113469467B CN 113469467 B CN113469467 B CN 113469467B CN 202111023236 A CN202111023236 A CN 202111023236A CN 113469467 B CN113469467 B CN 113469467B
Authority
CN
China
Prior art keywords
data
prediction
power
time
ultra
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
CN202111023236.3A
Other languages
English (en)
Other versions
CN113469467A (zh
Inventor
向婕
王彩云
杨弃
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.)
Sprixin Technology Co ltd
Original Assignee
Sprixin Technology Co ltd
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 Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN202111023236.3A priority Critical patent/CN113469467B/zh
Publication of CN113469467A publication Critical patent/CN113469467A/zh
Application granted granted Critical
Publication of CN113469467B publication Critical patent/CN113469467B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
    • H03H17/0213—Frequency domain filters using Fourier transforms

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Discrete Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于带通滤波的风电超短期预测方法，获取风电站的历史实发数据并进行数据清洗；将清洗后的实发数据代入带通滤波器，对输出数据进行随机性检验，对预测数据进行特征提取，将特征提取后的预测数据和经过滤波的实发数据代入常用超短期预测模型，在t时刻预测n时刻后的功率时，使用t时刻的低频部分实发和经过特征处理的短期预测数据作为模型输入，模型输出结果加上t时刻高频部分实发功率，作为t时刻对n时刻后的超短期功率预测值，t+n时刻实发功率验证模型精度。本发明解决了风向快速变化时功率大幅度无规则波动问题，减少随机波动对训练超短期功率预测模型的不良影响，提高预测精度。

Description

基于带通滤波的风电超短期预测方法及装置
技术领域
本发明属于新能源风力发电领域，特别是涉及到一种基于带通滤波的风电超短期预测方法及装置。
背景技术
当前风电超短期主流预测方法包括基于时间序列的预测、基于机器学习算法的回归或概率预测和基于卡尔曼滤波器的预测，基于时间序列的预测当前的问题是需要解决风电实发功率的不稳定性问题，当前较好的方法为实时自学习实发功率的差分阶数；基于机器学习的预测当前效果较好，但是依赖于短期气象预测准确率；基于卡尔曼滤波器的预测方法主要适用于1小时以内的超短期预测有较好表现，当预测时长变长后会出现大幅波动的问题。
上述方法中基于时间序列的预测主要问题是虽然使用自学习方法可以解决部分时间的稳定性阶数确定问题，但是大部分时间实发功率是随机变量，很难通过时间序列分析寻找变化规律；另外当风向快速变化时，风机会暂时停机调整方向，导致风速快速变化时实发功率会产生较大波动，而这种波动无法通过气象预测反映出来，所以通常出现该情况时会影响超短期预测精度。
发明内容
本发明提出一种基于带通滤波的风电超短期预测方法及装置，减少随机波动对训练超短期功率预测模型的不良影响，提高预测精度。
为达到上述目的，本发明的技术方案是这样实现的：
基于带通滤波的风电超短期预测方法，包括：
S1、获取风电站的历史实发数据并进行数据清洗；
S2、将清洗后的实发数据代入带通滤波器，对输出数据进行随机性检验，当高频部分随机性大于设定阈值，低频部分随机性小于设定阈值时，记录该频率作为超短期功率预测时的截止频率；
S3、获取预测数据并进行特征提取；预测数据包括但不限于预测风速、湿度、压强、风向等，对上述值进行特征提取，提取方法包括但不限于提取聚合数、近似熵、自回归系数、滞后lag的自相关系数等；
S4、将特征提取后的预测数据和经过滤波的实发数据代入常用超短期预测模型，在t时刻预测n时刻后的功率时，使用t时刻的低频部分实发实数据和经过特征处理的短期预测数据作为模型输入，将模型输出结果加上t时刻高频部分实发功率作为t时刻对n时刻后的超短期功率预测值，并通过t+n时刻实发功率作为标签数据，验证模型精度。
进一步的，步骤S1中，历史实发数据包括历史风速、实发功率，限电检修记录，对实发功率中的异常值和空值使用通过风速计算的理论值代替，数据清洗时保证实发功率时间连续性。
进一步的，步骤S2所述将清洗后的历史实发数据代入带通滤波器的具体方法包括：对实发功率和历史风速求快速傅里叶变换，并使用带通滤波器将原始数据过滤为低频和高频两部分。
进一步的，步骤S3中所述的特征提取过程包括：从预测数据的数据集第n个点为起点，取当前点的前n个点的数列，计算该数列参数；所述参数包括聚合数、近似熵、自回归系数、滞后lag的自相关系数；将该点逐点向后滑动重复上述步骤直至最后一个点，即得到该数据集的特征数据。
本发明另一方面还提供了一种基于带通滤波的风电超短期预测装置，其特征在于，包括：
实发数据模块，用于获取风电站的历史实发数据并进行数据清洗；
滤波模块，用于将清洗后的历史实发数据代入带通滤波器，对输出数据进行随机性检验，当高频部分随机性大于设定阈值，低频部分随机性小于设定阈值时，记录该频率作为超短期功率预测时的截止频率；
预测数据模块，用于获取预测数据并进行特征提取；
预测模型模块，用于将特征提取后的预测数据和经过滤波的实发数据代入常用超短期预测模型，在t时刻预测n时刻后的功率时，使用t时刻的低频部分实发数据和经过特征处理的短期预测数据作为模型输入，将模型输出结果加上t时刻高频部分实发功率，作为t时刻对n时刻后的超短期功率预测值，并通过t+n时刻实发功率验证模型精度。
进一步的，实发数据模块包括历史风速单元、实发功率单元，限电检修记录单元，实发功率单元中的异常值和空值使用通过风速计算的理论值代替；还包括数据清洗单元，用于数据清洗，以及数据清洗时保证实发功率时间连续性。
进一步的，所述滤波模块包括：
傅里叶变换单元，用于对实发功率和历史风速求快速傅里叶变换；
过滤单元，用于使用带通滤波器将原始数据过滤为低频和高频两部分。
进一步的，所述预测数据模块包括特征提取单元，所述特征提取单元用于从预测数据的数据集第n个点为起点，取当前点的前n个点的数列，计算该数列参数；所述参数包括聚合数、近似熵、自回归系数、滞后lag的自相关系数；将该点逐点向后滑动重复上述步骤直至最后一个点，即得到该数据集的特征数据。
与现有技术相比，本发明具有如下的有益效果：
本专利通过对实发功率和实际风速求快速傅里叶变换，并使用带通滤波器将原始数据过滤为低频和高频两部分，通过设定合适的分割频率可以使高频部分为完全随机信号，而低频部分随机性相应减少，解决了风向快速变化时功率大幅度无规则波动问题，减少随机波动对训练超短期功率预测模型的不良影响，提高预测精度。
附图说明
图1是本发明实施例的流程示意图；
图2是本发明实施例的带通滤波器过滤的信号示意图；
图3是本发明实施例的预测结果比较图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。
本发明的设计思想在于对实发功率和实际风速求快速傅里叶变换，并使用带通滤波器将原始数据过滤为低频和高频两部分，通过设定合适的分割频率可以使高频部分为完全随机信号，而低频部分随机性相应减少，从而解决风向快速变化时功率大幅度无规则波动问题。
如图1所示，本发明的具体流程包括如下内容：
1、首先对历史实发数据进行数据清洗，历史实发数据包括历史风速、实发功率，限电检修记录，对实发功率中的异常值和空值使用通过风速计算的理论值代替；
数据清洗时需要尽量保证实发功率的时间连续性，如果实发功率出现断点，可用拉格朗日插值法进行补全，如果断点时间超过4小时，则用历史该时段对应预测功率补全。
2、将清洗后的实发数据代入带通滤波器，对输出数据进行随机性检验，当高频部分随机性大于设定阈值，低频部分随机性小于设定阈值时，记录该频率作为超短期功率预测时的截止频率。
具体的说，对实发功率和历史风速求快速傅里叶变换，并使用带通滤波器将原始数据过滤为低频和高频两部分；
离散傅里叶变换的公式如下：X(k)为傅里叶变换后的信号，x(n)为原始信号；
Figure DEST_PATH_IMAGE001
；
X(k)中包含原始信号在各频率的响应信息，在带通滤波中，需要通过设置截止频率使X(k)中只保留高于或低于该频率值的响应，然后对X(k)进行傅里叶反变换还原为滤波后的高频信号x’(n)和低频信号y’(n)，对x’(n)求n阶自相关系数ρ1。。。ρn，如果均为0则判定该信号为随机信号，则y’(n) 可作为模型训练输入数据，此时滤波带宽为截止频率。
如图2所示，将原始信号分解为高频和低频，原始信号波动较剧烈，存在大量噪声，而低频部分可以反映功率变化趋势。
3、对预测数据进行特征提取，所述的预测数据是根据当前观测气象对未来气象的推导，可从气象网站获取，其包括但不限于预测风速、湿度、压强、风向等，预测数据时间分辨率为1小时；
对上述数据值进行特征提取，提取方法包括但不限于提取聚合数、近似熵、自回归系数、滞后lag的自相关系数等。具体为：从预测数据的数据集第n个点为起点，取当前点的前n个点的数列，对该数列计算聚合数、近似熵、自回归系数、滞后lag的自相关系数等参数；将该点逐点向后滑动重复上述步骤直至最后一个点，即得到该数据集的特征数据。
4、将特征提取后的预测数据和经过滤波的实发数据代入常用超短期预测模型，所述超短期预测模型可以为逻辑回归预测模型、树回归预测模型等，在t时刻预测n时刻后的功率时，使用t时刻的低频部分实发和经过特征处理的短期预测数据作为模型输入，（模型输出结果+t时刻高频部分）作为t时刻对n时刻后的超短期功率预测值，t+n时刻实发功率作为标签数据，验证模型精度。如图3所示，其中的预测1为使用本方法获得的超短期预测功率，预测2为使用未经处理的信号作为训练标签数据，其他实验条件均相同，可以看出预测1更平滑，并且与实发功率趋势更接近。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于带通滤波的风电超短期预测方法，其特征在于，包括：
S1、获取风电站的历史实发数据并进行数据清洗；
S2、将清洗后的历史实发数据代入带通滤波器，对输出数据进行随机性检验，当高频部分随机性大于设定阈值，低频部分随机性小于设定阈值时，记录当前频率作为超短期功率预测时的截止频率；
S3、获取预测数据并进行特征提取；
S4、将特征提取后的预测数据和经过滤波的实发数据代入常用超短期预测模型，在t时刻预测n时刻后的功率时，使用t时刻的低频部分实发数据和经过步骤S3所述特征提取的短期预测数据作为模型输入，将模型输出结果加上t时刻高频部分实发功率，作为t时刻预测n时刻后的超短期功率预测值，并通过t+n时刻实发功率验证模型精度；
步骤S2所述将清洗后的历史实发数据代入带通滤波器的具体方法包括：对实发功率和历史风速求快速傅里叶变换，并使用带通滤波器将原始数据过滤为低频和高频两部分；
步骤S4所述常用超短期预测模型包括逻辑回归预测模型或树回归预测模型。
2.根据权利要求1所述的基于带通滤波的风电超短期预测方法，其特征在于，步骤S1中，历史实发数据包括历史风速、实发功率，限电检修记录，对实发功率中的异常值和空值使用通过风速计算的理论值代替，数据清洗时保证实发功率时间连续性。
3.根据权利要求1所述的基于带通滤波的风电超短期预测方法，其特征在于，步骤S3中所述的特征提取过程包括：
S301、从预测数据的数据集第n个点为起点，取当前点的前n个点的数列，计算该数列参数；所述参数包括聚合数、近似熵、自回归系数、滞后lag的自相关系数；
S302、将该点逐点向后滑动，重复步骤S301-S302直至最后一个点；
即得到该数据集的特征数据。
4.基于带通滤波的风电超短期预测装置，其特征在于，包括：
实发数据模块，用于获取风电站的历史实发数据并进行数据清洗；
滤波模块，用于将清洗后的历史实发数据代入带通滤波器，对输出数据进行随机性检验，当高频部分随机性大于设定阈值，低频部分随机性小于设定阈值时，记录当前频率作为超短期功率预测时的截止频率；
预测数据模块，用于获取预测数据并进行特征提取；
预测模型模块，用于将特征提取后的预测数据和经过滤波的实发数据代入常用超短期预测模型，在t时刻预测n时刻后的功率时，使用t时刻的低频部分实发数据和经过预测数据模块特征提取的短期预测数据作为模型输入，将模型输出结果加上t时刻高频部分实发功率，作为t时刻预测n时刻后的超短期功率预测值，并通过t+n时刻实发功率验证模型精度；
所述滤波模块包括：
傅里叶变换单元，用于对实发功率和历史风速求快速傅里叶变换；
过滤单元，用于使用带通滤波器将原始数据过滤为低频和高频两部分；
所述预测模型模块中所述常用超短期预测模型包括逻辑回归预测模型或树回归预测模型。
5.根据权利要求4所述的基于带通滤波的风电超短期预测装置，其特征在于，实发数据模块包括历史风速单元、实发功率单元，限电检修记录单元，实发功率单元中的异常值和空值使用通过风速计算的理论值代替；
还包括数据清洗单元，用于数据清洗，以及数据清洗时保证实发功率时间连续性。
6.根据权利要求4所述的基于带通滤波的风电超短期预测装置，其特征在于，所述预测数据模块包括特征提取单元，所述特征提取单元的执行过程为从预测数据的数据集第n个点为起点，取当前点的前n个点的数列，计算该数列参数；所述参数包括聚合数、近似熵、自回归系数、滞后lag的自相关系数；将该点逐点向后滑动，重复执行特征提取单元的执行过程直至最后一个点，即得到该数据集的特征数据。
CN202111023236.3A 2021-09-02 2021-09-02 基于带通滤波的风电超短期预测方法及装置 Active CN113469467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111023236.3A CN113469467B (zh) 2021-09-02 2021-09-02 基于带通滤波的风电超短期预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111023236.3A CN113469467B (zh) 2021-09-02 2021-09-02 基于带通滤波的风电超短期预测方法及装置

Publications (2)

Publication Number Publication Date
CN113469467A CN113469467A (zh) 2021-10-01
CN113469467B true CN113469467B (zh) 2021-11-30

Family

ID=77867145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111023236.3A Active CN113469467B (zh) 2021-09-02 2021-09-02 基于带通滤波的风电超短期预测方法及装置

Country Status (1)

Country Link
CN (1) CN113469467B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184391A (zh) * 2015-08-19 2015-12-23 国网山东省电力公司电力科学研究院 基于小波分解和支持向量机的风电场风速与功率预测方法
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN108197754A (zh) * 2018-01-25 2018-06-22 国网福建省电力有限公司 一种基于经验模式分解和随机森林的风速超短期预测算法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12086693B2 (en) * 2019-05-22 2024-09-10 Oracle International Corporation Compensating for out-of-phase seasonality modes in time-series signals to facilitate prognostic-surveillance operations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184391A (zh) * 2015-08-19 2015-12-23 国网山东省电力公司电力科学研究院 基于小波分解和支持向量机的风电场风速与功率预测方法
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN108197754A (zh) * 2018-01-25 2018-06-22 国网福建省电力有限公司 一种基于经验模式分解和随机森林的风速超短期预测算法
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

Also Published As

Publication number Publication date
CN113469467A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN116703183B (zh) 一种新型配电网系统用电负荷评估方法
Yang et al. Probabilistic short-term wind power forecast using componential sparse Bayesian learning
CN111259730B (zh) 一种基于多变量状态估计的状态监测方法及系统
CN105136454A (zh) 一种风电机组齿轮箱故障识别方法
CN110969194A (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN117235557B (zh) 基于大数据分析的电气设备故障快速诊断方法
CN112268615A (zh) 一种机电设备振动信号特征提取方法
CN117708550B (zh) 一种电力大数据自动化数据分析及模型构建方法
CN112729381A (zh) 一种基于神经网络的高压断路器的故障诊断方法
CN109214318B (zh) 一种寻找非稳态时间序列微弱尖峰的方法
CN111291918B (zh) 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法
CN113919525A (zh) 一种电站风机状态预警方法、系统及其应用
CN116596129A (zh) 一种电动汽车充电场站短期负荷预测模型构建方法
CN111881848A (zh) 基于变分模态分解与改进粒子群的电机故障信号提取方法
CN115345519A (zh) 海上风电风险评估方法、装置、设备及存储介质
Li et al. Rolling bearing fault diagnosis under variable working conditions based on joint distribution adaptation and SVM
CN113469467B (zh) 基于带通滤波的风电超短期预测方法及装置
CN114563671A (zh) 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法
CN109557417B (zh) 一种输电线路分布式行波诊断启动方法及系统
CN111209914A (zh) 一种异常风功率数据的剔除方法
CN113270110A (zh) 一种zpw-2000a轨道电路发送器、接收器故障诊断方法
CN104834816A (zh) 一种短期风速预测方法
CN116484176A (zh) 一种基于超小波的轴承故障诊断方法、系统和存储介质
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
Xiang et al. Fault diagnosis of gearbox based on refined topology and spatio-temporal graph convolutional networks

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