CN113657662A - 一种基于数据融合的降尺度风电功率预测方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的降尺度风电功率预测方法，包括：获取风电场及其附近位置近地层的数值天气预报数据；获取场站侧的实时测风数据；获取单台风机的实时运行数据；根据场站侧实时测风数据对数值天气预报数据进行修正，并对修正后的数值天气预报数据进行降尺度处理；利用精细化的组合分析和处理手段对单台风机的运行数据进行数据治理；将降尺度后的数值天气预报数据与治理后的单台风机的运行数据进行数据融合，基于多输入预测模型预测单台风机的超短期风电功率。本发明在综合多项数据治理、数据融合技术的基础上，对风电场运行数据进行精细化处理和分析，从而提升单机超短期风电功率的预测精度。

Description

一种基于数据融合的降尺度风电功率预测方法

技术领域

本发明涉及风电功率预测技术领域，具体涉及基于数据融合的降尺度风电功率预测方法。

背景技术

中国将力争2030年前达到二氧化碳排放峰值，努力争取2060年前实现碳中和。而新型电力系统低碳转型是“碳达峰、碳中和”目标实现的关键环节。在风电功率预测领域，若没有较好的预测精度，风电固有的随机波动性将会影响电网的调度运行和安全稳定。因此，风电功率预测技术是提高电网风电接纳能力的重要技术。

在建设新型电力系统、实现“双碳目标”的大背景下，为了切实提高风电功率预测的技术水平，能源监管部门出台了“两个细则”等技术文件，对风电功率预测系统的数据治理和功率预测建模能力提出了更高的要求。现有的风电功率预测技术体系的数据完整度及预测精度还不够。当前的数据来源主要为数据采集与监视控制系统(SCADA)数据、测风塔数据以及气象服务提供的数值天气预报(NWP)。预测方法主要有物理方法、统计方法、人工智能方法和组合预测方法。但数据积累和算法改进带来的精度提升效果日渐式微。

发明内容

本发明为了克服以上技术的不足，提供了基于数据融合的降尺度风电功率预测方法，在综合多项数据治理、数据融合技术的基础上，对风电场的实测历史风电运行数据进行精细化分析和处理，从而提升超短期风电功率的预测精度。

为实现上述目的，本发明采用了如下技术方案：

基于数据融合的降尺度风电功率预测方法，包括如下步骤：

S1、基于数值天气预报服务器获取风电场及其附近位置近地层的数值天气预报数据；

S2、基于场站侧实时测风系统获取场站侧的实时测风数据；

S3、基于数据采集与监视控制系统获取单台风机的实时运行数据；

S4、使用功率预测服务器根据所述场站侧实时测风数据对所述数值天气预报数据进行修正，并对修正后的数值天气预报数据进行降尺度处理；

S5、使用功率预测服务器利用精细化的组合分析和处理手段对单台风机的运行数据进行数据治理；

S6、将降尺度后的数值天气预报数据与治理后的单台风机的运行数据进行数据融合，基于多输入预测模型预测单台风机的超短期风电功率。

进一步的，所述场站侧实时测风系统包括测风塔、风速仪、风向传感器、温度传感器、气压传感器、湿度传感器、空气密度测量设备和湍流测量设备中的几种或全部。

进一步的，所述数据采集与监视控制系统包括位于机舱尾部的测风传感器、功率传感器、环境温度传感器、机舱温度传感器、变速箱油温传感器、齿轮箱油压力传感器、轴承温度传感器、叶轮转速测量设备、发电机转速测量设备和风速湍流测量设备中的几种或全部。

进一步的，步骤S4中，基于计算机视觉用图像超分辨方法对修正后数值天气预报中的风速进行空间降尺度：先使用双三次插值法从纵向将低分辨率的 NWP空间多层次格点信息放大到所需的分辨率，再使用SRCNN网络提取放大后的风机机舱高度层NWP风速信息，并引入残差学习，在网络末端增加反卷积上采样模块，得到机舱高度层风速超分辨率输出。

进一步的，步骤S5中，利用精细化的组合分析和处理手段对单台风机的运行数据进行数据治理具体包括：

S51、建立风机的风速-功率曲线模型；

S52、结合统计方法和机理探究方法剔除异常数据点；

S53、建立缺失数据的混合填补模型，对单台风机的历史运行数据进行填补。

进一步的，步骤S51中，建立风机的风速-功率曲线模型具体包括：

风机从风能中汲取的输出功率为：

其中，ρ为空气密度，R为风机的叶片半径，V_wind为风速，λ为叶尖速比，β为桨距角，C_p为风能利用系数，与桨距角β和叶尖速比λ有关，具体如下：

其中，λ＝Rω/V_wind，ω为风机转速。

进一步的，步骤S52具体包括：

S521、根据实测运行数据的风速-功率散点图，在四分位法的基础上放宽置信区间，删除偏离理想曲线的误差数据点；其中传统四分位法的三个数据分界点依次为Q₁、Q₂、Q₃，通过计算数据分界点得到四分位距：

I_QR＝Q₃-Q₁

S522、根据I_QR确定数据样本X中异常值的内限如下：

[F₁，F_u]＝[Q₁-1.8I_QR,Q₃+1.8I_QR]

S523、识别、剔除如下集合A，完成弃风集合数据剔除：

其中，P_i为第i个功率数据；n为采样次数；

为风机理论风速v-功率

曲线中风速v对应的理想功率。

进一步的，步骤S53中：

当间隔缺失1-5个数据点时，采用3次样条插值法填补缺失的数据；

当连续缺失5-19个数据点时，采用Markov链重构法填补缺失的数据；

当连续缺失20-29个数据点时，采用Hermite插值法填补缺失的数据；

当连续缺失大于30个数据点以上的序列段时，参照风力发电机组的空间相关特性，利用邻近风机实现同期数据重构，完成全体缺失数据的补充；

其中，评估风力发电机组的空间相关特性采用皮尔逊相关系数，其计算公式如下所示，该系数越大，表明两者相关性越强：

利用风机已有数据，计算风电场各个风机之间的相关系数，得到相关系数矩阵；然后分别根据每个风机的相关系数进行排序，在风机缺失数据时，从相关系数最强的风机依次查找，直到找到该时刻有数据的风机，使用该风机数据填补缺失值。

进一步的，步骤S6中，将降尺度后的数值天气预报数据与治理后的单台风机的运行数据进行数据融合具体包括：

使用Matlab中的mapminmax函数，对原始数据进行线性变换，将各数据序列限制在[-1,1]之间完成数据融合；mapminmax函数转换式如下：

式中，x为变量归一化后的值；x_i为序列中的第i个变量；x_min为该序列中的最小值；x_max为该序列中的最大值。

进一步的，步骤S6中，基于多输入预测模型预测单台风机的超短期风电功率具体包括：

建立多输入预测模型库，使用融合后的数据作为该多输入预测模型库中模型的输入序列，预测单台风机的超短期风电功率；其中，所述预测模型库中的预测模型包括支持向量回归模型、反向传播神经网络模型、长短期记忆神经网络模型、时间序列模型和简单外推模型中的几种或全部；所述输入序列包括风速序列、功率序列和风机绕组温度序列。

本发明的有益效果是：

本发明的功率预测方法综合多项数据治理及数据融合技术，通过精细化分析和处理风电场的历史运行数据，可大幅提升风电历史序列的稳定度，从而显著提升单机超短期风电功率的预测精度。经过数据融合的风电序列具有更小的预测误差，更少的极端误差点率，由此表明本发明在超短期风电功率预测方面具有显著的优越性。

附图说明

图1为本发明的的超短期风电功率预测方法的流程示意图。

图2为实现本发明的方法所使用系统的组成示意图。

图3为本发明实施例中数据降尺度处理策略示意图。

图4为本发明实施例中风机风速-功率曲线建模结果图。

图5为本发明实施例中缺失数据混合填补策略示意图。

图6为本发明实施例中邻近风机相关系数热力图。

具体实施方式

为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。

参见附图1，本发明实施例提供了一种基于数据融合的降尺度风电功率预测方法，包括如下步骤：

S1、基于数值天气预报服务器获取风电场及其附近位置近地层的数值天气预报数据；

S2、基于场站侧实时测风系统获取场站侧的实时测风数据；

S3、基于数据采集与监视控制系统获取单台风机的实时运行数据；

S4、使用功率预测服务器根据所述场站侧实时测风数据对所述数值天气预报数据进行修正，并对修正后的数值天气预报数据进行降尺度处理；

S5、使用功率预测服务器利用精细化的组合分析和处理手段对单台风机的实时运行数据进行数据治理；

S6、将降尺度后的数值天气预报数据与治理后的单台风机的运行数据进行数据融合，基于多输入预测模型预测单台风机的超短期风电功率。

参见附图2，为实现本发明上述方法所构建的系统，其包括数值天气预报服务器、场站侧实时测风系统、数据采集与监视控制系统(SCADA)、工作站和功率预测服务器。

其中，数值天气预报(NWP)服务器接入互联网与国家电网数值天气预报中心及其他商业服务气象源相连，用于获取风电场及其附近位置近地层的NWP 数据。

场站侧实时测风系统包括测风塔、风速仪、风向传感器、温度传感器、气压传感器、湿度传感器、空气密度测量设备、湍流测量设备，用于数值预报模式修参、数据校正。

数据采集与监视控制系统(SCADA)包括位于机舱尾部的测风传感器、功率传感器、环境温度传感器、机舱温度传感器、变速箱油温传感器、齿轮箱油压力传感器、轴承温度传感器、叶轮转速测量设备、发电机转速测量设备、风速湍流测量设备等，用于获得单台风机的实时运行数据，更新时间为每10min 时间间隔。保存历史数据，预测时使用部分历史数据进行处理和训练。

工作站和功率预测服务器通过交换机与数值天气预报服务器、场站侧实时测风系统、数据采集与监视控制系统相连，功率预测服务器利用场站侧实时测风系统的数据对数值天气预报服务器提供的NWP数据进行修正，然后利用降尺度技术对修正后NWP数据进行降尺度，并针对SCADA数据进行数据融合，用于预测单机超短期风电功率、上报预测结果。

作为优选实施方案，本实施例中数值天气预报服务器与国家电网数值天气预报中心及其他商业服务气象源之间通过防火墙连接，实时无线传输。图示安全Ⅰ区与安全Ⅱ区之间，安全Ⅰ区与安全Ⅲ区之间，通过反向隔离装置连接，保证服务器安全隔离。

作为优选实施方案，步骤S4中，对修正后的数值天气预报数据进行降尺度。

数值天气预报输出结果为多层次格点的气象要素场，场站侧实时测风系统为单点多层次，位于机舱尾部的测风传感器为多点单层次。风电场内的风流场受到局地地形地貌、周围环境、风机尾流等多种因素的影响，在流体力学中属于小尺度问题，而数值天气预报的数值模式为中尺度动力框架，难以捕捉风电场内部小尺度的天气系统和天气过程。特别是同一时刻，各个风机风速差异较大时，降尺度技术更加必要。

近年来，随着深度学习的发展，计算机视觉在很多任务上取得了惊人的成果。参见附图3，基于计算机视觉用图像超分辨方法对修正后数值天气预报中的风速进行空间降尺度：先使用双三次插值法从纵向将低分辨率的NWP空间多层次格点信息放大到所需的分辨率，再使用SRCNN网络提取放大后的风机机舱高度层NWP风速信息，并引入残差学习，在网络末端增加反卷积上采样模块，得到机舱高度层风速超分辨率输出。

作为优选实施方案，步骤S5中，利用精细化的组合处理和分析手段对单台风机的实时运行数据进行数据治理具体包括：

参见附图4，首先，建立风机的风速-功率曲线模型。风机从风能中汲取的输出功率为：

其中，ρ为空气密度，R为风机的叶片半径，V_wind为风速，λ为叶尖速比，β为桨距角，C_p为风能利用系数，与桨距角β和叶尖速比λ有关，具体如下：

其中，λ＝Rω/V_wind，ω为风机转速。

然后，结合统计方法和机理探究方法剔除异常数据点。实际风场的实测风速-功率散点绝大多数集中分布在理想风速-功率曲线附近，但在曲线的底部、中部分别存在长条形的数据堆积，曲线周围也离散分布着大量孤立点数据。

首先利用统计方法，大批量快速剔除越限数据点。根据实测运行数据的风速-功率散点图，在四分位法的基础上放宽置信区间，删除偏离理想曲线的误差数据点。其中传统四分位法的三个数据分界点依次为Q₁、Q₂、Q₃，通过计算数据分界点得到四分位距：

I_QR＝Q₃-Q₁

再根据I_QR确定数据样本X中异常值的内限如下：

[F₁，F_u]＝[Q₁-1.5I_QR,Q₃+1.5I_QR]

由于邻近置信边界处的数据点有极大可能为有效信息，为最大程度保留序列有效信息，本方法将放宽置信区间至：

[F₁，F_u]＝[Q₁-1.8I_QR,Q₃+1.8I_QR]

再从风速-功率误差机理上精确删除异常数据。弃风集合应满足风速大于切入风速(v>v_ci)时，功率小于正常功率一半数据；以及连续采样10次以上，风机功率恒定不变：

式中，P_i为第i个功率数据；n为采样次数；

为风机理论风速v-功率

曲线中风速v对应的理想功率。识别、剔除集合A即完成弃风集合数据剔除。基于的弃风数据错误成因的认定方法，不会误删邻近正常工况界线的有效数据，可以保留更多的有效信息，但由于其需要根据时间序列来进行依次判别，存在计算速度较慢的缺点。而基于历史数据的风电功率预测建模中，风电异常数据预处理是一个离线的处理过程，对实时性要求并不高，因此基于数据错误成因的机理探究方法的速度劣势在此可忽略。

最后，建立缺失数据的混合填补模型，对单台风机的实时运行数据进行填补。实际风速功率序列数据缺失情况复杂、缺失类型繁多，单一数据插值方法无法达到数据重构所需的精度，尤其是连续缺失点过多时，数据修复会存在较大误差。此时需要参照风力发电机组的空间相关特性，利用邻近风机实现同期数据重构，完成全体缺失数据的补充。

具体的，参照附图5，当间隔缺失1-5个数据点时，采用3次样条插值法填补缺失的数据；当连续缺失5-19个数据点时，采用Markov链重构法填补缺失的数据；当连续缺失20-29个数据点时，采用Hermite插值法填补缺失的数据；当连续缺失大于30个数据点以上的序列段时，参照风力发电机组的空间相关特性，利用邻近风机实现同期数据重构，完成全体缺失数据的补充。

其中，参见附图6，评估风力发电机组的空间相关特性采用皮尔逊相关系数，其计算公式如下所示，该系数越大，表明两者相关性越强：

利用风机已有数据，计算风电场各个风机之间的相关系数，得到相关系数矩阵；然后分别根据每个风机的相关系数进行排序，在风机缺失数据时，从相关系数最强的风机依次查找，直到找到该时刻有数据的风机，使用该风机数据填补缺失值。

进一步的，步骤S6中，将降尺度后的数值天气预报数据与治理后的单台风机的历史运行数据进行数据融合具体包括：

使用Matlab中的mapminmax函数，对原始数据进行线性变换，将各数据序列限制在[-1,1]之间完成数据融合；mapminmax函数转换式如下：

式中，x为变量归一化后的值；x_i为序列中的第i个变量；x_min为该序列中的最小值；x_max为该序列中的最大值。

作为优选实施方案，步骤S6中，基于多输入预测模型预测单台风机的超短期风电功率具体包括：

建立多输入预测模型库，使用融合后的数据作为该多输入预测模型库中模型的输入序列，预测单台风机的超短期风电功率。

其中，所述预测模型库中的预测模型包括支持向量回归模型、反向传播神经网络模型、长短期记忆神经网络模型、时间序列模型和简单外推模型中的几种或全部。输入序列除了风速序列和功率序列外，选取SCADA所测的不属于风速和功率类指标，且与功率中间变量：电流、电压有关联但不同类的风机绕组温度序列，作为多输入预测模型除风速和功率序列以外的另一输入序列。

对本发明实施例所述的基于数据融合的超短期风电功率预测方法进行仿真，结果表明：

采用本发明的功率预测方法，经过处理和修复的风电功序列具有更小的预测误差，每个多输入模型的误差指标均有所下降，其中ARMA模型的平均绝对误差(MAE)指标下降最为显著，下降了48.03％；预测极端误差点率也有很大程度的下降，由此表明本发明的方法在超短期风电功率预测方面具有显著的优越性。

以上仅描述了本发明的基本结构和优选技术方案，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。

Claims (10)

1.一种基于数据融合的降尺度风电功率预测方法，其特征在于，包括如下步骤：

S1、基于数值天气预报服务器获取风电场及其附近位置近地层的数值天气预报数据；

S2、基于场站侧实时测风系统获取场站侧的实时测风数据；

S3、基于数据采集与监视控制系统获取单台风机的实时运行数据；

S4、使用功率预测服务器根据所述场站侧实时测风数据对所述数值天气预报数据进行修正，并对修正后的数值天气预报数据进行降尺度处理；

S5、使用功率预测服务器利用精细化的组合分析和处理手段对单台风机的运行数据进行数据治理；

S6、将降尺度后的数值天气预报数据与治理后的单台风机的运行数据进行数据融合，基于多输入预测模型预测单台风机的超短期风电功率。

2.如权利要求1所述的基于数据融合的降尺度风电功率预测方法，其特征在于，所述场站侧实时测风系统包括测风塔、风速仪、风向传感器、温度传感器、气压传感器、湿度传感器、空气密度测量设备和湍流测量设备中的几种或全部。

3.如权利要求1所述的基于数据融合的降尺度风电功率预测方法，其特征在于，所述数据采集与监视控制系统包括位于机舱尾部的测风传感器、功率传感器、环境温度传感器、机舱温度传感器、变速箱油温传感器、齿轮箱油压力传感器、轴承温度传感器、叶轮转速测量设备、发电机转速测量设备和风速湍流测量设备中的几种或全部。

4.如权利要求1-3任一项所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S4中，基于计算机视觉用图像超分辨方法对修正后数值天气预报中的风速进行空间降尺度：先使用双三次插值法从纵向将低分辨率的NWP空间多层次格点信息放大到所需的分辨率，再使用SRCNN网络提取放大后的风机机舱高度层NWP风速信息，并引入残差学习，在网络末端增加反卷积上采样模块，得到机舱高度层风速超分辨率输出。

5.如权利要求1-3任一项所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S5中，利用精细化的组合分析和处理手段对单台风机的运行数据进行数据治理具体包括：

S51、建立风机的风速-功率曲线模型；

S52、结合统计方法和机理探究方法剔除异常数据点；

S53、建立缺失数据的混合填补模型，对单台风机的历史运行数据进行填补。

6.如权利要求5所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S51中，建立风机的风速-功率曲线模型具体包括：

风机从风能中汲取的输出功率为：

其中，ρ为空气密度，R为风机的叶片半径，V_wind为风速，λ为叶尖速比，β为桨距角，C_p为风能利用系数，与桨距角β和叶尖速比λ有关，具体如下：

其中，λ＝Rω/V_wind，ω为风机转速。

7.如权利要求6所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S52具体包括：

S521、根据实测运行数据的风速-功率散点图，在四分位法的基础上放宽置信区间，删除偏离理想曲线的误差数据点；其中传统四分位法的三个数据分界点依次为Q₁、Q₂、Q₃，通过计算数据分界点得到四分位距：

I_QR＝Q₃-Q₁

S522、根据I_QR确定数据样本X中异常值的内限如下：

[F₁，F_u]＝[Q₁-1.8I_QR,Q₃+1.8I_QR]

S523、识别、剔除如下集合A，完成弃风集合数据剔除：

其中，P_i为第i个功率数据；n为采样次数；

为风机理论风速v-功率

曲线中风速v对应的理想功率。

8.如权利要求5所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S53中：

当间隔缺失1-5个数据点时，采用3次样条插值法填补缺失的数据；

当连续缺失5-19个数据点时，采用Markov链重构法填补缺失的数据；

当连续缺失20-29个数据点时，采用Hermite插值法填补缺失的数据；

当连续缺失大于30个数据点以上的序列段时，参照风力发电机组的空间相关特性，利用邻近风机实现同期数据重构，完成全体缺失数据的补充；

其中，评估风力发电机组的空间相关特性采用皮尔逊相关系数，其计算公式如下所示，该系数越大，表明两者相关性越强：

利用风机已有数据，计算风电场各个风机之间的相关系数，得到相关系数矩阵；然后分别根据每个风机的相关系数进行排序，在风机缺失数据时，从相关系数最强的风机依次查找，直到找到该时刻有数据的风机，使用该风机数据填补缺失值。

9.如权利要求1-3任一项所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S6中，将降尺度后的数值天气预报数据与治理后的单台风机的运行数据进行数据融合具体包括：

使用Matlab中的mapminmax函数，对原始数据进行线性变换，将各数据序列限制在[-1,1]之间完成数据融合；mapminmax函数转换式如下：

式中，x为变量归一化后的值；x_i为序列中的第i个变量；x_min为该序列中的最小值；x_max为该序列中的最大值。

10.如权利要求9所述的基于数据融合的降尺度风电功率预测方法，其特征在于，步骤S6中，基于多输入预测模型预测单台风机的超短期风电功率具体包括：

建立多输入预测模型库，使用融合后的数据作为该多输入预测模型库中模型的输入序列，预测单台风机的超短期风电功率；其中，所述预测模型库中的预测模型包括支持向量回归模型、反向传播神经网络模型、长短期记忆神经网络模型、时间序列模型和简单外推模型中的几种或全部；所述输入序列包括风速序列、功率序列和风机绕组温度序列。

Images