CN115221945A - 基于时空特征的极端天气风电爬坡事件分类方法 - Google Patents

Abstract

本发明公开了一种基于时空特征的极端天气风电爬坡事件分类方法，其步骤包括：1.对历史风电功率序列滤波；2.检测历史风电功率中的爬坡事件；3.生成爬坡事件分类标签；4.筛选出极端天气气象特征；5.生成用于爬坡事件分类的时空特征数据；6.训练ConvLSTM分类器，对风电场风电爬坡事件进行分类识别。本发明检测极端天气下的风电爬坡事件，筛选影响爬坡事件的气象特征，结合多个风电场的时空相关特性，进而实现对风电场爬坡事件的分类，从而能为电网调度人员制定针对不同爬坡事件的控制调度策略提供重要参考。

Description

基于时空特征的极端天气风电爬坡事件分类方法

技术领域

本发明涉及风电爬坡检测与分类领域，具体是指基于时空特征的极端天气风电爬坡事件分类方法。

背景技术

风电的爬坡事件与气象因素关系密切，具有强随机性与不确定性，对电力系统的安全运行有重要影响。极端天气发生时，极易引发风电场爬坡事件：当出现气旋、雷阵雨、阵风等极端天气时，会造成风电场功率骤增，发生上爬坡事件；当出现风速过高超过切出风速时，风机陆续停机，会造成风电场功率骤降，发生下爬坡。当风电发生爬坡事件时，其输出功率在短时间内突然增加或减少，会严重破坏电力系统的供求平衡和安全调度，在极端天气下甚至会造成大面积停电、电力系统崩溃。因此电网调度人员在制定系统运行计划时，不得不考虑风电爬坡的影响。然而不同风电爬坡事件的对电网运行的影响程度并不一样。为了更加经济、有效地应对不同爬坡事件的影响，常常需要采取不同的调度策略。因此，研究风电爬坡事件的分类，对于含高比例风电接入的电网安全运行有重要意义。

目前针对风电爬坡事件的分类方法主要有：(1)利用爬坡事件的风电功率数据进行分类；(2)利用爬坡事件发生的功率幅值变化、持续时间与爬坡率等爬坡特征进行分类等。然而直接利用功率数据进行分类，输入特征维度较大，且功率数据易受测量装置噪声影响，分类效果有待进一步提高；利用爬坡特征进行分类时，虽然可以有效区分爬坡与非爬坡事件，但无法进一步区分不同气象条件下的爬坡事件，特征中包含的有效信息较少。此外，上述分类方法未考虑气象因素的影响，也未考虑风电场的空间分布特性。依据上述分类方法的爬坡事件分类结果，无法体现不同类别爬坡事件之间的差异性，不利于深入分析不同爬坡事件的成因，从而无法制定有效的控制调度策略，不利于电力系统的安全经济运行。

发明内容

本发明为了解决上述现有技术存在的不足之处，提出一种基于时空特征的极端天气风电爬坡事件分类方法，以期能对不同气象条件、不同空间分布下的风电爬坡事件作进一步区分，实现极端天气下的风电爬坡事件分类，从而为电网调度人员制定针对不同爬坡事件的控制调度策略提供重要参考，进而能制定有针对性的控制调度策略，以保障电力系统的安全运行。

为了达到上述目的，本发明采用的技术方案为：

本发明一种基于时空特征的极端天气风电爬坡事件分类方法的特点是按照如下步骤进行：

步骤1.对历史风电功率序列滤波：

获取风电场W₀的风电功率序列{p₀(t)|t＝0,1,2,…,N-1}，其中：t表示采样时刻；N表示采样时刻总数；p₀(t)表示风电场W₀在采样时刻t的风电功率；

利用式(1)对风电功率序列{p₀(t)|t＝0,1,2,…,N-1}进行一次指数平滑滤波后，得到采样时刻t的风电功率滤波序列

式(1)中：α表示平滑指数，α∈[0,1]；

步骤2.检测历史风电功率中的爬坡事件：

判断所述风电功率滤波序列

中的滤波后风电功率是否满足式(2)所定义的风电爬坡事件，若满足，则表示相应时段的风电功率发生了风电爬坡事件，并加入爬坡事件样本集{P_k}中，其中，P_k表示k个爬坡事件样本集，且

t_k表示第k个爬坡事件的发生时刻，k＝1,2,…,K,K为样本集{P_k}中爬坡事件总数目；

式(2)中：P_ref为爬坡阈值，P_ref＝w·P_cap，P_cap为风电场额定容量，w为阈值系数；Δt为风电功率采样间隔；M为爬坡时间窗口内的采样点数；(M-1)·Δt表示爬坡时间窗口的时长；

步骤3.生成爬坡事件分类标签：

遍历爬坡事件样本集{P_k}，依据爬坡时间窗口的长度、爬坡时间窗口内的始末风电功率以及爬坡时间窗口内的最大功率，将爬坡事件样本集{P_k}内的所有爬坡事件划分成F类爬坡事件，分类标签分别记为1,2,…,F；

步骤4.筛选出极端天气气象特征：

获取风电场W₀的H种气象因素序列{q_0,i(t)|t＝0,1,2,…,N-1}，q_0,i(t)表示风电场W₀的第i个气象因素在采样时刻t的数值，i＝1,2,…,H，H表示气象因素总数目；

利用式(3)对各气象因素进行一次指数滤波平滑得到滤波后的气象因素序列

利用式(4)计算风电场W₀的风电功率滤波序列

与各气象因素滤波序列

之间的相关性，并将ρ_i＞ρ_ref的气象特征筛选出来作为极端天气气象特征，从而得到C个极端天气气象特征，其中ρ_ref表示相关性阈值；

式(3)和式(4)中：ρ_i表示风电功率滤波序列

与第i个气象因素滤波序列

之间的相关性；

表示风电功率滤波序列的均值，

表示第i种气象因素滤波序列的均值，

步骤5.生成用于爬坡事件分类的时空特征数据：

获取与风电场W₀处于同一地理范围内的D个风电场{W_d|d＝1,2,…,D}的风电功率数据{p_d(t)|d＝1,2,…,D}与极端天气气象因素数据{q_d,c(t)|d＝1,2,…,D,c＝1,2,…,C}并一起作为风电场W₀爬坡事件分类的时空特征；其中，p_d(t)表示第d个风电场采样时刻t的风电功率，q_d,c(t)表示第d个风电场第c种极端天气气象因素在采样时刻t的数值；

步骤6.训练ConvLSTM分类器，对风电场风电爬坡事件进行分类识别；

步骤6.1.对所述风电爬坡事件的时空特征进行归一化处理，得到归一化后的时空特征，分别记为{p′_d(t)|d＝1,2,…,D}与{q′_d,c(t)|d＝1,2,…,D,c＝1,2,…,C}，其中，p′_d(t)表示第d个风电场在采样时刻t归一化后的风电功率值；q′_d,c(t)表示第d个风电场第c个极端天气气象特征在采样时刻t归一化后的数值；

步骤6.2.针对爬坡事件样本集{P_k}中的第k个爬坡事件，利用式(5)得到对应爬坡时间窗口中第一个采样时刻t_k的时空特征

同理求出第k个爬坡事件所对应的爬坡时间窗口内其它采样时刻t_k+1,t_k+2,…,t_k+M-1的时空特征

其中，M为爬坡时间窗口内的采样点数，从而构建出对应爬坡时间窗口内的时空特征

步骤6.3.利用式(6)构建ConvLSTM分类器的损失函数L：

式(6)中：

表示正确分类的权值；

表示输出分类为j的权值；

步骤6.4.将所述时空特征X_k输入进ConvLSTM分类器中进行训练，并在训练过程中不断优化分类器参数，使得损失函数L达到最小时停止训练，从而得到训练后的极端天气风电爬坡事件分类模型，用于对风电场风电爬坡事件进行分类识别。

与现有技术相比，本发明的有益效果体现在：

本发明考虑了风电功率空间分布特性对风电场爬坡事件的影响，计及了不同地理位置处的气象条件对风电场爬坡事件分类的影响。通过检测风电场爬坡事件，考虑不同空间的风电场功率、气象条件与爬坡事件之间的时空相关性，建立基于ConvLSTM的风电场爬坡事件分类器，实现对风电场爬坡事件的更为准确的分类。所提方法不仅考虑了极端天气下相邻风电场的气象特征对爬坡事件影响，还能够对风电场的爬坡事件进行准确分类，为风电场或调度部门平抑风电波动或制定针对性控制策略提供参考依据。具体效果体现在以下几个方面：

1.本发明采用步骤1对风电场功率数据进行平滑，将数据中的噪声滤除，从而能够降低噪声数据对爬坡事件检测的影响，结合步骤2能够提高爬坡事件的检测率，避免爬坡事件的多检、漏检或错检；

2.本发明采用步骤4筛选与风电爬坡事件相关性较大的气象特征，结合步骤5得到影响风电爬坡的时空特征，考虑了不同空间分布下的风电场功率、气象特征与风电爬坡事件发生的相关性，能够提高风电爬坡事件分类的准确率；

3.本发明采用步骤6.1对风电场功率与气象特征进行归一化，能够提高分类器的训练效率与准确率；本发明采用步骤5和步骤6.2构建分类器输入的时空特征，既能够保证不同特征在时间上的连续性，又能够体现各特征之间的空间相关性，计及了风电功率、气象特征与风电爬坡事件之间的时空相关性；

4.本发明采用步骤6.4训练ConvLSTM分类器，能够基于时空特征得到不同风电爬坡事件的类别，为风电场或电网调度人员提供更多的信息，制定更为安全有效的控制调度策略。

附图说明

图1是本发明方法的流程图。

具体实施方式

本实施例中，如图1所示，一种基于时空特征的极端天气风电爬坡事件分类方法是按照如下步骤进行：

步骤1.对历史风电功率序列滤波：

获取风电场W₀的风电功率序列{p₀(t)|t＝0,1,2,…,N-1}，其中：t表示采样时刻；N表示采样时刻总数；p₀(t)表示风电场W₀在采样时刻t的风电功率；

利用式(1)对风电功率序列{p₀(t)|t＝0,1,2,…,N-1}进行一次指数平滑滤波后，得到采样时刻t的风电功率滤波序列

式(1)中：α表示平滑指数，α∈[0,1]；

采用一次指数平滑对风电功率进行平滑滤波，能够降低噪声数据对风电爬坡事件检测的影响，更准确地描述风电功率数据的变化规律，提高风电爬坡事件的检测率，避免因噪声数据导致多检、漏检或错检。

步骤2.检测历史风电功率中的爬坡事件：

判断风电功率滤波序列

中的滤波后风电功率是否满足式(2)所定义的风电爬坡事件，若满足，则表示相应时段的风电功率发生了风电爬坡事件，并加入爬坡事件样本集{P_k}中，其中：

t_k表示第k个爬坡事件的发生时刻，k＝1,2,…,K,K为样本集{P_k}中爬坡事件总数目；

式(2)中：P_ref为爬坡阈值，P_ref＝w·P_cap，P_cap为风电场额定容量，w为阈值系数；Δt为风电功率采样间隔；M为爬坡时间窗口内的采样点数；(M-1)·Δt表示爬坡时间窗口的时长；

步骤3.生成爬坡事件分类标签：

遍历爬坡事件样本集{P_k}，依据爬坡时间窗口的长度、爬坡时间窗口内的始末风电功率以及爬坡时间窗口内的最大功率，将爬坡事件样本集{P_k}内的所有爬坡事件划分成F类爬坡事件，分类标签分别记为1,2,…,F；

步骤4.筛选出极端天气气象特征：获取风电场W₀的H种气象因素序列{q_0,i(t)|t＝0,1,2,…,N-1}，q_0,i(t)表示风电场W₀的第i个气象因素在采样时刻t的数值，i＝1,2,…,H，H表示气象因素总数目；

利用式(3)对各气象因素进行一次指数滤波平滑得到滤波后的气象因素序列

利用式(4)计算风电场W₀的风电功率滤波序列

与各气象因素滤波序列

之间的相关性，并将ρ_i＞ρ_ref的气象特征筛选出来作为极端天气气象特征，从而得到C个极端天气气象特征，其中,ρ_ref表示相关性阈值；

式(3)和式(4)中：ρ_i表示风电功率滤波序列

与第i个气象因素滤波序列

之间的相关性；

表示风电功率滤波序列的均值，

表示第i种气象因素滤波序列的均值，

采用Pearson相关系数量化气象因素与风电爬坡事件之间的相关性，依据相关性大小筛选出与风电爬坡事件有较强相关性的气象特征，有利于降低分类模型复杂度，降低不必要特征对分类效果的不利影响，提高分类准确率。

步骤5.生成用于爬坡事件分类的时空特征数据：

获取与风电场W₀处于同一地理范围内的D个风电场{W_d|d＝1,2,…,D}的风电功率数据{p_d(t)|d＝1,2,…,D}与极端天气气象因素数据{q_d,c(t)|d＝1,2,…,D,c＝1,2,…,C}，并一起作为风电场W₀爬坡事件分类的时空特征。其中，p_d(t)表示第d个风电场采样时刻t的风电功率，q_d,c(t)表示第d个风电场第c种极端天气气象因素在采样时刻t的数值；

步骤6.训练ConvLSTM分类器，对风电场风电爬坡事件进行分类识别；

步骤6.1.对风电爬坡事件的时空特征进行归一化处理，得到归一化后的时空特征，分别记为{p′_d(t)|d＝1,2,…,D}与{q′_d,c(t)|d＝1,2,…,D,c＝1,2,…,C}，其中：p′_d(t)表示第d个风电场在采样时刻t归一化后的风电功率值；q′_d,c(t)表示第d个风电场第c个极端天气气象特征在采样时刻t归一化后的数值；

对不同特征分别进行归一化，能够避免特征之间由于数量级不同而相互干扰，也有利于提高分类器的训练效率与分类准确率。此外，邻近风电场之间的功率具有较强空间相关性，为了提高爬坡事件分类准确率，将相邻风电场的功率特征与气象特征考虑进风电爬坡事件的影响因素中，有利于进一步区分不同时空特性、不同气象条件下的爬坡事件。

步骤6.2.针对爬坡事件样本集{P_k}中的第k个爬坡事件，利用式(5)得到对应爬坡时间窗口中第一个采样时刻t_k的时空特征

同理，可以求出第k个爬坡事件所对应的爬坡时间窗口内其它采样时刻t_k+1,t_k+2,…,t_k+M-1的时空特征

其中M为爬坡时间窗口内的采样点数；从而构建出对应爬坡时间窗口内的时空特征

利用式(5)构建分类器的输入时空特征，能够保证不同特征在时间上的连续性，也有利于挖掘不同特征在空间上的相关性，提高ConvLSTM分类器的准确率。

步骤6.3.利用式(6)构建ConvLSTM分类器的损失函数L：

式(6)中：

表示正确分类的权值；

表示输出分类为j的权值；

步骤6.4.将时空特征X_k输入进ConvLSTM分类器中进行训练，输出为对应风电爬坡事件的分类标签。在训练过程中不断优化分类器参数，使得损失函数L达到最小时停止训练，从而得到训练后的极端天气风电爬坡事件分类模型，用于对风电场风电爬坡事件进行分类识别。

依据式(6)所示的损失函数优化ConvLSTM分类器参数，有利于提高正确分类的准确率，降低错误分类率。此外，分类器输出结果为不同类爬坡事件对应的类别标签，能够为风电场或电网调度人员提供更多的信息，为制定控制调度策略提供依据。

Claims (1)

1.一种基于时空特征的极端天气风电爬坡事件分类方法，其特征是按照如下步骤进行：

步骤1.对历史风电功率序列滤波：

获取风电场W₀的风电功率序列{p₀(t)|t＝0,1,2,…,N-1}，其中：t表示采样时刻；N表示采样时刻总数；p₀(t)表示风电场W₀在采样时刻t的风电功率；

利用式(1)对风电功率序列{p₀(t)|t＝0,1,2,…,N-1}进行一次指数平滑滤波后，得到采样时刻t的风电功率滤波序列

式(1)中：α表示平滑指数，α∈[0,1]；

步骤2.检测历史风电功率中的爬坡事件：

判断所述风电功率滤波序列

中的滤波后风电功率是否满足式(2)所定义的风电爬坡事件，若满足，则表示相应时段的风电功率发生了风电爬坡事件，并加入爬坡事件样本集{P_k}中，其中，P_k表示k个爬坡事件样本集，且

t_k表示第k个爬坡事件的发生时刻，k＝1,2,…,K,K为样本集{P_k}中爬坡事件总数目；

式(2)中：P_ref为爬坡阈值，P_ref＝w·P_cap，P_cap为风电场额定容量，w为阈值系数；Δt为风电功率采样间隔；M为爬坡时间窗口内的采样点数；(M-1)·Δt表示爬坡时间窗口的时长；

步骤3.生成爬坡事件分类标签：

遍历爬坡事件样本集{P_k}，依据爬坡时间窗口的长度、爬坡时间窗口内的始末风电功率以及爬坡时间窗口内的最大功率，将爬坡事件样本集{P_k}内的所有爬坡事件划分成F类爬坡事件，分类标签分别记为1,2,…,F；

步骤4.筛选出极端天气气象特征：

获取风电场W₀的H种气象因素序列{q_0,i(t)|t＝0,1,2,…,N-1}，q_0,i(t)表示风电场W₀的第i个气象因素在采样时刻t的数值，i＝1,2,…,H，H表示气象因素总数目；

利用式(3)对各气象因素进行一次指数滤波平滑得到滤波后的气象因素序列

利用式(4)计算风电场W₀的风电功率滤波序列

与各气象因素滤波序列

之间的相关性，并将ρ_i＞ρ_ref的气象特征筛选出来作为极端天气气象特征，从而得到C个极端天气气象特征，其中ρ_ref表示相关性阈值；

式(3)和式(4)中：ρ_i表示风电功率滤波序列

与第i个气象因素滤波序列

之间的相关性；

表示风电功率滤波序列的均值，

表示第i种气象因素滤波序列的均值，

步骤5.生成用于爬坡事件分类的时空特征数据：

获取与风电场W₀处于同一地理范围内的D个风电场{W_d|d＝1,2,…,D}的风电功率数据{p_d(t)|d＝1,2,…,D}与极端天气气象因素数据{q_d,c(t)|d＝1,2,…,D,c＝1,2,…,C}并一起作为风电场W₀爬坡事件分类的时空特征；其中，p_d(t)表示第d个风电场采样时刻t的风电功率，q_d,c(t)表示第d个风电场第c种极端天气气象因素在采样时刻t的数值；

步骤6.训练ConvLSTM分类器，对风电场风电爬坡事件进行分类识别；

步骤6.1.对所述风电爬坡事件的时空特征进行归一化处理，得到归一化后的时空特征，分别记为{p′_d(t)|d＝1,2,…,D}与{q′_d,c(t)|d＝1,2,…,D,c＝1,2,…,C}，其中，p′_d(t)表示第d个风电场在采样时刻t归一化后的风电功率值；q′_d,c(t)表示第d个风电场第c个极端天气气象特征在采样时刻t归一化后的数值；

步骤6.2.针对爬坡事件样本集{P_k}中的第k个爬坡事件，利用式(5)得到对应爬坡时间窗口中第一个采样时刻t_k的时空特征

同理求出第k个爬坡事件所对应的爬坡时间窗口内其它采样时刻t_k+1,t_k+2,…,t_k+M-1的时空特征

其中，M为爬坡时间窗口内的采样点数，从而构建出对应爬坡时间窗口内的时空特征

步骤6.3.利用式(6)构建ConvLSTM分类器的损失函数L：

式(6)中：

表示正确分类的权值；

表示输出分类为j的权值；

步骤6.4.将所述时空特征X_k输入进ConvLSTM分类器中进行训练，并在训练过程中不断优化分类器参数，使得损失函数L达到最小时停止训练，从而得到训练后的极端天气风电爬坡事件分类模型，用于对风电场风电爬坡事件进行分类识别。

Images