CN115221945A - 基于时空特征的极端天气风电爬坡事件分类方法 - Google Patents
基于时空特征的极端天气风电爬坡事件分类方法 Download PDFInfo
- Publication number
- CN115221945A CN115221945A CN202210719058.6A CN202210719058A CN115221945A CN 115221945 A CN115221945 A CN 115221945A CN 202210719058 A CN202210719058 A CN 202210719058A CN 115221945 A CN115221945 A CN 115221945A
- Authority
- CN
- China
- Prior art keywords
- wind power
- climbing
- time
- event
- meteorological
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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
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;
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{Pk}中,其中,Pk表示k个爬坡事件样本集,且tk表示第k个爬坡事件的发生时刻,k=1,2,…,K,K为样本集{Pk}中爬坡事件总数目;
式(2)中:Pref为爬坡阈值,Pref=w·Pcap,Pcap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{Pk},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{Pk}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{q0,i(t)|t=0,1,2,…,N-1},q0,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ρi>ρref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ρref表示相关性阈值;
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{Wd|d=1,2,…,D}的风电功率数据{pd(t)|d=1,2,…,D}与极端天气气象因素数据{qd,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,pd(t)表示第d个风电场采样时刻t的风电功率,qd,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6.3.利用式(6)构建ConvLSTM分类器的损失函数L:
步骤6.4.将所述时空特征Xk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;
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{Pk}中,其中:tk表示第k个爬坡事件的发生时刻,k=1,2,…,K,K为样本集{Pk}中爬坡事件总数目;
式(2)中:Pref为爬坡阈值,Pref=w·Pcap,Pcap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{Pk},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{Pk}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{q0,i(t)|t=0,1,2,…,N-1},q0,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ρi>ρref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,ρref表示相关性阈值;
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{Wd|d=1,2,…,D}的风电功率数据{pd(t)|d=1,2,…,D}与极端天气气象因素数据{qd,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,pd(t)表示第d个风电场采样时刻t的风电功率,qd,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。
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:
步骤6.4.将时空特征Xk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;
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{Pk}中,其中,Pk表示k个爬坡事件样本集,且tk表示第k个爬坡事件的发生时刻,k=1,2,…,K,K为样本集{Pk}中爬坡事件总数目;
式(2)中:Pref为爬坡阈值,Pref=w·Pcap,Pcap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{Pk},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{Pk}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{q0,i(t)|t=0,1,2,…,N-1},q0,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ρi>ρref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ρref表示相关性阈值;
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{Wd|d=1,2,…,D}的风电功率数据{pd(t)|d=1,2,…,D}与极端天气气象因素数据{qd,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,pd(t)表示第d个风电场采样时刻t的风电功率,qd,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6.3.利用式(6)构建ConvLSTM分类器的损失函数L:
步骤6.4.将所述时空特征Xk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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210719058.6A CN115221945A (zh) | 2022-06-23 | 2022-06-23 | 基于时空特征的极端天气风电爬坡事件分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210719058.6A CN115221945A (zh) | 2022-06-23 | 2022-06-23 | 基于时空特征的极端天气风电爬坡事件分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221945A true CN115221945A (zh) | 2022-10-21 |
Family
ID=83609890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210719058.6A Pending CN115221945A (zh) | 2022-06-23 | 2022-06-23 | 基于时空特征的极端天气风电爬坡事件分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221945A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384598A (zh) * | 2023-06-06 | 2023-07-04 | 中国电力科学研究院有限公司 | 一种基于时序事件编码的风电过程预测方法及装置 |
CN117196122A (zh) * | 2023-11-02 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
-
2022
- 2022-06-23 CN CN202210719058.6A patent/CN115221945A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384598A (zh) * | 2023-06-06 | 2023-07-04 | 中国电力科学研究院有限公司 | 一种基于时序事件编码的风电过程预测方法及装置 |
CN117196122A (zh) * | 2023-11-02 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
CN117196122B (zh) * | 2023-11-02 | 2024-02-06 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115221945A (zh) | 基于时空特征的极端天气风电爬坡事件分类方法 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN109583680B (zh) | 一种基于支持向量机的窃电辨识方法 | |
CN110594107B (zh) | 一种基于快速梯度提升机的风电机组故障检测方法及装置 | |
CN110348637B (zh) | 一种考虑场-网因素的风电爬坡事件预警方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN111814407B (zh) | 一种基于大数据和深度学习的洪水预报方法 | |
CN108334894B (zh) | 基于无监督机器学习的变压器油温异常识别方法 | |
CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
CN114202129A (zh) | 风电出力预测方法、电子设备、存储介质及系统 | |
CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN113391239A (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
CN115575584A (zh) | 一种大气环境镉含量监测预警方法及系统 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN116992246B (zh) | 一种矿井下风流参数智能感知方法及系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN111861587A (zh) | 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法 | |
CN116418051A (zh) | 一种风电场有功功率优化控制方法及系统 | |
CN116599396A (zh) | 一种发电机组智能控制方法及系统 | |
CN105678460B (zh) | 雷电灾害与设备过载及断面越限的关联度分析方法 | |
CN111178601B (zh) | 一种基于气象数据后处理的风电机组功率预测方法 |
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 |