CN115640737A - 一种面向异常天气状态的风电功率预测方法及系统 - Google Patents
一种面向异常天气状态的风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN115640737A CN115640737A CN202211095262.1A CN202211095262A CN115640737A CN 115640737 A CN115640737 A CN 115640737A CN 202211095262 A CN202211095262 A CN 202211095262A CN 115640737 A CN115640737 A CN 115640737A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- unit
- data
- determining
- wind
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向异常天气状态的风电功率预测方法及系统。该方法包括确定机组停机风险;确定风电场风速表征矩阵;构建异常天气特征评价体系;根据异常天气特征评价体系,基于滚动AP聚类进行异常天气识别与分类;根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估;根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充;根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构;根据重构后的数据集训练深度时序网络模型;根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。本发明能够提高在异常天气状态下风电功率预测的可靠性。
Description
技术领域
本发明涉及功率预测领域,特别是涉及一种面向异常天气状态的风电功率预测方法及系统。
背景技术
随着风电产业规模的不断扩大,高比例风电并网带来的问题日益突出。对风电功率进行精准预测,并将其纳入调度计划,是提升受端电网的风电接纳能力,改善电力系统运行安全性和经济性的重要前提。然而,在沙尘-暴雨-覆冰等异常天气条件下,当前风电功率预测方法对机组出力受限程度的估算仍有不足,难以保证此类天气条件下的预测准确度与可靠性,难以为电网提供持续性的可靠惯性响应和频率支撑。
当前风电功率预测方法一般分为物理模型法和统计模型法。数值天气预报是物理模型预测方法的典型代表,该方法主要通过风电厂附近地貌、温度、气压等信息将风能转化为动能,再由风电机组的功率曲线将其转化为功率。统计模型法是通过神经网络等发掘发电量与气象信息潜在关联,从而实现预测的方法。主要应用模型有:支持向量机、XGBoost模型等机器学习模型,以及人工神经网络、长短期神经网络(LSTM)等传统深度学习模型。通过以上模型对原始数据进行特征提取和降维,并对风电场功率输出动态建模实现风电功率的预测。
但上述技术主要基于较长时间尺度的历史运行数据,训练强泛化能力模型,长时间历史运行数据下的平均训练误差最小,主要面向正常风速条件下风电机组出力预测场景,但针对沙尘-雷暴-覆冰等异常天气状态的预测场景仍存在以下问题:
1.异常天气条件下,风电场测风装置的精度易受大气气溶胶粒子种类与浓度变化的影响,甚至因结冰、沙尘等因素发生故障导致测量突然失准失效,增加了功率预测的不确定性。
2.异常天气状态下风速、温度等气象参量波动幅度大、规律性差,导致当前预测技术对异常天气状态的识别能力弱,分类准确性低,难以针对异常天气状态数据进行研究与建模。
3.风电场历史运行数据中,异常天气条件数据比例较低,预测模型难以充分分析少量样本的分布规律,难以建立准确的映射关系,增大了预测误差。
4.异常天气条件下,机组出力受机械损伤、叶片截面形状变化等因素影响,实际出力特性发生会变化,将出现出力明显降低,甚至停机等现象,当前技术尚未考虑此类因素对功率预测的影响。
为解决上述问题,亟需一种面向异常天气状态的风电功率预测方法或系统。
发明内容
本发明的目的是提供一种面向异常天气状态的风电功率预测方法及系统,能够提高在异常天气状态下风电功率预测的可靠性。
为实现上述目的,本发明提供了如下方案:
一种面向异常天气状态的风电功率预测方法,包括:
对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险;所述机组风速数据包括:机组风速、测风塔风速以及来流风向;
对异常数据进行修正;根据来流风向确定不同机组位置的平均风速;并根据不同机组位置的平均风速以及修正后的机组风速数据确定风电场风速表征矩阵;所述机组位置包括:前段机组、中段机组以及后段机组;
根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系;所述异常天气特征评价体包括:理论功率偏差幅度、叶尖速度、叶片温度以及桨距角变化幅度;
根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集;
根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估;
根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充;
根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构;
根据重构后的数据集训练深度时序网络模型;训练好的深度时序网络模型用于输出风电场功率概率;
根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。
可选地,所述对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险,具体包括:
可选地,所述根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系,具体包括:
利用公式Δθt=θt-θt-1确定桨距角变化幅度;
其中,Δp为理论功率偏差幅度,vblade为叶尖速度,Tblade为叶片温度,Δθt为桨距角变化幅度,pactual为风电场实际输出功率,CP为风能利用系数,θ为场站内机组的平均桨距角,R为机组叶片长度,v为来流风速,ω为风轮角速度,Tav为风电场实测温度,Pav为风电场实测压强,θt与θt-1分别为当前时刻t与前一时刻t-1的桨距角,ρ为空气密度。
可选地,所述根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集,具体包括:
根据异常天气特征评价体系,以皮尔逊系数为指标计算不同时刻天气特征相似度;
将异常天气特征评价体系划分为h个部分,以每部分中天气相似度中值为自我相似度;
对每部分数据进行AP聚类,得到聚类中心;
根据聚类中心,确定新的用户集;若新的用户集大于设定值,则返回所述将异常天气特征评价体系划分为h个部分,以每部分中天气相似度中值为自我相似度的步骤;反之,则初始化新的用户集的自我相似度;
对新的用户集进行AP聚类,得到二次聚类中心与聚类数;
根据二次聚类中心与聚类数计算聚类质量指标;
更新自我相似度;
判断聚类数是否为2,若为2,则比较不同聚类数下对应的聚类质量指标,并确定最佳聚类数,完成异常天气识别与分类;反之,则返回所述对新的用户集进行AP聚类,得到二次聚类中心与聚类数的步骤。
可选地,所述根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估,具体包括:
其中,F为机组的出力受限程度预估,m为风电场内机组总数,WTt i为机组i在t时刻的机组停机风险,K为天气特征指标,若天气特征为异常天气,则值为0,反之,则为1。
可选地,所述根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果,具体包括:
获取风电场实时数据与异常天气特征评价指标集合;
根据风电场实时数据与异常天气特征评价指标集合,采用训练好的深度时序网络模型,确定风电场功率概率;
利用异常天气识别与分类结果对风电场功率概率进行修正,确定风电功率的预测结果。
一种面向异常天气状态的风电功率预测系统,应用于所述的一种面向异常天气状态的风电功率预测方法,所述系统包括:
机组风速数据检测模块,用于对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险;所述机组风速数据包括:机组风速、测风塔风速以及来流风向;
风电场风速表征矩阵确定模块,用于对异常数据进行修正;根据来流风向确定不同机组位置的平均风速;并根据不同机组位置的平均风速以及修正后的机组风速数据确定风电场风速表征矩阵;所述机组位置包括:前段机组、中段机组以及后段机组;
异常天气特征评价体系构建模块,用于根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系;所述异常天气特征评价体包括:理论功率偏差幅度、叶尖速度、叶片温度以及桨距角变化幅度;
异常天气识别与分类结果确定模块,用于根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集;
出力受限程度预估模块,用于根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估;
数据扩充模块,用于根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充;
数据集重构模块,用于根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构;
训练好的深度时序网络模型确定模块,用于根据重构后的数据集训练深度时序网络模型;训练好的深度时序网络模型用于输出风电场功率概率;
预测结果确定模块,用于根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。
可选地,所述机组风速数据检测模块具体包括:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种面向异常天气状态的风电功率预测方法及系统,通过异常值的检测与修正,解决异常天气状态下风电机组测风数据失准失效概率较大的问题;通过异常天气特征评价体系将气象因素与机组转速与功率等状态参量相结合,能够进一步识别天气状态对机组的影响,从而为出力受限程度、异常天气状态识别提供更丰富的有效指标。基于滚动AP聚类的天气识别与分类方法,弥补AP聚类在样本规模较大时聚类结果准确度较低的缺点,实现对与异常天气状态的精准判别。采用深度卷积生成对抗网络(DeepConvolutions Generative Adversarial Network,DCGAN)的异常天气运行数据扩充方法,通过卷积网络提高对数据分布规律的拟合质量,并通过生成对抗网络结构实现数据生成器的训练。利用异常天气识别与分类结果进行分位数修正环节,在异常天气时段使用95%置信度的功率预测下限作为预测功率的输出值,进一步保证了异常天气情况下预测功率的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种面向异常天气状态的风电功率预测方法流程示意图;
图2为本发明所提供的一种面向异常天气状态的风电功率预测方法整体流程示意图;
图3为深度卷积生成对抗网络结构示意图;
图4为本发明所提供的一种面向异常天气状态的风电功率预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种面向异常天气状态的风电功率预测方法及系统,能够提高在异常天气状态下风电功率预测的可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种面向异常天气状态的风电功率预测方法流程示意图,图2为本发明所提供的一种面向异常天气状态的风电功率预测方法整体流程示意图,如图1和图2所示,本发明所提供的一种面向异常天气状态的风电功率预测方法,包括:
S101,对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险;所述机组风速数据包括:机组风速、测风塔风速以及来流风向。
S101解决了异常天气状态下风电机组测风数据失准失效概率较大的问题。并且通过将各机组处的实时数据进行机组间的横向比对、与历史实测数据的纵向比对,实现异常值的检测。出现较多时刻的机组测量值异常,上报机组运行状态存在异常风险警报信息。
S101具体包括:
判断风电机组风速、测风塔风速与来流风向数据是否存在异常值与缺失值。计算数据缺失长度,即缺失数据覆盖的时间范围,同时计算风电场内同一时刻数据异常的机组数量。
S102,对异常数据进行修正;根据来流风向确定不同机组位置的平均风速;并根据不同机组位置的平均风速以及修正后的机组风速数据确定风电场风速表征矩阵;所述机组位置包括:前段机组、中段机组以及后段机组。
S102考虑尾流效应与来流风向进行风电场风速状态的实时表征,将大量机组处的风速信息约简为三类,进一步消除了潜在的测量误差,并降低输入数据维度。
S103,根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系;所述异常天气特征评价体包括:理论功率偏差幅度、叶尖速度、叶片温度以及桨距角变化幅度。
S103具体包括:
利用公式Δθt=θt-θt-1确定桨距角变化幅度。桨距角变化幅度用于表征最优桨距角的变化幅度。
其中,Δp为理论功率偏差幅度,vblade为叶尖速度,Tblade为叶片温度,Δθt为桨距角变化幅度,pactual为风电场实际输出功率,CP为风能利用系数,θ为场站内机组的平均桨距角,R为机组叶片长度,v为来流风速,ω为风轮角速度,Tav为风电场实测温度,Pav为风电场实测压强,θt与θt-1分别为当前时刻t与前一时刻t-1的桨距角,ρ为空气密度。
S104,根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集。滚动AP聚类可以弥补AP聚类在样本规模较大时聚类结果准确度较低的缺点,实现对与异常天气状态的精准判别。滚动AP聚类主要由两层AP聚类以及聚类质量指标评价三部分组成,具体运行步骤如下:
步骤4.1:以皮尔逊系数为指标计算不同时刻天气特征相似度sρ(Ai,Aj),计算方式如下:
步骤4.3:对每部分数据进行AP聚类,得到聚类中心
步骤(b):调整数据中心,迭代计算聚类结果的责任度与可信度,第Nγ次迭代的结构如下所示。
式中,λ为阻尼因子,用于加快AP聚类的收敛速度;
步骤(d):若Nγ达到最大设定次数,进入步骤(e),否则Nγ=Nγ+1,回到步骤(b)。
步骤(e):获取聚类中心集Enew=[E1,E1,...,EB]。
步骤4.4:由聚类中心集,建立新的用户集,若集合数大于设定值,则进入步骤4.2,否则进入步骤4.5。
步骤4.7:由聚类结果,计算聚类质量指标:
式中,dout(Ai)为类间平均距离,din(Ai)为类内数据间平均距离。
步骤4.8:利用式(8)更新用户自我相似度。
式中,μm为相似度中值,Q为聚类数。
步骤4.10:比较不同聚类数下对应的聚类质量指标,由下式确定最佳聚类数c*。
c*=argmaxQZQ,av (10)
最后基于聚类结果将数据集划分为异常天气状态下出力数据集和正常天气状态下出力数据集。
S105,根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估。
S105具体包括:
其中,F为机组的出力受限程度预估,m为风电场内机组总数,WTt i为机组i在t时刻的机组停机风险,K为天气特征指标,若天气特征为异常天气,则值为0,反之,则为1。
S106,根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充。
如图3所示,深度卷积生成对抗网络是对GAN的改进,它将卷积网络引入GAN的结构中,基于卷积网络较强的特征提取能力来提升GAN生成的数据质量。
式中,Pdata表示真实数据分布,Pz表示采样噪声分布,当二者趋于一致时,DCGAN达到最优解。
基于DCGAN网络,输入随机变量,生成异常天气状态下的运行数据。
S107,根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构。
S108,根据重构后的数据集训练深度时序网络模型LSTM;训练好的深度时序网络模型用于输出风电场功率概率。
LSTM通过引入遗忘门等结构,有选择性的储存信息,延长循环神经网络的时序信息学习范围。
一层LSTM神经网络有一组循环结构构成,每个循环结构包括:输入门、输出门、遗忘门和单元状态模块。
输入门决定着当前输入神经网络的数据会有多少能够保存至单元状态。通过输入当前时刻所有的输入参数xt以及上一时刻的隐藏状态下的输出参数ht-1,实现输入门的计算:
it=σ(Wi[ht-1,xt]+bi);
遗忘门控制上一时刻的数据保存到这一时刻数据的数量,使用tanh激活函数,计算公式如下:
ft=σ(Wf[ht-1,xt]+bf);
Ct′=tanh(Wc[ht-1,xt]+bc);
输出门控制当前的单元状态会有多少输出到当前数据,输出门Ot的计算公式如下:
ot=σ(Wo[ht-1,xt]+bo);
LSTM神经网络中包括长期记忆和短期记忆的传递,通过计算输入门、输出门、以及上一时刻的记忆信息实现长期记忆的传递。短期记忆通过计算输出门以及激活长期记忆中的信息实现传递。实现长期记忆以及短期记忆的传递公式分别如下:
Ct=ftCt-1+itCt′;
ht=ot tanh(Ct);
其中Wi,Wf,WC,Wo分别为输入门,遗忘门,输出门中的权重矩阵;xt为输入参数;ht为隐藏状态中的输出参数;b为偏置量。最终输出风电场的功率概率分布。
在完成设定次数的优化后,分散式风电功率预测模型即训练完毕,可以进行实时预测。
S109,根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。
S109具体包括:
获取风电场实时数据与异常天气特征评价指标集合。
根据风电场实时数据与异常天气特征评价指标集合,采用训练好的深度时序网络模型,确定风电场功率概率。
利用异常天气识别与分类结果对风电场功率概率进行修正,确定风电功率的预测结果。
式中,PPR_max为功率概率分布中最大概率的功率值;PPR_95%-为95%置信度的功率下限,Fab为异常天气判别结果,若为异常天气,其值为1,否则为0。
图4为本发明所提供的一种面向异常天气状态的风电功率预测系统结构示意图,如图4所示,本发明所提供的一种面向异常天气状态的风电功率预测系统,应用于上述一种面向异常天气状态的风电功率预测方法,所述系统包括:
机组风速数据检测模块401,用于对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险;所述机组风速数据包括:机组风速、测风塔风速以及来流风向。
风电场风速表征矩阵确定模块402,用于对异常数据进行修正;根据来流风向确定不同机组位置的平均风速;并根据不同机组位置的平均风速以及修正后的机组风速数据确定风电场风速表征矩阵;所述机组位置包括:前段机组、中段机组以及后段机组。
异常天气特征评价体系构建模块403,用于根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系;所述异常天气特征评价体包括:理论功率偏差幅度、叶尖速度、叶片温度以及桨距角变化幅度。
异常天气识别与分类结果确定模块404,用于根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集。
出力受限程度预估模块405,用于根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估。
数据扩充模块406,用于根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充。
数据集重构模块407,用于根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构。
训练好的深度时序网络模型确定模块408,用于根据重构后的数据集训练深度时序网络模型;训练好的深度时序网络模型用于输出风电场功率概率。
预测结果确定模块409,用于根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。
所述机组风速数据检测模块401具体包括:
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种面向异常天气状态的风电功率预测方法,其特征在于,包括:
对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险;所述机组风速数据包括:机组风速、测风塔风速以及来流风向;
对异常数据进行修正;根据来流风向确定不同机组位置的平均风速;并根据不同机组位置的平均风速以及修正后的机组风速数据确定风电场风速表征矩阵;所述机组位置包括:前段机组、中段机组以及后段机组;
根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系;所述异常天气特征评价体包括:理论功率偏差幅度、叶尖速度、叶片温度以及桨距角变化幅度;
根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集;
根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估;
根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充;
根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构;
根据重构后的数据集训练深度时序网络模型;训练好的深度时序网络模型用于输出风电场功率概率;
根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。
3.根据权利要求1所述的一种面向异常天气状态的风电功率预测方法,其特征在于,所述根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系,具体包括:
利用公式Δθt=θt-θt-1确定桨距角变化幅度;
其中,Δp为理论功率偏差幅度,vblade为叶尖速度,Tblade为叶片温度,Δθt为桨距角变化幅度,pactual为风电场实际输出功率,CP为风能利用系数,θ为场站内机组的平均桨距角,R为机组叶片长度,v为来流风速,ω为风轮角速度,Tav为风电场实测温度,Pav为风电场实测压强,θt与θt-1分别为当前时刻t与前一时刻t-1的桨距角,ρ为空气密度。
4.根据权利要求1所述的一种面向异常天气状态的风电功率预测方法,其特征在于,所述根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集,具体包括:
根据异常天气特征评价体系,以皮尔逊系数为指标计算不同时刻天气特征相似度;
将异常天气特征评价体系划分为h个部分,以每部分中天气相似度中值为自我相似度;
对每部分数据进行AP聚类,得到聚类中心;
根据聚类中心,确定新的用户集;若新的用户集大于设定值,则返回所述将异常天气特征评价体系划分为h个部分,以每部分中天气相似度中值为自我相似度的步骤;反之,则初始化新的用户集的自我相似度;
对新的用户集进行AP聚类,得到二次聚类中心与聚类数;
根据二次聚类中心与聚类数计算聚类质量指标;
更新自我相似度;
判断聚类数是否为2,若为2,则比较不同聚类数下对应的聚类质量指标,并确定最佳聚类数,完成异常天气识别与分类;反之,则返回所述对新的用户集进行AP聚类,得到二次聚类中心与聚类数的步骤。
6.根据权利要求1所述的一种面向异常天气状态的风电功率预测方法,其特征在于,所述根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果,具体包括:
获取风电场实时数据与异常天气特征评价指标集合;
根据风电场实时数据与异常天气特征评价指标集合,采用训练好的深度时序网络模型,确定风电场功率概率;
利用异常天气识别与分类结果对风电场功率概率进行修正,确定风电功率的预测结果。
7.一种面向异常天气状态的风电功率预测系统,应用于权利要求1-6任意一项所述的一种面向异常天气状态的风电功率预测方法,其特征在于,所述系统包括:
机组风速数据检测模块,用于对机组风速数据进行异常值检测,确定异常数据;根据异常数据确定数据异常比例;并根据所述数据异常比例确定机组停机风险;所述机组风速数据包括:机组风速、测风塔风速以及来流风向;
风电场风速表征矩阵确定模块,用于对异常数据进行修正;根据来流风向确定不同机组位置的平均风速;并根据不同机组位置的平均风速以及修正后的机组风速数据确定风电场风速表征矩阵;所述机组位置包括:前段机组、中段机组以及后段机组;
异常天气特征评价体系构建模块,用于根据风电场风速表征矩阵、机组转速、功率、桨距角、温度以及湿度构建异常天气特征评价体系;所述异常天气特征评价体包括:理论功率偏差幅度、叶尖速度、叶片温度以及桨距角变化幅度;
异常天气识别与分类结果确定模块,用于根据异常天气特征评价体系,基于滚动AP聚类的异常天气识别与分类确定正常天气状态下出力数据集和异常天气状态下出力数据集;
出力受限程度预估模块,用于根据机组停机风险以及异常天气状态下出力数据集进行出力受限程度预估;
数据扩充模块,用于根据异常天气状态下出力数据集和随机变量,采用深度卷积生成对抗网络,进行数据扩充;
数据集重构模块,用于根据扩充后的数据、正常天气状态下出力数据集以及出力受限程度预估进行数据集重构;
训练好的深度时序网络模型确定模块,用于根据重构后的数据集训练深度时序网络模型;训练好的深度时序网络模型用于输出风电场功率概率;
预测结果确定模块,用于根据训练好的深度时序网络模型和异常天气识别与分类结果确定风电功率的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095262.1A CN115640737A (zh) | 2022-09-05 | 2022-09-05 | 一种面向异常天气状态的风电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095262.1A CN115640737A (zh) | 2022-09-05 | 2022-09-05 | 一种面向异常天气状态的风电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640737A true CN115640737A (zh) | 2023-01-24 |
Family
ID=84942532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211095262.1A Pending CN115640737A (zh) | 2022-09-05 | 2022-09-05 | 一种面向异常天气状态的风电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640737A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893030A (zh) * | 2024-03-14 | 2024-04-16 | 中智(福建)科技有限公司 | 基于大数据的电力系统风险预警方法 |
-
2022
- 2022-09-05 CN CN202211095262.1A patent/CN115640737A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893030A (zh) * | 2024-03-14 | 2024-04-16 | 中智(福建)科技有限公司 | 基于大数据的电力系统风险预警方法 |
CN117893030B (zh) * | 2024-03-14 | 2024-05-28 | 中智(福建)科技有限公司 | 基于大数据的电力系统风险预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106873359B (zh) | 一种基于聚类分析和神经网络的风电噪声评价方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
WO2022100021A1 (zh) | 基于风机相互预警的虚拟激光雷达系统及方法 | |
CN109784563B (zh) | 一种基于虚拟测风塔技术的超短期功率预测方法 | |
CN111833202B (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN111091298B (zh) | 一种风电场流场耦合特性评估与智能分群方法及系统 | |
CN113505938A (zh) | 一种超短期风电功率组合预测方法及系统 | |
Dimitrov et al. | From SCADA to lifetime assessment and performance optimization: how to use models and machine learning to extract useful insights from limited data | |
CN115013258B (zh) | 一种风电机组机前风速智能软测量方法 | |
CN115640737A (zh) | 一种面向异常天气状态的风电功率预测方法及系统 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN107657116B (zh) | 一种风电场功率曲线仿射建模的方法 | |
CN113449847B (zh) | 考虑秒级时间序列风速变化的海上风电功率滚动预测方法 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Cabezon et al. | Comparison of methods for power curve modelling | |
CN116596165B (zh) | 一种风力发电功率预测方法及系统 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN115977874B (zh) | 基于激光测风雷达的风电机组偏航自适应校准方法及系统 | |
CN115204712B (zh) | 一种海上和沿海风电场选址评估方法 | |
CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN113379151A (zh) | 基于Bagging-CNN-GRU的风速超短期预测方法 |
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 |