CN116307282A - 一种基于机理模型和数据驱动的风电功率预测方法及系统 - Google Patents
一种基于机理模型和数据驱动的风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN116307282A CN116307282A CN202310564512.XA CN202310564512A CN116307282A CN 116307282 A CN116307282 A CN 116307282A CN 202310564512 A CN202310564512 A CN 202310564512A CN 116307282 A CN116307282 A CN 116307282A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- model
- wind power
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000007246 mechanism Effects 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012876 topography Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005094 computer simulation Methods 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电功率预测技术领域,尤其涉及一种基于机理模型和数据驱动的风电功率预测方法及系统。其包括:建立WRF模型,获取并处理得到风电场数值天气预报数据,风电场数值天气预报数据包括风速、风向、温度、相对湿度和气压;风电场地形建模;建立基于数据驱动的风电功率预测模型;利用基于机理模型和数据驱动融合的风电机组功率预测方法,对单台风电机组进行功率预测;在NWP气象数据预测和单台风电机组功率预测基础上,实现风电场的功率预测,为风电场综合调度和设备运行、检修提供决策支持。
Description
技术领域
本发明涉及风电功率预测技术领域,尤其涉及一种基于机理模型和数据驱动的风电功率预测方法及系统。
背景技术
风电功率预测技术是以风电场气象信息、历史功率数据等为依据,利用物理模拟计算及数学统计等方法,通过对风电场的风速、出力等分析挖掘,进而进行风电场功率的预测,为电力调度部门制定风电调度方案提供依据。
风电功率预测技术的发展,按照预测模型分类,分为基于物理模型的预测方法和基于数学统计模型的预测方法。
基于物理模型的预测方法的原理是首先获取风电场所在地的中尺度数值天气预报数据,具体包括风速、风向、湿度、气压等,然后根据风电场所在地的地形和地表植被等进行局地建模,将数值天气预报参数转化为风机所在位置轮毂高度(一般为70米)的风速和风向,最后结合风机的功率曲线,得到风机发电的实时功率预测值。该模型适用于风电场的长期预测和短期预测,缺点是建模流程复杂,计算量大,数学过程复杂;预测精度依赖数值天气预报数据的精度和完整性;物理模型的预测流程较长,在预测过程中容易造成误差的积累。
传统的风电场局地建模方式是以现场测量数据为基础,利用统计方法进行分析,该方法得到的结果很精确,但这种方法的基础是长期具有代表性的现场观测数据,需要耗费大量的人力、物力和时间。随着计算机仿真技术和算力的不断发展,数值模拟方法近年来得到迅速发展。
数学统计模型有两种思路:一是使用数学模型表达数值天气预报参数(风速、风向、气压和湿度)与风电场发电功率间的函数关系,再根据未来的数值天气预报值,通过上述数据模型预测风功率;二是认为风电场历史发电功率数据中已暗含了各种天气因素的影响,因此使用大数据挖掘的方法对历史数据进行学习挖掘并外推,从而获得风电功率的预测值。该模型适用于超短期功率预测。缺点是该模型预测精度依赖于历史数据,历史数据越多、越详实,预测精度越高,另外,建模过程没有考虑风电场及风机发电实际物理过程机理模型,仅仅通过数据分析建立预测模型,容易导致建模精度不高,模型鲁棒性差。
发明内容
本发明针对现有技术的不足,本发明提供了一种基于机理模型和数据驱动的风电功率预测方法,该方法重点解决超短期和短期预测时间尺度下传统风电功率预测方法建模复杂、计算量大、模型鲁棒性不强、预测精度不高的问题。
本发明解决技术问题的技术方案为:
一种基于机理模型和数据驱动的风电功率预测方法,包括以下步骤:
步骤1. 建立WRF模型,获取并处理得到风电场数值天气预报数据,风电场数值天气预报数据包括:风速、风向、温度、相对湿度和气压;
步骤2:风电场地形建模;
步骤3:建立基于数据驱动的风电功率预测模型;
步骤3.1:获取风电机组结构、运行数据和NWP预测数据,NWP预测数据包括风速、风向、温度、相对湿度和气压;
步骤3.2:对原始数据进行清洗并进行归一化处理,将数据映射到[0, 1]区间;
步骤3.3:通过特征提取和工况挖掘操作,获得经过解耦的、冗余度低的数据集,然后再根据风电机组机理模型,以风电机组输出功率为主参数,划分风机工况,为后续模型训练和验证准备数据;
步骤3.4:构建支持向量分位数回归模型,划分数据集为训练集、验证集和测试集,利用训练集进行模型训练,采用五折交叉验证方法进行模型验证;
步骤3.5:利用测试集,按照机器学习模型测试规范,对上述训练好的模型进行测试,并通过风电机组功率曲线进行对照,多方面验证模型的准确性;
步骤3.6:经过充分测试和验证的风电功率预测模型,在线进行部署经过一段时间,结合系统在线运行数据,再对模型进行优化提升,然后进行模型的离线更新;
步骤4:通过基于机理模型和数据驱动融合的风电功率预测模型和计算,对单台风电机组进行功率预测;
步骤5:在NWP气象数据预测和步骤4单台风电机组功率预测基础上,实现风电场的功率预测,为风电场综合调度和设备运行、检修提供决策支持。
作为优化,采用计算流体力学仿真建模方法,进行风电场地形建模,步骤如下:
1)根据给定风电场及其周围区域的地形高程和粗糙度数据建立风电场地形模型,根据风电场范围和实际地形特征因素选定计算区域并确定仿真模型的网格划分方案,建立风电场实地网格模型;
2)以速度和风向表征风电场的来流风况条件,对风电场内可能出现的风况范围进行离散,选定湍流模型流场仿真计算策略以后,分别以各离散风况为边界条件对不同风况下的风电场流场进行数值模拟;
3)从获得的不同来流条件下的稳态风电场流场分布中提取出风速和风向预测所需的全部流场特性数据,考虑风电机组之间的尾流影响后计算出不同风电机组处的风速衰减、最终建立不同风电场来流风况条件下的测风塔及各台风电机组轮毂高度的风速、风向数据库。
作为优化,水平方向,采用局部网格加密方案,所选取的计算区域应以风电场为中心,计算网格加密区域至少应沿着风电场边界向外扩展3~5倍风轮直径,加密区域距离计算域边界至少要预留3~5km。垂直方向,近地面处,网格较为稠密,距离地面越高处网格越稀疏,地面以上100m高度的范围内,要包含7~10层网格,且第一层网格的高度不能过低,对于复杂地形而言,模型总高度应为地形相对高差的5倍。
作为优化,步骤3.3中使用公式如下:
作为优化,向量分位数回归模型获取过程如下:
给定训练样本,其中/>,为特征向量,/>,为目标输出,/>,寻找回归函数/>,使得损失函数/>在训练集上误差最小;SVR模型采用/>不敏感损失函数,/>,/>为回归函数,/>为特征向量,和/>为模型系数。约束条件:
在另一些实施方式中,采用如下技术方案:
一种基于机理模型和数据驱动的风电功率预测系统,包括:
数据获取模块,获取风电机组结构及运行数据和NWP预测数据,NWP预测数据包括风速、风向、温度、相对湿度和气压;
数据建立模块,用于对获得数据信息进行数据清洗和归一化处理处理;
数据集成单元,获得经过解耦的、冗余度低的数据集,并以风电机组输出功率为主参数,划分风机工况;
数据集划分训练单元,用于数据集划分为训练集、验证集和测试集,并利用训练集进行模型的训练;
模型验证单元,利用测试集,按照机器学习模型测试与评估指标,包括但不限于准确率、精确率、召回率、F1值等,对上述训练好的模型进行测试,与风电机组功率曲线进行对照;
风电机组功率预测模块,物理模型中结合NWP预测值,获取的风机所在位置和高度的风速和风向数据,输出单台风电机组功率预测数据;
风电场功率预测模块,NWP预测值和单台风电机组功率预测数据基础上,输出风电场的功率预测数据。
在另一些实施方式中,采用如下技术方案:一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行所述的基于机理模型和数据驱动的风电功率预测方法。
在另一些实施方式中,采用如下技术方案:一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于机理模型和数据驱动的风电功率预测方法。
本发明工作原理:
基于数值天气预报(NWP)得到风电场所在地的气象资料(如风速、风向等的预测值),然后通过计算流体力学(CFD)模拟仿真等途径进行风电场的局地建模,同时考虑尾流效应、粗糙度和地形的变化,根据此模型将NWP预测值转化为风机所在位置和高度的风速和风向数据,最后与风机的功率曲线相匹配,得到风电功率预测值。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案具有如下优点或有益效果:
本发明基于风电场及风力发电系统机理模型和数据驱动相结合策略,充分利用风电功率预测机理模型机理过程明确、流程清晰、可解释性强的优势以及数据驱动模型特征提取方便、建模手段多样、数据分析快速、推理能力强的特点,将先进的统计方法和物理方法等智能算法集成,同时根据风电场及风机运行工况变动,定期更新预测模型,将历史运行数据和典型工况不断迭代应用到预测模型的训练过程中,形成预测模型的闭环管理,不断提高超短期和短期预测时间尺度的下的风电功率预测精度,最终实现准确、迅速、可靠的风电功率预测;
将风电机组机理模型和基于数据驱动的机器学习算法融合,有效利用两种预测方法的优点,进行数值天气预报和风电功率预测,解决了风电机组功率预测中物理建模难度大、计算资源要求高以及只通过数据挖掘算法特征提取复杂等问题;通过CFD仿真模拟手段进行基于地形的风电场建模,能够避免传统风电场建模存在的依赖于长期具有代表性的现场观测数据,需要耗费大量的人力、物力、时间的弊端,同时边界条件设置灵活,湍流等仿真模型可根据实际情况进行设置,亦可以提高仿真精度,通过网格划无关性和模型无关性验证,保证仿真结果符合风电场实际,杜绝违反物理规律的仿真结果;建立基于数据驱动的风电功率非线性预测模型,采用偏互信息理论PMI进行特征提取,采用支持向量回归SVR进行模型拟合,能够较好地描述气象预报信息跟风电功率间复杂的对应关系,获取不同时间跨度的风电功率预测结果,可有效避免传统的基于风电功率映射算法的功率预测方法存在的需要定期重测功率曲线的弊端,利用本发明提出的预测算法,当风电机组大修或者运行工况出现大的改动,只需要采集最新的机组运行数据,更新预测模型即可。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
附图1为风电机组功率预测算法流程图。
附图2为特征工程流程图。
具体实施方式
为了能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。
实施例1一种基于机理模型和数据驱动的风电功率预测方法,包括以下步骤:
步骤1.风电场数值天气预报,过程如下:
步骤1.1建立WRF模型,WRF模型主要考虑的因素包括:
GFS数据分辨率及网格大小、预测区域中心、嵌套层数、水平和垂直网格数目、模式大气顶、积分步长及输出时间分辨率等;
在本实施例中,采用如下的设计方案:
WRF模式方案设计如下:0.25°×0.25°分辨率的GFS数据网格大小约为27km,以(36.5°N,118°E)为中心,采用三层嵌套方案,水平网格数目(分辨率)分别为120×120(18km)、121×121(6km)、152×152(km),垂直层数为35层,模式大气顶固定在5000Pa,积分步长为60s,输出时间分辨率为15min;
步骤1.2预报要素提取,采用气象预报开源算法wrf-python及数据可视化处理工具NCL等,经数据处理,得到的最终预报气象要素,预报气象要素包括:风速、风向、温度、相对湿度和气压;
步骤1.3NWP自动化运行流程如下:
第一步:使用python脚本自动下载风电场气象预报所需范围的GFS数据,当脚本程序检测到数据更新后开始下载0.25°×0.25°分辨率的GFS预报数据;
第二步:WRF模式运行:测到GFS数据下载完毕后,获取服务器当前时间以修改配置文件,起始时间根据实际情况选择为0时,6时,12时和18时,结束时间推延7日,整个过程为顺序执行的shell指令,此阶段每步运行成功均显示成功标志,出错后发送报警信息并记录出错位置;
第三步:预报文件生成与分发:WRF模式运行完成后会生成wrfout输出文件,python脚本会自动生成间隔15分钟的时间序列,与对应时间的预报要素一起生成预报文件并发送到风电场运行服务器,供后续风电功率预测系统其他模块调取。
步骤2:风电场地形建模
步骤2.1 风电场局地建模过程:
第一步:根据风电场所在地地形和地表粗糙度进行建模,地表粗糙度估算方法主要有:用最小二乘拟合对数风廓线法、与粗糙元高度的相关法、风速指数法、数值计算模式中的面积平均法、Davenport土地类型划分法等;
第二步:综合考虑上风向风电机组的尾流因素,得到风电机组所在位置的轮毂高度的风速、风向数据,尾流模型是描述风电机组尾流结构的数学模型,用于计算风电机组尾流区域内的流速分布和风电场内处于尾流区域内的功率输出,目前常用的尾流模型主要有基于动量损失理论的Jensen模型、欧洲风电机组标准推荐的Larsen模型等;
第三步:结合风电场地形,对风电场所在地的数值天气预报数据进行降维操作,将NWP网格的风电场参数转化为风电场风电机组位置轮毂高度处的风速和风向,为全面进行风电功率预测提供地形和气象数据支撑,随着计算机仿真技术和算力的不断发展,数值模拟方法近年来得到迅速发展,本发明采用计算流体力学(CFD)仿真建模方法,进行风电场地形建模。
具体,本发明使用CFD方法对风电场地形建模的步骤如下:
第一步:根据给定风电场及其周围区域的地形高程和粗糙度数据建立风电场地形模型,根据风电场范围和实际地形特征等因素选定计算区域并确定仿真模型的网格划分方案,建立风电场实地网格模型:
水平方向,采用局部网格加密方案,所选取的计算区域应以风电场为中心,计算网格加密区域至少应沿着风电场边界向外扩展3~5倍风轮直径,加密区域距离计算域边界至少要预留3~5km;垂直方向,近地面处,网格较为稠密,距离地面越高处网格越稀疏,地面以上100m高度的范围内,要包含7~10层网格,且第一层网格的高度不能过低,对于复杂地形而言,模型总高度应为地形相对高差的5倍;
第二步:以速度和风向表征风电场的来流风况条件,对风电场内可能出现的风况范围进行离散,选定湍流模型等流场仿真计算策略以后,分别以各离散风况为边界条件对不同风况下的风电场流场进行数值模拟;
第三步:从获得的不同来流条件下的稳态风电场流场分布中提取出风速和风向预测所需的全部流场特性数据,同时考虑风电机组之间的尾流影响,最终建立不同风电场来流风况条件下的测风塔及各台风电机组轮毂高度的风速、风向数据库。
步骤3:建立基于数据驱动的风电功率预测模型
基于风电场历史数据,找到通过数学方法找到风电功率跟历史数据中风速、风向的函数关系,即可根据未来NWP的风速、风向参数预测将来一段时间(比如7日)的风电机组及风电场功率值,风速时间序列:,风向时间序列:,历史数据中风速、风向的函数关系如下:
根据步骤2得到的NWP模型中的风速、风向数据,通过上述数学统计模型,即可获得风电功率预测值;非线性方法能够较好地描述气象预报信息跟风电功率间复杂的对应关系,可显著提高风电功率预测精度,常用的统计方法包括但不限于深度学习、支持向量机(SVM)、混沌方法等。
本实施例中选择支持向量机作为基于数据驱动的风电功率预测算法模型,建模步骤如下:
步骤3.1:获取风电机组结构、运行数据和NWP预测数据,NWP预测数据包括:风速、风向、温度、相对湿度和气压;
步骤3.2:数据清洗和预处理;
首先对原始数据进行清洗,比如剔除异常值和通过插值等方法补充缺失值等,然后进行归一化处理,将数据映射到[0, 1]区间,保证模型训练和测试效果;
步骤3.3:通过特征提取和工况挖掘操作,获得经过解耦的、冗余度低的数据集,然后再根据风电机组机理模型,以风电机组输出功率为主参数,划分风机工况,为后续模型训练和验证准备数据;
步骤3.4:构建支持向量分位数回归模型,划分数据集为训练集、验证集和测试集,利用训练集进行模型训练,采用五折交叉验证方法进行模型验证;向量回归SVR(SupportVector Regression)是在统计学习理论基础上发展起来的一种机器学习方法,以结构风险最小化为原则,在最小化样本点误差的同时,缩小模型泛化误差上界,提高模型泛化能力;其拓扑结构只与支持向量有关,适合小样本学习。对于非线性回归建模问题,SVR通过一个非线性映射,将数据集/>映射到高维特征空间S,并在空间S构造超平面,实现线性回归分析;
步骤3.5:利用测试集,按照机器学习模型测试规范,对上述训练好的模型进行测试,并通过风电机组功率曲线进行对照,多方面验证模型的准确性;
步骤3.6:经过充分测试和验证的风电功率预测模型,在线进行部署经过一段时间,结合系统在线运行数据,再对模型进行优化提升,然后进行模型的离线更新;
步骤4:通过基于机理模型和数据驱动融合的风电功率预测模型和计算,对单台风电机组进行功率预测;
步骤5:在NWP气象数据预测和步骤4单台风电机组功率预测基础上,实现风电场的功率预测,为风电场综合调度和设备运行、检修提供决策支持。
本实施例中,采用计算流体力学仿真建模方法,进行风电场地形建模,步骤如下:
1)根据给定风电场及其周围区域的地形高程和粗糙度数据建立风电场地形模型,根据风电场范围和实际地形特征因素选定计算区域并确定仿真模型的网格划分方案,建立风电场实地网格模型;
2)以速度和风向表征风电场的来流风况条件,对风电场内可能出现的风况范围进行离散,选定湍流模型流场仿真计算策略以后,分别以各离散风况为边界条件对不同风况下的风电场流场进行数值模拟;
从获得的不同来流条件下的稳态风电场流场分布中提取出风速和风向预测所需的全部流场特性数据,考虑风电机组之间的尾流影响后计算出不同风电机组处的风速衰减、最终建立不同风电场来流风况条件下的测风塔及各台风电机组轮毂高度的风速、风向数据库。
本实施例中,风电机组运行数据包含大量强耦合参数,信息冗余度大,在做进一步数据挖掘和模型训练前,必须通过特征工程进行参数选择;互信息(Mutual Information,MI)用于衡量2个随机变量间的相互依赖程度,其值的大小表示2个变量间含有共同信息的多少,变量间的耦合会影响互信息值;偏互信息(Partial Mutual Information, PMI)通过计算变量的条件期望来消除变量间的耦合因素对互信息的影响,计算公式如下:
为Y,Z之间的偏互信息,U,Z表示消除X耦合影响因素之后的Y,Z;基于PMI进行特征选择的流程如附图2所示,C为初步筛选出的自变量集合,Y为因变量集合,S为最终选出的输入变量集合,/>为结束条件,计算公式为:,/>为样本个数;/>为根据已选择变量计算的Y的回归残差;/>为已选择变量个数,通过以上特征工程操作,获得经过解耦的、冗余度低的数据集,然后再根据风电机组机理模型,以风电机组输出功率为主参数,划分风机工况,为后续模型训练和验证准备数据。
互信息(Mutual Information, MI)用于衡量2个随机变量间的相互依赖程度,其值的大小表示2个变量间含有共同信息的多少,变量间的耦合会影响互信息值。偏互信息(Partial Mutual Information, PMI)通过计算变量的条件期望来消除变量间的耦合因素对互信息的影响,单台风机及风电场运行数据主要包括:风电场数值天气预报数据:包括步骤1得到的风速、风向、温度、相对湿度和气压等;风电场地形数据,包括步骤5通过计算流体力学仿真建模获取的地形数据等;风电机组数据,包括机组结构参数、发电功率、减速机和发电机等重要旋转设备振动和温度监测数据、电气参数、风机叶片角度、主轴扭矩、环境温湿度等。上述数据包含大量强耦合参数,信息冗余度大,在做进一步数据挖掘前,必须通过特征工程进行参数选择。本发明提供的算法,通过引入核函数技术,即通过非线性变换φ(x),将输入空间映射到高维特征空间,从而实现线性可分,可有效解决高维特征空间运算时存在的“维数灾难”问题,能够获得经过解耦的、冗余度低的数据集,为基于机理模型和数据驱动的风电功率预测算法的建立和训练提供训练、验证和测试数据集,有助于解决传统风电功率预测方法的数据集耦合性强、特征提取困难以及预测精度不高的问题。通过将步骤3.3获得的数据集作为输入数据,利用本发明提供的建模方法建立风电功率预测的数据驱动模型,跟步骤3所述的风电功率预测的机理模型相互对照验证,实现机理模型和数据驱动模型的融合,充分利用风电功率预测机理模型机理过程明确、流程清晰、可解释性强的优势以及数据驱动模型特征提取方便、建模手段多样、数据分析快速、推理能力强的特点,最终实现准确、迅速、可靠地风电功率预测。
本实施例中,向量分位数回归模型获取过程如下:
支持向量回归模型是在统计学习理论基础上发展起来的一种机器学习方法,以结构风险最小化为原则,在最小化样本点误差的同时,缩小模型泛化误差上界,提高模型泛化能力。其拓扑结构只与支持向量有关,适合小样本学习;对于非线性回归建模问题,通过设计一个非线性映射,将数据集/>映射到高维特征空间/>,并在空间/>构造超平面,实现线性回归分析,可以很好地处理高维数据集;支持向量回归模型可以实现全局最优化计算,不存在人工神经网络算法等其他机器学习算法遇到的局部极小值问题;模型泛化能力强,能够有效解决传统风电功率预测方法存在的建模复杂、模型鲁棒性不强等问题
实施例2 一种基于机理模型和数据驱动的风电功率预测系统, 数据获取模块,获取风电机组结构及运行数据和NWP预测数据,NWP预测数据包括风速、风向、温度、相对湿度和气压;数据建立模块,用于对获得数据信息进行数据清洗和归一化处理处理;数据集成单元,获得经过解耦的、冗余度低的数据集,并以风电机组输出功率为主参数,划分风机工况;数据集划分训练单元,用于数据集划分为训练集、验证集和测试集,并利用训练集进行模型的训练; 模型验证单元,利用测试集,对上述训练好的模型进行测试,与风电机组功率曲线进行对照;风电机组功率预测模块,物理模型中结合NWP预测值,获取的风机所在位置和高度的风速和风向数据,输出单台风电机组功率预测数据;风电场功率预测模块,NWP预测值和单台风电机组功率预测数据基础上,输出风电场的功率预测数据。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了详细的说明,此处不再详述。
实施例3 一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,指令适于由处理器加载并执行所述的基于机理模型和数据驱动的风电功率预测方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程
逻辑器件等。通用处理器可以是微处理器或者其他常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例4 一种计算机可读存储介质,其中存储有多条指令,其指令适于由终端设备的处理器加载并执行所述的基于机理模型和数据驱动的风电功率预测方法。
上述虽然结合附图对发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于机理模型和数据驱动的风电功率预测方法,其特征是,包括以下步骤:
步骤1. 建立WRF模型,获取并处理得到风电场数值天气预报数据,风电场数值天气预报数据包括:风速、风向、温度、相对湿度和气压;
步骤2:风电场地形建模;
步骤3:建立基于数据驱动的风电功率预测模型;
步骤3.1:获取风电机组结构、运行数据和NWP预测数据,NWP预测数据包括:风速、风向、温度、相对湿度和气压;
步骤3.2:对原始数据进行清洗并进行归一化处理,将数据映射到[0, 1]区间;
步骤3.3:通过特征提取和工况挖掘操作,获得经过解耦的、冗余度低的数据集,然后再根据风电机组机理模型,以风电机组输出功率为主参数,划分风机工况;
步骤3.4:构建支持向量分位数回归模型,划分数据集为训练集、验证集和测试集,利用训练集进行模型训练,采用五折交叉验证方法进行模型验证;
步骤3.5:利用测试集,按照机器学习模型测试规范,对上述训练好的模型进行测试,并通过风电机组功率曲线进行对照,多方面验证模型的准确性;
步骤3.6:经过充分测试和验证的风电功率预测模型,在线进行部署经过一段时间,结合系统在线运行数据,再对模型进行优化提升,然后进行模型的离线更新;
步骤4:通过基于机理模型和数据驱动融合的风电功率预测模型和计算,对单台风电机组进行功率预测;
步骤5:在NWP气象数据预测和步骤4单台风电机组功率预测基础上,实现风电场的功率预测。
2.根据权利要求1所述的基于机理模型和数据驱动的风电功率预测方法,其特征是:采用计算流体力学仿真建模方法,进行风电场地形建模,步骤如下:
1)根据给定风电场及其周围区域的地形高程和粗糙度数据建立风电场地形模型,根据风电场范围和实际地形特征因素选定计算区域并确定仿真模型的网格划分方案,建立风电场实地网格模型;
2)以速度和风向表征风电场的来流风况条件,对风电场内可能出现的风况范围进行离散,选定湍流模型流场仿真计算策略以后,分别以各离散风况为边界条件对不同风况下的风电场流场进行数值模拟;
3)从获得的不同来流条件下的稳态风电场流场分布中提取出风速和风向预测所需的全部流场特性数据,考虑风电机组之间的尾流影响后计算出不同风电机组处的风速衰减、最终建立不同风电场来流风况条件下的测风塔及各台风电机组轮毂高度的风速、风向数据库。
3.根据权利要求2所述的基于机理模型和数据驱动的风电功率预测方法,其特征是:水平方向,采用局部网格加密方案,所选取的计算区域应以风电场为中心,计算网格加密区域至少应沿着风电场边界向外扩展3~5倍风轮直径,加密区域距离计算域边界至少要预留3~5km;垂直方向,近地面处,网格较为稠密,距离地面越高处网格越稀疏,地面以上100m高度的范围内,要包含7~10层网格,且第一层网格的高度不能过低,对于复杂地形而言,模型总高度应为地形相对高差的5倍。
6.一种基于机理模型和数据驱动的风电功率预测系统,其特征是,其包括:
数据获取模块,获取风电机组结构及运行数据和NWP预测数据,NWP预测数据包括风速、风向、温度、相对湿度和气压;
数据建立模块,用于对获得数据信息进行数据清洗和归一化处理;
数据集成单元,获得经过解耦的、冗余度低的数据集,并以风电机组输出功率为主参数,划分风机工况;
数据集划分训练单元,用于数据集划分为训练集、验证集和测试集,并利用训练集进行模型的训练;
模型验证单元,利用测试集,对上述训练好的模型进行测试,与风电机组功率曲线进行对照;
风电机组功率预测模块,物理模型中结合NWP预测值,获取的风机所在位置和高度的风速和风向数据,输出单台风电机组功率预测数据;
风电场功率预测模块,NWP预测值和单台风电机组功率预测数据基础上,输出风电场的功率预测数据。
7.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多
条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-6任一项所述的基于机理模型和数据驱动的风电功率预测方法。
8.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端
设备的处理器加载并执行权利要求1-6任一项所述的基于机理模型和数据驱动的风电功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564512.XA CN116307282A (zh) | 2023-05-19 | 2023-05-19 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564512.XA CN116307282A (zh) | 2023-05-19 | 2023-05-19 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307282A true CN116307282A (zh) | 2023-06-23 |
Family
ID=86796354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564512.XA Pending CN116307282A (zh) | 2023-05-19 | 2023-05-19 | 一种基于机理模型和数据驱动的风电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307282A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055487A (zh) * | 2023-08-24 | 2023-11-14 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663251A (zh) * | 2012-04-09 | 2012-09-12 | 华北电力大学 | 基于计算流体力学模型的风电场功率物理预测方法 |
CN108133225A (zh) * | 2017-10-23 | 2018-06-08 | 南京南瑞集团公司 | 一种基于支持向量机的覆冰闪络故障预警方法 |
CN108133280A (zh) * | 2017-10-23 | 2018-06-08 | 南京南瑞集团公司 | 一种基于偏互信息法的覆冰闪络影响因素筛选方法 |
CN108520310A (zh) * | 2018-03-01 | 2018-09-11 | 河南师范大学 | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 |
CN111612255A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于支持向量回归的风电场功率曲线建模方法 |
CN114971070A (zh) * | 2022-06-22 | 2022-08-30 | 内蒙古农业大学 | 一种预测矿区地下水位的方法 |
CN115146828A (zh) * | 2022-06-08 | 2022-10-04 | 上海电气风电集团股份有限公司 | 风功率预测方法及其装置及计算机可读存储介质 |
CN115470731A (zh) * | 2022-09-29 | 2022-12-13 | 福建国电风力发电有限公司 | 一种基于微气象的风场风电功率预测方法及系统 |
CN115618506A (zh) * | 2022-09-15 | 2023-01-17 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种单轴联合循环燃气轮机功率的预测方法 |
-
2023
- 2023-05-19 CN CN202310564512.XA patent/CN116307282A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663251A (zh) * | 2012-04-09 | 2012-09-12 | 华北电力大学 | 基于计算流体力学模型的风电场功率物理预测方法 |
CN108133225A (zh) * | 2017-10-23 | 2018-06-08 | 南京南瑞集团公司 | 一种基于支持向量机的覆冰闪络故障预警方法 |
CN108133280A (zh) * | 2017-10-23 | 2018-06-08 | 南京南瑞集团公司 | 一种基于偏互信息法的覆冰闪络影响因素筛选方法 |
CN108520310A (zh) * | 2018-03-01 | 2018-09-11 | 河南师范大学 | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 |
CN111612255A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于支持向量回归的风电场功率曲线建模方法 |
CN115146828A (zh) * | 2022-06-08 | 2022-10-04 | 上海电气风电集团股份有限公司 | 风功率预测方法及其装置及计算机可读存储介质 |
CN114971070A (zh) * | 2022-06-22 | 2022-08-30 | 内蒙古农业大学 | 一种预测矿区地下水位的方法 |
CN115618506A (zh) * | 2022-09-15 | 2023-01-17 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种单轴联合循环燃气轮机功率的预测方法 |
CN115470731A (zh) * | 2022-09-29 | 2022-12-13 | 福建国电风力发电有限公司 | 一种基于微气象的风场风电功率预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
于雷乐: "基于NWP和支持向量机的风电功率预测研究", 工程科技Ⅱ辑;信息科技 * |
祝金荣: "《石油期货价格预测研究[M]》", 北京:冶金工业出版社, pages: 55 - 58 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055487A (zh) * | 2023-08-24 | 2023-11-14 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
CN117055487B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Wind speed forecasting based on variational mode decomposition and improved echo state network | |
CN111461444B (zh) | 风电场的机组功率的预测方法、系统、介质及电子设备 | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN107507097A (zh) | 一种风电功率短期预测方法 | |
CN110705771B (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN116307282A (zh) | 一种基于机理模型和数据驱动的风电功率预测方法及系统 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN115293424A (zh) | 一种新能源最大发电能力计算方法、终端及存储介质 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN112700349A (zh) | 测风塔选址方法和装置 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
Stadtmann et al. | Standalone, Descriptive, and Predictive Digital Twin of an Onshore Wind Farm in Complex Terrain | |
CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
CN110968929A (zh) | 风电场风速的预测方法、装置及电子设备 | |
CN112231979B (zh) | 基于计算流体力学和机器学习的山区瞬时风况预报方法 | |
CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
Halidah et al. | Short-Term Wind Forecasting with Weather Data using Deep Learning-Case Study in Baron Techno Park | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
Ren et al. | A robust short-term wind power forecasting algorithm based on LSTM-XGBoost model | |
Namrata et al. | Data-Driven Hyperparameter Optimized Extreme Gradient Boosting Machine Learning Model for Solar Radiation Forecasting | |
Özgür | ANN-based evaluation of wind power generation: A case study in Kutahya, Turkey |
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 |