CN116562456A - 基于组合权重的多模式融合风机覆冰预测方法和装置 - Google Patents
基于组合权重的多模式融合风机覆冰预测方法和装置 Download PDFInfo
- Publication number
- CN116562456A CN116562456A CN202310558452.0A CN202310558452A CN116562456A CN 116562456 A CN116562456 A CN 116562456A CN 202310558452 A CN202310558452 A CN 202310558452A CN 116562456 A CN116562456 A CN 116562456A
- Authority
- CN
- China
- Prior art keywords
- air temperature
- fan
- data
- prediction
- wind power
- 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 150
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 229
- 238000004422 calculation algorithm Methods 0.000 claims description 69
- 230000002068 genetic effect Effects 0.000 claims description 67
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 18
- 230000032683 aging Effects 0.000 description 17
- 239000011248 coating agent Substances 0.000 description 13
- 238000000576 coating method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- VKALYYFVKBXHTF-UHFFFAOYSA-N 4-(methylsulfanyl)-m-cresol Chemical compound CSC1=CC=C(O)C=C1C VKALYYFVKBXHTF-UHFFFAOYSA-N 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及一种基于组合权重的多模式融合风机覆冰预测方法和装置。所述方法包括:获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据;对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据;将风机气温订正数据以及网格气温预报数据输入至风电区域对应的风机覆冰预报模型,得到风电区域对应的风机覆冰预报数据。采用本方法能够提高对风机顶部的覆冰情况进行预测的准确度。
Description
技术领域
本申请涉及电力安全技术领域,特别是涉及一种基于组合权重的多模式融合风机覆冰预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力安全技术的发展,出现了风电覆冰技术,由于大部分风电场建设在高山丘陵地区,冬季气温较低,极易发生风机覆冰灾害且持续时间较长,是影响风机发电效率最重要的因素之一,也是造成风机叶片覆冰的直接因素之一,当温度接近或低于0℃时,过冷水滴与风机叶片发生碰撞,易出现叶片覆冰现象。温度在空间尺度上的异质性强并且随着时间变化激烈,因此对气温数据的订正是非常必要的。
传统技术中,使用回归算法、随机森林算法和深度学习方法对风电场的近地面层的气温实现了预测,通过风电场的气温对风机的覆冰情况进行估计。由于风机一般安装在海拔较高的位置,风机的不同部位与近地面层的气温有一定差异,导致使用近地面层的气温对风机顶部的覆冰情况进行预测的准确度不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高对风机顶部的覆冰情况进行预测的准确度的基于组合权重的多模式融合风机覆冰预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于组合权重的多模式融合风机覆冰预测方法。所述方法包括:获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
第二方面,本申请还提供了一种基于组合权重的多模式融合风机覆冰预测装置。所述装置包括:数据获取模块,用于获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;气温预测模块,用于将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;气温修正模块,用于对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;覆冰预测模块,用于将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
上述一种基于组合权重的多模式融合风机覆冰预测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据;对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据;风机气温订正数据表征对风机实况气温数据进行修正得到的数据;将风机气温订正数据以及网格气温预报数据输入至风电区域对应的风机覆冰预报模型,得到风电区域对应的风机覆冰预报数据;风机覆冰预报数据用于预测风电区域各风机的覆冰情况。
通过使用风机实况气温数据、网格气温预报数据、以及风机位置数据中的坡度、坡向、海拔高度等数据组成样本数据集,将样本随机分配为训练组和测试组,建立多个基于MMTP的风机温度订正模型,进一步使用风机温度订正模型对风机顶部的气温进行预测和修正,以保证后续使用风机覆冰预报模型进行覆冰预测的而得到的风机顶部的覆冰情况的预测准确度提高。
附图说明
图1为一个实施例中一种基于组合权重的多模式融合风机覆冰预测方法的应用环境图;
图2为一个实施例中一种基于组合权重的多模式融合风机覆冰预测方法的流程示意图;
图3为一个实施例中风机气温预测数据得到方法的流程示意图;
图4为一个实施例中风机气温预测数据得到方法的流程示意图;
图5为一个实施例中风机温度订正模型训练方法的流程示意图;
图6为一个实施例中风机气温订正数据得到方法的流程示意图;
图7为一个实施例中组合重要度信息确定方法的流程示意图;
图8为一个实施例中风机温度订正模型实施方法的流程示意图;
图9为一个实施例中12月28日起报的预报示意图;
图10为一个实施例中12月27日起报的预报示意图;
图11为一个实施例中一种基于组合权重的多模式融合风机覆冰预测装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的一种基于组合权重的多模式融合风机覆冰预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104通过终端102,获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据;对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据;风机气温订正数据表征对风机实况气温数据进行修正得到的数据;将风机气温订正数据以及网格气温预报数据输入至风电区域对应的风机覆冰预报模型,得到风电区域对应的风机覆冰预报数据;风机覆冰预报数据用于预测风电区域各风机的覆冰情况。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于组合权重的多模式融合风机覆冰预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据。
其中,风电区域可以是电网系统中装有至少一个风电发电机以及风电发电附属设备的区域。
其中,风机实况气温数据可以是风电区域中各个风电发电机顶部的气温测量数据,可以从气温测量仪器实际测量出来。
其中,网格气温预报数据可以是网格数值天气预报(GridWeatHer)是基于JAVACOG工具包开发的按需数值预报系统生成的数据,能够解决数值天气预报中的复杂运行环境、数据管理、流程控制、和模式参数设置等。针对动态变化的网格环境和安全性要求,采用地球仪模型(GLOBUS)来搭建整个气象应用网格环境。该系统主要包含了以下模块:按需数值预报控制模块,数值预报作业监控,海量数据传输控制模块,结果可视化,实时资源监控模块。
其中,风机位置数据可以是各个风电发电机对应的地理位置数据,例如:风机所在位置的坡度、坡向和海拔高度。
具体地,服务器响应终端的指令,从终端处风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据,并且将获取到的风机实况气温数据、网格气温预报数据以及风机位置数据存储到存储单元中,当服务器需要对风机实况气温数据、网格气温预报数据以及风机位置数据中的任意数据信息进行处理时,则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中,任意数据信息可以是单个数据输入至中央处理器,也可以为多个数据同时输入至中央处理器。
步骤204,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据。
其中,风机温度订正模型可以是根据风机实况气温数据、网格气温预报数据以及风机位置数据进行气温预测的人工智能模型。
其中,风机气温预测数据可以是用风机温度订正模型进行风电机顶部进行气温预测得到的预测数据。
具体地,将风机实况气温数据、网格气温预报数据以及风机位置数据随机分配为训练组和测试组,并将数据集进行归一化处理,作为各待训练温度订正模型的影响因子,其中待训练温度订正模型可以是挑选随机森林、卷积神经网络、径向基函数网络、波尔兹曼机、受限波尔兹曼机、Hopfield网络、回归神经网络、尖峰神经网络、自组织映射、遗传算法优化BP神经网络、广义回归神经网络、极限学习机回归拟合等十几种人工智能网格。针对上述的各个待训练温度订正模型,对待训练温度订正模型中的输入层,输出层以及计算层进行参数设置,得到已经设置参数的待训练温度订正模型。将风机实况气温数据、网格气温预报数据以及风机位置数据输入到各个已经设置参数的待训练温度订正模型中,各个已经设置参数的待训练温度订正模型通过计算,得到风电区域中各个风电机顶部的训练用温度订正数据。根据训练用温度订正数据对各个待训练温度订正模型的模型参数进行调整,得到调整后参数的待训练温度订正模型;进一步,返回执行“将风机实况气温数据、网格气温预报数据以及风机位置数据输入至风电区域对应的各待训练温度订正模型,得到各待训练温度订正模型对应的训练用温度订正数据”,直到待训练温度订正模型满足对风电机顶部的气温预测要求,得到各调整后风机温度订正模型。使用平均绝对误差检验方法,对各个调整后风机温度订正模型进行误差修正,得到风机温度订正模型。其中,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为训练用温度订正数据,ti为风机实况气温数据。
在一个实施例中,当风机温度订正模型选定为遗传算法温度订正模型、广义回归温度订正模型以及极限学习温度订正模型的情况下,
第一:将风机实况气温数据、网格气温预报数据以及风机位置数据输入到遗传算法温度订正模型中,通过遗传算法温度订正模型的输入层、隐层和输出层进行计算,得到遗传算法气温预测数据。其中,遗传算法温度订正模型为GA-BP气温订正模型,通过设定初始BP神经网络参数,输入层、隐层和输出层分别取4、5、1;采用遗传算法优化BP神经网络权值和阈值,通过选择、交叉和变异寻找最优值;用遗传算法优化后的BP神经网络拟合气温。
第二:将风机实况气温数据、网格气温预报数据以及风机位置数据输入到广义回归温度订正模型中,通过广义回归温度订正模型的输入层、模式层、求和层和输出层进行计算,得到广义回归气温预测数据。其中,广义回归温度订正模型为GRNN气温订正模型,通过模型的输入层、模式层、求和层和输出层,设置输入层、模式层分别为4、n,采用交叉验证方法训练GRNN神经网络,并循环找出最优SPREAD参数进行气温拟合。
第三:将风机实况气温数据、网格气温预报数据以及风机位置数据输入到极限学习温度订正模型中,通过极限学习温度订正模型的输入层、隐层和输出层进行计算,得到广义回归气温预测数据。其中,极限学习温度订正模型为ELM气温订正模型,通过设置输入层、隐层和输出层分别为4、20、1,随机设定输入层和隐层之间的连接权值、偏置值,神经元激活函数采用sigmoid函数。
进一步,使用平均绝对误差检验方法,对各个风电机顶部的遗传算法气温预测数据进行误差修正,得到遗传算法气温误差信息;同理,对各个风电机顶部的广义回归气温预测数据进行误差修正,得到广义回归气温误差信息;同理,对各个风电机顶部的极限学习气温预测数据进行修正,得到极限学习气温误差信息。其中,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息,ti为风机实况气温数据。
进一步,根据上述平均绝对误差检验方法,使用遗传算法气温误差信息对遗传算法气温预测数据进行校正,即可得到校正后遗传算法气温预测数据;同理,根据上述平均绝对误差检验方法,使用广义回归气温误差信息对广义回归气温预测数据进行校正,即可得到校正后广义回归气温预测数据;同理,根据上述平均绝对误差检验方法,使用极限学习气温误差信息对极限学习气温预测数据进行校正,即可得到校正后极限学习气温预测数据。最后,将校正后遗传算法气温预测数据、校正后广义回归气温预测数据以及校正后极限学习气温预测数据按照预设的整合方式进行整合,得到风机气温预测数据。
步骤206,对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据。
其中,风机气温预测信息可以是风机气温预测数据中各个表示风机顶部温度的预测情况的数据。
其中,组合重要度信息可以是使用组合权重法计算出来的,用于对各个风机气温预测信息进行加权的权重。
其中,风机气温订正数据可以是通过预测模型计算以及加权计算,已经订正好的风机顶部温度数据。
具体地,首先,使用优化AHP层次法,该方法是一种主观经验赋权法,将复杂的问题层次化,突出重要特征。通过气温数据测试分析,发现剔除气温样本异常数据能有效的提高样本与实况气温的相关性,而后进行权重优化,优化的AHP权重公式如下(公式1):
其中,wij为AHP权重,ai为气温预测值在0℃以上的方法个数,bi为气温预测值在0℃及以下的方法个数。
其次,使用独立性权重法,该方法是一种客观赋权法,利用数据之间的相关关系计算权重wj2。计算自变量与因变量的相关系数,相关系数越大,权重越大。
最后,使用熵权法,该方法是根据数据熵值信息量大小来确定权重的客观赋权法。某项指标中有效信息越多、作用越大,即权重越大。熵权法的熵权公式如下(公式2):
其中,wj2为熵权法计算的权重值,pij为第i个时次第j个方法的比重,xij为第i个时次第j个方法的气温预测值,为气温数据标准化值。
组合权重法是由以上三种权重法组合而成,组合权重公式如下(公式3):
将风机气温预测数据分为风机气温初始组数据以及风机气温测试组数据。其中,根据风机气温测试组数据,首先统计未来48h预报时效内第i个时次,预测值在0℃以上的方法个数ai,预测值在0℃及以下的方法个数bi,根据预测正负值出现频次判定权重,将出现频次少的预测结果权重赋值为0,出现频次高的权重求平均,采用公式1计算未来48h预报时效内的主观AHP权重。然后结合风机气温初始组数据及其对应的风机实况气温数据,采用独立性权重法计算风机气温初始组数据中不同方法的初始权重。另外,采用公式2计算未来48h预报时效内的客观权重。最后采用公式(3)计算得到未来48h预报时效内的组合权重矩阵wj(=1,2,3)。
用前一天的风机实况气温数据订正独立性权重wj3,用未来48h的预测气温计算AHP权重wij和熵权重wj2,可以实现组合权重的24h动态更新;进一步,将组合权重矩阵wj(=1,2,3)与风机气温测试组数据相乘再求和,得出其中一个风机顶部的风机气温订正数据,公式如下(公式4):
其中,T为组合权重订正后气温输出值,j为融合的方法个数,j可以取1,2,3。
针对任意一个风电机,均采用上述方法进行计算,均可得到各个风机的风机气温订正数据。进一步,可以使用平均绝对误差检验方法对各个风机的风机气温订正数据进行误差检验,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为风机气温订正数据,ti为风机实况气温数据。图8为一个实施例中风机温度订正模型实施方法的流程示意图。
步骤208,将风机气温订正数据以及网格气温预报数据输入至风电区域对应的风机覆冰预报模型,得到风电区域对应的风机覆冰预报数据。
其中,风机覆冰预报模型可以是用于模拟风机顶部结冰增长情况的数学模型。
其中,风机覆冰预报数据可以是用于预测风电区域各风机的覆冰情况的数据集合。
具体地,采用网格气温预报数据的风速、降水、相对湿度和风机气温订正数据驱动风机覆冰预报模型,通过风机覆冰预报模型的分析,得到风电区域对应的风机覆冰预报数据,并根据风机覆冰预报数据进行结果分析。
其中,风机覆冰预报模型为Makkonen结冰增长模型,公式如下(公式5):
其中,M为物体表面结冰质量;α1为过冷却水滴的碰撞系数;α2为捕获系数,当v<1m/s,α2=1,其它α2=1/v;α3为冻结系数,该系数通过气温、风速、液态水含量等数据计算得到,与0℃以下气温绝对值成正比;w为液态水含量;v为粒子相对速度;A为水滴碰撞物体有效截面积;t为时间。
上述一种基于组合权重的多模式融合风机覆冰预测方法中,通过获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据;对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据;风机气温订正数据表征对风机实况气温数据进行修正得到的数据;将风机气温订正数据以及网格气温预报数据输入至风电区域对应的风机覆冰预报模型,得到风电区域对应的风机覆冰预报数据;风机覆冰预报数据用于预测风电区域各风机的覆冰情况。
通过使用风机实况气温数据、网格气温预报数据、以及风机位置数据中的坡度、坡向、海拔高度等数据组成样本数据集,将样本随机分配为训练组和测试组,建立多个基于MMTP的风机温度订正模型,进一步使用风机温度订正模型对风机顶部的气温进行预测和修正,以保证后续使用风机覆冰预报模型进行覆冰预测的而得到的风机顶部的覆冰情况的预测准确度提高。
在一个实施例中,如图3所示,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据,包括:
步骤302,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到遗传算法温度订正模型,得到遗传算法气温预测数据。
其中,遗传算法温度订正模型可以是GA-BP气温订正模型,具有输入层、隐层和输出层。
其中,遗传算法气温预测数据可以是通过遗传算法温度订正模型进行风机顶部温度预测得到的气温预测数据。
具体地,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到遗传算法温度订正模型中,通过遗传算法温度订正模型的输入层、隐层和输出层进行计算,得到遗传算法气温预测数据。其中,遗传算法温度订正模型为GA-BP气温订正模型,通过设定初始BP神经网络参数,输入层、隐层和输出层分别取4、5、1;采用遗传算法优化BP神经网络权值和阈值,通过选择、交叉和变异寻找最优值;用遗传算法优化后的BP神经网络拟合气温,得到遗传算法气温预测数据。
步骤304,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到广义回归温度订正模型,得到广义回归气温预测数据。
其中,广义回归温度订正模型可以是GRNN气温订正模型,具有输入层、模式层、求和层和输出层。
其中,广义回归气温预测数据可以是通过广义回归温度订正模型进行风机顶部温度预测得到的气温预测数据。
具体地,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到广义回归温度订正模型中,通过广义回归温度订正模型的输入层、模式层、求和层和输出层进行计算,得到广义回归气温预测数据。其中,广义回归温度订正模型为GRNN气温订正模型,通过模型的输入层、模式层、求和层和输出层,设置输入层、模式层分别为4、n,采用交叉验证方法训练GRNN神经网络,并循环找出最优SPREAD参数进行气温拟合,得到广义回归气温预测数据。
步骤306,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到极限学习温度订正模型,得到极限学习气温预测数据。
其中,极限学习温度订正模型可以是ELM气温订正模型,具有设置输入层、隐层和输出层。
其中,极限学习气温预测数据可以是通过极限学习温度订正模型进行风机顶部温度预测得到的气温预测数据。
具体地,将风机实况气温数据、网格气温预报数据以及风机位置数据输入到极限学习温度订正模型中,通过极限学习温度订正模型的输入层、隐层和输出层进行计算,得到广义回归气温预测数据。其中,极限学习温度订正模型为ELM气温订正模型,通过设置输入层、隐层和输出层分别为4、20、1,随机设定输入层和隐层之间的连接权值、偏置值,神经元激活函数采用sigmoid函数,得到极限学习气温预测数据。
步骤308,将遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据分别进行误差校验,得到风机气温预测数据。
具体地,使用平均绝对误差检验方法,对各个风电机顶部的遗传算法气温预测数据进行误差修正,得到遗传算法气温误差信息;同理,对各个风电机顶部的广义回归气温预测数据进行误差修正,得到广义回归气温误差信息;同理,对各个风电机顶部的极限学习气温预测数据进行修正,得到极限学习气温误差信息。其中,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息,ti为风机实况气温数据。
进一步,根据上述平均绝对误差检验方法,使用遗传算法气温误差信息对遗传算法气温预测数据进行校正,即可得到校正后遗传算法气温预测数据;同理,根据上述平均绝对误差检验方法,使用广义回归气温误差信息对广义回归气温预测数据进行校正,即可得到校正后广义回归气温预测数据;同理,根据上述平均绝对误差检验方法,使用极限学习气温误差信息对极限学习气温预测数据进行校正,即可得到校正后极限学习气温预测数据。最后,将校正后遗传算法气温预测数据、校正后广义回归气温预测数据以及校正后极限学习气温预测数据按照预设的整合方式进行整合,得到风机气温预测数据。
本实施例中,通过将风机实况气温数据、网格气温预报数据以及风机位置数据输入到各个不同的风机温度订正模型进行温度预测,能够达到使得风机顶部的温度预测同时结合不同风机温度订正模型的特点,消除不同风机温度订正模型的弱势,提高温度预测的准确度。
在一个实施例中,如图4所示,将遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据分别进行误差校验,得到风机气温预测数据,包括:
步骤402,将遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据分别与风机实况气温数据进行平均绝对误差处理,相对应得到遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息。
其中,平均绝对误差可以是所有单个观测值与算术平均值的偏差的绝对值的平均。平均绝对误差可以避免误差相互抵消的问题,因而可以准确反映实际预测误差的大小。
其中,遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息可以是遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据分别进行平均绝对误差检验得到的结果。
具体地,使用平均绝对误差检验方法,对各个风电机顶部的遗传算法气温预测数据进行误差修正,得到遗传算法气温误差信息;同理,对各个风电机顶部的广义回归气温预测数据进行误差修正,得到广义回归气温误差信息;同理,对各个风电机顶部的极限学习气温预测数据进行修正,得到极限学习气温误差信息。其中,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息,ti为风机实况气温数据。
步骤404,使用遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息,相对应校正遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据,得到风机气温预测数据。
具体地,根据上述平均绝对误差检验方法,使用遗传算法气温误差信息对遗传算法气温预测数据进行校正,即可得到校正后遗传算法气温预测数据;同理,根据上述平均绝对误差检验方法,使用广义回归气温误差信息对广义回归气温预测数据进行校正,即可得到校正后广义回归气温预测数据;同理,根据上述平均绝对误差检验方法,使用极限学习气温误差信息对极限学习气温预测数据进行校正,即可得到校正后极限学习气温预测数据。最后,将校正后遗传算法气温预测数据、校正后广义回归气温预测数据以及校正后极限学习气温预测数据按照预设的整合方式进行整合,得到风机气温预测数据。
本实施例中,通过分别对遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据进行误差校验,能够消除风机温度订正模型与实际测量之间的偶然误差,降低风机温度订正模型因为训练过程中进行参数调整的误差,避免后续进行覆冰情况预测对误差进一步放大。
在一个实施例中,如图5所示,在将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据步骤之前,方法还包括:
步骤502,将风机实况气温数据、网格气温预报数据以及风机位置数据输入至风电区域对应的各待训练温度订正模型,得到各待训练温度订正模型对应的训练用温度订正数据。
其中,训练用温度订正数据可以是用于训练还没训练的风机温度订正模型的样本数据。
具体地,将风机实况气温数据、网格气温预报数据以及风机位置数据随机分配为训练组和测试组,并将数据集进行归一化处理,作为各待训练温度订正模型的影响因子,其中待训练温度订正模型可以是挑选随机森林、卷积神经网络、径向基函数网络、波尔兹曼机、受限波尔兹曼机、Hopfield网络、回归神经网络、尖峰神经网络、自组织映射、遗传算法优化BP神经网络、广义回归神经网络、极限学习机回归拟合等十几种人工智能网格。针对上述的各个待训练温度订正模型,对待训练温度订正模型中的输入层,输出层以及计算层进行参数设置,得到已经设置参数的待训练温度订正模型。将风机实况气温数据、网格气温预报数据以及风机位置数据输入到各个已经设置参数的待训练温度订正模型中,各个已经设置参数的待训练温度订正模型通过计算,得到风电区域中各个风电机顶部的训练用温度订正数据。
步骤504,使用风机实况气温数据、网格气温预报数据以及风机位置数据对各待训练温度订正模型进行参数调整,得到各调整后风机温度订正模型。
其中,调整后风机温度订正模型可以是待训练温度订正模型进行模型参数调整后的风机温度订正模型,符合业务需求。
具体地,根据训练用温度订正数据对各个待训练温度订正模型的模型参数进行调整,得到调整后参数的待训练温度订正模型;进一步,返回执行“将风机实况气温数据、网格气温预报数据以及风机位置数据输入至风电区域对应的各待训练温度订正模型,得到各待训练温度订正模型对应的训练用温度订正数据”,直到待训练温度订正模型满足对风电机顶部的气温预测要求,得到各调整后风机温度订正模型。
步骤506,对各调整后风机温度订正模型进行误差修正,得到风机温度订正模型。
具体地,使用平均绝对误差检验方法,对各个调整后风机温度订正模型进行误差修正,得到风机温度订正模型。其中,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为训练用温度订正数据,ti为风机实况气温数据。
本实施例中,通过使用风机实况气温数据、网格气温预报数据以及风机位置数据对各个待训练温度订正模型进行训练,并进行误差修正,能够达到根据具体的情况获得对应的风机温度订正模型,避免出现不同的情况使用不合适的风机温度订正模型而导致的预测误差。
在一个实施例中,如图6所示,对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据,包括:
步骤602,根据风机气温初始组数据中各气温预测初始数据以及风机实况气温数据,确定风电区域对应的各组合重要度信息。
其中,气温预测初始数据可以是风机气温预测数据的测试组数据集。
其中,组合重要度信息可以是通过组合权重法针对风机气温初始组数据中的数据信息的权重。
具体地,根据风机气温测试组数据,首先统计未来48h预报时效内第i个时次,预测值在0℃以上的方法个数ai,预测值在0℃及以下的方法个数bi,根据预测正负值出现频次判定权重,将出现频次少的预测结果权重赋值为0,出现频次高的权重求平均,采用公式1计算未来48h预报时效内的主观AHP权重。然后结合风机气温初始组数据及其对应的风机实况气温数据,采用独立性权重法计算风机气温初始组数据中不同方法的初始权重。另外,采用公式2计算未来48h预报时效内的客观权重。最后采用公式(3)计算得到未来48h预报时效内的组合权重矩阵wj(=1,2,3)。
步骤604,根据各组合重要度信息分别对风机气温测试组数据的各气温预测测试数据进行调整,得到风机气温订正数据。
其中,气温预测测试数据可以是风机气温测试组数据中各个气温数据信息。
具体地,用前一天的风机实况气温数据订正独立性权重wj3,用未来48h的预测气温计算AHP权重wij和熵权重wj2,可以实现组合权重的24h动态更新;进一步,将组合权重矩阵wj(=1,2,3)与风机气温测试组数据相乘再求和,得出其中一个风机顶部的风机气温订正数据,公式如下(公式4):
其中,T为组合权重订正后气温输出值,j为融合的方法个数,j可以取1,2,3。
针对任意一个风电机,均采用上述方法进行计算,均可得到各个风机的风机气温订正数据。进一步,可以使用平均绝对误差检验方法对各个风机的风机气温订正数据进行误差检验,平均绝对误差检验方法的表达式如下:
其中,m表示样本数量,xi为风机气温订正数据,ti为风机实况气温数据。
本实施例中,通过使用风机气温初始组数据计算对风机气温测试组数据的各气温预测测试数据的各组合重要度信息,并对各个气温预测测试数据使用对应的组合重要度信息进行加权计算,能够对不同的气温预测测试数据在风机顶部温度预测的重要性进行加权,有助于根据不同的实际情况提高对应的预测数据的重要性,提高了后续覆冰预测的准确性。
在一个实施例中,如图7所示,根据风机气温初始组数据中各气温预测初始信息以及风机实况气温数据,确定风电区域对应的各组合重要度信息,包括:
步骤702,对各气温预测初始信息以及风机实况气温数据进行层次分析处理,得到各层测分析重要度信息。
其中,层测分析重要度信息可以是使用优化AHP层次法中的层次分析处理后得到的数据,其中,层次分析可以是优化AHP层次法中的复杂的问题层次化的处理方法。
具体地,使用优化AHP层次法,用前一天的风机实况气温数据订正独立性权重wj3,用未来48h的预测气温计算AHP权重wij,即各层测分析重要度信息(AHP权重wij)。该方法是一种主观经验赋权法,将复杂的问题层次化,突出重要特征。通过气温数据测试分析,发现剔除气温样本异常数据能有效的提高样本与实况气温的相关性,而后进行权重优化,优化的AHP权重公式如下(公式1):
其中,wij为AHP权重,ai为气温预测值在0℃以上的方法个数,bi为气温预测值在0℃及以下的方法个数。
步骤704,对各气温预测初始信息以及风机实况气温数据进行独立性权重分析处理,得到各独立权重分析重要度信息。
其中,独立权重分析重要度信息使用独立性权重法处理后得到的数据,其中,独立性权重法可以是一种客观赋权法。其思想在于利用指标之间的共线性强弱来确定权重。如果说某指标与其它指标的相关性很强,说明信息有着较大的重叠,意味着该指标的权重会比较低,反之如果说某指标与其它指标的相关性较弱,那么说明该指标携带的信息量较大,该指标应该赋予更高的权重。
具体地,使用独立性权重法,对前一天的风机实况气温数据订正独立性权重wj3,得到各独立权重分析重要度信息(独立性权重wj3)。该方法是一种客观赋权法,利用数据之间的相关关系计算权重wj2。计算自变量与因变量的相关系数,相关系数越大,权重越大。
步骤706,对各气温预测初始信息以及风机实况气温数据进行信息熵分析处理,得到各信息熵分析重要度信息。
其中,信息熵分析重要度信息可以是使用熵权法处理后得到的数据,其中,熵权法可以是按照信息论基本原理的解释,信息是系统有序程度的一个度量,熵是系统无序程度的一个度量;根据信息熵的定义,对于某项指标,可以用熵值来判断某个指标的离散程度,其信息熵值越小,指标的离散程度越大,该指标对综合评价的影响(即权重)就越大,如果某项指标的值全部相等,则该指标在综合评价中不起作用。
具体地,使用熵权法,用前一天的风机实况气温数据订正独立性权重wj3,用未来48h的预测气温计算熵权重wj2,得到各信息熵分析重要度信息(熵权重wj2)。该方法是根据数据熵值信息量大小来确定权重的客观赋权法。某项指标中有效信息越多、作用越大,即权重越大。熵权法的熵权公式如下(公式2):
其中,wj2为熵权法计算的权重值,pij为第i个时次第j个方法的比重,xij为第i个时次第j个方法的气温预测值,为气温数据标准化值。
步骤708,根据各层测分析重要度信息、各独立权重分析重要度信息以及各信息熵分析重要度信息,确定各组合重要度信息。
具体地,组合权重法是由以上三种权重法组合而成,组合权重公式如下(公式3):
将风机气温预测数据分为风机气温初始组数据以及风机气温测试组数据。其中,根据风机气温测试组数据,首先统计未来48h预报时效内第i个时次,预测值在0℃以上的方法个数ai,预测值在0℃及以下的方法个数bi,根据预测正负值出现频次判定权重,将出现频次少的预测结果权重赋值为0,出现频次高的权重求平均,采用公式1计算未来48h预报时效内的主观AHP权重。然后结合风机气温初始组数据及其对应的风机实况气温数据,采用独立性权重法计算风机气温初始组数据中不同方法的初始权重。另外,采用公式2计算未来48h预报时效内的客观权重。最后采用公式(3)计算得到未来48h预报时效内的各组合重要度信息(组合权重矩阵wj(=1,2,3))。
本实施例中,通过使用气温预测初始信息以及风机实况气温数据进行不同权重处理方法,确定不同权重处理方法对应的权重,并根据各个权重建立组合权重矩阵,能够将主观与客观赋权法相结合,既可以降低AHP主观性导致的误差,又能解决客观赋权的片面性问题,克服信息重复等问题,能有效增大各指标联系。
在一个实施例中,以某地区的风电场为例,取其近年内冬季风机实况气温数据、网格气温预报数据以及风机位置数据的坡度、坡向、海拔高度等数据为输入,采用多个风机温度订正模型对每台风机顶部气温进行订正,并对比检验不同人工智能方法的预报效果。
使用了风电场66台风机,每台风机2021年10月1日至2022年3月31日逐3h的风机实况气温数据、网格气温预报数据以及风机位置数据的坡度、坡向、海拔高度等数据组成样本集,将样本随机分配为训练组和测试组,每台风机的测试组数据为100个,训练组数据为1348个,采用多个风机温度订正模型对每台风机顶部气温进行订正,并对比检验不同人工智能方法的预报效果。重复多次多个风机温度订正模型,随机挑选10组平均误差数据做预报质量分析,如表1和表2所示。
表1 24h预报时效内气温平均绝对误差检验(单位:℃)
表2 48h预报时效内气温平均绝对误差检验(单位:℃)
由于风电场与调度机构需要提前48小时预知风机停运情况并采取应急措施,因此本发明主要分析48h预报时效内的气温订正情况。如表1和表2所示,相比智能网格模式,方法1-3和MMTP气温预测误差均明显减小;24h和48h预报时效内,MMTP的平均绝对误差最小,分别为2.94℃、2.80℃,GA-BP模型次之;48h预报时效内,与单一模型相比,MMTP有80%以上样本误差减小,平均预报误差降低约8%;24h和48h预报时效订正效果相差不大。
为了研究气温订正方法对风机覆冰期预报的影响,采用多个风机温度订正模型,对网格气温预报数据进行订正,采用网格气温预报数据的风速、降水、相对湿度和订正后的气温资料驱动风机覆冰预报模型,对2020年12月29日至2021年1月1日风电场覆冰过程进行预报检验(如图9和图10所示)。风机覆冰期是指风电场存在结冰停机的时间段,风机覆冰停机开始时间是指风电场开始出现风机停机的时间,风机覆冰停机结束时间是指风电场风机全部融冰启动的时间。由于风电场目前没有风机叶片覆冰厚度实况数据,因此覆冰厚度实况是指用风机顶部实况气温和风速、风电场附近自动气象站的相对湿度、降水和气压等实况数据驱动风机覆冰预报模型得出的覆冰厚度数据。当覆冰厚度大于0时,风机开始覆冰停机,反之风机覆冰结束。
图9和图10分别为2020年12月28日、27日起报的未来72h内停机台数实况、气温实况以及覆冰厚度预报,整个覆冰期停机总时长65.5h,在2020年12月29日15:24风电场的风机开始覆冰停机,此时气温实况为-4.9℃;29日21:00风电场66台风机全部停机,全停时长为16h;覆冰结束时间为2021年1月1日10:00,此时气温实况为1.3℃。在风机覆冰停机期间,风机气温实况均在0℃以下,此次过程最低气温出现在30日08:00为-10℃。
24h预报时效内,智能网格气温修正前的覆冰停机开始比实况晚约4.5h,结束时间比实况晚约10.0h;气温修正后的覆冰停机开始时间比实况晚约1.5h,结束时间比实况晚约4.0h。气温修正后将风机覆冰停机起始时间预报误差缩短了3.0h,结束时间预报误差减小了6.0h,覆冰期预报准确率显著提高。
48h预报时效内,智能网格气温修正前的覆冰停机开始时间比实况晚约7.5h,结束时间比实况晚约4.0h;气温修正后的覆冰停机开始时间比实况晚约4.5h,结束时间比实况晚约4.0h。气温修正后将风机覆冰停机起始时间预报误差缩短了3h,结束时间预报误差相同。
综上,气温订正后覆冰厚度和覆冰期预报准确率均有显著提升,表明针对风机进行气温订正能有效的提升风机覆冰预报质量。
基于AHP-独立性权法-熵值法的组合权重法,集成GA-BP、GRNN、ELM等人工智能模型,提出一种多模式融合风机气温预测方法,检验了2021年冬季的风机气温预测平均绝对误差,并用订正后的气温驱动风机覆冰预报模型,对风机覆冰期进行预报研究。
(1)利用多个风机温度订正模型检验2021年冬季风电场风机顶部气温预测误差,对比单一人工智能模型和MMTP的计算结果,验证了在MMTP气温订正效果最好,24h和48h预报时效内平均绝对误差最小,分别为2.94℃、2.80℃,预报效果稳定。在48h预报时效内,MMTP比单一模式预报效果显著提升,预报误差平均降低约8.0%。
(2)采用智能网格未修正和MMTP修正后的气温,分别驱动风机覆冰预报模型,对2020年12月一次严重覆冰过程进行预报分析,表明气温订正后风机覆冰期预报准确率有显著提高,在48h预报时效内,覆冰期预报误差减小了3~6h。
通过对某风电场气温预报方法进行研究,本发明证明了MMTP可显著提高风机气温和风电场风机覆冰期的预报准确率,为风电调度和风电场安全生产提供决策依据。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于组合权重的多模式融合风机覆冰预测方法的一种基于组合权重的多模式融合风机覆冰预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于组合权重的多模式融合风机覆冰预测装置实施例中的具体限定可以参见上文中对于一种基于组合权重的多模式融合风机覆冰预测方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种基于组合权重的多模式融合风机覆冰预测装置,包括:数据获取模块1102、气温预测模块1104、气温修正模块1106和覆冰预测模块1108,其中:
数据获取模块1102,用于获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;
气温预测模块1104,用于将风机实况气温数据、网格气温预报数据以及风机位置数据输入到至少一个风电区域对应的风机温度订正模型,得到风电区域对应的风机气温预测数据;
气温修正模块1106,用于对风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到风电区域对应的风机气温订正数据;风机气温订正数据表征对风机实况气温数据进行修正得到的数据;
覆冰预测模块1108,用于将风机气温订正数据以及网格气温预报数据输入至风电区域对应的风机覆冰预报模型,得到风电区域对应的风机覆冰预报数据;风机覆冰预报数据用于预测风电区域各风机的覆冰情况。
在一个实施例中,气温预测模块1104,还用于将风机实况气温数据、网格气温预报数据以及风机位置数据输入到遗传算法温度订正模型,得到遗传算法气温预测数据;将风机实况气温数据、网格气温预报数据以及风机位置数据输入到广义回归温度订正模型,得到广义回归气温预测数据;将风机实况气温数据、网格气温预报数据以及风机位置数据输入到极限学习温度订正模型,得到极限学习气温预测数据;将遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据分别进行误差校验,得到风机气温预测数据。
在一个实施例中,气温预测模块1104,还用于将遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据分别与风机实况气温数据进行平均绝对误差处理,相对应得到遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息;使用遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息,相对应校正遗传算法气温预测数据、广义回归气温预测数据以及极限学习气温预测数据,得到风机气温预测数据。
在一个实施例中,气温预测模块1104,还用于将风机实况气温数据、网格气温预报数据以及风机位置数据输入至风电区域对应的各待训练温度订正模型,得到各待训练温度订正模型对应的训练用温度订正数据;使用风机实况气温数据、网格气温预报数据以及风机位置数据对各待训练温度订正模型进行参数调整,得到各调整后风机温度订正模型;对各调整后风机温度订正模型进行误差修正,得到风机温度订正模型。
在一个实施例中,气温修正模块1106,还用于根据风机气温初始组数据中各气温预测初始数据以及风机实况气温数据,确定风电区域对应的各组合重要度信息;根据各组合重要度信息分别对风机气温测试组数据的各气温预测测试数据进行调整,得到风机气温订正数据。
在一个实施例中,气温修正模块1106,还用于对各气温预测初始信息以及风机实况气温数据进行层次分析处理,得到各层测分析重要度信息;对各气温预测初始信息以及风机实况气温数据进行独立性权重分析处理,得到各独立权重分析重要度信息;对各气温预测初始信息以及风机实况气温数据进行信息熵分析处理,得到各信息熵分析重要度信息;根据各层测分析重要度信息、各独立权重分析重要度信息以及各信息熵分析重要度信息,确定各组合重要度信息。
上述一种基于组合权重的多模式融合风机覆冰预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于组合权重的多模式融合风机覆冰预测方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于组合权重的多模式融合风机覆冰预测方法,其特征在于,所述方法包括:
获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;
将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;
对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;
将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
2.根据权利要求1所述的方法,其特征在于,所述风机温度订正模型包括遗传算法温度订正模型、广义回归温度订正模型以及极限学习温度订正模型;所述将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据,包括:
将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到所述遗传算法温度订正模型,得到遗传算法气温预测数据;
将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到所述广义回归温度订正模型,得到广义回归气温预测数据;
将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到所述极限学习温度订正模型,得到极限学习气温预测数据;
将所述遗传算法气温预测数据、所述广义回归气温预测数据以及所述极限学习气温预测数据分别进行误差校验,得到所述风机气温预测数据。
3.根据权利要求2所述的方法,其特征在于,所述将所述遗传算法气温预测数据、所述广义回归气温预测数据以及所述极限学习气温预测数据分别进行误差校验,得到所述风机气温预测数据,包括:
将所述遗传算法气温预测数据、所述广义回归气温预测数据以及所述极限学习气温预测数据分别与所述风机实况气温数据进行平均绝对误差处理,相对应得到遗传算法气温误差信息、广义回归气温误差信息以及极限学习气温误差信息;
使用所述遗传算法气温误差信息、所述广义回归气温误差信息以及所述极限学习气温误差信息,相对应校正所述遗传算法气温预测数据、所述广义回归气温预测数据以及所述极限学习气温预测数据,得到所述风机气温预测数据。
4.根据权利要求2所述的方法,其特征在于,在所述将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据步骤之前,所述方法还包括:
将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入至所述风电区域对应的各待训练温度订正模型,得到各所述待训练温度订正模型对应的训练用温度订正数据;
使用所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据对各所述待训练温度订正模型进行参数调整,得到各调整后风机温度订正模型;
对各所述调整后风机温度订正模型进行误差修正,得到所述风机温度订正模型。
5.根据权利要求1所述的方法,其特征在于,所述风机气温预测数据包括风机气温初始组数据以及风机气温测试组数据;所述对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据,包括:
根据所述风机气温初始组数据中各所述气温预测初始数据以及所述风机实况气温数据,确定所述风电区域对应的各组合重要度信息;
根据各所述组合重要度信息分别对所述风机气温测试组数据的各所述气温预测测试数据进行调整,得到所述风机气温订正数据。
6.根据权利要求5所述的方法,其特征在于,所述根据所述风机气温初始组数据中各所述气温预测初始信息以及所述风机实况气温数据,确定所述风电区域对应的各组合重要度信息,包括:
对各所述气温预测初始信息以及所述风机实况气温数据进行层次分析处理,得到各层测分析重要度信息;
对各所述气温预测初始信息以及所述风机实况气温数据进行独立性权重分析处理,得到各独立权重分析重要度信息;
对各所述气温预测初始信息以及所述风机实况气温数据进行信息熵分析处理,得到各信息熵分析重要度信息;
根据各所述层测分析重要度信息、各所述独立权重分析重要度信息以及各所述信息熵分析重要度信息,确定各所述组合重要度信息。
7.一种基于组合权重的多模式融合风机覆冰预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取风电区域对应的风机实况气温数据、网格气温预报数据以及风机位置数据;
气温预测模块,用于将所述风机实况气温数据、所述网格气温预报数据以及所述风机位置数据输入到至少一个所述风电区域对应的风机温度订正模型,得到所述风电区域对应的风机气温预测数据;
气温修正模块,用于对所述风机气温预测数据中各风机气温预测信息的组合重要度信息进行调整,得到所述风电区域对应的风机气温订正数据;所述风机气温订正数据表征对所述风机实况气温数据进行修正得到的数据;
覆冰预测模块,用于将所述风机气温订正数据以及所述网格气温预报数据输入至所述风电区域对应的风机覆冰预报模型,得到所述风电区域对应的风机覆冰预报数据;所述风机覆冰预报数据用于预测所述风电区域各风机的覆冰情况。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558452.0A CN116562456A (zh) | 2023-05-17 | 2023-05-17 | 基于组合权重的多模式融合风机覆冰预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558452.0A CN116562456A (zh) | 2023-05-17 | 2023-05-17 | 基于组合权重的多模式融合风机覆冰预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562456A true CN116562456A (zh) | 2023-08-08 |
Family
ID=87499857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558452.0A Pending CN116562456A (zh) | 2023-05-17 | 2023-05-17 | 基于组合权重的多模式融合风机覆冰预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562456A (zh) |
-
2023
- 2023-05-17 CN CN202310558452.0A patent/CN116562456A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
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 | |
CN106875037B (zh) | 风力预测方法及装置 | |
CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN113537844B (zh) | 基于随机矩阵的区域能源互联网负荷行为分析方法及系统 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN110794485A (zh) | 基于集成学习的强对流天气持续时间预报方法 | |
CN109856973A (zh) | 一种基于模糊神经网络的温室环境控制方法及系统 | |
Wang et al. | Application of DBN for estimating daily solar radiation on horizontal surfaces in Lhasa, China | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Ruffing et al. | Short to medium range time series prediction of solar irradiance using an echo state network | |
CN115907307B (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 | |
Cao et al. | Development of short-term wind power forecasting methods | |
CN116562456A (zh) | 基于组合权重的多模式融合风机覆冰预测方法和装置 | |
CN114611799B (zh) | 基于监督学习的时序神经网络新能源出力多步预测方法 | |
CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及系统 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
JP2023085635A (ja) | 風況推定装置及び風況推定方法 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 |
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 |