CN117277295A - 一种基于声雷达的多参数短期风电功率预测方法 - Google Patents
一种基于声雷达的多参数短期风电功率预测方法 Download PDFInfo
- Publication number
- CN117277295A CN117277295A CN202311226194.2A CN202311226194A CN117277295A CN 117277295 A CN117277295 A CN 117277295A CN 202311226194 A CN202311226194 A CN 202311226194A CN 117277295 A CN117277295 A CN 117277295A
- Authority
- CN
- China
- Prior art keywords
- data
- wind
- layer
- output
- 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 32
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 title claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000009123 feedback regulation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical class O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于声雷达的多参数短期风电功率预测方法。首先选用价格较为低廉的声雷达测风方案实现不架设测风塔条件下精确获取10m‑200m高度的风速、风向、垂直气流和距雷达10m的温度、湿度、压强等多种气象参数;其次采用iForest算法和集成经验模态分解得到经数据清洗后的风能采样数据固有模态分量,可以解决非线性和非平稳风能信号存在的模态混淆缺陷及噪声敏感问题;最后采用Elman神经网络模型对集成经验模态分解后的测风数据进行训练和预测,在规定标准误差条件下输出风电功率预测结果。
Description
技术领域
本发明属于风电功率预测领域,尤其涉及一种基于声雷达的多参数短期风电功率预测方法。
背景技术
风力发电作为可再生能源领域发展最迅速和最具应用价值的技术之一,近年来在全球范围内得到了广泛应用。目前制约风电出力的因素可以总结为以下几点:空间错位。风电场的建设与用电负荷较高地区存在空间距离,导致跨区域联络线拥堵严重;时间错位。风电多具有反调峰特性,夜晚用电负荷处于低谷时段,风电发电出力往往较大;不确定性。风电出力具有随机性、波动性的特点,功率预测精度不高,导致电网调度压力大。以上因素很大程度上制约风电出力,导致“并网难”、“弃风多”。
因此,保证风电平滑可靠并网,可通过风电预测技术预测超短期风电功率,为调度部门制定合理的调度计划提供数据支撑。基于风电预测技术的研究对于提升风电预测的精度、促进风电可再生能源的并网消纳等意义重大。风电预测的方法可以分为基于数值天气预报预测、基于统计方法预测和智能算法预测。受数值天气预报下行数据频率影响,基于数值天气预报的预测方法无法完成超短期预测。基于统计方法的预测需要获取大量历史数据以训练模型,新兴风电场历史数据获取困难且运算量大。风电功率的预测精度则主要依赖风电场风速的测量精度,风速测量装置的测量精度与风电功率预测呈现正相关性。
测风塔和雷达设备是风能测量领域的常用设备。在风能资源评估、风机选址、风电功率预测过程中测风塔应用广泛,但测风塔安装拆除安全性差、运维成本高、极端天气下稳定性不佳。而测风雷达可以分为风廓线测风雷达、激光测风雷达和测风声雷达,具有时间和空间分辨率高,运维简单等优点。与风廓线测风雷达和激光测风雷达相比,测风声雷达能够对10~200m范围内的风速、风向等数据进行高精度探测,建设成本低、使用寿命长、运行维护方便且极端环境下具有高适应性。因此,测风声雷达可以作为一种有效的风电场测风技术,可以实现风能的测量与采集。
在测风过程中,设备故障或者人为因素都可能造成测量数据的异常。所以在风电功率预测模型训练之前,识别剔除风能异常数据保证数据质量非常重要。孤立森林算法(iForest)剔除异常数据的判别依据是分割样本数据,在iForest的数据分割标准下将分布零散并且远离高密度数据簇的点被较早分割孤立,高密度数据簇中的数据点则需要多次分割才被孤立,认定为异常数据点,将分割次数代入异常值检验函数,判定数据是否异常,以此实现对风能原始数据的清洗以保证数据质量。
风能采样数据时间序列具有明显的非线性和非平稳性,为提高预测精度,采用信号分解算法对风能采样数据时间序列进行分析以获得若干波动变化较小的固有模态分量。采用集成经验模态分解方法,将白噪声加入经验模态函数中以使其具有二进制滤波器组的特性。将幅值有限的白噪声加入原始信号中得到与原始目标函数参考尺寸分布一致的数据信号。随后分解为固有经验模态函数和残余分量,反复加入白噪声迭代,将最终分解得到的固有模态函数求平均值以确定集成经验模态分解的最终结果。
将固有模态分量输入Elman神经网络模型中进行训练,凭借其良好的动态性能,以误差最小为目标实现对电力负荷的短期预测。
其一,基于数值气象预报的风电功率预测技术,采用风电场所在区域的风速、气压、温度等预报数据预测风电功率;
其二,基于统计方法的风电功率预测技术,分析历史风电数据与历史气象数据间的映射关系,基于实测气象数据预测风电功率;
其三,基于测风塔的测风技术,通过在测风塔上布设三维超声波测风仪探测不同高度下的风速、温度、湿度、气压等数据,用于风能资源评估、风机选址、风电预测;
其四,基于风廓线测风雷达和激光测风雷达测风,技术成熟精度较高,能够完成无塔条件下的风速、风向等参数测量。
现有技术中存在以下缺点:
(1)受数值天气预报下行数据频率影响,基于数值天气预报的预测方法通常只能完成中长期发电量预测,预测能力有限;
(2)基于统计方法的预测需要获取大量历史数据以对模型进行训练,新兴风电场历史数据获取困难且运算量大;
(3)测风塔根据设备布设高度,测风高度相对固定,在极端天气下存在倒塌、故障、维护困难等隐患,且征地和维护成本高昂;
(4)风廓线测风雷达和激光测风雷达分别采用电磁波与激光技术分析带有多普勒频移的回波信号,但设备成本相较声雷达更为高昂;
(5)新型测风声雷达集成风速、风向、气温、气压、湿度等多参数测量功能,现有风电功率预测方法中多未采用多参数精细化的测风声雷达,未充分发挥其集成优势进行风电功率预测。
发明内容
本发明提供了一种基于声雷达的多参数短期风电功率预测方法。首先选用价格较为低廉的声雷达测风方案实现不架设测风塔条件下精确获取10m-200m高度的风速、风向、垂直气流和距雷达10m范围内的温、湿、压等多种气象参数;其次采用iForest算法和集成经验模态分解得到经数据清洗后的风能采样数据固有模态分量,模态混淆缺陷及噪声敏感问题;最后采用Elman神经网络模型对局部特征信号分解后的测风数据进行训练和预测,在规定标准误差条件下输出风电功率预测结果。
本发明提出一种基于声雷达的多参数短期风电功率预测方法,包括以下步骤:
S1:在不架设测风塔的情况下,采用集成多参数测量功能的声雷达,以较高采样率测量10m-200m高度的风速、风向、垂直气流和距雷达10m的温度、湿度、压强等气象数据,提升风电功率预测数据精度;
S2:声雷达采集数据中会包含瞬时突变、设备异动、通信异常、人为干扰等异常数据,采用iForest算法对风速、风向、温度、湿度、压强等异常数据识别并清洗,提升数据精度和稳定性;
S3:针对数据存在的非线性和非平稳性,采用将白噪声加入原始信号后进行集成经验模态分解得到固有经验模态函数和残差分量并反复迭代,得到若干个波动变化较小的风速固有模态分量WF1~WFn和残差分量r(t)、温度固有模态分量TF1~TFn和残差分量k(t)、湿度固有模态分量HF1~HFn和残差分量n(t)、压强固有模态分量PF1~PFn和残差分量m(t);
S4:经集成经验模态分解后的固有经验模态和残差分量分别输入Elman神经网络模型训练,确定隐含层最佳神经元数,在确定Elman神经网络最优参数后进行预测,得到预测参数结果;
S5:各预测参数叠加重构得到对应预测值,输出风电功率预测结果。
本发明的有益效果:
该基于声雷达的多参数短期风电功率预测方法,采用单个声雷达设备同步获取多个风电功率预测相关的风能参数,集成程度提高而降低成本;相较传统测风方式,声雷达可以实现对多个参数的高采样率数据采集,可以实现短期风电功率精确预测;与测风方案相比,声雷达方案环境适应性强、数据获取灵活、运维成本低;此预测方法基于较高数据密度实现风电功率预测,经过iForest算法和集成经验模态分解后的原始数据非线性和非平稳特性得到优化,经动态反馈型Elman神经网络预测后,可以以较低成本获得精确程度较高的短期风电功率预测结果。
附图说明
图1为本发明实施例的预测具体流程图;
图2为标准的Elman神经网络构架。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本实施例采用新型测风声雷达,集成风速、风向、气温、气压、湿度等多参数测量功能,经数据处理和预测后完成短期风电功率预测,以较低成本提升短期风电功率预测精度。如附图1为本发明实施例的预测具体流程图,包括以下步骤:
一种基于声雷达的多参数短期风电功率预测方法,包括以下步骤:
S1:声雷达采用声波原理对大气流动进行测量,其采用收发共用的换能器组成相控阵天线完成。当声波以定向传播时,散射回波与发射波方向相反并相差180°,基于此原理根据多普勒频移理论得到风速V与风向ψ。
S2:声雷达在风电场可以采用地面安装方式或机舱安装方式,雷达采用单机舱集成方式,可以精确获取10m-200m高度的风速V、风向ψ、垂直气流和距雷达10m的温度T、湿度H、压强P等气象信息;
S3:孤立森林算法(iForest)判别依据主要是对样本数据进行划分,计算各个样本数据在隔离树上的路径长度来辨识异常数据。iForest算法利用了异常数据的两个特征:一是异常数据在整体样本中占比较少;二是在数值大小上相比,异常数据值与正常数据值差距较大。其对于原始数据的清洗过程如下:
(1)将原始数据中各类数据分为n组,分别均匀抽样出q个样本,生成子样本,构建iTree的初始样本;
(2)在子样本中,随机选取一个特征,介于该特征值的最大最小值之间随机选取k作为划分阈值,对样本进行二叉划分,小于k值的划分到左侧,大于等于k值的划分至右侧;
(3)在划分完成后的区域中继续重复上述划分步骤,停止的条件为数据不能继续分割或者分割次数到达log 2k时,停止划分操作;
(4)分割完成后可以得到平均划分路径长度c(n),结合调和数H(i)可以得到:
调和数可以估计为H(i)=In(i)+γ,γ=0.57722;
(5)上述操作共构建t个iTree后,令样本数据x遍历每个iTree,并计算每次划分的路径长度h(x),即为根节点到叶子结点经过边的数量,可以得到每条待测数据的异常值S(x,n):
根据S的取值判断数据是否异常,当S接近1时数据异常程度越高;当S<0.5时数据无异常;当S≈0.5时数据不具备明显异常特征,以此为标准完成离群的异常数据点清洗,得到清洗后样本数据x(n);
S4:针对完成数据清洗后的采样数据时间序列非线性和非平稳性特征,需要采用信号分解算法对风电场风速采样数据时间序列进行分解以获得特征向量。集成经验模态分解在经验模态函数中加入白噪声,使得模态函数具备二进制滤波器组的特性,以避免模态混淆与噪声敏感问题,其分解过程如下:
(1)以风速数据为例,将白噪声hi(n),i=1,2…,N序列加入清洗后数据中得到与原始目标函数参考尺寸分布一致的数据信号:
xi(n)=x(n)+hi(n),i=1,2…,N
(2)对加入白噪声后的数据信号进行集成经验模态分解得到固有经验模态分量WFi和残差分量r(t);
(3)重复上述过程并加入幅值相同的白噪声序列,当迭代次数N足够大时,将添加白噪声hi(n)后的WFi和r(t)分别保留,得到集成经验模态分解后图1所示风速、温度、湿度、压强结果。
S5:Elman神经网络是一种典型的动态递归神经网络,它在隐含层和输出层之间添加了一个承接层,承接层使得网络具备了记忆能力,增强了网络对于时间序列数据的处理能力。Elman神经网络通常分为输入层、隐含层、承接层和输出层。通过承接层将上一个时刻的隐含层的输出与当前时刻的网络输入数据一起作为隐含层的输入,相当于历史状态反馈,并将前一时刻的数据记忆下来作为下一时刻的输出时的输入,使得当前状态下的输出不仅只是与当前的输入有关还和前一时刻的输入也有关系,从而能让系统可以直接反应动态过程系统的特性。在基于时间序列的风能数据预测方面具备优势。标准的Elman神经网络构架如图2所示:
其中,y为输出向量,h为n维隐含层单元向量,Xc为承接层的n维反馈向量,w1为输入层到隐含层的连接权值,w2为隐含层到输出层的连接权值,w3为承接层到隐含层的连接权值。承接层的延迟与记忆特性,将上一次训练时隐含层的输出自动反馈到隐含层的输入,增强了网络对历史数据的敏感性,反馈调节增强了网络本身对动态。
Elman神经网络的反馈调节可描述为,承接层在k时刻的输出值等于隐含层和承接层各自输出值在k-1时刻的α倍和,数学模型如下:
y(k)=g(w3h(k)+b2)
h(k)=f(w1xc(k)+w2(u(k-1))+b1)
xc=αxc(k-1)+h(k-1)
式中,u(k)为输入层在k时刻的输入;y(k)为输出层在k时刻的输出;h(k)为隐含层在k时刻的输出;xc(k)为承接层在k时刻的输出;g(x)为输出层神经元激活函数;f(x)为隐含层神经元激活函数;b1为隐含层阈值;b2为输出层阈值;α为自连接反馈增益因子,0≤α≤1。当α=0时,表示网络为标准的Elman神经网络。
S6:激活函数在Elman神经网络学习非线性函数过程中非常重要。针对Elman神经网络中隐含层的激活函数的选择,通常选择可求导的连续的非线性函数便于使用最优化理论对其求解计算。f(x)多取为sigmoid函数:
g(x)多取为线性函数:
y(k)=w3x(k)。
S7:对集成经验模态分解后的各组数据进行归一化处理,因为风速、温度、湿度、压强等参数单位、量纲皆不一致,若不加以处理容易导致神经元训练饱和。在完成归一化处理后可以加快Elman神经网络的收敛速度。
进行归一化处理,可选取输入信号中数值最大、最小的数据之差作为参考数据,每个数据与最小数据之差作为比较数据,经比较数据除以参考数据,得到完成初值化的信号:
在Elman神经网络完成预测后,需要对预测数据进行反归一化处理,以便于完成下一步叠加重构:
xi=(xmax-xmin)yi+xmin,i=1,2…,N
S8:数据预测完成后,需对其进行叠加重构,以得到风电功率预测结果。其中温度、湿度、气压用来计算实时空气密度,空气密度对风电功率有正相关的影响作用:
式中,T表示热力学温度(K),表示空气相对湿度,P表示标准大气压(kPa),Pb表示饱和水蒸汽压力(kPa),p表示实时大气压,单位为(kPa)。
得到风电功率预测结果:
Pw为风机即时输出功率(W),A为风力发电机叶片扫过的有效面积(m2),ρ为空气密度(kg/m3),V为风速(m/s),Cp为风能捕获系数。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于声雷达的多参数短期风电功率预测方法,其特征在于,包括以下步骤:
S1:在不架设测风塔的情况下,采用集成多参数测量功能的声雷达,以较高采样率测量10m-200m高度的风速、风向、垂直气流和距雷达10m范围内的温度、湿度、压强各气象数据,提升风电功率预测数据精度;
S2:声雷达采集数据过程中会包含瞬时突变、设备异动、通信异常、人为干扰多种异常数据,采用iForest算法对风速、风向、温度、湿度、压强的异常数据识别并清洗,提升数据精度和稳定性,降低风电功率预测模型训练难度;
S3:针对清洗后数据存在的非线性和非平稳性,采用将白噪声加入原始信号并进行集成经验模态分解的方法,得到固有经验模态函数和残差分量并反复迭代,得到若干个波动变化较小的风速固有模态分量WF1~WFn和残差分量r(t)、温度固有模态分量TF1~TFn和残差分量k(t)、湿度固有模态分量HF1~HFn和残差分量n(t)、压强固有模态分量PF1~PFn和残差分量m(t);
S4:经集成经验模态分解后各参数的固有经验模态分量和残差分量分别输入Elman神经网络模型训练,确定隐含层最佳神经元数,在确定Elman神经网络最优参数后进行预测,得到各参数预测结果;
S5:将Elman神经网络训练得到的各参数预测结果叠加重构,输出风电功率预测结果。
2.根据权利要求1所述的方法,其特征在于,S2中,对于原始数据的清洗过程如下:
(1)将原始数据中各类数据分为n组,分别均匀抽样出q个样本,生成子样本,构建iTree的初始样本;
(2)在子样本中,随机选取一个特征,介于该特征值的最大最小值之间随机选取k作为划分阈值,对样本进行二叉划分,小于k值的划分到左侧,大于等于k值的划分至右侧;
(3)在划分完成后的区域中继续重复上述划分步骤,停止的条件为数据不能继续分割或者分割次数到达log 2k时,停止划分操作;
(4)分割完成后得到平均划分路径长度c(n),结合调和数H(i)得到:
调和数可以估计为H(i)=In(i)+γ,γ=0.57722;
(5)上述操作共构建t个iTree后,令样本数据x遍历每个iTree,并计算每次划分的路径长度h(x),即为根节点到叶子结点经过边的数量,得到每条待测数据的异常值S(x,n);
根据S的取值判断数据是否异常,当S接近1时数据异常程度越高;当S<0.5时数据无异常;当S≈0.5时数据不具备明显异常特征,以此为标准完成离群的异常数据点清洗,得到清洗后样本数据x(n)。
3.根据权利要求2所述的方法,其特征在于,集成经验模态分解在经验模态函数中加入白噪声,使得模态函数具备二进制滤波器组的特性,避免模态混淆与噪声敏感问题,其中,采用集成经验模态分解,其分解过程如下:
(1)风速数据的处理方式如下,将白噪声hi(n),i=1,2…,N序列加入清洗后数据中得到与原始目标函数参考尺寸分布一致的数据信号:
xi(n)=x(n)+hi(n),i=1,2…,N
(2)对加入白噪声后的数据信号进行集成经验模态分解得到固有经验模态分量WFi和残差分量r(t);
(3)重复上述过程并加入幅值相同的白噪声序列,当迭代次数N足够大时,将添加白噪声hi(n)后的WFi和r(t)分别保留,得到集成经验模态分解后的风速结果;同样的处理方法获得温度、湿度、压强分解后的结果。
4.根据权利要求1所述的方法,其特征在于,Elman神经网络,它在隐含层和输出层之间添加了一个承接层,承接层使得网络具备了记忆能力,增强了网络对于时间序列数据的处理能力,Elman神经网络分为输入层、隐含层、承接层和输出层,通过承接层将上一个时刻的隐含层的输出与当前时刻的网络输入数据一起作为隐含层的输入,相当于历史状态反馈,并将前一时刻的数据记忆下来作为下一时刻的输出时的输入,使得当前状态下的输出不仅只是与当前的输入有关还和前一时刻的输入也有关系;
其中,y为输出向量,h为n维隐含层单元向量,Xc为承接层的n维反馈向量,w1为输入层到隐含层的连接权值,w2为隐含层到输出层的连接权值,w3为承接层到隐含层的连接权值;承接层的延迟与记忆特性,将上一次训练时隐含层的输出自动反馈到隐含层的输入,增强了网络对历史数据的敏感性,反馈调节增强了网络本身对动态;
Elman神经网络的反馈调节描述为,承接层在k时刻的输出值等于隐含层和承接层各自输出值在k-1时刻的α倍和,数学模型如下:
y(k)=g(w3h(k)+b2)
h(k)=f(w1xc(k)+w2(u(k-1))+b1)
xc=αxc(k-1)+h(k-1)
式中,u(k)为输入层在k时刻的输入;y(k)为输出层在k时刻的输出;h(k)为隐含层在k时刻的输出;xc(k)为承接层在k时刻的输出;g(x)为输出层神经元激活函数;f(x)为隐含层神经元激活函数;b1为隐含层阈值;b2为输出层阈值;α为自连接反馈增益因子,0≤α≤1;Elman神经网络的激活函数f(x)取为sigmoid函数:
另一激活函数g(x)取为线性函数:
y(k)=w3x(k)。
5.根据权利要求3所述的方法,其特征在于,对集成经验模态分解后的各组数据进行归一化处理,选取输入信号中数值最大、最小的数据之差作为参考数据,每个数据与最小数据之差作为比较数据,经比较数据除以参考数据,得到完成初值化的信号:
在Elman神经网络完成预测后,需要对预测数据进行反归一化处理,以便于完成下一步叠加重构:
xi=(xmax-xmin)yi+xmin,i=1,2…,N。
6.根据权利要求5所述的方法,其特征在于,数据预测完成后,需对其进行叠加重构,以得到风电功率预测结果;其中温度、湿度、气压用来计算实时空气密度:
式中,T表示热力学温度,单位为K,表示空气相对湿度,P表示标准大气压,单位为kPa,Pb表示饱和水蒸汽压力,单位为kPa,p表示实时大气压,单位为kPa;
得到风电功率预测结果:
Pw为风机即时输出功率,单位为W,A为风力发电机叶片扫过的有效面积,单位为m2,ρ为空气密度,单位为kg/m3,V为风速,单位为m/s,Cp为风能捕获系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226194.2A CN117277295A (zh) | 2023-09-21 | 2023-09-21 | 一种基于声雷达的多参数短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311226194.2A CN117277295A (zh) | 2023-09-21 | 2023-09-21 | 一种基于声雷达的多参数短期风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117277295A true CN117277295A (zh) | 2023-12-22 |
Family
ID=89220790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311226194.2A Pending CN117277295A (zh) | 2023-09-21 | 2023-09-21 | 一种基于声雷达的多参数短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117277295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117905638A (zh) * | 2024-03-18 | 2024-04-19 | 安徽大学 | 基于强化学习的风力发电机优化控制方法及系统 |
-
2023
- 2023-09-21 CN CN202311226194.2A patent/CN117277295A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117905638A (zh) * | 2024-03-18 | 2024-04-19 | 安徽大学 | 基于强化学习的风力发电机优化控制方法及系统 |
CN117905638B (zh) * | 2024-03-18 | 2024-05-31 | 安徽大学 | 基于强化学习的风力发电机优化控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
CN117277295A (zh) | 一种基于声雷达的多参数短期风电功率预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN102682207A (zh) | 风电场风速超短期组合预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN113052469B (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 | |
CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
KR20210067721A (ko) | 인공신경망을 이용한 해양환경 예측 시스템 및 방법 | |
Martí et al. | Wind power prediction in complex terrain: from the synoptic scale to the local scale | |
CN116821685B (zh) | 一种巡航机器人的声信号识别方法及系统 | |
CN117251724A (zh) | 一种基于序列相关机制和Informer的短期风电功率预测方法 | |
Iannace et al. | Case study: Automated recognition of wind farm sound using artificial neural networks | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
Hadžiahmetović et al. | Statistical analysis and assessment of wind energy potential in Sarajevo, Bosnia and Herzegovina | |
Michaelides et al. | Investigation of trends in synoptic patterns over Europe with artificial neural networks | |
Ahmed et al. | Wind speed prediction from site meteorological data using artificial neural network | |
Xuemin et al. | Research on short-term offshore wind power prediction based on sodar wind measurement | |
Narayana et al. | Adaptive prediction of power fluctuations from a wind turbine at Kalpitiya area in Sri Lanka | |
Gupta | Single Step Ahead Assessment of Solar Irradiation Using Ann Model Based on Various Combination of Meterological Parameters | |
CN112070320A (zh) | 一种基于动态谐波回归的超短期风电功率预测方法及系统 | |
Iannace et al. | Neural Networks model to detect wind turbine dynamics | |
Panapakidis et al. | Deep learning approach based on LSTM model for short-term solar generation forecasting | |
CN118008729B (zh) | 一种基于北斗的海上风机结构状态监控方法及系统 |
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 |