CN117313927A - 基于小波神经网络的风力发电功率预测方法和系统 - Google Patents

基于小波神经网络的风力发电功率预测方法和系统 Download PDF

Info

Publication number
CN117313927A
CN117313927A CN202311210266.4A CN202311210266A CN117313927A CN 117313927 A CN117313927 A CN 117313927A CN 202311210266 A CN202311210266 A CN 202311210266A CN 117313927 A CN117313927 A CN 117313927A
Authority
CN
China
Prior art keywords
wind power
power generation
data
wavelet
neural network
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
Application number
CN202311210266.4A
Other languages
English (en)
Inventor
王一妹
祝金涛
周利
任鑫
朱宏志
钱亮亮
杨雪
李润
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing East Environment Energy Technology Co ltd
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Beijing East Environment Energy Technology Co ltd
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing East Environment Energy Technology Co ltd, Huaneng Clean Energy Research Institute, Huaneng Lancang River Hydropower Co Ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202311210266.4A priority Critical patent/CN117313927A/zh
Publication of CN117313927A publication Critical patent/CN117313927A/zh
Pending legal-status Critical Current

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本申请涉及一种基于小波神经网络的风力发电功率预测方法和系统，以所述小波变换数据O为小波神经网络架构‑‑WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型，并用于识别实时风力发电数据Q1，输出对应的风力发电功率预测值P。结合风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P等进行模型训练，训练得到多维度的特征识别模型，能够基于小波变换而得到动态的特征向量，使得模型能够根据上述各个数据来精确预测风力发电功率，使得功率预测值更加精确。结合小波分析处理风力发电数据的优势，更好地捕捉时间‑频率特征，从而提高了预测的准确性。

Description

基于小波神经网络的风力发电功率预测方法和系统
技术领域
本申请涉及风力发电技术领域，尤其涉及一种基于小波神经网络的风力发电功率预测方法、系统和电子设备。
背景技术
风力发电机是将风能转换为机械功，机械功带动转子旋转，最终输出交流电的电力设备，其工作原理是：风轮在风力的作用下旋转，它把风的动能转变为风轮轴的机械能，发电机在风轮轴的带动下旋转发电。
风力发电机一般有风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。
风力发电功率预测，是指预测未来某个时间点或一段时间内的风力发电量。常用的风力发电功率预测模型包括基于物理模型的方法和人工神经网络技术的方法。
人工神经网络技术，可以自学习和自适应地了解天气和温度等因素与负荷、风力发电站输出功率的对应关系。所以，人工神经网络也逐渐流行于风力发电功率预测。
现有的发电功率预测所用的人工神经网络技术，比如CNN光伏发电功率预测模型，能够智能识别并输出法定功率预测数值，利用CNN发电功率预测模型，进行功率预测。
但是CNN光伏发电功率预测模型一般用于光伏发电上且适用于短期的风电功率预测，比如发明专利CN113642225A公开了一种基于attention机制的CNN-LSTM短期风电功率预测方法，就是利用CNN发电功率预测模型进行短期功率预测的方案。
对于风力发电，其需要考虑到风速以及风力发电区别于光伏发电的效率影响系数。而CNN发电功率预测模型因其卷积层的结构，需要通过CNN网络的卷积、池化等操作提取出风力发电数据的特征向量，并进一步提取向量的静态特征，其通过一维卷积进行特征提取，不能反应出发电功率计算数据的动态特征，也不能进行输入特征的选择，因此其模型的识别特征能力欠佳。
此外，该模型是通过静态、统一的特征输入训练，对训练特征不具有选择性。
发明内容
为了解决上述问题，本申请提出一种基于小波神经网络的风力发电功率预测方法、系统和电子设备。
本申请一方面，提出一种基于小波神经网络的风力发电功率预测方法，包括如下步骤：
收集历史风力发电数据Q，至少包括如下预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}；
基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O；
以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型；
采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值P：
其中，
ρ为空气密度；
D为叶轮直径；
v为风速；
Cp为风力发电站的发电机效率；
ηt为功率系数；
ηg为机械效率；
f为风向系数。
作为本申请的一可选实施方案，可选地，在收集历史风力发电数据Q之后，还包括：
对所述历史风力发电数据Q进行预处理，包括：
对所述历史风力发电数据Q中各项数据集进行异常值检测，剔除数值波动异常和/或不连续的异常值数据；
对所述历史风力发电数据Q中各项数据集进行缺失值检测，并对缺失值进行填充；
对所述历史风力发电数据Q中各项数据集进行去趋势化初处理，让各项数据集中的数据呈趋势化分布。
作为本申请的一可选实施方案，可选地，基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O，包括：
将所述历史风力发电数据Q中的各项预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}，输入所述小波神经网络；
利用所述小波神经网络中预设的连续小波变换CWT层，对所述历史风力发电数据Q中的各项数据依次进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O。
作为本申请的一可选实施方案，可选地，在基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O之后，还包括：
从小波域中，提取所述小波变换数据集合O中各项数据集的有效小波系数，得到小波系数集合O1：
{OV，Of，Oρ，OD，OCp，Oηg，Oηt，OP}；
对所述小波系数集合O1中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O2：
{OV，Of，Oρ，OD，K1，K2，K3，OP}，
其中：K1、K2和K3均为常数；
将所述小波系数集合O2：{OV，Of，Oρ，OD，K1，K2，K3，OP}，作为训练数据集。
作为本申请的一可选实施方案，可选地，以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型，包括：
以所述训练数据集，作为小波神经网络架构---WNN的输入特征，对WNN模型进行小波神经网络模型学习训练，得到基于WNN模型的风力发电功率预测初始模型；
将预设的测试集输入所述风力发电功率预测初始模型，进行模型精度评估，判断所述风力发电功率预测初始模型的模型精度是否达标：
若达标，则为所述风力发电功率预测初始模型配置工作参数，并将其部署于后台服务器上；
若不达标，则重构所述历史风力发电数据Q，重新建模。
作为本申请的一可选实施方案，可选地，采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值，包括：
收集风力发电站的实时风力发电数据Q1，并上传至后台服务器；
后台服务器接收并转发实时风力发电数据Q1至所述风力发电功率预测WNN模型中；
通过所述风力发电功率预测WNN模型，对所述实时风力发电数据Q1进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O3；
从小波域中，提取所述小波变换数据集合O3中各项数据集的有效小波系数，得到小波系数集合O3；
对所述小波系数集合O3中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O4：
{OV，Of，Oρ，OD，K1，K2，K3，OP}；
将小波系数集合O4中的各项数值代入所述公式(一)，计算并输出风力发电功率预测值P。
本申请另一方面，提出一种实现所述基于小波神经网络的风力发电功率预测方法的系统，包括：
风力发电数据收集模块，用于收集风力发电站的实时风力发电数据Q1，并上传至后台服务器；
后台服务器，用于接收并转发实时风力发电数据Q1至所述风力发电功率预测WNN模型中；
通过所述风力发电功率预测WNN模型，对所述实时风力发电数据Q1进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O3；
以及，
从小波域中，提取所述小波变换数据集合O3中各项数据集的有效小波系数，得到小波系数集合O3；
以及，
对所述小波系数集合O3中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O4：
{OV，Of，Oρ，OD，K1，K2，K3，OP}；
以及，
将小波系数集合O4中的各项数值代入所述公式(一)，计算并输出风力发电功率预测值P；
所述风力发电数据收集模块和所述后台服务器通信连接。
本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于小波神经网络的风力发电功率预测方法。
本发明的技术效果：
本申请以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型；采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值P。能够结合风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P等等，进行模型训练，以此训练得到多维度的特征识别模型，能够基于小波变换而得到动态的特征向量，使得模型能够根据上述各个数据来精确预测风力发电功率，使得功率预测值更加精确。本申请通过WNN模型的风力发电功率计算和预测方案可以结合小波分析和神经网络来处理风力发电数据，提高功率预测的精度，利用了小波分析的优势，能够更好地捕捉时间-频率特征，从而提高了预测的准确性。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出为本发明的实施流程示意图；
图2示出为本发明数据集的小波变换示意图；
图3示出为本发明小波系数归一处理的示意图；
图4示出为本发明WNN模型训练示意图；
图5示出为本发明实时风力发电数据Q1的预测示意图；
图6示出为本发明电子设备的应用组成示意图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
小波变换既是时间尺度分析，又是时间一频率分析，它具有多分辨率的特点，且在时频域具有表征信号局部特征的能力，利用小波变换的奇异点(如过零点、极值点)在多尺度下的综合表现来检测信号的局部突变点，从而进行故障诊断。小波分析能够将任何信号分解到一个由小波伸缩而成的基函数族上，对信号进行高、低频部分局部细化并保留原信号的时域特征，因而具有良好的时频特性，能对非平稳信号进行有效识别，达到故障诊断的目的。
因此，本申请基于小波神经网络进行风力发电功率预测模型的训练和应用。
实施例1
如图1所示，本申请一方面，提出一种基于小波神经网络的风力发电功率预测方法，包括如下步骤：
收集历史风力发电数据Q，至少包括如下预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}；
基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O；
以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型；
采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值P：
其中，
ρ为空气密度；
D为叶轮直径；
v为风速；
Cp为风力发电站的发电机效率；
ηt为功率系数；
ηg为机械效率；
f为风向系数。
本实施例，基于小波神经网络(Wavelet Neural Network，WNN)的风力发电功率计算和预测，结合小波分析和神经网络来处理风力发电数据，提高功率预测的精度。
下面将具体描述各个步骤。
风力发电功率预测，需要涉及到多维度的影响数据。
传统的风力发电功率预测，一般会涉及到预测点时刻的天气、预测点时刻的风速、预测点时刻的温度、预测点时刻的湿度、预测点前一天同时刻的风电功率值。但是忽略了风向系数、发电机功率、功率系数以及机械效率、空气密度和叶轮直径等因素对风力发电功率的影响。毕竟风力发电功率，需要风力发电机机组来完成，同时跟风向有密切的关系，包括叶轮直径和空气密度，都会直接影响到风力发电功率的预测结果。
因此，本方案利用小波神经网络---WNN进行模型训练之时，需要采集多维度的数据样本，以此构建训练模型所需要的原始训练样本数据集。
因此，收集历史风力发电数据Q，至少包括如下预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}。
上述各个数据采集的，可以读取风力发电站的数据库中所保存的历史数据来获取，风力发电站的终端机上的数据库，需要实时记录并保存由各个风力发电数据收集模块所采集到的数据，比如通过风速仪采集的每天24小时的风速V等等。其他类似的数据可以通过风力发电场的传感器获得。
风力发电功率P，可以读取每次发电站计算出的功率值，而作为历史的风力发电功率P。
作为本申请的一可选实施方案，可选地，在收集历史风力发电数据Q之后，还包括：
对所述历史风力发电数据Q进行预处理，包括：
对所述历史风力发电数据Q中各项数据集进行异常值检测，剔除数值波动异常和/或不连续的异常值数据；
对所述历史风力发电数据Q中各项数据集进行缺失值检测，并对缺失值进行填充；
对所述历史风力发电数据Q中各项数据集进行去趋势化初处理，让各项数据集中的数据呈趋势化分布。
为了确保数据集的质量和一致性，对数据进行预处理，包括数据清洗、缺失值填充、异常值检测和去趋势化等操作。
对于收集的各项历史数据集：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}，可以采用遍历的方式，浏览各个数据集中是否出现需要进行预处理的数据。
对于各个数据集中的数据，可以采用逐一遍历并浏览的方式，检查每个数据集是否具有异常值、缺失值或者数据未呈趋势化分布的情况。当发现某个数据集中存在某个需要进行预处理的数据，则按照上述本方案的预处理方式，对该数据集中的数据进行处理。
还可以采用随机抽取的方式，比如在各项历史数据集中随机抽取2～4个数据，判断这几个数据是否具有异常值、缺失值或者数据未呈趋势化分布的情况。当发现某个数据集中存在某个需要进行预处理的数据，则按照上述本方案的预处理方式，对该数据集中的数据进行处理。
本方案需要利用小波神经网络---WNN进行模型训练，因此对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O。
作为本申请的一可选实施方案，可选地，基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O，包括：
将所述历史风力发电数据Q中的各项预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}，输入所述小波神经网络；
利用所述小波神经网络中预设的连续小波变换CWT层，对所述历史风力发电数据Q中的各项数据依次进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O。
如图2所示，小波变换：使用小波变换将风速和功率数据转换到小波域中，以便提取时间-频率特征。常用的小波变换包括离散小波变换(DWT)和连续小波变换(CWT)。本实施例采用连续小波变换(CWT)。
使用小波变换将风速和功率数据转换到小波域中，从小波域中提取得到有用的小波系数，这些小波系数可以反映数据的频域特性，也便于模型识别频域特征，而进行训练学习各项数据的数据特征。
以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型。使用小波变换数据O作为训练集并输入，对WNN模型进行训练，包括小波分析和神经网络参数的优化，小波层用于提取时间-频率特征，神经网络层用于学习和预测风力发电功率，以此进行模型训练学习。
对于各项数据集中的数据，进过连续小波变换CWT层之后，皆会得到对应的小波域，小波域中将留存各项数据集的小波变换数据集合O。比如风速V的小波变换数据集合O1，后续可以从小波域中提取有用且满足模型训练用的风速V---小波系数，作为风速V的模型识别特征，以此输入WNN模型进行特征识别和学习。
小波系数提取：从小波域中提取有用的小波系数，小波系数可以反映数据的频域特性。
作为本申请的一可选实施方案，可选地，在基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O之后，还包括：
从小波域中，提取所述小波变换数据集合O中各项数据集的有效小波系数，得到小波系数集合O1：
{OV，Of，Oρ，OD，OCp，Oηg，Oηt，OP}；
对所述小波系数集合O1中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O2：
{OV，Of，Oρ，OD，K1，K2，K3，OP}，
其中：K1、K2和K3均为常数；
将所述小波系数集合O2：{OV，Of，Oρ，OD，K1，K2，K3，OP}，作为训练数据集。
如图3所示，此处从小波域中提取各项数据集的有效小波系数。每个数据集比如风速V，具有自己的小波系数集OV，会存在多个风速V---小波系数，此时需要从小波系数集OV中筛选出可以用于反应风速V的频域特征的有效小波系数，用于模型识别和训练。
有效小波系数的提取方式，可以注意查看各个数据集的小波系数集，并对小波系数集中的多个小波系数进行排序，将系数值过于离散的小波系数排除(比如系数值超过整体均值一半)，剩余的小波系数作为有效小波系数。
在本处，因为每个风力发电站的发电机效率Cp，机械效率ηg，功率系数ηt，基本会长时间保持不变，因此可以默认为常数，在后续特征识别之时，可以认为其特征一直是“一个常数”，保持不变，模型预测计算时，可以直接识别其特征并根据常数计算功率。
在得到小波系数集合O1之后，对于发电机效率Cp，机械效率ηg，功率系数ηt的小波系数集，可以直接采用小波系数归一处理的方式，直接将OCp、Oηg和Oηt替换为对应的常数，比如Oηt可以替换为0.2～0.5的常数，可以让模型直接识别Oηt即为0.2～0.5的常数，后续可以直接用于功率预测模型对发电功率的预测计算。
作为本申请的一可选实施方案，可选地，以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型，包括：
以所述训练数据集，作为小波神经网络架构---WNN的输入特征，对WNN模型进行小波神经网络模型学习训练，得到基于WNN模型的风力发电功率预测初始模型；
将预设的测试集输入所述风力发电功率预测初始模型，进行模型精度评估，判断所述风力发电功率预测初始模型的模型精度是否达标：
若达标，则为所述风力发电功率预测初始模型配置工作参数，并将其部署于后台服务器上；
若不达标，则重构所述历史风力发电数据Q，重新建模。
如图4所示，小波神经网络架构，需要首先设计WNN模型，包括小波层和神经网络层。小波层用于提取时间-频率特征(小波系数)，神经网络层用于学习和预测风力发电功率(功率预测计算公式(一))。
使用训练集对WNN模型进行训练，包括小波分析和神经网络参数的优化。选择重要的小波系数作为输入特征，以提高模型的效率和准确性。
具体的WNN模型的学习过程，可以参考现有小波神经网络的学习过程。
采用上述的小波系数集合O2：{OV，Of，Oρ，OD，K1，K2，K3，OP}，作为训练数据集，输入小波神经网络架构---WNN模型，进行模型学习训练，得到基于WNN模型的风力发电功率预测初始模型。
为了验证所生成的模型是否达标，则需要对初始模型进行模型测试。可以构建模型测试的测试集(前期准备历史数据集之时所划分出的样本数据)，使用测试集评估WNN模型的性能，判断模型预测并输出的风力发电功率预测值是否和测试集中的历史功率值大致一致，比如差值不超过原历史之的3％，则认定通过。根据预测结果，可以对模型进行改进和调整，例如，增加更多的特征、优化模型架构或调整模型超参数。
通常使用均方根误差(RMSE)等指标来度量模型的精度。
验证通过，则可以由后台管理员为风力发电功率预测初始模型配置工作参数，并将其部署于后台服务器上，用于风力发电功率的预测。
作为本申请的一可选实施方案，可选地，采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值，包括：
收集风力发电站的实时风力发电数据Q1，并上传至后台服务器；
后台服务器接收并转发实时风力发电数据Q1至所述风力发电功率预测WNN模型中；
通过所述风力发电功率预测WNN模型，对所述实时风力发电数据Q1进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O3；
从小波域中，提取所述小波变换数据集合O3中各项数据集的有效小波系数，得到小波系数集合O3；
对所述小波系数集合O3中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O4：
{OV，Of，Oρ，OD，K1，K2，K3，OP}；
将小波系数集合O4中的各项数值代入所述公式(一)，计算并输出风力发电功率预测值P。
如图5所示，当模型训练完成后，可以使用新的实时风力发电数据Q1和小波系数来进行风力发电功率的预测。将实时风力发电数据Q1输入到训练好的WNN模型中，模型将输出预测的发电功率值。
风力发电站可以通过各个数据采集模块采集数据，采集各项新的实时风力发电数据Q1，并将采集数据上报至后台服务器，由后台服务器进行数据预处理，之后将各项数据导入后台部署的风力发电功率预测WNN模型中，来精确预测风力发电功率。
其具体对各项实时风力发电数据Q1的数据特征识别，以及对应小波系数的提取，详见上述描述。
对于模型识别各项数据的小波系数之后，可以基于神经网络层所学习的发电功率预测计算公式(一)，以此来计算功率预测，并输出，由后台记录风力发电站当前的风力发电功率预测值。
本方案基于小波神经网络的风力发电功率预测方案充分利用了小波分析的优势，能够更好地捕捉时间-频率特征，从而提高了预测的准确性。可以利用每次计算的风力发电功率预测值，反馈模型，不断优化和调整以提高预测准确性。
因此，本申请能够结合风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P等等，进行模型训练，以此训练得到多维度的特征识别模型，能够基于小波变换而得到动态的特征向量，使得模型能够根据上述各个数据来精确预测风力发电功率，使得功率预测值更加精确。本申请通过WNN模型的风力发电功率计算和预测方案可以结合小波分析和神经网络来处理风力发电数据，提高功率预测的精度，利用了小波分析的优势，能够更好地捕捉时间-频率特征，从而提高了预测的准确性。
需要说明的是，WNN模型的具体模型结构，可以参照现有小波神经网络的模型结构。
显然，本领域的技术人员应该明白，实现上述实施例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的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例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的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
实施例2
基于实施例1的实施原理，本申请另一方面，提出一种实现所述基于小波神经网络的风力发电功率预测方法的系统，包括：
风力发电数据收集模块，用于收集风力发电站的实时风力发电数据Q1，并上传至后台服务器；
后台服务器，用于接收并转发实时风力发电数据Q1至所述风力发电功率预测WNN模型中；
通过所述风力发电功率预测WNN模型，对所述实时风力发电数据Q1进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O3；
以及，
从小波域中，提取所述小波变换数据集合O3中各项数据集的有效小波系数，得到小波系数集合O3；
以及，
对所述小波系数集合O3中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O4：
{OV，Of，Oρ，OD，K1，K2，K3，OP}；
以及，
将小波系数集合O4中的各项数值代入所述公式(一)，计算并输出风力发电功率预测值P；
所述风力发电数据收集模块和所述后台服务器通信连接。
上述风力发电数据收集模块和后台服务器之间的通信交互，详见实施例1的描述。
上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
实施例3
如图6所示，更进一步地，本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现实施例1所述的一种基于小波神经网络的风力发电功率预测方法。
本申请实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种基于小波神经网络的风力发电功率预测方法。
此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本申请实施例的电子设备中，还可以包括输入系统和输出系统。其中，处理器、存储器、输入系统和输出系统之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本申请实施例的一种基于小波神经网络的风力发电功率预测方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。
输入系统可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出系统可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种基于小波神经网络的风力发电功率预测方法，其特征在于，包括如下步骤：
收集历史风力发电数据Q，至少包括如下预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}；
基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O；
以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型；
采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值P：
其中，
ρ为空气密度；
D为叶轮直径；
v为风速；
Cp为风力发电站的发电机效率；
ηt为功率系数；
ηg为机械效率；
f为风向系数。
2.根据权利要求1所述的基于小波神经网络的风力发电功率预测方法，其特征在于，在收集历史风力发电数据Q之后，还包括：
对所述历史风力发电数据Q进行预处理，包括：
对所述历史风力发电数据Q中各项数据集进行异常值检测，剔除数值波动异常和/或不连续的异常值数据；
对所述历史风力发电数据Q中各项数据集进行缺失值检测，并对缺失值进行填充；
对所述历史风力发电数据Q中各项数据集进行去趋势化初处理，让各项数据集中的数据呈趋势化分布。
3.根据权利要求1所述的基于小波神经网络的风力发电功率预测方法，其特征在于，基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O，包括：
将所述历史风力发电数据Q中的各项预测时间点的数据：{风速V，风向f，空气密度ρ，叶轮直径D，发电机效率Cp，机械效率ηg，功率系数ηt，风力发电功率P}，输入所述小波神经网络；
利用所述小波神经网络中预设的连续小波变换CWT层，对所述历史风力发电数据Q中的各项数据依次进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O。
4.根据权利要求3所述的基于小波神经网络的风力发电功率预测方法，其特征在于，在基于小波神经网络，对所述历史风力发电数据Q进行小波变换，得到对应的小波变换数据O之后，还包括：
从小波域中，提取所述小波变换数据集合O中各项数据集的有效小波系数，得到小波系数集合O1：
{OV，Of，Oρ，OD，OCp，Oηg，Oηt，OP}；
对所述小波系数集合O1中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O2：
{OV，Of，Oρ，OD，K1，K2，K3，OP}，
其中：K1、K2和K3均为常数；
将所述小波系数集合O2：{OV，Of，Oρ，OD，K1，K2，K3，OP}，作为训练数据集。
5.根据权利要求4所述的基于小波神经网络的风力发电功率预测方法，其特征在于，以所述小波变换数据O为小波神经网络架构---WNN的输入，进行小波神经网络模型学习训练，得到风力发电功率预测WNN模型，包括：
以所述训练数据集，作为小波神经网络架构---WNN的输入特征，对WNN模型进行小波神经网络模型学习训练，得到基于WNN模型的风力发电功率预测初始模型；
将预设的测试集输入所述风力发电功率预测初始模型，进行模型精度评估，判断所述风力发电功率预测初始模型的模型精度是否达标：
若达标，则为所述风力发电功率预测初始模型配置工作参数，并将其部署于后台服务器上；
若不达标，则重构所述历史风力发电数据Q，重新建模。
6.根据权利要求2所述的基于小波神经网络的风力发电功率预测方法，其特征在于，采集实时风力发电数据Q1，并输入所述风力发电功率预测WNN模型中，由所述风力发电功率预测WNN模型输出对应的风力发电功率预测值，包括：
收集风力发电站的实时风力发电数据Q1，并上传至后台服务器；
后台服务器接收并转发实时风力发电数据Q1至所述风力发电功率预测WNN模型中；
通过所述风力发电功率预测WNN模型，对所述实时风力发电数据Q1进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O3；
从小波域中，提取所述小波变换数据集合O3中各项数据集的有效小波系数，得到小波系数集合O3；
对所述小波系数集合O3中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O4：
{OV，Of，Oρ，OD，K1，K2，K3，OP}；
将小波系数集合O4中的各项数值代入所述公式(一)，计算并输出风力发电功率预测值P。
7.一种实现权利要求1-7中任一项所述基于小波神经网络的风力发电功率预测方法的系统，其特征在于，包括：
风力发电数据收集模块，用于收集风力发电站的实时风力发电数据Q1，并上传至后台服务器；
后台服务器，用于接收并转发实时风力发电数据Q1至所述风力发电功率预测WNN模型中；
通过所述风力发电功率预测WNN模型，对所述实时风力发电数据Q1进行小波变换，将其转换到小波域中，得到各项数据的小波变换数据集合O3；
以及，
从小波域中，提取所述小波变换数据集合O3中各项数据集的有效小波系数，得到小波系数集合O3；
以及，
对所述小波系数集合O3中的OCp、Oηg和Oηt进行归一处理，得到小波系数集合O4：
{OV，Of，Oρ，OD，K1，K2，K3，OP}；
以及，
将小波系数集合O4中的各项数值代入所述公式(一)，计算并输出风力发电功率预测值P；
所述风力发电数据收集模块和所述后台服务器通信连接。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1-7中任一项所述的一种基于小波神经网络的风力发电功率预测方法。
CN202311210266.4A 2023-09-19 2023-09-19 基于小波神经网络的风力发电功率预测方法和系统 Pending CN117313927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311210266.4A CN117313927A (zh) 2023-09-19 2023-09-19 基于小波神经网络的风力发电功率预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311210266.4A CN117313927A (zh) 2023-09-19 2023-09-19 基于小波神经网络的风力发电功率预测方法和系统

Publications (1)

Publication Number Publication Date
CN117313927A true CN117313927A (zh) 2023-12-29

Family

ID=89285861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311210266.4A Pending CN117313927A (zh) 2023-09-19 2023-09-19 基于小波神经网络的风力发电功率预测方法和系统

Country Status (1)

Country Link
CN (1) CN117313927A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102478584A (zh) * 2010-11-26 2012-05-30 香港理工大学 基于小波分析的风电场风速预测方法及系统
CN112348255A (zh) * 2020-11-06 2021-02-09 湖南大学 基于小波时频图像化的超短期风电功率预测方法
CN115271225A (zh) * 2022-08-05 2022-11-01 中国矿业大学(北京) 一种基于小波降噪和神经网络的风力-风功率建模方法
WO2023115425A1 (zh) * 2021-12-20 2023-06-29 南瑞集团有限公司 一种超短时风速预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102478584A (zh) * 2010-11-26 2012-05-30 香港理工大学 基于小波分析的风电场风速预测方法及系统
CN112348255A (zh) * 2020-11-06 2021-02-09 湖南大学 基于小波时频图像化的超短期风电功率预测方法
WO2023115425A1 (zh) * 2021-12-20 2023-06-29 南瑞集团有限公司 一种超短时风速预测方法及系统
CN115271225A (zh) * 2022-08-05 2022-11-01 中国矿业大学(北京) 一种基于小波降噪和神经网络的风力-风功率建模方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
冯桂玲;: "基于小波变换和BP神经网络的时序风电功率预测", 电力大数据, no. 04, 21 April 2019 (2019-04-21) *
厉卫娜;苏小林;: "基于小波-神经网络的短期风电功率预测研究", 电力学报, no. 06, 25 December 2011 (2011-12-25), pages 458 - 461 *
师洪涛;杨静玲;丁茂生;王金梅;: "基于小波―BP神经网络的短期风电功率预测方法", 电力系统自动化, no. 16, 25 August 2011 (2011-08-25) *
杨洪深;温阳东;: "基于小波神经网络的风速预测及置信区间估计", 安徽工程大学学报, no. 03, 15 September 2012 (2012-09-15) *
王英志: "《航标学》", 30 September 2021, 大连：大连海事大学出版社, pages: 298 - 299 *
郭业才: "《深度学习与信号处理 原理与实践》", 30 June 2022, 北京：机械工业出版社, pages: 97 - 111 *

Similar Documents

Publication Publication Date Title
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110059357B (zh) 一种基于自编码网络的智能电能表故障分类检测方法及系统
Liao et al. Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro
Lu et al. Wind turbine planetary gearbox condition monitoring method based on wireless sensor and deep learning approach
Sikder et al. Fault diagnosis of motor bearing using ensemble learning algorithm with FFT-based preprocessing
CN111538947B (zh) 风力发电机轴承故障分类模型的构建方法
CN112766342A (zh) 一种电气设备的异常检测方法
CN110362045B (zh) 一种考虑海洋气象因素的海上双馈风电机组故障判别方法
CN113158814B (zh) 一种基于卷积自编码器的轴承健康状态监测方法
CN112085111B (zh) 一种负荷辨识方法和装置
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN113158722A (zh) 基于多尺度深度神经网络的旋转机械故障诊断方法
CN115271253B (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN115114965B (zh) 风电机组齿轮箱故障诊断方法、装置、设备及存储介质
CN117951577A (zh) 一种虚拟电厂能源状态感知方法
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
Afrasiabi et al. Two-stage deep learning-based wind turbine condition monitoring using SCADA data
CN117634663A (zh) 一种铁路设备故障预测方法、系统以及电子设备
CN113758709A (zh) 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
Cao et al. A novel method for detection of wind turbine blade imbalance based on multi-variable spectrum imaging and convolutional neural network
CN116821730A (zh) 风机故障检测方法、控制装置及存储介质

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