CN117543567A - 用于风电场无功优化的风电功率预测方法及装置 - Google Patents

用于风电场无功优化的风电功率预测方法及装置 Download PDF

Info

Publication number
CN117543567A
CN117543567A CN202311634576.9A CN202311634576A CN117543567A CN 117543567 A CN117543567 A CN 117543567A CN 202311634576 A CN202311634576 A CN 202311634576A CN 117543567 A CN117543567 A CN 117543567A
Authority
CN
China
Prior art keywords
data
wind
wind power
scada
power plant
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
CN202311634576.9A
Other languages
English (en)
Inventor
宾世杨
何修成
赵建勇
田克琴
贺遇烗
年珩
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.)
Guangxi Xing'an Wind Power Co Ltd Of State Power Investment Group
Original Assignee
Guangxi Xing'an Wind Power Co Ltd Of State Power Investment Group
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 Guangxi Xing'an Wind Power Co Ltd Of State Power Investment Group filed Critical Guangxi Xing'an Wind Power Co Ltd Of State Power Investment Group
Priority to CN202311634576.9A priority Critical patent/CN117543567A/zh
Publication of CN117543567A publication Critical patent/CN117543567A/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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种用于风电场无功优化的风电功率预测方法及装置，该方法包括获取风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据，并分别整合到空间尺度和时间尺度相同的三个数据集中；对数据集中含有多个全球场的预报数据进行修正处理；将含有风电场SCADA数据的数据集、含有数字地面模型数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN‑LSTM神经网络模型，对模型进行训练；将风电场SCADA数据、数字地面模型数据和全球场的预报数据输入训练好的CNN‑LSTM神经网络模型中进行风电功率预测，得到预测结果。提高风电功率预测的精度，减小风电场无功网损。

Description

用于风电场无功优化的风电功率预测方法及装置
技术领域
本申请涉及风电功率预测技术领域，尤其涉及一种用于风电场无功优化的风电功率预测方法及装置。
背景技术
随着可再生能源在能源结构中所占比重不断增加，风电场作为一种重要的风能利用方式，其功率预测和运行优化变得尤为重要。在风电场运行中，无功功率是影响电力系统稳定性和效率的关键因素之一。
传统的风电功率预测方法主要依赖于气象数据和风机状态数据，但这些方法在解决风电场环境中复杂多变的预测问题时存在一定的局限性。此外，单一数值天气预报模式对大气物理运动过程的描述相对有限，因此，不同数值天气预报模式对相同天气过程的模拟能力存在差异，导致风速模拟结果的不确定性，也影响了风电场无功优化过程。
发明内容
本申请实施例的目的是提供一种用于风电场无功优化的风电功率预测方法及装置，以解决相关技术中存在的单一数值天气预报模式对大气物理运动过程的描述相对有限的技术问题。
根据本申请实施例的第一方面，提供一种用于风电场无功优化的风电功率预测方法，包括：
获取风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据；
将所述风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中；
对数据集中含有多个全球场的预报数据进行修正处理，修正处理包括：采用权重合并的方式将具有相同特征的数据视为同一特征，不同特征的数据保留其独特的信息，再利用所述风电场SCADA数据将预报数据中不同高度的风速修正为轮毂高度处的数据；
将含有风电场SCADA数据的数据集、含有数字地面模型(DEM)数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN-LSTM神经网络模型，对模型进行训练；
将风电场SCADA数据、数字地面模型(DEM)数据和全球场的预报数据输入训练好的CNN-LSTM神经网络模型中进行风电功率预测，得到预测结果。
可选的，所述多数据来源包括风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据；
所述风电场SCADA数据够获取风电机组实时运行状态参数，包括：气象数据和功率数据，所述气象数据包括轮毂高度风速、风向、环境温度；
所述数字地面模型(DEM)数据描述地形起伏变化特征，包括：地形高度、地表坡度、地表方向、土地覆盖类型；
所述全球场的预报数据描述环境特征，包括：不同高度风速、风向，环境温度、湿度、压强、短波辐射、长波辐射、天气状况。
可选的，将所述风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中，包括：
针对风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据，采用时空插值方法对齐至相同的时间尺度和空间尺度；
利用数据转换算法，可以包括统一单位、归一化处理，将合并后的数据整合为相同的结构或格式。
可选的，将预报数据中不同高度的风速修正为轮毂高度处的数据，包括：
根据所述风电场SCADA数据中的气象数据，将预报数据中不同高度的气象数据通过Power法则修正为轮毂高度处的数据。
可选的，所述CNN-LSTM神经网络模型包含CNN卷积网络和LSTM长短期神经网络，CNN卷积网络探寻输入数据的空间特征，LSTM长短期神经网络处理时间序列信息；
CNN-LSTM神经网络模型的输入为所述修正后的全球场的预报数据、数字地面模型(DEM)，输出为风电场SCADA数据中的功率数据。
根据本申请实施例的第二方面，提供一种用于风电场无功优化的风电功率预测装置，包括：
获取模块，用于获取风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据；
整合模块，用于将所述风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中；
修正模块，用于对数据集中含有多个全球场的预报数据进行修正处理，修正处理包括：采用权重合并的方式将具有相同特征的数据视为同一特征，不同特征的数据保留其独特的信息，再利用所述风电场SCADA数据将预报数据中不同高度的风速修正为轮毂高度处的数据；
训练模块，用于将含有风电场SCADA数据的数据集、含有数字地面模型(DEM)数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN-LSTM神经网络模型，对模型进行训练；
预测模块，用于将风电场SCADA数据、数字地面模型(DEM)数据和全球场的预报数据输入训练好的CNN-LSTM神经网络模型中进行风电功率预测，得到预测结果。
根据本申请实施例的第三方面，提供一种用于风电场无功优化的无功功率输出调整方法，包括：
执行第一方面所述的风电功率预测方法；
将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出。
可选的，将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出，包括：
将功率预测结果输入无功功率优化系统中，结合风电场SCADA数据中的功率数据进行潮流计算，并以最小化网损为优化目标，通过调整风电场的无功功率输出，降低电网中的损耗。
根据本申请实施例的第四方面，提供一种用于风电场无功优化的无功功率输出调整装置，包括：
执行模块，用于执行第一方面所述的风电功率预测方法；
调整模块，用于将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出。
根据本申请实施例的第五方面，提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面或第三方面所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果：
由上述实施例可知，本申请采用多源数据融合技术，融合风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据进行风电功率预测，克服了单一数值天气预报模式对大气物理运动过程的描述相对有限的技术问题，进而提高风电功率预测精度，优化风电场无功系统。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种用于风电场无功优化的风电功率预测方法的流程图。
图2是根据一示例性实施例示出的多源数据处理过程。
图3是根据一示例性实施例示出的CNN-LSTM模型处理过程。
图4是根据一示例性实施例示出的风电功率预测值与真实值之间的对比。
图5是根据一示例性实施例示出的一种用于风电场无功优化的风电功率预测装置的框图。
图6是根据一示例性实施例示出的一种用于风电场无功优化的无功功率输出调整方法的流程图。
图7是根据一示例性实施例示出的风电场无功优化计算过程的流程图。
图8是根据一示例性实施例示出的一种用于风电场无功优化的无功功率输出调整装置的框图。
图9是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
实施例1：
图1是根据一示例性实施例示出的一种用于风电场无功优化的风电功率预测方法的流程图，如图1所示，该方法可以包括以下步骤：
S1：获取风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据；
具体地，所述多数据来源包括风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据；
所述风电场SCADA数据够获取风电机组实时运行状态参数，包括：气象数据和功率数据，所述气象数据包括轮毂高度风速、风向、环境温度；
所述数字地面模型(DEM)数据描述地形起伏变化特征，包括：地形高度、地表坡度、地表方向、土地覆盖类型；
所述全球场的预报数据描述环境特征，包括：不同高度风速、风向，环境温度、湿度、压强、短波辐射、长波辐射、天气状况。
所述风电场SCADA数据通过SCADA系统的接口或协议进行实时数据采集，可选的，每日定期从数据库中提取历史数据。
所述多个全球场的预报数据及数字地面模型(DEM)数据通过购买气象局及相关公司的产品，接入API接口进行查询。
获取多来源的数据并进行数据融合，从多个角度观察、研究数据，通过支持、补充、修正的方式获得关于风电功率预测尽可能全面的信息。
S2：将所述风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中；
具体地，如图2所示，针对风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据，采用时空插值方法对齐至相同的时间尺度和空间尺度；
针对时间尺度，以15min为时间间隔，将所有数据映射到相同的时间轴上。
若原始数据时间间隔小于15min，采样15min的时间轴，对每个15min内的数据取平均值，作为上个时间节点的数据。
可选的，短时间间隔数据转化为长时间间隔数据还可采用重采样、权重加权法对齐时间序列。
若原始数据时间间隔大于15min，对原始数据进行重采样，再进行线性插值法填补数据点，将长时间间隔数据转化为以15min为间隔的数据。线性插值方法表示为：
其中，x表示在原始数据yn和yn+1之间插值的位置，y表示在x位置的估计值。
可选的，可采用使用插值方法填补数据点，或者使用平均值、求和等聚合函数进行数据聚合。空间尺度上，需要确保不同数据源采集的空间坐标系统一致。
如果存在差异，需要进行坐标转换，以使数据在相同的地理坐标系中对齐空间插值或聚合。对于不同空间尺度的数据，使用插值或聚合方法将其转换为相同的空间分辨率。在数据网格中插值或在较大区域内对数据进行聚合。
整合数据后，对异常数据进行处理，以风速为例，筛选异常数据的依据及处理方法：
a.对于气象观测仪器缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速数据进行剔除；
b.绘制实测风速与实测输出功率关系分析图，对于其中明显的限电数据进行剔除；
c.处理扩容数据：将扩容前的数据进行修正，使其达到最新装机水平。
针对所述处理好的数据，利用数据转换算法，包括统一单位、归一化处理，将合并后的数据整合为相同的结构或格式。处理步骤为：
标准化数据，统一数据格式，将数据转换为统一的数据格式，以确保数据字段的一致性和可比性，并且采用统一数据的命名规范，确保不同数据源的变量或字段名称相匹配。
整合数据，可确保从不同数据源获取的原始数据在相同的时间尺度和空间尺度上对齐，为后续的分析和建模提供一致的数据基础。
S3：对数据集中含有多个全球场的预报数据进行修正处理，修正处理包括：采用权重合并的方式将具有相同特征的数据视为同一特征，不同特征的数据保留其独特的信息，再利用所述风电场SCADA数据将预报数据中不同高度的风速修正为轮毂高度处的数据；
具体地，选取NWP中比较重要的特征，如不同高度的风速、风向、温度等，为来自多个全球场的NWP预报数据具有该特征的数据分配一个初始权重。这些权重可以基于历史数据、实际观测数据和模型性能等因素进行初始化。
其中，Wdy是动态调整后的权重，Wst是静态的初始权重，α是一个调整因子，表示权重调整对性能变化的敏感度PC表示模型性能的变化，可以使用评估指标如均方误差(MSE)或其他适当的性能指标TC表示时间的变化，可以是模型训练的轮数、实际时间间隔。
利用实时或定期更新的历史数据和实际观测数据，动态调整特征的权重。帮助模型适应不断变化的环境，并提高其抗干扰性能。
可选的，可采用加权平均或其他集成方法，利用选择的特征和动态调整的权重，将多个全球场的预报数据进行融合。
利用SCADA中轮毂高度处的风速、风向、温度修正融合后的NWP预报数据，使10m、20m、50m、100m等不同高度的风速根据通过Power法则修正为轮毂高度处的数据。
其中，Power法则是一种经验关系，用于描述风速随着高度的变化关系。该法则假设气象变量与高度之间存在幂函数关系。表示为：
其中，Vh是特定高度h处的风速，Vr是参考高度hr处的风速，a是Power法则中的指数，通常在0.1到0.3之间，具体取值取决于大气条件。
可选的，不同高度风速融合的方法可采用空间插值法、层流模型、经验关系法。
针对数据融合步骤，无目的地堆砌数据集数量会产生无用的冗余数据不仅降低模型运算速度也会影响模型结果。通过数据融合，使融合后的特征更加优质，与目标研究相关并且能为研究提供更多有价值信息的数据。
S4：将含有风电场SCADA数据的数据集、含有数字地面模型(DEM)数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN-LSTM神经网络模型，对模型进行训练；
具体地，构建CNN-LSTM网络模型，所述CNN-LSTM神经网络模型包含CNN卷积网络和LSTM长短期神经网络，CNN卷积网络探寻输入数据的空间特征，LSTM长短期神经网络处理时间序列信息。如图3所示，具体过程是：
建立CNN-LSTM神经网络，CNN-LSTM组合预测模型被设计成一个包含7层网络结构的模型。第一层是一维卷积层，其任务是读取输入序列并放大序列中的显著特征。每个卷积层使用了20个卷积核，采用3个时间步长的内核大小处理输入序列，并使用Relu作为激活函数。
第二层是最大池化层，对卷积层的输出进行采样，提取不同区域内的局部依赖关系，以保留具有显著特征的信息。第三层是Flatten层，将多维输入重新构建为一维。第四层是特征融合层，采用Concatenate模块汇总10条输入通道。第五层是RepeatVector层，通过多次重复输入序列，重塑适合解码器读取的数据形状
第六层是解码器中的LSTM层，其中隐藏层包含200个神经单元，激活函数为Relu。第七层是全连接层，用于综合前层网络提取的特征信息，并输出最终的预测结果，其中神经元数目分别为200和未来24h的特征输入训练好的模型中，输出功率预测结果。
将所述进行数据融合后的数据并行输入到CNN通道进行处理的过程中开始训练，平均绝对误差(MAE)和均方根误差(RMSE)可以反映预测值与真实值之间的距离。用MAPE,RMSE来评估预测性能。公式为：
由表1所示，该发明所提出的方法对比使用的单一数据来源的方法，使用更全面、多样化的信息，MAPE/RMSE均低于其他模型，可知该发明具有一定的优势，提高预测准确性。
表1各模型预测评估效果
使用方法 MAPE RMSE
单气象特征(风速) 0.2548 0.4622
单NWP气象来源 0.0185 0.2844
多NWP气象来源 0.0094 0.0594
多源数据融合 0.0023 0.0165
S5：将风电场SCADA数据、数字地面模型(DEM)数据和全球场的预报数据输入训练好的CNN-LSTM神经网络模型中进行风电功率预测，得到预测结果。
具体地，将第二天日内多个全球场的预报结果、数字地面模型(DEM)预报结果，当日风电场SCADA数据作为输入至CNN-LSTM神经网络模型，输出风电功率预报结果。图4是根据一示例性实施例示出的风电功率预测值与真实值之间的对比。
由上述实施例可知，本申请采用多源数据融合技术，融合风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据进行风电功率预测，克服了单一数值天气预报模式对大气物理运动过程的描述相对有限的技术问题，提高风电功率预测精度。
与前述的用于风电场无功优化的风电功率预测方法的实施例相对应，本申请还提供了用于风电场无功优化的风电功率预测装置的实施例。
图5是根据一示例性实施例示出的一种用于风电场无功优化的风电功率预测装置框图。参照图5，该装置包括：
获取模块1，用于获取风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据；
整合模块2，用于将所述风电场SCADA数据、数字地面模型(DEM)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中；
修正模块3，用于对数据集中含有多个全球场的预报数据进行修正处理，修正处理包括：采用权重合并的方式将具有相同特征的数据视为同一特征，不同特征的数据保留其独特的信息，再利用所述风电场SCADA数据将预报数据中不同高度的风速修正为轮毂高度处的数据；
训练模块4，用于将含有风电场SCADA数据的数据集、含有数字地面模型(DEM)数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN-LSTM神经网络模型，对模型进行训练；
预测模块5，用于将风电场SCADA数据、数字地面模型(DEM)数据和全球场的预报数据输入训练好的CNN-LSTM神经网络模型中进行风电功率预测，得到预测结果。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
实施例2：
图6是根据一示例性实施例示出的一种用于风电场无功优化的无功功率输出调整方法的流程图，如图6所示，该方法可以包括以下步骤：
S21：执行实施例1所述的风电功率预测方法；
该步骤在实施例1中已经详细描述，这里不做赘述。
S22：将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出。
具体地，所述整个风电场进行潮流计算。通过前推回代的方式得到风电场系统内部各节点电压：将各台风机结点看作PO结点，将输出端电压看作一个平衡结点，将风机节点当作树型网络的第1层，将风机节点的父结点当作第2层，将网络进行分层，直至将其推至根节点。如图7所示，具体地：
输入风电场的预测有功功率和无功功率，给定非平衡节点的初始电压，并设置迭代前后的电压偏差为ε＝0.0001，向前推导计算出各节点注入电流Ij，将所得到的各节点电压损耗回代，得出各节点电压Uj。
根据所述各节点风电机组的初始电压、预测有功功率及无功功率的基础上，可以得出所述节点的注入电流为：
与所述节点相连的各子节点j的注入电流相加之和为其父节点i的注入电流，层层递进推导出根节点的注入电流为：
在回代计算各节点电压的过程中，推出的各节点电压为：
式中；Uj为根节点电压，ΔUj为各支路电压损耗，Ij为各支路电流，Rj为各支路电阻，Xj为各支路电抗。
得出各节点电压的网络损耗：
式中:Gij、cosθij分别是各个节点首段i、末端j之间的电导和电压相角差；Ui、Uj分别是各个节点首末两端的电压幅值。
由上述实施例可知，本申请将功率预测结果输入无功功率优化系统中，结合风电场SCADA数据中的功率数据进行潮流计算，并以最小化网损为优化目标，通过调整风电场的无功功率输出，降低电网中的损耗。
与前述的用于风电场无功优化的无功功率输出调整方法的实施例相对应，本申请还提供了用于风电场无功优化的无功功率输出调整装置的实施例。
图8是根据一示例性实施例示出的一种用于风电场无功优化的无功功率输出调整装置框图。参照图8，该装置包括：
执行模块11，用于执行实施例1所述的风电功率预测方法；
调整模块12，用于将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
实施例3：
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的用于风电场无功优化的风电功率预测方法或无功功率输出调整方法。如图9所示，为本发明实施例提供的一种用于风电场无功优化的风电功率预测装置或无功功率输出调整装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图9所示的处理器、内存之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的用于风电场无功优化的风电功率预测方法或无功功率输出调整方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(SmartMediaCard，SMC)、SD卡、闪存卡(FlashCard)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种用于风电场无功优化的风电功率预测方法，其特征在于，包括：
获取风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据；
将所述风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中；
对数据集中含有多个全球场的预报数据进行修正处理，修正处理包括：采用权重合并的方式将具有相同特征的数据视为同一特征，不同特征的数据保留其独特的信息，再利用所述风电场SCADA数据将预报数据中不同高度的风速修正为轮毂高度处的数据；
将含有风电场SCADA数据的数据集、含有数字地面模型数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN-LSTM神经网络模型，对模型进行训练；
将风电场SCADA数据、数字地面模型数据和全球场的预报数据输入训练好的CNN-LSTM神经网络模型中进行风电功率预测，得到预测结果。
2.根据权利要求1所述的方法，其特征在于，所述多数据来源包括风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据；
所述风电场SCADA数据够获取风电机组实时运行状态参数，包括：气象数据和功率数据，所述气象数据包括轮毂高度风速、风向、环境温度；
所述数字地面模型数据描述地形起伏变化特征，包括：地形高度、地表坡度、地表方向、土地覆盖类型；
所述全球场的预报数据描述环境特征，包括：不同高度风速、风向，环境温度、湿度、压强、短波辐射、长波辐射、天气状况。
3.根据权利要求1所述的方法，其特征在于，将所述风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中，包括：
针对风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据，采用时空插值方法对齐至相同的时间尺度和空间尺度；
利用数据转换算法，将合并后的数据整合为相同的结构或格式。
4.根据权利要求1所述的方法，其特征在于，将预报数据中不同高度的风速修正为轮毂高度处的数据，包括：
根据所述风电场SCADA数据中的气象数据，将预报数据中不同高度的气象数据通过Power法则修正为轮毂高度处的数据。
5.根据权利要求1所述的方法，其特征在于，所述CNN-LSTM神经网络模型包含CNN卷积网络和LSTM长短期神经网络，CNN卷积网络探寻输入数据的空间特征，LSTM长短期神经网络处理时间序列信息；
CNN-LSTM神经网络模型的输入为所述修正后的全球场的预报数据、数字地面模型，输出为风电场SCADA数据中的功率数据。
6.一种用于风电场无功优化的风电功率预测装置，其特征在于，包括：
获取模块，用于获取风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据；
整合模块，用于将所述风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中；
修正模块，用于对数据集中含有多个全球场的预报数据进行修正处理，修正处理包括：采用权重合并的方式将具有相同特征的数据视为同一特征，不同特征的数据保留其独特的信息，再利用所述风电场SCADA数据将预报数据中不同高度的风速修正为轮毂高度处的数据；
训练模块，用于将含有风电场SCADA数据的数据集、含有数字地面模型数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入CNN-LSTM神经网络模型，对模型进行训练；
预测模块，用于将风电场SCADA数据、数字地面模型数据和全球场的预报数据输入训练好的CNN-LSTM神经网络模型中进行风电功率预测，得到预测结果。
7.一种用于风电场无功优化的无功功率输出调整方法，其特征在于，包括：
S21：执行权利要求1所述的风电功率预测方法；
S22：将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出。
8.根据权利要求1所述的方法，其特征在于，将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出，包括：
将功率预测结果输入无功功率优化系统中，结合风电场SCADA数据中的功率数据进行潮流计算，并以最小化网损为优化目标，通过调整风电场的无功功率输出，降低电网中的损耗。
9.一种用于风电场无功优化的无功功率输出调整装置，其特征在于，包括：
执行模块，用于执行权利要求1所述的风电功率预测方法；
调整模块，用于将所述预测结果引入无功功率优化系统，调整风电场的无功功率输出。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5或7-8任一项所述的方法。
CN202311634576.9A 2023-12-01 2023-12-01 用于风电场无功优化的风电功率预测方法及装置 Pending CN117543567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311634576.9A CN117543567A (zh) 2023-12-01 2023-12-01 用于风电场无功优化的风电功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311634576.9A CN117543567A (zh) 2023-12-01 2023-12-01 用于风电场无功优化的风电功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN117543567A true CN117543567A (zh) 2024-02-09

Family

ID=89782157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311634576.9A Pending CN117543567A (zh) 2023-12-01 2023-12-01 用于风电场无功优化的风电功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN117543567A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934208A (zh) * 2024-03-18 2024-04-26 广东工业大学 一种基于多通道深度网络的多源数据海上风电预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934208A (zh) * 2024-03-18 2024-04-26 广东工业大学 一种基于多通道深度网络的多源数据海上风电预测方法
CN117934208B (zh) * 2024-03-18 2024-06-11 广东工业大学 一种基于多通道深度网络的多源数据海上风电预测方法

Similar Documents

Publication Publication Date Title
US11408399B2 (en) Forecasting output power of wind turbine in wind farm
Stathopoulos et al. Wind power prediction based on numerical and statistical models
CN111754026B (zh) 光伏电站群功率预测方法、装置、计算机设备及存储介质
Singh et al. Wind power estimation using artificial neural network
CN117543567A (zh) 用于风电场无功优化的风电功率预测方法及装置
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN110264002B (zh) 基于聚类分析的风电场微观选址方案评价方法
CN113256033B (zh) 基于模态互补的发电站选址定容方法、装置、系统及介质
CN108830411A (zh) 一种基于数据处理的风电功率预测方法
CN112862274A (zh) 一种基于WRF-LES和DeepAR相结合的风功率预测方法
CN115345076A (zh) 一种风速订正处理方法及装置
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
CN113379142A (zh) 一种基于风速修正和融合模型的短期风电功率预测方法
CN114819264A (zh) 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN113984198A (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN113610285A (zh) 一种分散式风电的功率预测方法
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN113344252A (zh) 一种基于虚拟气象技术的风功率预测方法
Brusca et al. Wind farm power forecasting: New algorithms with simplified mathematical structure
CN115936238B (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
Graabak et al. Developing a wind and solar power data model for Europe with high spatial-temporal resolution
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network
CN113887839A (zh) 一种基于聚类的风电场超短期风功率预测方法及系统
Tascıkaraoglu Impacts of accurate renewable power forecasting on Optimum operation of power system
Roshan et al. Effects of climate change on wind energy production in Iran

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