CN118035875A - 基于极端天气影响因子的风力发电功率预测方法及系统 - Google Patents
基于极端天气影响因子的风力发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN118035875A CN118035875A CN202410439754.0A CN202410439754A CN118035875A CN 118035875 A CN118035875 A CN 118035875A CN 202410439754 A CN202410439754 A CN 202410439754A CN 118035875 A CN118035875 A CN 118035875A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- extreme weather
- wind turbine
- wind
- 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 118
- 238000010248 power generation Methods 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
一种基于极端天气影响因子的风力发电功率预测方法及系统，该方法包括以下步骤：首先获取风电机发电组信息、风况等气象信息，基于双向长短期记忆网络构建影响因子与功率映射模型并进行预测，得到初步功率预测结果；其次，基于气象参数，判定极端天气类型，并构建极端天气影响因子与功率损失时序密度函数，结合概率密度函数，诊断功率损失的可能性；最后基于时序功率损失，进一步订正初步功率预测结果。本发明克服了极端天气下，因气象恶劣导致的风机覆冰、风机切机等，致使功率波动而造成风力发电功率预测出现大偏差问题。
Description
技术领域
本发明属于新能源功率预测技术领域，具体地涉及一种基于极端天气影响因子下的风力发电功率预测方法及系统。
背景技术
近些年来，降低碳排放量对环境保护、生态平衡起到很大的作用，目前，我国能源相关二氧化碳排放量每年10亿吨，电力作为我国煤炭消费与碳排放占比最大的单一行业，碳排放占比超40%。因此大力发展以风能、太阳能为代表的新能源电力，促进高比例可再生能源并网消纳，将成为降低电力系统碳排放的当务之急。
近年来，极端天气例如暴雨灾害、洪涝灾害和寒潮灾害等，这些重大天气事件的发生，不仅威胁着发电场站、电网输电线路的安全，也进一步增加新能源发电功率预测的难度。寒潮大风给风力发电带来如下三方面影响：一是急剧的降温叠加高湿环境，使风电机组叶片和机舱风速仪等传感设备大规模覆冰，叶片覆冰导致叶片载荷不均衡或气动特性改变，机舱风速仪覆冰使系统检测风束低于切入风速，均造成机组切出运行；二是低温使风电机组齿轮箱、主轴等核心部件脆性增加，为了确保风电机组在极端低温下的安全性，在低于设定温度时，风机的低温保护动作将触发风电机组切机脱网；三是局部极大风速高于风电机组设计的最大运行风速，风电机组为了确保自身设备的安全，使机组切机停运，寒潮后期，处于极冷无风状态，风电出力下降，负荷需求进一步增大。
对极端天气下发电功率预测的现有技术主要有：
中国专利申请CN116307257B，提供一种特定天气下的风电场的输出功率预测方法及装置，所述方法包括：若基于数值天气预报数据以及特定天气判断规则判断获知目标风电场遇到特定天气，则获得目标风电场对应的天气特征数据，并基于天气特征数据建立损失判别因子集合；根据损失判别因子集合以及风电功率损失程度分类模型，获得风电功率损失程度等级；根据风电功率损失程度等级，获得目标风电场的预测输入数据以及风电功率预测模型；根据预测输入数据以及对应的风电功率预测模型，预测目标风电场在特定天气下的输出功率。该方法未能准确定义不同特定天气下的损失判别因子，仍需根据实际需要进行设置，同时由于极端天气/特殊天气样本稀缺，根据损失判别因子集合以及风电功率损失程度分类模型，对于寒潮、大风等极端天气功率预测及损失，易出现数据难以精准定位、模型难以构建等问题。
中国专利申请CN102570453B，公开了可以应用于酒泉千万千瓦风电基地的基于多套数值天气预报源的短期风电功率预测方法及系统，该方法包括：应用物理和统计相结合的方法建立各风电场的预测模型；获取各风电场的数值天气预报数据，输入所述预测模型；所述预测模型基于输入的数值天气预报数据，对各风电场短期与超短期的风电出力情况进行预测处理，获取能够应用于电力调度和建立新预测模型的预测结果。该方法偏向于常规功率预测，对于寒潮、大风等极端天气，常伴随叶片覆冰、低温停机、大风切机等功率损失，常规功率预测方法难以准确预测。
中国专利申请CN108710973B，提供一种基于风电天气分型特征选择的风电功率预测方法，具体步骤包括：以历史数据集中的测风塔10m风速筛选数值天气预报风电天气样本段；对筛选样本段进行聚类，将风电天气划分为n类，未筛选的样本段作为第n+1类；对各类天气的输入特征分别进行选择，将W维特征降低到di(i＝1,2,…,n+1)维，di是第i类天气筛选得到的特征数；建立n+1类风电天气下的风电功率预测模型；识别未来24h各段风电天气类型，并分别将各类风电天气关联的di(i＝1,2,…,n+1)维特征作为预测输入，进行风电功率预测。该方法更为针对常规功率预测方法，对于极端天气如寒潮大风，常伴随叶片覆冰、低温停机、大风切机等功率损失，且样本较为稀少，常规功率预测方法建模难度大且难以准确预测。
准确且合理的高精度新能源发电功率预测对保障电网的安全调度、维护电网的稳定运行和提高新能源电站利用率具有重要意义，因此亟须一种适用于极端天气影响下的风力发电功率预测方法及系统、设备及存储介质。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于极端天气影响因子的风力发电功率预测方法及系统，明确构建不同极端天气类型对应的综合影响因子，按照其数值划分多个区间，通过求解各个区间内功率损失分布函数，从而得到不同综合影响因子下的功率损失及其损失期望值，并构建不同区间下功率损失概率密度，通过功率预测与功率损失概率密度相结合的方法有效应对不同极端天气类型下的功率预测。
本发明采用如下的技术方案。
本发明的第一方面提供一种基于极端天气影响因子的风力发电功率预测方法，所述方法包括以下步骤：
S1：获取风电机组的历史功率数据及对应时刻的风电机组历史信息数据、历史气象数据，并对历史气象数据、风电机组的历史信息数据、风电机组的历史功率数据进行处理提取功率影响因子；
S2：基于双向长短期记忆网络构建功率预测模型，并使用S1中的风电机组的历史功率数据、功率影响因子对所述模型进行训练，使用风电机组历史信息数据对通过训练好的功率预测模型得到的功率预测结果进行修正得到新的功率预测结果；
S3：基于S1中的历史气象数据，判定极端天气，提取并构建极端天气综合影响因子，结合功率损失值建立极端天气综合影响因子各子区间下的功率损失概率密度函数，从而得到极端天气综合影响因子的子区间下相应的功率损失概率，并获得相应综合影响因子的子区间下的功率损失期望值；
S4：采集待预测时段的气象数据、风电机组的功率数据及对应时刻的风电机组信息数据，基于所述气象数据、风电机组的功率数据提取功率影响因子，通过训练好的功率预测模型进行功率预测，使用待预测时段的风电机组信息数据对所述模型的预测结果进行修正得到待预测时段的风电机组的初步功率预测结果；基于待预测时段的气象数据，判定是否为极端天气，若是极端天气，提取并构建极端天气综合影响因子，诊断功率损失概率，获取相应的功率损失期望值，进一步订正初步功率预测结果得到新的功率预测结果，若不是极端天气，则无需对初步功率预测结果进行订正。
优选地，S1中，风电机组历史信息数据包括：风电机组单机容量、风电机组单机数量、风电机组单机开机容量、风电机组单机停机/检修时的容量；
历史气象数据包括：风速、风向、温度、湿度、气压以及降雨量、降雪量、覆冰面积。
优选地，对S1中的历史气象数据、风电机组的历史功率数据进行处理，具体包括以下步骤：
S11：对获取的历史气象数据、风电机组的历史功率数据进行数据特征类型分类，划分为定量数据、定性数据；
S12：对S11中经过特征类型分类的数据进行清洗处理，删除异常数据，并对缺失数据或删除异常数据后的数据点进行填补；
S13：对经过清洗处理的数据进行特征构建，基于功率预测先验方法及统计方法，构建历史气象数据与风电机组的历史功率数据的映射关系，得到个映射关系数据；
S14：对S13中所述的映射关系数据进行降维，保留个映射关系数据，/>；
S15：基于个映射关系数据构建相应的功率影响因子，以如下公式所示：
，
式中，为第x种气象因素的第i天的天气综合影响因子，/>为第x种气象因素的第i天的最大波动数值、/>为第x种气象因素的第i天的平均波动数值、/>为第x种气象因素的第i天的平均数值。
优选地，S2中，对风电机组的历史功率数据、功率影响因子按照设定比例划分为训练集、验证集，用训练集对所述模型进行训练，使用验证集进行评估,评估指标以如下公式所示：
，
式中，RMSE为评估结果，为真实值，/>为预测值，g为验证集的数值数量；
当RMSE低于设定值，则完成训练，否则调整模型的学习率重新训练，通过学习率调度器即learning rate scheduler调整所述模型的学习率。
优选地，基于风电机组信息数据，获得场站装机容量，以如下公式所示：
，
式中，为场站装机容量，/>为风电机组单机数量，/>为第i个风电机组单机容量；
风电机组实际开机容量，以如下公式所示：
，
式中，为风电机组实际开机容量，/>为第i个风电机组单机开机容量，/>为第i个风电机组单机停机/检修时的容量；
对功率预测模型的功率预测结果进行修正得到新的功率预测结果，以如下公式所示：
，
式中，为新的功率预测结果，/>为功率预测预测模型的功率预测结果。
优选地，S3中，基于历史气象数据，利用极端天气判定方法确定是否为极端天气类型，当历史气象数据中任一项气象因素超过设定阈值时，判断为极端天气类型；
确定极端天气后，基于S15中的功率影响因子构建极端天气综合影响因子，以如下公式所示：
，
式中，为第z种极端天气类型的第i天的极端天气综合影响因子，/>为第z种极端天气类型的第i天的最大波动数值、/>为第z种极端天气类型的第i天的平均波动数值、/>为第z种极端天气类型的第i天的平均数值。
对构建极端天气综合影响因子的气象数据划分为n个区间，以如下公式所示：
，
式中，为构建极端天气综合影响因子的气象数据中的最大值，/>为构建极端天气综合影响因子的气象数据中的最小值，/>为划分区间的尺寸；
所分区间范围为：
。
更进一步地，当各个区间气象数据的数量不同时，需对区间进行二次划分，将第一次划分的部分区间相邻且所含气象数据的数量较少的区间合并在一起，直至合并后的新区间气象数据的数量满足设定数量。
优选地，将S1中的风电机组的历史功率数据、功率影响因子输入到训练好的功率预测模型中得到功率预测值，并通过风电机组信息数据对所述功率预测值进行修正得到新的功率预测值，功率损失值即功率实测值与新的功率预测值的差值。
优选地，概率密度函数以如下公式所示：
，
式中，为功率损失即功率实测数据与预测数据的差值，/>为功率损失概率密度函数，/>为极端天气综合影响因子区间/>对应的功率损失数值，Ｎ为/>的数量，ｈ为带宽或平滑参数，K()为核函数；
基于以上的功率损失概率密度函数，概率分布函数和功率损失期望值以如下公式所示：
，
，
式中，为功率损失概率分布函数，α为置信度，置信度α下的功率损失区间为[Fz(α/2),Fz(1-α/2)]，/>为极端天气综合影响因子不同子区间下功率损失期望值，num为对应子区间下的功率损失样本总数，/>为功率损失对应的发生概率值。
优选地，S4中，基于S3中的、/>、/>，结合待预测时段的极端天气综合影响因子，得到所述综合影响因子相应的功率损失期望值和功率损失概率密度， 根据功率损失概率是否达到设定阈值，若达到设定阈值，取相应的功率损失期望值的中位值叠加到初步功率预测结果，若功率损失概率未达到设定阈值，则无需对初步功率预测结果进行订正。
本发明提供一种基于极端天气影响因子的风力发电功率预测系统，运行所述的一种基于极端天气影响因子的风力发电功率预测方法，包括：
数据获取模块，功率预测模型构建模块，功率损失期望值和概率计算模块，预测结果订正模块；
数据获取模块用于获取历史气象数据、风电机组的历史功率数据、风电机组信息数据，基于历史气象数据、风电机组的历史功率数据提取功率影响因子；
功率预测模型构建模块用于构建功率预测模型并进行训练，得到训练好的功率预测模型，并通过风电机组信息数据对功率预测模型的功率预测结果进行修正得到新的功率预测结果；
功率损失期望值和概率计算模块用于根据极端天气综合影响因子和功率损失值计算得到功率损失概率以及功率损失期望值；
预测结果订正模块用于基于极端天气判断、功率损失概率和功率损失期望值对初步预测结果进行订正。
本发明提供一种电子设备，运行所述的一种基于极端天气影响因子的风力发电功率预测方法方法，包括：
处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序，实现所述基于极端天气影响因子的风力发电功率预测方法的步骤。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于极端天气影响因子的风力发电功率预测方法。
本发明的有益效果在于，与现有技术相比，本发明明确构建不同极端天气类型对应的综合影响因子，按照其数值划分多个区间，通过求解各个区间内功率损失分布函数，从而得到不同综合影响因子下的功率损失及其损失期望值，并构建不同区间下功率损失概率密度，通过诊断及损失预测相结合的方法有效应对不同极端天气类型下的功率预测。对于极端天气如寒潮大风，常伴随叶片覆冰、低温停机、大风切机等功率损失，且样本较为稀少，常规功率预测方法建模难度大且难以准确预测，本发明方法通过挖掘不同极端天气下气象功率数据特征，构造对应极端天气下的综合影响因子，判定极端天气类型，并构建极端天气影响因子与功率损失时序概率模型，结合概率密度函数，诊断功率损失的可能性；最后基于时序功率损失，进一步订正初步功率预测结果，实现极端天气下功率精准预测。
附图说明
图1是本发明基于极端天气影响因子的风力发电功率预测方法的流程示意图；
图2是本发明基于极端天气影响因子的风力发电功率预测系统的框架示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
参照附图1，本发明提供一种基于极端天气影响因子的风力发电功率预测方法，所述方法包括以下步骤：
S1：获取风电机组的历史功率数据及对应时刻的风电机组历史信息数据、历史气象数据，并对历史气象数据、风电机组的历史信息数据、风电机组的历史功率数据进行处理提取功率影响因子。
在优选但非限制性地实施方式中，S1中，风电机组历史信息数据包括：风电机组单机容量、风电机组单机数量、风电机组单机开机容量、风电机组单机停机/检修时的容量；
历史气象数据包括：风速、风向、温度、湿度、气压以及降雨、降雪、覆冰等数据等。
在优选但非限制性地实施方式中，对S1中的历史气象数据、风电机组的历史功率数据进行处理，包括：数据特征类型分类、数据清洗、数据特征构建、数据特征变换、数据特征选择；具体包括以下步骤：
S11：对S1中获取的数据进行数据特征类型分类，将数据划分为定量数据、定性数据：定量数据即风速、温度、风电机组历史功率数据；定性数据：气象数据的寒潮、大风、暴雪等，并按照影响程度分为：轻微、严重、非常严重。
S12：对S11中经过特征类型分类的数据进行清洗处理，利用均值、四分位数、中位数、标准差、偏差、偏度等统计方法，结合箱线法、正态分布、概率密度曲线对原始数据中数据不完整、数据不一致、数据重复、数据异常等进行数据清洗处理，具体的处理方法有删除、填补等。
S13：对经过清洗处理的数据进行特征构建，基于功率预测先验方法及统计方法，构建历史气象数据与风电机组的历史功率数据的映射关系，得到个映射关系数据。
S14：对S13中所述映射关系数据进行特征变换即使用PCA等进行降维，利用降维的思想，挖掘特征属性之间的相互关联关系，把多参数气象因素转化为少数综合性影响因子，降低影响因素维度，确保特征属性之间是相互独立，保留个映射关系数据，/>。
S15：基于个映射关系数据构建相应的功率影响因子，该功率影响因子，选取对应天气的相关气象参数，通过构建该气象数据波动特性、日综合特征参量获得，功率影响因子构建以如下公式所示：
，
式中，为第x种气象因素的第i天的天气综合影响因子，/>为第x种气象因素的第i天的最大波动数值、/>为第x种气象因素的第i天的平均波动数值、/>为第x种气象因素的第i天的平均数值。
以风机轮毂高度下的风速为例构建风速影响因子即，数据从场站获得，场站数据分辨率普遍为15min，数据采集为96点，日定义为滚动窗口，各个j时刻的/>即第i日风速最大波动、/>即第i日风速平均波动、/>即第i日平均风速，可通过j时刻后的96点数据计算，如下所示：
，
，
，
，
上式，每j时刻获取96个点数据，时间间隔15min；为每个j时间点的风速值，peak()为日风速曲线峰值点，valley()为日风速曲线谷值点，/>为第j时刻的风机轮毂高度下的风速综合影响因子。
以温度天气类型构建日温度综合影响因子，其中为第i日温度最大波动、/>第i日温度平均波动、/>第i日平均温度，且都为归一化参数;日定义为滚动窗口，通过j时刻后的96点数据计算，如下所示：
，
，
，
，
上式，每天风速为96个点，时间间隔15min；为每个时间点的温度值，peak()为日温度曲线峰值点，valley()为日温度曲线谷值点。
S2：基于双向长短期记忆网络构建功率预测模型，并使用S1中的风电机组的历史功率数据、功率影响因子对所述模型进行训练，使用风电机组历史信息数据对通过训练好的功率预测模型得到的功率预测结果进行修正得到新的功率预测结果。
在优选但非限制地实施方式中，S2中，对风电机组的历史功率数据、功率影响因子按照设定比例划分为训练集、验证集，例如可按照7:3划分为训练集、验证集，用训练集对所述模型进行训练,使用验证集进行评估,评估指标以如下公式所示：
，
式中，RMSE为评估结果，为真实值，/>为预测值，g为验证集的数值数量；
当RMSE低于设定值，则认为已完成训练，否则调整模型的学习率重新训练，学习率是控制网络参数更新步长的关键参数，可以根据训练情况调整学习率大小，加快或减缓参数更新速度，以达到更好的训练效果；本发明使用的学习率调整方法是通过学习率调度器即learning rate scheduler来实现的，使用的是一种基于余弦退火的学习率调度方法即Cosine AnnealingLearning Rate Scheduler；
直到RMSE低于设定值，由此获得基于双向长短期记忆网络预测模型，基于待测日数据可获得初步功率预测结果。
在优选但非限制地实施方式中，基于风电机组信息数据，获得场站装机容量，以如下公式所示：
，
式中，为场站装机容量，/>为风电机组单机数量，/>为第i个风电机组单机容量；
风电机组实际开机容量，以如下公式所示：
，
式中，为风电机组实际开机容量，/>为第i个风电机组单机开机容量，/>为第i个风电机组单机停机/检修时的容量；
对功率预测模型的功率预测结果进行修正得到新的功率预测结果，以如下公式所示：
，
式中，为新的功率预测结果，/>为功率预测预测模型的功率预测结果。
S3：基于S1中的历史气象数据，判定极端天气，提取并构建极端天气综合影响因子，结合功率损失值建立极端天气综合影响因子各子区间下的功率损失概率密度函数，从而得到极端天气综合影响因子的子区间下相应的功率损失概率，并获得相应综合影响因子的子区间下的损失期望值。
在优选但非限制地实施方式中，S3中，基于气象数据，利用极端天气判定方法确定极端天气类型，当气象数据中的任一项气象因素超过设定阈值时，判断为极端天气；
例如：大风类型，定义风速大于17.2m/s为大风天气；寒潮类型：定义使某地24小时内降温幅度≥8℃，或48小时内降温幅度≥10℃，或72小时降温幅度≥12℃，而且使该地日最低气温<4℃的冷空气活动；
当确定极端天气后，基于S15中的天气综合影响因子构建极端天气综合影响因子，例如大风天气类型选择日风速综合影响因子、寒潮天气类型选择日温度综合影响因子；极端天气综合影响因子的构建以如下公式所示：
，
式中，为第z种极端天气类型的第i天的极端天气综合影响因子，/>为第z种极端天气类型的第i天的最大波动数值、/>为第z种极端天气类型的第i天的平均波动数值、/>为第z种极端天气类型的第i天的平均数值；
当同时出现两种不同极端天气时，极端天气综合影响因子可表示成，
由此可以推论出同时出现n种极端天气时的极端天气综合影响因子。
在优选但非限制性地实施方式中，通过构建不同的极端天气综合影响因子，结合时序性气象信息，形成时序性综合影响因子数据，基于历史实测功率数据、气象数据，构建不同极端天气类型下综合影响因子的子区间下功率损失概率密度函数，实现极端天气功率损失概率的精准分析；
建立极端天气综合影响因子下功率损失概率密度函数，将不同极端天气类型的对应的极端天气综合影响因子，按照设定数值划分多个区间，分别建立不同子区间下的功率损失分布函数；
首先使用极端天气判定方法确定S1中的气象数据是否为极端天气类型，并提取极端天气发生时段数据，对构建极端天气综合影响因子的气象数据划分为n个区间，并对功率损失值即功率实测数据与预测数据的差值进行对应区间划分，以如下公式所示：
，
式中，为构建极端天气综合影响因子的气象数据中的最大值，/>为构建极端天气综合影响因子的气象数据中的最小值，/>为划分区间的尺寸；
所分区间范围为：
。
更进一步地，当各个区间气象数据的数量不同时，需对区间进行二次划分，将第一次划分的部分区间相邻且所含气象数据的数量较少的区间合并在一起，直至合并后的新区间气象数据的数量满足设定数量。
以寒潮极端天气类型为例，各个时刻日温度综合影响因子最大值、最小值分别为和/>，温度综合影响因子区间段长为/>，则区段数/>为：
，
且所分区间温度范围为：/>。
在优选但非限制性地实施方式中，划分区间后，基于各个区间的气象数据，可通过非参数估计方法，求解功率损失即功率实测数据与预测数据的差值的概率密度函数，对于极端天气综合影响因子区间/>对应的功率损失/>，其概率密度函数以如下公式所示：
，
，
式中，Ｎ为的数量，ｈ为带宽或平滑参数，K()为核函数；
基于以上的估计方法，可拟合得到不同综合影响因子区间下功率损失的概率密度函数，通过积分求取其累计概率分布函数/>，由此得到各极端天气综合影响因子不同子区间下功率损失期望值/>，及其不同置信度α下的功率损失区间[Fz(α/2),Fz(1-α/2)]，以如下公式所示：
，
，
其中，num为对应子区间下的功率损失样本总数，为功率损失对应的发生概率值。
S4：采集待预测时段的气象数据、风电机组的功率数据、风电机组信息数据，基于所述气象数据、风电机组的功率数据提取功率影响因子，通过训练好的功率预测模型进行功率预测，使用待预测时段的风电机组信息数据对所述模型的预测结果进行修正得到待预测时段的风电机组的初步功率预测结果；基于待预测时段的气象数据，判定是否为极端天气，若是极端天气，提取并构建极端天气综合影响因子，诊断功率损失概率，获取相应的功率损失期望值，进一步订正初步功率预测结果得到新的功率预测结果，若不是极端天气，则无需对初步功率预测结果进行订正。
优选地，S4中，基于S3中的、/>、/>，结合待预测时段的极端天气综合影响因子，得到所述综合影响因子相应的功率损失期望值和功率损失概率密度，根据功率损失概率是否达到设定阈值，若达到设定阈值，取相应的功率损失期望值的中位值叠加到初步功率预测结果，若功率损失概率未达到设定阈值，则无需对初步功率预测结果进行订正。
本发明提供一种基于极端天气影响因子的风力发电功率预测系统，运行所述的一种基于极端天气影响因子的风力发电功率预测方法，如附图2所示，包括：
数据获取模块，功率预测模型构建模块，功率损失期望值和概率计算模块，预测结果订正模块；
数据获取模块用于获取历史气象数据、风电机组的历史功率数据、风电机组信息数据，基于历史气象数据、风电机组的历史功率数据提取功率影响因子；
功率预测模型构建模块用于构建功率预测模型并进行训练，得到训练好的功率预测模型，并通过风电机组信息数据对功率预测模型的功率预测结果进行修正得到新的功率预测结果；
功率损失期望值和概率计算模块用于根据极端天气综合影响因子和功率损失计算得到功率损失概率以及功率损失期望值；
预测结果订正模块用于基于极端天气判断、功率损失概率和功率损失期望值对初步预测结果进行订正。
本发明提供一种电子设备，运行所述的一种基于极端天气影响因子的风力发电功率预测方法方法，包括：
处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序，实现所述基于极端天气影响因子的风力发电功率预测方法的步骤。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于极端天气影响因子的风力发电功率预测方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种基于极端天气影响因子的风力发电功率预测方法，其特征在于，所述方法包括以下步骤：
S1：获取风电机组的历史功率数据及对应时刻的风电机组历史信息数据、历史气象数据，并对历史气象数据、风电机组的历史功率数据进行处理提取功率影响因子；
S2：基于双向长短期记忆网络构建功率预测模型，并使用S1中的风电机组的历史功率数据、功率影响因子对所述模型进行训练，使用风电机组历史信息数据对通过训练好的功率预测模型得到的功率预测结果进行修正得到新的功率预测结果；
S3：基于S1中的历史气象数据，判定极端天气，提取并构建极端天气综合影响因子，结合功率损失值建立极端天气综合影响因子各子区间下的功率损失概率密度函数，从而得到极端天气综合影响因子的子区间下相应的功率损失概率，并获得相应综合影响因子的子区间下的功率损失期望值；
S4：采集待预测时段的气象数据、风电机组的功率数据及对应时刻的风电机组信息数据，基于所述气象数据、风电机组的功率数据提取功率影响因子，通过训练好的功率预测模型进行功率预测，使用待预测时段的风电机组信息数据对所述模型的预测结果进行修正得到待预测时段的风电机组的初步功率预测结果；基于待预测时段的气象数据，判定是否为极端天气，若是极端天气，提取并构建极端天气综合影响因子，诊断功率损失概率，获取相应的功率损失期望值，进一步订正初步功率预测结果得到新的功率预测结果，若不是极端天气，则无需对初步功率预测结果进行订正。
2.根据权利要求1所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
S1中，风电机组历史信息数据包括：风电机组单机容量、风电机组单机数量、风电机组单机开机容量、风电机组单机停机/检修时的容量；
历史气象数据包括：风速、风向、温度、湿度、气压以及降雨量、降雪量、覆冰面积。
3.根据权利要求1或2所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
对S1中的历史气象数据、风电机组的历史功率数据进行处理提取功率影响因子，具体包括以下步骤：
S11：对获取的历史气象数据、风电机组的历史功率数据进行数据特征类型分类，划分为定量数据、定性数据；
S12：对S11中经过特征类型分类的数据进行清洗处理，删除异常数据，并对缺失数据或删除异常数据后的数据点进行填补；
S13：对经过清洗处理的数据进行特征构建，基于功率预测先验方法及统计方法，构建历史气象数据与风电机组的历史功率数据的映射关系，得到 个映射关系数据；
S14：对S13中所述的映射关系数据进行降维，保留个映射关系数据，/>；
S15：基于个映射关系数据构建相应的功率影响因子，以如下公式所示：
，
式中，为第x种气象因素的第i天的功率影响因子，/>为第x种气象因素的第i天的最大波动数值、/>为第x种气象因素的第i天的平均波动数值、/>为第x种气象因素的第i天的平均数值。
4.根据权利要求1所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
S2中，对风电机组的历史功率数据、功率影响因子按照设定比例划分为训练集、验证集，用训练集对所述模型进行训练，使用验证集进行评估，评估指标以如下公式所示：
，
式中，RMSE为评估结果，为真实值，/>为预测值，g为验证集的数值数量；
当RMSE低于设定值，则完成训练，否则调整模型的学习率重新训练，通过学习率调度器即learning rate scheduler调整所述模型的学习率。
5.根据权利要求1或4所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
基于风电机组信息数据，获得场站装机容量，以如下公式所示：
，
式中，为场站装机容量，/>为风电机组单机数量，/>为第i个风电机组单机容量；
风电机组实际开机容量，以如下公式所示：
，
式中，为风电机组实际开机容量，/>为第i个风电机组单机开机容量，/>为第i个风电机组单机停机/检修时的容量；
对功率预测模型的功率预测结果进行修正得到新的功率预测结果，以如下公式所示：
，
式中，为新的功率预测结果，/>为功率预测预测模型的功率预测结果。
6.根据权利要求1所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
S3中，基于历史气象数据，利用极端天气判定方法确定是否为极端天气类型，当历史气象数据中任一项气象因素超过设定阈值时，判断为极端天气类型；
确定极端天气后，基于S15中的功率影响因子构建极端天气综合影响因子，以如下公式所示：
，
式中，为第z种极端天气类型的第i天的极端天气综合影响因子，/>为第z种极端天气类型的第i天的最大波动数值、/>为第z种极端天气类型的第i天的平均波动数值、/>为第z种极端天气类型的第i天的平均数值。
7.根据权利要求6所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
对构建极端天气综合影响因子的气象数据划分为n个区间，以如下公式所示：
，
式中，为构建极端天气综合影响因子的气象数据中的最大值，/>为构建极端天气综合影响因子的气象数据中的最小值，/>为划分区间的尺寸；
所分区间范围为：
。
8.根据权利要求7所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
当各个区间气象数据的数量不同时，需对区间进行二次划分，将第一次划分的部分区间相邻且所含气象数据的数量较少的区间合并在一起，直至合并后的新区间气象数据的数量满足设定数量。
9.根据权利要求8所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
将S1中的风电机组的历史功率数据、历史气象数据和功率影响因子输入到训练好的功率预测模型中得到功率预测值，并通过风电机组信息数据对所述功率预测值进行修正得到新的功率预测值，功率损失值即功率实测值与新的功率预测值的差值。
10.根据权利要求9所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
功率损失概率密度函数以如下公式所示：
，
式中，为功率损失值即功率实测数据与预测数据的差值，/>为功率损失概率密度函数，/>为极端天气综合影响因子区间/>对应的功率损失数值，Ｎ为/>的数量，ｈ为带宽或平滑参数，K()为核函数；
基于以上的功率损失概率密度函数，概率分布函数和功率损失期望值以如下公式所示：
，
，
式中，为功率损失概率分布函数，α为置信度，置信度α下的功率损失区间为[Fz(α/2),Fz(1-α/2)]，/>为极端天气综合影响因子不同子区间下功率损失期望值，num为对应子区间下的功率损失样本总数，/>为功率损失对应的发生概率值。
11.根据权利要求1或10所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
S4中，基于S3中的、/>、/>，结合待预测时段的极端天气综合影响因子，得到所述综合影响因子相应的功率损失期望值和功率损失概率密度， 根据功率损失概率是否达到设定阈值，若达到设定阈值，取相应的功率损失期望值的中位值叠加到初步功率预测结果，若功率损失概率未达到设定阈值，则无需对初步功率预测结果进行订正。
12.一种实现权利要求1-11任一项权利要求所述方法的基于极端天气影响因子的风力发电功率预测系统，包括数据获取模块，功率预测模型构建模块，功率损失期望值和概率计算模块，预测结果订正模块；其特征在于：
数据获取模块用于获取历史气象数据、风电机组的历史功率数据、风电机组信息数据，基于历史气象数据、风电机组的历史功率数据提取功率影响因子；
功率预测模型构建模块用于构建功率预测模型并进行训练，得到训练好的功率预测模型，并通过风电机组信息数据对功率预测模型的功率预测结果进行修正得到新的功率预测结果；
功率损失期望值和概率计算模块用于根据极端天气综合影响因子和功率损失值计算得到功率损失概率以及功率损失期望值；
预测结果订正模块用于基于极端天气判断、功率损失概率和功率损失期望值对初步预测结果进行订正。
13.一种基于极端天气影响因子的风力发电功率预测方法的电子设备，运行根据权利要求1-11任意一项权利要求所述的一种基于极端天气影响因子的风力发电功率预测方法，其特征在于：
包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序，实现所述基于极端天气影响因子的风力发电功率预测方法的步骤。
14.一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：
该程序被处理器执行时实现权利要求1-11任一项权利要求所述的一种基于极端天气影响因子的风力发电功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410439754.0A CN118035875A (zh) | 2024-04-12 | 2024-04-12 | 基于极端天气影响因子的风力发电功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410439754.0A CN118035875A (zh) | 2024-04-12 | 2024-04-12 | 基于极端天气影响因子的风力发电功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118035875A true CN118035875A (zh) | 2024-05-14 |
Family
ID=90997244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410439754.0A Pending CN118035875A (zh) | 2024-04-12 | 2024-04-12 | 基于极端天气影响因子的风力发电功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118035875A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017070134A (ja) * | 2015-10-01 | 2017-04-06 | 新日鐵住金株式会社 | 電力予測方法 |
| CN112884601A (zh) * | 2021-01-21 | 2021-06-01 | 浙江大学 | 一种基于天气区划策略的电力系统运行风险评估方法 |
| CN116702957A (zh) * | 2023-05-18 | 2023-09-05 | 国电南瑞科技股份有限公司 | 面向极端天气的新能源功率预测方法、设备和存储介质 |
-
2024
- 2024-04-12 CN CN202410439754.0A patent/CN118035875A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017070134A (ja) * | 2015-10-01 | 2017-04-06 | 新日鐵住金株式会社 | 電力予測方法 |
| CN112884601A (zh) * | 2021-01-21 | 2021-06-01 | 浙江大学 | 一种基于天气区划策略的电力系统运行风险评估方法 |
| CN116702957A (zh) * | 2023-05-18 | 2023-09-05 | 国电南瑞科技股份有限公司 | 面向极端天气的新能源功率预测方法、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 叶闻杰等: "基于功率预测精度提升和市场交易的平抑新能源出力波动策略", 《上海交通大学学报》, 13 October 2023 (2023-10-13), pages 1 - 17 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI476430B (zh) | 具極端風速預測功能之風能預報方法 | |
| Ayodele et al. | Wind distribution and capacity factor estimation for wind turbines in the coastal region of South Africa | |
| CN103902837B (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
| CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
| Wang et al. | Time‐varying failure rate simulation model of transmission lines and its application in power system risk assessment considering seasonal alternating meteorological disasters | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN103545832A (zh) | 一种基于发电预测误差的光伏系统储能容量配置方法 | |
| CN102880810A (zh) | 基于时间序列和神经网络法的风电功率预测方法 | |
| CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
| Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network | |
| Saenz-Aguirre et al. | Floating wind turbine energy and fatigue loads estimation according to climate period scaled wind and waves | |
| CN108256690B (zh) | 基于形状参数置信区间的光伏发电预测方法 | |
| CN108471137B (zh) | 一种风功率预测中风速功率概率性映射方法 | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
| CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
| CN115204712B (zh) | 一种海上和沿海风电场选址评估方法 | |
| CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
| CN118035875A (zh) | 基于极端天气影响因子的风力发电功率预测方法及系统 | |
| CN116307257A (zh) | 一种特定天气下的风电场的输出功率预测方法及装置 | |
| CN113761692B (zh) | 一种基于迁移成分分析的多风电机组运行状态辨识方法 | |
| CN115095487A (zh) | 基于多源异构scada数据的风电机组状态监测方法 | |
| CN112561149A (zh) | 基于动力降尺度数据融合和统计模型的风电功率预测方法 | |
| Zhao et al. | Detection of impending ramp for improved wind farm power forecasting | |
| CN110659776B (zh) | 具有自适应时间尺度的新能源发电功率预测方法及系统 | |
| CN117728587B (zh) | 一种新能源发电设备运行数据的实时监控系统及方法 |
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 |