技术新讯 > 发电变电,配电装置的制造技术 > 一种基于转折段提取的风电功率预测方法及装置  >  正文

一种基于转折段提取的风电功率预测方法及装置

  • 国知局
  • 2024-08-30 14:56:11

本发明涉及风电功率预测领域,尤其涉及一种基于转折段提取的风电功率预测方法及装置。

背景技术:

1、化石能源的大量使用导致了气候问题的不断增加,而可再生能源具有环保、可持续性等优点逐渐受到人们的重视。可再生能源中的风能由于其具有持续的发电潜力、资源丰富、受地理位置影响较小等特点而被广泛使用,进行风电功率预测能够合理安排发电计划,保障电网稳定运行。

2、目前风电功率预测技术趋于成熟,主要分为点预测、区间预测、概率预测。点预测主要依靠机器学习方法进行;区间预测主要使用置信区间方法进行;概率预测主要依靠核密度估计方法进行。针对普通天气下进行预测的研究取得了较快的进展,但由于天气条件具有不确定性,会发生突变;当发生转折天气时,风速会在较短的时间内突然增加或降低,导致功率变化波动较大,降低风电功率的预测效果。因此需要对转折天气进行特殊考虑,现有研究大都针对于爬坡事件进行分析,对于爬坡事件常采用旋转门算法及其改进算法进行识别。但爬坡事件相较于转折天气持续时间更长、功率变化相对较缓,因此对于转折时段的提取无法完全适用于爬坡事件的提取。另一方面,由于转折天气具有突发性,因此提取出的转折时段数据存在数据量较少,无法很好的训练预测模型的问题。

技术实现思路

1、本发明的目的是为了提高转折时段的预测效果,提供了一种基于转折段提取的风电功率预测方法及装置。

2、第一方面,本发明提供一种基于转折段提取的风电功率预测方法,包括以下步骤:

3、1)对实际采集数据按照时间顺序划分训练集与测试集,选择一定时间段内的数据作为训练集与测试集;

4、2)对训练集与测试集中的数据进行异常值处理;

5、将实际采集数据中的风速-功率序列提取出来,使用基于密度的具有噪声的聚类方法进行检测;检测每个点周围的数据点个数,并依据数据点个数将风速-功率数据划分为正常数据与异常数据两类,若认定为异常数据,则将该点的风速值修改为风速均值,风速平均值计算如下:

6、                    (1)

7、wt为t时刻的风速值,n为样本数量,wmean为实际风速序列的均值,wi为i时刻的风速值;

8、3)将训练集与测试集中的数据分别利用固定的滑动时间窗口进行转折时段的划分,训练集与测试集均被划分为转折时段与非转折时段数据;

9、转折时段划分的方法为:

10、对异常值处理后的数据提取出风速序列,设置一个固定长度的滑动时间窗口检测风速序列,用以识别转折时段;

11、滑动时间窗口每次向后移动一个数据点,检测每个窗口内的首尾数据风速差值,若首尾风速差值大于某一阈值,则认定该窗口内的时段属于转折时段,反之则认定为非转折时段,首尾风速差值为:

12、e=| sstart-send|                     (2)

13、sstart为时间窗口内首个数据点的风速值,send为时间窗口内最后一个数据点的风速值;

14、4)对于测试集的非转折时段预测,首先使用训练集中的非转折时段数据训练第一预测模型,得到每个输入特征的信息增益;

15、将信息增益作为依据输入递归特征消除器进行特征选择,得到最优的输入特征组合;

16、提取出测试集非转折时段数据中的最优特征组合,将最优特征组合作为输入数据传递给经过训练集非转折时段数据训练后的第一预测模型进行预测;

17、5)对于测试集的转折时段预测,先利用生成对抗网络对训练集转折时段数据进行扩充,即,将训练集的转折时段数据作为输入传递给生成对抗网络,生成对抗网络中的生成器根据输入数据的维度进行新数据的生成,判别器识别真实输入数据与生成器生成的数据,在不断的迭代中生成器生成逐渐趋近于真实输入数据的数据分布,最终拟合输入数据生成相似的数据对转折时段进行补充;

18、再使用扩充后的训练集转折时段数据对第二预测模型进行训练,并对测试集转折时段进行预测;

19、6)将使用不同方法预测的测试集转折时段与非转折时段的预测结果进行组合,得到测试集全时段的预测结果;

20、7)对预测结果进行修正:

21、当风机达到额定功率之后不会升高,当风速未达到切入风速时风机不会发电,将这部分预测功率进行修改,采用准确率cr作为对预测功率进行修改的评价指标:

22、                (3)

23、n为样本数量,ppi为i时刻的实际功率,pmi为i时刻的预测功率,ci为i时刻的开机容量。

24、第二方面,本发明提供一种基于转折段提取的风电功率预测装置,包括:

25、数据集采集及划分模块,用于:对实际采集数据按照时间顺序划分训练集与测试集,选择一定时间段内的数据作为训练集与测试集;

26、异常数据检测及处理模块,用于:将实际采集数据中的风速-功率序列提取出来,使用基于密度的具有噪声的聚类方法进行检测;检测每个点周围的数据点个数,并依据数据点个数将风速-功率数据划分为正常数据与异常数据两类,若认定为异常数据,则将该点的风速值修改为风速均值,风速平均值计算如下:

27、                    (1)

28、wt为t时刻的风速值,n为样本数量,wmean为实际风速序列的均值,wi为i时刻的风速值;

29、转折时段识别模块,用于:将训练集与测试集中的数据分别利用固定的滑动时间窗口进行转折时段的划分,训练集与测试集均被划分为转折时段与非转折时段数据;

30、转折时段划分的方法为:

31、对异常值处理后的数据提取出风速序列,设置一个固定长度的滑动时间窗口检测风速序列,用以识别转折时段;

32、滑动时间窗口每次向后移动一个数据点,检测每个窗口内的首尾数据风速差值,若首尾风速差值大于某一阈值,则认定该窗口内的时段属于转折时段,反之则认定为非转折时段,首尾风速差值为:

33、e=| sstart-send|                     (2)

34、sstart为时间窗口内首个数据点的风速值,send为时间窗口内最后一个数据点的风速值;

35、模型预测模块,包括第一模型预测模块和第二模型预测模块;

36、所述第一模型预测模块用于实现对测试集的非转折时段预测,进行第一预测模型训练时,首先使用训练集中的非转折时段数据训练轻梯度提升机模型,得到每个输入特征的信息增益;

37、将信息增益作为依据输入递归特征消除器进行特征选择,得到最优的输入特征组合;

38、提取出测试集非转折时段数据中的最优特征组合,将最优特征组合作为输入数据传递给经过训练集非转折时段数据训练后的轻梯度提升机模型进行预测;

39、所述第二模型预测模块用于实现对测试集的转折时段预测,进行第二预测模型训练时,先利用生成对抗网络对训练集转折时段数据进行扩充,即,将训练集的转折时段数据作为输入传递给生成对抗网络,生成对抗网络中的生成器根据输入数据的维度进行新数据的生成,判别器识别真实输入数据与生成器生成的数据,在不断的迭代中生成器生成逐渐趋近于真实输入数据的数据分布,最终拟合输入数据生成相似的数据对转折时段进行补充;

40、再使用扩充后的训练集转折时段数据对轻梯度提升机模型进行训练,并对测试集转折时段进行预测;

41、预测结果组合模块,用于将使用不同模型预测的测试集转折时段与非转折时段的预测结果进行组合,得到测试集全时段的预测结果;

42、预测结果修正模块,用于修正预测结果组合模块的预测结果;

43、修正方法为:

44、当风机达到额定功率之后不会升高,当风速未达到切入风速时风机不会发电,将这部分预测功率进行修改,采用准确率cr作为对预测功率进行修改的评价指标:

45、                (3)

46、n为样本数量,ppi为i时刻的实际功率,pmi为i时刻的预测功率,ci为i时刻的开机容量。

47、第三方面,本发明提供一种计算机设备,包括:

48、一个或多个处理器;

49、存储器,用于存储一个或多个程序,

50、当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如所述的一种基于转折段提取的风电功率预测方法。

51、第四方面,本发明提供一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如所述的一种基于转折段提取的风电功率预测方法。

52、本发明相对现有技术具有突出的实质性特点和显著进步,具体来说:

53、1、本发明利用固定的滑动时间窗口对风速序列进行识别,提取出转折时段数据;利用生成对抗网络对转折时段数据进行补充,有效提高转折时段的预测效果,针对转折时段与非转折时段采用不同的方法进行预测,降低误差,将预测结果进行合并得到最终的全部时段的准确预测结果。

54、2、考虑到转折时段往往在较短的时间内发生,功率在短时间内发生突变,本发明将时间窗口设置为固定长度,不会增加时间窗口的长度,防止转折时段的误判。

55、3、考虑到固定时间窗口内检测首尾数据差值可能无法成功检测窗口内部数据的类型,本发明将时间窗口移动方式设置为一次向后移动一个数据点,防止时间窗口内的转折时段被遗漏。

本文地址:https://www.jishuxx.com/zhuanli/20240830/284654.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。