一种高速阵风导致风电功率下爬坡事件的预测方法技术

本发明专利技术提供一种高速阵风导致风电功率下爬坡事件的预测方法，通过该方法在输入一个风电场的风速历史数据的同时，输入距离风电场最近的2个风力数据采集点的数据，通过这些数据构建高速阵风属性列表，进而进行一个风电场是否存在高速阵风导致风电功率下爬坡事件的情况进行预测。本发明专利技术不单纯依赖于一个风电场的数据，而且将距离风电场最近的2个风力数据采集点的数据也作为判断的辅助数据，解决了数据量高速阵风导致风电功率下爬坡事件量较少的问题；在风电功率下爬坡事件的预测方面具有较高的实用意义。

【技术实现步骤摘要】
一种高速阵风导致风电功率下爬坡事件的预测方法
：本专利技术属于风电功率预测
，尤其涉及一种高速阵风导致风电功率下爬坡事件的预测方法。
技术介绍
：风电爬坡事件是指风电场或风电基地的风电功率输出在一个较短时间尺度内发生大幅度的变化。风电爬坡事件具有强波动性和强不确定性的特点，可造成系统中发/用电的严重不平衡，进而导致负荷损失。当风电场出现较高风速的阵风，使得风力涡轮机达到风速切出极限时，会导致典型的风电功率下爬坡事件，导致风电场有风但无输出功率的问题，对电网危害较大；准确的预测这种风电功率下爬坡事件，对于电网管理单位提前做好管理和应对准备，提高电网安全稳定运行、合理利用风电资源十分重要。当前对于预测风电爬坡采用的手段主要是：收集风电爬坡事件，针对爬坡过程中的大气诸多因素构建样本,然后引入人工智能或统计学方法建立预测模型，随后利用预测模型对风电场的是否出现风功率爬坡可能进行预测。这些方法会遇到两个问题：（一）风电爬坡分为上爬坡和下爬坡事件类型，导致每种事件类型的引发原因又多种多样，当前方法试图通过一个模型或者算法将不同时间尺度、空间尺度和大气环境诸多因素整合在一起进行统一的预测，这种方式易于导致多种事件混淆，进而导致预测精度较低；（二）多数预测模型需要较多的训练爬坡事件来构建训练样本，风电场不可能选址在灾害频发、风力十分不稳定的地区，所以对于任意一个风电场，都难于保证获得足够多的样本来训练预测模型，可能导致产生的模型与特定的某几个爬坡事件数据耦合，预测能力较低。对于高速阵风导致风电功率下爬坡事件，目前较为实用的方法的较少。因此需要提出一种方法，能够对一个风电场高速阵风导致风电功率下爬坡事件进行分析，并针对爬坡事件本身较少这一问题进行处理，使得风电场可以有效预测高速阵风导致风电功率下爬坡事件。
技术实现思路
：本专利技术提供一种高速阵风导致风电功率下爬坡事件的预测方法，解决了数据量高速阵风导致风电功率下爬坡事件量较少的问题；通过该方法在输入一个风电场的风速历史数据的同时，输入距离风电场最近的2个风力数据采集点的数据，通过这些数据构建高速阵风属性列表，进而进行一个风电场是否存在高速阵风导致风电功率下爬坡事件的情况进行预测。本专利技术所述的一种高速阵风导致风电功率下爬坡事件的预测方法，包括以下步骤：S1,对于待预测风电场，输入其风电场风速历史数据H1，输入距离最近的2个风力数据采集点的风速历史数据D1,D2；分析起始时间点tstart，分析结束时间点tend；高速阵风导致风电功率下爬坡事件列表tlist;风电特征区间长度fdist;阵风预判区间长度zdist；计算采样间隔时间fgap；统计H1，获得H1的最大值H1Max，H1的最小值H1Min，H1的均值H1Mean，H1的标准差H1Stdv；H1为待预测风电场的风速历史数据，为一个以时间为索引的数组，如H1[t]表示一个风电场在时间点t的风速值；D1为风力数据采集点1的风速历史数据，风力数据采集点1为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离最近，D1为一个以时间为索引的数组，如D1[t]表示一个在时间点t的风速值；D2为风力数据采集点2的风速历史数据，风力数据采集点2为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离比风力数据采集点1远，但是比其它风力数据采集点近，D2为一个以时间为索引的数组，如D2[t]表示一个在时间点t的风速值；tlist为高速阵风导致风电功率下爬坡事件列表，tlist为一个列tlist={t1,t2,…,tn}，列表中的每一个元素对应一个时间点；fdist为风电波动区间长度，该长度为描述和预测风电特征的时间长度值，其默认值为60，单位为分钟；zdist为阵风预判区间长度，该长度为算法预判可能导致风电功率下爬坡事件的高速阵风出现的时间长度值，默认值为30，单位为分钟；fgap为计算采样间隔时间，其默认值为10，单位为分钟；S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；S201，构建高速阵风特征算子WindOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组X1，第二个为特征抽取时间点tc；S202，计算起始时间OStart=tc-fdist/2；计算结束时间OEnd=tc+fdist/2；S203，风速数组WW=（从X1中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；S204，参考数量值NWW=(OEnd-OStart)/fgap+1；S205，统计WW，获得WW的最大值WWMax,最小值WWMin,均值WWMean，标准差WWStdv；S206，计算a1=(WWMean/H1Mean)，a2=(WW中高于WWMean的元素个数/NWW),a3=(WW的WWMax/H1Max)，a4=(WWStdv/H1Stdv)，a5=(WW中高于(WWMax-WWStdv/2)的元素个数/NWW),a6=(WW中高于(WWMean+WWStdv)的元素个数/NWW)；S207,构建高速阵风特征矢量v=(a1,a2,a3,a4,a5,a6)；S208,将高速阵风特征矢量v作为WindOperator的结果进行返回；S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；S301,构建阵风判别算子DecisonOperator,该算子包含两个输入参数，第一个为一个以时间为索引的数组DTX，第二个为特征抽取时间点dttc；S302，高速阵风列表dtlist=空，高速阵风计数器dtcounter=1；S303,dtnum=tlist的元素个数；S304，dtnode=取出tlist的第dtcounter个元素,该元素为一个时间点数据；S305，dtv=WindOperator(H1,dtnode),将H1和dtnode作为高速阵风特征算子WindOperator的输入，获得对应的高速阵风特征矢量；S306，将dtv加入到高速阵风列表dtlist之中；S307，dtcounter=dtcounter+1；S308,如果dtcounter>dtnum则转到S307，否则转到S304；S309，建立变量数组dty,dty包含dtnum个元素，dty每一个元素的初始值=1/dtnum；S310,currentv=WindOperator(DTX,dttc),将DTX和dttc作为高速阵风特征算子的输入，获得对应的高速阵风特征矢量；S310，将dty作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量minvalue中；S311，如果minvalue<(H1Stdv/2)则转到S312，否则转到S313；S312，决策结果decision=TRUE，转到S314；S313，决策结果decision=FALSE；S314，将decision作DecisonOperator的结果返回；S4，构建风速计算属性算子FeatureOperator，算子可以获取一个风速历史数据在一本文档来自技高网...

【技术保护点】
1.一种高速阵风导致风电功率下爬坡事件的预测方法，包括以下步骤：S1, 对于待预测风电场，输入其风电场风速历史数据H1，输入距离最近的2个风力数据采集点的风速历史数据D1,D2；分析起始时间点tstart，分析结束时间点tend；高速阵风导致风电功率下爬坡事件列表tlist;风电特征区间长度fdist;阵风预判区间长度zdist；计算采样间隔时间fgap；统计H1，获得H1的最大值H1Max，H1的最小值H1Min， H1的均值H1Mean，H1的标准差H1Stdv；H1为待预测风电场的风速历史数据，为一个以时间为索引的数组，如H1[t]表示一个风电场在时间点t的风速值；D1为风力数据采集点1的风速历史数据，风力数据采集点1为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离最近，D1为一个以时间为索引的数组，如D1[t]表示一个在时间点t的风速值；D2为风力数据采集点2的风速历史数据，风力数据采集点2为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离比风力数据采集点1远，但是比其它风力数据采集点近，D2为一个以时间为索引的数组，如D2[t]表示一个在时间点t的风速值；tlist为高速阵风导致风电功率下爬坡事件列表，tlist为一个列tlist={t1,t2,…,tn}，列表中的每一个元素对应一个时间点；fdist为风电波动区间长度，该长度为描述和预测风电特征的时间长度值，其默认值为60，单位为分钟；zdist为阵风预判区间长度，该长度为算法预判可能导致风电功率下爬坡事件的高速阵风出现的时间长度值，默认值为30，单位为分钟；fgap为计算采样间隔时间，其默认值为10，单位为分钟；S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；S201，构建高速阵风特征算子WindOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组X1，第二个为特征抽取时间点tc；S202，计算起始时间OStart=tc‑fdist/2；计算结束时间OEnd=tc+fdist/2；S203，风速数组WW=（从X1中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；S204，参考数量值NWW=(OEnd‑OStart)/fgap+1；S205，统计WW，获得WW的最大值WWMax,最小值WWMin,均值WWMean，标准差WWStdv；S206，计算a1=(WWMean/H1Mean)，a2= (WW中高于WWMean的元素个数/NWW), a3=(WW的WWMax/H1Max)，a4=(WWStdv/H1Stdv)，a5=(WW中高于(WWMax‑WWStdv/2)的元素个数/NWW),a6=(WW中高于(WWMean+WWStdv)的元素个数/NWW)；S207, 构建高速阵风特征矢量v=(a1,a2,a3,a4,a5,a6)；S208, 将高速阵风特征矢量v作为WindOperator的结果进行返回；S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；S301, 构建阵风判别算子DecisonOperator,该算子包含两个输入参数，第一个为一个以时间为索引的数组DTX，第二个为特征抽取时间点dttc；S302，高速阵风列表dtlist=空，高速阵风计数器dtcounter=1；S303, dtnum=tlist的元素个数；S304，dtnode=取出tlist的第dtcounter个元素,该元素为一个时间点数据；S305，dtv=WindOperator(H1,dtnode),将H1和dtnode作为高速阵风特征算子WindOperator的输入，获得对应的高速阵风特征矢量；S306，将dtv加入到高速阵风列表dtlist之中；S307，dtcounter=dtcounter+1；S308,如果dtcounter>dtnum则转到S307，否则转到S304；S309，建立变量数组dty,dty包含dtnum个元素，dty每一个元素的初始值=1/dtnum；S310, currentv=WindOperator(DTX,dttc),将DTX和dttc作为高速阵风特征算子的输入，获得对应的高速阵风特征矢量；S310，将dty作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量minvalue中；S311，如果minvalue...

【技术特征摘要】
1.一种高速阵风导致风电功率下爬坡事件的预测方法，包括以下步骤：S1,对于待预测风电场，输入其风电场风速历史数据H1，输入距离最近的2个风力数据采集点的风速历史数据D1,D2；分析起始时间点tstart，分析结束时间点tend；高速阵风导致风电功率下爬坡事件列表tlist;风电特征区间长度fdist;阵风预判区间长度zdist；计算采样间隔时间fgap；统计H1，获得H1的最大值H1Max，H1的最小值H1Min，H1的均值H1Mean，H1的标准差H1Stdv；H1为待预测风电场的风速历史数据，为一个以时间为索引的数组，如H1[t]表示一个风电场在时间点t的风速值；D1为风力数据采集点1的风速历史数据，风力数据采集点1为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离最近，D1为一个以时间为索引的数组，如D1[t]表示一个在时间点t的风速值；D2为风力数据采集点2的风速历史数据，风力数据采集点2为一个能够进行风力数据采集的地点，它距离待预测风电场直线距离比风力数据采集点1远，但是比其它风力数据采集点近，D2为一个以时间为索引的数组，如D2[t]表示一个在时间点t的风速值；tlist为高速阵风导致风电功率下爬坡事件列表，tlist为一个列tlist={t1,t2,…,tn}，列表中的每一个元素对应一个时间点；fdist为风电波动区间长度，该长度为描述和预测风电特征的时间长度值，其默认值为60，单位为分钟；zdist为阵风预判区间长度，该长度为算法预判可能导致风电功率下爬坡事件的高速阵风出现的时间长度值，默认值为30，单位为分钟；fgap为计算采样间隔时间，其默认值为10，单位为分钟；S2，构建高速阵风特征算子WindOperator，算子可以抽取一个风速历史数据在一个时间点上的高速阵风特征；S201，构建高速阵风特征算子WindOperator，该算子包含两个输入参数，第一个为一个以时间为索引的数组X1，第二个为特征抽取时间点tc；S202，计算起始时间OStart=tc-fdist/2；计算结束时间OEnd=tc+fdist/2；S203，风速数组WW=（从X1中以时间点OStart为起始，以OEnd为结束，以fgap为间隔取出的数据构成一个数组）；S204，参考数量值NWW=(OEnd-OStart)/fgap+1；S205，统计WW，获得WW的最大值WWMax,最小值WWMin,均值WWMean，标准差WWStdv；S206，计算a1=(WWMean/H1Mean)，a2=(WW中高于WWMean的元素个数/NWW),a3=(WW的WWMax/H1Max)，a4=(WWStdv/H1Stdv)，a5=(WW中高于(WWMax-WWStdv/2)的元素个数/NWW),a6=(WW中高于(WWMean+WWStdv)的元素个数/NWW)；S207,构建高速阵风特征矢量v=(a1,a2,a3,a4,a5,a6)；S208,将高速阵风特征矢量v作为WindOperator的结果进行返回；S3，基于高速阵风特征算子WindOperator，构建阵风判别算子DecisonOperator，算子可以对一个风速历史数据的一个时间点是否属于高速阵风进行判断；S301,构建阵风判别算子DecisonOperator,该算子包含两个输入参数，第一个为一个以时间为索引的数组DTX，第二个为特征抽取时间点dttc；S302，高速阵风列表dtlist=空，高速阵风计数器dtcounter=1；S303,dtnum=tlist的元素个数；S304，dtnode=取出tlist的第dtcounter个元素,该元素为一个时间点数据；S305，dtv=WindOperator(H1,dtnode),将H1和dtnode作为高速阵风特征算子WindOperator的输入，获得对应的高速阵风特征矢量；S306，将dtv加入到高速阵风列表dtlist之中；S307，dtcounter=dtcounter+1；S308,如果dtcounter>dtnum则转到S307，否则转到S304；S309，建立变量数组dty,dty包含dtnum个元素，dty每一个元素的初始值=1/dtnum；S310,currentv=WindOperator(DTX,dttc),将DTX和dttc作为高速阵风特征算子的输入，获得对应的高速阵风特征矢量；S310，将dty作为优化目标，优化求解以下公式的最小值，获得的结果存储到变量minvalue中；S311，如果minvalue<(H1Stdv/2)则转到S312，否则转到S313；S312，决策结果decis...

【专利技术属性】
技术研发人员：孙宏彬，潘欣，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：吉林,22