风电场风速的预测方法和系统技术方案

本发明专利技术提供了一种风电场风速的预测方法和系统，其中，所述预测方法包括以下步骤：获取风电场的历史数据；对获取的历史数据进行降维处理；对降维处理后的数据进行风速相关性分析；根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。本发明专利技术可以较为精准的预测某个特定风力发电机组的风速，使其在风速风向仪故障之后仍可保持较高的风电效率，作为应急系统能够有效的降低停机时间，提高风力发电机组可利用率，增加风力发电机组单位产出，经济效益明显。

【技术实现步骤摘要】
风电场风速的预测方法和系统
本专利技术涉及风电
，具体地讲，涉及一种风电场风速的预测方法和系统。
技术介绍
风电技术现在已经成为全球日益增长的清洁电力市场的主要贡献，准确可靠的风力发电预测被广泛认为是增加风力发电渗透率的主要原因。由于风力发电机在户外高空运行，且风速风向仪在机组舱罩外，其运行环境非常复杂：不仅要面对振动、粉尘、暴晒、冰冻、雨淋等各种极端条件，海上、滩涂风场的装机机组还要经受长年累月的盐雾腐蚀，风速风向仪故障的概率相对较高。通常情况下，现有技术对于风力发电机风速风向失效时的应急控制方法是：风场内所有机组以自己为中心，通过风场的数据采集和监视控制(SCADA)系统与其他地理位置最近的三台机组形成小的网络；机组正常运行时，机组将采集到的风速风向信号通过SCADA系统反馈给中央控制器，中央控制器对机组包括风速风向在内的各种信息实时进行显示；当机组风速风向仪故障时，首先向中央处理器报告，中央控制器在显著位置进行异色显示，向监控人员发出警告；同时，系统假定相近的3台风力发电机组风速风向相似，将相近的风力发电机组的风速风向仪的数据传回中央控制器，中央控制器在筛选后确认1-2台风力发电机组的信息有效之后，SCADA系统依据优先级第一机组、第二机组、第三机组的顺序选择风速风向数据并向中心机组发送数据，从而使风力发电机组可以在风速风向仪故障之后获得风速风向数据持续运行。然而，现有技术仅仅是假定相邻风力发电机组的风速风向相同，对风力发电机风速风向仪失效进行应急控制，并未考虑在一定距离之后的风速变化或衰减，其预测偏差很大，很难满足风力发电机组的安全运行。专利
技术实现思路
本专利技术提供了一种风电场风速的预测方法和系统，通过对风电场历史数据进行降维处理和相关性分析以及基于机器学习法进行回归分析建模，可以较为精准的预测某个特定风力发电机组的风速。本专利技术的一方面提供了风电场风速的预测方法，所述预测方法包括以下步骤：获取风电场的历史数据；对获取的历史数据进行降维处理；对降维处理后的数据进行风速相关性分析；根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。优选地，所述历史数据包括历史风速数据和历史工况数据。优选地，所述对获取的历史数据进行降维处理的步骤包括：将获取的历史数据进行中心化处理并根据中心化处理结果求取目标函数；将目标函数与约束条件共同构成最大化求解问题；构造拉格朗日函数，对最大化求解问题进行求解得到最大特征值；根据最大特征值相对应的最大特征向量得到降维处理的结果。优选地，所述对降维处理后的数据进行风速相关性分析的步骤包括：对降维处理后的数据进行预处理；将预处理后的数据分为训练样本和测试元组；分别计算测试元组与训练元组的欧拉距离，取距离最小的K个训练元组；将所述K个训练元组的出现最多次的标签设为测试元组的类别；根据测试元组的类别将训练样本划分为至少一个区域；计算误差率，并选择最小误差率所对应的K值，其中，所述最小误差率所对应的K值表示为该风电场中K个风力发电机组的风速具有线性相关性。优选地，所述根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速的步骤包括：分别对不同区域内的风速数据进行线性回归分析；根据线性回归分析结果建立线性回归模型，并通过模型与历史数据构建损失函数；求解损失函数最小值，根据与损失函数最小值相对应的参数建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。优选地，所述损失函数最小值通过最小二乘法和\或梯度下降法求取。优选地，还包括根据所述特定风力发电机组的风功率曲线来确定预测的风速是否出现偏差。优选地，还包括对建立的线性回归模型进行强化学习。本专利技术的另一方面提供了风电场风速的预测系统，所述预测系统包括：数据处理程序模块，用于获取风电场的历史数据并对获取的历史数据进行降维处理；相关性分析程序模块，用于对降维处理后的数据进行风速相关性分析；风速预测程序模块，用于根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。优选地，所述数据处理程序模块中历史数据包括历史风速数据和历史工况数据。优选地，所述数据处理程序模块包括：目标函数程序模块，将获取的历史数据进行中心化处理并根据中心化处理结果求取目标函数；最大特征值程序模块，将目标函数与约束条件共同构成最大化求解问题，并构造拉格朗日函数，对最大化求解问题进行求解得到最大特征值；降维处理程序模块，根据最大特征值相对应的最大特征向量得到降维处理的结果。优选地，所述相关性分析程序模块包括：数据预处理程序模块，对降维处理后的数据进行预处理；欧拉距离程序模块，将预处理后的数据分为训练样本和测试元组，分别计算测试元组与训练元组的欧拉距离；区域划分程序模块，取欧拉距离最小的K个训练元组，并将所述K个训练元组中出现最多次的标签设为测试元组的类别，根据测试元组的类别将训练样本划分为至少一个区域；线性相关程序模块，计算误差率，并选择最小误差率所对应的K值，其中，所述最小误差率所对应的K值表示为该风电场中K个风力发电机组的风速具有线性相关性。优选地，所述风速预测程序模块包括：模型建立程序模块，分别对不同区域内的风速数据进行线性回归分析，并根据线性回归分析结果建立线性回归模型；风速预测程序模块，根据线性回归模型与历史数据构建损失函数，求解损失函数最小值时相对应的参数，并基于求解的参数和建立的线性回归模型来预测风电场中的特定风力发电机组的风速。优选地，所述损失函数最小值通过最小二乘法和\或梯度下降法求取。优选地，还包括：偏差测试程序模块，根据所述特定风力发电机组的风功率曲线来测试预测的风速是否出现偏差。优选地，还包括：强化学习程序模块，对建立的线性回归模型进行强化学习。本专利技术的另一方面提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器运行时，处理器执行如上所述风电场风速的预测方法。本专利技术的另一方面提供了一种计算机设备，包括处理器和存储计算机程序的存储器，所述计算机程序被处理器运行时，处理器执行如上所述风电场风速的预测方法。在本专利技术中，通过对历史数据的处理和分析，使用相关性分析及基于机器学习的回归分析建模，准确的对某个特定风力发电机组的风速进行了预测，使其在风速风向仪故障之后仍然保持较高的发电效率，有效的降低了停机时间，提高了风力发电机组可利用率。附图说明通过以下结合附图进行的描述，本专利技术的示例性实施例的以上和其他方面、特点和优点将会更加清楚，在附图中：图1示出根据本专利技术的实施例的风电场风速的预测方法的流程图；图2示出根据本专利技术的实施例的运用最邻近节点(KNN)算法进行相关性分析的结果；图3示出根据本专利技术的实施例的风电场中特定风力发电机组的风速预测结果；图4示出根据本专利技术的实施例的风电场风速的预测系统框图；图5示出根据本专利技术的实施例的数据处理程序模块的框图；图6示出根据本专利技术的实施例的相关性分析程序模块的框图；图7示出根据本专利技术的实施例的风速预测程序模块的框图。在附图中，相同的标号将被理解为表示相同的元件、特征和结构。具体实施方式提供以下参照附图的描述以帮助全面理解由权利要求及本文档来自技高网...

【技术保护点】
1.一种风电场风速的预测方法，其特征在于，所述预测方法包括以下步骤：获取风电场的历史数据；对获取的历史数据进行降维处理；对降维处理后的数据进行风速相关性分析；根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。

【技术特征摘要】
1.一种风电场风速的预测方法，其特征在于，所述预测方法包括以下步骤：获取风电场的历史数据；对获取的历史数据进行降维处理；对降维处理后的数据进行风速相关性分析；根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速。2.如权利要求1所述的预测方法，其特征在于，所述历史数据包括历史风速数据和历史工况数据。3.如权利要求1所述的预测方法，其特征在于，所述对获取的历史数据进行降维处理的步骤包括：将获取的历史数据进行中心化处理并根据中心化处理结果求取目标函数；将目标函数与约束条件共同构成最大化求解问题，并构造拉格朗日函数，对最大化求解问题进行求解得到最大特征值；根据最大特征值相对应的最大特征向量得到降维处理的结果。4.如权利要求1所述的预测方法，其特征在于，所述对降维处理后的数据进行风速相关性分析的步骤包括：对降维处理后的数据进行预处理；将预处理后的数据分为训练样本和测试元组，分别计算测试元组与训练元组的欧拉距离；取欧拉距离最小的K个训练元组，并将所述K个训练元组中出现最多次的标签设为测试元组的类别，根据测试元组的类别将训练样本划分为至少一个区域；计算误差率，并选择最小误差率所对应的K值，其中，所述最小误差率所对应的K值表示为该风电场中K个风力发电机组的风速具有线性相关性。5.如权利要求4所述的预测方法，其特征在于，所述根据风速相关性分析结果建立线性回归模型，并基于建立的线性回归模型来预测风电场中的特定风力发电机组的风速的步骤包括：分别对不同区域内的风速数据进行线性回归分析，并根据线性回归分析结果建立线性回归模型；根据线性回归模型与历史数据构建损失函数，求解损失函数最小值时相对应的参数，并基于求解的参数和建立的线性回归模型来预测风电场中的特定风力发电机组的风速。6.如权利要求5所述的预测方法，其特征在于，所述损失函数最小值通过最小二乘法和\或梯度下降法求取。7.如权利要求1所述的预测方法，其特征在于，还包括：根据所述特定风力发电机组的风功率曲线来确定预测的风速是否出现偏差。8.如权利要求1所述的预测方法，其特征在于，还包括：对建立的线性回归模型进行强化学习。9.一种风电场风速的预测系统，其特征在于，所述预测系统包括：数据处理程序模块，用于获取风电场的历史数据并对获取的历史数据进行降维处理；相关性分析程序模块，用于对降维处理后的数据进行风速相关性分析；风速预测程序模块，用于根据风速...

【专利技术属性】
技术研发人员：袁旭，杨博宇，程庆阳，
申请(专利权)人：北京金风科创风电设备有限公司，
类型：发明
国别省市：北京,11