一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法技术

技术编号:29133899 阅读:186 留言:0更新日期:2021-07-02 22:29
本发明专利技术涉及一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法,首先提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段;然后基于K‑means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式,同时得到各基本模式对应的气象特征,训练支持向量机分类器,从而使用基本模式对风电功率序列进行事件序列重编码;最后,通过APRIORI关联分析算法对事件序列进行挖掘得到富风期风电小发事件与事件之间的关联关系,进而建立富风期风电小发事件的自相关统计特性模型,通过模型进行预测。该方法深入挖掘出富风期风电小发事件之间的自相关特性,有效地解决了难以用数学模型建模的问题。

【技术实现步骤摘要】
一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法
本专利技术属于电网风电波动特性建模
,尤其涉及一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法。
技术介绍
能源是人类赖以生存的物质基础,是国家经济社会发展的命脉,在全球气候变化和能源安全的大背景下,可再生能源得到了大规模的发展。我国的可再生能源发展尤为迅速,其中风电并网装机和消纳总量高速增长,根据国家能源局公布的数据,截止2020年6月底,全国风电累计装机2.17亿千瓦。我国重视可再生能源发展的同时,由于我国的资源禀赋特点、电力系统条件和市场机制问题,消纳大规模可再生能源也面临着更大挑战。风、光等可再生能源出力都具有随机性和波动性,并且当前我国电力系统调节灵活性欠缺、电网调度运行方式较为僵化等现实导致系统难以完全适应新形势要求,大型机组难以发挥节能高效的优势。随着可再生能源大规模开发,我国局部地区消纳矛盾逐渐凸显,部分地区出现了较为严重的弃风、弃光和弃水问题。如今,大规模风电功率预测与波动特性建模还存在着众多问题,针对于常见的风电出力场景分析,绝大多数仅能讨论典型场景下风电的出力特性,而忽略了极端情况下可能出现的各种“意外”情况,例如富风期风电出力反而可能处于低位。富风期是指每年的1-5月和10-12月,气候变化程度较大,按往年的统计数据有较多的大风时期,风电功率水平也相对较高。然而由于特殊的气象成因,在某一区域或局部范围内,出现及其反常的无风和小风现象,导致此时的风电功率水平远低于前一时期和本时期应有的水平,即富风期风电小发事件。该场景与极端爬坡场景有所区别,极端爬坡场景是指风电功率的变化过程剧烈,一般是指短时期内的现象,而富风期时的风电小发事件是指长时间尺度的风电功率缺失。富风期风电小发事件是一种不可直接预测的风电功率长时间缺额现象,其存在使系统的原有调度计划受到较大影响。一方面,功率的缺额改变了各机组的实际出力水平;另一方面,突发的功率变化对电力系统的机组检修、安全运行均提出了巨大的挑战。在这种情况下,针对富风期出现风电小发事件这一极端场景展开深入分析,建立富风期风电小发事件的情景分析模型,从而定量刻画风电的出力特性,更加深层次地挖掘风电出力规律,有助于提高模型的完备性,加强电网安全运行的可靠性,帮助电网调度更加有效的利用风电资源,为后续高效利用可再生能源提供基础理论支撑。
技术实现思路
本专利技术的目的是提供一种考虑气象条件对风电出力的影响,利用实际风电功率数据完成富风期风电小发事件的统计特征研究,在对风电功率序列进行事件序列重编码后基于APRIORI关联分析算法建立富风期风电小发事件自相关统计特性模型的方法。为实现上述目的,本专利技术采用的技术方案是:一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法,包括以下具体步骤:步骤1、基于数据驱动方式,利用实际风电功率数据和时间标志信息,筛选出富风期风电小发事件出现的时间和频率,提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段,进行特征分析;步骤2、引入气象数据,选取气象指标,基于K-means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式,同时得到各基本模式对应的气象特征,并利用支持向量机算法对各基本模式下的气象数据进行学习训练,得到支持向量机分类器;步骤3、根据步骤2聚类分析得到的各基本模式,使用基本模式对风电功率序列进行事件序列重编码,实现对风电功率序列的降维处理;步骤4、根据步骤3处理所得降维后的事件序列,通过APRIORI关联分析算法对事件序列进行挖掘得到富风期风电小发事件与事件之间的关联关系,进而建立富风期风电小发事件的自相关统计特性模型,完成对富风期风电小发事件的预测,具体包括:步骤4.1、根据步骤3.2处理所得降维后的事件序列,通过APRIORI关联分析算法对事件序列进行挖掘分析得到富风期风电小发事件与事件之间的关联关系。基于APRIORI的原理对模式事件序列进行频繁项集搜索,记SC(mode)为支持度计数,即某一模式出现的频数。由于相隔较远的富风期风电小发事件相关性小,故只需考虑到频繁三项集即可,即依次包含两次富风期风电小发事件和相应的间隔的频繁项集。因此,从频繁二项集到频繁三项集就能够包含富风期风电小发事件的自相关信息,从频繁二项集上考虑模式A和模式B的自相关特性,在模式A发生之后,模式B发生的概率如下式所示:该式从而建立起模式A和模式B的自相关特性,所有模式的自相关特性均可以由频繁项集计算得到;步骤4.2、设定频繁项阈值为2个支持度计数,基于APRIORI算法对降维后的事件序列进行分析,搜索到频繁二项集、频繁三项集,并且得到其中频繁二项集、频繁三相集相应的支持度计数和,从而计算得到不同模式之间的自相关特性;步骤4.3、基于上述步骤统计得到各模式间的自相关特性,进而建立富风期风电小发事件的自相关统计特性模型,所有的频繁二项集和频繁三项集都可以表征富风期风电小发事件的自相关特性,不同模式之间的关联关系的集合构成自相关统计特性模型。步骤5、采集鹿原、协合、照阳河风电场站的2018年的实际风电功率数据和气象数据,根据步骤4.2处理所得到每个基本模式之间的关联关系,得到的频繁二项集和频繁三项集用于表征富风期风电小发事件的自相关特性,基于这种特性进行算例分析,可用于对未来的富风期风电小发事件进行预测,预测方法具体包括:步骤5.1、根据步骤2中的聚类分析得到富风期风电小发事件持续时间段、间隔时间段各基本模式,将持续时间段模式编号为1~3,间隔时间段模式编号为4~6,同时根据步骤2得到各基本模式对应的模式内事件数、平均风速值、平均风向值、平均气温值、平均气压值、平均持续时间值/平均间隔时间值。步骤5.2、假定先发生模式1和4的富风期风电小发事件持续时间段和间隔时间段后,紧接着会发生一起持续时间段,模式必定为1、2、3中的一类,由于根据步骤4.2已经计算出每个模式之间的自相关特性和具体概率情况,这样利用接下来会发生模式1、2、3的概率和对应的气象特征数据值,计算得到会发生模式1、2、3的概率乘以各模式对应的气象数据特征值的总和,即是接下来会发生的模式对应的各气象数据特征值,具体包括风速、风向、气温、气压,再利用这组数据基于svm模型的predict功能进行识别,即可得到其属于的具体模式,最后进行迭代可以预测出之后会发生的各模式。在上述的基于频繁模式挖掘的富风期风电小发事件统计特性建模方法,步骤1的实现包括以下步骤:步骤1.1、基于数据驱动方式,选取风电场站一年的实际风电功率数据,数据采集是每天内每隔15分钟采点一次,一天共96条数据;步骤1.2、对实际风电功率数据进行预处理,采用删除法将存在缺失以及数值明显超出其物理意义范围的数据删除,实现缺失值与异常值处理;步骤1.3、基于预处理后得到的实际风电功率数据,以低于一年中最大风电功率的5%为标准筛选出富风期风电小发事件出现的时间和频率,提取各风本文档来自技高网
...

【技术保护点】
1.一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法,其特征在于,包括以下具体步骤:/n步骤1、基于数据驱动方式,利用实际风电功率数据和时间标志信息,筛选出富风期风电小发事件出现的时间和频率,提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段,进行特征分析;/n步骤2、引入气象数据,选取气象指标,基于K-means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式,同时得到各基本模式对应的气象特征,并利用支持向量机算法对各基本模式下的气象数据进行学习训练,得到支持向量机分类器;/n步骤3、根据步骤2聚类分析得到的各基本模式,使用基本模式对风电功率序列进行事件序列重编码,实现对风电功率序列的降维处理;/n步骤4、根据步骤3处理所得降维后的事件序列,通过APRIORI关联分析算法对事件序列进行挖掘得到富风期风电小发事件与事件之间的关联关系,进而建立富风期风电小发事件的自相关统计特性模型,完成对富风期风电小发事件的预测,具体包括:/n步骤4.1、根据步骤3.2处理所得降维后的事件序列,通过APRIORI关联分析算法对事件序列进行挖掘分析得到富风期风电小发事件与事件之间的关联关系;基于APRIORI的原理对模式事件序列进行频繁项集搜索,记SC(mode)为支持度计数,即某一模式出现的频数;由于相隔较远的富风期风电小发事件相关性小,故只需考虑到频繁三项集即可,即依次包含两次富风期风电小发事件和相应的间隔的频繁项集;因此,从频繁二项集到频繁三项集就能够包含富风期风电小发事件的自相关信息,从频繁二项集上考虑模式A和模式B的自相关特性,在模式A发生之后,模式B发生的概率如下式所示:/n...

【技术特征摘要】
1.一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法,其特征在于,包括以下具体步骤:
步骤1、基于数据驱动方式,利用实际风电功率数据和时间标志信息,筛选出富风期风电小发事件出现的时间和频率,提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段,进行特征分析;
步骤2、引入气象数据,选取气象指标,基于K-means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式,同时得到各基本模式对应的气象特征,并利用支持向量机算法对各基本模式下的气象数据进行学习训练,得到支持向量机分类器;
步骤3、根据步骤2聚类分析得到的各基本模式,使用基本模式对风电功率序列进行事件序列重编码,实现对风电功率序列的降维处理;
步骤4、根据步骤3处理所得降维后的事件序列,通过APRIORI关联分析算法对事件序列进行挖掘得到富风期风电小发事件与事件之间的关联关系,进而建立富风期风电小发事件的自相关统计特性模型,完成对富风期风电小发事件的预测,具体包括:
步骤4.1、根据步骤3.2处理所得降维后的事件序列,通过APRIORI关联分析算法对事件序列进行挖掘分析得到富风期风电小发事件与事件之间的关联关系;基于APRIORI的原理对模式事件序列进行频繁项集搜索,记SC(mode)为支持度计数,即某一模式出现的频数;由于相隔较远的富风期风电小发事件相关性小,故只需考虑到频繁三项集即可,即依次包含两次富风期风电小发事件和相应的间隔的频繁项集;因此,从频繁二项集到频繁三项集就能够包含富风期风电小发事件的自相关信息,从频繁二项集上考虑模式A和模式B的自相关特性,在模式A发生之后,模式B发生的概率如下式所示:



该式从而建立起模式A和模式B的自相关特性,所有模式的自相关特性均可以由频繁项集计算得到;
步骤4.2、设定频繁项阈值为2个支持度计数,基于APRIORI算法对降维后的事件序列进行分析,搜索到频繁二项集、频繁三项集,并且得到其中频繁二项集、频繁三相集相应的支持度计数和,从而计算得到不同模式之间的自相关特性;
步骤4.3、基于上述步骤统计得到各模式间的自相关特性,进而建立富风期风电小发事件的自相关统计特性模型,所有的频繁二项集和频繁三项集都可以表征富风期风电小发事件的自相关特性,不同模式之间的关联关系的集合构成自相关统计特性模型;
步骤5、采集鹿原、协合、照阳河风电场站的2018年的实际风电功率数据和气象数据,根据步骤4.2处理所得到每个基本模式之间的关联关系,得到的频繁二项集和频繁三项集用于表征富风期风电小发事件的自相关特性,基于这种特性进行算例分析,可用于对未来的富风期风电小发事件进行预测,预测方法具体包括:
步骤5.1、根据步骤2中的聚类分析得到富风期风电小发事件持续时间段、间隔时间段各基本模式,将持续时间段模式编号为1~3,间隔时间段模式编号为4~6,同时根据步骤2得到各基本模式对应的模式内事件数、平均风速值、平均风向值、平均气温值、平均气压值、平均持续时间值/平均间隔时间值;
步骤5.2、假定先发生模式1和4的富风期风电小发事件持续时间段和间隔时间段后,紧接着会发生一起持续时间段,模式必定为1、2、3中的一类,由于根据步骤4.2已经计算出每个模式之间的自相关特性和具体概率情况,这样利用接下来会发生模式1、2、3的概率和对应的气象特征数据值,计算得到会发生模式1、2、3的概率乘以各模式对应的气象数据特征值的总和,即是接下来会发生的模式对应的各气象数据特征值,具体包括风速、风向、气温、气压,再利用这组数据基于svm模型的predict功能进行识别,即可得到其属于的具体模式,最后进行迭代可以预测出之后会发生的各模式。
<...

【专利技术属性】
技术研发人员:牛四清杨健刘健柳玉姜尚光柯德平赵婉婷
申请(专利权)人:国家电网公司华北分部武汉大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1