考虑极端大风天气的风电功率预测大风数据增强方法技术

本发明专利技术公开一种考虑极端大风天气的大风数据增强方法，包括：获取历史实测风速和功率数据，生成原始风速

【技术实现步骤摘要】
考虑极端大风天气的风电功率预测大风数据增强方法


[0001]本专利技术涉及风电功率预测
，特别是一种考虑极端大风天气的用于风电功率预测的大风数据增强方法。

技术介绍

[0002]风电功率预测通常采用物理方法或者统计方法，物理方法考虑NWP数据和风电场所处地形以及气候等因素来预测风电功率；统计方法通常使用历史风速、历史功率来预测风电功率。随着机器学习与深度学习的发展，基于机器学习和深度学习的风电功率预测方法譬如使用极限学习机、支持向量机、最小二乘向量机；循环神经网络、长短期记忆进行短期、中期、长期的风电功率预测方面都取得了一定的进展与突破。
[0003]但是传统的风电功率预测大部分并没有考虑针对极端天气情况下的风电功率预测进行特殊处理。少数论文中提到譬如可以根据欧式距离、熵、相关性系数等方式找出与预测集相似性较高的训练集来进行预测；根据聚类方法找出风速、天气模式相似的数据作为训练集进行预测；根据模型定向选取相似日数据作为训练集进行预测等等，但是这些方法不仅涉及大量的相似度计算导致系统开销大，且并没有根本性地解决由于极端大风天气由于样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑极端大风天气的风电功率预测大风数据增强方法，其特征是，包括：获取历史实测风速数据和实测功率数据，生成原始风速
‑
功率数据样本；根据风速数据对原始风速
‑
功率数据样本进行局部异常点识别，剔除离群点样本；从剔除离群点样本后的原始风速
‑
功率数据样本中获取大风数据初始样本；利用F
‑
DBSCAN聚类算法对大风数据初始样本进行聚类，得到各聚类簇的核心点样本；根据各聚类簇内的核心点数量计算簇密度；基于各聚类簇的核心点及簇密度，利用过采样算法合成新的大风数据样本；利用合成的新的大风数据样本对原始风速
‑
功率数据样本进行扩充，作为风电功率预测模型的训练样本。2.根据权利要求1所述的方法，其特征是，所述对原始风速
‑
功率数据样本进行局部异常点识别，剔除离群点样本，包括：采用LOF算法计算原始风速
‑
功率数据样本中各样本点的局部离群因子；对于任一样本点，若局部离群因子小于1则将相应样本点的类别标签设置为1，否则设置为
‑
1；对类别标签为
‑
1的样本点进行剔除。3.根据权利要求1所述的方法，其特征是，所述从剔除离群点样本后的原始风速
‑
功率数据样本中获取大风数据初始样本包括：按照预设的风速等级调整策略进行至少一次数据分层处理，得到全部风速等级样本数据量不均衡情况下最高风速等级对应的数据样本，将这些数据样本作为大风数据初始样本。4.根据权利要求3所述的方法，其特征是，所述按照预设的风速等级调整策略进行至少一次数据分层处理包括：按照预设的初始风速等级划分方案进行数据分层处理；统计分层处理后各风速等级下的样本数据量：若存在任一风速等级下的样本数据量明显小于其他所有风速等级下的样本数据量，则将该风速等级下的数据样本作为大风数据初始样本；若各风速等级下的样本数据量在设定的误差范围内分布均衡，则调整风速等级划分方案中各风速等级覆盖的风速范围和/或风速等级的数量，并重新进行各风速等级下样本数据量的统计，直至各风速等级下的样本数据量在设定的误差范围内分布不均衡，得到大风数据初始样本。5.根据权利要求1所述的方法，其特征是，所述利用F
‑
DBSCAN聚类算法对大风数据初始样本进行聚类时，参数邻域半径Eps取值的确定包括：对于各聚类中心C
j
，分别按照下式计算对应的Eps取值r
j
，得到Eps取值集合{r1，r2，
…
，r
j
}：上式中，r
j
为聚类中心C
j
的Eps取值，N
j
为聚类中心C
j
所在簇的样本点的个数，distance(C
j
,x
j
)表示C
j
与其簇内点x
j
之间的距离；从集合{r1，r2，
…
，r
j
}中选择最小值作为F
‑
DBSCAN聚类算法的Eps参数取值。6.根据权利要求1或5所述的方法，其特征是，所述利用F
‑
DBSCAN聚类算法对大风数据
初始样本进行聚类时，参数邻域最小点数Minpts取值的确定包括：确定以Eps为半径的搜索圆的内接正方形；对大风数据初始样本空间求取上下左右四个边界线，根据所求得的下侧与左侧边界线得到交界点，将该...

【专利技术属性】
技术研发人员：黄东晨，朱程磊，蔡晓峰，廖辉，韦伟，熊欢，郭彦飞，王坤，杜业冬，陈雨帆，陶子彬，曾浩，赵福林，戴维，
申请(专利权)人：国网电力科学研究院有限公司国网甘肃省电力公司电力科学研究院，
类型：发明
国别省市：