【技术实现步骤摘要】
一种基于条件扩散模型的风机异常值修复方法
[0001]本专利技术涉及风力发电领域的风机异常值修复
,尤其涉及一种基于条件扩散模型的风机异常值修复方法。
技术介绍
[0002]在双碳背景下,风力发电至关重要。据调查,风力发电每发一度电,所消耗的碳仅有火力发电的1%。电网调度部门要进行合理的发电计划安排,提高电网运行的经济性、安全性、可靠性,因此风电功率的预测,成为至关重要的一环。
[0003]一般风机均有自身的风速
‑
功率曲线,可由风速来预估功率,但是由于测风仪器故障、电网限电等问题,采集到的风速和实际发电功率,存在很多异常值,导致并不符合理想条件下的风速
‑
功率曲线。对风场来说,风功率预测精度达不到国家标准,会被除以一定数额的罚款,并且可能对电网造成损害。修复风机异常值,为高精度风功率预测打下坚实基础。单个风场下,往往有数十甚至上百台风机,风机之间的地理位置及风机间的尾流,使得风机间的风速相互影响,造成通过风速
‑
功率曲线对风机风电功率异常值的预测准确率较低的问题,为了更为准确的进行风功率预测,风机异常值的修复至关重要。
技术实现思路
[0004]本专利技术提供一种基于条件扩散模型的风机异常值修复方法,以克服上述技术问题。
[0005]为了实现上述目的,本专利技术的技术方案是:
[0006]一种基于条件扩散模型的风机异常值修复方法,包括以下步骤:
[0007]步骤S1:获取风场内的各风机所在位置的经纬度,根据所 ...
【技术保护点】
【技术特征摘要】
1.一种基于条件扩散模型的风机异常值修复方法,其特征在于,包括以下步骤:步骤S1:获取风场内的各风机所在位置的经纬度,根据所述各风机所在位置的经纬度对风机进行空间聚类,获取多个风机位置聚类簇;基于所述风机位置聚类簇设定各风机的编码;并按时间顺序获取所述编码后的各风机每日内多个时间序列对应的历史风速数据;所述历史风速数据包括异常数据与正常数据;步骤S2:对获取的编码后的各风机的历史风速数据的异常数据进行数据清洗,确定各风机中的待进行功率异常值修复的目标风机与不需要进行功率异常值修复的若干参考风机;步骤S3:从正态高斯分布中提取随机噪声获取噪声样本集;以所述参考风机对应的历史风速数据作为引导条件,基于条件扩散模型的扩散过程从噪声样本序列中随机提取噪声样本,并填充至所述目标风机的待进行功率异常值修复的数据,获取带噪信息的样本数据;步骤S4:通过所述带噪信息的样本数据对去噪声模型∈
θ
进行训练,优化所述去噪声模型∈
θ
;步骤S5:以所述参考风机对应的历史风速数据作为引导条件,通过所述优化的去噪声模型∈
θ
基于条件扩散模型的逆扩散过程,对所述噪声样本集进行逆运算,实现风机异常值的修复。2.根据权利要求1所述的一种基于条件扩散模型的风机异常值修复方法,其特征在于,步骤S1中所述的并按时间顺序获取编码后的各风机每日内多个时间序列对应的历史风速数据为基于第一时间间隔,对一定时间范围的历史风速数据进行采样并获取对应的第一时间序列历史风速数据表;同时基于第二时间间隔,获取对应的第二时间序列历史风速数据表,且所述第一时间间隔大于第二时间间隔。3.根据权利要求1所述的一种基于条件扩散模型的风机异常值修复方法,其特征在于,步骤S1中所述对历史风速数据的异常数据为当风机满足:风机所接收的风速大于切入风速且小于切出风速,风机的功率为0;或者风机所接收的风速大于风机的额定风速,风机的功率低于额定功率;或者风机所接收的风速小于风机的额定风速,风机的功率不等于0;此时所述风机产生的数据均为异常数据。4.根据权利要求1所述的一种基于条件扩散模型的风机异常值修复方法,其特征在于,步骤S4中,所述优化去噪声模型具体为步骤S4.1:设置去噪声模型的最大迭代次数,将带噪信息的样本数据输入去噪声模型∈
θ
中,基于所述去噪声模型∈
θ
对所述带噪信息的样本数据进行噪声估计,获得预测噪音样本序列;步骤S4.2:根据所述预测噪音样本序列与从噪声样本序列中随机提取噪声样本计算损失函数;步骤S4.3:采用梯度下降法最小化所述损失函数,进而优化更新所述去噪声模型中的学习参数;步骤S4.4:判断所述去噪声模型∈
...
【专利技术属性】
技术研发人员:朱圣晨,马一鸣,王彬,
申请(专利权)人:米塔碳杭州智能科技有限公司,
类型:发明
国别省市:
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。