一种基于声雷达的多参数短期风电功率预测方法技术

本发明专利技术提供了一种基于声雷达的多参数短期风电功率预测方法

【技术实现步骤摘要】
一种基于声雷达的多参数短期风电功率预测方法


[0001]本专利技术属于风电功率预测领域，尤其涉及一种基于声雷达的多参数短期风电功率预测方法
。

技术介绍

[0002]风力发电作为可再生能源领域发展最迅速和最具应用价值的技术之一，近年来在全球范围内得到了广泛应用
。
目前制约风电出力的因素可以总结为以下几点：空间错位
。
风电场的建设与用电负荷较高地区存在空间距离，导致跨区域联络线拥堵严重；时间错位
。
风电多具有反调峰特性，夜晚用电负荷处于低谷时段，风电发电出力往往较大；不确定性
。
风电出力具有随机性
、
波动性的特点，功率预测精度不高，导致电网调度压力大
。
以上因素很大程度上制约风电出力，导致“并网难”、“弃风多”。
[0003]因此，保证风电平滑可靠并网，可通过风电预测技术预测超短期风电功率，为调度部门制定合理的调度计划提供数据支撑
。
基于风电预测技术的研究对于提升风电预测的精度
、
促进风电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于声雷达的多参数短期风电功率预测方法，其特征在于，包括以下步骤：
S1
：在不架设测风塔的情况下，采用集成多参数测量功能的声雷达，以较高采样率测量
10m
‑
200m
高度的风速
、
风向
、
垂直气流和距雷达
10m
范围内的温度
、
湿度
、
压强各气象数据，提升风电功率预测数据精度；
S2
：声雷达采集数据过程中会包含瞬时突变
、
设备异动
、
通信异常
、
人为干扰多种异常数据，采用
iForest
算法对风速
、
风向
、
温度
、
湿度
、
压强的异常数据识别并清洗，提升数据精度和稳定性，降低风电功率预测模型训练难度；
S3
：针对清洗后数据存在的非线性和非平稳性，采用将白噪声加入原始信号并进行集成经验模态分解的方法，得到固有经验模态函数和残差分量并反复迭代，得到若干个波动变化较小的风速固有模态分量
WF1
～
WFn
和残差分量
r(t)、
温度固有模态分量
TF1
～
TFn
和残差分量
k(t)、
湿度固有模态分量
HF1
～
HFn
和残差分量
n(t)、
压强固有模态分量
PF1
～
PFn
和残差分量
m(t)
；
S4
：经集成经验模态分解后各参数的固有经验模态分量和残差分量分别输入
Elman
神经网络模型训练，确定隐含层最佳神经元数，在确定
Elman
神经网络最优参数后进行预测，得到各参数预测结果；
S5
：将
Elman
神经网络训练得到的各参数预测结果叠加重构，输出风电功率预测结果
。2.
根据权利要求1所述的方法，其特征在于，
S2
中，对于原始数据的清洗过程如下：
(1)
将原始数据中各类数据分为
n
组，分别均匀抽样出
q
个样本，生成子样本，构建
iTree
的初始样本；
(2)
在子样本中，随机选取一个特征，介于该特征值的最大最小值之间随机选取
k
作为划分阈值，对样本进行二叉划分，小于
k
值的划分到左侧，大于等于
k
值的划分至右侧；
(3)
在划分完成后的区域中继续重复上述划分步骤，停止的条件为数据不能继续分割或者分割次数到达
log 2
k
时，停止划分操作；
(4)
分割完成后得到平均划分路径长度
c(n)
，结合调和数
H(i)
得到：调和数可以估计为
H(i)
＝
In(i)+
γ
，
γ
＝
0.57722
；
(5)
上述操作共构建
t
个
iTree
后，令样本数据
x
遍历每个
iTree
，并计算每次划分的路径长度
h(x)
，即为根节点到叶子结点经过边的数量，得到每条待测数据的异常值
S(x
，
n)
；根据
S
的取值判断数据是否异常，当
S
接近1时数据异常程度越高；当
S
＜
0.5
时数据无异常；当
S≈0.5
时数据不具备明显异常特征，以此为标准完成离群的异常数据点清洗，得到清洗后样本数据
x(n)。3.
根据权利要求2所述的方法，其特征在于，集成经验模态分解在经验模态函数中加入白噪声，使得模态函数具备二进制滤波器组的特性，避免模态混淆与噪声敏感问题，其中，采用集成经验模态分解，其分解过程如下：
(1)
风速数据的处理方式如下，将白噪声
h
i
(n)
，
i
＝1，2…
，
N
序列加入清洗后数据中得到与原始目标函数参考尺寸分布一致的数据信号：
x
i
(n)
＝
x(n)+h
i
(n)
，
i
＝1，2…
，
N(2)
对加入白噪声后的数据信号进行集成经验模态分解得到固有经验模态分量
WF
i
和残差分量
r(t)
；
(3)
...

【专利技术属性】
技术研发人员：汪勋婷，丁津津，徐斌，汤伟，郑国强，李圆智，袁伟博，李国丽，
申请(专利权)人：安徽大学，
类型：发明
国别省市：