System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及风电功率预测,尤其涉及一种用于风电场无功优化的风电功率预测方法及装置。
技术介绍
1、随着可再生能源在能源结构中所占比重不断增加,风电场作为一种重要的风能利用方式,其功率预测和运行优化变得尤为重要。在风电场运行中,无功功率是影响电力系统稳定性和效率的关键因素之一。
2、传统的风电功率预测方法主要依赖于气象数据和风机状态数据,但这些方法在解决风电场环境中复杂多变的预测问题时存在一定的局限性。此外,单一数值天气预报模式对大气物理运动过程的描述相对有限,因此,不同数值天气预报模式对相同天气过程的模拟能力存在差异,导致风速模拟结果的不确定性,也影响了风电场无功优化过程。
技术实现思路
1、本申请实施例的目的是提供一种用于风电场无功优化的风电功率预测方法及装置,以解决相关技术中存在的单一数值天气预报模式对大气物理运动过程的描述相对有限的技术问题。
2、根据本申请实施例的第一方面,提供一种用于风电场无功优化的风电功率预测方法,包括:
3、获取风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据;
4、将所述风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中;
5、对数据集中含有多个全球场的预报数据进行修正处理,修正处理包括:采用权重合并的方式将具有相同特征的数据视为同一特征,不同特征的数据保留其独特的信息,再利用所述风电场scada数据将
6、将含有风电场scada数据的数据集、含有数字地面模型(dem)数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入cnn-lstm神经网络模型,对模型进行训练;
7、将风电场scada数据、数字地面模型(dem)数据和全球场的预报数据输入训练好的cnn-lstm神经网络模型中进行风电功率预测,得到预测结果。
8、可选的,所述多数据来源包括风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据;
9、所述风电场scada数据够获取风电机组实时运行状态参数,包括:气象数据和功率数据,所述气象数据包括轮毂高度风速、风向、环境温度;
10、所述数字地面模型(dem)数据描述地形起伏变化特征,包括:地形高度、地表坡度、地表方向、土地覆盖类型;
11、所述全球场的预报数据描述环境特征,包括:不同高度风速、风向,环境温度、湿度、压强、短波辐射、长波辐射、天气状况。
12、可选的,将所述风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中,包括:
13、针对风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据,采用时空插值方法对齐至相同的时间尺度和空间尺度;
14、利用数据转换算法,可以包括统一单位、归一化处理,将合并后的数据整合为相同的结构或格式。
15、可选的,将预报数据中不同高度的风速修正为轮毂高度处的数据,包括:
16、根据所述风电场scada数据中的气象数据,将预报数据中不同高度的气象数据通过power法则修正为轮毂高度处的数据。
17、可选的,所述cnn-lstm神经网络模型包含cnn卷积网络和lstm长短期神经网络,cnn卷积网络探寻输入数据的空间特征,lstm长短期神经网络处理时间序列信息;
18、cnn-lstm神经网络模型的输入为所述修正后的全球场的预报数据、数字地面模型(dem),输出为风电场scada数据中的功率数据。
19、根据本申请实施例的第二方面,提供一种用于风电场无功优化的风电功率预测装置,包括:
20、获取模块,用于获取风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据;
21、整合模块,用于将所述风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中;
22、修正模块,用于对数据集中含有多个全球场的预报数据进行修正处理,修正处理包括:采用权重合并的方式将具有相同特征的数据视为同一特征,不同特征的数据保留其独特的信息,再利用所述风电场scada数据将预报数据中不同高度的风速修正为轮毂高度处的数据;
23、训练模块,用于将含有风电场scada数据的数据集、含有数字地面模型(dem)数据的数据集以及修正后含有所述多个全球场的预报数据的数据集输入cnn-lstm神经网络模型,对模型进行训练;
24、预测模块,用于将风电场scada数据、数字地面模型(dem)数据和全球场的预报数据输入训练好的cnn-lstm神经网络模型中进行风电功率预测,得到预测结果。
25、根据本申请实施例的第三方面,提供一种用于风电场无功优化的无功功率输出调整方法,包括:
26、执行第一方面所述的风电功率预测方法;
27、将所述预测结果引入无功功率优化系统,调整风电场的无功功率输出。
28、可选的,将所述预测结果引入无功功率优化系统,调整风电场的无功功率输出,包括:
29、将功率预测结果输入无功功率优化系统中,结合风电场scada数据中的功率数据进行潮流计算,并以最小化网损为优化目标,通过调整风电场的无功功率输出,降低电网中的损耗。
30、根据本申请实施例的第四方面,提供一种用于风电场无功优化的无功功率输出调整装置,包括:
31、执行模块,用于执行第一方面所述的风电功率预测方法;
32、调整模块,用于将所述预测结果引入无功功率优化系统,调整风电场的无功功率输出。
33、根据本申请实施例的第五方面,提供一种电子设备,包括:
34、一个或多个处理器;
35、存储器,用于存储一个或多个程序;
36、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面或第三方面所述的方法。
37、本申请的实施例提供的技术方案可以包括以下有益效果:
38、由上述实施例可知,本申请采用多源数据融合技术,融合风电场scada数据、数字地面模型(dem)数据以及多个全球场的预报数据进行风电功率预测,克服了单一数值天气预报模式对大气物理运动过程的描述相对有限的技术问题,进而提高风电功率预测精度,优化风电场无功系统。
39、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种用于风电场无功优化的风电功率预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述多数据来源包括风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据;
3.根据权利要求1所述的方法,其特征在于,将所述风电场SCADA数据、数字地面模型数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中,包括:
4.根据权利要求1所述的方法,其特征在于,将预报数据中不同高度的风速修正为轮毂高度处的数据,包括:
5.根据权利要求1所述的方法,其特征在于,所述CNN-LSTM神经网络模型包含CNN卷积网络和LSTM长短期神经网络,CNN卷积网络探寻输入数据的空间特征,LSTM长短期神经网络处理时间序列信息;
6.一种用于风电场无功优化的风电功率预测装置,其特征在于,包括:
7.一种用于风电场无功优化的无功功率输出调整方法,其特征在于,包括:
8.根据权利要求1所述的方法,其特征在于,将所述预测结果引入无功功率优化系统,调整风电场的无功功率输出,包括:
...【技术特征摘要】
1.一种用于风电场无功优化的风电功率预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述多数据来源包括风电场scada数据、数字地面模型数据以及多个全球场的预报数据;
3.根据权利要求1所述的方法,其特征在于,将所述风电场scada数据、数字地面模型数据以及多个全球场的预报数据分别整合到空间尺度和时间尺度相同的三个数据集中,包括:
4.根据权利要求1所述的方法,其特征在于,将预报数据中不同高度的风速修正为轮毂高度处的数据,包括:
5.根据权利要求1所述的方法,其特征在于,所述cnn-...
【专利技术属性】
技术研发人员:宾世杨,何修成,赵建勇,田克琴,贺遇烗,年珩,
申请(专利权)人:国家电投集团广西兴安风电有限公司,
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。