【技术实现步骤摘要】
本专利技术涉及风电功率预测，尤其涉及一种风电短期功率爬坡预测方法。
技术介绍
1、风电作为可再生能源，在全球范围内已得到了大力的发展。随着风电在电网中渗透率的提高，其随机性和波动性会严重影响电力系统的安全和稳定运行，因此，开展风电功率预测非常重要。对于电网侧来说，准确的功率预测结果能够指导电网提前预留旋转备用容量，及时调峰，保障电网的安全稳定运行。风电功率预测有助于风电企业合理安排检修计划，提高经济效益和盈利能力。此外，风电作为并网电源，需要参与日前电力市场竞价，因此，对风电功率预测的依赖性和需求度越来越高。
2、准确识别爬坡事件特征，将有利于开展风电功率预测。但现有的风电功率爬坡事件识别方法要么过于复杂导致算法执行效率过低，要么识别精度不高，从而影响后续的功率预测精度。因此，探寻更加准确有效的风电功率预测方法具有重要的现实意义。
技术实现思路
1、本专利技术提供了一种风电短期功率爬坡预测方法，解决了现有技术中风电功率爬坡事件识别方法复杂且识别精度不高的问题。
2、为解决上述专利技术目的，本专利技术提供的技术方案如下：
3、一种风电短期功率爬坡预测方法，包括以下步骤：
4、s1、获取样本预测数据，对所述样本预测数据进行预处理；
5、s2、根据预处理后的样本预测数据，对初始的cnn-lstm-am功率预测模型进行训练，得到训练好的cnn-lstm-am功率预测模型；
6、s3、基于预处理后的样本预测数据以及训练好
7、s4、基于构建好的ba-sdt爬坡识别模型，对所述功率预测序列数据进行识别，得到风机预测功率，基于风机预测功率进行爬坡事件判定，评估爬坡事件的强度指标；
8、s5、获取风电实测功率，根据风电实测功率确定风机的实测功率序列数据，基于所述风机的实测功率序列数据以及功率预测序列数据，验证cnn-lstm-am功率预测模型的准确性，得到准确性指标；
9、s6、若所述准确性指标低于设定的准确阈值，将风电实测功率进行预处理，将预处理后的风电实测功率与风机预测数据整合后输入cnn-lstm-am功率预测模型进行训练。
10、一种风电短期功率爬坡预测装置，包括：
11、预处理模块，用于获取样本预测数据，对所述样本预测数据进行预处理；
12、训练模块，用于根据预处理后的样本预测数据，对初始的cnn-lstm-am功率预测模型进行训练，得到训练好的cnn-lstm-am功率预测模型；
13、确定模块，用于基于预处理后的样本预测数据以及训练好的cnn-lstm-am功率预测模型，确定功率预测序列数据；
14、判定模块，用于基于构建好的ba-sdt爬坡识别模型，对所述功率预测序列数据进行识别，得到风机预测功率，基于风机预测功率进行爬坡事件判定，评估爬坡事件的强度指标；
15、验证模块，用于获取风电实测功率，根据风电实测功率确定风机的实测功率序列数据，基于所述风机的实测功率序列数据以及功率预测序列数据，验证cnn-lstm-am功率预测模型的准确性，得到准确性指标；
16、再训练模块，用于若所述准确性指标低于设定的准确阈值，将风电实测功率进行预处理，将预处理后的风电实测功率与风机预测数据整合后输入cnn-lstm-am功率预测模型进行训练。
17、上述技术方案，与现有技术相比至少具有如下有益效果：
18、(1)、该风电短期功率爬坡预测方法，通过准确的风电功率预测，爬坡事件的识别和评估，以及模型准确性的维护，可以更有效地规划和管理风电场的运营，最大程度地利用风能资源，提高发电效率，通过爬坡事件的识别和强度评估，可以预测风能波动，采取相应措施来减少波动对电力系统的不稳定性影响，提高电网稳定性。
19、(2)、该风电短期功率爬坡预测方法，使用自动化方法如ba算法和sdt算法，模型可以自动调整参数和容差系数，为决策制定提供智能支持，提高效率，准确的功率预测和爬坡事件识别可以提高可再生能源的可预测性，使电力系统更易于管理和规划。
20、当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。
本文档来自技高网...【技术保护点】
1.一种风电短期功率爬坡预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的风电短期功率爬坡预测方法，其特征在于，所述预测数据包括风电历史实际功率、数值天气预报数据、测风塔及风机的理论功率数据和风机的开机容量数据；
3.根据权利要求2所述的风电短期功率爬坡预测方法，其特征在于，所述S11的判断同类型的测风塔、风机的测风塔、风机的理论功率数据和风机的开机容量数据是否存在异常值，包括：
4.根据权利要求3所述的风电短期功率爬坡预测方法，其特征在于，所述S3的基于预处理后的样本预测数据以及训练好的CNN-LSTM-AM功率预测模型，获取功率预测序列数据，包括：
5.根据权利要求1所述的一种风电短期功率爬坡预测方法，其特征在于，所述S4的基于风机预测功率进行爬坡事件判定，包括：
6.根据权利要求5所述的一种风电短期功率爬坡预测方法，其特征在于，S41的基于设定宽度的爬坡识别时间窗的风机预测功率，判断所述设定宽度的爬坡识别时间窗内是否发生爬坡事件，包括：
7.根据权利要求6所述的一种风电短期功率爬坡预测方法，
8.根据权利要求6所述的一种风电短期功率爬坡预测方法，其特征在于，所述评估爬坡事件的强度指标，包括：
9.根据权利要求8所述的一种风电短期功率爬坡预测方法，其特征在于，所述根据风电实测功率确定风机的实测功率序列数据，基于所述风机的实测功率序列数据验证CNN-LSTM-AM功率预测模型的准确性，得到准确性指标，包括：
10.根据权利要求1所述的一种风电短期功率爬坡预测方法，其特征在于，BA-SDT爬坡识别模型构建的过程如下：
...【技术特征摘要】
1.一种风电短期功率爬坡预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的风电短期功率爬坡预测方法，其特征在于，所述预测数据包括风电历史实际功率、数值天气预报数据、测风塔及风机的理论功率数据和风机的开机容量数据；
3.根据权利要求2所述的风电短期功率爬坡预测方法，其特征在于，所述s11的判断同类型的测风塔、风机的测风塔、风机的理论功率数据和风机的开机容量数据是否存在异常值，包括：
4.根据权利要求3所述的风电短期功率爬坡预测方法，其特征在于，所述s3的基于预处理后的样本预测数据以及训练好的cnn-lstm-am功率预测模型，获取功率预测序列数据，包括：
5.根据权利要求1所述的一种风电短期功率爬坡预测方法，其特征在于，所述s4的基于风机预测功率进行爬坡事件判定，包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：李润，宋美洋，郭炜，马腾飞，
申请(专利权)人：北京东润环能科技股份有限公司，
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。