【技术实现步骤摘要】
本专利技术属于风电功率预测，具体涉及一种基于组合模型的风电功率预测方法。
技术介绍
1、随着风电技术的不断发展和风电场的规模不断增大，为了保证电力系统的稳定运行和供电可靠性，必须对风电系统进行有效的规划和调度。风电本身所特有的间歇性和不确定性，增加了电网调度的难度，增加了电力企业安排电网发电机组的起停和制订机组检修计划的难度，所以需要对风电场的输出功率进行预测。只有通过对风电场发电功率进行准确的预测，才可以有效降低风力发电系统的运行成本，为电网调度运行提供可靠依据。
2、如公告号为cn112381279a所公开的一种基于vmd和bls组合模型的风电功率预测方法，其虽然实现了具有较单一预测模型能够优势互补，提高预测精度和增强模型的鲁棒性等优点，但是并未解决现有的基于组合模型的风电功率预测方法还存在的问题：传统的风电功率预测时，常通过风速数据、数值天气预报数据和风电功率历史数据中的一种或者两种方式，对风电功率预测进行预测，从而降低了预测的精确度，同时在风电功率预测时，常通过一种预测模型对风电功率预测，导致预测的单一，从而不利于预测的精度，为此我们提出一种基于组合模型的风电功率预测方法。
技术实现思路
1、本专利技术的目的在于提供一种基于组合模型的风电功率预测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于组合模型的风电功率预测方法，包括以下步骤：
3、s1、采集数据：获取的数据包括风电场的实测数据、数值
4、s2、数据预处理：对采集的数据进行平滑处理和噪声过滤，实现数据的预处理；
5、s3、特征提取：利用统计学方法提取数据的统计特征，包括各数据的平均值、方差和峰度；
6、s4、统计预测分析：采用训练支持向量回归、人工神经网络模型对特征序列进行预测；
7、s5、基于物理模型进行预测：利用cfd模拟或贝叶斯网络方法，结合数据特征曲线对预测结果进行修正；
8、s6、建立组合模型：将基于统计学方法和物理模型的预测结果进行加权平均，得到最终的风电功率预测结果。
9、较佳的，所述s1中采集的数据还包括：电网数据，包括电网三相电压、三相电流、电网频率和功率因数；气象数据，包括风速、风向和环境温度；机组状态监测数据，包括：风轮转速、发电机转速、发电机线圈温度、齿轮箱油温度、轴承温度、液压系统油温、油压、油位、机舱振动、电缆纽转和机舱温度；统计数据，包括10分钟统计数据、综合电量数据；告警数据，包括箱变告警、风机状态字和故障代码数据。
10、较佳的，所述s2在数据预处理时，对采集的数据进行平滑处理步骤包括：创建含有含噪数据的向量，并使用移动平均值对数据进行平滑处理，进行平滑处理时将绘制的原始数据经过平滑处理；先创建一个矩阵，其中的行表示三个含噪信号，使用移动平均值对三个信号进行平滑处理，并绘制经过平滑处理的数据；使用高斯加权移动平均滤波器对含噪数据向量进行平滑处理显示滤波器使用的窗长度；使用合适的窗口对原始数据进行平滑处理，绘制两种窗长度的平滑数据；创建一个包含nan值的含噪向量，对数据进行平滑处理并忽略nan值；创建对应于时间向量t的含噪数据的向量，相对于t中的时间对数据进行平滑处理，并绘制原始数据和经过平滑处理的数据图。
11、较佳的，所述s2在数据预处理时，对采集的数据进行噪声过滤步骤包括：标签噪声的产生原因，在给定的标注任务中，把噪声样本的过滤问题转换为分类问题，消除或者纠正数据中的错误标签；噪声去除方法具体包括直接删除法和集成去噪法；所述直接删除法中，把异常值影响较大或看起来比较可疑的实例删除，或者直接删除分类器中分类错误的训练实例；所述集成去噪法中，利用集成分类方法对若干个弱分类器进行组合，根据结果的一致性来判断是否为噪声，使用具有相同分布的其他数据集，使用给定的标签数据集进行k折交叉分析。
12、较佳的，所述s3在特征提取时，包括基于统计量的特征提取、基于频域分析的特征提取、基于小波变换的特征提取、基于机器学习的特征提取；所述基于统计量的特征提取包括：通过对时间序列数据进行统计分析，提取平均值、标准差、最大值、最小值、方差、偏度、峰度等一些基本的统计特征作为时间序列的特征；所述基于频域分析的特征提取包括：通过傅里叶变换将时域信号转化到频域，提取频率分量的信息，包括采用离散傅里叶变换得到频谱，再通过频谱的一些特征值如主频、幅值，提取时序数据的特征；所述基于小波变换的特征提取包括：将时间序列数据分解成多个不同频率的小波系数，不同的小波系数对应了时序数据的不同时间尺度和频率信息，提取每个小波系数的平均值、标准差作为时间序列的特征；所述基于机器学习的特征提取包括：通过使用机器学习算法包括随机森林、svm、神经网络，从时序数据中提取特征，使用滑动窗口技术，将连续的时间序列数据转换成二维矩阵，然后使用卷积神经网络等方法进行特征提取。
13、较佳的，所述风速的预测方法包括：获取风电场中风力发电机组的迎风面上的多个目标位置的测量风速；基于所述测量风速确定测风网格中的每个格点位置的风速；基于所述测量风速，确定预测网格的边界格点位置的边界格点风速，其中预测网格基于所述迎风面确定；基于所述测风网格和所述预测网格的边界格点风速，确定所述预测网格的内部格点位置的风速，并将所述预测网格的所有格点处的风速作为所述风电场的风速。
14、较佳的，获取风电场附近的风速数据的过程中还包括基于风速修正模型对风速进行修正，具体包括以下步骤：基于ard算法筛选出气象数据中对风速影响最大的因素作为所述基于风速修正模型的输入；将风速作为所述基于风速修正模型的输入，基于高斯过程进行建模，得到修正之后的风速数据，修正后的风速更接近实际风速，为真实风速。
15、较佳的，将所述风速数据、所述风电功率历史数据和所述数值天气预报数据输入所述风电功率预测组合模型中，得到风电功率预测结果的具体方法为：将获取的所述风速数据输入所述风电功率预测组合模型中的elman网络预测模型，基于风速预测值完成风电功率预测；将所述风电功率历史数据输入所述风电功率预测组合模型中的功率预测模型，预测未来时段风电功率；将所述数值天气预报数据输入所述风电功率预测组合模型中的多输入预测模型，将所述数值天气预报数据与单台风机的运行数据进行数据融合，预测单台风机的短期风电功率。
16、与现有技术相比，本专利技术的有益效果是：
17、本专利技术通过采集数据、数据预处理、特征提取、统计预测分析、基于物理模型进行预测、建立组合模型等步骤可提高风电功率预测的精准性；本专利技术根据获取的数值天气预报数据，综合多项数据治理及数据融合技术，通过精细化分析和处理风电场的历史运行数据，大幅提升风电历史序列的稳定度，以及根据获取风电场的风电功率历史数据，以权重序列优化本文档来自技高网...
【技术保护点】
1.一种基于组合模型的风电功率预测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述S1中采集的数据还包括：电网数据，包括电网三相电压、三相电流、电网频率和功率因数；气象数据，包括风速、风向和环境温度；机组状态监测数据，包括：风轮转速、发电机转速、发电机线圈温度、齿轮箱油温度、轴承温度、液压系统油温、油压、油位、机舱振动、电缆纽转和机舱温度；统计数据，包括10分钟统计数据、综合电量数据；告警数据，包括箱变告警、风机状态字和故障代码数据。
3.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述S2在数据预处理时，对采集的数据进行平滑处理步骤包括：创建含有含噪数据的向量，并使用移动平均值对数据进行平滑处理，进行平滑处理时将绘制的原始数据经过平滑处理；先创建一个矩阵，其中的行表示三个含噪信号，使用移动平均值对三个信号进行平滑处理，并绘制经过平滑处理的数据；使用高斯加权移动平均滤波器对含噪数据向量进行平滑处理显示滤波器使用的窗长度；使用合适的窗口对原始数据进行平滑处理，绘制两种窗
4.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述S2在数据预处理时，对采集的数据进行噪声过滤步骤包括：标签噪声的产生原因，在给定的标注任务中，把噪声样本的过滤问题转换为分类问题，消除或者纠正数据中的错误标签；噪声去除方法具体包括直接删除法和集成去噪法；所述直接删除法中，把异常值影响较大或看起来比较可疑的实例删除，或者直接删除分类器中分类错误的训练实例；所述集成去噪法中，利用集成分类方法对若干个弱分类器进行组合，根据结果的一致性来判断是否为噪声，使用具有相同分布的其他数据集，使用给定的标签数据集进行K折交叉分析。
5.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述S3在特征提取时，包括基于统计量的特征提取、基于频域分析的特征提取、基于小波变换的特征提取、基于机器学习的特征提取；所述基于统计量的特征提取包括：通过对时间序列数据进行统计分析，提取平均值、标准差、最大值、最小值、方差、偏度、峰度等一些基本的统计特征作为时间序列的特征；所述基于频域分析的特征提取包括：通过傅里叶变换将时域信号转化到频域，提取频率分量的信息，包括采用离散傅里叶变换得到频谱，再通过频谱的一些特征值如主频、幅值，提取时序数据的特征；所述基于小波变换的特征提取包括：将时间序列数据分解成多个不同频率的小波系数，不同的小波系数对应了时序数据的不同时间尺度和频率信息，提取每个小波系数的平均值、标准差作为时间序列的特征；所述基于机器学习的特征提取包括：通过使用机器学习算法包括随机森林、SVM、神经网络，从时序数据中提取特征，使用滑动窗口技术，将连续的时间序列数据转换成二维矩阵，然后使用卷积神经网络等方法进行特征提取。
6.根据权利要求2所述的一种基于组合模型的风电功率预测方法，其特征在于：所述风速的预测方法包括：获取风电场中风力发电机组的迎风面上的多个目标位置的测量风速；基于所述测量风速确定测风网格中的每个格点位置的风速；基于所述测量风速，确定预测网格的边界格点位置的边界格点风速，其中预测网格基于所述迎风面确定；基于所述测风网格和所述预测网格的边界格点风速，确定所述预测网格的内部格点位置的风速，并将所述预测网格的所有格点处的风速作为所述风电场的风速。
7.根据权利要求6所述的一种基于组合模型的风电功率预测方法，其特征在于：获取风电场附近的风速数据的过程中还包括基于风速修正模型对风速进行修正，具体包括以下步骤：基于ARD算法筛选出气象数据中对风速影响最大的因素作为所述基于风速修正模型的输入；将风速作为所述基于风速修正模型的输入，基于高斯过程进行建模，得到修正之后的风速数据，修正后的风速更接近实际风速，为真实风速。
8.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：将所述风速数据、所述风电功率历史数据和所述数值天气预报数据输入所述风电功率预测组合模型中，得到风电功率预测结果的具体方法为：将获取的所述风速数据输入所述风电功率预测组合模型中的Elman网络预测模型，基于风速预测值完成风电功率预测；将所述风电功率历史数据输入所述风电功率预测组合模型中的功率预测模型，预测未来时段风电功率；将所述数值天气预报数据输入所述风电功率预测组合模型中的多输入预测模型，将所述数值天气预报...
【技术特征摘要】
1.一种基于组合模型的风电功率预测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述s1中采集的数据还包括：电网数据，包括电网三相电压、三相电流、电网频率和功率因数；气象数据，包括风速、风向和环境温度；机组状态监测数据，包括：风轮转速、发电机转速、发电机线圈温度、齿轮箱油温度、轴承温度、液压系统油温、油压、油位、机舱振动、电缆纽转和机舱温度；统计数据，包括10分钟统计数据、综合电量数据；告警数据，包括箱变告警、风机状态字和故障代码数据。
3.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述s2在数据预处理时，对采集的数据进行平滑处理步骤包括：创建含有含噪数据的向量，并使用移动平均值对数据进行平滑处理，进行平滑处理时将绘制的原始数据经过平滑处理；先创建一个矩阵，其中的行表示三个含噪信号，使用移动平均值对三个信号进行平滑处理，并绘制经过平滑处理的数据；使用高斯加权移动平均滤波器对含噪数据向量进行平滑处理显示滤波器使用的窗长度；使用合适的窗口对原始数据进行平滑处理，绘制两种窗长度的平滑数据；创建一个包含nan值的含噪向量，对数据进行平滑处理并忽略nan值；创建对应于时间向量t的含噪数据的向量，相对于t中的时间对数据进行平滑处理，并绘制原始数据和经过平滑处理的数据图。
4.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述s2在数据预处理时，对采集的数据进行噪声过滤步骤包括：标签噪声的产生原因，在给定的标注任务中，把噪声样本的过滤问题转换为分类问题，消除或者纠正数据中的错误标签；噪声去除方法具体包括直接删除法和集成去噪法；所述直接删除法中，把异常值影响较大或看起来比较可疑的实例删除，或者直接删除分类器中分类错误的训练实例；所述集成去噪法中，利用集成分类方法对若干个弱分类器进行组合，根据结果的一致性来判断是否为噪声，使用具有相同分布的其他数据集，使用给定的标签数据集进行k折交叉分析。
5.根据权利要求1所述的一种基于组合模型的风电功率预测方法，其特征在于：所述s3在特征提取时，包括基于统计量的特征提取、基于频域分析的特征提取、基于小波变换的特征提取、基于机器学习的特征提取；所述基于统计量的特征提取包括：通过对时间序列数据进行统计分析，提取平均值、标准...
【专利技术属性】
技术研发人员：孙明，桑小卓，黄芳，史潇，葛行成，袁心仪，王博妮，
申请(专利权)人：江苏省气象服务中心，
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。