【技术实现步骤摘要】
本专利技术属于风电功率预测，具体涉及一种风电机组功率预测方法、装置及系统，尤其涉及一种结合数据清洗与特征融合的风电机组功率预测方法、装置及系统。
技术介绍
1、在全球能源结构逐步转型的背景下，风力发电技术得到了快速发展，风电出力具有强烈的波动性，大规模风电的并网给电力系统的安全运行带来了严重的威胁。超短期风电机组功率预测能够及时提供风电机组出力信息，有助于指导调度运行人员制定合理的调度方案，从而降低风电功率波动对电网的影响。
2、目前，风电机组功率预测方法按照使用模型可分为物理方法、统计方法及机器学习方法。物理方法因计算复杂，不适用于短期功率预测；统计方法对数据的平稳性要求较高；而传统的机器学习方法在处理风电功率的时间相关性上能力有限。这些方法均难以达到超短期预测的准确性要求。相比之下，以长短期记忆网络为代表的深度学习神经网络，由于能够保留风电序列的长期依赖关系，预测精度较高，成为当前风电功率预测的主流方法。然而，神经网络模型的预测精度高度依赖于原始数据的质量。单从数据的空间分布角度进行数据清洗，难以准确识别空间上相互靠近的...
【技术保护点】
1.一种风电机组功率预测方法，其特征在于，包括：
2.根据权利要求1所述的一种风电机组功率预测方法，其特征在于：所述采用聚类算法及物理驱动的风电转换模型，对获取到的多台机组的原始运行数据进行异常数据清洗，包括：
3.根据权利要求2所述的一种风电机组功率预测方法，其特征在于：所述采用聚类算法对获取到的多台机组的原始运行数据中的功率数据，进行第一次清洗，剔除分散型异常数据，包括：
4.根据权利要求3所述的一种风电机组功率预测方法，其特征在于：所述对清洗后的数据，基于三次多项式建立风电转换模型，结合预设的功率阈值，利用所述风电转换模型对清...
【技术特征摘要】
1.一种风电机组功率预测方法，其特征在于，包括：
2.根据权利要求1所述的一种风电机组功率预测方法，其特征在于：所述采用聚类算法及物理驱动的风电转换模型，对获取到的多台机组的原始运行数据进行异常数据清洗，包括：
3.根据权利要求2所述的一种风电机组功率预测方法，其特征在于：所述采用聚类算法对获取到的多台机组的原始运行数据中的功率数据，进行第一次清洗，剔除分散型异常数据，包括：
4.根据权利要求3所述的一种风电机组功率预测方法，其特征在于：所述对清洗后的数据，基于三次多项式建立风电转换模型，结合预设的功率阈值，利用所述风电转换模型对清洗后的功率数据进行第二次数据清洗，剔除堆积型异常数据，包括：
5.根据权利要求4所述的一种风电机组功率预测方法，...
【专利技术属性】
技术研发人员：徐鸿琪，陈凡，万修，吴凌霄，周小雨，陈刘明，
申请(专利权)人：南京工程学院，
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。