一种风场邻近多台风电机测量风速缺损值的组合填充系统的制作方法
【专利摘要】本发明提供一种风场邻近多台风电机测量风速缺损值的组合填充系统，包括风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充单元、组合填充单元。本发明克服了现有方法针对风场邻近多台风电机测量风速同时发生缺损值时，对于缺损测量风速值填充的技术缺点，从二维时间域上采用动态时间规整法，结合相关系数法、空间近邻法共3种方法对风速数据的相似性进行分析；提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速，各自构建小波神经网络进行缺损风速填充；通过系统可调参数以适应不同风场的风速数据；采用基于熵权的组合填充方法，最终提出了一种风场邻近多台风电机测量风速缺损值的填充系统。
【专利说明】一种风场邻近多台风电机测量风速缺损值的组合填充系统
【技术领域】
[0001] 本发明涉及风力发电系统中风场邻近多台风电机测量风速缺损值的组合填充 系统。主要针对从风场的数据采集与监视控制系统（Supervisory Control And Data Acquisition，简称SCADA)中采集的所有风电机带有缺损值标记的固定采样间隔的平均风 速数据，以缺损测量风速发生的时间先后逐台进行填充。本发明的系统为一种基于小波神 经网络，采用动态时间规整法，结合相关系数法、空间近邻法共同搜寻与缺损测量风速风电 机风速演化相似的风电机集，利用这些风电机的测量风速来为缺损测量风速风电机进行风 速填充的系统。
【背景技术】
[0002] 为了有效地将风能并入电网中，对于风场的出力进行准确预测是极其必要和关键 的，这其中，〇至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等涉 及电网安全的技术参数具有重要意义。为了开发更加准确的风场出力预报系统，完整的风 场风电机风速采集数据是这一系统顺利实施的关键环节之一。针对我国多个风场的采集数 据进行分析，在经过必要的数据质量检查后，最突出的问题是出现了缺损的数据，其时间跨 度从10分钟至几小时。并且，由于风场内多台相邻风电机公用一条数据传输线路，当发生 传输故障时，往往风场内相邻多台风电机同时发生风速缺测。现有研究表明风力数据的缺 失对于风电的预估将产生重要影响，必须加以考量，风场内相邻多台风电机同时发生缺损 测量风速的工况，尚未见报道的缺损值填充方法。
[0003] 1997年，美国能源部发布《风能资源预估手册（Wind Resources Assessment Handbook，WRAH)NREL/SR-440-22223》，中国政府于2002年发布了《风场风能资源测量方法 GB/T18709-2002》、《风场风能资源评估方法GB/T18710-2002》以及2010年发布《地面气象 观测资料质量控制QX/T118-2010》。这些手册只是做了规范性的指导和要求，缺乏具体的技 术方法。针对风场测量风速缺损值的填充策略大多是围绕空间相关性，采用持续法、曲线拟 合法、差分自回归移动平均法（Autoregressive Integrated Moving Average Model，简称 ARIMA)以及以神经网络等模型。持续法假设风速不变；曲线拟合插值函数的非线性特性很 难与风速变化趋势一致，使得缺损值填充效果不好。ARIMA将风速数据视为一个随机序列， 通过对历史风速数据进行平稳化处理、模型识别，来近似描述风速的变化趋势。由于风速数 据的高度非线性，ARIMA也较适用于超短期的缺损值的填补应用中。人工神经网络作为一 种新的方法，具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特点，符合风速数 据高度非线性的特点。已有文献多基于空间相关性原理，即相邻地区气象观测资料强相关 的基础，采用地理位置上相邻的测量设备或站点的测量数据组织神经网络训练集并进行缺 损值的填充。
[0004] 由于整个风场占地面积较大，风电机众多，如果考虑到风场地势高低起伏的地理 环境、风电机的尾流效应、以及季节对风速风向等影响因素，风场中空间位置邻近的风电 机，其测量风速很难保证强相关；相关系数法强调其线性相关性，而风速具有强非线性特 点。当风场内邻近多台风电机同时发生缺损测量风速的工况时，无论采用空间近邻法或者 相关系数法搜寻的风电机，其风速与缺损测量风速风电机的相似性远不如邻近风电机测量 风速完整的工况，严重影响了填充的精度。
【发明内容】
[0005] 本发明的技术解决问题：克服现有单一采用空间近邻法或者相关系数法，针对风 场邻近多台风电机测量风速同时发生缺损值工况下，对于风电机测量风速缺损值填充的技 术缺点，从二维时间域上采用动态时间规整法，结合相关系数法、空间近邻法共3种方法， 对风速数据的相似性进行分析；提取与缺损测量风速风电机在缺损采样点附近风速演化最 相似的若干台风电机的测量风速，各自构建小波神经网络进行缺损风速填充；通过改变填 充系统可调参数从而适应不同风场的风速数据；针对风场内所有风电机缺乏一个普适的缺 损风速填充模型，采用基于熵权的组合填充方法，最终提出了一种风场邻近多台风电机测 量风速缺损值的填充系统及填充方法。
[0006] 本发明的技术解决方案：
[0007] -种风场邻近多台风电机测量风速缺损值的组合填充系统，该系统包括以下几个 单元：风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充单元和组合 填充单元；
[0008] 1)风速数据相似性判定单元：
[0009] 读入风场中风电机的原始采样风速集
【权利要求】
1. 一种风场邻近多台风电机测量风速缺损值的组合填充系统，其特征在于：该系统包 括以下几个单元：风速数据相似性判定单元、模型参数识别单元、小波神经网络子模型填充 单元和组合填充单元； 1) 风速数据相似性判定单元： 读入风场中风电机的原始采样风速集
其中V (#WTP，Tq)表示风电机#WTP在采样点Tq的测量风速值，S为风电机的总数，Z为采样点 总数；对采样区间[Tk--\]内缺损采样风速的风电机#WTi，采用动态时间规整法（Dynamic Time Warping,简称DTW)、相关系数法、空间近邻法共3种方法，各从风场内在区间[Tk? 1\]采样风速数据完整的风电机集#WT中搜索与风电机#WTi风速演化最相似的MpM 2、M3台 风电机： 动态时间规整法，计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间 [Tkin?Tk_J风速数据的DTW距离，取DTW距离最小的前札台风电机； 相关系数法，计算风电机#WTi与风电机集#WT中的每台风电机对应采样区间[Tk_to? Tk_J风速数据的相关系数R，取R最大的前仏台风电机； 空间近邻法，计算风电机#WTi与风电机集#WT中的每台风电机的大圆距离D，取D最小 的前M3台风电机； 其中，定义！\和1\为风电机#11\缺损采样区间的起止点，[Tk--\]的区间长度为 L为动态时间规整法和相关系数法中采样区间的起止点，[Tk_to? Tk_J的 区间长度为Len，Len为风速采样点个数； 针对动态时间规整法，假设Len为leni个小时的风速采样点个数，取3, 4, 5, leni取 1，2,…，15 个小时，遍历 ％, ler^ 各种组合{% = 3, ler^ = 1)，％ = 3, ler^ = 2)，…，（Μι =5, leni = 15)}，对每种札和leni组合情形下DTW距离的计算结果得到对应的风电机集； 针对相关系数法，假设Len为len2个小时的风速采样点个数;112取3,4,5, 16112取 1，2,…，15 个小时，遍历 M2, len2 各种组合{(M2 = 3, len2 = 1)，（M2 = 3, len2 = 2)，…，（M2 =5, len2 = 15)}，对每种M2和len2组合情形下相关系数R的计算结果得到对应的风电机 集； 针对空间近邻法，假设M3取3, 4, 5,遍历M3各种组合{M3 = 3, M3 = 4, M3 = 5}，对每种 M3情形下大圆距离D的计算结果得到对应的风电机集； 2) 模型参数识别单元： 上述单元中采用动态时间规整法得到的每种札和leni组合情形下DTW距离的计算结 果得到对应的风电机集的采样风速数据，建立小波神经网络模拟测试集和模拟训练集以进 行子模型最佳参数的识别，小波神经网络的输入神经元个数即为该风电机集中风电机的台 数 A，隐含层神经元个数 Q = Mi+1，Mi+2,…，2Mi+3,生成{ % = 3, Q = 4, leni = 1)，％ = 3, Q = 5, ler^ = 1)，···，％ = 5, Q = 13, ler^ = 15)}的不同组合；模拟测试集对应从采样 点L开始倒推Lmiss长度的采样风速数据，对应的采样区间为[Tk_ Mss?Tk_J，模拟训练 集对应从采样点开始倒推10?30倍Lmiss长度的采样风速数据，若长度不够则采 用所有长度的采样风速数据；对乂，Lp leni不同组合下模拟训练集针对风电机#WTi在模拟 训练集对应采样区间的采样风速数据学习后，模拟测试集对风电机#WTi在模拟测试集对应 采样区间的采样风速数据进行模拟填充，选定误差平方和最小时的MdU，le ni分别为：Mdtw， Ldtw，Lendtw，即为动态时间规整法建立的小波神经网络子模型结构的最佳参数； 上述单元中采用相关系数法得到的每种M2和len2组合情形下相关系数R的计算结果 得到对应的风电机集的采样风速数据，建立小波神经网络模拟测试集和模拟训练集以进行 子模型最佳参数的识别，小波神经网络的输入神经元个数即为该风电机集中风电机的台数 M2,隐含层神经元个数 L2 = M2+l, M2+2,…，2M2+3,生成{(M2 = 3, L2 = 4, len2 = 1)，（M2 = 3, L2 = 5, len2 = 1)，···，（M2 = 5, L2 = 13, len2 = 15)}的不同组合；模拟测试集对应从采 样点Τη开始倒推Lmiss长度的采样风速数据，对应的采样区间为[Tk_ Mss?Tk_J，模拟训 练集对应从采样点开始倒推10?30倍Lmiss长度的采样风速数据，若长度不够 则采用所有长度的采样风速数据；对M 2, L2, len2不同组合下模拟训练集针对风电机#WTi在 模拟训练集对应采样区间的采样风速数据学习后，模拟测试集对风电机#WTi在模拟测试集 对应采样区间的采样风速数据进行模拟填充，选定误差平方和最小时的M 2，L2, len2分别为： Mp Lp Ler^即为采用相关系数法建立的小波神经网络子模型结构的最佳参数； 上述单元中采用空间近邻法得到的每种M3情形下大圆距离D的计算结果得到对应的 风电机集的采样风速数据，建立小波神经网络模拟测试集和模拟训练集以进行模型最佳参 数的识别，小波神经网络的输入神经元个数即为该风电机集中风电机的台数M 3，隐含层神 经元个数 L3 = M3+l, M3+2,…，2M3+3,生成{(M3 = 3, L3 = 4)，（M3 = 3, L3 = 5)，…，（M3 = 5, L3 =13)}的不同组合；模拟测试集对应从采样点Th开始倒推Lmiss长度的采样风速数据， 对应的采样区间为?U，模拟训练集对应从采样点开始倒推10?30倍 Lmiss长度的采样风速数据，若长度不够则采用所有长度的采样风速数据；对M3, L3不同组 合下模拟训练集针对风电机#WTi在模拟训练集对应采样区间的采样风速数据学习后，模拟 测试集对风电机#WTi在模拟测试集对应采样区间的采样风速数据进行模拟填充，选定误差 平方和最小时的M 3, L3分别为：Md，Ld，即为采用空间近邻法建立的小波神经网络子模型结构 的最佳参数； 按最佳参数确定的各小波神经网络子模型对于风电机#WTi在采样区间为[Tk^h? Tk_J的风速数据的模拟误差，按基于信息熵的组合填充原理，确定各小波神经网络子模型 在组合模型中的权重《 dtw、G^、c〇d;其中c〇dtw为采用动态时间规整法建立的小波神经网络 子模型的权重，为采用相关系数法建立的小波神经网络子模型的权重，c〇 d为采用空间 近邻法建立的小波神经网络子模型的权重； 3)小波神经网络子模型填充单元：根据模型参数识别单元中确定的3个小波神经网络 子模型的最佳参数及其在组合模型中的权重，建立3个小波神经网络子模型，并重新划分3 个子模型的训练集和测试集供各小波神经网络子模型使用，其中： 采用动态时间规整法建立的小波神经网络子模型重新划分的训练集为以（Mdtw，Ldtw， LendtJ为参数确定的这Mdtw台风电机从采样点开始倒推10?30倍Lmiss长度的采样 风速数据，若长度不够则采用所有长度的采样风速数据，测试集为这M dtw台风电机对应采样 区间为[Tk--\]的采样风速数据； 采用相关系数法建立的小波神经网络子模型重新划分的训练集为以（MpLpLerO为参 数确定的这凡台风电机从采样点开始倒推10?30倍Lmiss长度的采样风速数据，若 长度不够则采用所有长度的采样风速数据，测试集为这凡台风电机对应采样区间为[T k? ?\]的采样风速数据； 采用空间近邻法建立的小波神经网络子模型重新划分的训练集为以（Md，Ld)为参数确 定的这Md台风电机从采样点开始倒推10?30倍Lmiss长度的采样风速数据，若长度 不够则采用所有长度的采样风速数据，测试集为这M d台风电机对应采样区间为
的 采样风速数据； 建立好了的3个小波神经网络子模型分别对风电机#WTi对应各子模型训练集所在区 间的采样风速数据经学习后，分别对风电机#11\的缺损测量风速区间__
_进行填 充，得到3个子模型的填充结果分别为
，其中 fdtw(ls)为采用动态时间规整法建立的小波神经网络子模型的填充结果，f；(ls)为采用相 关系数法建立的小波神经网络子模型的填充结果，fd(Is)为采用空间近邻法建立的小波神 经网络子模型的填充结果； 4)组合填充单元：利用小波神经网络子模型填充单元的填充结果
fd(ls)，以及模型参数识别单元确定的各小波神经网络子模型的权重c〇dtw、ωρ c〇d，对 风电机#WTi在缺损测量风速区间
进行组合填充，组合填充结果为F(ls)=
2. 根据权利要求1所述组合填充系统，其中，风速数据相似性判定单元中进行风速演 化相似性比较采用的3种方法具体如下： 1) 动态时间规整法：计算两台风电机#WTi和#WL在采样区间[?\?TJ的风速数据构 建的弯曲矩阵中从各自起点到各自终点的最短路径DTW(#WTi，#WTj)，称为DTW距离，DTW距 离越小则风电机#11\和#11^_在采样区间[IV-TJ的风速数据在时间轴上伸缩后相似度越 商； 2) 相关系数法：计算两台风电机#WTi和#WL在采样区间[?\?TJ的风速数据的皮尔 逊相关系数R(#WTi，#WTp，称为相关系数R，R越大则风电机#WTi和#WL在采样区间[?\? TJ的风速数据线性相关性越强； 3) 空间近邻法：通过两台风电机#WTi和#WTj的经纬度坐标，采用大圆距离公式，计算 风电机#WTi和#WL的距离cKttWTi，#WTp，称为大圆距离D，D越小则风电机#WTi和#WTj按 大圆距离标准越近。
3. 根据权利要求1所述组合填充系统，其中，上述小波神经网络学习采用增加动量 项的梯度下降法，学习目标以前后两次训练的累积误差平方和的比值E(r)/E(r-1)达到 0. 999为衡量标准，其中E (r)和E (r-Ι)为分别为第r次和第r-Ι次小波神经网络训练的累 积误差平方和。
4. 根据权利要求1所述组合填充系统，其中，该系统主要针对从风场SCADA中采集的所 有风电机带有缺损值标记的固定采样间隔的平均风速数据，以缺损测量风速发生的时间先 后逐台进行填充，对同一时刻多台风电机同时发生缺损测量风速的工况，按风电机编号从 小到大逐台进行缺损测量风速填充。
5. 根据权利要求4所述组合填充系统，其中，所述固定采样间隔如5、10、15或20分钟。
【文档编号】G06Q10/04GK104217260SQ201410484067
【公开日】2014年12月17日 申请日期:2014年9月19日 优先权日:2014年9月19日
【发明者】杜杰, 曹一家, 刘玉宝, 潘林林, 刘月巍, 陆金桂, 顾云丽, 王雷, 董江伟, 张琛, 其他发明人请求不公开姓名 申请人:南京信息工程大学