基于双重置信区间的风电场功率预测样本筛选方法与流程

本发明涉及风电场功率预测领域，具体是风电场功率预测中基于双重置信区间的风电场功率预测样本筛选方法。

背景技术：

目前风电场的建设越来越多，风电场功率预测是风电场中重要的环节。

当前风电场功率预测普遍采用的是人工智能算法，输入风电场的实测风速数据和实测有功数据，进行训练后获取风电场的风速-有功映射关系，再进行功率预测。采用人工智能算法对风速-有功数据进行训练，对风速、有功这两类功率预测样本有很强的依赖性。传统的方法通过采集风电场的所有实测风速和所有实测有功数据，剔除数据品质异常后得到筛选出的数据，再采用人工智能算法进行训练，存在如下缺点：

训练不收敛：部分小风和限电停机检修时的风速-有功样本无法剔除，使得筛选出的样本处于发散状态，采用神经网络训练无法收敛，无法获得风速-有功的映射关系，导致无法进行风电场功率预测。

引入错误映射关系：部分异常数据引入后，在神经网络训练收敛的情况下，引入了错误的风速-功率映射关系，导致风电场功率预测结果异常。

技术实现要素：

为了克服传统风电场功率预测样本筛选方法导致训练不收敛、引入错误的风速-有功映射关系的缺陷，提出了一种基于双重置信区间的风电功率预测样本筛选方法。

本发明风电场功率预测的样本筛选首先设置两个线性函数作为第一重置信区间的上下限，根据设定的筛选系数，剔除在此置信区间之外的所有样本；其次 依据风电场的风速-有功关系，设置两个非线性分段函数作为第二重置信区间的上下限，剔除在此置信区间之外的所有样本，同时不断调整第二重置信区间的上下限函数系数，保证落在置信区间的样本数目占样本总数目的比例值大于等于设定的筛选系数后，完成样本筛选。

本发明的目的是通过如下措施来达到：基于双重置信区间的风电场功率预测样本筛选方法，包括如下步骤：

步骤(1)，初始化样本选择天数；

步骤(2)，对实际有功进行归一化，以风速和归一化后的实际有功建立二维坐标系；

步骤(3)，初始化第一重置信区间的上下限函数，作为样本筛选的第一重置信区间的上下限，确保落在第一重置信区间中的样本数≥样本总数*筛选系数a₁，如果不满足则增加样本天数，以获取足够的样本数，确保这部分样本数落在作为样本筛选的第一重置信区间内；

步骤(4)，进行第二重置信区间的样本筛选，设置第二重置信区间上下限函数进行筛选，如果样本数目不满足预期的要求，调整上下限函数后再进行筛选；如果超出调整此时依旧无法满足预期要求，增加样本天数，直至样本数满足预期要求；

步骤(5)，对筛选出的样本进行提取，将归一化的有功乘以P_装机进行反归一化，完成筛选。

进一步的，所述步骤(1)中，初始化样本天数选择15天或者一周的整数倍。

进一步的，初始化样本天数为2到12周。初始化样本天数根据经验一般选择15天，通常为7天即一周的整数倍，可根据现场需要设置为2到8周不等，通常不超过3个月。

进一步的，所述步骤(3)中：初始化第一重置信区间的上限函数:y_max＝k_max*x和下限函数:y_min＝k_min*x，作为样本筛选的第一重置信区间的上下限，其中y_min＝k_min*x为第一重置信区间下限函数；y_max＝k_max*x为第一重置信区间上限函数；如果落在第一重置信区间中的样本数<样本总数*筛选系数a₁，增加样本天数，每次增加天数2后进行样本采集，再进行筛选；如果落在第一重置信区间中的样 本数≥样本总数*筛选系数a₁，则第一重筛选完毕；筛选系数a₁一般在0.6-0.9之间。

进一步的，所述步骤(4)中：进行第二重置信区间筛选时，初始化第二重置信区间的上限函数：f_max和下限函数：f_min，以这两个函数作为样本筛选的第二重置信区间的上下限，进行下一步样本筛选；f_max为第二重置信区间上限函数，f_min为第二重置信区间下限函数，之后初始化动态调整次数t＝0；如果动态调整次数t>t_max(动态调整次数最大值)，增加样本天数，每次增加天数2后进行样本筛选；如果动态调整次数t≤t_max，t_max为动态调整次数最大值，判断落在第二重置信区间中的样本数是否大于等于样本总数*筛选系数a₂，如果是，则第二重置信区间的筛选完成；如果不是，动态调整第二重置信区间上限函数系数k_max＝k_max+△k_max，k_max为上限函数系数，△k_max为第二重置信区间上限函数系数修正步长，调整上限函数参数c_max＝c_max+△c_max，c_max为上限函数参数，△c_max为第二重置信区间上限函数参数修正步长；调整第二重置信区间下限函数系数k_min＝k_min-△k_min，k_min为下限函数的系数，△k_min为第二重置信区间下限函数系数修正步长，调整下限函数参数c_min＝c_min-△c_min，c_min下限函数的参数，△c_min为第二重置信区间下限函数参数修正步长，每调整一次后，动态调整次数t＝t+1，再进行第二重样本筛选，直至落在第二重置信区间中的样本数≥样本总数*筛选系数a₂，则完成第二重置信区间内的样本筛选。

有益效果

通过获得正确的风速-有功映射关系，建立预测模型，提高风电场有功的预测准确率，一方面有利于电网合理安排全网计划生产，另一方面有利于风电场企业在电网公司的绩效考核中获得良好的经济效益。

附图说明

图1为基于双重置信区间的风电场功率预测样本筛选方法逻辑框图。

具体实施方式

参见图1，本基于双重置信区间的风电场功率预测样本筛选方法，包括如下 步骤：

步骤(1)，初始化样本选择天数；

步骤(2)，对实际有功进行归一化，以风速和归一化后的实际有功建立二维坐标系；

步骤(3)，初始化第一重置信区间的上下限函数，作为样本筛选的第一重置信区间的上下限，确保落在第一重置信区间中的样本数≥样本总数*筛选系数a₁，如果不满足则增加样本天数，以获取足够的样本数，确保这部分样本数落在作为样本筛选的第一重置信区间内；

步骤(4)，进行第二重置信区间的样本筛选，设置第二重置信区间上下限函数进行筛选，如果样本数目不满足预期的要求，调整上下限函数后再进行筛选；如果超出调整此时依旧无法满足预期要求，增加样本天数，直至样本数满足预期要求；

步骤(5)，对筛选出的样本进行提取，将归一化的有功乘以P_装机进行反归一化，完成筛选。

作为优选方案，所述步骤(1)中，初始化样本天数选择15天或者一周的整数倍。初始化样本天数为2到12周。初始化样本天数根据经验一般选择15天，通常为7天即一周的整数倍，可根据现场需要设置为2到8周不等，通常不超过3个月。所述步骤(3)中：初始化第一重置信区间的上限函数:y_max＝k_max*x和下限函数:y_min＝k_min*x，作为样本筛选的第一重置信区间的上下限，其中y_min＝k_min*x为第一重置信区间下限函数；y_max＝k_max*x为第一重置信区间上限函数；如果落在第一重置信区间中的样本数<样本总数*筛选系数a₁，增加样本天数，每次增加天数2后进行样本采集，再进行筛选；如果落在第一重置信区间中的样本数≥样本总数*筛选系数a₁，则第一重筛选完毕；筛选系数a₁一般在0.6-0.9之间。所述步骤(4)中：进行第二重置信区间筛选时，初始化第二重置信区间的上限函数：f_max和下限函数：f_min，以这两个函数作为样本筛选的第二重置信区间的上下限，进行下一步样本筛选；f_max为第二重置信区间上限函数，f_min为第二重置信区间下 限函数，之后初始化动态调整次数t＝0；如果动态调整次数t>t_max(动态调整次数最大值)，增加样本天数，每次增加天数2后进行样本筛选；如果动态调整次数t≤t_max，t_max为动态调整次数最大值，判断落在第二重置信区间中的样本数是否大于等于样本总数*筛选系数a₂，如果是，则第二重置信区间的筛选完成；如果不是，动态调整第二重置信区间上限函数系数k_max＝k_max+△k_max，k_max为上限函数系数，△k_max为第二重置信区间上限函数系数修正步长，调整上限函数参数c_max＝c_max+△c_max，c_max为上限函数参数，△c_max为第二重置信区间上限函数参数修正步长；调整第二重置信区间下限函数系数k_min＝k_min-△k_min，k_min为下限函数的系数，△k_min为第二重置信区间下限函数系数修正步长，调整下限函数参数c_min＝c_min-△c_min，c_min下限函数的参数，△c_min为第二重置信区间下限函数参数修正步长，每调整一次后，动态调整次数t＝t+1，再进行第二重样本筛选，直至落在第二重置信区间中的样本数≥样本总数*筛选系数a₂，则完成第二重置信区间内的样本筛选。

1)初始化选取days＝15天的风速和有功样本；

2)样本中风速值保持不变，有功P_实/P_装机进行归一化，建立二维坐标系(其中P_实是风电场的实际有功，P_装机是风电场的装机容量)；

3)初始化第一重置信区间的上限函数:y_max＝k1_max*x和下限函数:y_min＝k1_min*x，作为样本筛选的第一重置信区间的上下限

(其中k1_max为第一重置信区间上限函数的系数，k1_min为第一重置信区间下限函数的系数)；

4)如果落在第一重置信区间中的样本数<样本总数*筛选系数a₁，增加样本天数，每次增加天数2后，进行样本采集，进入步骤2)继续执行；

5)如果落在第一重置信区间中的样本数≥样本总数*筛选系数a₁，进入第二重筛选；

6)第二重筛选开始，初始化第二重置信区间的上限函数:f_max和下限函数:f_min， 以这两个函数作为样本筛选的第二重置信区间的上下限，进行下一步样本筛选；

7)初始化动态调整次数t＝0；

8)如果动态调整次数t>t_max(动态调整次数最大值)，增加样本天数，每次增加天数2后进行样本采集，进入步骤2)继续执行；

9)如果动态调整次数t≤t_max(动态调整次数最大值)，进入步骤10)和步骤11)的筛选；

10)如果落在第二重置信区间中的样本数<样本总数*筛选系数a₂，动态调整第二重置信区间上限函数系数k_max＝k_max+△k_max，调整上限函数参数c_max＝c_max+△c_max；调整第二重置信区间下限函数系数k_min＝k_min-△k_min，调整下限函数参数c_min＝c_min-△c_min，每调整一次后，动态调整次数t＝t+1；进入步骤8)；

(其中，△k_max为第二重置信区间上限函数系数修正步长，△c_max为第二重置信区间上限函数参数修正步长，△k_min为第二重置信区间下限函数系数修正步长，△c_min为第二重置信区间下限函数参数修正步长)；

11)如果落在第二重置信区间中的样本数≥样本总数*筛选系数a₂，筛选出样本，将归一化的有功乘以P_装机进行反归一化，完成筛选。