风功率预测方法及其装置及计算机可读存储介质与流程

1.本发明实施例涉及风力发电技术领域，尤其涉及一种风功率预测方法及其装置及计算机可读存储介质。


背景技术：

2.随着煤炭、石油等能源的逐渐枯竭，人类越来越重视可再生能源的利用。风能作为一种清洁的可再生能源越来越受到世界各国的重视。然而，风力发电具有不确定性、波动性和间歇性等特性，当风电大规模接入电网时，风电输出功率的不稳定性将给电力系统的稳定运行带来巨大挑战。
3.风功率预测的精度对于风电系统具有重要意义。影响风功率预测的精度的原因有很多，例如风电功率预测要求的数据量很大，比如风电场历史数据，nwp(numerical weather prediction，数值天气预报)数据和scada(supervisory control and data acquisition，监视控制及数据采集)实时数据等，但在进行风功率预测时，这些数据往往会有异常、不完备的情况，若用统计方法进行预测时，则会因数据量不够影响预测精度和可靠；自动化通讯设备在电力系统中起到“毛细血管”的作用。由于自动化通信故障引发数据采集、传输、转换等一系列环节出错，导致数据失真或缺失，影响数据准确性，给功率预测带来不利影响。
4.其它问题还表现在气象预报数据存在误差、风速波动性和不稳定性强、功率数据存在噪声、预测算法模型自身存在缺陷等，而风功率的这些特性伴随着装机容量的增加对于电力系统的安全、稳定的运行造成了困难，如果不能准确地预测功率可能会导致电网波动、成本增加等问题，甚至造成更严重的损失。


技术实现要素：

5.本发明实施例的目的在于提供一种风功率预测方法及其装置及计算机可读存储介质，能够提高风功率预测的精度。
6.本发明实施例的一个方面提供一种风功率预测方法。所述方法包括：获取风场实际运行过程中的功率数据和对应时刻的风场气象预报数据；对所述功率数据进行经验模态分解，得到多组特征互异的本征模态函数分量；将多组所述本征模态函数分量分别和对应时刻的风场气象预报数据相结合构成多组数据集；基于多组所述数据集来分别建立并训练多组所述本征模态函数分量与所述风场气象预报数据之间的多个风功率预测模型以得到多个训练好的风功率预测模型；获取当前风场气象预报数据；将所述当前风场气象预报数据分别输入到所述多个训练好的风功率预测模型，以得到多个模型输出值；以及基于所述多个模型输出值来最终获得短期风功率预测值。
7.本发明实施例的另一个方面还提供一种风功率预测装置。所述装置包括一个或多个处理器，用于实现如上所述的风功率预测方法。
8.本发明实施例的又一个方面还提供一种计算机可读存储介质，其上存储有程序，
所述程序被处理器执行时，实现如上所述的风功率预测方法。
9.本发明一个或多个实施例的风功率预测方法及其装置及计算机可读存储介质通过经验模态方法将风功率数据分解为多组本征模态函数分量，改善了风功率数据不平稳、波动性强的问题，然后，通过建立并训练多组本征模态函数分量与风场气象预报数据之间的多个风功率预测模型来预测风功率，从而可以提高整个风功率的预测精度。
附图说明
10.图1为本发明一个实施例的风功率预测方法的流程图；
11.图2为本发明一个实施例的风功率预测方法的详细步骤图；
12.图3为本发明一个实施例的风功率预测装置的示意性框图。
具体实施方式
13.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本发明相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
14.在本发明实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。除非另作定义，本发明实施例使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“多个”或者“若干”表示两个及两个以上。除非另行指出，“前部”、“后部”、“下部”和/或“上部”等类似词语只是为了便于说明，而并非限于一个位置或者一种空间定向。“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而且可以包括电性的连接，不管是直接的还是间接的。在本发明说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
15.本发明实施例提供了一种风功率预测方法。本发明实施例的风功率预测方法可以用于单台风机的风功率预测，也可以用于整个风场的风功率预测。图1揭示了本发明一个实施例的风功率预测方法的流程图。如图1所示，本发明一个实施例的风功率预测方法可以包括步骤s11至步骤s17。
16.在步骤s1中，获取风场实际运行过程中的功率数据和对应时刻的风场气象预报数据。
17.在一些实施例中，步骤s1中的获取风场实际运行过程中的功率数据可以包括步骤1.1和步骤1.2。
18.在步骤1.1中，可以获取风场实际运行过程中的原始功率数据。例如，可以从风场的scada系统中获取风场实际运行过程中的原始功率数据。
19.在步骤1.2中，可以对步骤1.1中获取到的原始功率数据进行数据清洗，可以按照一定的筛选规则选出故障数据，并剔除异常数据，从而最终得到步骤s1中的功率数据。
20.在一些实施例中，步骤s1中获得的风场气象预报数据可以包括多个物理量的数据。多个物理量例如可以包括但不限于辐照度、温度、湿度、压力、风向和风速六个物理量中的至少多个。
21.在步骤s2中，对功率数据进行经验模态分解，得到多组特征互异的本征模态函数(imf，intrinsic mode function)分量。
22.在一些实施例中，在步骤s2中，可以采用emd经验模态分解技术来对功率数据进行emd经验模态分解，从而得到多组特征互异的imf分量。当然，本发明实施例并不局限于emd经验模态分解技术。在其他实施例中，也可以采用其他经验模态分解技术，例如cemd来对功率数据进行经验模态分解。
23.以下将以emd经验模态分解技术为例来详细介绍如何通过采用emd经验模态分解技术将功率数据分解成多组特征互异的imf分量。
24.步骤2.1：由功率的时序数据x(t)的局部极大值、局部极小值，采用插值法拟合其上包络线us(t)和下包络线vs(t)，求出上、下包络线的均值m1(t)，如公式(1)所示：
[0025][0026]
步骤2.2：将x(t)减去m1(t)得到c1(t)，判断是否满足imf分量条件。若不满足，则将c1(t)视为新的信号x(t)，重复以上步骤2.1，直到c1(t)满足imf条件；若满足，则c1(t)为第一个本征模态函数分量，如公式(2)所示：
[0027]
c1(t)＝x(t)-m1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0028]
步骤2.3：从原始功率信号x(t)中分离出分量c1(t)，从而得到残差项r1(t)，如公式(3)所示：
[0029]
r1(t)＝x(t)-c1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0030]
步骤2.4：将残差项r1(t)作为新的原始功率信号，重复以上步骤2.1-步骤2.3，从而可以得到一系列符合条件的imf分量ci(t)和一个残差项rn(t)如式(4)：
[0031][0032]
其中，在以上步骤2.2和2.4中所指的符合条件的imf分量是指信号只包含一种振荡模式(即单一的瞬时频率)，同时极值点和过零点的数目应该相等，或者最多差一个；局部最大和局部最小的上下包络线均值为零。
[0033]
重复以上步骤2.1-步骤2.4，直到最终得到的残差项rn(t)基本可以忽略不计为止，至此，将功率数据x(t)分解成多组特征互异的imf分量ci(t)(i＝1,
…
,n)。
[0034]
在步骤s3中，将步骤s2中分解后的多组本征模态函数(imf)分量分别和步骤s1中获得的对应时刻的风场气象预报数据相结合构成多组数据集。
[0035]
具体地，将步骤s2中分解后的每一组imf分量与步骤s1中获得的对应时刻的风场气象预报数据对应，从而构成一组数据集。因此，多组imf分量分别和对应时刻的风场气象预报数据对应，可以构成多组数据集。
[0036]
在一些实施例中，在本发明实施例的风功率预测方法中，还可以采用例如皮尔逊分析法、pca(principal component analysis)主成分分析法等相关性分析方法来对功率
数据和多个物理量的数据进行相关性分析。然后，剔除风场气象预报数据中相关性小的物理量的数据，从而可以得到剔除后的风场气象预报数据。
[0037]
在这种情况下，在步骤s3中，可以将多组本征模态函数分量分别和对应时刻的剔除后的风场气象预报数据相结合来构成多组数据集。
[0038]
在另一些实施例中，在步骤s3中，可以对构成的每一组数据集进行归一化处理，从而可以得到归一化后的数据集。
[0039]
其中，归一化方法的公式如下所示：
[0040][0041]
上式中，x为原始数据集，x
std
为标准化结果，x
scaled
为归一化结果。
[0042]
在步骤s4中，基于步骤s3中构成的多组数据集来分别建立并训练多组本征模态函数分量与风场气象预报数据之间的多个风功率预测模型以得到多个训练好的风功率预测模型。
[0043]
在步骤s3中对多组数据集进行归一化处理的情况下，则在步骤s4中，可以基于多组归一化后的数据集来建立并训练多组imf分量与风场气象预报数据之间的多个风功率预测模型。
[0044]
在一些实施例中，可以采用支持向量机(support vector machine，svm)针对每组数据集进行建模和相应的模型的训练。风功率预测模型可以包括支持向量回归(svr，support vector regression)模型，可以采用支持向量机基于多组数据集来分别建立并训练多组imf分量与风场气象预报数据之间的多个支持向量回归(svr)模型，从而可以得到多个训练好的支持向量回归(svr)模型。
[0045]
下面将对支持向量回归(svr)的原理进行大体的介绍。支持向量回归的核心思想是找到一个分离超平面(超曲面)，使得所求期望风险最小，即通过非线性映射，将输入样本通过核函数从原空间中映射到高维特征空间中，继而构造最有决策函数，利用结构风险最小化原则，将非线性问题转化为最小化问题。
[0046]
将原空间模型转化为高维回归模型，并对其空间的超平面进行求解，构建的支持向量回归函数为：
[0047][0048]
上式中，ω为待求超平面的方向参量，b为偏移参数。
[0049]
基于svr，以最大化“间隔”来确定超平面的ω、b，即：
[0050][0051]
同时，为提升模型的鲁棒性，引入敏感损失函数ε，允许模型函数f(x)与真实值y之间存在一定的损失，即：
[0052][0053]
依据结构风险化最小原则，将原模型求解转化为最小风险指标的二次凸优化问题求解：
[0054][0055]
考虑到模型求解问题，为保证模型解可靠存在，将松弛变量ξi、引入优化模型中：
[0056][0057][0058]
上式中，c为惩罚常数，表述误差超限数据的惩罚程度。
[0059]
对公式(10)进行求解，引入lagrange(拉格朗日)乘子α、α
*
并基于对偶原理，可优化计算得到α。进一步地，利用α可确定模型参数ω：
[0060][0061]
进一步地，依据kkt(karush-kuhn-tucker)最优化条件，可对支持向量回归函数的偏移参数b进行确定，实现对预测模型相关参数的求解。将上述推导求解的参数回带至构建的支持向量回归函数模型，可确定f(x)为：
[0062][0063]
模型计算时多采用核函数求解高维空间内积。svr模型多采用rbf(radial basis function，径向基函数)函数、多项式函数等作为其核函数。本发明实施例中选取rbf核函数，其表达式为：
[0064][0065]
上式中，γ为核函数系数，γ的不同取值会直接影响回归模型的预测精度。
[0066]
基于每一组数据集来建立并训练每一组imf分量与风场气象预报数据之间的svr模型，并利用网格寻优法来对每一个svr模型的参数进行寻优，从而可以最终确定每一个svr模型的参数c和γ，进而可以得到每一个训练好的svr模型。
[0067]
在步骤s5中，获取当前风场气象预报数据。
[0068]
在步骤s6中，将当前风场气象预报数据分别输入到多个训练好的风功率预测模型，以得到多个模型输出值。
[0069]
例如，可以将步骤s5中获得的当前风场气象预报数据分别输入到步骤s4中得到的多个训练好的svr模型中，从而，可以的多个训练好的svr模型对应的模型输出值。
[0070]
在一些实施例中，在步骤s3中对多组数据集进行归一化的情况下，则在步骤s6中，在当前风场气象预报数据分别输入到多个训练好的风功率预测模型中时，多个训练好的风功率预测模型先预测得到对应的多个预测值，然后，可以对多个训练好的风功率预测模型预测出的多个预测值分别进行反归一化处理，从而最终得到步骤s6中的多个模型输出值。
[0071]
在步骤s7中，基于多个模型输出值来最终获得短期风功率预测值。
[0072]
在采用emd经验模态分解技术的实施例中，可以将步骤s6中得到的多个模型输出值进行叠加来获得短期风功率预测值。
[0073]
图2揭示了本发明一个实施例的风功率预测方法的详细步骤图。如图2所示，将功率数据进行emd分解，得到imf1分量、imf2分量、imf3分量、
…
、imfn分量，建立各个imf分量所对应的svr模型，即svr1模型、svr2模型、svr3模型、
…
、svrn模型，各个imf分量与对应时刻的风场气象预报数据构成模态数据序列(即数据集)，对模态数据序列进行归一化处理，采用网格寻优法，对svr1、svr2、svr3、
…
、svrn模型进行训练和模型学习，进行预测，并且，进行反归一化处理，得到各个svr模型的子序列预测结果(即模型输出值)，即输出1、输出2、输出3、
…
、输出n，将各个svr模型的子序列预测结果进行重构，从而得到最终的风功率预测结果。
[0074]
下面采用山东肥城某风电场的实测风功率数据和相关气象预报数据来验证本发明实施例的风功率预测方法的有效性，通过气象预报数据来预测功率。
[0075]
(1)先对风场的scada数据按照一定的筛选规则选出故障数据，并剔除异常数据，再把以10分钟为间隔的功率数据换算成15分钟为间隔的功率数据，再将以15分钟为间隔的气象预报数据和对应时刻的功率数据相结合构成数据集，其中，气象预报数据包含辐照度、温度、湿度、压力、风向、风速六个物理量的数据。
[0076]
(2)用相关分析方法对气象预报数据和实测功率进行相关性分析，剔除相关性小的物理量的数据。
[0077]
(3)拆分数据集，将数据集分为训练集和测试集，在本实例中，选取约80％的数据作为训练集，约20％的数据作为测试集，例如，训练集有23187条，测试集有4792条。
[0078]
(4)对功率数据进行emd经验模态分解，得到各个imf分量，然后用第(2)步分析的结果选取气象预报输入的物理量的数据，分别和各个imf分量建立svr模型。
[0079]
(5)利用网格寻优法对svr模型的参数进行寻优，得到每个svr模型的适合参数并进行拟合。
[0080]
(6)输入测试集的气象预报数据到第(5)步训练好的各个svr模型，进行预测，得到各个预测结果，然后，将各个预测结果进行叠加得到最终的功率预测结果。
[0081]
(7)将功率预测结果与不进行emd分解直接预测的结果相比较，分别比较两种方法的误差。通过实际比较可以发现采用本发明实施例的风功率预测方法在功率预测精度上有所提升。
[0082]
本发明实施例的风功率预测方法通过经验模态方法将风功率数据分解为多组本征模态函数分量，改善了风功率数据不平稳、波动性强的问题，然后，基于支持向量机基于结构风险最小化准则，对非线性和高维数等问题有良好的解决能力，具有很强的泛化能力和鲁棒性，通过两者结合进而可以提高整个风功率的预测精度。
[0083]
本发明实施例的风功率预测方法通过确保风功率预测的精度，从而可以有效地保障风电场并网的安全性和稳定性，通过对风功率的短期预测能够有效对风能开发与利用、保证电力行业的稳定发展、利于减少旋转备用、优化风电机组的维修、降低电力系统运行成本。
[0084]
本发明实施例的风功率预测方法的精确的风功率短期预测具有以下重要意义：优
化电网调度，减少旋转备用容量，节约燃料，保证电网经济运行；满足电力市场交易需要，为风力发电竞价上网提供有利条件；便于安排机组维护和检修，提高风电场容量系数。
[0085]
本发明实施例还提供了一种风功率预测装置200。图3揭示了本发明一个实施例的风功率预测装置200的示意性框图。如图3所示，风功率预测装置200可以包括一个或多个处理器201，用于实现上面任一实施例所述的风功率预测方法。在一些实施例中，风功率预测装置200可以包括计算机可读存储介质202，计算机可读存储介质202可以存储有可被处理器201调用的程序，可以包括非易失性存储介质。在一些实施例中，风功率预测装置200可以包括内存203和接口204。在一些实施例中，本发明实施例的风功率预测装置200还可以根据实际应用包括其他硬件。
[0086]
本发明实施例的风功率预测装置200具有与上面所述的风功率预测方法相类似的有益技术效果，故，在此不再赘述。
[0087]
本发明实施例还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有程序，该程序被处理器执行时，实现上面任一实施例所述的风功率预测方法。
[0088]
本发明实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于：相变存储器/阻变存储器/磁存储器/铁电存储器(pram/rram/mram/feram)等新型存储器、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0089]
以上对本发明实施例所提供的风功率预测方法及其装置及计算机可读存储介质进行了详细的介绍。本文中应用了具体个例对本发明实施例的风功率预测方法及其装置及计算机可读存储介质进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想，并不用以限制本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的精神和原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也均应落入本发明所附权利要求书的保护范围内。