基于遥感观测的生成式海上风电功率超短期预测方法

本发明涉及风能遥感观测，尤其涉及一种基于遥感观测的生成式海上风电功率超短期预测方法。

背景技术：

1、伴随全球能源快速转型，可再生能源作为世界各国能源安全战略的重要组成，其发展逐渐占据重要地位。海上风能是一个新兴产业，有可能在土地稀缺的负荷中心附近提供大量电力。近年来，其成本一直在下降，海上风电有可能通过替代或取代化石燃料在减少温室气体排放方面发挥重要作用，并且可以通过提供互补的时间发电曲线来补充其他可变的可再生能源，尤其是太阳能。现有电力系统结构形态与体制机制难以支撑更高比例的新能源并网消纳。

2、目前海上风电的份额不断增加，尤其是在国内各个电网中。与其他可再生能源同样，海上风电的加速实施意味着许多技术挑战。尤其是国内电力系统需要适应分散和转折性变化的环境。为确保电力系统运行安全，海上风电场被设计为风力发电厂，通过提供电网服务(也称为辅助服务)来促进电网的稳定性。作为这些服务的一部分，风力发电厂为电网提供运行储备容量，通过降低风电场的最大可能功率来激活该容量。其中单个风力涡轮机已经具有监控和数据采集(scada)系统信号，由于下游涡轮机位置的风速较高，这些单个功率信号的总和明显提高了下调风电场的可用功率。利用下调涡轮机后尾流损失的减少来优化发电量，同时最大限度地减少涡轮机负载是风电场控制的突出领域之一。为了符合电网对风电场功率估算的要求，需要能够代表短期性能的动态模拟。这种准动态尾流模型还可以在线监测风电场的运行情况，并相应地制定主动控制策略。

3、观测海上风的挑战在于成本、可及性、可靠性和准确性。安装和维护海上气象桅杆的成本很高。考虑到电网的稳定运行与负荷调度需要精确的功率预测技术，采用单一的功率预测方法无法满足当前时效下的预测精度，因此，利用地面遥感和涡轮机组数据分析是非常有价值的新解决方案，对于精确量化风能有着重要意义。

技术实现思路

1、本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于遥感观测的生成式海上风电功率超短期预测方法，为纠正缩减风电场内减少的尾流效应来模拟标称功率输出，建立实用的实时尾流模型，采用双层生成式网络分别考虑遥感数据和涡轮机组数据对最终预测功率的影响，考虑模拟功率输出与风电输出功率之间的概率分布，以提高预测准确率。

2、为解决上述技术问题，本发明所采取的技术方案是：

3、一种基于遥感观测的生成式海上风电功率超短期预测方法，包括以下步骤：

4、步骤1：对输入数据进行预处理以及实现不同模态的分解；

5、步骤2：结合转子有效风速建立单个涡轮机的实时尾流模型，考虑风速百分比误差，使用转速信号以及俯仰角，根据尾流模型计算得到的风速来模拟风电功率；

6、步骤3：对采集到的海上高程遥感数据进行融合、建模，估计海上风力涡轮机的理论风功率；

7、步骤4：利用变分自编码器设计双层生成式模型，各层分别为：考虑转子风速的尾流模型模拟出的风功率、遥感数据融合得到的风估计功率，建立各层之间的概率分布；

8、步骤5：根据超短期预测得到的功率进行海上风电站的潜力评估。

9、进一步地，所述步骤1的具体方法为：

10、利用原始数据集构造新的输入数据如式(1)所示，其中默认需要预处理的数据为x＝[x(1),x(2),…,x(mn)]；

11、

12、其中，上标m表示测量数据的样本点，下标n表示数据特征；

13、对数据集中的特征进行标准化，去除数据集中的特征均值并归一化到单位方差，如式(2)所示；

14、

15、式中，μ是平均向量，σ是标准差向量，引入ε以避免除以零的情况出现；

16、将原始风速分解为一系列更平稳的子系列，其过程中提出集合经验模态分解(ensemble empirical mode decomposition,eemd)借助高斯白噪声的加入，缓解模态混频问题。

17、进一步地，所述eemd的过程具体如下所述：

18、步骤1.1：对于信号x(t)，叠加一个新的噪声信号：xi(t)＝x(t)+εi(t)，其中εi(t)是高斯白噪声；

19、步骤1.2：通过emd将xi(t)分解成几个基本模态分量(intrinsic mode fuction，imf)函数和残基函数，如下式：

20、

21、其中，为第i次加入白噪声后分解得到的第j个imf函数；是残余函数，代表信号的平均趋势；n表示imf函数的数量；

22、步骤1.3：每次使用不同的高斯白噪声重复步骤1.1和步骤1.2；

23、步骤1.4：选择所有对应imf的平均值作为最终结果。

24、进一步地，所述步骤2的具体方法为：

25、步骤2.1：估计上游涡轮机的局部风速；

26、风速估计除了基本的转子几何形状外，还采用涡轮机的有功功率、俯仰角和转速信号来迭代估计有效风速，如下式所示：

27、

28、其中，ρ是空气密度，λ是尖端速比，ueff是入射有效风速，r是转子半径，θ代表俯仰角；cp(λ,θ)中的功率系数通过制造商提供的原始查找表来定义；

29、步骤2.2：关于尾流效应的准确预测，基于拉森尾流模型进行实时尾流建模；

30、在该模型中，使用具有薄剪切层近似的雷诺平均纳维尔斯托克斯方程的轴对称形式；湍流闭合使用普朗特的混合长度理论表示；在进行数量级分析后，拉森尾流模型将解决方程分为两部分：一阶方程和二阶近似方程；轴向速度方程如下式所示：

31、

32、其中，ux是流入流在轴向方向的尾流扰动，u∞是自由流逐点流入流速度，ct是推力系数，a＝πr2是转子扫掠面积，r是转子半径，r是起源于轮毂的径向，c1是校准参数；尾流的建模半径rw与距离x的立方根成正比；δx是涡轮机之间的轴向距离；x0表示渐近尾流的原点与产生尾流涡轮机位置之间的距离，它在参考系x0＞0中为正；

33、步骤2.3：应用经过校准的拉森尾流模型到风电场中；通过对转子进行加权平均值来考虑部分尾流效应；

34、对中心线尾流赤字校正，其中蜿蜒与风向的变化性经验相关公式如下式所示：

35、

36、式中，ueff是校正后的赤字，σθ是局部风向的标准偏差，rw是尾流的半径；假设风向的波动σθ每10分钟是恒定的，“非蜿蜒”尾流赤字ueff和尾流半径rw每秒更新一次；

37、使用工作扭矩和转速信号以及计算出的风速来估算发电量。

38、进一步地，所述步骤3的具体方法为：

39、首先，将检索到的影像地理配准到其遥感坐标；然后，使用最近邻技术对影像进行重采样以对齐栅格像元；其中风电功率密度是在给定风速下产生的每单位风力涡轮机转子扫掠面积的理论功率，如下式定义：

40、

41、其中，ρ代表1.225kg/m3的空气密度；v是特定时间的风速，其来自遥感卫星数据；

42、为量化涡轮机转换风力发电能力，提出容量系数cf，定义如下式：

43、

44、其中，p(v)是根据涡轮机型号与风速确定的涡轮功率曲线；f(v)是概率分布函数，它的计算需要把遥感数据中的逐时风速结果转换为栅格格式，然后计算中每个像元的比例和形状参数；指功率曲线p(v)在函数f(v)描述的风态下的涡轮机产生的平均功率，pr为涡轮机额定功率。

45、进一步地，所述步骤4的具体方法为：

46、步骤4.1：通过对输入数据集中的信息进行编码来提取重要特征，然后通过解码潜在空间中识别的分布来生成预测数据，与原始数据中的随机特征有关，首先定义观测到的风速数据定义如下式：

47、x＝[x1,x2,…,xn]t    (9)

48、其中，x代表整个时间序列，n为数据集中样本个数；

49、潜在变量如下式：

50、z＝[z1,z2,…,zn]t    (10)

51、其中，z代表潜在变量，通过生成模型对x进行重建；

52、编码器是观测到的风速数据中隐藏特征的概率识别模型，解码器是概率生成模型，用于生成负荷海上风的原始特征的风速数据；对于数据的统计分析，假设海上风速的观测数据点是独立的；将潜在变量识别为多元正态分布，如下式：

53、p(z(i))＝n(0,1)    (11)

54、这种多元正态分布通过识别模型进行概率描述编码器从给定的海上风电数据集中提取平均向量和方差向量编码过程通过最大化对数似然函数来估计具有未知参数的潜在变量，如下式：

55、

56、在变分自编码器(variational auto-encoder，vae)中，近似值的kullback-leibler(kl)散度计算观测到的海上风电数据点的边际可能性，以进行变分推断；kullback-leibler散度利用和验证的后验表示第i个数据点的边际似然的变分推断的下限；如果kullback-leibler散度为非负，则在将最大边际似然问题转换为最大化下界后，得出最小化的损失函数如下式：

57、

58、式中，kl(.||.)为2个分布的kl距离，e代表期望值；vae模型由4个卷积滤波层组成，具有64个节点，使用正则化技术以解决vae模型训练中消失的梯度和过拟合问题，对于正则化，在编码器和解码器的每一层中，有25％的节点被批量归一化丢弃；

59、步骤4.2：根据步骤4.1的生成式模型，将考虑转子风速的尾流模型模拟出的风功率和遥感数据融合得到的风估计功率两类功率输入分别进行编码、采样和解码，将双层的输出结果自适应加权，得到最终的预测结果；

60、步骤4.3：引入核密度估计来对其预测功率数据与实际数据的概率密度函数进行计算，如下式所示；

61、

62、式中，x和y分别对应预测功率与实际功率数据时间序列，n代表样本数量，xi与yi导尿数据点，k是核函数，通常使用高斯核函数，h代表带宽参数。

63、进一步地，所述步骤5中，潜力评估利用到预测发电量和实际发电量，该过程如下式所示：

64、

65、式中，epotential代表未来潜在发电量，cf为容量因子，pforecast为超短期预测功率数据，eactual代表实际发电量，emax代表理论最大发电量，cele代表电价，y代表运营年限，ctotal代表总投资成本。

66、采用上述技术方案所产生的有益效果在于：本发明提供的基于遥感观测的生成式海上风电功率超短期预测方法，风功率模拟计算针对高频涡轮机数据，在标称运行期间应用时，该算法利用螺距和转速数据以及涡轮机位置的风向清楚地提供了实时风电场功率数据，然后可以将其作为模型的第一层输入。可用计算成本低廉且稳健的尾流模型速度足够快，能够估计实时发电量，在获取长期统计信息中占有很大优势，并针对10分钟平均数据进行调整，可以满足电网实时运行中的数据收集与预测；遥感数据融合估计针对不同类型的负载，遥感仪器可以安装在涡轮机的机舱上，能够在逆风或顺风配置下进行扫描，通过这种方式，不仅可以研究自由大气风，还可以研究涡轮机或风电场引起的尾流。采用生成式概率建模预测的方法，将多模态数据结合，实现了风电功率的精确超短期预测，通过对发电潜力进行高可靠性的定量评估为电力能源系统规划奠定了基础。