CN117117858B - 一种风电机组功率预测方法、装置及存储介质 - Google Patents

Abstract

本发明涉及风机机组功率预测技术领域，尤其是指一种风电机组功率预测方法、装置、设备及计算机存储介质。本发明所述的风电机组功率预测方法，将参数方法中的区间划分与非参数方法中的梯度提升回归树结合，将每一个风速区内的数据作为梯度提升回归树的训练集输入，以得到每一个风速区的参考功率，用于拟合功率曲线；本发明还用k近邻加权平均对梯度提升回归树进行改进，以提高离预测样本越近的样本的贡献值，使预测的效果更加精确。

Description

一种风电机组功率预测方法、装置及存储介质

技术领域

本发明涉及风机机组功率预测技术领域，尤其是指一种风电机组功率预测方法、装置、设备及计算机存储介质。

背景技术

在传统化石能源资源匮乏和污染严重的现代社会，风能作为一种无污染、可再生的新能源而广泛为大众所青睐，风电产业也由此成为国内外大力发展的新型可再生能源产业之一。在我国，近十年来有关风电场的建设与相关研究工作无论是从数量上还是质量上来说都有着显著的提升，但在大力发展风力发电行业的同时，也伴随着风机自身的不断退化所导致的一系列负面因素。现今风力发电机在使用的过程中，由于风速具有间歇性与高度不确定性的特点，对风力发电机本身的性能评估造成了较大的影响，而正确对风力发电机的性能与健康状况进行评估与诊断则是风力发电运维方面合理规划的重要之处。

风电场实际运行中受到环境、机组状态、运营方式、电网调度等多方面影响，无法在各个时段都保持较高的效能水平，造成发电量损失。风电机组功率曲线建模是用于预测风机功率的，是进行风电场发电效能评价、寻找效能提升途径的必要环节。风电机组功率曲线建模方法分为参数方法和非参数方法。 参数方法主要包括分段平均法（IEC）、分段线性模型方法、多项式拟合、多参数 logistic 函数回归等； 非参数方法主要包括模糊逻辑回归、神经网络、K 最近邻方法等;然而常规的参数方法对于功率估计值都不够准确，且受离群点影响程度较大，而非参数方法需要进行大量的迭代计算，因此，在大规模的数据下，建模需要消耗大量的时间。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中功率预测精度较低的问题。

为解决上述技术问题，本发明提供了一种风电机组功率预测方法，包括：

获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分；

将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率；

利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线；

根据所述风电机组功率曲线对风电机组功率进行预测。

优选地，所述获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分包括：

获取风电场风机状态数据集合，其中，第i时刻风机状态/>，/>表示风速，/>表示有功功率，/>表示环境气压，/>表示环境温度；

初始化风速区集合，其中，风速区个数，/>和/>分别为风电场风机的切入风速和切出风速，第k个风速区，/>表示第k个风速区内包含的风机状态数据集合，/>表示第k个风速区的中心风速,/>表示第k个风速区的参考功率；

遍历所述风电场风机状态数据集合，根据第i时刻风机状态/>的风速计算风速区间号/>，并将第i时刻风机状态/>加入到第k个风速区/>的风机状态数据集合/>中。

优选地，所述获取风电场风机状态数据集合后还包括:

将所述有功功率修正为标准大气压和标准环境温度下的功率值/>：

其中，为空气密度，/>为大气压强，/>为环境温度，/>表示标准大气压强，/>表示标准环境温度。

优选地，所述梯度提升回归树为利用k近邻加权平均改进后的梯度提升回归树。

优选地，所述将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率包括：

步骤a:将第t个风速区的风速作为训练集相关变量/>，有功功率/>作为训练集目标变量/>，得到训练集，并初始化弱学习器；

步骤b:计算当前回归树模型残差；

步骤c:将所述残差作为训练集目标变量得到新的训练集，并利用cart算法拟合得到第m棵回归树；

步骤d:计算所述第m棵回归树的叶节点区域上所有训练样本与样本均值之间的距离；

步骤e:筛选出所述距离最小的K个训练样本，并计算所述K个训练样本各自的权重；

步骤f:计算第m棵回归树叶子节点的预测值，并更新强学习器；

步骤g:当当前训练次数不小于最大训练次数时，得到最终的回归树；

步骤h:计算当前风速区的中心风速/>，并输入所述最终的回归树，得到当前风速区的参考功率。

优选地，所述计算当前风速区的中心风速/>，并输入所述最终的回归树，得到当前风速区的参考功率后还包括：

更新风速-功率计数器t=t+1；

当时，跳转到所述步骤a。

优选地，所述利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线包括：

将所述风速区集合中第k个风速区/>的中心风速/>作为横坐标，参考功率/>作为纵坐标，利用最小二乘法进行功率曲线拟合，得到所述风电机组功率曲线。

本发明还提供了一种风电机组功率预测装置，包括：

数据集划分模块，用于获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分；

参考功率计算模块，用于将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率；

功率曲线拟合模块，用于利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线；

功率预测模块，用于根据所述风电机组功率曲线对风电机组功率进行预测。

本发明还提供了一种风电机组功率预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述一种风电机组功率预测方法步骤。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种风电机组功率预测方法的步骤。

本发明的上述技术方案相比现有技术具有以下优点：

本发明所述的风电机组功率预测方法，将参数方法中的区间划分与非参数方法中的梯度提升回归树结合，将每一个风速区内的数据作为梯度提升回归树的训练集输入，以得到每一个风速区的参考功率，用于拟合功率曲线；本发明还用k近邻加权平均对梯度提升回归树进行改进，以提高离预测样本越近的样本的贡献值，使预测的效果更加精确。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1为本发明所提供的一种风电机组功率预测方法的实现流程图；

图2为本发明一种实施例提供的风电机组功率预测实现流程图。

具体实施方式

本发明的核心是提供一种风电机组功率预测方法、装置、设备及计算机存储介质，有效提高了功率预测的精确度。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的主要目的是提高风机机组功率预测的准确性。基于区间划分的方法是将风速划分为不同的风速区间，在不同风速区间内通过一定的手段得到一个功率的估计值。在常规的功率曲线建模方法中，分段均值法（IEC）、最大概率点法、分段线性模型都属于这一类方法，但这些方法对于功率估计值都不够准确，且受离群点影响程度较大。使用本发明提出的方法进行功率预测，将区间划分与机器学习方法相结合，以提高功率预测的精准性。

本发明提出一种基于改进梯度提升回归树的风电机组功率预测方法，该方法的主体思路是：获取风电场风机数据集集合后，将功率修正为标准大气压和标准环境温度下的功率，并且按照风速区将数据集分区，对于每一个风速区的风电数据，使用改进的梯度提升回归树得到一个回归树函数，并将风速区的中心风速输入进去以得到一个参考功率，在得到若干风速区的参考功率后，利用最小二乘法将这些点拟合以得到一个功率曲线，以用于风电机组的功率预测：

请参考图 1，图1为本发明所提供的一种风电机组功率预测方法的实现流程图；具体操作步骤如下：

S101:获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分；

S102:将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率；

S103:利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线；

S104:根据所述风电机组功率曲线对风电机组功率进行预测。

基于以上实施例，本实施例对步骤S101进行详细说明：

获取风电场风机状态数据集合，其中，第i时刻风机状态/>，/>表示风速，/>表示有功功率，/>表示环境气压，/>表示环境温度；

初始化风速区集合，其中，风速区个数，/>和/>分别为风电场风机的切入风速和切出风速，第k个风速区，/>表示第k个风速区内包含的风机状态数据集合，初始化为空，/>表示第k个风速区的中心风速,/>表示第k个风速区的参考功率（初始为0），初始风速功率计数器t=1；

遍历所述风电场风机状态数据集合，根据第i时刻风机状态/>的风速计算风速区间号/>，并将第i时刻风机状态/>加入到第k个风速区/>的风机状态数据集合/>中。

基于以上实施例，所述获取风电场风机状态数据集合后还包括:

将所述有功功率修正为标准大气压和标准环境温度下的功率值/>：

其中，为空气密度，/>为大气压强，/>为环境温度，/>表示标准大气压强，为101.325kPa，/>表示标准环境温度，为20℃。

基于以上实施例，本实施例对步骤S102进行详细说明：

所述梯度提升回归树为利用k近邻加权平均改进后的梯度提升回归树。

所述将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率包括：

步骤a:将第t个风速区的风速作为训练集相关变量/>，有功功率/>作为训练集目标变量/>，得到训练集，并初始化弱学习器；

从风速区集合中选取第t个风速区/>中风电数据集/>的风速/>作为训练集相关变量/>，修正后的功率值为/>作为训练集目标变量/>，得到输入训练集/>，训练数据集样本个数N，最大训练次数为M，损失函数L。并依下列公式计算初始化弱学习器/>。

步骤b:计算当前回归树模型残差/>,其中m=1,2,……,M，i=1,2,……N。

步骤c:将所述残差作为训练集目标变量得到新的训练集，并利用cart算法拟合得到第m棵回归树/>；

步骤d:计算所述第m棵回归树的叶节点区域上所有训练样本与样本均值/>之间的距离:

其中j=1,2,……，J，J为回归树m的叶子节点的个数,S为上的样本数；

步骤e:筛选出所述距离最小的K个训练样本，并计算所述K个训练样本各自的权重:

找出距离最小的K个训练样本，记这K个训练样本的输出变量值为,它们与样本均值/>的距离为/>,每个训练样本的权重分别为/>,权重/>根据下列公式计算得到：

步骤f:计算第m棵回归树叶子节点的预测值，并更新强学习器:

步骤g:当当前训练次数不小于最大训练次数时，得到最终的回归树：

判断当前训练次数m是否小于最大训练次数M，若小于，则m=m+1,跳转到步骤a，否则，继续执行。

步骤h:计算当前风速区的中心风速/>，并输入所述最终的回归树/>，得到当前风速区的参考功率/>=/>：

基于以上实施例，所述计算当前风速区的中心风速/>，并输入所述最终的回归树，得到当前风速区的参考功率后还包括：

更新风速-功率计数器t=t+1；

当时，跳转到所述步骤a。

基于以上实施例，本实施例对步骤S103进行详细说明：

将风速区集合中的/>的中心风速/>作为横坐标，参考功率/>作为纵坐标，利用最小二乘法进行功率曲线拟合，最终得到风电机组功率曲线，用于预测风电机组功率预测。

步骤a采用了风速分区与梯度提升回归树相结合的方法，将每一个风速区内的数据作为梯度提升回归树的训练集输入，以得到每一个风速区的参考功率，用于拟合功率曲线，在相关工作同类文献中文件，具有独创性。

步骤d,e,f,h改进了梯度提升回归树算法，引入了k近邻加权平均的方法，以替代简单平均，计算叶节点上训练样本与预测样本的距离，选出最小的k的预测样本，并计算预测样本的权值，提高距离预测样本近的训练样本的对预测风速区参考功率的贡献值，在相关工作同类文献中文件，具有独创性。

本发明提出了一直基于改进梯度提升回归树的预测方法，目前主流的风电机组功率曲线建模方法分为区间划分，多项式拟合等的参数方法和机器学***均对梯度提升回归树进行改进，以提高离预测样本越近的样本的贡献值，使预测的效果更加接近。

对于大部分风电的预测方法而言，主要需要考虑的点有：对数据集的筛选优化和提高建模的效率和精度。本发明在考虑这两点的同时与其他的预测方法有本质区别。主要区别如下：

1.将参数方法中的比恩法与非参数方法中的梯度提升回归树结合，常规的参数方法对于功率估计值都不够准确，且受离群点影响程度较大，而非参数方法需要进行大量的迭代计算，因此，在大规模的数据下，建模需要消耗大量的时间。而本发明将参数方法与非参数方法结合，兼顾风电功率曲线建模的效率和建模精度；

2.使用k近邻加权平均对梯度提升回归树进行改进，以提高离预测样本越近的样本的贡献值，使预测的效果更加接近，进一步降低离群点的影响，以提高预测的精度。

请参考图2，图2为本发明一种实施例提供的风电机组功率预测实现流程图。

本发明实施例还提供了一种风电机组功率预测装置；具体装置可以包括：

数据集划分模块100，用于获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分；

参考功率计算模块200，用于将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率；

功率曲线拟合模块300，用于利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线；

功率预测模块400，用于根据所述风电机组功率曲线对风电机组功率进行预测。

本实施例的风电机组功率预测装置用于实现前述的风电机组功率预测方法，因此风电机组功率预测装置中的具体实施方式可见前文风电机组功率预测方法的实施例部分，例如，数据集划分模块100，参考功率计算模块200功率曲线拟合模块300，功率预测模块400，分别用于实现上述风电机组功率预测方法中步骤S101，S102，S103，S104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。

本发明具体实施例还提供了一种风电机组功率预测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种风电机组功率预测方法的步骤。

本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种风电机组功率预测方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（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。

本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种风电机组功率预测方法，其特征在于，包括：

获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分；

将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率；

利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线；

根据所述风电机组功率曲线对风电机组功率进行预测；

其中，所述按照风速区对所述风电场风机状态数据集合进行划分，包括：

获取风电场风机状态数据集合；

初始化风速区集合；

遍历所述风电场风机状态数据集合，根据第i时刻风机状态的风速计算风速区间号，并将第i时刻风机状态加入到第k个风速区的风机状态数据集合中；

所述将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率，包括：

将第t个风速区的风速作为训练集相关变量/>，有功功率/>作为训练集目标变量/>，得到训练集，并初始化弱学习器；

计算当前回归树模型残差；

将所述残差作为训练集目标变量得到新的训练集，并利用cart算法拟合得到第m棵回归树；

计算所述第m棵回归树的叶节点区域上所有训练样本与样本均值之间的距离；

筛选出所述距离最小的K个训练样本，并计算所述K个训练样本各自的权重；

计算第m棵回归树叶子节点的预测值，并更新强学习器；

当当前训练次数不小于最大训练次数时，得到最终的回归树；

计算当前风速区的中心风速/>，并输入所述最终的回归树，得到当前风速区的参考功率。

2.根据权利要求1所述的风电机组功率预测方法，其特征在于，所述获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分包括：

所述风电场风机状态数据集合为，其中，所述第i时刻风机状态为/>，/>表示风速，/>表示有功功率，/>表示环境气压，/>表示环境温度；

所述初始化风速区集合为，其中，风速区个数，/>和/>分别为风电场风机的切入风速和切出风速，第k个风速区/>，/>表示第k个风速区内包含的风机状态数据集合，表示所述第k个风速区的中心风速, />表示所述第k个风速区的参考功率；

所述第i时刻风机状态的风速为/>，所述风速区间号为/>。

3.根据权利要求2所述的风电机组功率预测方法，其特征在于，所述获取风电场风机状态数据集合后还包括:

将所述有功功率修正为标准大气压和标准环境温度下的功率值/>：

其中，为空气密度，/>为大气压强，/>为环境温度，/>表示标准大气压强，/>表示标准环境温度。

4.根据权利要求2所述的风电机组功率预测方法，其特征在于，所述梯度提升回归树为利用k近邻加权平均改进后的梯度提升回归树。

5.根据权利要求1所述的风电机组功率预测方法，其特征在于，所述计算当前风速区的中心风速/>，并输入所述最终的回归树，得到当前风速区的参考功率后还包括：

更新风速-功率计数器；

当时，跳转到所述步骤a。

6.根据权利要求2所述的风电机组功率预测方法，其特征在于，所述利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线包括：

将所述风速区集合中第k个风速区/>的中心风速/>作为横坐标，参考功率/>作为纵坐标，利用最小二乘法进行功率曲线拟合，得到所述风电机组功率曲线。

7.一种风电机组功率预测装置，其特征在于，包括：

数据集划分模块，用于获取风电场风机状态数据集合，并按照风速区对所述风电场风机状态数据集合进行划分；

参考功率计算模块，用于将每一个风速区内的数据作为梯度提升回归树的训练输入，得到每一个风速区的参考功率；

功率曲线拟合模块，用于利用最小二乘法将多个风速区的参考功率拟合，得到风电机组功率曲线；

功率预测模块，用于根据所述风电机组功率曲线对风电机组功率进行预测；

其中，所述数据集划分模块还用于：获取风电场风机状态数据集合，初始化风速区集合，遍历所述风电场风机状态数据集合，根据第i时刻风机状态的风速计算风速区间号，并将第i时刻风机状态加入到第k个风速区的风机状态数据集合中；

所述参考功率计算模块还用于：将第t个风速区的风速作为训练集相关变量/>，有功功率/>作为训练集目标变量/>，得到训练集，并初始化弱学习器，计算当前回归树模型残差，将所述残差作为训练集目标变量得到新的训练集，并利用cart算法拟合得到第m棵回归树，计算所述第m棵回归树的叶节点区域/>上所有训练样本与样本均值之间的距离，筛选出所述距离最小的K个训练样本，并计算所述K个训练样本各自的权重，计算第m棵回归树叶子节点的预测值，并更新强学习器，当当前训练次数不小于最大训练次数时，得到最终的回归树，计算当前风速区/>的中心风速/>，并输入所述最终的回归树，得到当前风速区的参考功率。

8.一种风电机组功率预测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述一种风电机组功率预测方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种风电机组功率预测方法的步骤。