CN118013300B - 一种用于风电机组的短期风电功率预测方法及*** - Google Patents
一种用于风电机组的短期风电功率预测方法及*** Download PDFInfo
- Publication number
- CN118013300B CN118013300B CN202410411707.5A CN202410411707A CN118013300B CN 118013300 B CN118013300 B CN 118013300B CN 202410411707 A CN202410411707 A CN 202410411707A CN 118013300 B CN118013300 B CN 118013300B
- Authority
- CN
- China
- Prior art keywords
- wind power
- wind
- data
- wind turbine
- change rule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 238000009499 grossing Methods 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 11
- 238000004138 cluster model Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种用于风电机组的短期风电功率预测方法及***，具体涉及风电功率预测技术领域，该方法包括以下步骤：利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并分别实施降维操作得到基础数据；采集风电机组在预设范围内的地形特征与风电机组的结构参数结合搭建风场模型判断风电功率的变化规律；基于变化规律分析气象数据及风电功率之间的关联性搭建趋势分析器预测未来预设时段的风电功率；根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值。本发明能够理解风电场的物理环境和机组特性，为后续的功率预测奠定了基础。
Description
技术领域
本发明涉及风电功率预测技术领域，尤其涉及一种用于风电机组的短期风电功率预测方法及***。
背景技术
风电机组是将风能转换为电能的设备，通常由风轮（叶片）、发电机、塔架和控制***等部分组成，其工作原理是风轮在风力作用下旋转，通过与发电机相连的传动***（可能包括变速箱等）转动发电机产生电力。而风电功率是指风力发电机组在特定风速下能够产生的电力量，通常以千瓦或兆瓦为单位衡量，风电功率受多种因素影响，主要包括风速、风轮直径、空气密度、叶片设计及发电机和变速箱的效率等。
而风电机组在使用时为了保证使用的稳定性，提高风电利用率，对其短期内的风电功率进行预测是极其重要的，风能作为一种间歇性和不稳定的能源，其产出受到多种因素的影响，变化较为剧烈。风电功率预测可以帮助电网运营者理解未来几小时到几天内风电的供电情况，从而做出合理的电网调度和管理决策，保证电网的稳定性和可靠性。
但是现有风电功率预测方法在进行预测工作时并未将风速、风向及温度等气象数据添加至考虑范围内，而风向变化影响风力发电机对风的捕捉效率，从而影响功率输出，同时温度变化会影响空气密度，进而影响风能的可利用性，若在进行风电功率预测时不考虑气象数据则可能会出现预测结果波动较大的问题，导致预测结果不准确。
发明内容
（一）解决的技术问题
本发明为了解决上述问题，提出了一种用于风电机组的短期风电功率预测方法及***，实现更好地预测风电功率的短期趋势的目的。
（二）技术方案
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供了一种风电机组的短期风电功率预测方法，该用于风电机组的短期风电功率预测方法包括以下步骤：
S1、利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据，气象数据包括风速、风向及温度；
S2、利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律；
S3、基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率；
S4、根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值。
优选的，利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律包括以下步骤：
S21、根据风电厂的安装位置预设遥感数据采集的地理范围，选取激光雷达技术作为获取手段采集预设地理范围内的地形图像；
S22、运用遥感图像处理工具对地形图像实施地形特征提取操作，并根据风电厂的安装信息获取风电叶片信息、塔架信息及风电机组在风电厂中的布局得到风电机组的结构参数，地形特征包括高度、坡度及朝向；
S23、利用建模软件结合风电机组的结构参数建立包含叶片、塔架、风电机组布局的几何平台，并将地形特征作为影响因素输入至几何平台内完成风场模型的构建；
S24、从基础数据中提取幅值、基准值与波动值，并运用预设的聚类模型对波动值进行聚类分析确定序列集合，将序列集合与风场模型结合判断风电功率的变化规律。
优选的，利用建模软件结合风电机组的结构参数建立包含叶片、塔架、风电机组布局的几何平台，并将地形特征作为影响因素输入至几何平台内完成风场模型的构建包括以下步骤：
S231、通过物联网技术收集包含风电叶片长度、形状、塔架高度及形状的风电机组结构参数，并基于风电机组结构参数选取建模软件建立叶片与塔架的三维模型；
S232、根据风电机组的实际位置获取分布布局，并在三维模型内引入布局排列风电机组生成风电机组的几何平台；
S233、将地形特征作为影响因素导入至建模软件内与几何平台进行整合生成风场模型。
优选的，从基础数据中提取幅值、基准值与波动值，并运用预设的聚类模型对波动值进行聚类分析确定序列集合，将序列集合与风场模型结合判断风电功率的变化规律包括以下步骤：
S241、按照时间段将基础数据内的风速、风向、温度及对应的风电功率数据进行分组获取幅值，并选取分组内风电功率最大的时段作为时段基准；
S242、对时段基准内的风速、风向、温度及对应的风电功率数据进行幅值归一化处理，并采用经验模态分解法对归一化处理后的数据进行解析得到基准值；
S243、将幅值结果与基准值进行相减获取波动值，并运用预设的聚类模型对波动值进行聚类分析获取时段序列间的相似性矩阵；
S244、将相似性矩阵转换生成加权邻接矩阵构建顶点度数矩阵，并基于顶点度数矩阵确定特征向量组成集合，运用聚类算法对集合进行聚类分析生成聚类序列集合；
S245、基于聚类序列对风电功率数据实施标签化得到功率序列，设定功率序列作为输入拟合构建外层模型，并将外层模型与风场模型结合生成判断平台判断风电功率的变化规律。
优选的，波动值的计算公式为：
；
式中，L表示波动值；P i （t）表示第i个时段基准的风电功率；A i 表示第i个时段基准的风电功率幅值；P i,fix （t）表示第i个时段基准的光伏功率的基准值。
优选的，基于聚类序列对风电功率数据实施标签化得到功率序列，设定功率序列作为输入拟合构建外层模型，并将外层模型与风场模型合并生成判断平台判断风电功率的变化规律包括以下步骤：
S2451、根据聚类结果为风电功率数据分配标签设定风电功率数据所属的功率模式类别，并将连续的数据转换为功率序列；
S2452、运用同一标签下的风电功率数据拟合对应气象状态的类型参数，以气象状态为输入拟合基于气象变化的外层参数，并结合类型参数与外层参数构建外层模型；
S2453、将外层模型与风场模型合并组合生成判断平台，制定气象数值为模拟输入值输入至外层模型，并根据气象数值在风场模型内设定相应的机组运行条件；
S2454、运行判断平台开始基于气象数值与运行条件下的模拟计算，并获取输出数据得到风电功率序列，判断风电功率序列随温度、风速、风向变化的规律。
优选的，基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率包括以下步骤：
S31、基于关联性分析算法对变化规律进行属性规约，并设置最小支持度和最小置信度挖掘变化规律、气象数据及风电功率之间的关联性得到关联性结果；
S32、基于变化规律对风电功率进行趋势分解操作获取时序数据，利用时序指数平滑算法计算时序数据构建分析器，并将关联性分析结果与趋势分析器集成连接得到趋势分析器；
S33、利用云计算技术获取历史气象数据输入至趋势分析器内得到风电功率预测结果，并将风电功率预测结果与历史风电功率进行比对判断趋势分析器的输出准确率；
S34、若准确率低于预设值，则返回至步骤S31至步骤S34重新获取趋势分析器，若准确率高于预设值，则将趋势分析器作为最终输出预测未来预设时段的风电功率。
优选的，基于关联性分析算法对变化规律进行属性规约，并设置最小支持度和最小置信度挖掘变化规律、气象数据及风电功率之间的关联性得到关联性结果包括以下步骤：
S311、利用关联性分析算法对变化规律进行分析判断频繁项集，并基于频繁项集选取以变化规律最大为前提的候选属性；
S312、对候选属性进行属性规约操作，并通过关联性分析算法设置最小支持度和最小置信度从候选属性中挖掘关联规则；
S313、将气象数据与风电数据作为建模数据采用关联性分析算法设置模型输入参数建立关联规则模型获取气象数据、风电功率之间的关系；
S314、判断获取到的关系结果是否符合关联规则，若关系结果符合关联规则，则将关系结果作为关联性结果，若关系结果不符合关联规则，则重复步骤S313。
优选的，基于变化规律对风电功率进行趋势分解操作获取时序数据，利用时序指数平滑算法计算时序数据构建分析器，并将关联性分析结果与趋势分析器集成连接得到趋势分析器包括以下步骤：
S321、使用趋势分解方式将风电功率分解成趋势成分作为时序数据构建初步分析器，将时序数据作为依据样本；
S322、利用时序指数平滑算法在初步分析器内对依据样本进行平滑处理求解预测值，并判断预测值的相对误差、误差平方及均方差；
S323、在预测值的基础上再次利用时序指数平滑算法进行二次平滑处理求解得到二次预测值，并判断二次预测值的相对误差、误差平方及均方差；
S324、在二次预测值的基础上再次利用时序指数平滑算法进行三次平滑处理求解得到三次预测值，并判断三次预测值的相对误差、误差平方及均方差；
S325、选取三次平滑处理中最小均方差、误差平方和误差值对应的预测值作为分析器的输出结果，并将关联性分析结果集成至分析器内得到趋势分析器。
第二方面，本发明还提供了一种用于风电机组的短期风电功率预测***，该用于风电机组的短期风电功率预测***包括基础数据获取模块、变化规律判断模块、趋势分析器搭建模块及风电功率预测模块；
其中，基础数据获取模块、变化规律判断模块、趋势分析器搭建模块及风电功率预测模块之间依次连接；
基础数据获取模块，用于利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据，气象数据包括风速、风向及温度；
变化规律判断模块，用于利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律；
趋势分析器搭建模块，用于基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率；
风电功率预测模块，用于根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值。
（三）有益效果
本发明的有益效果如下：
1、本发明利用遥感技术采集地形特征并结合风电机组结构参数搭建的风场模型反映实际风场的物理特性，实现理解风场内气象数据的分布和变化规律的目的，使得能够准确捕捉到风电功率变化的内在规律，为风电功率预测提供了科学依据，同时通过分析气象数据与风电功率之间的关系建立趋势分析器预测短期内风电功率，从而能够通过多层次、多角度的数据处理和分析，提高了风电功率预测的准确性和实用性，更好地预测风电功率的短期趋势。
2、本发明通过提取风电厂内的地形特征并结合风电机组的结构参数，运用气象数据与建模软件创建风场模型使得能够精确模拟实际风场内的风流动态，为风电功率变化规律的分析提供了可靠基础，使得能够全面地理解风电场的物理环境和机组特性，为后续的功率预测奠定了基础。
3、本发明通过分析气象数据及风电功率之间的关联性，并基于此关联性与时序指数平滑算法构建趋势分析器，以预测风电功率，且设置最小支持度和最小置信度能够精确地挖掘出风电功率与气象数据之间的强关联性规则，有助于理解影响风电功率变化的关键气象因素，并通过利用趋势分解操作获取的时序数据，再结合时序指数平滑算法，构建出能够准确捕捉风电功率变化趋势的分析器，进而考虑了气象数据与风电功率之间的关联性，增强了预测的准确性和可靠性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是根据本发明实施例的一种用于风电机组的短期风电功率预测方法流程图；
图2是根据本发明实施例的一种用于风电机组的短期风电功率预测***原理框图。
图中：
1、基础数据获取模块；2、变化规律判断模块；3、趋势分析器搭建模块；4、风电功率预测模块。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
请参阅图1，本发明提供了一种风电机组的短期风电功率预测方法，该用于风电机组的短期风电功率预测方法包括以下步骤：
S1、利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据，其中，气象数据包括风速、风向及温度。
在本实施例中，利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据包括以下步骤：
利用云计算技术从相关数据源中获取风电机组预设时间段内的风电功率和气象数据，并对数据进行清洗和预处理，包括去除异常值、填补缺失值处理。
对风电功率数据进行主成分分析以降低数据的维度并提取数据中的主要特征，同样地，对气象数据也进行主成分分析以实现数据的降维和特征提取。
根据主成分分析的结果，选择保留的主成分数量，将原始的风电功率和气象数据进行降维操作，得到基础数据集。
S2、利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律。
在本实施例中，利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律包括以下步骤：
S21、根据风电厂的安装位置预设遥感数据采集的地理范围，选取激光雷达技术作为获取手段采集预设地理范围内的地形图像。
具体的，根据风电厂的安装位置预设遥感数据采集的地理范围，选取激光雷达技术作为获取手段采集预设地理范围内的地形图像通常包括以下步骤：
根据风电厂的安装位置和需要采集的地理范围，确定需要进行遥感数据采集的具体区域范围，准备激光雷达遥感设备，包括激光雷达仪器、GPS定位***等设备，并确保设备状态良好和数据采集参数设置正确。
利用激光雷达技术对预设地理范围内的地形进行数据采集，通过激光雷达设备发射激光束，测量地面各点的距离和高度信息，从而获取地形的三维点云数，对采集到的激光雷达数据进行后期处理，包括数据清洗、去噪、配准等操作，以提高数据质量和准确性。
将激光雷达数据与GPS定位数据进行配准，确保数据的空间位置和几何关系准确匹配，基于处理后的激光雷达数据，生成预设地理范围内的地形图像，对生成的地形图像进行验证和质量控制，检查数据的完整性、准确性和一致性。
S22、运用遥感图像处理工具对地形图像实施地形特征提取操作，并根据风电厂的安装信息获取风电叶片信息、塔架信息及风电机组在风电厂中的布局得到风电机组的结构参数，地形特征包括高度、坡度及朝向。
具体的，运用遥感图像处理工具对地形图像实施地形特征提取操作，并根据风电厂的安装信息获取风电叶片信息、塔架信息及风电机组在风电厂中的布局得到风电机组的结构参数包括以下步骤：
对获取的地形图像进行预处理，包括去除噪声、增强对比度、影像配准等操作，以准备进行地形特征提取，利用遥感图像处理工具，对地形图像进行特征提取，包括地势高程、地形轮廓、地表覆盖类型等地形特征的提取和分析。
根据风电厂的安装信息和地形图像，识别并获取风电叶片的位置、数量、尺寸等相关信息，可以利用图像识别技术、人工智能算法等方法对地形图像进行分析和处理，以获取风电叶片的具体信息，同样地根据地形图像和安装信息，识别并获取风电塔架的位置、高度、类型等相关信息，基于地形图像和获取的风电叶片、塔架信息，对风电机组在风电厂中的布局进行分析和评估。
S23、利用建模软件结合风电机组的结构参数建立包含叶片、塔架、风电机组布局的几何平台，并将地形特征作为影响因素输入至几何平台内完成风场模型的构建。
具体的，利用建模软件结合风电机组的结构参数建立包含叶片、塔架、风电机组布局的几何平台，并将地形特征作为影响因素输入至几何平台内完成风场模型的构建包括以下步骤：
S231、通过物联网技术收集包含风电叶片长度、形状、塔架高度及形状的风电机组结构参数，并基于风电机组结构参数选取建模软件建立叶片与塔架的三维模型；
S232、根据风电机组的实际位置获取分布布局，并在三维模型内引入布局排列风电机组生成风电机组的几何平台；
S233、将地形特征作为影响因素导入至建模软件内与几何平台进行整合生成风场模型。
S24、从基础数据中提取幅值、基准值与波动值，并运用预设的聚类模型对波动值进行聚类分析确定序列集合，将序列集合与风场模型结合判断风电功率的变化规律。
具体的，从基础数据中提取幅值、基准值与波动值，并运用预设的聚类模型对波动值进行聚类分析确定序列集合，将序列集合与风场模型结合判断风电功率的变化规律包括以下步骤：
S241、按照时间段将基础数据内的风速、风向、温度及对应的风电功率数据进行分组获取幅值，并选取分组内风电功率最大的时段作为时段基准；
S242、对时段基准内的风速、风向、温度及对应的风电功率数据进行幅值归一化处理，并采用经验模态分解法对归一化处理后的数据进行解析得到基准值；
S243、将幅值结果与基准值进行相减获取波动值，并运用预设的聚类模型对波动值进行聚类分析获取时段序列间的相似性矩阵；
其中，波动值的计算公式为：
；
式中，L表示波动值；P i （t）表示第i个时段基准的风电功率；A i 表示第i个时段基准的风电功率幅值；P i,fix （t）表示第i个时段基准的光伏功率的基准值。
S244、将相似性矩阵转换生成加权邻接矩阵构建顶点度数矩阵，并基于顶点度数矩阵确定特征向量组成集合，运用聚类算法对集合进行聚类分析生成聚类序列集合；
S245、基于聚类序列对风电功率数据实施标签化得到功率序列，设定功率序列作为输入拟合构建外层模型，并将外层模型与风场模型结合生成判断平台判断风电功率的变化规律。
其中，基于聚类序列对风电功率数据实施标签化得到功率序列，设定功率序列作为输入拟合构建外层模型，并将外层模型与风场模型合并生成判断平台判断风电功率的变化规律包括以下步骤：
S2451、根据聚类结果为风电功率数据分配标签设定风电功率数据所属的功率模式类别，并将连续的数据转换为功率序列；
S2452、运用同一标签下的风电功率数据拟合对应气象状态的类型参数，以气象状态为输入拟合基于气象变化的外层参数，并结合类型参数与外层参数构建外层模型；
S2453、将外层模型与风场模型合并组合生成判断平台，制定气象数值为模拟输入值输入至外层模型，并根据气象数值在风场模型内设定相应的机组运行条件；
S2454、运行判断平台开始基于气象数值与运行条件下的模拟计算，并获取输出数据得到风电功率序列，判断风电功率序列随温度、风速、风向变化的规律。
因此，通过提取风电厂内的地形特征并结合风电机组的结构参数，运用气象数据与建模软件创建风场模型使得能够精确模拟实际风场内的风流动态，为风电功率变化规律的分析提供了可靠基础，使得能够全面地理解风电场的物理环境和机组特性，为后续的功率预测奠定了基础。
S3、基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率。
在本实施例中，基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率包括以下步骤：
S31、基于关联性分析算法对变化规律进行属性规约，并设置最小支持度和最小置信度挖掘变化规律、气象数据及风电功率之间的关联性得到关联性结果。
具体的，基于关联性分析算法对变化规律进行属性规约，并设置最小支持度和最小置信度挖掘变化规律、气象数据及风电功率之间的关联性得到关联性结果包括以下步骤：
S311、利用关联性分析算法对变化规律进行分析判断频繁项集，并基于频繁项集选取以变化规律最大为前提的候选属性；
S312、对候选属性进行属性规约操作，并通过关联性分析算法设置最小支持度和最小置信度从候选属性中挖掘关联规则；
S313、将气象数据与风电数据作为建模数据采用关联性分析算法设置模型输入参数建立关联规则模型获取气象数据、风电功率之间的关系；
S314、判断获取到的关系结果是否符合关联规则，若关系结果符合关联规则，则将关系结果作为关联性结果，若关系结果不符合关联规则，则重复步骤S313。
S32、基于变化规律对风电功率进行趋势分解操作获取时序数据，利用时序指数平滑算法计算时序数据构建分析器，并将关联性分析结果与趋势分析器集成连接得到趋势分析器。
具体的，基于变化规律对风电功率进行趋势分解操作获取时序数据，利用时序指数平滑算法计算时序数据构建分析器，并将关联性分析结果与趋势分析器集成连接得到趋势分析器包括以下步骤：
S321、使用趋势分解方式将风电功率分解成趋势成分作为时序数据构建初步分析器，将时序数据作为依据样本；
S322、利用时序指数平滑算法在初步分析器内对依据样本进行平滑处理求解预测值，并判断预测值的相对误差、误差平方及均方差；
S323、在预测值的基础上再次利用时序指数平滑算法进行二次平滑处理求解得到二次预测值，并判断二次预测值的相对误差、误差平方及均方差；
S324、在二次预测值的基础上再次利用时序指数平滑算法进行三次平滑处理求解得到三次预测值，并判断三次预测值的相对误差、误差平方及均方差；
S325、选取三次平滑处理中最小均方差、误差平方和误差值对应的预测值作为分析器的输出结果，并将关联性分析结果集成至分析器内得到趋势分析器。
S33、利用云计算技术获取历史气象数据输入至趋势分析器内得到风电功率预测结果，并将风电功率预测结果与历史风电功率进行比对判断趋势分析器的输出准确率。
具体的，利用云计算技术获取历史气象数据输入至趋势分析器内得到风电功率预测结果，并将风电功率预测结果与历史风电功率进行比对判断趋势分析器的输出准确率包括以下步骤：
利用云计算技术从气象数据源获取历史气象数据，包括风速、风向、温度等数据，并确保数据的完整性和准确性，对获取的历史气象数据进行预处理和清洗，包括去除异常值、填补缺失值等操作，以确保数据质量。
将预处理后的历史气象数据输入趋势分析器中，利用已构建的趋势分析模型对风电功率进行预测，利用趋势分析器对历史气象数据进行分析和处理，生成风电功率的预测结果，并将趋势分析器得到的风电功率预测结果与实际历史风电功率数据进行比对，评估预测结果的准确率。
根据比对结果计算趋势分析器的准确率性能指标，如均方根误差（RMSE）、平均绝对误差（MAE）、相关系数等，以量化分析器的预测能力。
S34、若准确率低于预设值，则返回至步骤S31至步骤S34重新获取趋势分析器，若准确率高于预设值，则将趋势分析器作为最终输出预测未来预设时段的风电功率。
因此，通过分析气象数据及风电功率之间的关联性，并基于此关联性与时序指数平滑算法构建趋势分析器，以预测风电功率，且设置最小支持度和最小置信度能够精确地挖掘出风电功率与气象数据之间的强关联性规则，有助于理解影响风电功率变化的关键气象因素，并通过利用趋势分解操作获取的时序数据，再结合时序指数平滑算法，构建出能够准确捕捉风电功率变化趋势的分析器，进而考虑了气象数据与风电功率之间的关联性，增强了预测的准确性和可靠性。
S4、根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值。
在本实施例中，根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值包括以下步骤：
根据实际需求和预测目标，明确定义预设的采集时长，即需要预测的短期时间范围，例如未来一周或一个月内的气象数据，利用物联网技术，通过各类传感器或气象监测设备实时采集未来时段内的气象数据，包括风速、风向、温度、湿度等参数。
对采集到的未来气象数据进行预处理和清洗，包括去除异常值、校正数据、填补缺失值等操作，以确保数据的质量和可靠性，将经过预处理的未来气象数据输入趋势分析器中，以进行风电功率的预测，利用趋势分析器对未来气象数据进行分析和处理，生成对应时段内的风电功率预测值。
请参阅图2，本发明还提供了一种用于风电机组的短期风电功率预测***，该用于风电机组的短期风电功率预测***包括基础数据获取模块1、变化规律判断模块2、趋势分析器搭建模块3及风电功率预测模块4；
其中，基础数据获取模块1、变化规律判断模块2、趋势分析器搭建模块3及风电功率预测模块4之间依次连接；
基础数据获取模块1，用于利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据，气象数据包括风速、风向及温度；
变化规律判断模块2，用于利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律；
趋势分析器搭建模块，用于基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率；
风电功率预测模块4，用于根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值。
综上所述，借助于本发明的上述技术方案，本发明利用遥感技术采集地形特征并结合风电机组结构参数搭建的风场模型反映实际风场的物理特性，实现理解风场内气象数据的分布和变化规律的目的，使得能够准确捕捉到风电功率变化的内在规律，为风电功率预测提供了科学依据，同时通过分析气象数据与风电功率之间的关系建立趋势分析器预测短期内风电功率，从而能够通过多层次、多角度的数据处理和分析，提高了风电功率预测的准确性和实用性，更好地预测风电功率的短期趋势。本发明通过提取风电厂内的地形特征并结合风电机组的结构参数，运用气象数据与建模软件创建风场模型使得能够精确模拟实际风场内的风流动态，为风电功率变化规律的分析提供了可靠基础，使得能够全面地理解风电场的物理环境和机组特性，为后续的功率预测奠定了基础。本发明通过分析气象数据及风电功率之间的关联性，并基于此关联性与时序指数平滑算法构建趋势分析器，以预测风电功率，且设置最小支持度和最小置信度能够精确地挖掘出风电功率与气象数据之间的强关联性规则，有助于理解影响风电功率变化的关键气象因素，并通过利用趋势分解操作获取的时序数据，再结合时序指数平滑算法，构建出能够准确捕捉风电功率变化趋势的分析器，进而考虑了气象数据与风电功率之间的关联性，增强了预测的准确性和可靠性。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种用于风电机组的短期风电功率预测方法，其特征在于，该用于风电机组的短期风电功率预测方法包括以下步骤：
S1、利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据，所述气象数据包括风速、风向及温度；
S2、利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律；
S3、基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率；
S4、根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值；
所述基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率包括以下步骤：
S31、基于关联性分析算法对变化规律进行属性规约，并设置最小支持度和最小置信度挖掘变化规律、气象数据及风电功率之间的关联性得到关联性结果；
S32、基于变化规律对风电功率进行趋势分解操作获取时序数据，利用时序指数平滑算法计算时序数据构建分析器，并将关联性分析结果与趋势分析器集成连接得到趋势分析器；
S33、利用云计算技术获取历史气象数据输入至趋势分析器内得到风电功率预测结果，并将风电功率预测结果与历史风电功率进行比对判断趋势分析器的输出准确率；
S34、若准确率低于预设值，则返回至步骤S31至步骤S34重新获取趋势分析器，若准确率高于预设值，则将趋势分析器作为最终输出预测未来预设时段的风电功率。
2.根据权利要求1所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律包括以下步骤：
S21、根据风电厂的安装位置预设遥感数据采集的地理范围，选取激光雷达技术作为获取手段采集预设地理范围内的地形图像；
S22、运用遥感图像处理工具对地形图像实施地形特征提取操作，并根据风电厂的安装信息获取风电叶片信息、塔架信息及风电机组在风电厂中的布局得到风电机组的结构参数，所述地形特征包括高度、坡度及朝向；
S23、利用建模软件结合风电机组的结构参数建立包含叶片、塔架、风电机组布局的几何平台，并将地形特征作为影响因素输入至几何平台内完成风场模型的构建；
S24、从基础数据中提取幅值、基准值与波动值，并运用预设的聚类模型对波动值进行聚类分析确定序列集合，将序列集合与风场模型结合判断风电功率的变化规律。
3.根据权利要求2所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述利用建模软件结合风电机组的结构参数建立包含叶片、塔架、风电机组布局的几何平台，并将地形特征作为影响因素输入至几何平台内完成风场模型的构建包括以下步骤：
S231、通过物联网技术收集包含风电叶片长度、形状、塔架高度及形状的风电机组结构参数，并基于风电机组结构参数选取建模软件建立叶片与塔架的三维模型；
S232、根据风电机组的实际位置获取分布布局，并在三维模型内引入布局排列风电机组生成风电机组的几何平台；
S233、将地形特征作为影响因素导入至建模软件内与几何平台进行整合生成风场模型。
4.根据权利要求3所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述从基础数据中提取幅值、基准值与波动值，并运用预设的聚类模型对波动值进行聚类分析确定序列集合，将序列集合与风场模型结合判断风电功率的变化规律包括以下步骤：
S241、按照时间段将基础数据内的风速、风向、温度及对应的风电功率数据进行分组获取幅值，并选取分组内风电功率最大的时段作为时段基准；
S242、对时段基准内的风速、风向、温度及对应的风电功率数据进行幅值归一化处理，并采用经验模态分解法对归一化处理后的数据进行解析得到基准值；
S243、将幅值结果与基准值进行相减获取波动值，并运用预设的聚类模型对波动值进行聚类分析获取时段序列间的相似性矩阵；
S244、将相似性矩阵转换生成加权邻接矩阵构建顶点度数矩阵，并基于顶点度数矩阵确定特征向量组成集合，运用聚类算法对集合进行聚类分析生成聚类序列集合；
S245、基于聚类序列对风电功率数据实施标签化得到功率序列，设定功率序列作为输入拟合构建外层模型，并将外层模型与风场模型结合生成判断平台判断风电功率的变化规律。
5.根据权利要求4所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述波动值的计算公式为：
；
式中，L表示波动值；
P i （t）表示第i个时段基准的风电功率；
A i 表示第i个时段基准的风电功率幅值；
P i,fix （t）表示第i个时段基准的光伏功率的基准值。
6.根据权利要求5所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述基于聚类序列对风电功率数据实施标签化得到功率序列，设定功率序列作为输入拟合构建外层模型，并将外层模型与风场模型合并生成判断平台判断风电功率的变化规律包括以下步骤：
S2451、根据聚类结果为风电功率数据分配标签设定风电功率数据所属的功率模式类别，并将连续的数据转换为功率序列；
S2452、运用同一标签下的风电功率数据拟合对应气象状态的类型参数，以气象状态为输入拟合基于气象变化的外层参数，并结合类型参数与外层参数构建外层模型；
S2453、将外层模型与风场模型合并组合生成判断平台，制定气象数值为模拟输入值输入至外层模型，并根据气象数值在风场模型内设定相应的机组运行条件；
S2454、运行判断平台开始基于气象数值与运行条件下的模拟计算，并获取输出数据得到风电功率序列，判断风电功率序列随温度、风速、风向变化的规律。
7.根据权利要求1所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述基于关联性分析算法对变化规律进行属性规约，并设置最小支持度和最小置信度挖掘变化规律、气象数据及风电功率之间的关联性得到关联性结果包括以下步骤：
S311、利用关联性分析算法对变化规律进行分析判断频繁项集，并基于频繁项集选取以变化规律最大为前提的候选属性；
S312、对候选属性进行属性规约操作，并通过关联性分析算法设置最小支持度和最小置信度从候选属性中挖掘关联规则；
S313、将气象数据与风电数据作为建模数据采用关联性分析算法设置模型输入参数建立关联规则模型获取气象数据、风电功率之间的关系；
S314、判断获取到的关系结果是否符合关联规则，若关系结果符合关联规则，则将关系结果作为关联性结果，若关系结果不符合关联规则，则重复步骤S313。
8.根据权利要求7所述的一种用于风电机组的短期风电功率预测方法，其特征在于，所述基于变化规律对风电功率进行趋势分解操作获取时序数据，利用时序指数平滑算法计算时序数据构建分析器，并将关联性分析结果与趋势分析器集成连接得到趋势分析器包括以下步骤：
S321、使用趋势分解方式将风电功率分解成趋势成分作为时序数据构建初步分析器，将时序数据作为依据样本；
S322、利用时序指数平滑算法在初步分析器内对依据样本进行平滑处理求解预测值，并判断预测值的相对误差、误差平方及均方差；
S323、在预测值的基础上再次利用时序指数平滑算法进行二次平滑处理求解得到二次预测值，并判断二次预测值的相对误差、误差平方及均方差；
S324、在二次预测值的基础上再次利用时序指数平滑算法进行三次平滑处理求解得到三次预测值，并判断三次预测值的相对误差、误差平方及均方差；
S325、选取三次平滑处理中最小均方差、误差平方和误差值对应的预测值作为分析器的输出结果，并将关联性分析结果集成至分析器内得到趋势分析器。
9.一种用于风电机组的短期风电功率预测***，用于实现权利要求1-8中任一项所述的用于风电机组的短期风电功率预测方法，其特征在于，该用于风电机组的短期风电功率预测***包括基础数据获取模块、变化规律判断模块、趋势分析器搭建模块及风电功率预测模块；
其中，所述基础数据获取模块、所述变化规律判断模块、所述趋势分析器搭建模块及所述风电功率预测模块之间依次连接；
所述基础数据获取模块，用于利用云计算技术获取风电机组预设时间段内的风电功率与气象数据，并基于主成分分析对风电功率与气象数据分别实施降维操作得到基础数据，所述气象数据包括风速、风向及温度；
所述变化规律判断模块，用于利用遥感技术采集风电机组在预设范围内的地形特征，将地形特征与风电机组的结构参数结合搭建风场模型，并基于风场模型与基础数据判断风电功率的变化规律；
所述趋势分析器搭建模块，用于基于变化规律分析气象数据及风电功率之间的关联性，并利用关联性结果与时序指数平滑算法搭建趋势分析器预测未来预设时段的风电功率；
所述风电功率预测模块，用于根据预测需求定义预设的采集时长，通过物联网技术获取采集时长范围内的未来气象数据，并对未来气象数据实施处理输入至趋势分析器内得到风电功率的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410411707.5A CN118013300B (zh) | 2024-04-08 | 2024-04-08 | 一种用于风电机组的短期风电功率预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410411707.5A CN118013300B (zh) | 2024-04-08 | 2024-04-08 | 一种用于风电机组的短期风电功率预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118013300A CN118013300A (zh) | 2024-05-10 |
| CN118013300B true CN118013300B (zh) | 2024-06-04 |
Family
ID=90947508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410411707.5A Active CN118013300B (zh) | 2024-04-08 | 2024-04-08 | 一种用于风电机组的短期风电功率预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118013300B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
| CN106447086A (zh) * | 2016-09-07 | 2017-02-22 | 中国农业大学 | 一种基于风电场数据预处理的风电功率组合预测方法 |
| CN113837499A (zh) * | 2021-11-24 | 2021-12-24 | 中国电建集团江西省电力设计院有限公司 | 一种超短期风电功率预测方法及*** |
| WO2024031449A1 (zh) * | 2022-08-10 | 2024-02-15 | 四川中电启明星信息技术有限公司 | 一种基于网格聚类的峡谷风电短期功率预测方法 |
-
2024
- 2024-04-08 CN CN202410411707.5A patent/CN118013300B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
| CN106447086A (zh) * | 2016-09-07 | 2017-02-22 | 中国农业大学 | 一种基于风电场数据预处理的风电功率组合预测方法 |
| CN113837499A (zh) * | 2021-11-24 | 2021-12-24 | 中国电建集团江西省电力设计院有限公司 | 一种超短期风电功率预测方法及*** |
| WO2024031449A1 (zh) * | 2022-08-10 | 2024-02-15 | 四川中电启明星信息技术有限公司 | 一种基于网格聚类的峡谷风电短期功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118013300A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220275788A1 (en) | Forecasting output power of wind turbine in wind farm | |
| CN108388962B (zh) | 一种风电功率预测***及方法 | |
| CN107507097A (zh) | 一种风电功率短期预测方法 | |
| CN110019595B (zh) | 一种多源气象数据集成方法及*** | |
| CN104299044A (zh) | 基于聚类分析的风功率短期预测***及预测方法 | |
| CN112329977A (zh) | 一种面向极端场景的风电功率预测*** | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
| CN109543870B (zh) | 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| CN106875037A (zh) | 风力预测方法及装置 | |
| US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| CN117391394B (zh) | 一种基于地理空间数据的风光设施联合建设潜力评估方法 | |
| CN118013300B (zh) | 一种用于风电机组的短期风电功率预测方法及*** | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN110188939B (zh) | 风电场的风功率的预测方法、***、设备和存储介质 | |
| CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
| CN116634030A (zh) | 一种光伏电站功率预测的网关机及分布式电站拓扑结构 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的***及方法 | |
| Kabi et al. | Leveraging IoT and machine learning for improved monitoring of water resources-a case study of the upper ewaso nyiro river | |
| Jiménez-Pérez et al. | Modeling daily profiles of solar global radiation using statistical and data mining techniques | |
| CN112749820A (zh) | 一种风电功率预测方法及*** | |
| Nummikoski et al. | Adaptive rule generation for solar forecasting: Interfacing with a knowledge-base library | |
| CN118174291A (zh) | 多时空尺度下的分布式光伏出力自适应预测方法及装置 | |
| CN117458437A (zh) | 一种短期风电功率预测方法、***、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |