[發(fā)明專(zhuān)利]風(fēng)電功率爬坡事件的多層協(xié)同實(shí)時(shí)分類(lèi)預(yù)警方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010934286.6
• 申請(qǐng)日: 2020-09-08
• 公開(kāi)（公告）號(hào): CN112070160B
• 公開(kāi)（公告）日: 2022-11-08
• 發(fā)明（設(shè)計(jì)）人: 何耀耀;王云;肖經(jīng)凌;張婉瑩;陳悅
• 申請(qǐng)（專(zhuān)利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 安徽省合肥新安專(zhuān)利代理有限責(zé)任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種風(fēng)電功率爬坡事件的多層協(xié)同實(shí)時(shí)分類(lèi)預(yù)警方法，其特征在于，包括以下步驟：

S1)獲取風(fēng)電功率時(shí)間序列的歷史數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的風(fēng)電功率時(shí)間序列，記為{Y(t)}_{t＝1,2,...,T}，Y(t)為t時(shí)刻點(diǎn)的風(fēng)電功率，T為樣本總數(shù)；

S2)制定風(fēng)電功率爬坡事件分類(lèi)策略：

S2.1)以t時(shí)刻點(diǎn)后的未來(lái)M個(gè)時(shí)刻點(diǎn)的風(fēng)電功率序列{Y(t+m)}_{m＝1,2,...,M}為依據(jù)，利用式(1)建立t時(shí)刻點(diǎn)的風(fēng)電功率爬坡趨勢(shì)因子R_t：

式(1)中，Y(t+m)為t時(shí)刻點(diǎn)后的未來(lái)第m個(gè)時(shí)刻點(diǎn)的風(fēng)電功率；sign(.)為符號(hào)函數(shù)，R_t最大取值為M，最小取值為-M；

S2.2)設(shè)置爬坡閾值為δ，并根據(jù)式(2)定義t時(shí)刻點(diǎn)的風(fēng)電功率爬坡幅度W_t：

W_t＝max({Y(t+m)}_{m＝1,2,...,M})-min({Y(t+m)}_{m＝1,2,...,M}) (2)

S2.3)結(jié)合所述風(fēng)電功率爬坡趨勢(shì)因子R_t、爬坡閾值δ和爬坡幅度W_t，制定風(fēng)電功率的上爬坡事件、下爬坡事件、強(qiáng)波動(dòng)事件、以及非爬坡事件四個(gè)分類(lèi)及其分類(lèi)準(zhǔn)則：

1)當(dāng)t時(shí)刻點(diǎn)的風(fēng)電功率爬坡趨勢(shì)因子R_t＝M時(shí)，根據(jù)式(3)辨識(shí)上爬坡事件和非爬坡事件；

2)當(dāng)t時(shí)刻點(diǎn)的風(fēng)電功率爬坡趨勢(shì)因子R_t＝-M時(shí)，根據(jù)式(4)辨識(shí)下爬坡事件和非爬坡事件；

3)當(dāng)t時(shí)刻點(diǎn)的風(fēng)電功率爬坡趨勢(shì)因子R_t∈(-M,M)時(shí)，根據(jù)式(5)辨識(shí)強(qiáng)波動(dòng)事件和非爬坡事件；

S3)建立T時(shí)刻點(diǎn)后的未來(lái)M個(gè)時(shí)刻點(diǎn)的分解層、預(yù)測(cè)層、校正層、反饋層的多層協(xié)同預(yù)測(cè)模型：

S3.1)定義訓(xùn)練樣本集合為并初始化定義訓(xùn)練樣本個(gè)數(shù)為并初始化

S3.2)建立分解層：

利用EMD方法對(duì)訓(xùn)練樣本集合進(jìn)行分解，得到K個(gè)本征模態(tài)分量以及一個(gè)殘差分量其中c^k(t)表示第k個(gè)本征模態(tài)分量在t時(shí)刻點(diǎn)的值，r(t)表示殘差分量在t時(shí)刻點(diǎn)的值；

計(jì)算各個(gè)本征模態(tài)分量以及殘差分量的能量熵{H^k}_{k＝1,2,...,K+1}，并合并相似能量熵的分量，從而得到S個(gè)子序列S＜K，H^k為第k個(gè)分量的能量熵，C^s(t)為第s個(gè)子序列在t時(shí)刻點(diǎn)的值；

S 3.3)建立預(yù)測(cè)層：

S3.3.1)針對(duì)第s個(gè)子序列利用第s個(gè)子序列在t時(shí)刻點(diǎn)的前P個(gè)時(shí)刻點(diǎn)的歷史數(shù)據(jù)來(lái)滾動(dòng)預(yù)測(cè)t時(shí)刻點(diǎn)的值C^s(t)，其中，C^s(t-p)為t時(shí)刻點(diǎn)前的第p個(gè)時(shí)刻點(diǎn)的數(shù)據(jù)，從而構(gòu)建P個(gè)解釋變量{C^s(t-p)}_{p＝1,2,...,P}和一個(gè)響應(yīng)變量C^s(t)，共個(gè)訓(xùn)練樣本；

S3.3.2)將所有解釋變量和所有響應(yīng)變量分別作為門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)GRU預(yù)測(cè)模型的輸入與輸出并進(jìn)行訓(xùn)練，得到訓(xùn)練后的GRU預(yù)測(cè)模型和相應(yīng)的擬合值為第s個(gè)子序列在t時(shí)刻點(diǎn)的擬合值；

S3.3.3)將數(shù)據(jù)向后滾動(dòng)一個(gè)時(shí)間點(diǎn)，即以作為所述訓(xùn)練后的GRU預(yù)測(cè)模型的輸入，從而得到時(shí)刻點(diǎn)的預(yù)測(cè)值

S3.3.4)將s+1賦值給s后，判斷s＞S是否成立，若成立，則完成S個(gè)子序列的預(yù)測(cè)，從而得到S個(gè)子序列從P+1時(shí)刻起至?xí)r刻GRU預(yù)測(cè)模型的擬合值以及在時(shí)刻點(diǎn)的預(yù)測(cè)值否則，返回步驟S 3.3.1；

S3.3.5)利用式(7)和式(8)分別求得風(fēng)電功率從P+1時(shí)刻起至?xí)r刻的綜合擬合值和時(shí)刻點(diǎn)初始預(yù)測(cè)值

S 3.4)建立校正層：

S 3.4.1)根據(jù)式(9)提取GRU預(yù)測(cè)模型的殘差序列

式(9)中，e(t)為殘差序列在t時(shí)刻的值；

S3.4.2)利用殘差序列在t時(shí)刻點(diǎn)的前P個(gè)時(shí)刻點(diǎn)的殘差數(shù)據(jù){e(t-p)}_{p＝1,2,...,P}來(lái)預(yù)測(cè)t時(shí)刻的數(shù)據(jù)e(t)，其中，e(t-p)為t時(shí)刻點(diǎn)的前第p個(gè)時(shí)刻點(diǎn)的數(shù)據(jù)，共構(gòu)建個(gè)訓(xùn)練樣本；

S3.4.3)將和分別作為SVR校正模型的輸入和輸出并進(jìn)行訓(xùn)練，得到訓(xùn)練后的SVR校正模型；

S3.4.4)將數(shù)據(jù)向后滾動(dòng)一個(gè)時(shí)間點(diǎn)，即以作為所述訓(xùn)練后的SVR校正模型的輸入，從而得到時(shí)刻點(diǎn)的殘差預(yù)測(cè)值

S3.4.5)利用式(10)對(duì)預(yù)測(cè)層的時(shí)刻點(diǎn)的風(fēng)電功率初始預(yù)測(cè)結(jié)果進(jìn)行校正，得到最終第時(shí)刻點(diǎn)的最終預(yù)測(cè)值

S 3.5)建立反饋層：

用風(fēng)電場(chǎng)時(shí)刻點(diǎn)的實(shí)測(cè)信息替換相應(yīng)時(shí)刻的最終預(yù)測(cè)值并將其納入訓(xùn)練樣本中，從而根據(jù)式(11)和式(12)得到更新后的訓(xùn)練樣本集和更新后的訓(xùn)練樣本總數(shù)

S 3.6)將賦值給將賦值給后，重復(fù)步驟S3.2-步驟S3.5，直至完成T時(shí)刻后的未來(lái)的M個(gè)風(fēng)電功率的預(yù)測(cè)，得到M個(gè)風(fēng)電功率預(yù)測(cè)值

S 4)結(jié)合步驟S 2的風(fēng)電功率爬坡事件的分類(lèi)準(zhǔn)則和步驟S3的多層協(xié)同預(yù)測(cè)模型所預(yù)測(cè)的未來(lái)M時(shí)刻的風(fēng)電功率預(yù)測(cè)值辨識(shí)風(fēng)電功率爬坡事件，從而實(shí)現(xiàn)各類(lèi)風(fēng)電爬坡事件的實(shí)時(shí)預(yù)警。