[發明專利]一種基于數據融合的降尺度風電功率預測方法

有效

• 申請號: 202110930069.4
• 申請日: 2021-08-13
• 公開（公告）號: CN113657662B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 齊冬蓮;王雪琪;楊心宜;王震宇;梅競成;葉振豪
• 申請（專利權）人: 浙江大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/08;H02J3/00;H02J3/38
• 代理公司: 杭州宇信聯合知識產權代理有限公司 33401
• 代理人: 王健

1.一種基于數據融合的降尺度風電功率預測方法，其特征在于，包括如下步驟：

S1、基于數值天氣預報服務器獲取風電場及其附近位置近地層的數值天氣預報數據；

S2、基于場站側實時測風系統獲取場站側的實時測風數據；

S3、基于數據采集與監視控制系統獲取單臺風機的實時運行數據；

S4、使用功率預測服務器根據所述場站側實時測風數據對所述數值天氣預報數據進行修正，并對修正后的數值天氣預報數據進行降尺度處理，具體包括：

基于計算機視覺用圖像超分辨方法對修正后數值天氣預報中的風速進行空間降尺度：先使用雙三次插值法從縱向將低分辨率的NWP空間多層次格點信息放大到所需的分辨率，再使用SRCNN網絡提取放大后的風機機艙高度層NWP風速信息，并引入殘差學習，在網絡末端增加反卷積上采樣模塊，得到機艙高度層風速超分辨率輸出；

S5、使用功率預測服務器利用精細化的組合分析和處理手段對單臺風機的運行數據進行數據治理，具體包括：

S51、建立風機的風速-功率曲線模型，具體包括：

風機從風能中汲取的輸出功率為：

其中，ρ為空氣密度，R為風機的葉片半徑，V_wind為風速，λ為葉尖速比，β為槳距角，C_p為風能利用系數，與槳距角β和葉尖速比λ有關，具體如下：

其中，λ＝Rω/V_wind，ω為風機轉速；

S52、結合統計方法和機理探究方法剔除異常數據點，具體包括：

S521、根據實測運行數據的風速-功率散點圖，在四分位法的基礎上放寬置信區間，刪除偏離理想曲線的誤差數據點；其中傳統四分位法的三個數據分界點依次為Q₁、Q₂、Q₃，通過計算數據分界點得到四分位距：

I_QR＝Q₃-Q₁

S522、根據I_QR確定數據樣本X中異常值的內限如下：

[F₁，F_u]＝[Q₁-1.8I_QR,Q₃+1.8I_QR]

S523、識別、剔除如下集合A，完成棄風集合數據剔除：

其中，P_i為第i個功率數據；n為采樣次數；為風機理論風速v-功率曲線中風速v對應的理想功率；

S53、建立缺失數據的混合填補模型，對單臺風機的歷史運行數據進行填補：

當間隔缺失1-5個數據點時，采用3次樣條插值法填補缺失的數據；

當連續缺失5-19個數據點時，采用Markov鏈重構法填補缺失的數據；

當連續缺失20-29個數據點時，采用Hermite插值法填補缺失的數據；

當連續缺失大于30個數據點以上的序列段時，參照風力發電機組的空間相關特性，利用鄰近風機實現同期數據重構，完成全體缺失數據的補充；

其中，評估風力發電機組的空間相關特性采用皮爾遜相關系數，其計算公式如下所示，該系數越大，表明兩者相關性越強：

利用風機已有數據，計算風電場各個風機之間的相關系數，得到相關系數矩陣；然后分別根據每個風機的相關系數進行排序，在風機缺失數據時，從相關系數最強的風機依次查找，直到找到該時刻有數據的風機，使用該風機數據填補缺失值；

S6、將降尺度后的數值天氣預報數據與治理后的單臺風機的運行數據進行數據融合，基于多輸入預測模型預測單臺風機的超短期風電功率。

2.如權利要求1所述的基于數據融合的降尺度風電功率預測方法，其特征在于，所述場站側實時測風系統包括測風塔、風速儀、風向傳感器、溫度傳感器、氣壓傳感器、濕度傳感器、空氣密度測量設備和湍流測量設備中的幾種或全部。

3.如權利要求1所述的基于數據融合的降尺度風電功率預測方法，其特征在于，所述數據采集與監視控制系統包括位于機艙尾部的測風傳感器、功率傳感器、環境溫度傳感器、機艙溫度傳感器、變速箱油溫傳感器、齒輪箱油壓力傳感器、軸承溫度傳感器、葉輪轉速測量設備、發電機轉速測量設備和風速湍流測量設備中的幾種或全部。