[發明專利]一種基于Spark的PCFOA-KELM風功率預測方法及裝置

在審

• 申請號: 202111232892.4
• 申請日: 2021-10-22
• 公開（公告）號: CN114154679A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 經正俊;齊剛;宋坤;張世磊;馬馳源;吉書強;周安;倪曉鋒;王文貴;管超;甘露平
• 申請（專利權）人: 南京華盾電力信息安全測評有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/12;G06Q50/06
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 王麗霞

1.一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，包括：

采集風電場中影響單臺風機風功率的氣象指標數據；

利用Spark平臺對所述氣象指標數據進行預處理；

將預處理后的氣象指標數據輸入預先訓練好的對應于所述單臺風機的KELM模型，所述KELM模型輸出所述單臺風機的風功率預測值；

將風電場中所有風機的風功率預測值相加，得到風電場的總功率預測值；

其中，所述KELM模型是基于Spark平臺，利用風電場中影響單臺風機風功率的氣象指標和對應的風功率歷史數據作為訓練樣本對KELM模型進行訓練，并利用PCFOA算法對KELM模型進行參數尋優得到的。

2.根據權利要求1所述的一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，所述KELM模型的訓練方法包括：

獲取風電場中影響單臺風機風功率的氣象指標歷史數據和對應的風功率歷史數據；

利用Spark平臺對獲取的歷史數據進行預處理；

根據預處理后的數據建立特征向量，并將其分為訓練樣本和測試樣本；

采用訓練樣本對所述KELM模型進行訓練，利用PCFOA算法優化KELM模型的正則化系數和核參數，獲得優化后的KELM模型；

采用測試樣本對優化后的KELM模型預測效果進行測試。

3.根據權利要求2所述的一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，所述利用Spark平臺對所述歷史數據進行預處理，包括：

將所述歷史數據存入RDD中生成RDD數據集，將RDD數據集劃分為多個子數據集，對每個子數據集分別進行數據預處理，將多個子數據集進行數據預處理的任務分配到對應的多個Executor上進行并行運算。

4.根據權利要求2所述的一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，所述預處理包括：數據異常值處理、數據缺失值處理、數據降噪和歸一化處理。

5.根據權利要求4所述的一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，所述數據異常值處理，包括：

對于零星數據缺失的情況，采用缺失點前后數據值的平均值作為缺失點數據；

對于少量數據缺失的情況，采用插值法進行處理，具體插值公式如下式所示：

式中，P_n、P_n+i和P_n+j分別為指標第n，n+i和n+j時刻的值；

對于大量數據缺失的情況，將該段時間的數據丟棄。

6.根據權利要求4所述的一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，所述數據降噪，包括：

利用Haar小波基函數對采集的指標值進行小波分解；

根據正常數據信號的小波系數大于噪聲的小波系數，基于設定閾值，按照下式將噪聲與正常數據分開：

其中，λ為小波系數閾值，ω為小波系數，ω_λ為去噪后的小波系數，sgn為符號函數；

對去除噪聲后的數據進行重構。

7.根據權利要求4所述的一種基于Spark的PCFOA-KELM風功率預測方法，其特征在于，所述氣象指標包括風速、風向、氣壓、溫度和濕度，所述歸一化處理，包括：

根據最大值與最小值，按照下式分別對風速、氣壓和濕度進行處理：

其中，value是歸一化后的結果，取值范圍0～1，value_max,value_min和value_t分別表示指標數據集內的最大值、最小值和當前值；

按照下式對溫度進行處理：

其中，T為歸一化后的溫度值，T_t為當前溫度值；

利用正弦和余弦值相結合將風向歸一化到0和1之間。