一种低温寒潮极端天气条件下风电出力受限预估方法

1.本发明涉及一种低温寒潮极端天气条件下风电出力受限预估方法，属于新能源功率预测领域。


背景技术：

2.我国风电装机占比不断提高，风能在能源领域占据越来越重要的地位。但是风电功率往往会受到风电场运行环境条件的影响，不同类型的天气过程都会对风电出力造成不同程度的影响。低温寒潮天气作为一种极端天气事件，其过程中常伴随温度剧烈下降、持续性大风、雨凇和霜冻等现象，往往会对风电出力产生显著不利影响。
3.目前风电功率预测主要依据风速预报结果构建预测模型进行风电出力预测，然而在构建预测模型时往往会对训练数据进行预处理，剔除训练集中的异常数据，导致风电功率预测模型没有考虑到以低温寒潮天气为代表的极端天气事件所带来的影响，在低温寒潮天气条件下风电功率预测结果与实际风电功率产生较大偏差，难以满足电力系统调度应用需求。


技术实现要素：

4.本发明的目的是提供一种低温寒潮极端天气条件下风电出力受限预估方法，以解决上述背景技术中存在的问题，本发明方法充分考虑低温寒潮极端天气条件下风电出力正和出力受限两类情况，捕捉低温寒潮天气条件下风电出力受限时段的典型气象特征，组合出力受限判别模型和风电出力受限时段预测模型和风电出力正常时段预测模型，构建得到低温寒潮极端天气条件下风电出力综合预测模型，提高低温寒潮极端天气条件下风电功率预测的准确性。
5.本发明的目的由以下技术措施实现：
6.一种低温寒潮极端天气条件下风电出力受限预估方法，包括以下步骤：
7.s1：对现有的风电场数据进行划分，用于预测模型的训练及测试，结合低温寒潮天气定义指标，对训练数据进行筛选得到低温寒潮极端天气条件下风电出力受限时段、出力正常时段数据，并通过timegan(timeseriesgenerativeadversrialnetworks)和cyclegan(cyclegenerativeadversarialnetworks)进行样本数据组合扩充；
8.s2：基于经过s1数据筛选和样本扩充的数据，分别构建风电出力受限时段、风电出力正常时段这两类数据的特征图谱，结合svm(supportvectormachines)算法训练得到低温寒潮极端天气条件下风电出力受限判别模型；
9.s3：基于经过s1数据筛选和样本扩充的数据，分别通过lstm网络模型构建低温寒潮极端天气条件下风电出力受限时段、出力正常时段预测模型；
10.s4：组合构建低温寒潮极端天气条件下风电出力综合预测模型，以rmse(rootmeansquareerror)和mae(meanabsoluteerror)作为综合预测模型性能评判标准，将s1的测试数据输入综合预测模型后进入预测，输出结果。
11.进一步地，s1的具体步骤包括：对现有的风电场数据进行划分，包括采集到的风电场时间分辨率为15分钟的nwp(numerical weatherprediction)数据集及其对应的功率数据，将其中的70％数据用于预测模型的训练，30％数据用于预测模型的测试。结合低温寒潮天气定义指标，对训练数据进行筛选得到低温寒潮极端天气条件下风电出力受限时段、出力正常时段的nwp数据和风电功率数据。基于得到的数据分别采用timegan 和cyclegan对样本数据进行组合扩充，将出力受限时段、出力正常时段数据分别输入timegan模型进行对应类别数据扩充，将出力受限时段、出力正常时段数据同时输入cyclegan模型进行两类数据共同扩充。
12.进一步地，s2的具体步骤包括：将s1步骤得到的低温寒潮极端天气条件下风电出力受限时段、出力正常时段数据作为原始数据，基于相关性分析对原始数据进行特征优化，得到最优特征子集，并结合min-max标准化(min-max normalization)方法，对数据进行线性变换，使结果映射到 [0,255]之间，将得到的图像化数据转化为灰度图，作为对应时段的特征图谱，选择svm作为风电出力受限判别的分类器模型，训练得到低温寒潮极端天气条件下风电出力受限判别模型。
[0013]
进一步地，s3的具体步骤包括：
[0014]
s3.1：针对低温寒潮极端天气条件下风电出力正常时段，选择经过s1 样本扩充的原始nwp数据作为风电出力正常时段预测模型的输入，原始nwp 数据包括风速、风向、气温和气压，结合lstm(long short-term memory) 算法训练得到低温寒潮极端天气条件下风电出力正常时段预测模型；
[0015]
s3.2：针对低温寒潮极端天气条件下风电出力受限时段，基于经过s1 样本扩充的原始nwp数据，结合vmd(variational mode decomposition) 信号分解算法进行特征挖掘，将nwp数据分解为不同频率的分量，构建高维气象特征，再结合随机森林算法进行特征选择，得到低温寒潮下风电出力受限时段的典型气象特征，典型气象特征包括风速高频分量、气温低频分量和风向低频分量，作为风电出力受限时段预测模型的输入，结合lstm 算法训练得到低温寒潮极端天气条件下风电出力受限时段预测模型。
[0016]
进一步地，s4的步骤包括：将s2步骤得到的低温寒潮极端天气条件下风电出力受限判别模型与s3步骤得到的低温寒潮极端天气条件下风电出力受限时段、出力正常时段预测模型进行组合，构建得到低温寒潮极端天气条件下风电出力综合预测模型。即先由出力受限判别模型判断风电出力是否受限，再根据判断结果与相对应风电出力受限时段预测模型或风电出力正常时段预测模型进行预测得到预测结果；以rmse和mae作为综合预测模型性能评判标准，将s1的30％测试数据用于综合预测模型进入预测，输出结果。
[0017]
本发明达到的有益效果是：本发明方法通过timegan实现低温寒潮天气小样本数据集的扩充，满足模型训练的数据规模要求，通过信号分解技术vmd和随机森林选择算法高效剔除冗余数据以改善低温寒潮天气条件下风电出力损失时段的预测精度，通过组合构建低温寒潮极端天气条件下风电出力综合预测模型，提升最终的预测精度，对低温寒潮极端天气条件下风功率预测具有重要作用。
附图说明
[0018]
图1为本发明的整体流程结构框图。
具体实施方式
[0019]
下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种低温寒潮极端天气条件下风电出力受限预估方法。
[0020]
如图1所示，一种低温寒潮极端天气条件下风电出力受限预估方法，其特征在于按以下步骤进行：
[0021]
s1：对现有的风电场数据进行划分，用于预测模型的训练及测试，结合低温寒潮天气定义指标，对训练数据进行筛选得到低温寒潮极端天气条件下风电出力受限时段、出力正常时段数据，并通过timegan和cyclegan 进行样本数据组合扩充；其具体步骤包括：
[0022]
对现有的风电场数据进行划分，包括采集到的风电场时间分辨率为15 分钟的nwp数据集及其对应的功率数据，将其中的70％数据用于预测模型的训练，30％数据用于预测模型的测试。结合低温寒潮天气定义指标，对训练数据进行筛选得到低温寒潮极端天气条件下风电出力受限时段、出力正常时段的nwp数据和风电功率数据。基于得到的数据分别采用timegan和 cyclegan对样本数据进行组合扩充，将出力受限时段、出力正常时段数据分别输入timegan模型进行对应类别数据扩充，将出力受限时段、出力正常时段数据同时输入cyclegan模型进行两类数据共同扩充。
[0023]
s2：基于经过s1数据筛选和样本扩充的数据，分别构建风电出力受限时段、风电出力正常时段这两类数据的特征图谱，结合svm算法训练得到低温寒潮极端天气条件下风电出力受限判别模型；其具体步骤包括：
[0024]
将s1步骤得到的低温寒潮极端天气条件下风电出力受限时段、出力正常时段数据作为原始数据，基于相关性分析对原始数据进行特征优化，得到最优特征子集，并结合min-max标准化方法，对数据进行线性变换，使结果映射到[0,255]之间，将得到的图像化数据转化为灰度图，作为对应时段的特征图谱，选择svm作为风电出力受限判别的分类器模型，训练得到低温寒潮极端天气条件下风电出力受限判别模型。
[0025]
s3：基于经过s1数据筛选和样本扩充的数据，分别通过lstm网络模型构建低温寒潮极端天气条件下风电出力受限时段、出力正常时段预测模型，其具体步骤包括：
[0026]
s3.1：针对低温寒潮极端天气条件下风电出力正常时段，选择经过s1 样本扩充的原始nwp数据作为风电出力正常时段预测模型的输入，原始nwp 数据包括风速、风向、气温和气压，结合lstm算法训练得到低温寒潮极端天气条件下风电出力正常时段预测模型；
[0027]
s3.2：针对低温寒潮极端天气条件下风电出力受限时段，基于经过s1 样本扩充的原始nwp数据，结合vmd信号分解算法进行特征挖掘，将nwp 数据分解为不同频率的分量，构建高维气象特征，再结合随机森林算法进行特征选择，得到低温寒潮下风电出力受限时段的典型气象特征，典型气象特征包括风速高频分量、气温低频分量和风向低频分量，作为风电出力受限时段预测模型的输入，结合lstm算法训练得到低温寒潮极端天气条件下风电出力受限时段预测模型；
[0028]
s4：组合构建低温寒潮极端天气条件下风电出力综合预测模型，以 rmse和mae作为综合预测模型性能评判标准，将s1的测试数据输入综合预测模型后进入预测，输出结果，其具体步骤包括：
[0029]
将s2步骤得到的低温寒潮极端天气条件下风电出力受限判别模型与 s3步骤得到的低温寒潮极端天气条件下风电出力受限时段、出力正常时段预测模型进行组合，构建得
到低温寒潮极端天气条件下风电出力综合预测模型；即先由出力受限判别模型判断风电出力是否受限，再根据判断结果与相对应风电出力受限时段预测模型或风电出力正常时段预测模型进行预测得到预测结果；以rmse和mae作为综合预测模型性能评判标准，将s1 的30％测试数据用于综合预测模型进入预测，输出结果。