[发明专利]计及数据清洗的短期风电功率预测方法

说明书

本发明提出一种计及数据清洗的短期风电功率预测方法，包括：数据采集，所述数据采集不同气象条件及风机组件磨损程度下风机预测模型的输入输出变量；数据去噪，所述数据去噪是基于小波分析对所述采集的数据进行去噪处理；数据清洗，所述数据清洗是基于松鼠优化算法辨识对所述数据进行清洗；确定所述短期风电功率预测的模型及参数，根据指数加权最小二乘辨识所述参数。本发明分别通过小波分析和松鼠优化算法对风电功率预测所用数据进行了去噪和清洗处理，使最终辨识所得功率预测模型免受外界扰动及机组部件磨损等因素的影响。

技术领域

本发明涉及短期风电功率预测技术领域，更具体地，涉及一种计及数据清洗的短期风电功率预测方法。

背景技术

在我国能源转型背景下，风力发电作为最具有活力的新能源发电技术之一，表现出清洁环保、安全高效、低成本以及装机容量增长空间大等优势。与此同时，相较于其他种类的新能源，风能的获取和发电技术发展相对成熟。因此，风力发电技术在当前“碳达峰、碳中和”战略下具有很大的发展潜力。然而多数风电机组都位于环境较为恶劣的偏远地区，如山区或海上，此类地区受外界环境的影响更为显著，为风机并网下电网的安全稳定运行带来更大挑战。因此，如何对未来短期时间内的风电功率进行预测，并基于预测结果为电网调度提供参考以提高其稳定性成为亟待解决的问题。

风电功率预测方法主要包括基于物理模型的方法、基于统计信息的方法及数据驱动方法三种。前两种方法一般基于复杂的建模物理过程，而数据驱动方法只需采样得到与风电机组输出功率相关变量的运行数据，如温度、风速等气象数据。然后找到数据间的映射关系，进而基于气象条件等外界环境因素的变化，预测风电机组短期内的功率输出。因此，数据驱动方法以其原理简单，实现便捷，预测精度高成为风电预测领域应用最为广泛和成功的方法。

风机运行过程受气象条件和外界扰动影响较大，且风机中的叶片、轴承、齿轮等组件长时间运行中难以避免产生磨损或故障，这都将造成其运行数据的噪声、无效或缺失等。因此，为提高短期风电预测的精确性，需先对所用数据进行清洗，除去其中的高频噪声并处理无效和缺失数据，以保证数据的一致性。

发明内容

本发明旨在提供一种计及数据清洗的短期风电功率预测方法以实现气象变化和外界扰动下风机功率的实时精确预测。该方法考虑了不同气象因素、外界扰动和机械磨损下的机组运行数据特征，首先对数据进行降噪、插值和去重等清洗处理。然后对所得数据集进行聚类，选取不同特征的数据子集并基于各数据子集进行数据驱动的风电短期预测模型建立。最后通过各子模型的输出加权得到最终的风电功率预测值。具体地，本发明的技术方案如下：

一种计及数据清洗的短期风电功率预测方法，包括：

数据采集，所述数据采集不同气象条件及风机组件磨损程度下风机预测模型的输入输出变量；

数据去噪，所述数据去噪是基于小波分析对所述采集的数据进行去噪处理；

数据清洗，所述数据清洗是基于松鼠优化算法辨识对所述数据进行清洗；

确定所述短期风电功率预测的模型及参数，根据指数加权最小二乘辨识所述参数。

可选地，所述数据采集包括：

以风机功率为待辨识模型的输出变量y，根据不同气象因素对风机功率的影响程度，选定最终的n个输入变量{u₁，u₂，…，u_n}；

以时间间隔T采样得到与风电机组相关的N组输入输出数据。

可选地，所述数据去噪包括：将有噪声信号进行小波分解、对高频系数进行阈值量化处理、小波重构。

可选地，所述数据去噪包括：

将有噪声信号表示为：

S(k)＝f(k)+e(k)，(k＝1，2，…，N) (1)