[发明专利]一种基于PASDA和FTS的风电爬坡事件识别方法

说明书

本发明公开一种基于PASDA和FTS的风电爬坡事件识别方法，首先将时间分辨率为15分钟的风电功率数据通过不同的滤波方法预处理，减少噪声和不合理数据影响；进而将预处理后的数据投入基于常规旋转门算法的参数自适应改进模型中，在保留功率数据波动趋势和降低压缩误差的基础上将数据量压缩到最低，提高识别的反应速度；随后对压缩后的数据进行波动趋势特征提取和筛选，消除bump事件等降低识别精度的事件所代表的的波动趋势特征，获得具有上/下爬坡趋势的风电功率数据集；最后基于三种常见定义的不同时间和阈值条件，识别获得风电爬坡事件的数量结果和起止时间结果。通过本发明方法可以提高爬坡事件识别方法的适用范围，提高识别精度，具有推广价值。

技术领域

本发明涉及一种基于参数自适应旋转门PASDA(Parameter Adaptive SwingingDoor Algorithm)和波动趋势筛选FTS(Fluctuation Trend Selection) 的风电爬坡事件识别方法，属于新能源功率预测领域。

背景技术

未来我国将构建以新能源为主体的新型电力系统。2021年我国风电新增装机容量4757万千瓦，占全国新增装机的27％，全国风电平均利用率已达96.9％。风力发电具有不确定性、间歇性和随机性，短时间内风力大幅波动的现象称作风电爬坡事件。风电爬坡事件常由阵风、雷暴、气旋等极端天气引起，严重威胁到电力系统的可靠和经济运行。风电爬坡事件使得在管理和调度风力发电时必须调节传统发电机的输出。因此，更好地预测和检测爬坡事件对于电力系统运营决策非常重要。

目前针对风电爬坡事件的预测主要有两种途径，一种是通过相关气象数据或数据挖掘算法直接对爬坡事件进行预测，称之为直接法，另一种是基于风电功率的预测结果，实现对爬坡事件的预测，称之为间接法。直接法较为直观且准确度高，但依赖于大量的历史爬坡数据来训练模型，爬坡事件历史样本的准确性和充裕度会直接影响到预测的效果；间接法是目前爬坡预测的主流方法，因其可以从提高风电功率预测精度和提高爬坡事件识别精度两个方向来提高风电爬坡事件的预测精度，具有更广阔的研究背景。目前研究多集中在提高风电功率预测精度的角度，较少针对爬坡事件的识别，故现有的风电爬坡事件识别方法精度尚且存在提升空间。

发明内容

本发明的目的是提供一种基于PASDA和FTS的风电爬坡事件识别方法，以解决上述背景技术中存在的问题，PASDA(Parameter Adaptive Swinging Door Algorithm)为参数自适应旋转门的缩写，FTS(Fluctuation Trend Selection)为波动趋势筛选的缩写，本发明的识别方法可以更好地捕捉到代表事件发生的特征，从具有上爬坡和下爬坡波动趋势的集合中获得满足不同爬坡定义和识别条件的风电爬坡事件和事件起止时间，为提高风电爬坡事件预测准确度打下基础。

本发明的目的由以下技术措施实现：

一种基于PASDA和FTS的风电爬坡事件识别方法，包括以下步骤：

S1：获取时间分辨率为15分钟的风电场功率数据，通过数种滤波方法，分别对原始功率数据进行预处理，选择其中滤波效果最好的滤波方法，并获得经过最佳滤波预处理后的风电功率数据；

S2：将经过S1预处理后的风电功率数据投入基于常规旋转门算法SDA (SwingingDoor Algorithm)的参数自适应改进模型中，在尽可能保留数据波动趋势的情况下降低了压缩误差，完成对风电功率数据的压缩处理，获得经过参数自适应旋转门压缩后的风电功率数据；

S3：对经过S2压缩处理后的风电功率数据进行风波动趋势特征筛选，根据判定规律为每段风过程赋予相应的波动趋势，随后消除降低识别精度的bump事件所代表的波动趋势特征，获得合并波动趋势特征后具有上/下爬坡趋势的风电功率数据；

S4：对经过S3趋势判定后的风电功率数据进行爬坡事件的识别，基于三种常见定义的不同时间和阈值条件，识别获得风电爬坡事件的数量结果和起止时间结果。