基於雙重置信區間的風電場功率預測樣本篩選方法與流程
2023-04-28 12:16:06
本發明涉及風電場功率預測領域，具體是風電場功率預測中基於雙重置信區間的風電場功率預測樣本篩選方法。
背景技術：
目前風電場的建設越來越多，風電場功率預測是風電場中重要的環節。
當前風電場功率預測普遍採用的是人工智慧算法，輸入風電場的實測風速數據和實測有功數據，進行訓練後獲取風電場的風速-有功映射關係，再進行功率預測。採用人工智慧算法對風速-有功數據進行訓練，對風速、有功這兩類功率預測樣本有很強的依賴性。傳統的方法通過採集風電場的所有實測風速和所有實測有功數據，剔除數據品質異常後得到篩選出的數據，再採用人工智慧算法進行訓練，存在如下缺點：
訓練不收斂：部分小風和限電停機檢修時的風速-有功樣本無法剔除，使得篩選出的樣本處於發散狀態，採用神經網絡訓練無法收斂，無法獲得風速-有功的映射關係，導致無法進行風電場功率預測。
引入錯誤映射關係：部分異常數據引入後，在神經網絡訓練收斂的情況下，引入了錯誤的風速-功率映射關係，導致風電場功率預測結果異常。
技術實現要素：
為了克服傳統風電場功率預測樣本篩選方法導致訓練不收斂、引入錯誤的風速-有功映射關係的缺陷，提出了一種基於雙重置信區間的風電功率預測樣本篩選方法。
本發明風電場功率預測的樣本篩選首先設置兩個線性函數作為第一重置信區間的上下限，根據設定的篩選係數，剔除在此置信區間之外的所有樣本；其次 依據風電場的風速-有功關係，設置兩個非線性分段函數作為第二重置信區間的上下限，剔除在此置信區間之外的所有樣本，同時不斷調整第二重置信區間的上下限函數係數，保證落在置信區間的樣本數目佔樣本總數目的比例值大於等於設定的篩選係數後，完成樣本篩選。
本發明的目的是通過如下措施來達到：基於雙重置信區間的風電場功率預測樣本篩選方法，包括如下步驟：
步驟(1)，初始化樣本選擇天數；
步驟(2)，對實際有功進行歸一化，以風速和歸一化後的實際有功建立二維坐標系；
步驟(3)，初始化第一重置信區間的上下限函數，作為樣本篩選的第一重置信區間的上下限，確保落在第一重置信區間中的樣本數≥樣本總數*篩選係數a1，如果不滿足則增加樣本天數，以獲取足夠的樣本數，確保這部分樣本數落在作為樣本篩選的第一重置信區間內；
步驟(4)，進行第二重置信區間的樣本篩選，設置第二重置信區間上下限函數進行篩選，如果樣本數目不滿足預期的要求，調整上下限函數後再進行篩選；如果超出調整此時依舊無法滿足預期要求，增加樣本天數，直至樣本數滿足預期要求；
步驟(5)，對篩選出的樣本進行提取，將歸一化的有功乘以P裝機進行反歸一化，完成篩選。
進一步的，所述步驟(1)中，初始化樣本天數選擇15天或者一周的整數倍。
進一步的，初始化樣本天數為2到12周。初始化樣本天數根據經驗一般選擇15天，通常為7天即一周的整數倍，可根據現場需要設置為2到8周不等，通常不超過3個月。
進一步的，所述步驟(3)中：初始化第一重置信區間的上限函數:ymax＝kmax*x和下限函數:ymin＝kmin*x，作為樣本篩選的第一重置信區間的上下限，其中ymin＝kmin*x為第一重置信區間下限函數；ymax＝kmax*x為第一重置信區間上限函數；如果落在第一重置信區間中的樣本數tmax(動態調整次數最大值)，增加樣本天數，每次增加天數2後進行樣本篩選；如果動態調整次數t≤tmax，tmax為動態調整次數最大值，判斷落在第二重置信區間中的樣本數是否大於等於樣本總數*篩選係數a2，如果是，則第二重置信區間的篩選完成；如果不是，動態調整第二重置信區間上限函數係數kmax＝kmax+△kmax，kmax為上限函數係數，△kmax為第二重置信區間上限函數係數修正步長，調整上限函數參數cmax＝cmax+△cmax，cmax為上限函數參數，△cmax為第二重置信區間上限函數參數修正步長；調整第二重置信區間下限函數係數kmin＝kmin-△kmin，kmin為下限函數的係數，△kmin為第二重置信區間下限函數係數修正步長，調整下限函數參數cmin＝cmin-△cmin，cmin下限函數的參數，△cmin為第二重置信區間下限函數參數修正步長，每調整一次後，動態調整次數t＝t+1，再進行第二重樣本篩選，直至落在第二重置信區間中的樣本數≥樣本總數*篩選係數a2，則完成第二重置信區間內的樣本篩選。
有益效果
通過獲得正確的風速-有功映射關係，建立預測模型，提高風電場有功的預測準確率，一方面有利於電網合理安排全網計劃生產，另一方面有利於風電場企業在電網公司的績效考核中獲得良好的經濟效益。
附圖說明
圖1為基於雙重置信區間的風電場功率預測樣本篩選方法邏輯框圖。
具體實施方式
參見圖1，本基於雙重置信區間的風電場功率預測樣本篩選方法，包括如下 步驟：
步驟(1)，初始化樣本選擇天數；
步驟(2)，對實際有功進行歸一化，以風速和歸一化後的實際有功建立二維坐標系；
步驟(3)，初始化第一重置信區間的上下限函數，作為樣本篩選的第一重置信區間的上下限，確保落在第一重置信區間中的樣本數≥樣本總數*篩選係數a1，如果不滿足則增加樣本天數，以獲取足夠的樣本數，確保這部分樣本數落在作為樣本篩選的第一重置信區間內；
步驟(4)，進行第二重置信區間的樣本篩選，設置第二重置信區間上下限函數進行篩選，如果樣本數目不滿足預期的要求，調整上下限函數後再進行篩選；如果超出調整此時依舊無法滿足預期要求，增加樣本天數，直至樣本數滿足預期要求；
步驟(5)，對篩選出的樣本進行提取，將歸一化的有功乘以P裝機進行反歸一化，完成篩選。
作為優選方案，所述步驟(1)中，初始化樣本天數選擇15天或者一周的整數倍。初始化樣本天數為2到12周。初始化樣本天數根據經驗一般選擇15天，通常為7天即一周的整數倍，可根據現場需要設置為2到8周不等，通常不超過3個月。所述步驟(3)中：初始化第一重置信區間的上限函數:ymax＝kmax*x和下限函數:ymin＝kmin*x，作為樣本篩選的第一重置信區間的上下限，其中ymin＝kmin*x為第一重置信區間下限函數；ymax＝kmax*x為第一重置信區間上限函數；如果落在第一重置信區間中的樣本數tmax(動態調整次數最大值)，增加樣本天數，每次增加天數2後進行樣本篩選；如果動態調整次數t≤tmax，tmax為動態調整次數最大值，判斷落在第二重置信區間中的樣本數是否大於等於樣本總數*篩選係數a2，如果是，則第二重置信區間的篩選完成；如果不是，動態調整第二重置信區間上限函數係數kmax＝kmax+△kmax，kmax為上限函數係數，△kmax為第二重置信區間上限函數係數修正步長，調整上限函數參數cmax＝cmax+△cmax，cmax為上限函數參數，△cmax為第二重置信區間上限函數參數修正步長；調整第二重置信區間下限函數係數kmin＝kmin-△kmin，kmin為下限函數的係數，△kmin為第二重置信區間下限函數係數修正步長，調整下限函數參數cmin＝cmin-△cmin，cmin下限函數的參數，△cmin為第二重置信區間下限函數參數修正步長，每調整一次後，動態調整次數t＝t+1，再進行第二重樣本篩選，直至落在第二重置信區間中的樣本數≥樣本總數*篩選係數a2，則完成第二重置信區間內的樣本篩選。
1)初始化選取days＝15天的風速和有功樣本；
2)樣本中風速值保持不變，有功P實/P裝機進行歸一化，建立二維坐標系(其中P實是風電場的實際有功，P裝機是風電場的裝機容量)；
3)初始化第一重置信區間的上限函數:ymax＝k1max*x和下限函數:ymin＝k1min*x，作為樣本篩選的第一重置信區間的上下限
(其中k1max為第一重置信區間上限函數的係數，k1min為第一重置信區間下限函數的係數)；
4)如果落在第一重置信區間中的樣本數tmax(動態調整次數最大值)，增加樣本天數，每次增加天數2後進行樣本採集，進入步驟2)繼續執行；
9)如果動態調整次數t≤tmax(動態調整次數最大值)，進入步驟10)和步驟11)的篩選；
10)如果落在第二重置信區間中的樣本數<樣本總數*篩選係數a2，動態調整第二重置信區間上限函數係數kmax＝kmax+△kmax，調整上限函數參數cmax＝cmax+△cmax；調整第二重置信區間下限函數係數kmin＝kmin-△kmin，調整下限函數參數cmin＝cmin-△cmin，每調整一次後，動態調整次數t＝t+1；進入步驟8)；
(其中，△kmax為第二重置信區間上限函數係數修正步長，△cmax為第二重置信區間上限函數參數修正步長，△kmin為第二重置信區間下限函數係數修正步長，△cmin為第二重置信區間下限函數參數修正步長)；
11)如果落在第二重置信區間中的樣本數≥樣本總數*篩選係數a2，篩選出樣本，將歸一化的有功乘以P裝機進行反歸一化，完成篩選。