一种用于寒潮小样本情况下的风机出力损失预测方法

技术领域

本发明属于电力系统运行与控制领域，特别涉及一种用于寒潮小样本情况下的风机出力损失预测方法。

背景技术

现阶段，由于能源危机，全球变暖等全球性问题愈发突出，促使了能源结构从以煤炭等传统能源向以风电、光伏等新型能源转型。风电凭借其广泛的产业基础，坚实的技术基础，以及充沛的资源从众多新能源中脱颖而出，成为电力系统的支柱能源。风电出力的大小主要依赖于当地环境的风气象资源，丰沛的风资源能够促进该地风电产业的发展，风资源丰富时，风电出力则多；风资源匮乏时，风电出力则少。这就导致风机出力并不能如火电等传统能源一般可以被人为控制，而是具有一定的波动性、随机性和不可控性，这给电力系统的安全稳定运行带来威胁与挑战。

我国占有得天独厚的地理位置和地形条件，冬季受西伯利亚高气压的影响，冷气流从北向南一路畅通地进入内陆，送来丰富的风能资源；东部沿海地区由于海陆之间地温差效应以及季风气候地加成效果，风能资源也十分丰富。在“三北”(西北、东北、华北)、内蒙、西南、新疆等地，风能资源尤为丰富。由此看来，我国风电有很大的发展潜力和有利的开发自然环境。然而，在以上地区，尤其在冬季时常常伴随大风和降温，在干旱的西北、华北地区，大风经常引来风尘或沙暴。冷空气活动时，气温急剧降低，一般持续低温状态一至几天。西北、华北地区降温较多，而零下低温常引起霜冻，伴随降雨导致叶片覆冰，影响风电机组气动性能和机械性能。所以，尽管风能资源丰富，但由于地形及气象环境的影响，像寒潮等的极端天气状况偶有发生，一旦发生，不仅引发风机出力的极大不确定性，甚至会损坏机组电气设备和二次测量元件，而且在强风时强制切机会增加大范围停电的风险，进一步影响电力系统的稳定性与安全性，造成不可估量的损失。

但目前对于寒潮等极端天气状况下风机出力的研究较少，不仅在寒潮对于风机的影响方面缺乏足够的研究，而且在应对寒潮即将发生时对风机的预估出力也较少，这就导致在应对寒潮事件发生时对风机出力缺乏一个充分的预估分析，并难以给出恰当适时的响应策略。因此目前亟需一种能够预测寒潮天气状况下风机出力损失的方法。

发明内容

为了弥补当前寒潮等极端天气状况下对风机出力损失预测研究的不足，本发明的目的在于：一方面，扩充寒潮等极端天气状况的数据量，为风机出力损失预测提供一个广阔坚实的数据基础；另一方面，建立风机出力损失的预测模型，预测出寒潮发生时的风机出力损失。该方法采用元学习-对抗生成网络对寒潮时期的各项所需数据进行扩充和增强，分别研究寒潮时期和正常时期各气象因子对风机出力影响机理，建立两个模型分别预测得到极端天气状况下和非极端天气状况下的风机出力值，两者相减得到风机出力的损失值。

为达到以上目的，本发明采取的技术方案是：

S1：构建一个判别寒潮事件发生的寒潮气象表征向量，定义典型气象变化参数以及判别阈值；

S2:构建一个包含日前一天的NWP气象预报值和风机出力值的数据集；

S3：根据NWP气象因子对风机出力值的影响程度大小，分别选取对风机出力影响程度最大的气象因素作为典型特征，构建典型特征集合；

S4：对寒潮天气状况下的数据集进行扩充；对正常天气状况下的样本进行随机欠采样处理；

S5:根据S4中获得的扩充后的寒潮天气状况下的样本集和随机欠采样得到的正常天气状况下的样本集，分别建立网络映射；训练得到寒潮和正常天气神经网络模型；

S6:将NWP中的寒潮典型气象因素集合输入S5中的寒潮模型中，正常天气的典型气象因素集数据输入进S5中的正常天气模型中，分别得到两个风机出力预测值；将得到的正常天气状况下和寒潮天气状况下的风机出力预测值相减，得到寒潮天气状况下的风机出力损失预测值。

在上述方案的基础上，所述NWP气象因子为24个，具体包括气温、动量通量、170m高度的风速、100m高度的风速、30m高度的风速、10m高度的风速、地表风速、170m高度的风向、100m高度的风向、30m高度的风向、10m高度的风向、地表风向、海平面气压、云量、感热通量、潜热通量、短波辐射、长波辐射、地表气压、prt、大尺度降水、对流降水、2m气温、湿度。

在上述方案的基础上，所述S1中：以日前一天的NWP数据为基础，定义一日的所述寒潮气象表征向量H如公式(1)所示：

式中，t

温度负距：

该式表示日平均气温与该日所在旬的多年的旬平均气温之差，其中，

一日内气温陡降程度：

Δt＝t

式中，t

所述判别阈值如公式(4)所示：

式中，χ

若满足识别阈值如公式(4)，认为该时期发生了寒潮，否则是正常的天气状况。

在上述方案的基础上，所述S2中：统计某风电场区域的NWP气象数据M＝{M

式中，M

M

在上述方案的基础上，时间分辨率均为15min，NWP气象数据和风机出力数据在时间序列中相对应；

其中，数据集S

在上述方案的基础上，所述S3中，分别为所述S2得到的NWP气象预报值和风机出力值的数据集中选取典型特征集合，用于分别代表两类天气状况的显著特点；

首先构造以下两个回归模型，公式(7)为有约束回归，公式(8)为无约束回归；

式中，

根据公式(9)计算两个回归模型的残差平方，根据公式(10)计算F统计量；

根据F统计量分别筛选得到选择置信度在99％以上的气象因子作为两种天气状况的典型特征集，其中正常天气的典型特征集为T

寒潮天气的典型特征集为T

式(11)和式(12)表示了正常天气状况下和寒潮天气状况下的气象典型特征集。

在上述方案的基础上，所述S4中：对于正常天气情况下的数据集，采用随机欠采样的方式，从S

式中，

对于寒潮天气状况下的数据集S

式中，

在上述方案的基础上，所述S5中：利用极限学习机算法分别学习寒潮天气状况下和正常天气状况下典型气象特征集与风机实测出力值之间的映射关系；

公式(15)表示寒潮时期的典型气象条件与风机出力之间的映射，

公式(16)表示正常天气状况下的典型气象条件与风机出力之间的映射，f

在上述方案的基础上，所述S6中：由给出寒潮天气的NWP气象数据

式中，

在上述方案的基础上，所述寒潮天气样本扩充后的数据量和正常天气欠采样后的数据量是相等的，即L＝K。

本发明使用的现有技术基础和数据来源是：

1.使用日前一天的24维NWP数据，包含24个气象因子，具体有气温、动量通量、170m高度的风速、100m高度的风速、30m高度的风速、10m高度的风速、地表风速、170m高度的风向、100m高度的风向、30m高度的风向、10m高度的风向、地表风向、海平面气压、云量、感热通量、潜热通量、短波辐射、长波辐射、地表气压、prt、大尺度降水、对流降水、2m气温、湿度。

2.使用受寒潮影响下的风机实测出力数据。

3.使用数理统计的工具格兰杰因果关系校验方法。

4.使用深度学习神经网络算法：对抗神经网络，极限学习机。

本发明的有益效果：

由于寒潮等极端天气出现的数量较少，数据量不足，导致不仅在寒潮对于风机的影响方面缺乏足够的研究，而且在应对寒潮即将发生时对风机的预估出力也较少。通过本发明的预测方法，可在应对寒潮事件发生时对风机出力提供一个充分的预估分析，并给出恰当适时的响应策略。

附图说明

本发明有如下附图：

图1寒潮小样本情况下的风机出力损失预测流程模型。

具体实施方式

以下结合图1对本发明作进一步详细说明。

一种用于寒潮小样本情况下的风机出力损失预测方法，包括以下步骤：

S1、基于寒潮事件的定义和标准，从寒潮发生的气象特点出发，构建一个判别寒潮事件发生的气象表征向量，定义典型气象变化参数以及判别阈值，以提供一个识别寒潮事件发生的判别方法。

S2、采集风电场运行信息和该场站的气象预报信息，构建一个包含日前一天的NWP气象预报值和风机出力值的数据集，并依据S1中的方法将其划分成两类。一类是正常天气状况下的气象预报和风机出力数据集，二是寒潮等极端天气状况下的气象预报和风机出力数据集。

S3、分析两种天气状况下的影响风机出力的气象因素，使用数理统计的方法量化两种天气状况下，24个NWP气象因素对风机出力的影响程度大小，分别选取对风机出力影响程度最大的气象因素作为典型特征，构建典型特征集合。

S4、对寒潮天气状况下的数据集进行扩充。利用生成对抗网络，模拟寒潮天气状况下相似的气象数据和风机出力数据的分布情况，以生成更多的寒潮气象数据和对应的寒潮风机出力数据。对正常天气状况下的样本进行随机欠采样处理。这样达到两类样本数量一致。

S5、根据S4中获得的扩充后的寒潮天气状况下的样本集和欠采样得到的正常天气状况下的样本集，分别建立网络映射。其中，寒潮情况下，输入为寒潮的NWP典型气象因素集合，输出为寒潮的风机出力值；正常天气状况下，输入为正常天气时的NWP典型气象因素集合，输出为正常时期的风机出力值。由此训练得到两个神经网络模型。

S6、根据S1提供的方法预知寒潮事件的发生，将NWP中的寒潮典型气象因素集合输入S5中的寒潮模型中，正常天气的典型气象因素集数据输入进S5中的正常天气模型中，分别得到两个风机出力预测值。将得到的正常天气状况下和寒潮天气状况下的风机出力预测值相减，得到寒潮天气状况下的风机出力损失预测值。

在上述技术方案的基础上，S1中，研究用以分析寒潮事件定义的标准，研究冷空气活动的强度和剧烈性。挖掘寒潮时期的NWP气象数据特点，提取并构造出能够明显表征寒潮天气状况发生的表征向量，定义表征参数。寒潮发生的典型气象特征是大范围的气温陡降，伴随强风，甚至暴雪，低温和强降雨。以日前一天的NWP数据为基础，定义一日的寒潮气象表征向量H如公式(1-3)所示。

其中，

①温度负距：

该式表示日平均气温与该日所在旬的多年的旬平均气温之差，其中，

②一日内气温陡降程度：

Δt＝t

式中，t

③R

④

寒潮天气状况下会产生一定的温度负距，且在一日内气温急速下降，我国部分地区常伴随强风，强降雨等现象，现给定以上表征参数的判别阈值，用以识别寒潮天气事件，阈值条件如公式(4)所示

式中，χ

在上述技术方案的基础上，S2中，统计某风电场区域的NWP气象数据M＝{M

式中，M

在上述技术方案的基础上，S3中，分别为S2得到的两个样本集中的气象因子集合中选取典型特征集，以分别代表两类天气状况的显著特点。利用格兰杰因果关系校验法校验这两种天气状况下的气象因子与风机出力之间的因果关系，计算得到24个气象因子与风机出力之间的关联性。计算方式如下，首先构造以下两个回归模型，公式(7)为有约束回归，公式(8)为无约束回归。

式中，

根据公式(9)计算两个回归模型的残差平方，根据公式(10)计算F统计量。

根据F统计量分别筛选得到选择置信度在99％以上的气象因子作为两种天气状况的典型特征集，其中正常天气的典型特征集为T

式(11)和式(12)表示了正常天气状况下和寒潮天气状况下的气象典型特征集，这两个典型特征集中的气象因子并不完全相同。

在上述技术方案的基础上，S4中，为解决两类数据集中数据量不平衡的数据分布情况，分别对两类数据集采取了以下措施。对于正常天气情况下的数据集，由于数据量较多，所以采用随机欠采样的方式，从S

式中，

对于寒潮天气状况下的数据集S

式中，

这样得到的两类样本集的样本数量一致，即K＝L，保证了寒潮天气状况和正常天气状况下样本数据的平衡，也满足后续步骤中建模的数据量要求，保证其合理性和有效性。

在上述技术方案的基础上，S5中，利用极限学习机算法分别学习寒潮天气状况下和正常天气状况下，典型气象特征集与风机实测出力值之间的映射关系。公式(15)表示寒潮时期的典型气象条件与风机出力之间的映射。公式(16)表示正常天气状况下的典型气象条件与风机出力之间的映射。f

在上述技术方案的基础上，S6中，由给出寒潮天气的NWP气象数据

式中，

可认为

以上实施方式仅用于说明本发明专利，而并非对本发明专利的限制，有关技术领域的普通技术人员，在不脱离本发明专利的实质和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明专利的范畴，本发明专利的专利保护范围应由权利要求限定。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。