一種基于工況辨識的風(fēng)電功率區(qū)間預(yù)測方法
專利匯可以提供一種基于工況辨識的風(fēng)電功率區(qū)間預(yù)測方法專利檢索，專利查詢，專利分析的服務(wù)。并且本 發(fā)明 涉及 風(fēng) 電功率區(qū)間估計(jì)技術(shù)領(lǐng)域，具體是本發(fā)明提供了一種基于工況辨識的風(fēng)電功率區(qū)間預(yù)測方法，該方法以模糊軟聚類方法為 基礎(chǔ) 完成工況的辨識，并在此基礎(chǔ)上采用核 密度 估計(jì)法完成風(fēng)電功率的區(qū)間預(yù)測，首先確定影響風(fēng)電功率的主要因素，采用最小二乘 支持向量機(jī) 法建立風(fēng)電功率確定性 預(yù)測模型 ，并基于聚類有效性確定聚類數(shù)目，再利用模糊C均值軟聚類對歷史運(yùn)行數(shù)據(jù)進(jìn)行工況辨識，劃分為多個(gè)子區(qū)間，最后利用核密度估計(jì)計(jì)算各工況功率預(yù)測值與真實(shí)值誤差的概率密度函數(shù)，確定各工況的功率置信區(qū)間，完成區(qū)間預(yù)測。本發(fā)明方法不僅可以預(yù)測出風(fēng)電功率的精確數(shù)值，而且還可以預(yù)測出在某種概率 水 平下的風(fēng)電功率 波動(dòng) 范圍。，下面是一種基于工況辨識的風(fēng)電功率區(qū)間預(yù)測方法專利的具體信息內(nèi)容。
1.一種基于工況辨識的風(fēng)電功率區(qū)間預(yù)測方法，其特征在于，包括以下步驟：
階段一：模型建立階段
Step1、收集目標(biāo)風(fēng)電場的設(shè)計(jì)資料，結(jié)合實(shí)際運(yùn)行環(huán)境對風(fēng)力發(fā)電的過程進(jìn)行分析，找出影響風(fēng)電功率的主要因素，確定模型的輸入輸出變量；
Step2、從SCADA中導(dǎo)出歷史數(shù)據(jù)，并進(jìn)行去噪、濾波預(yù)處理，把數(shù)據(jù)的一部分作為訓(xùn)練樣本集，一部分作為測試樣本集，采用最小二乘支持向量機(jī)法建立風(fēng)電功率確定性預(yù)測模型；
Step3、基于聚類有效性指標(biāo)，確定聚類數(shù)目，再利用模糊C均值軟聚類法對歷史運(yùn)行數(shù)據(jù)進(jìn)行工況辨識從而劃分為多個(gè)子區(qū)間，完成工況的辨識；
Step4、利用核密度估計(jì)法計(jì)算各工況下功率預(yù)測值與真實(shí)值誤差的概率密度函數(shù)，進(jìn)而確定各工況的功率置信區(qū)間，從而完成區(qū)間估計(jì)模型的建立；
階段二：風(fēng)電功率區(qū)間估計(jì)階段
Step5、在線獲取Step2中各輸入輸出變量數(shù)據(jù)，對數(shù)據(jù)進(jìn)行去噪、濾波預(yù)處理；
Step6、將Step5中預(yù)處理后的數(shù)據(jù)輸入到Step4得到的風(fēng)電功率區(qū)間估計(jì)模型，得到風(fēng)電功率的預(yù)測區(qū)間并輸出。
2.根據(jù)權(quán)利要求1所述的一種基于工況辨識的風(fēng)電功率區(qū)間估計(jì)方法，其特征在于：所述的Step2中確定的輸入變量包括：當(dāng)?shù)仫L(fēng)速、風(fēng)向角正弦值、風(fēng)向角余弦值、葉輪轉(zhuǎn)速、實(shí)時(shí)轉(zhuǎn)矩、發(fā)電機(jī)轉(zhuǎn)速和前一時(shí)刻實(shí)發(fā)功率，共6個(gè)。
3.根據(jù)權(quán)利要求1或2所述的一種基于工況辨識的風(fēng)電功率區(qū)間估計(jì)方法，其特征在于：所述的Step2中確定的輸出變量：當(dāng)前時(shí)刻實(shí)發(fā)功率，共1個(gè)。
4.根據(jù)權(quán)利要求3所述的一種基于工況辨識的風(fēng)電功率區(qū)間估計(jì)方法，其特征在于：所述的Step2中，具體包括以下步驟：
S2-1、采用依拉達(dá)準(zhǔn)則將從SCADA系統(tǒng)中采集的歷史運(yùn)行數(shù)據(jù)去除異常點(diǎn)，具體的數(shù)學(xué)表示如下：
設(shè)樣本數(shù)據(jù)為x1,x2…xn，平均值為 偏差為 按照Bessel公式
計(jì)算出標(biāo)準(zhǔn)偏差：
如果某一樣本數(shù)據(jù)xk的偏差vk(1≤k≤n)滿足|vk|＞3δ，則認(rèn)為數(shù)據(jù)不合理，應(yīng)予剔除；
S2-2、將處理后的歷史運(yùn)行數(shù)據(jù)分成兩個(gè)子集：訓(xùn)練子集與測試子集，并用訓(xùn)練子集完成最小二乘支持向量機(jī)模型的訓(xùn)練，具體包括以下步驟：
訓(xùn)練集T由l個(gè)樣本點(diǎn)組成
T＝{(x1,y1),(x2,y2),…,(xl,yl)}
其中，xi∈Rn是輸入向量，yi∈Rn是相對應(yīng)于xi的輸出，令 則最小二乘支持向量機(jī)的優(yōu)化問題為
式中ω是權(quán)向量，γ是正則化參數(shù)，ek是誤差變量， 是從輸入空間到高維特征空間的非線性映射，b是一個(gè)偏量，對于優(yōu)化問題的Lagrange函數(shù)為
其中αk是Lagrange乘子，稱對應(yīng)于αk≠0的樣本點(diǎn)為支持向量，相應(yīng)的KKT條件為可以表示為下列方程組的形式
式中 Y＝(y1,…,yl)T，1＝(1,…,1)T，α＝(α1,…,αl)T，
解方程得到α和β后，對于新輸入向量x，其輸出值y(x)可以根據(jù)下式進(jìn)行計(jì)算
5.根據(jù)權(quán)利要求4所述的一種基于工況辨識的風(fēng)電功率區(qū)間估計(jì)方法，其特征在于：所述的Step3中，具體包括以下步驟：
S3-1、計(jì)算出聚類數(shù)目分別為2～12時(shí)的聚類指標(biāo)CHI、SSE，根據(jù)最佳的CHI和SSE聚類指標(biāo)確定聚類數(shù)目，CHI和SSE聚類指標(biāo)的計(jì)算如下：
其中，x為子類別的樣本，Xi為子類別，K為聚類數(shù)目，ci為子類別聚類中心，N為樣本數(shù)量，B代表類間的分散性，W代表類內(nèi)的緊湊性，計(jì)算公式分別為：
其中，為所有樣本的平均值，wk,i表示第i個(gè)樣本對第k個(gè)自類別的隸屬關(guān)系，即為：
S3-2、采用模糊C均值軟聚類法對歷史運(yùn)行數(shù)據(jù)進(jìn)行工況劃分，模糊C均值軟聚類法先利用模糊聚類法計(jì)算出每個(gè)樣本對每個(gè)類別的隸屬度矩陣U＝(uik)i×k，再采用軟劃分規(guī)則對樣本進(jìn)行分類，軟化分規(guī)則具體如下：
若樣本xi的最大隸屬度uik滿足：
uik>0.5+0.5T-1
則xi被唯一地劃分為類別k，式中T為聚類個(gè)數(shù)；
若樣本xi的最大隸屬度uik滿足：
uij>(T+δ)-1
則xi被劃分為類別j時(shí)xi可屬于多個(gè)類別，式中，δ為重疊度，值越大表示兩類別的重疊部分越大。
6.根據(jù)權(quán)利要求5所述的一種基于工況辨識的風(fēng)電功率區(qū)間估計(jì)方法，其特征在于：所述的Step4中，具體包括以下步驟：
S4-1、采用核密度估計(jì)法，計(jì)算每個(gè)工況下功率誤差的概率密度函數(shù)，核密度估計(jì)算法原理如下：
對某一預(yù)測誤差e：
e＝Preal-Ppredict
核密度概率密度估計(jì)的表達(dá)式為：
其中，Preal為功率真實(shí)值，Ppredict為預(yù)測值，Ni為區(qū)間樣本數(shù)；h為帶寬系數(shù)，默認(rèn)為2；em為誤差樣本；k(x)為核函數(shù)，這里采用高斯核函數(shù)，即：
S4-2、計(jì)算每個(gè)工況下最窄的置信區(qū)間，在給定置信度1-α(0＜α＜1)下置信區(qū)間滿足：
P(xdown＜x＜xup)＝1-α
其中，P(xdown＜x＜xup)表示功率值x在區(qū)間[xdown,xup]內(nèi)的概率，xup、xdown分別稱為置信區(qū)間的上限和下限。
7.根據(jù)權(quán)利要求6所述的一種基于工況辨識的風(fēng)電功率區(qū)間估計(jì)方法，其特征在于：所述的Step4中，還包括以下步驟：
S4-3、遍歷所有預(yù)測值，得到風(fēng)電功率波動(dòng)范圍的上下包絡(luò)線，從而完成風(fēng)電功率的區(qū)間估計(jì)。
一種基于工況辨識的風(fēng)電功率區(qū)間預(yù)測方法
技術(shù)領(lǐng)域
背景技術(shù)
功率進(jìn)行精確預(yù)測。目前風(fēng)電功率預(yù)測主要分為確定性預(yù)測和區(qū)間估計(jì)。常規(guī)風(fēng)電功率預(yù)
測大多采用確定性預(yù)測，即預(yù)測結(jié)果為一個(gè)精確的數(shù)值。相較于確定性預(yù)測，區(qū)間估計(jì)以區(qū)
間的形式給出預(yù)測結(jié)果，可以給調(diào)度部門提供更加詳細(xì)的風(fēng)電功率波動(dòng)信息。除此之外，在
不同工況下對風(fēng)電功率分別進(jìn)行預(yù)測，可以大大提高預(yù)測模型的精度，因此基于工況劃分
對風(fēng)電功率區(qū)間估計(jì)進(jìn)行研究有著重要的意義。
略了其他因素對工況的影響。除上述工況劃分方法外，模糊C均值聚類算法(fuzzy?c-
means,FCM)由于引入了模糊概念，并考慮到了其他影響工況的因素，提高了模型精度，在風(fēng)
電機(jī)組工況辨識方面得到了廣泛的應(yīng)用。但是，在實(shí)際工程中，相鄰工況之間必然存在過渡
過程，此過程中的樣本必然同時(shí)具有相鄰工況的特性，僅利用FCM算法將樣本歸為一類，不
符合實(shí)際情況。針對FCM算法的這一局限性，Lv?Y等在FCM的基礎(chǔ)上，提出了一種模糊C均值
軟聚類(soft?fuzzy?c-means,SFCM)算法。SFCM算法可以將樣本同時(shí)劃分到多個(gè)類別中，從
而實(shí)現(xiàn)“軟聚類”。但是SFCM算法需要事先確定劃分的類別數(shù)目，不恰當(dāng)?shù)念悇e數(shù)目必然降
低聚類的有效性。所以本文在確定最佳聚類數(shù)目的前提下采用SFCM算法，并與核密度估計(jì)
法相結(jié)合運(yùn)用到風(fēng)電廠功率區(qū)間估計(jì)中。
發(fā)明內(nèi)容
測模型；
規(guī)則對樣本進(jìn)行分類，軟化分規(guī)則具體如下：
具有計(jì)算耗時(shí)少、適用范圍廣等優(yōu)點(diǎn)。
附圖說明
具體實(shí)施方式
本發(fā)明的限制。此外，術(shù)語“第一”、“第二”等僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”等的特征可以明示或者隱含地包括一個(gè)或者更多個(gè)該特征。在本發(fā)明的描述中，除非另有說明，“多個(gè)”
的含義是兩個(gè)或兩個(gè)以上。
在本發(fā)明中的具體含義。
測模型；
規(guī)則對樣本進(jìn)行分類，軟化分規(guī)則具體如下：
出了每個(gè)工況區(qū)間功率的波動(dòng)范圍，將各個(gè)工況匯總就得到全工況下風(fēng)電功率的波動(dòng)范
圍，從而完成區(qū)間估計(jì)。
功率預(yù)測階段，基于得到的辨識模型確定風(fēng)電功率的波動(dòng)范圍。
且只有當(dāng)覆蓋率大于置信度時(shí)，預(yù)測結(jié)果才達(dá)到預(yù)期效果； 為區(qū)間寬度，在保證覆蓋率
的前提下，區(qū)間寬度越小，預(yù)測效果越好；δΔP為分辨能力系數(shù)，值越大說明估計(jì)結(jié)果越好。
系數(shù)三項(xiàng)指標(biāo)都優(yōu)于FCM工況劃分的預(yù)測結(jié)果，原因是SFCM考慮到了邊界處樣本的劃分，從
工程實(shí)際的角度，設(shè)備運(yùn)行工況的變化是連續(xù)的，不同工況間存在相應(yīng)的過渡狀態(tài)，對于過
渡狀態(tài)下的運(yùn)行數(shù)據(jù)，相比于硬聚類，使用軟聚類可能會(huì)將其同時(shí)分配給鄰近的工況，更符
合工況連續(xù)變化的實(shí)際情況。除此之外，由于SFCM屬于一種軟聚類方法，重復(fù)利用了多屬性
的數(shù)據(jù)，從而保證了每個(gè)工況區(qū)間的樣本數(shù)量，在后續(xù)利用核密度估計(jì)法計(jì)算概率密度函
數(shù)時(shí)更加貼近真實(shí)值。在不同置信度下，當(dāng)置信度為0.9相較于置信度為0.8時(shí)的評價(jià)指標(biāo)，
平均帶寬要更大，這也符合統(tǒng)計(jì)學(xué)的原理。
| 標(biāo)題 | 發(fā)布/更新時(shí)間 | 閱讀量 |
|---|---|---|
| 一種基于車載經(jīng)緯儀的自定位系統(tǒng)及方法 | 2020-05-08 | 260 |
| 一種考慮相機(jī)姿態(tài)變化的大跨橋梁多點(diǎn)撓度測量方法 | 2020-05-08 | 121 |
| 一種站點(diǎn)模板的處理方法及裝置 | 2020-05-11 | 610 |
| 基于可穿戴腦電設(shè)備的偽跡去除和腦電信號質(zhì)量評估方法 | 2020-05-11 | 425 |
| 一種基于邊緣的深度學(xué)習(xí)圖像去運(yùn)動(dòng)模糊方法 | 2020-05-11 | 397 |
| 一種含噪聲模糊的高能閃光圖像去模糊方法 | 2020-05-11 | 231 |
| 一種拍照的方法和裝置 | 2020-05-11 | 194 |
| 一種實(shí)時(shí)檢測及控制空心螺柱焊電弧旋轉(zhuǎn)的方法與裝置 | 2020-05-08 | 307 |
| 一種基于OCR和文本處理技術(shù)識別網(wǎng)貸網(wǎng)站的方法及系統(tǒng) | 2020-05-08 | 113 |
| 一種基于語義的生產(chǎn)線設(shè)備故障診斷系統(tǒng)及方法 | 2020-05-11 | 429 |
高效檢索全球?qū)＠?/div>專利匯是專利免費(fèi)檢索,專利查詢,專利分析-國家發(fā)明專利查詢檢索分析平臺，是提供專利分析，專利查詢，專利檢索等數(shù)據(jù)服務(wù)功能的知識產(chǎn)權(quán)數(shù)據(jù)服務(wù)商。
我們的產(chǎn)品包含105個(gè)國家的1.26億組數(shù)據(jù)，免費(fèi)查、免費(fèi)專利分析。
分析報(bào)告專利匯分析報(bào)告產(chǎn)品可以對行業(yè)情報(bào)數(shù)據(jù)進(jìn)行梳理分析，涉及維度包括行業(yè)專利基本狀況分析、地域分析、技術(shù)分析、發(fā)明人分析、申請人分析、專利權(quán)人分析、失效分析、核心專利分析、法律分析、研發(fā)重點(diǎn)分析、企業(yè)專利處境分析、技術(shù)處境分析、專利壽命分析、企業(yè)定位分析、引證分析等超過60個(gè)分析角度，系統(tǒng)通過AI智能系統(tǒng)對圖表進(jìn)行解讀，只需1分鐘，一鍵生成行業(yè)專利分析報(bào)告。
去模糊熱門專利
