风电场功率预测数据清洗方法研究及应用

• 作 者: 刘倩
• 出 处: 华北电力大学(北京)
• 发表日期: 2021年06期
• 关键词: 敏感因素 NWP修正 组合模型 多维聚类 数据清洗

风电功率预测可有效降低风电规模化并网对电力系统的不利影响。除了数值天气预报(Numerical Weather Prediction,NWP)和预测模型性能外,数据质量是影响风电场功率预测精度的又一重要因素,因此功率预测数据清洗方法研究具有重要意义。在本论文中,主要针对NWP数据以及机组功率曲线建模数据进行修正及清洗,并建立高精度的功率曲线模型。主要工作包括:研究NWP风速误差在不同时间以及天气区间的分布特征,发现NWP风速误差对风速、风向和气压数据敏感,对NWP与实测数据的相关度较敏感,对月份、温度和湿度敏感性不高。在此基础上比较考虑不同敏感因素的NWP风速修正模型精度,发现以风向为天气划分依据的修正模型精度最高,表明NWP风速误差对风向最为敏感。在误差敏感性分析基础上,建立了基于变权stacking集成算法的NWP组合修正模型。该模型的输入增加了与机组风速相关性最高的NWP点位处的风速,并以风向为天气划分依据将研究数据划分为不同风向区间,对不同区间的数据利用变权stacking集成算法建立修正模型。变权重组合方法的权重系数随时间改变,根据各个子模型的预测偏差反馈信息来调整权重,比固定权重组合方法更加合理,本文使用局部回归神经网络实现变权重组合。结果表明:该组合模型相比单个模型对NWP风速的修正更加有效。根据机组运行桨距角变化规律和异常运行数据特征,通过对运行风速和桨距角数据聚类得到正常数据,最后使用四分位法保证异常数据被全部剔除。为提高聚类准确度,聚类方法使用类簇数目和初始中心自动确定的k-means算法。在异常数据清除完成后,分别运用比恩法、概率密度最大法、多项式拟合和BP神经网络法拟合功率曲线,同时与出厂功率曲作比对研究。结果表明:聚类方法简化操作步骤,聚类同时提取风速和桨距角特征,增加聚类维度,提高聚类准确度。该清洗方法可有效剔除这些异常数据,提高功率曲线建模数据质量。比较不同功率曲线建模方法的精度,结果表明多项式拟合方法虽然建模原理简单但拟合的功率曲线精度最高。