[发明专利]有复用性的风力发电功率预测模型的实现方法

说明书

本发明提供了一种有复用性的风力发电功率预测模型的实现方法，应用数据描述和数据清洗动态互动与相互修正过程来解决由于每个电站气候、地理、运行环境，设备型号不同，使得预测模型的数据输入项不同引起的预测模型准确性低的问题；其次，依据优化结构的模型样本数据集，生成或判别多个学习器；以概率分布函数取代单一值的检验标准选取学习器，改进了传统单一、固定学习器堆积的预测模式，使得预测模型有其复用性。

技术领域

本发明涉及风力发电功率预测领域，具体是一种有复用性的风力发电功率预测模型的实现方法。

背景技术

把风的动能转变成机械动能，再把机械能转化为电力动能，这就是风力发电。风力发电的原理，是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。依据目前的风车技术，大约是每秒三米的微风速度(微风的程度)，便可以开始发电。风力发电正在世界上形成一股热潮，因为风力发电不需要使用燃料，也不会产生辐射或空气污染。

我国风能资源丰富，可开发利用的风能储量约10亿kW，其中，陆地上风能储量约2.53亿kW(陆地上离地10m高度资料计算)，海上可开发和利用的风能储量约7.5亿kW，共计10亿kW。

随着社会发展的需要，风力发电系统越来越多，而其输出功率受气象因素影响较大，具有不连续性和不稳定的特点。预测风力发电功率有助于统筹安排常规电源和风力发电的协调配置。目前大家一般采用机器学习和概率统计的方法，主要包括多项式算法、BP神经网络、灰色模型、数据挖掘、SVM径向基模型等进行预测，无论采用哪种方法，都存在把A风力发电站预测模型用于B风力发电站时，预测值合格率低的情况。

发明内容

本发明为了解决现有技术的问题，提供了一种有复用性的风力发电功率预测模型的实现方法，应用数据描述和数据清洗动态互动与相互修正过程来解决由于每个电站气候、地理、运行环境，设备型号不同，使得预测模型的数据输入项不同引起的预测模型准确性低的问题；其次，依据优化结构的模型样本数据集，生成或判别多个学习器；以概率分布函数取代单一值的检验标准选取学习器，改进了传统单一、固定学习器堆积的预测模式，使得预测模型有其复用性。

本发明包括以下步骤：

1)后台原始数据库获取，并后台原始数据库备份至中台数据库；

2)中台数据准备，实现数据特征描述和数据清洗，将数据可视化，最后数据描述和数据清洗互动与相互修正以得到物理和统计学意义上的结构优化数据；

3)中台模型生成，从中台数据库中选取模型样本数据集,划分为训练样本数据集和检验样本数据集；根据训练样本数据集特征判别或生成多个学习器；对多个学习器分别检验计算；检验指标以概率分布函数取代确定值，以人工或者机器自动两种方法判别得到最终学习器；以模型样本数据集做为最终学习器调参生成预测模型；用预测模型和中台实时数据生成前端展示数据并存于前端展示数据库；

功率预测的公式为：

P＝风力机功率(PA)*风能利用系数(Pmax)*机械效率*发电机效率

V为实际风速,A为风轮叶片扫略面积,ρ为空气密度,D为直径,机械效率和发电机效率为设备设定值；

4)前端展示。

进一步改进，步骤1)所述的后台原始数据库获取过程具体如下：从实测系统中取测风力气象数据，从预测气象数据服务器取预测气象数据存于后台原始数据库中，所述风力气象数据为测风塔和风机实时、历史，气象、功率数据，气象数据为不同高度的值。

进一步改进，步骤2)所述的中台数据准备过程中，所述的数据特征描述包括中心位置和分散程度。