[发明专利]一种风电机组功率预测方法、装置、电子设备和存储介质

说明书

本公开提出一种风电机组功率预测方法、装置、电子设备和存储介质，属于风电机组功率预测领域。其中，所述方法包括：利用待预测风电机组的历史风速数据和风功率数据，建立风电机组的风速‑风功率散点图；删除散点图中异常散点后，将剩余散点对应的风速数据和风功率数据分别归一化，利用归一化后的风速数据和风功率数据构成样本数据集；利用样本数据集训练风电机组功率预测模型，得到训练完毕的风电机组功率预测模型；利用练完毕的风电机组功率预测模型进行风电机组的功率预测。本公开所建立的风电功率预测模型在预测时无需进行数据清洗，能够同时兼顾辨识精度和效率，可以提高风电功率预测精度，有利于电网的稳定运行。

技术领域

本公开涉及风电机组功率预测领域，具体涉及一种风电机组功率预测方法、装置、电子设备和存储介质。

背景技术

我国风电发展迅速，随着大规模风电并网，在电力市场中，风电所占比例越来越大。由于风电具有间歇性、波动性、随机性的特点，不稳定和不可控的风速严重影响了风电预测的精度和风力发电的稳定性，影响了风力发电机组控制和微电网的调度，破坏了电力供需的平衡。因此，能够准确地预测风电功率对于电力系统运行的稳定是必不可少的。风力机的输出功率与风速的关系曲线是风力及的重要参数，结合功率风速关系曲线和预测风速，风电场及电网运行调度人员可得到未来时间的风电场处理情况，在风电场控制、维护、管理工作中均发挥着重要的作用。然而，由于异常数据以及限功率数据的影响，直接在原始数据上建立的功率曲线将会极大的偏离正常功率曲线，无法投入实际使用当中。现阶段采取的做法是先清洗风速-功率数据再拟合功率曲线，但是数据清洗算法往往效率不高并容易发生过度清洗的现象。而且SCADA系统采集到的历史数据并不完全是机组正常工作时的数据，还存在许多的异常数据。因此建立精准的风电机组功率曲线模型，可以优化风电场的运维调度，提高风电的利用效率，减小风电并网对电网稳定运行的影响。目前的风电机组功率曲线建模通常分为两个部分：先利用数据清洗算法对风速、功率数据进行清洗，再选择建模方法进行功率曲线拟合，但是目前的风电机组功率曲线建模在异常数据清洗上花费时间较长，采用的一些算法效率较低，存在一定的局限性。

发明内容

本公开的目的是为克服现有技术的不足之处，提供一种风电机组功率预测方法、装置、电子设备和存储介质。本公开在进行风电机组功率预测时无需数据清洗，能够同时兼顾辨识精度和效率，可以提高风电功率预测精度，有利于电网的稳定运行。

本公开第一方面实施例提出一种风电机组功率预测方法，包括：

采集待预测风电机组在设定历史时段的风速数据和风功率数据；

利用所述风速数据和风功率数据，建立所述风电机组在所述历史时段的风速-风功率散点图，删除所述散点图中的异常散点；

将所述散点图中的剩余散点对应的所述风速数据和风功率数据分别归一化，将归一化后每个散点对应的所述风速数据和风功率数据组成一个样本，将所有样本构成样本数据集；

构建风电机组功率预测模型；

利用所述样本数据集训练所述风电机组功率预测模型，得到训练完毕的风电机组功率预测模型；

利用所述练完毕的风电机组功率预测模型进行所述风电机组的功率预测。

在本公开的一个具体实施例中，所述设定历史时段的风速数据和风功率数据从数据采集与监视控制系统SCADA获取，所述历史时段长度为一个月至一年。

在本公开的一个具体实施例中，所述异常散点包括两类：

1)靠近所述散点图横坐标轴处堆积的散点，所述散点的风功率低于对应风速下的正常风功率；

2)所述散点图中无规则分布的低密度的散点。

在本公开的一个具体实施例中，所述构建风电机组功率预测模型，包括：