基于失真數據降噪的數據預處理方法及其在風電功率預測中的應用

金鑫城，楊秀媛

基于失真數據降噪的數據預處理方法及其在風電功率預測中的應用

金鑫城1，楊秀媛2

（1．國網北京亦莊供電公司，北京市 大興區 100176；2．北京信息科技大學自動化學院，北京市 海淀區 102209）

提高風電數據精度對于建設泛在電力物聯網具有重要意義。風電功率預測對歷史風電數據集的要求較高，現研究多集中于通過建立不同預測模型或提出不同預測算法以提高風電功率預測準確性，對于風電功率歷史數據集本身的噪聲數據的處理關注并不多。為此，提出一種針對風電歷史數據降噪的方法，該方法主要作用于數據集本身，通過清除歷史風電數據中的失真數據，降低歷史數據中無用數據的數量，在提高風電功率預測準確性的同時，盡可能縮短數據建模、預測的時間。

風電功率預測；數據降噪；數據集處理

0 引言

風電具有的隨機性、波動性和反調峰性，使得高比例風電接入電網對電力系統的穩定性和可靠性造成很大的影響。

文獻[1]提出一種基于數理統計算法的預測模型，并對算法進行了改進，有效提高了預測準確性；文獻[2-3]通過建立神經網絡學習模型對風電功率進行預測，取得了不錯的精度；文獻[4]在神經網絡模型的基礎上，提出了一種滾動式權值調整策略。上述預測方法當中包含了目前主流的數理統計方法、預測模型“學習-預測”方法，這2種主流方法都是建立在風電場歷史數據的基礎上，通過各自的方法來預測未來風電場的功率輸出情況[5-10]。然而，風電場的歷史數據當中存在許多由于不可控因素(棄風、機組檢修等)而造成的數據失真，這些無用數據會對預測建模造成嚴重影響。

本文提出一種基于數據擬合的風電場歷史數據降噪方法，通過減少數據集中噪聲數據的數量，減小對風電功率預測模型的影響，并通過實際數據算例分析，使用相同預測模型(本文以數理統計預測模型為例)比較降噪前后歷史數據的數量和預測結果的誤差。由仿真結果可知，該方法能夠有效提高預測準確性，縮短建模時間，驗證了方法有效性。

1 風速概率分布

風電場的輸出功率受風速、風向、濕度、溫度、壓強等因素影響，其中風速和風向的影響權重占到了96.4%。為了更好地研究風速，構建雙因素Weibull風速分布模型，它是單峰的，有2個影響因素，可以通過改變這2個參數來實現模擬各種風速狀況，其中，雙因素Weibull分布的風速概率密度函數為

式中：是風速；是Weibull尺度系數；是Weibull形狀系數，∈[1.5,303]。

概率分布函數為

在平均風速情況下，擬合Weibull分布風速曲線如圖1所示。

2 風電場風速及風電功率

風機捕獲功率為

式中：為空氣密度；C為功率系數；為扇葉掠過的面積。

實際應用當中，風速過低、過高時均受風機自身設計限制，在正常風速下，風機在某一段風速范圍內的出力可近似認為不變。

風機“功率-風速(-)”公式為

式中：()為風機出力；r為額定出力；i為切入風速；r為額定風速；c為截止風速；f()為該風速段下的輸出功率特性。

理想功率-風速曲線如圖2所示。

圖2 理想功率-風速曲線

3 風電輸出特性的曲線擬合

由歷史數據中，選取不同風速下輸出功率正常的個數據點(v,p)。通過功率–風速(-)曲線()擬合降噪曲線如下：

通過擬合切入風速，使得：

通過個數據點(v, p)擬合得出，，的值。擬合曲線如圖3所示。

圖3 風速-功率擬合曲線

4 風電功率預測及誤差分析

目前主流的風電功率預測方法主要有2種：一種是通過風速和功率的關系直接預測風電功率；另一種是通過建立數值天氣預報與功率的關系達到預測的目的，其主要方法有2種，一種為統計學方法，通過找到與被預測工況相近的歷史功率情況，由算法求得預測功率，另一種通過學習歷史數據，尋找數據共平面，建立關系模型，通過學習得到的模型求得預測數據。本文主要利用風速與風電輸出功率歷史關系，采用統計學方法預測下一時段風電功率，并采用標準平均誤差(NMAE)及標準均方根誤差(NRMSE)評估預測效果，分別如式(7)、(8)所示：

式中：()為真實值；為預測值；cap為額定裝機容量；為樣本個數。

5 實例分析

本文以實際風電機組數據為基礎，額定功率2MW，切入風速4m/s，額定風速13m/s，切出風速25m/s，該機組某段實際數據如圖4所示，其功率-風速曲線如圖5所示。

由圖1及圖5得知，風速落在8~15m/s之間最多，由圖2、5可知，雖然整體走勢符合理想曲線，但是風速在8~15m/s之間的噪聲最大，曲線擬合后如圖6所示。

圖4 原始數據樣本

圖5 原始數據功率-風速曲線

圖6 原始數據功率-風速擬合曲線

擬合曲線為

實際工況環境中，還要考慮某些特殊時期風機超發區間的情況，通過平移擬合曲線，獲得真實數據保留區域，區域范圍外則為失真數據，如圖7所示。

擬合曲線上半部為

擬合曲線下半部為

(11)

降噪后保留數據如圖8所示。

使用原始數據及降噪后數據分別建模，以某風電場某日(間隔15min)一天96組實際數據為例進行仿真，并進行仿真結果分析，結果如圖9所示，算例仿真結果分析如表1所示。表1中歷史數據量指的是，預測模型完成預測所依靠的歷史“功率-風速”數據總量。

圖7 數據降噪曲線

圖8 真實數據保留區域

圖9 功率預測結果

表1 仿真結果分析

6 結論

提出了一種歷史數據降噪方法，旨在減少歷史數據中因各種不可控因素而造成的噪聲數據，以提高歷史數據的真實性和可靠性。將該方法應用到了風電功率預測當中，并通過實際算例仿真驗證了該方法的有效性，該方法在提高了風電功率預測準確性的同時，提高了建模速度，大幅減少了模型運行時間。在以后的研究中，將考慮研究多因素相互影響環境下的數據降噪方法。

[1] 楊秀媛，裘微江，金鑫城，等．改進K近鄰算法在風功率預測及風水協同運行中的應用[J]．電網技術，2018，42(3)：772-778．

Yang X Y，Qiu W J，Jin X C，et al．Improved K-nearest neighbor algorithm for short-term traffic flow forecasting[J]．Power System Technology，2018，42(3)：772-778．

[2] 喬穎，魯宗相，閔勇．提高風電功率預測精度的方法[J]．電網技術，2017，41(10)：3261-3268．

Qiao Y，Lu Z X，Min Y．Research & application of raising wind power prediction accuracy[J]．Power System Technology，2017，41(10)：3261-3268．

[3] 周松林，茆美琴，蘇建徽．基于主成分分析與人工神經網絡的風電功率預測[J]．電網技術，2011，35(9)：128-132．

Zhou S L，Mao M Q，Su J H．Prediction of wind power based on principal component analysis and artificial neural network[J]．Power System Technology，2011，35(9)：128-132．

[4] 范高鋒，王偉勝，劉純．基于人工神經網絡的風電功率短期預測系統[J]．電網技術，2008，32(22)：72-76．

Fan G F，Wang W S，Liu C．Artificial neural network based wind power short term prediction system

[J]．Power System Technology，2008，32(22)：72-76．

[5] 孟安波，陳育成．基于虛擬預測與小波包變換的風電功率組合預測[J]．電力系統保護與控制，2014，42(3)：71-76．

Meng A B，Chen Y C．Wind power combination forecasting based on wavelet packet transform and virtual forecasting method[J]．Power System Protection and Control，2014，42(3)：71-76．

[6] 王麗婕，冬雷，廖曉鐘，等．基于小波分析的風電場短期發電功率預測[J]．中國電機工程學報，2009，29(28)：30-33．

Wang L J，Dong L，Liao X Z，et al．Short-term power prediction of a wind farm based on wavelet analysis[J]．Proceedings of the CSEE，2009， 29(28)：30-33．

[7] 楊秀媛，肖洋，陳樹勇．風電場風速和發電功率預測研究[J]．中國電機工程學報，2005，25(11)：1-5．

Yang X Y，Xiao Y，Chen S Y．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the CSEE，2005，25(11)：1-5．

[8] Anselmo B R，Maria S．Confidence intervals estimation for reliability data of power distribution equipment using Bootstrap[J]．IEEE Trans on Power Systems，2013，28(3)：3283-3291．

[9] Abbas K，Saeid N，Doug C．Prediction intervals for short-term wind farm power generation forecasts

[J]．IEEE Trans on Sustainable Energy，2013，4(3)：602-610．

[10] 胡夢月，胡志堅，仉夢林，等．基于改進AdaBoost.RT和KELM的風功率預測方法研究[J]．電網技術，2017，37(2)：536-542．

Hu M Y，Hu Z J，Zhang M L，et al．Research on wind power forecasting method based on improved AdaBoost.RT and KELM algorithm[J]．Power System Technology，2017，37(2)：536-542．

[11] 王宏琳．新一代編程語言Python、MATLAB和Haskell[J]. 石油工業計算機應用，2015(4)：7-13．

Wang H L．New generation programming language Python MATLAB and Haskell[J]．Computer Applications of Petroleum，2015(4)：7-13．

[12] 李強，白建榮，李振林，等．基于Python的數據批處理技術探討及實現[J]．地理空間信息，2015，13(2)：54-56．

Li Q，Bai J R，Li Z L，et al．Discussion on data batching technology based on Python[J]．Geospatial Information，2015，13(2)：54-56．

[13] 汪慶華，劉江煒，張蘭蘭．交叉驗證K近鄰算法分類研究[J]．西安工業大學學報，2015，35(2)：119-124．

Wang Q H，Liu J W，Zhang L L．Research on K-nearest neighbor algorithm classification of cross validation

[J]．Journal of Xi’an Technological University，2015，35(2)：119-124.

[14] 江岳春，張丙江，邢方方，等．基于混沌時間序列GA-VNN模型的超短期風功率多步預測[J]．電網技術，2015，39(8)：2160-2166．

Jiang Y C，Zhang B J，Xing F F，et al．Super-short-term multi-step prediction of wind power based on GA-VNN model of chaotic time series[J]．Power System Technology，2015，39(8)：2160-2166．

[15] 李海波，魯宗相，喬穎，等．大規模風電并網的電力系統運行靈活性評估[J]．電網技術，2015，39(6)：1672-1678．

Li H B，Lu Z X，Qiao Y，et al．Assessment on operational flexibility of power grid with grid-connected large-scale wind farms[J]．Power System Technology，2015，39(6)：1672-1678．

[16] 賈文昭，康重慶，李丹，等．基于日前風功率預測的風電消納能力評估方法[J]．電網技術，2012，36(8)：69-75．

Jia W Z，Kang C Q，Li D，et al．Evaluation on capability of wind power accommodation based on its day-ahead forecasting[J]．Power System Technology，2012，36(8)：69-75．

[17] 陳麒宇，張芳，章銳．風水協同運行控制信息的傳輸[J]．發電技術，2018，39(1)：53-57．

Chen Q C，Zhang F，Zhang R．Communication technology for wind power and hydropower coordinated operation control[J]．Power Generation Technology，2018，39(1)：53-57．

[18] 樊新東，楊秀媛，金鑫城．風電場有功功率控制綜述[J]．發電技術，2018，39(3)：268-276．

Fan X D，Yang X Y，Jin X C．An overview of active power control in wind farms[J]．Power Generation Technology，2018，39(3)：268-276．

Data Pre-processing Method Based on Distorted Data Noise Reduction and Its Application in Wind Power Prediction

JIN Xincheng1, YANG Xiuyuan2

(1. State Grid Beijing Yizhuang Power Supply Company, Daxing District, Beijing 100176, China;2. School of Automation, Beijing Information Science & Technology University, Haidian District, Beijing 100192, China)

Improving the accuracy of wind power data is of great significance for building ubiquitous power internet of things (UPIoT). Wind power prediction has a high demand for historical data sets. Most of research was focused on improving the prediction accuracy by establishing different prediction models or proposing different prediction algorithms. There is not much attention on noise data elimination. Thus, a noise reduction method for the historical wind power data was proposed, whichwas mainly applied to the data set, by eliminating the distorted data in the historical wind power data, the amount of useless data was reduced, the accuracy of wind power prediction was improved, and the data modeling and prediction time was shortened.

wind power prediction; data noise reduction; data set processing

10.12096/j.2096-4528.pgt.19035

TM 614

國家自然科學基金項目(51377011)。

Project Supported by National Natural Science Foundation of China (51377011).

2019-03-20。

(責任編輯 辛培裕)