金鑫城，楊秀媛

基于失真數(shù)據(jù)降噪的數(shù)據(jù)預(yù)處理方法及其在風(fēng)電功率預(yù)測中的應(yīng)用

金鑫城1，楊秀媛2

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

提高風(fēng)電數(shù)據(jù)精度對于建設(shè)泛在電力物聯(lián)網(wǎng)具有重要意義。風(fēng)電功率預(yù)測對歷史風(fēng)電數(shù)據(jù)集的要求較高，現(xiàn)研究多集中于通過建立不同預(yù)測模型或提出不同預(yù)測算法以提高風(fēng)電功率預(yù)測準(zhǔn)確性，對于風(fēng)電功率歷史數(shù)據(jù)集本身的噪聲數(shù)據(jù)的處理關(guān)注并不多。為此，提出一種針對風(fēng)電歷史數(shù)據(jù)降噪的方法，該方法主要作用于數(shù)據(jù)集本身，通過清除歷史風(fēng)電數(shù)據(jù)中的失真數(shù)據(jù)，降低歷史數(shù)據(jù)中無用數(shù)據(jù)的數(shù)量，在提高風(fēng)電功率預(yù)測準(zhǔn)確性的同時，盡可能縮短數(shù)據(jù)建模、預(yù)測的時間。

風(fēng)電功率預(yù)測；數(shù)據(jù)降噪；數(shù)據(jù)集處理

0 引言

風(fēng)電具有的隨機(jī)性、波動性和反調(diào)峰性，使得高比例風(fēng)電接入電網(wǎng)對電力系統(tǒng)的穩(wěn)定性和可靠性造成很大的影響。

文獻(xiàn)[1]提出一種基于數(shù)理統(tǒng)計算法的預(yù)測模型，并對算法進(jìn)行了改進(jìn)，有效提高了預(yù)測準(zhǔn)確性；文獻(xiàn)[2-3]通過建立神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型對風(fēng)電功率進(jìn)行預(yù)測，取得了不錯的精度；文獻(xiàn)[4]在神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，提出了一種滾動式權(quán)值調(diào)整策略。上述預(yù)測方法當(dāng)中包含了目前主流的數(shù)理統(tǒng)計方法、預(yù)測模型“學(xué)習(xí)-預(yù)測”方法，這2種主流方法都是建立在風(fēng)電場歷史數(shù)據(jù)的基礎(chǔ)上，通過各自的方法來預(yù)測未來風(fēng)電場的功率輸出情況[5-10]。然而，風(fēng)電場的歷史數(shù)據(jù)當(dāng)中存在許多由于不可控因素(棄風(fēng)、機(jī)組檢修等)而造成的數(shù)據(jù)失真，這些無用數(shù)據(jù)會對預(yù)測建模造成嚴(yán)重影響。

本文提出一種基于數(shù)據(jù)擬合的風(fēng)電場歷史數(shù)據(jù)降噪方法，通過減少數(shù)據(jù)集中噪聲數(shù)據(jù)的數(shù)量，減小對風(fēng)電功率預(yù)測模型的影響，并通過實(shí)際數(shù)據(jù)算例分析，使用相同預(yù)測模型(本文以數(shù)理統(tǒng)計預(yù)測模型為例)比較降噪前后歷史數(shù)據(jù)的數(shù)量和預(yù)測結(jié)果的誤差。由仿真結(jié)果可知，該方法能夠有效提高預(yù)測準(zhǔn)確性，縮短建模時間，驗證了方法有效性。

1 風(fēng)速概率分布

風(fēng)電場的輸出功率受風(fēng)速、風(fēng)向、濕度、溫度、壓強(qiáng)等因素影響，其中風(fēng)速和風(fēng)向的影響權(quán)重占到了96.4%。為了更好地研究風(fēng)速，構(gòu)建雙因素Weibull風(fēng)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(shù)來實(shí)現(xiàn)模擬各種風(fēng)速狀況，其中，雙因素Weibull分布的風(fēng)速概率密度函數(shù)為

式中：是風(fēng)速；是Weibull尺度系數(shù)；是Weibull形狀系數(shù)，∈[1.5,303]。

概率分布函數(shù)為

在平均風(fēng)速情況下，擬合Weibull分布風(fēng)速曲線如圖1所示。

2 風(fēng)電場風(fēng)速及風(fēng)電功率

風(fēng)機(jī)捕獲功率為

式中：為空氣密度；C為功率系數(shù)；為扇葉掠過的面積。

實(shí)際應(yīng)用當(dāng)中，風(fēng)速過低、過高時均受風(fēng)機(jī)自身設(shè)計限制，在正常風(fēng)速下，風(fēng)機(jī)在某一段風(fēng)速范圍內(nèi)的出力可近似認(rèn)為不變。

風(fēng)機(jī)“功率-風(fēng)速(-)”公式為

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

理想功率-風(fēng)速曲線如圖2所示。

圖2 理想功率-風(fēng)速曲線

3 風(fēng)電輸出特性的曲線擬合

由歷史數(shù)據(jù)中，選取不同風(fēng)速下輸出功率正常的個數(shù)據(jù)點(diǎn)(v,p)。通過功率–風(fēng)速(-)曲線()擬合降噪曲線如下：

通過擬合切入風(fēng)速，使得：

通過個數(shù)據(jù)點(diǎn)(v, p)擬合得出，，的值。擬合曲線如圖3所示。

圖3 風(fēng)速-功率擬合曲線

4 風(fēng)電功率預(yù)測及誤差分析

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

式中：()為真實(shí)值；為預(yù)測值；cap為額定裝機(jī)容量；為樣本個數(shù)。

5 實(shí)例分析

本文以實(shí)際風(fēng)電機(jī)組數(shù)據(jù)為基礎(chǔ)，額定功率2MW，切入風(fēng)速4m/s，額定風(fēng)速13m/s，切出風(fēng)速25m/s，該機(jī)組某段實(shí)際數(shù)據(jù)如圖4所示，其功率-風(fēng)速曲線如圖5所示。

由圖1及圖5得知，風(fēng)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(fēng)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(shù)據(jù)樣本

圖5 原始數(shù)據(jù)功率-風(fēng)速曲線

圖6 原始數(shù)據(jù)功率-風(fēng)速擬合曲線

擬合曲線為

實(shí)際工況環(huán)境中，還要考慮某些特殊時期風(fēng)機(jī)超發(fā)區(qū)間的情況，通過平移擬合曲線，獲得真實(shí)數(shù)據(jù)保留區(qū)域，區(qū)域范圍外則為失真數(shù)據(jù)，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(shù)據(jù)如圖8所示。

使用原始數(shù)據(jù)及降噪后數(shù)據(jù)分別建模，以某風(fēng)電場某日(間隔15min)一天96組實(shí)際數(shù)據(jù)為例進(jìn)行仿真，并進(jìn)行仿真結(jié)果分析，結(jié)果如圖9所示，算例仿真結(jié)果分析如表1所示。表1中歷史數(shù)據(jù)量指的是，預(yù)測模型完成預(yù)測所依靠的歷史“功率-風(fēng)速”數(shù)據(jù)總量。

圖7 數(shù)據(jù)降噪曲線

圖8 真實(shí)數(shù)據(jù)保留區(qū)域

圖9 功率預(yù)測結(jié)果

表1 仿真結(jié)果分析

6 結(jié)論

提出了一種歷史數(shù)據(jù)降噪方法，旨在減少歷史數(shù)據(jù)中因各種不可控因素而造成的噪聲數(shù)據(jù)，以提高歷史數(shù)據(jù)的真實(shí)性和可靠性。將該方法應(yīng)用到了風(fēng)電功率預(yù)測當(dāng)中，并通過實(shí)際算例仿真驗證了該方法的有效性，該方法在提高了風(fēng)電功率預(yù)測準(zhǔn)確性的同時，提高了建模速度，大幅減少了模型運(yùn)行時間。在以后的研究中，將考慮研究多因素相互影響環(huán)境下的數(shù)據(jù)降噪方法。

[1] 楊秀媛，裘微江，金鑫城，等．改進(jìn)K近鄰算法在風(fēng)功率預(yù)測及風(fēng)水協(xié)同運(yùn)行中的應(yīng)用[J]．電網(wǎng)技術(shù)，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(fēng)電功率預(yù)測精度的方法[J]．電網(wǎng)技術(shù)，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(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J]．電網(wǎng)技術(shù)，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(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測系統(tǒng)[J]．電網(wǎng)技術(shù)，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(yù)測與小波包變換的風(fēng)電功率組合預(yù)測[J]．電力系統(tǒng)保護(hù)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(fēng)電場短期發(fā)電功率預(yù)測[J]．中國電機(jī)工程學(xué)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(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J]．中國電機(jī)工程學(xué)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(jìn)AdaBoost.RT和KELM的風(fēng)功率預(yù)測方法研究[J]．電網(wǎng)技術(shù)，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(yè)計算機(jī)應(yīng)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(qiáng)，白建榮，李振林，等．基于Python的數(shù)據(jù)批處理技術(shù)探討及實(shí)現(xiàn)[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?zhí)m蘭．交叉驗證K近鄰算法分類研究[J]．西安工業(yè)大學(xué)學(xué)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(fēng)功率多步預(yù)測[J]．電網(wǎng)技術(shù)，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(guī)模風(fēng)電并網(wǎng)的電力系統(tǒng)運(yùn)行靈活性評估[J]．電網(wǎng)技術(shù)，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(fēng)功率預(yù)測的風(fēng)電消納能力評估方法[J]．電網(wǎng)技術(shù)，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(fēng)水協(xié)同運(yùn)行控制信息的傳輸[J]．發(fā)電技術(shù)，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(fēng)電場有功功率控制綜述[J]．發(fā)電技術(shù)，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(xué)基金項目(51377011)。

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

2019-03-20。

(責(zé)任編輯 辛培裕)