基于失真数据降噪的数据预处理方法及其在风电功率预测中的应用

金鑫城，杨秀媛

基于失真数据降噪的数据预处理方法及其在风电功率预测中的应用

金鑫城1，杨秀媛2

（1．国网北京亦庄供电公司，北京市 大兴区 100176；2．北京信息科技大学自动化学院，北京市 海淀区 102209）

提高风电数据精度对于建设泛在电力物联网具有重要意义。风电功率预测对历史风电数据集的要求较高，现研究多集中于通过建立不同预测模型或提出不同预测算法以提高风电功率预测准确性，对于风电功率历史数据集本身的噪声数据的处理关注并不多。为此，提出一种针对风电历史数据降噪的方法，该方法主要作用于数据集本身，通过清除历史风电数据中的失真数据，降低历史数据中无用数据的数量，在提高风电功率预测准确性的同时，尽可能缩短数据建模、预测的时间。

风电功率预测；数据降噪；数据集处理

0 引言

风电具有的随机性、波动性和反调峰性，使得高比例风电接入电网对电力系统的稳定性和可靠性造成很大的影响。

文献[1]提出一种基于数理统计算法的预测模型，并对算法进行了改进，有效提高了预测准确性；文献[2-3]通过建立神经网络学习模型对风电功率进行预测，取得了不错的精度；文献[4]在神经网络模型的基础上，提出了一种滚动式权值调整策略。上述预测方法当中包含了目前主流的数理统计方法、预测模型“学习-预测”方法，这2种主流方法都是建立在风电场历史数据的基础上，通过各自的方法来预测未来风电场的功率输出情况[5-10]。然而，风电场的历史数据当中存在许多由于不可控因素(弃风、机组检修等)而造成的数据失真，这些无用数据会对预测建模造成严重影响。

本文提出一种基于数据拟合的风电场历史数据降噪方法，通过减少数据集中噪声数据的数量，减小对风电功率预测模型的影响，并通过实际数据算例分析，使用相同预测模型(本文以数理统计预测模型为例)比较降噪前后历史数据的数量和预测结果的误差。由仿真结果可知，该方法能够有效提高预测准确性，缩短建模时间，验证了方法有效性。

1 风速概率分布

风电场的输出功率受风速、风向、湿度、温度、压强等因素影响，其中风速和风向的影响权重占到了96.4%。为了更好地研究风速，构建双因素Weibull风速分布模型，它是单峰的，有2个影响因素，可以通过改变这2个参数来实现模拟各种风速状况，其中，双因素Weibull分布的风速概率密度函数为

式中：是风速；是Weibull尺度系数；是Weibull形状系数，∈[1.5,303]。

概率分布函数为

在平均风速情况下，拟合Weibull分布风速曲线如图1所示。

2 风电场风速及风电功率

风机捕获功率为

式中：为空气密度；C为功率系数；为扇叶掠过的面积。

实际应用当中，风速过低、过高时均受风机自身设计限制，在正常风速下，风机在某一段风速范围内的出力可近似认为不变。

风机“功率-风速(-)”公式为

式中：()为风机出力；r为额定出力；i为切入风速；r为额定风速；c为截止风速；f()为该风速段下的输出功率特性。

理想功率-风速曲线如图2所示。

图2 理想功率-风速曲线

3 风电输出特性的曲线拟合

由历史数据中，选取不同风速下输出功率正常的个数据点(v,p)。通过功率–风速(-)曲线()拟合降噪曲线如下：

通过拟合切入风速，使得：

通过个数据点(v, p)拟合得出，，的值。拟合曲线如图3所示。

图3 风速-功率拟合曲线

4 风电功率预测及误差分析

目前主流的风电功率预测方法主要有2种：一种是通过风速和功率的关系直接预测风电功率；另一种是通过建立数值天气预报与功率的关系达到预测的目的，其主要方法有2种，一种为统计学方法，通过找到与被预测工况相近的历史功率情况，由算法求得预测功率，另一种通过学习历史数据，寻找数据共平面，建立关系模型，通过学习得到的模型求得预测数据。本文主要利用风速与风电输出功率历史关系，采用统计学方法预测下一时段风电功率，并采用标准平均误差(NMAE)及标准均方根误差(NRMSE)评估预测效果，分别如式(7)、(8)所示：

式中：()为真实值；为预测值；cap为额定装机容量；为样本个数。

5 实例分析

本文以实际风电机组数据为基础，额定功率2MW，切入风速4m/s，额定风速13m/s，切出风速25m/s，该机组某段实际数据如图4所示，其功率-风速曲线如图5所示。

由图1及图5得知，风速落在8~15m/s之间最多，由图2、5可知，虽然整体走势符合理想曲线，但是风速在8~15m/s之间的噪声最大，曲线拟合后如图6所示。

图4 原始数据样本

图5 原始数据功率-风速曲线

图6 原始数据功率-风速拟合曲线

拟合曲线为

实际工况环境中，还要考虑某些特殊时期风机超发区间的情况，通过平移拟合曲线，获得真实数据保留区域，区域范围外则为失真数据，如图7所示。

拟合曲线上半部为

拟合曲线下半部为

(11)

降噪后保留数据如图8所示。

使用原始数据及降噪后数据分别建模，以某风电场某日(间隔15min)一天96组实际数据为例进行仿真，并进行仿真结果分析，结果如图9所示，算例仿真结果分析如表1所示。表1中历史数据量指的是，预测模型完成预测所依靠的历史“功率-风速”数据总量。

图7 数据降噪曲线

图8 真实数据保留区域

图9 功率预测结果

表1 仿真结果分析

6 结论

提出了一种历史数据降噪方法，旨在减少历史数据中因各种不可控因素而造成的噪声数据，以提高历史数据的真实性和可靠性。将该方法应用到了风电功率预测当中，并通过实际算例仿真验证了该方法的有效性，该方法在提高了风电功率预测准确性的同时，提高了建模速度，大幅减少了模型运行时间。在以后的研究中，将考虑研究多因素相互影响环境下的数据降噪方法。

[1] 杨秀媛，裘微江，金鑫城，等．改进K近邻算法在风功率预测及风水协同运行中的应用[J]．电网技术，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] 乔颖，鲁宗相，闵勇．提高风电功率预测精度的方法[J]．电网技术，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，苏建徽．基于主成分分析与人工神经网络的风电功率预测[J]．电网技术，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] 范高锋，王伟胜，刘纯．基于人工神经网络的风电功率短期预测系统[J]．电网技术，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，陈育成．基于虚拟预测与小波包变换的风电功率组合预测[J]．电力系统保护与控制，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] 王丽婕，冬雷，廖晓钟，等．基于小波分析的风电场短期发电功率预测[J]．中国电机工程学报，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] 杨秀媛，肖洋，陈树勇．风电场风速和发电功率预测研究[J]．中国电机工程学报，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] 胡梦月，胡志坚，仉梦林，等．基于改进AdaBoost.RT和KELM的风功率预测方法研究[J]．电网技术，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．新一代编程语言Python、MATLAB和Haskell[J]. 石油工业计算机应用，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] 李强，白建荣，李振林，等．基于Python的数据批处理技术探讨及实现[J]．地理空间信息，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] 汪庆华，刘江炜，张兰兰．交叉验证K近邻算法分类研究[J]．西安工业大学学报，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，张丙江，邢方方，等．基于混沌时间序列GA-VNN模型的超短期风功率多步预测[J]．电网技术，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，鲁宗相，乔颖，等．大规模风电并网的电力系统运行灵活性评估[J]．电网技术，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] 贾文昭，康重庆，李丹，等．基于日前风功率预测的风电消纳能力评估方法[J]．电网技术，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] 陈麒宇，张芳，章锐．风水协同运行控制信息的传输[J]．发电技术，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] 樊新东，杨秀媛，金鑫城．风电场有功功率控制综述[J]．发电技术，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

国家自然科学基金项目(51377011)。

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

2019-03-20。

(责任编辑 辛培裕)