风电功率预测

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

针对因风电场机组异常数据而导致风电功率预测精度下降的问题，文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise，DBSCAN)算法加上最小绝对残差(least absolute residual，LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据，然后基于LAR方法构建堆积型异常数据识别模型，分别实现对风电场分散型异常数据和堆积型异常数据的清洗，最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明，基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。

针对目标气象预报数据缺失导致风电预测精度不足的问题，提出一种基于空间相关性和Stacking集成学习的风电功率预测方法。首先，分析目标风电场与相邻气象站点之间的空间相关性，根据相关系数极值点确定延迟时间，构建风速时移数据集；其次，利用Stacking集成方法融合多元算法，从多个数据观测角度预测目标风电场的风电功率，实现不同算法的优势互补，提升整体泛化能力，并采用粒子群优化算法搜索模型超参数，较好地平衡搜索时间与模型效果；最后，采用华东地区某风电场的实测数据验证了文中所提方法的有效性和准确性。结果表明，通过考虑不同位置的信息偏差，从数据输入和预测模型两方面可有效提高数据缺失情况下的风电预测精度。

为提高风电功率预测精度，提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先，以风电场数值天气预报(numerical weather prediction, NWP)为原始输入，基于双层长短期记忆网络(long short-term memory, LSTM)模型对风电功率进行初步预测。其次，利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型，以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后，利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将初步预测误差分解为不同频段的误差序列，并将其作为附加性反馈输入，对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制，为风电功率预测序列与误差序列动态分配权重，由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后，仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。

本项目对海上风电场全景监控和预测性维护技术进行了研究，开发了相关系统。在监视方面，提出一种海上风电全景一体化监控架构，首次建立辅控系统CIM 模型，实现了主辅设备的统一建模及海上升压站全数字化；功率预测方面，提出可在线校正的海上风电功率预测方法，针对高变化率的海风实时修正预测模型，解决传统预测模型自适应差问题，提升了海上风电功率预测精度；功率控制方面，提出计及多因素和约束条件下海上风电有功功率控制方法及计及多时间尺度的无功设备两层协调控制方法，攻克了大惯量风电机组有功功率调节慢且精度不高的问题，实现了风电机组、无功设备功率调节次数的最优化及无功电压精准控制；运维方面，提出一种大数据趋势特征拟合的海上风机故障预测方法，结合海洋环境数据，建立多种风机劣化概率随机模型，风电机组潜在性故障判别有效率可达85%以上，实现海上风电场预测性维护。项目成果通过中国电机工程学会鉴定，结论为：“项目内容具备推广应用价值，填补了国内外空白，整体达到国际领先水平”。 项目成果目前在国内外没有同类产品可以比较。在统一模型、统一监视方面，国内外无相对应技术或产品；在控制和预测方面，技术指标处于国内外领先水平；率先建立的预测性维护体系，实现了海上风电场的智能运维。 项目成果已在25个海上风电项目中应用，对我国海上风电健康发展起到积极促进作用。从海上风力发电企业考虑，有利于降低海上风电场建设和运维成本，改善运维人员工作环境，提升企业运维水平及生产效率，增强企业的市场竞争力，年均节约运维成本约100万元；从整个新能源发电产业考虑，能够提升海上风电场可控性，有利于促进海上风电产业的发展，进而为减少碳排放，降低环境污染做出贡献。 项目成果能够为海上风电项目后期运行维护、系统协调、电网服务、资产管理等方面提供有效的技术手段和管理平台，应用前景广阔。