基于气象数据的中期风功率预测研究

作     者：范强强 

作者单位：兰州理工大学 

学位级别：硕士

导师姓名：李仁年;马彦宏

授予年度：2023年

学科分类：08[工学] 0807[工学-动力工程及工程热物理] 

主      题：气象数据 SCADA数据 中期风功率预测 批量化分类过滤 XGBoost算法 

摘      要：随着风电装机量的不断扩大和电网体系的进一步完善,国家对新能源电力消纳越发重视,风电场并网上电的要求也愈发严格,最新的功率预测考核标准增加了中期功率预测的要求,预测时长覆盖到了未来0至10日功率预测,要求第10日准确率不低于70%。通过对风电场中期风功率预测的深入研究,不断提高中期预测的精确度可以最大限度减少风电场的考核损失,同时对于新能源消纳具有重要意义。考虑到随着风功率预测时长的增加,预测难度会增大,预测的精确度也会下降。为了提高中期预测的精确度,本文基于气象数据对风电场中期风功率预测进行深入研究。提出特征离散化处理超长周期气象数据的方法并应用于风电场精益化运维过程中,以便辅助风电场运行维护人员制定更为精准高效的运检策略;提出了基于规则筛选与Bin算法结合的分类过滤模型,实现了对风功率曲线高效快速地批量化清洗过滤;结合这两种方法建立有效的风功率预测所需的特征体系,为提高预测的精确度,提出以机组风速为基准,使用线性拟合的方法求解最佳测风塔点位的方法,同时提出皮尔逊相关系数法确定预测风功率所需的机组参数。最后对比ARIMA模型、Prophet模型、SARIMAX模型以及ML等不同模型的预测效果,使用XGBoost模型对该风电场未来10天的风功率进行预测,其预测结果满足国标对未来10天风功率预测精确度的要求。以下是本文的主要内容:(1)针对目前部分现役机组投运时间较短,机组运行数据较少,还不足以为风电场运维工作尤其计划检修提供有价值的参考。在这样的情况下,通过特征离散化方法处理超长周期气象数据并应用于风电场精益化运维过程中,可以得到风电场潜在的气象变化规律,可以将这些结果或规律作为风电场未来长期运维的一个基本定调,可以为发电企业寻求合适的作业窗口期提供帮助,同时也可以帮助发电企业制定宏观运检计划、季节性维护计划等,从而减少无计划的、盲目的检修工作,可以最大程度上减少发电损失。(2)进行了基于SCADA数据的风速-功率曲线清洗的研究。通过批量化分类过滤风功率曲线,可以为风电场的日常维护以及机组故障处理提供便利。本文分别采用了孤立森林算法和基于规则筛选与Bin算法结合的分类过滤模型,对某风电场24台机组一年的运行数据进行了批量化分类过滤,最后从清洗程度和清洗用时等多个维度的评估,提出的基于规则筛选与Bin算法结合的分类过滤模型效果最好,该算法可满足批量化清洗风功率曲线的要求。(3)考虑到风电行业对中期(未来10天)风功率预测的迫切需求,本文基于风电场气象数据对未来10天风功率预测进行了研究。为提高预测模型准确率,得到一个良好的预测结果,在数据的选取上,采用风电场5个点位气象数据结合风电场整场输出功率作为研究的数据集。在数据处理方面,提出使用线性拟合的方法寻找最佳测风塔点位的方法,同时提出皮尔逊相关系数法确定预测风功率所需的机组参数。在特征工程的建立方面,采用前面章节提到的特征离散化的方法处理数据集,同时使用基于规则筛选与Bin算法结合的分类过滤模型过滤异常的功率值。在预测模型的选择上,通过对ARIMA、Prophet、SARIMAX以及ML(Machine Learning)等混合模型的验证,最后选取了Boosting类算法中的XGBoost算法对未来10天的风功率进行了预测,为验证以上方法的有效性和该算法的泛化能力,选取另一个区域的风电场数据进行了验证。进一步确定了本文所提出的方法的有效性和合理性。本文通过采用不同数据处理手段和预测模型,进一步提高了预测模型准确率,达到为发电企业减少考核费用的目的。