基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大。因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型。首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵。然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相关关系,识别影响爬坡特征量预测误差的有效气象指标。最后,基于动态时间规整实现未来与历史数据库中具有相似特征的有效气象指标匹配,得到未来爬坡事件预测误差修正的参考集,并进行滚动修正。算例表明,该修正模型能有效降低爬坡幅值误差,提高爬坡事件预测的精度。

基于YOLOv5s的风电功率爬坡事件识别

YOLOv5s是一种基于原始图像作单一回归任务的实时性检测算法,能快速和准确地进行图像识别。为提高风电功率爬坡事件识别的速度和准确性,提出了一种基于YOLOv5s图像识别的风电功率爬坡事件识别方法。首先,针对历史风电功率数据,采用LabelMe标注软件,建立具有标注信息的风电功率爬坡事件图像样本集,并按照一定比例将其分为训练集和验证集;然后,使用YOLOv5s有效提取爬坡事件训练集的不同层特征信息,从而加强对爬坡特征的学习,获得更加丰富的爬坡特征信息;最后,利用边界框回归思想,调整模型参数,寻找爬坡事件检测的最优模型,实现对爬坡事件的快速识别和分类。针对不同数据量的爬坡事件,与改进旋转门算法OpSDA对比检测时间,结果证明YOLOv5s算法能快速检测爬坡事件。