【《风电爬坡事件预测的研究现状文献综述》2400字】

风电爬坡事件预测的研究现状文献综述针对于爬坡事件的预测的研究成果也比较丰富。文献[29]以爬坡发生时间为中心，人为加上一个时间段，计算在该时间段内不同场景下发生爬坡的概率，实现爬坡事件发生时间的不确定性预报。文献[30]用自组织映射的方法，以海平面气压为目标，把日本东部36年的气象数据分为20*20类。然后，研究每个天气模式下对应的风功率爬坡事件发生的概率，和天气模式对应起来。通过天气预报的方式实现爬坡事件预报。文献[31]指出可再生能源与负荷出现相反方向的爬坡事件会对电网产生更严重的影响，未来的爬坡事件定义、识别及预测需要引入负荷侧等更多信息。文献[32]建立了计及频率偏差的双馈异步风电机组模型、负荷模型和发电机模型，充分利用SCADA的冗余数据进行状态估计，生成相应频率指标进行爬坡检测；文献[33]直接利用支持向量机对风电爬坡事件进行二分类预测。文献[34]利用支持向量机模型，将历史的风速平均值、标准差、最大值、最小值、功率以及功率爬坡率作为模型输入来预报提前10分钟至60分钟的风功率爬坡率。Kramer等人把爬坡事件预报看作分类问题[35]。将目标风机及周围风机的风功率特征构成一个模式，而爬坡事件作为标签（0表示没有爬坡事件，1表示正爬坡，-1表示负爬坡），利用支持向量机模型进行分类，实现爬坡事件的预报。Bossavy[36]等人根据风速预报的结果产生不同的场景，然后根据爬坡的定义查找爬坡事件发生的时间，以该时间为中心，人为加上一个时间段，计算在该时间段内不同场景下发生爬坡的概率，实现爬坡事件发生时间的不确定性预报。文献[37]针对风电爬坡事件预报中的时间窗口选取进行研究.文献[38]对风功率爬坡事件预报过程中预报时间窗口的选取和建模进行了研究，并基于气象背景选择相邻点的方法来对风功率爬坡事件进行预报。文献[39]利用小波变换和支持向量机的融合预测方法，实现了爬坡事件的识别和预报。文献[40]提出了一种堆叠降噪自动编码的爬坡事件特征提取方法，再进行特征提取后利用聚类算法将特征相似的样本进行归类。同时利用深度学习、神经网络等常用算法，将提取到的特征作为预测模型的输入，是否为爬坡事件作为模型的输出，实现了对爬坡事件进行预报。文献[41]提出一种基于特征点点提取的限制指标动态优化的风电功率爬坡段识别方法。图1-3动态优化的系统流程图[41]文献[20]指出目前研究大多都是从风电厂侧预测爬坡，需要进一步突出爬坡事件对电网产生的影响。文献[19]结合电网频率来对爬坡事件进行预测，将频率偏差量放入雅可比矩阵，进行潮流计算的，以此实现风电爬坡事件的预测。图1-4考虑频率偏差的爬坡事件预测流程[19]文献[42]提出了一种提出了一种基于半监督生成对抗网络(GAN)的混合预测模型来解决短期风电出力和匝道事件预测问题。该模型将原始的风能数据时间序列分解为多个具有不同频率本征模态函数(IMFs)的子序列，采用带有标签学习的半监督回归法进行数据扩增，提取各IMF的非线性和动态行为。然后，利用GAN生成模型获取无标记虚拟样本，获取风电输出数据分布特征;重新设计判别模型，采用半监督回归层进行风电点预测。文献[43]提出了一种基于利用典型事件聚类识别预测风电爬坡事件的方法，并利用实际风电场数据对该方法的合理性进行了分析。文献[44]提出了一种基于小波深度信念网络的风电爬坡预测算法，首先，分析了风电特性，然后对时间序列进行小波分解，提出一种自适应特征选择算法来选择预测模型的输入，最后采用深度置信网络进行预测。文献[45]提出了一种基于copula的风力发电爬坡条件概率预测模型。文献[46]提出了一种利用远程多普勒激光雷达对风电场规模的短期风电功率预测。文献[47]提出了一种基于蓄水池计算的风电爬坡事件有序多类预测体系结构，与之前的二分类预测问题(斜坡与非斜坡)不同，本文采用了三类预测模型，提出了一种新的离散化函数，能够检测出风电爬坡事件的本质：负爬坡、非爬坡和正爬坡事件。文献[48]提出风爬坡事件预报的非线性卡尔曼滤波偏差修正模型，明显的提高了风电爬坡事件预测的准确率。文献[49]提出了一种基于深度神经网络的风电爬坡事件多任务学习预测模型，提出了DNN-MTL架构，同时接收来自所有风电场的输入，以同时预测风电场每个位置上的风电爬坡事件。文献[50]在多个空间和时间尺度上改进了短期风电预测的爬坡预测性能。在目前的风电功率的爬坡预测研究中，根据所用数据样本的不同，风电功率的爬坡事件的预测方法可以分为直接预测法和间接预测法。国内外学者利用小波变化[39]、原子稀疏分[40]等方法，与常用的支持向量机、BP神经网络等数据驱动的建模方法进行结合，提高了预测精度。在风电场运行过程中，发生爬坡事件的概率较小，因此在利用基于数据驱动的建模预测中，会出现风电爬坡事件与非爬坡事件之间的样本类不平衡问题，风导致预测精度的降低，而现有的数据驱动建模方法中未做出针对性考虑和处理，因此如何针对风电爬坡预测中的类不平衡问题，提高风电爬坡事件预测的准确度是一个值得深入研究的问题。。参考文献[1] LIL,LIUD,LIUJ,etal.QualityPredictionandControlofAssemblyandWeldingProcessforShipGroupProductBasedonDigitalTwin[J].Scanning,2020,5(1):1-13.[2] SHENY,LENGJ,WANGC.OntheHeterogeneousMicrostructureDevelopmentintheWeldedJointof12MnNiVRPressureVesselSteelSubjectedtoHighHeatInputElectrogasWelding[J].JournalofMaterialsScience&Technology,2019,35(8):1747-1752.[3] 许志祥.大线能量焊接用钢双丝气电立焊研究[D].上海:上海交通大学,2012:2-6.[4] PARKJ,ANG,WOOWC,etal.ComparisonofMeasuredResidualStressDistributionsinExtra-ThickButtWeldsJoinedbyOne-PassEGWandMultipassFCAW[J].AdvancesinMechanicalEngineering,2014,6(8):9-20.[5] SASAKIK,SUDAK,MOTOMATSUR,etal.DevelopmentofTwo-ElectrodeElectrogasArcWeldingProcess[J].NipponSteelTechnicalReport,2004,2(90):67-74.[6] 许小平.船舶气电立焊工艺与参数控制[J].电焊机,2010,40(1):83-85.[7] 何国中,邓志强,胡顺克.气电立焊焊接工艺要素及施工注意事项[J].中国修船,2016,29(5):20-22.[8] 张怡典,奚泉.气电立焊技术在散货船生产中的应用[J].造船技术,2010,45(6):38-39.[9] 梁国俐.垂直气电立焊EH36船板钢接头力学性能分析[J].热加工工艺,2016,45(1):215-216.[10] 吕冬,翟晓莉,韩鹏,等.新型EH36高强船板钢的气电立焊试验研究[J].焊接,2007,5(5):91-93.[11] 端传宝,王欢,岑越,等.EH40船用高强钢双丝气电立焊接头组织与性能[J].热加工工艺,2014,43(17):203-205.[12] 陈浮,黄治军,朱丛茂,等.EH36W50钢的气电立焊试验研究[J].武汉工程职业技术学院学报,2013,25(3):18-20.[13] SEOK,RYOOH,KIMHJ,etal.LocalVariationofImpactToughnessinTandemElectro-gasWeldedJoint[J].WeldingintheWorld,2020,64(3):457-465.[14] YIJ,NIUB,GAOW,etal.HeterogeneousMicrostructureandCorrosionResistanceoftheEH36SteelJoinedbyVerticalElectro-GasWelding[J].InternationalJournalofElectrochemicalScience,2020,15(3):2822-2838.[15] LIUW,PANH,LI