CN102768738A - 风电场功率预测方法和预测装置 - Google Patents

Abstract

本发明提供了一种风电场功率预测方法和预测装置。该风电场功率预测方法包括：获取数值天气预报***输出的天气预报数据；利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据；使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据；输出功率预测数据。使用本发明的方案，实现了数值天气预报***与CFD***的数据耦合，得出更加精确的风机所在点位及风机所在高度的风速和风向等气象信息，并使用统计模型的方法由气象预测数据得出功率预测数据，避免了功率曲线迭代计算方式引起的不准确性，并消除了各风机之间功率曲线的差异性，从而提高了风电场功率预测的精确性。

Description

风电场功率预测方法和预测装置

技术领域

本发明涉及新能源领域，具体而言，涉及一种风电场功率预测方法和预测装置。

背景技术

风能发电的在电力***中所占的比重以每年30％的速度增长。但是由于风能具有波动性、间歇性、低能量密度、不可控等特点，因而风电功率也是波动的、间歇的。造成大容量的风电接入电网将会对电力***的安全、稳定运行带来些新问题，尤其是对电力***运行调度的影响明显。因此，开发和使用风电场功率预测方法具有重大的意义。

风电场功率预测是一个非常复杂的问题，涉及相关的各种跨学科，如气象学，流体动力学，随机过程等学科，其中风电场内的数值天气预报是最具挑战性的问题，特别是在地形复杂的地区和有污染物存在的地区，风速的时空变化更为迅速。目前使用的风电场功率预测方法主要有：

1、数值天气预报技术与统计方法，利用数值天气预报技术和统计方法的结合的预测技术首次应用在1985-1987年期间的加州。欧洲中期天气预报中心（ECMWF）在英国也开发出这样一种数值预报***，利用统计校正技术结合15公里水平分辨率网格数值预报联合运行，该技术利用统计模型校正技术将数值天气预报的结果进行进一步优化，并降维到风电场的实际位置上，但是其精度远不能达到风电场功率预测的要求。

2、使用低分辨率的数值天气预报技术和WASP技术，HIRLAM/WASP***是由丹麦气象局和国家实验室负责开发的。其主要包括在HIRLAM上运行56公里水平分辨率网格的数值预报和使用WASP用来估计风电场局部区域的尾流影响。在克里特岛，HIRLAM/WASP模型的应用取得了令人满意的预测结果，但它的缺点在于无法体现复杂地形的影响。

3、高分辨率的数值天气预报技术，Previento预测***在奥尔登堡大学被研发出来，它是基于一个高分辨率的中尺度数值模式，并考虑到当地地形的影响（如粗糙度等），还考虑了大气的热稳定度等因素，从而更好地估计在风力发电机组轮毂高度的风速。但是并没有建立和分析微尺度的物理模型并加以合理的应用。该***主要运行在德国。

通过以上数值天气预报技术得出的风力数据，通过功率曲线迭代计算得出风机的输出功率预测值。

针对现有技术中存在的风电场功率预测方法预测精度不高的问题，目前尚没有提出有效的解决方案。

发明内容

本发明旨在提供一种风电场功率预测方法和预测装置，以解决现有技术中风电场功率预测方法预测精度不高的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种风电场功率预测方法。该风电场功率预测方法包括：获取数值天气预报***输出的天气预报数据；利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据；使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据；输出功率预测数据。

进一步地，获取数值天气预报***输出的天气预报数据包括：获取COAMPS***的最高水平网格精度的数值天气预报数据。

进一步地，利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据包括：利用设置有风电场实际环境参数的CFD软件对数值天气预报数据进行优化计算得出气象初步预测数据；将气象初步预测数据进行卡尔曼滤波计算以得到风电场的气象预测数据。

进一步地，将气象初步预测数据进行卡尔曼滤波计算以得到风电场的气象预测数据之后还包括：将风电场的气象预测数据发送给数值天气预报***。

进一步地，使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据包括：将气象预测数据输入神经网络模型；利用神经网络模型进行计算以得出初步功率预测数据；将初步功率预测数据进行卡尔曼滤波计算得出风电场的功率预测数据，其中，神经网络模型为预先利用风电场的气象数据和输出功率数据建立的统计模型。

进一步地，输出功率预测数据包括：使用客户端服务器方式或浏览器服务器方式输出优化的功率预测值。

进一步地，输出功率预测数据包括：将功率预测数据上传至电网调度服务器。

根据本发明的另一方面，提供了一种风电场功率预测装置。该风电场功率预测装置包括：天气预报获取模块，用于获取数值天气预报***输出的天气预报数据；气象预测模块，用于利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据；功率预测模块，用于使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据；输出模块，用于输出功率预测数据。

进一步地，气象预测模块还用于：利用设置有风电场实际环境参数的CFD软件对数值天气预报数据进行优化计算得出气象初步预测数据；将气象初步预测数据进行卡尔曼滤波计算以得到风电场的气象预测数据。

进一步地，功率预测模块还用于：将气象预测数据输入神经网络模型；利用神经网络模型进行计算以得出初步功率预测数据；将初步功率预测数据进行卡尔曼滤波计算得出风电场的功率预测数据，其中，神经网络模型为预先利用风电场的气象数据和输出功率数据建立的统计模型。

应用本发明的技术方案，风电场功率预测方法包括：获取数值天气预报***输出的天气预报数据；利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据；使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据；输出功率预测数据。使用本发明实施例的风电场功率预测装置实现了输注天气预报***与CFD***的数据耦合，得出更加精确的风机所在点位及风机所在高度的风速和风向等气象信息，并使用统计模型的方法由气象预测数据得出功率预测数据，避免了功率曲线迭代计算方式引起的不准确性，并消除了各风机之间功率曲线的差异性，从而提高了风电场功率预测的精确性，为进一步提高电网的电能调度水平提供了基础。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的风电场功率预测装置

图2是是根据本发明实施例的风电场功率预测装置的COAMPS***嵌套网格的示意图；

图3是根据本发明实施例的风电场功率预测方法的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

图1是根据本发明实施例的风电场功率预测装置，如图1所示，本发明实施例的风电场功率预测装置包括：天气预报获取模块11，用于获取数值天气预报***输出的天气预报数据；气象预测模块13，用于利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据；功率预测模块15，用于使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据；输出模块17，用于输出功率预测数据。

使用本发明实施例的风电场功率预测装置实现了数值天气预报***与CFD***的数据耦合，得出更加精确的风机所在点位及风机所在高度的风速和风向等气象信息，并使用统计模型的方法由气象预测数据得出功率预测数据，避免了功率曲线迭代计算方式引起的不准确性，并消除了各风机之间功率曲线的差异性，从而提高了风电场功率预测的精确性，为进一步提高电网的电能调度水平提供了基础。

其中，天气预报获取模块11获取数值天气预报***输出的天气预报数据的具体步骤可以为获取COAMPS***的最高水平网格精度的数值天气预报数据。COAMPS（CoupledOcean/Atmosphere Mesoscale Prediction System，耦合海洋/大气中尺度预报***）是一个耦合了海洋/大气的中尺度数值天气预报***，它是由美国海军研究实验室研发出来的。COAMPS模式是一个三维非静力模型，可以对大型而且地形复杂的区域进行数值天气预报运算。数值预报模块的执行时间由嵌套的层数来决定。使用不同数量的嵌套网格以实现一个给定的区域高分辨率的大气模型其疏忽结果精度也会有较大差异。图2是是根据本发明实施例的风电场功率预测装置的COAMPS***嵌套网格的示意图，如图2所示，COAMPS的预报网格大小可以从几百公里到约100米内变化。

气象预测模块13中的CFD（Computational Fluid Dynamics，计算流体动力学）软件，可以对风电场进行微观预测，现有常见的CFD软件包括：FLUENT、Phoenics、CFX、Star-cd等，数值天气预报***（如COAMPS）输出的天气预报数据作为风电场内部微观***CFD软件的输入，并且可以提供计算边界等问题时的边界条件（如风速剖面，湍流动能的垂直分布等）。CFD软件计算参数可以根据风电场实际的环境参数进行设置，上述计算参数包括风电场的湍流参数、粗糙度和热稳定度。

气象预测模块13中利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据的具体步骤可以为：利用设置有风电场实际环境参数的CFD软件对数值天气预报数据进行优化计算得出气象初步预测数据；将气象初步预测数据进行卡尔曼滤波计算以得到风电场的气象预测数据。通过卡尔曼滤波计算，可以结合实际采集的气象数据对气象预测数据进行进一步精度优化，从而使气象预测更加精确。

以上经过卡尔曼滤波计算得出的风速、风向、温度等气象数据还可以发送至数值天气预报***，以为下一周期的数值天气预报提供基础。

功率预测模块15还可以用于：将上述气象预测数据输入神经网络模型；利用神经网络模型进行计算以得出初步功率预测数据；将初步功率预测数据进行卡尔曼滤波计算得出风电场的功率预测数据，其中，神经网络模型为预先利用风电场的气象数据和输出功率数据建立的统计模型。该统计模型根据风电场长时间记录的历史数据作为基础按照神经网络算法生成神经网络模型，在此模型中建立了风速变量和功率变量之间的对应关系。在使用该统计模型时，可以将上述气象预测数据输入神经网络模型，由神经网络模型进行运算后输出风电场的初步功率预测数据，对该初步功率预测数据结合上一周期测量的实际值进行卡尔曼滤波计算后即可得出风电场的功率预测数据，进一步提高了预测精度。

输出模块17输出功率预测数据的方式可以是使用客户端服务器方式或浏览器服务器方式输出优化的功率预测值，从而让数据使用者利用客户端或浏览器直接获取以上数据。

输出模块17输出功率预测数据的另一种方式是输出功率预测数据包括：将功率预测数据上传至电网调度服务器，调度人员利用该预测数据进行电能的调度。

本发明实施例还提供了一种风电场功率预测方法，该风电场功率预测方法可以通过本发明上述实施例所提供的任一种风电场功率预测装置来执行，图3是根据本发明实施例的风电场功率预测方法的示意图，如图3所示，该风电场功率预测方法包括：

步骤S31，获取数值天气预报***输出的天气预报数据；

步骤S33，利用CFD软件对天气预报数据进行优化计算以得到风电场的气象预测数据；

步骤S35，使用预先建立的统计模型中气象数据与输出功率的对应关系按照气象预测数据得出风电场的功率预测数据；

步骤S37，输出功率预测数据。

其中，步骤S31可以包括获取COAMPS***的最高水平网格精度的数值天气预报数据。利用高网格精度的COAMPS数值天气预报可以除可以得到包括陆地、海洋等复杂地形的准确天气预报外，还可以得到空气污染情况，从而可以获取空气污染情况包括沙尘暴等（包括沙尘暴等）对风电功率预报精度的影响。

步骤S33可以包括：利用设置有风电场实际环境参数的CFD软件对数值天气预报数据进行优化计算得出气象初步预测数据；将气象初步预测数据进行卡尔曼滤波计算以得到风电场的气象预测数据。从而通过双向数据流互动方式实现数值天气预报和风电场微观预测***的耦合，得到精确的风机所在电位和高度的风速风向。其中，将COAMPS的输出作为风电场内部微观***CFD模型的输入，为其计算边界等问题时提供必要的边界条件（包括风速剖面，湍流动能的垂直分布）。

在将气象初步预测数据进行卡尔曼滤波计算以得到风电场的气象预测数据之后还包括：将风电场的气象预测数据发送给数值天气预报***，将CFD软件优化之后的风速、风向和温度等气象信息作为COAMPS的输入，来使得下一个周期COAMPS的输出更加精确。

步骤S35可以包括：将气象预测数据输入神经网络模型；利用神经网络模型进行计算以得出初步功率预测数据；将初步功率预测数据进行卡尔曼滤波计算得出风电场的功率预测数据，其中，神经网络模型为预先利用风电场的气象数据和输出功率数据建立的统计模型。

上述对气象信息数据及功率预测数据的两次卡尔曼滤波计算，基于实际采集到的气象数据和输出功率信息将预测值进行了反馈矫正，进一步提高了预测数据的准确性。

步骤S37可以包括使用客户端服务器方式或浏览器服务器方式输出优化的功率预测值，或者将功率预测数据上传至电网调度服务器。为数据的进一步高级应用提供了接口。

从以上的描述中，可以看出本发明上述的实施例实现了如下技术效果：实现了输注天气预报***与CFD***的数据耦合，得出更加精确的风机所在点位及风机所在高度的风速和风向等气象信息，并使用统计模型的方法由气象预测数据得出功率预测数据，避免了功率曲线迭代计算方式引起的不准确性，并消除了各风机之间功率曲线的差异性，从而提高了风电场功率预测的精确性，为进一步提高电网的电能调度水平提供了基础。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电场功率预测方法，其特征在于，包括：

获取数值天气预报***输出的天气预报数据；

利用CFD软件对所述天气预报数据进行优化计算以得到风电场的气象预测数据；

使用预先建立的统计模型中气象数据与输出功率的对应关系按照所述气象预测数据得出风电场的功率预测数据；

输出所述功率预测数据。

2.根据权利要求1所述的预测方法，其特征在于，获取数值天气预报***输出的天气预报数据包括：获取COAMPS***的最高水平网格精度的数值天气预报数据。

3.根据权利要求1或2所述的预测方法，其特征在于，利用CFD软件对所述天气预报数据进行优化计算以得到风电场的气象预测数据包括：

利用设置有所述风电场实际环境参数的CFD软件对所述数值天气预报数据进行优化计算得出气象初步预测数据；

将所述气象初步预测数据进行卡尔曼滤波计算以得到所述风电场的气象预测数据。

4.根据权利要求3所述的预测方法，其特征在于，将所述气象初步预测数据进行卡尔曼滤波计算以得到所述风电场的气象预测数据之后还包括：

将所述风电场的气象预测数据发送给所述数值天气预报***。

5.根据权利要求1至4中任一项所述的预测方法，其特征在于，使用预先建立的统计模型中气象数据与输出功率的对应关系按照所述气象预测数据得出风电场的功率预测数据包括：

将所述气象预测数据输入神经网络模型；

利用所述神经网络模型进行计算以得出初步功率预测数据；

将所述初步功率预测数据进行卡尔曼滤波计算得出风电场的功率预测数据，其中，所述神经网络模型为预先利用风电场的气象数据和输出功率数据建立的统计模型。

6.根据权利要求1至4中任一项所述的预测方法，其特征在于，输出所述功率预测数据包括：使用客户端服务器方式或浏览器服务器方式输出所述优化的功率预测值。

7.根据权利要求1至4中任一项所述的预测方法，其特征在于，输出所述功率预测数据包括：将所述功率预测数据上传至电网调度服务器。

8.一种风电场功率预测装置，其特征在于，包括：

天气预报获取模块，用于获取数值天气预报***输出的天气预报数据；

气象预测模块，用于利用CFD软件对所述天气预报数据进行优化计算以得到风电场的气象预测数据；

功率预测模块，用于使用预先建立的统计模型中气象数据与输出功率的对应关系按照所述气象预测数据得出风电场的功率预测数据；

输出模块，用于输出所述功率预测数据。

9.根据权利要求8所述的预测装置，其特征在于，所述气象预测模块还用于：

利用设置有所述风电场实际环境参数的CFD软件对所述数值天气预报数据进行优化计算得出气象初步预测数据；

将所述气象初步预测数据进行卡尔曼滤波计算以得到所述风电场的气象预测数据。

10.根据权利要求8或9所述的预测装置，其特征在于，所述功率预测模块还用于：

将所述气象预测数据输入神经网络模型；

利用所述神经网络模型进行计算以得出初步功率预测数据

将所述初步功率预测数据进行卡尔曼滤波计算得出风电场的功率预测数据，

其中，所述神经网络模型为预先利用风电场的气象数据和输出功率数据建立的统计模型。

Images