CN103679282B - 风电功率爬坡的预测方法 - Google Patents

Abstract

本发明提供一种风电功率爬坡的预测方法，主要包括以下步骤：据时序先后逐点计算超短期风电功率爬坡持续时间、爬坡幅值、爬坡方向及实时爬坡率，比较与阈值判断是否为风电功率爬坡事件；获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据超过设定阈值部分的极大值确定功率爬坡事件的爬坡中心时间，根据附近超过阈值的临界点计算爬坡持续时间、爬坡幅值及爬坡方向，实现短期风电功率极端爬坡事件预测；以及分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，实现风电功率爬坡预测。

Description

风电功率爬坡的预测方法

技术领域

本发明属于电力***预测与控制技术领域。尤其涉及一种超短期/短期风电功率爬坡预测方法。

背景技术

受风资源变化特性支配，风电功率输出具有很强的随机性和波动性。风电功率爬坡事件指较短时间内风电出力发生较大变化，大规模风电集中并网后的风电功率爬坡可在短时间内变化上百兆瓦，是电力***调度运行所面临的重要挑战，一旦爬坡幅度或爬坡速率超过***备用可以承受的范围，将对***的安全稳定构成威胁。

对风电功率爬坡进行预报可以帮助***提前采取措施应对即将发生的功率爬坡事件。风电功率爬坡事件的基本要素是爬坡持续时间、爬坡幅值和爬坡方向(简称为“爬坡三要素”)。根据预报结果，对于功率上爬坡事件，调度机构可以调整发电计划以吸纳更多的清洁能源，或者在下调备用容量不足时采取限电等必要措施；对于功率下爬坡事件，可以按照功率爬坡的规模大小提前准备投入各级备用，必要时采取切负荷等措施保证***安全。

传统风电功率预测技术以输出规定时段的预测功率序列为目的，而风电功率爬坡预报侧重对爬坡事件的识别和预判。由于功率爬坡事件涉及风资源的快速变化，采用的预测方法主要基于数值模式对天气变化物理过程的滚动模拟。国内已初步建立风电功率预测***技术规范，规定预测***提供每15分钟滚动的超短期未来4小时功率预报和按日上报的短期日前功率预报，但不包含对功率爬坡预报的要求，因此国内现有的风电功率预测***并不具备该项功能。另一方面，国内风电功率预测***所使用的数值天气预报服务一般由气象机构按日提供1-2次，尚不具备滚动数值预报服务，难以依靠实时气象预报对功率爬坡进行模拟。因此，如何依据现有风电功率预测***运行模式在超短期/短期时间尺度实现对风电功率爬坡的预报具有十分重要的工程价值。

发明内容

综上所述，确有必要提供一种能够预测风电功率爬坡的预测方法。

一种风电功率爬坡的预测方法，主要包括以下步骤：获取实时更新的超短期风电功率预测序列，根据时序先后逐点计算超短期风电功率爬坡持续时间爬坡幅值爬坡方向d_m及实时爬坡率根据设定阈值判断是否为风电功率爬坡事件；获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据平滑后序列超过设定阈值P_val部分的极大值确定功率爬坡事件的爬坡中心时间t_c,m，根据附近超过阈值的临界点计算爬坡持续时间爬坡幅值及爬坡方向d_m，实现短期风电功率极端爬坡事件预测；以及分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，计算预报完成率、预报准确率和爬坡综合指标，实现风电功率爬坡预测。

相对于现有技术，本发明提供的风电功率爬坡预报方法，基于现行风电功率预测***运行模式实现超短期/短期风电功率爬坡预报，通过设定不同含义爬坡阈值，在不同时间尺度将时间序列型预报转化为事件型预报，该功率爬坡预报方法可作为其附加功能模块或外置模块，具有较高灵活性，且无需额外的输入数据支持，经济成本低。

附图说明

图1为本发明提供的超短期风电功率爬坡的预测方法的流程图。

图2为本发明提供的超短期风电功率爬坡计算流程图。

图3为本发明提供的短期风电功率极端爬坡事件预测流程图。

图4为本发明提供的短期风电功率极端爬坡判断示意图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。

请参阅图1，图1为本发明提供的风电功率爬坡的预测方法流程图，主要包括如下步骤：

步骤S10，获取实时更新的超短期风电功率预测序列，根据时序先后逐点计算超短期风电功率爬坡持续时间、爬坡幅值、爬坡方向，得到实时爬坡率，比较实时爬坡率与设定阈值，判断是否为风电功率爬坡事件；

步骤S20，获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据平滑后序列超过设定阈值部分的极大值确定功率爬坡事件的爬坡中心时间，根据附近超过阈值的临界点计算爬坡持续时间、爬坡幅值、爬坡方向及实时爬坡率，实现短期风电功率极端爬坡事件预测；

步骤S30，分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，计算预报完成率、预报准确率和爬坡综合指标，实现风电功率爬坡预测。

在步骤S10中，请一并参阅图2，所述爬坡持续时间、爬坡幅值、及爬坡方向可通过以下方法计算：

对于第k个预测点，其对应时刻为t_k，Δt为事先设定的爬坡时间，取Δt小于等于1小时。max(p[t_k,t_k+Δt])为[t_k,t_k+Δt]时段内风电功率预测最大值，对应时刻为min(p[t_k,t_k+Δt])为[t_k,t_k+Δt]时段内风电功率预测最小值，对应时刻为则爬坡持续时间为：

$t_r^k=|t_{max}^k-t_{min}^k|---\left(1\right);$

爬坡幅值为：

$p_r^k=max(p\[t_k,t_k+\mathrm{\Δ}t\])-\min (p\[t_k,t_k+\mathrm{\Δ}t\])---\left(2\right);$

爬坡方向d_k为：

$d_k=\left\{\begin{array}{c}-1,t_{max}^k<t_{min}^k\\ 1,t_{\max }^k>t_{\min }^k\end{array}\right.---\left(3\right).$

则对应t_k的未来给定时段爬坡率为：

${\tilde{p}}_k=\frac{p_r^k}{t_r^k}\&times;d_k---\left(4\right)$

如果则判定其为功率爬坡事件。其中，为风电爬坡率阈值，一般作为旋转备用的火电机组，其上/下功率爬坡上限一般为3-4MW/min，故根据实际备用情况，一般应取不大于备用机组功率爬坡上限的80％，即2-3MW/min。

在步骤S20中，请一并参阅图3，所述短期风电功率极端爬坡事件预测可通过以下步骤进行。

首先，对短期风电功率预测序列{p_t}(一般覆盖未来24-48小时)逐点进行平滑处理：

$p_t^f=\frac{1}{n}\underset{h=1}{\overset{n}{\&Sigma;}}(p_{t+h}-p_{t+h-n})---\left(5\right)$

平滑阶数n一般取5≤n≤10，是{p_t}的平滑结果，t为时刻，h为一段时间。

其次，根据风电爬坡阈值P_val判断功率爬坡事件，并计算其爬坡持续时间、爬坡幅值、及爬坡方向：

$\left|p_t^f\right|>P_{val}---\left(6\right).$

就极端功率爬坡事件而言，P_val一般取20％-30％风电总开机容量。

请一并参阅图4，所述爬坡持续时间、爬坡幅值、及爬坡方向的计算包括以下步骤：

由的局部极大值确定第m次功率爬坡事件的爬坡中心时间t_c,m；

通过所述极大值附近超过阈值的两个临界点和可对应确定功率爬坡起止时刻t_1,m和t_2,m(t_1,m＜t_2,m)，则爬坡持续时间为：

$t_r^m=t_{2,m}-t_{1,m}---\left(7\right);$

所述爬坡幅值为：

$p_r^m=|p_{t_1,m}-p_{t_2,m}|---\left(8\right)$

所述爬坡方向d_m为：

$d_m=\left\{\begin{array}{c}-1,p_{t_1,m}>p_{t_2,m}\\ 1,p_{t_1,m}<p_{t_2,m}\end{array}\right.---\left(9\right)$

在步骤S30中，超短期/短期风电功率爬坡预测都属于事件型预测，可采用列联表对其历史预测结果和历史观测结果进行统计。

对于超短期风电功率爬坡预测，t_k时刻历史预测爬坡率和历史观测爬坡率的绝对值均超过且爬坡方向相同的情况为成功；t_k时刻历史预测爬坡率的绝对值超过历史观测爬坡率的绝对值未超过或超过但爬坡方向不同的情况为错报；t_k时刻历史观测爬坡率的绝对值超过历史预测爬坡率的绝对值未超过或超过但爬坡方向不同的情况为漏报。

对于短期风电功率爬坡预测，对于每一次爬坡事件，根据爬坡起止时刻定义爬坡区间[t_1,m,t_2,m]，该区间包含爬坡中心时间t_c,m，则一次历史预测爬坡事件爬坡中心时间若存在一次历史观测爬坡事件爬坡中心时间属于且属于则统计为成功；没有被统计为成功的其余历史预测爬坡事件统计为错报；相应地，没有被统计为成功的其余历史观测爬坡事件统计为漏报。

完成所有历史结果统计后，计算评价指标：

评价指标越接近1，功率爬坡预测效果越好。

实施例一

作为具体的实施例，所述的超短期/短期风电功率爬坡预报方法基于我国西北某风电场风电功率预测***历史数据进行虚拟预测，具体步骤如下：

(1)计算超短期风电功率实时爬坡率。

该风电场风电功率预测***每15分钟滚动超短期未来4小时全场功率预报，对于每次更新的预报序列，设定爬坡时间Δt为1小时，按照时序先后，依据公式(1)-(4)，逐点计算其Δt时段内的爬坡持续时间、爬坡幅值、及爬坡方向和爬坡率。风电爬坡率阈值取为2MW/min。

(2)短期风电功率极端爬坡事件预测。

该风电场风电功率预测***每天上报未来3天的全场风电功率功率预报结果，对于每天更新的预报序列，设定平滑阶数n为9，得到平滑序列，设定风电爬坡阈值P_val为25％风电总开机容量，从而依据P_val判定极端功率爬坡事件。对于每次爬坡事件，根据公式(7)-(9)计算其爬坡持续时间、爬坡幅值、及爬坡方向。

(3)风电功率爬坡预测。

采用列联表对其半年的历史预测结果和历史观测结果进行统计，计算预报完成率，预报准确率和爬坡综合指标。该风电场2012年上半年的统计结果为：

超短期风电功率爬坡预报：预报完成率76％，预报准确率70％，爬坡综合指标73％；

短期风电功率爬坡预报：预报完成率83％，预报准确率74％，爬坡综合指标78％。

本发明提供的风电功率爬坡预报方法，基于现行风电功率预测***运行模式实现超短期/短期风电功率爬坡预报，通过不同含义爬坡阈值的设定，在不同时间尺度将时间序列型预报转化为事件型预报：在超短期时间尺度着重实时判断风电功率爬坡速率是否超过旋转备用机组承受能力；在短期时间尺度重点对大规模极端功率爬坡事件进行日前预测。对于各类风电功率预测***，该功率爬坡预报方法可作为其附加功能模块或外置模块，具有较高灵活性，且无需额外的输入数据支持，经济成本低。

另外，本领域技术人员还可在本发明精神内作其它变化，当然这些依据本发明精神所作的变化，都应包含在本发明所要求保护的范围内。

Claims (10)

1.一种风电功率爬坡的预测方法，主要包括以下步骤：

步骤S10，获取实时更新的超短期风电功率预测序列，根据时序先后逐点计算超短期风电功率爬坡持续时间爬坡幅值爬坡方向d_m，得到实时爬坡率比较与阈值判断是否为风电功率爬坡事件；

步骤S20，获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据平滑后序列超过设定阈值P_val部分的极大值确定功率爬坡事件的爬坡中心时间t_c,m，根据附近超过阈值的临界点计算爬坡持续时间爬坡幅值及爬坡方向d_m，实现短期风电功率极端爬坡事件预测；以及

步骤S30，分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，计算预报完成率、预报准确率和爬坡综合指标，实现风电功率爬坡预测。

2.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，所述爬坡持续时间、爬坡幅值、及爬坡方向通过以下方法计算：

对于第k个预测点，其对应时刻为t_k，Δt为事先设定的爬坡时间，取Δt小于等于1小时；

设max(p[t_k,t_k+Δt])为[t_k,t_k+Δt]时段内风电功率预测最大值，对应时刻为

设min(p[t_k,t_k+Δt])为[t_k,t_k+Δt]时段内风电功率预测最小值，对应时刻为则爬坡持续时间为：

$t_r^k=|t_{max}^k-t_{\min }^k|;$

爬坡幅值为：

$p_r^k=max(p\&lsqb;t_k,t_k+\mathrm{\&Delta;}t\&rsqb;)-min(p\&lsqb;t_k,t_k+\mathrm{\&Delta;}t\&rsqb;);$

爬坡方向d_k为：

$d_k=\left\{\begin{array}{c}-1,t_{max}^k<t_{min}^k\\ 1,t_{\max }^k>t_{\min }^k\end{array}\right..$

3.如权利要求2所述的风电功率爬坡的预测方法，其特征在于，对应t_k的未来给定时段爬坡率为：

${\tilde{p}}_k=\frac{p_r^k}{t_r^k}\&times;d_k;$

如果则判定其为功率爬坡事件。

4.如权利要求1为所述的风电功率爬坡的预测方法，其特征在于，所述阈值小于等于备用机组功率爬坡上限的80％。

5.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，所述阈值P_val为风电总开机容量的20％-30％。

6.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，所述短期风电功率极端爬坡事件预测包括以下子步骤：

首先，对短期风电功率预测序列{p_t}逐点进行平滑处理：

$p_t^f=\frac{1}{n}\underset{h=1}{\overset{n}{\&Sigma;}}(p_{t+h}-p_{t+h-n}),$

其中，平滑阶数n取5≤n≤10，是{p_t}的平滑结果，t为时刻，h为一段时间；

其次，根据风电爬坡阈值P_val判断功率爬坡事件，并计算其爬坡持续时间、爬坡幅值、及爬坡方向。

7.如权利要求6所述的风电功率爬坡的预测方法，其特征在于，所述爬坡持续时间、爬坡幅值、及爬坡方向的计算包括以下子步骤：

由的局部极大值确定第m次功率爬坡事件的爬坡中心时间t_c,m；

通过所述极大值附近超过阈值的两个临界点和对应确定功率爬坡起止时刻t_1,m和t_2,m(t_1,m＜t_2,m)，则爬坡持续时间为：

$t_r^m=t_{2,m}-t_{1,m};$

所述爬坡幅值为：

$p_r^m=|p_{t_1,m}-p_{t_2,m}|;$

所述爬坡方向d_m为：

$d_m=\left\{\begin{array}{c}-1,p_{t_1,m}>p_{t_2,m}\\ 1,p_{t_1,m}<p_{t_2,m}\end{array}\right..$

8.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，采用列联表对风电功率爬坡的历史预测结果和历史观测结果进行统计。

9.如权利要求8所述的风电功率爬坡的预测方法，其特征在于，对于超短期风电功率爬坡预测，t_k时刻历史预测爬坡率和历史观测爬坡率的绝对值均超过且爬坡方向相同的情况为成功；t_k时刻历史预测爬坡率的绝对值超过历史观测爬坡率的绝对值未超过或超过但爬坡方向不同的情况为错报；t_k时刻历史观测爬坡率的绝对值超过历史预测爬坡率的绝对值未超过或超过但爬坡方向不同的情况为漏报。

10.如权利要求8所述的风电功率爬坡的预测方法，其特征在于，对于短期风电功率爬坡预测，对于每一次爬坡事件，根据爬坡起止时刻定义爬坡区间[t_1,m,t_2,m]，该区间包含爬坡中心时间t_c,m，则对于一次历史预测爬坡事件爬坡中心时间若存在一次历史观测爬坡事件爬坡中心时间 属于且属于则统计为成功；没有被统计为成功的其余历史预测爬坡事件统计为错报；相应地，没有被统计为成功的其余历史观测爬坡事件统计为漏报。