CN104217247A - 用于预测风场中的风机的输出功率的方法和装置 - Google Patents
用于预测风场中的风机的输出功率的方法和装置 Download PDFInfo
- Publication number
- CN104217247A CN104217247A CN201310264116.1A CN201310264116A CN104217247A CN 104217247 A CN104217247 A CN 104217247A CN 201310264116 A CN201310264116 A CN 201310264116A CN 104217247 A CN104217247 A CN 104217247A
- Authority
- CN
- China
- Prior art keywords
- blower fan
- output power
- grouping
- wind field
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Wind Motors (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明的各实施方式提供了用于预测风场中的风机的输出功率的方法和装置。具体地,在本发明的一个实施方式中,提供了一种用于预测风场中的多个风机的输出功率的方法,包括:基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组;从至少一个分组中的分组中选择代表风机;从代表风机处的至少一个数据传感器获取测量值;以及基于测量值来预测风场中的多个风机的输出功率。在本发明的一个实施方式中,还提供了一种用于预测风场中的多个风机的输出功率的装置。采用本发明的方法和装置,可以大大降低在风场中部署各种传感器的成本。进一步,采用本发明的方法和装置,还可以提高预测的准确性。
Description
技术领域
本发明的各实施方式涉及功率预测,更具体地,涉及用于预测风场(wind farm)中的风机(wind turbine)的输出功率的方法和装置。
背景技术
风能是一种清洁、无污染并且可再生的能源,因而在全球范围的新能源建设中,风力发电的地位变得越来越重要。由于风机的输出功率将会受到诸多因素的制约,因而通常难以准确预测风场中各个风机的输出功率。另外,风机的输出功率通常具有非线性、变化快、不可控等特点,因而风场向主干电网的输出功率容易出现波动。
风机的输出功率通常依赖于风场当地的气象要素,并且风场通常地处偏远地区,而由气象局提供的气象数据通常不能覆盖风场的周边环境。另外,风场处的气象要素还会受到其他条件的制约(例如,风场内局部地形起伏或者风机本身转动对于气流的影响,等),即使由气象局提供了风场区域的天气预报,该天气预报也并不能完全准确地反映风场处的气象条件。
目前已经提出了通过向风场中的多个风机处部署传感器,并且利用由这些传感器所采集到的样本数据来估算风场中风机的整体输出功率的技术方案,然而该技术方案仍然存在诸多缺陷。一方面,部署传感器需要导致大量的人力、物力和时间成本;另一方面,由于风场中的风机的工作状态可能存在较大差异,因而基于样本数据预测的整体输出功率可能会存在较大的误差。
功率预测中的误差一方面会造成电场的总体输出功率不稳定,与发电计划偏差较大,并对主干电网的造成冲击,另一方面,还会因为电场的输出功率没有满足预期数值而导致电场受到诸如罚款等惩罚性措施的制裁。因而,如何准确地预测风场中风机(例如,部分或者全部风机)在特定时段内的输出功率,已经成为目前的一个研究热点。
发明内容
鉴于现有技术中的问题和不足,期望开发出一种能够基于风场中的风机中的相似性来预测风场中风机的输出功率的技术方案,期望该技术方案能够充分考虑风场中各个风机处的气象信息的相似性,并且利用这些相似性来减少功率预测中所需要的传感器的种类和数量。进一步,还期望可以基于各个相似风机的输出功率等属性来调整功率预测模型,以便更准确地预测风场中风机的输出功率。为此,本发明的各实施方式提供了用于预测风场中的风机的输出功率的方法和装置。
根据本发明的一个方面,提供了一种用于预测风场中的多个风机的输出功率的方法,包括:基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组;从至少一个分组中的分组中选择代表风机;从代表风机处的至少一个数据传感器获取测量值;以及基于测量值来预测风场中的多个风机的输出功率。
根据本发明的一个方面,基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组进一步包括:在至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整至少一个分组。
根据本发明的一个方面,基于测量值来预测风场中的多个风机的输出功率包括:基于测量值来预测多个代表风机的输出功率;以及基于多个代表风机的输出功率来计算风场中的多个风机的输出功率。
根据本发明的一个方面,基于多个代表风机的输出功率来计算风场中的多个风机的输出功率包括:计算多个代表风机中每个代表风机的权重因子,权重因子表示代表风机的输出功率与风场中的多个风机的输出功率之间的关联关系;以及基于多个代表风机中每个代表风机的权重因子和输出功率,来计算风场中的多个风机的输出功率。
根据本发明的一个方面,提供了一种用于预测风场中的多个风机的输出功率的装置,包括:划分模块,配置用于基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组;选择模块,配置用于从至少一个分组中的分组中选择代表风机;获取模块,配置用于从代表风机处的至少一个数据传感器获取测量值;以及预测模块,配置用于基于测量值来预测风场中的多个风机的输出功率。
根据本发明的一个方面,划分模块进一步包括:调整模块,配置用于在至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整至少一个分组。
根据本发明的一个方面,预测模块包括:代表功率预测模块,配置用于基于测量值来预测多个代表风机的输出功率;以及总功率预测模块,配置用于基于多个代表风机的输出功率来计算风场中的多个风机的输出功率。
根据本发明的一个方面,总功率预测模块包括:权重计算模块,配置用于计算多个代表风机中每个代表风机的权重因子,权重因子表示代表风机的输出功率与风场中的多个风机的输出功率之间的关联关系;以及预测校正模块,配置用于基于多个代表风机中每个代表风机的权重因子和输出功率,来计算风场中的多个风机的输出功率。
采用根据本发明的实施方式所述的方法和装置,可以仅在具有相似性的多个风机中的代表风机处部署传感器,进而可以大大降低部署传感器时所需的各项成本。另外,采用本发明的实施方式所述的技术方案,还可以基于各个代表风机之间的关联关系,动态地调整功率预测模型中各个风机的权重因子,以实现准确地预测风场中风机的输出功率。
附图说明
结合附图并参考以下详细说明,本发明各实施方式的特征、优点及其他方面将变得更加明显。本发明附图中,相同的标号表示相同或相似的元素。在附图中:
图1示意性示出了适于实现本发明实施方式的示例性计算***的框图;
图2示意性示出了风场中的各种设备的示意图;
图3示意性示出了根据本发明一个实施方式的、基于风机处的历史气象信息来将风场中的风机划分为分组的示意图;
图4示意性示出了根据本发明一个实施方式的、用于预测风场中的多个风机的输出功率的方法的流程图;
图5示意性示出了根据本发明一个实施方式的、计算风场中各个风机处的历史气象信息的方法的流程图;
图6示意性示出了根据本发明一个实施方式的、对风机分组进行调整的方法的流程图;
图7示意性示出了根据本发明一个实施方式的、风速与风机的输出功率之间关系的曲线图;以及
图8示意性示出了根据本发明一个实施方式的、用于预测风场中的多个风机的输出功率的装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道,本发明可以实现为***、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“***”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)-连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instruction means)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1示出了适于用来实现本发明实施方式的示例性计算机***/服务器12的框图。图1显示的计算机***/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示,计算机***/服务器12以通用计算设备的形式表现。计算机***/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***/服务器12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机***/服务器12可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图1未显示,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其他程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机***/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机***/服务器12交互的设备通信,和/或与使得该计算机***/服务器12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机***/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机***/服务器12的其他模块通信。应当明白,尽管图中未示出,可以结合计算机***/服务器12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
应当注意,图1仅仅示意性示出了可以用于实现本发明中各个实施方式的计算***的示意图。本领域技术人员可以理解,该计算***可以由当前风机中现有的计算设备来实现,或者可以通过引入附加计算设备来实现,还可以由风机中的现有计算设备和新增的附加设备一起实现本发明。
图2示意性示出了风场中各种设备的示意图200。如图2所示,风场210中可以包括如黑色圆点所示的多个风机220,这些风机通常以不规则形式分布在诸如平原、海平面等具有丰富风力资源的地区。多个风机离散地分布在风场210范围内,并且风场的形状通常也是不规则的。另外,在风场210中可以部署一个或者多个(在小型风场中通常只有一个)测风塔230,其上可以安装有用于监视风场内的气象要素的传感器。
根据一个解决方案,需要在风场210中的多个风机220处安装多种类型的传感器以便实时地采集数据。例如,传感器可以包括但不限于用于测量风机的实时功率的功率传感器,用于测量风机处的气象要素(例如,温度、湿度、气压、风速以及风向)的传感器,用于监控风机的运行状态的传感器,等等。在本发明的上下文中,风机的典型运行状态可以包括但不限于:启动(START)、故障(ERROR)、初始化(INIT)、待风(READY)、发电(PRODUCTION),等等。
应当注意,可以将部署传感器的位置称作采集点。例如,在一个采集点处可以设置一个温度传感器,在另一采集点处可以设置一个功率传感器,等等。按照现有的解决方案,由于预先并不知晓应当将采集点分布在哪些位置,因而需要在整个风场中部署大量传感器,才能保证功率预测的准确性。通常,部署传感器的开销依赖于采集点的数量,并且当已经在采集点处安装了传感器之后很难再次调整采集点的位置和/或传感器的类型。因而,期望提出一种可以预先确定采集点的位置并且尽量减少传感器数量的技术方案,同时还期望该技术方案能够保持功率预测的准确性。
图3示意性示出了根据本发明一个实施方式的、基于风机处历史气象信息来将风场中的风机划分为分组的示意图300。如图3所示,风场310中包括测风塔330和多个风机320,在此可以基于该风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组340(尽管图3中未示出,还可以存在其他分组)。
由于每个分组中的风机处的历史气象信息是相似的,由此可以认为这些风机处未来的气象信息也是相似的。因而,为简化操作,可以从分组中选取代表风机并且在代表风机处部署传感器,以获取代表分组内的各个风机的代表测量值。以此方式,可以大大降低采集点的数量进而降低功率预测的各项开销。
在本发明的一个实施方式中,提出了一种用于预测风场中的多个风机的输出功率的方法,包括:基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组;从至少一个分组中的分组中选择代表风机;从代表风机处的至少一个数据传感器获取测量值;以及基于测量值来预测风场中的多个风机的输出功率。
现在参见图4来详细说明本发明的具体实施方式。图4示意性示出了根据本发明一个实施方式的、用于预测风场中的多个风机的输出功率的方法的流程图400。具体地,在步骤S402中,基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组。在此实施方式中,历史气象信息是指在过去的某个时间段期间、在各个风机处的气象信息,例如可以包括风速、风向、温度、湿度、大气压等诸多方面的数据。
应当注意,在本发明的各个实施方式中,并不具体限定以何种方式获取这些历史气象信息。例如,对于其中部署有传感器的风机,可以从传感器中直接获取历史气象信息;而对于那些其上没有部署传感器的风机,则可以估算该风机处的历史气象信息。在下文中将参见图5详细说明如何进行估算。
在步骤S404中,从至少一个分组中的分组中选择代表风机。由于分组中的风机的历史气象信息都具有一定程度的相似性,因而可以从分组中选择一个代表风机,并且认为该代表风机处的气象信息可以作为整个分组中的全部风机处的气象信息的典型代表。
在步骤S406中,从代表风机处的至少一个数据传感器获取测量值。该代表风机处可以部署有多个传感器,例如,气象传感器、功率传感器和风机状态传感器等等,因而所获取的测量值可以包括气象数据、风机的输出功率、风机状态等等。
在步骤S408中,基于测量值来预测风场中的多个风机的输出功率。针对特定类型的风机,由于风机的输出功率主要依赖于风机处的当前气象要素,因而可以首先基于测量值来计算各个代表风机的功率预测值,继而预测整个风场中的多个风机的输出功率。
作为简单示例,可以将每个代表风机的功率预测值乘以代表风机所在分组中的风机的数量,以计算每个分组中的风机的分组功率预测值,继而对各个分组功率预测值进行求和,来计算风场中的多个风机的总体输出功率的预测值。或者,本领域技术人员还可以基于分组中的风机的相似性,来估算每个风机的输出功率继而计算分组功率预测值和总体输出功率。
在本发明的一个实施方式中,还可以将风场中的全部风机或者一部分风机划分为多个分组,并且从每个分组的代表风机处的数据传感器获取测量值,继而基于该测量值来预测风场中的多个风机的输出功率。
在本发明的一个实施方式中,进一步包括:基于风况模型以及风场处的历史观测值来计算历史气象信息。具体地,将参见图5描述如何计算历史气象信息。图5示意性示出了根据本发明一个实施方式的、计算风场中各个风机处的历史气象信息的方法的流程图500。首先,在步骤S502处,采集风场的地理信息以及风场处的历史观测值。风场的地理信息是指风场处的环境信息,例如可以包括地形信息(例如,以数字高程模型(Digital Elevation Model,DEM)格式表示)、地表信息等等。
接着,在步骤S504中,基于天气预报模型来建立风场处的风况模型。在此实施方式中,天气预报模型可以是数值天气预报(Numerical Weather Prediction,NWP)模型。该模型是目前的一种较为流行的形式,它的出现全面改变了依靠人工经验来推测未来天气变化的传统局面,从而把“主观定性预报(Subjective Forecast)”提升到“客观定量预报(Objective Forecast)”的水平,并且提供较高时空分辨率的预测。
数值天气预报模型可以是基于网格(grid)的模型,并且可以具有不同的网格精度。该模型可以基于网格中的某些格点处的气象数据来生成其他位置处的气象数据,因而可以基于数值天气预报模型来建立风场中的风况模型。利用所生成的风况模型,可以通过考虑两个位置周围环境的地理信息等因素,基于一个地理位置处的气象信息来估计另一地理位置处的气象信息。
在步骤S506中,基于历史观测值和风况模型,计算风场中的各个风机处的历史气象信息。应当注意,可以实现基于在风场内的一个或者多个位置的历史观测值,来估计其他位置处(例如,多个风机处)的气象信息。例如,可以基于在过去时间段0-T期间在测风塔处的气象要素传感器的测量值,来计算在过去时间段0-T期间的各个风机处的气象信息。
例如,该风况模型可以基于在时间t时,在测风塔处或者其他位置处测量的气象信息,来获取在各个风机(例如,风机i)处的气象信息Wi,t。具体地,气象信息Wi,t可以表示为如下函数:Wi,t=f(v,d,t,h,pr)。其中v表示风速,d表示风向,t表示温度,h表示相对湿度,而pr表示大气压强。针对风机i,可以基于天气预报模型获得在时间0-T期间的气象信息:
Wi=Wi,0,...,Wi,t,...,Wi,T 公式(1)
基于上述公式(1)并根据风况模型,可以计算风场中的每个风机处的历史气象信息。
在本发明的一个实施方式中,基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组包括:基于多个风机处的历史气象信息构造相似性矩阵;以及通过聚类将多个风机划分为至少一个分组。
假设风场中包括N个风机,在已经基于上文所示的公式(1)获取了风场中的每个风机处的历史气象信息的情况下,可以计算风场中的任意两个风机(例如,风机i和风机j)的相似性:
其中,是调整风机之间相似度Sij的因子,初始时
基于上文所示的公式(2),可以获取风场中各个风机之间的相似性矩阵:
继而,可以通过求解相似性矩阵W的对角矩阵D,并且计算D-W的特征值的方式来划分分组。举例而言,在风场中包括三个风机A、风机B和风机C的情况下,假设相似性矩阵为 则此时的对角矩阵 并且 此时D-W的特征值为(0,1.8,2.2),并且次小特征值对应的特征向量为(-45.5,29,8)。
根据特征向量值的符号,风机A、B和C可以分为两组:第一分组={A}(对应值<0);以及第二分组={B,C}(对应值>0)。
在本发明的一个实施方式中,尽管在上文中仅以求解矩阵的特征值为具体示例示出了通过聚类来将多个风机划分为至少一个分组的方法的示例,本领域技术人员还可以基于其他的聚类方法来实现划分分组的步骤。
在本发明的一个实施方式中,基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组进一步包括:在至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整至少一个分组。由于风场中的风机可能会分布在较大范围内(例如,数平方公里的范围内),并且风场中还可能会包括多种型号的风机,因而还可以设置不同的分组规则。在此实施方式中,当预定比例(例如,90%)风机不满足分组规则时,可以调整分组。
在本发明的一个实施方式中,分组规则至少包括以下任一项:分组中的风机之间的距离小于预定距离;以及分组中的风机的型号相一致。例如,由于期望将地理位置相近的风机划分至相同的分组,因而可以将预定距离定义为200m。此时,在已经基于上文所述的方法获得多个分组之后,还可以检查各个分组中的风机之间的距离是否小于200m。当发现一定数量的风机之间的距离大于200m时,则需要调整分组。又例如,由于风机的输出功率不但依赖于风机处的风况信息,还依赖于风机的型号,因而可以尽量确保一个分组中的风机型号是相同的。例如,当一个分组中80%的风机型号为I型而另外20%的风机型号为II型时,在预定比例为90%的情况下,则需要调整该分组。
在本发明的一个实施方式中,在至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整至少一个分组包括:按照分组中的风机是否满足分组规则来调整风机之间的相似性;以及基于经调整的相似性,将风场中的多个风机划分为新的分组。
对于风场中的任意风机i和风机j,如果满足分组规则,则调整因子εij=1,否则εij=-1。则在第n轮次的调整中,基于以下因子来调整各个风机之间的相似性:
公式(3)
其中,γ是一个预先确定的常数。
经调整的相似性可以构成新的相似性矩阵,继而可以基于上文所述的方法重新划分分组。具体地,可以参见图6所示的步骤来调整风场中风机的分组。图6示意性示出了根据本发明一个实施方式的对风机分组进行调整的方法的流程图600。
首先,在步骤S602中可以划分分组。接着,在步骤S604中,可以逐一验证每个分组中是否存在预定比例的风机满足分组规则,如果判断结果为“是”,则无需调整分组并且划分分组的过程结束;如果判断结果为“否”,则在步骤S606中,需要调整风机之间的相似性,继而基于经调整的相似性,将风场中的多个风机划分为新的分组(即,基于调整后的相似性再次执行步骤S602)。
在本发明的一个实施方式中,基于测量值来预测风场中的多个风机的输出功率包括:基于测量值来预测多个代表风机的输出功率;以及基于多个代表风机的输出功率来计算风场中的多个风机的输出功率。
在本发明的一个实施方式中,可以基于每个代表风机处的测量值来预测该代表风机的输出功率。具体地,可以基于如图7所示的曲线图来进行预测。图7示意性示出了根据本发明一个实施方式的风速与风机的输出功率之间关系的曲线图700,其中横坐标表示风机处的风速,而纵坐标表示风机的输出功率。当风机处的风速在0-额定值之间时,输出功率按照如图7所示的曲线逐渐增加;当风机处的风速在超过额定值后,输出功率保持平稳。功率曲线可以由风机的制造者提供,或还可以通过该风机历史的风速和功率拟合得到。通过使用如图7所示的功率曲线,可以基于特定风机处的风速预测值,来预测该风机的输出功率。
在本发明的一个实施方式中,备选地,还可以采用物理方法,即直接根据预测的天气模型预报的气象要素(风速、温度、气压等)来计算特定风机的输出功率。由于,物理方法基于大气动力预测结果,因此具有较长时间的预报能力。例如,可以根据与风机的属性、空气密度以及预测值相关的函数来进行预测。作为示例,可以基于如下公式来计算风机的输出功率。
其中,P为风机的输出功率,CP为风机的功率系数,A为风机的扫掠面积,ρ为空气密度,V为风机轮毂高度处的风速,而η为机组效率,是风机的机械效率与风机的电功率的效率的乘积。
备选地,还可以使用统计方法来进行预测。例如,使用历史气象要素(温度、温度、气压等)和风机发电功率数据建立关系结构和统计学模型,然后通过统计模型来估计未来的输出功率。其中,统计模型可使用不同的模型,例如,时间序列回归模型、BP神经网络模型等。各种模型的预测误差根据不同的时间和空间环境,本领域技术人员可以根据应用环境的具体参数来选择。
另外,为了保证预测的稳定性,可使用多模型组合预测的方法,结合各个统计模型的预测结果,计算平均或是加权平均值。由于统计方法是基于历史数据,因此,对于临近时刻的预测具有比较好的效果;而对于较长时间的预测结果,由于大气运动的非线性特征,计算误差较大。
备选地,还可以使用混合方法,即将物理方法和统计方法相结合,在不同的预测时段,给予两者不同的权重。
当基于特定分组的代表风机的预测功率来计算整个分组内的风机的输出功率时,可以简单地将代表风机的功率乘以分组内风机的数量以获取整个分组的输出功率。继而还可以将各个分组的输出功率进行求和,以计算整个风场的输出功率。
在本发明的一个实施方式中,基于多个代表风机的输出功率来计算风场中的多个风机的输出功率包括:计算多个代表风机中每个代表风机的权重因子,权重因子表示代表风机的输出功率与风场中的多个风机的输出功率之间的关联关系;以及基于多个代表风机中每个代表风机的权重因子和输出功率,来计算风场中的多个风机的输出功率。
在此实施方式中,可以基于代表风机的输出功率与风场中多个风机的输出功率之间的关联关系,来动态地调整每个代表风机的权重因子。各个代表风机的权重因子的相对大小可以反映相应代表风机的输出功率对于总功率的贡献的大小。通过使用权重因子,可以基于各个分组中的风机的运行状态来对代表风机的预测功率进行适当的缩放。
在本发明的一个实施方式中,计算多个代表风机的权重因子包括,基于以下中的至少一项来计算多个代表风机的权重因子:多个代表风机中的每一个的输出功率与风场中的多个风机的输出功率之间的相关性;多个代表风机中的两个代表风机的输出功率的相关性;以及多个代表风机中的两个代表风机的运行状态的相关性。
例如,可以基于多个代表风机中的每一个的输出功率与风场中的多个风机的输出功率之间的相关性,来计算多个代表风机的权重因子。具体地,假设单一代表风机的输出功率的时间序列向量为X=x1,...,xN,并且风场的输出功率的时间序列向量为Y=y1,...,yN,则它们之间的相关性计算为:
例如,可以基于多个代表风机中的两个代表风机的输出功率的相关性,来计算多个代表风机的权重因子。例如,可以采用参见上文公式(5)的方法来计算两个代表风机的输出功率的相关性,或者,本领域技术人员还可以基于其他方法来计算两个代表风机之间的相关性。
例如,可以基于多个代表风机中的两个代表风机的运行状态的相关性,来计算多个代表风机的权重因子。上文中已经示出了风机的典型运行状态的示例,例如,可以包括但不限于:启动(START)、故障(ERROR)、初始化(INIT)、待风(READY)、发电(PRODUCTION),等等。
在计算运行状态的相关性时,例如可以将风机状态划分为:正常工作状态,表示风机可以启动并发电;故障状态,表示风机出现故障而停机;非正常工作状态,表示其他状态。工作状态之间的相似性例如可以定义为:
则给定风机的工作状态时间序列O,代表风机i和j的工作状态相关性矩阵可以是OiZOj。
在本发明的一个实施方式中,可以基于采用上述多种方式获得的相关性来求解代表风机的权重因子。具体地,假设采用上述三种方式获得的权重因子分别为Q1、Q2和Q3,则总体的权重因子可以定义为:
在本发明的一个实施方式中,数据传感器至少包括以下中的任一项:气象传感器、风机状态传感器以及风机输出功率传感器。应当注意,各个代表风机处部署的传感器的种类和数量可以相同,或者还可以有所不同。
图8示意性示出了根据本发明一个实施方式的用于预测风场中的多个风机的输出功率的装置的框图800。具体地,图8示出了一种用于预测风场中的多个风机的输出功率的装置,包括:划分模块810,配置用于基于风场中的多个风机处的历史气象信息的相似性,将风场中的多个风机划分为至少一个分组;选择模块820,配置用于从至少一个分组中的分组中选择代表风机;获取模块830,配置用于从代表风机处的至少一个数据传感器获取测量值;以及预测模块840,配置用于基于测量值来预测风场中的多个风机的输出功率。
在本发明的一个实施方式中,进一步包括:计算模块,配置用于基于风况模型以及风场处的历史观测值来计算历史气象信息。
在本发明的一个实施方式中,划分模块810包括:构造模块,配置用于基于多个风机处的历史气象信息构造相似性矩阵;以及分组模块,配置用于通过聚类将多个风机划分为至少一个分组。
在本发明的一个实施方式中,划分模块810进一步包括:调整模块,配置用于在至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整至少一个分组。
在本发明的一个实施方式中,分组规则至少包括以下任一项:分组中的风机之间的距离小于预定距离;以及分组中的风机的型号相一致。
在本发明的一个实施方式中,调整模块包括:相似性调整模块,配置用于按照分组中的风机是否满足分组规则来调整风机之间的相似性;以及更新模块,配置用于基于经调整的相似性,将风场中的多个风机划分为新的分组。
在本发明的一个实施方式中,预测模块840包括:代表功率预测模块,配置用于基于测量值来预测多个代表风机的输出功率;以及总功率预测模块,配置用于基于多个代表风机的输出功率来计算风场中的多个风机的输出功率。
在本发明的一个实施方式中,总功率预测模块包括:权重计算模块,配置用于计算多个代表风机中每个代表风机的权重因子,权重因子表示代表风机的输出功率与风场中的多个风机的输出功率之间的关联关系;以及预测校正模块,配置用于基于多个代表风机中每个代表风机的权重因子和输出功率,来计算风场中的多个风机的输出功率。
在本发明的一个实施方式中,权重计算模块包括:聚合模块,配置用于基于以下中的至少一项来计算多个代表风机的权重因子:多个代表风机中的每一个的输出功率与风场中的多个风机的输出功率之间的相关性;多个代表风机中的两个代表风机的输出功率的相关性;以及多个代表风机中的两个代表风机的运行状态的相关性。
在本发明的一个实施方式中,数据传感器至少包括以下中的任一项:气象传感器、风机状态传感器以及风机输出功率传感器。
附图中的流程图和框图显示了根据本发明的多个实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施方式,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施方式。在不偏离所说明的各实施方式的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施方式的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施方式。
Claims (20)
1.一种用于预测风场中的多个风机的输出功率的方法,包括:
基于所述风场中的所述多个风机处的历史气象信息的相似性,将所述风场中的所述多个风机划分为至少一个分组;
从所述至少一个分组中的分组中选择代表风机;
从所述代表风机处的至少一个数据传感器获取测量值;以及
基于所述测量值来预测所述风场中的多个风机的输出功率。
2.根据权利要求1所述的方法,进一步包括:
基于风况模型以及所述风场处的历史观测值来计算所述历史气象信息。
3.根据权利要求1所述的方法,其中基于所述风场中的所述多个风机处的历史气象信息的相似性,将所述风场中的所述多个风机划分为至少一个分组包括:
基于多个风机处的历史气象信息构造相似性矩阵;以及
通过聚类将所述多个风机划分为至少一个分组。
4.根据权利要求1-3中任一项所述的方法,基于所述风场中的所述多个风机处的历史气象信息的相似性,将所述风场中的所述多个风机划分为至少一个分组进一步包括:
在所述至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整所述至少一个分组。
5.根据权利要求4所述的方法,其中所述分组规则至少包括以下任一项:
所述分组中的风机之间的距离小于预定距离;以及
所述分组中的风机的型号相一致。
6.根据权利要求4所述的方法,其中在所述至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整所述至少一个分组包括:
按照所述分组中的风机是否满足所述分组规则来调整风机之间的相似性;以及
基于所述经调整的相似性,将所述风场中的多个风机划分为新的分组。
7.根据权利要求1-3中任一项所述的方法,其中基于所述测量值来预测所述风场中的多个风机的输出功率包括:
基于所述测量值来预测所述多个代表风机的输出功率;以及
基于多个代表风机的输出功率来计算所述风场中的多个风机的输出功率。
8.根据权利要求7所述的方法,其中基于多个代表风机的输出功率来计算所述风场中的多个风机的输出功率包括:
计算所述多个代表风机中每个代表风机的权重因子,所述权重因子表示所述代表风机的输出功率与所述风场中的多个风机的输出功率之间的关联关系;以及
基于所述多个代表风机中每个代表风机的所述权重因子和所述输出功率,来计算所述风场中的多个风机的输出功率。
9.根据权利要求8所述的方法,其中计算所述多个代表风机的权重因子包括,基于以下中的至少一项来计算所述多个代表风机的权重因子:
所述多个代表风机中的每一个的输出功率与所述风场中的多个风机的输出功率之间的相关性;
所述多个代表风机中的两个代表风机的输出功率的相关性;以及
所述多个代表风机中的两个代表风机的运行状态的相关性。
10.根据权利要求1-3中任一项所述的方法,其中所述数据传感器至少包括以下中的任一项:气象传感器、风机状态传感器以及风机输出功率传感器。
11.一种用于预测风场中的多个风机的输出功率的装置,包括:
划分模块,配置用于基于所述风场中的所述多个风机处的历史气象信息的相似性,将所述风场中的所述多个风机划分为至少一个分组;
选择模块,配置用于从所述至少一个分组中的分组中选择代表风机;
获取模块,配置用于从所述代表风机处的至少一个数据传感器获取测量值;以及
预测模块,配置用于基于所述测量值来预测所述风场中的多个风机的输出功率。
12.根据权利要求11所述的装置,进一步包括:
计算模块,配置用于基于风况模型以及所述风场处的历史观测值来计算所述历史气象信息。
13.根据权利要求11所述的装置,其中所述划分模块包括:
构造模块,配置用于基于多个风机处的历史气象信息构造相似性矩阵;以及
分组模块,配置用于通过聚类将所述多个风机划分为至少一个分组。
14.根据权利要求11-13中任一项所述的装置,所述划分模块进一步包括:
调整模块,配置用于在所述至少一个分组的一个分组中,响应于预定比例的风机不满足分组规则,调整所述至少一个分组。
15.根据权利要求14所述的装置,其中所述分组规则至少包括以下任一项:
所述分组中的风机之间的距离小于预定距离;以及
所述分组中的风机的型号相一致。
16.根据权利要求14所述的装置,其中所述调整模块包括:
相似性调整模块,配置用于按照所述分组中的风机是否满足所述分组规则来调整风机之间的相似性;以及
更新模块,配置用于基于所述经调整的相似性,将所述风场中的多个风机划分为新的分组。
17.根据权利要求11-13中任一项所述的装置,其中所述预测模块包括:
代表功率预测模块,配置用于基于所述测量值来预测所述多个代表风机的输出功率;以及
总功率预测模块,配置用于基于多个代表风机的输出功率来计算所述风场中的多个风机的输出功率。
18.根据权利要求17所述的装置,其中所述总功率预测模块包括:
权重计算模块,配置用于计算所述多个代表风机中每个代表风机的权重因子,所述权重因子表示所述代表风机的输出功率与所述风场中的多个风机的输出功率之间的关联关系;以及
预测校正模块,配置用于基于所述多个代表风机中每个代表风机的所述权重因子和所述输出功率,来计算所述风场中的多个风机的输出功率。
19.根据权利要求18所述的装置,其中所述权重计算模块包括:聚合模块,配置用于基于以下中的至少一项来计算所述多个代表风机的权重因子:
所述多个代表风机中的每一个的输出功率与所述风场中的多个风机的输出功率之间的相关性;
所述多个代表风机中的两个代表风机的输出功率的相关性;以及
所述多个代表风机中的两个代表风机的运行状态的相关性。
20.根据权利要求11-13中任一项所述的装置,其中所述数据传感器至少包括以下中的任一项:气象传感器、风机状态传感器以及风机输出功率传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310264116.1A CN104217247B (zh) | 2013-05-29 | 2013-05-29 | 用于预测风场中的风机的输出功率的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310264116.1A CN104217247B (zh) | 2013-05-29 | 2013-05-29 | 用于预测风场中的风机的输出功率的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217247A true CN104217247A (zh) | 2014-12-17 |
CN104217247B CN104217247B (zh) | 2018-08-31 |
Family
ID=52098707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310264116.1A Active CN104217247B (zh) | 2013-05-29 | 2013-05-29 | 用于预测风场中的风机的输出功率的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217247B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018025108A1 (en) * | 2016-08-01 | 2018-02-08 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
CN108242027A (zh) * | 2016-12-23 | 2018-07-03 | 北京金风科创风电设备有限公司 | 用于风力发电机机组故障分析的数据处理方法和装置 |
CN109506809A (zh) * | 2018-11-19 | 2019-03-22 | 北京英视睿达科技有限公司 | 基于地表温度确定大气污染热点网格的方法及装置 |
CN111062509A (zh) * | 2019-11-12 | 2020-04-24 | 国电陕西新能源有限公司 | 一种基于改进神经网络的风功率中短期预测方法及*** |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及*** |
CN111488712A (zh) * | 2020-04-13 | 2020-08-04 | 中国船舶重工集团海装风电股份有限公司 | 一种基于迁移学习的风力发电机功率曲线建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测*** |
US20130035860A1 (en) * | 2011-07-05 | 2013-02-07 | International Business Machines Corporation | Meteorological Parameter Forecasting |
CN102945509A (zh) * | 2012-10-18 | 2013-02-27 | 中能电力科技开发有限公司 | 风电场功率预测方法 |
-
2013
- 2013-05-29 CN CN201310264116.1A patent/CN104217247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测*** |
US20130035860A1 (en) * | 2011-07-05 | 2013-02-07 | International Business Machines Corporation | Meteorological Parameter Forecasting |
CN102945509A (zh) * | 2012-10-18 | 2013-02-27 | 中能电力科技开发有限公司 | 风电场功率预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018025108A1 (en) * | 2016-08-01 | 2018-02-08 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
US10386543B2 (en) | 2016-08-01 | 2019-08-20 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
CN108242027A (zh) * | 2016-12-23 | 2018-07-03 | 北京金风科创风电设备有限公司 | 用于风力发电机机组故障分析的数据处理方法和装置 |
CN109506809A (zh) * | 2018-11-19 | 2019-03-22 | 北京英视睿达科技有限公司 | 基于地表温度确定大气污染热点网格的方法及装置 |
CN111062509A (zh) * | 2019-11-12 | 2020-04-24 | 国电陕西新能源有限公司 | 一种基于改进神经网络的风功率中短期预测方法及*** |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及*** |
CN111080039B (zh) * | 2020-03-17 | 2023-10-20 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及*** |
CN111488712A (zh) * | 2020-04-13 | 2020-08-04 | 中国船舶重工集团海装风电股份有限公司 | 一种基于迁移学习的风力发电机功率曲线建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104217247B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220275788A1 (en) | Forecasting output power of wind turbine in wind farm | |
US10719773B2 (en) | Managing computational workloads of computing apparatuses powered by renewable resources | |
CN104217247A (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
CN110556820B (zh) | 用于确定能量***操作场景的方法和设备 | |
JP2016136001A (ja) | 予測装置 | |
US11460003B2 (en) | Wind turbine damage detection system using machine learning | |
TWI642019B (zh) | 發電系統效能估測方法 | |
WO2006083943A2 (en) | System and method for enhanced measure-correlate-predict for a wind farm location | |
JP6193008B2 (ja) | 予測システム、予測装置および予測方法 | |
CN104018986B (zh) | 用于控制风机的方法和装置 | |
Shahriari et al. | Using the analog ensemble method as a proxy measurement for wind power predictability | |
Valsaraj et al. | Symbolic regression-based improved method for wind speed extrapolation from lower to higher altitudes for wind energy applications | |
US20230214703A1 (en) | Predicting energy production for energy generating assets | |
CN110187363A (zh) | 适用于大型风电基地的测风方法、***、设备和存储介质 | |
CN103971167A (zh) | 预测光伏发电设备的发电功率的方法和*** | |
US11379274B2 (en) | Hybrid spatial-temporal event probability prediction method | |
US20230327440A1 (en) | Power generation amount management system and power generation amount management method | |
Constantinescu et al. | Unit commitment with wind power generation: integrating wind forecast uncertainty and stochastic programming. | |
CN114862043A (zh) | 风电场发电功率预测方法及其***及计算机可读存储介质 | |
CN114819257A (zh) | 辐照计算方法、装置及设备 | |
CN117909696B (zh) | 一种基于风速传感器的风速风向预警方法及*** | |
Basmadjian et al. | Day-Ahead Forecasting of the Percentage of Renewables Based on Time-Series Statistical Methods. Energies 2021, 14, 7443 | |
CN116738769B (zh) | 一种风光数据生成模型构建方法及风光数据生成方法 | |
JP7272158B2 (ja) | 発電出力算出装置、及び発電出力算出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180807 Address after: Valhalla, New York, USA Applicant after: Utopas insight company Address before: New York grams of Armand Applicant before: International Business Machines Corp. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |