CN111950780A - 一种风电场短期功率预测方法 - Google Patents
一种风电场短期功率预测方法 Download PDFInfo
- Publication number
- CN111950780A CN111950780A CN202010755411.7A CN202010755411A CN111950780A CN 111950780 A CN111950780 A CN 111950780A CN 202010755411 A CN202010755411 A CN 202010755411A CN 111950780 A CN111950780 A CN 111950780A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- parameters
- wind
- power plant
- fans
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims description 31
- 238000010248 power generation Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 230000005684 electric field Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种风电场短期功率预测方法,包括:获取风电场所在地实时预报气象参数,所述气象参数包括风速、风向、温度及湿度;根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数;将所述风场内各风机的实时气象参数作为输入参数,基于预设的发电功率预测BP网络模型,确定所述风场内各风机的预测发电功率。该方法可解决电场区域内地形差异及尾流效应导致的各风机间的实际气象要素偏差对电场功率预测的影响,可有效地响应调度部门的要求。
Description
技术领域
本发明涉及风力发电技术领域,具体涉及一种考虑地形和尾流影响特性的风电场短期功率预测方法。
背景技术
风力发电作为开发前景最广阔的新型可再生能源,其规模及技术在我国实现飞速发展。然而风力发电的间接性和波动性是限制其发展的最大掣肘,大规模并网后将对电网的预测、调度、稳定运行及优化控制等方面造成较大的冲击。而精确的风功率预测方法可以帮助风电场有效地响应调度部门的要求,减轻风力发电对电网的影响,同时实现风能的最大利用,提升风电场的运行效益。
风功率预测主要依赖于数值天气预报,而风电场及周边地形复杂易导致数值天气预报出现偏差。同时由于数值天气预报一般是区域性的,而风电场的风机较为分散,受地形和风机位置的影响,每台风机的实际气象要素与数值天气预报存在差异,加上风机运行时尾流对风速、风向等的影响,均导致预测结果存在较大偏差。
发明内容
(一)发明目的
本发明的目的是提供一种风电场短期功率预测方法,用于解决电场区域内地形差异及尾流效应导致的各风机间的实际气象要素偏差对电功率预测的影响,可有效地响应调度部门的要求。
(二)技术方案
为解决上述问题,本发明的第一方面提供了一种风电场短期功率预测方法,至少包括以下步骤:
获取风电场所在地实时预报气象参数,所述气象参数包括风速、风向、温度及湿度;
根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数;
将所述风场内各风机的实时气象参数作为输入参数,基于预设的发电功率预测BP网络模型,确定所述风场内各风机的预测发电功率。
具体地,本申请中,风电场包括多个风机,各风机自带气象检测装置,同时风电场设有测风塔等气象采集设备,用于采集风速、风向、温度及湿度等气象参数。
具体地,所述根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数,具体包括:
获取所述风电场内各风机采集到的实测气象参数历史记录;
将历史同一时间各风机采集到的实测气象参数分别与同一时间由风电场气象采集设备采集到的实测气象参数进行比较,根据比较结果将所述风电场内的风机划分为标杆风机组和非标杆风机组;
根据所述标杆风机组对应的预设修正模型,对实时预报气象参数进行修正,得到所述标杆风机组内各风机对应的实时气象参数;
根据所述非标杆风机组中各非标杆风机对应的预设修正模型,对所述标杆风机组内各风机对应的实时气象参数进行修正,得到所述非标杆风机组内各风机对应的实时气象参数。
在一具体实施例中,将风机实测气象参数与气象采集设备采集到的实测气象参数相差较最小的若干个风机作为标杆风机。在其他实施例中,也可以由风电场工作人员依据风电场风机安装位置的实际情况进行划分。
该方法将风电场的实际气象数据与气象站预报气象数据的非线性关系转化为包含影响预报准确度的风电场及其周边地形和粗糙度等地理信息的预报数据自修正BP网络模型。
具体地,所述标杆风机组对应的预设修正模型通过以下方法获得:
获取风电场所在地的气象数据历史记录,所述气象数据包括当地天气预报的预报气象参数和对应的由风电场气象采集设备采集到的实测气象参数;
根据历史记录,将所述预报气象参数作为输入参数、同一时间内由风电场气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到所述标杆风机组对应的预设修正模型。
具体地,所述非标杆风机组对应的预设修正模型通过以下方法获得:
所述非标杆风机组中各非标杆风机对应的预设修正模型通过以下方法获得:
根据历史记录,将所述标杆风机组内各风机的实测气象参数作为输入参数,将同一时间内非标杆风机的实测气象参数作为输出参数对自适应BP神经网络算法模型进行训练,得到各非标杆风机对应的预设修正模型。
进一步地,风电场包括多个气象采集设备,所述的风电场短期功率预测方法,还包括:
根据风电场气象采集设备的位置,将风电场划分成至少两个子区域;
将历史同一时间子区域内各风机采集到的实测气象参数分别与同一时间由所在子区域的气象采集设备采集到的实测气象参数进行比较;
根据比较结果将所述子区域内的风机划分为标杆风机组和非标杆风机组。
具体地,风电场包括多个气象采集设备,根据风电场气象采集设备的位置,将风电场划分成至少两个子区域,其中:
所述获取风电场所在地实时预报气象参数,包括:
获取风电场所在地初始预报气象参数,所述初始预报气象参数包括风电场自身初始预报气象参数和风电场周边气象站提供的初始气象预报参数;
根据各子区域的预设修正模型,对所述初始预报气相参数进行修正,得到各子区域对应的实时预报气象参数;
相应地,所述根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,包括:
所述根据风电场各子区域内各风机对应的预设修正模型,对对应子区域的实时预报气象参数进行修正。
具体地,所述各子区域的预设修正模型通过以下方法获得:
获取风电场所在地的气象数据历史记录,所述气象数据包括当地天气预报的预报气象参数和对应的由各子区域气象采集设备采集到的实测气象参数;
根据历史记录,将所述预报气象参数作为输入参数、同一时间内由子区域气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到各子区域的预设修正模型。
具体地,所述的预设的发电功率预测BP网络模型通过以下方法获得:
获取所述风电场内各风机采集到的实测气象参数历史记录对应的发电功率历史记录;
根据历史记录,以各风机采集到的实测气象参数作为输入参数,以对应的发电功率作为输出参数对自适应BP神经网络算法模型进行训练,得到预设的发电功率预测BP网络模型。
具体地,确定所述风场内各风机的预测发电功率之后,还包括:
基于预设的总功率预测模型,根据各风机的预测发电功率确定风电场的总发电功率。
具体地,所述预设的总功率预测模型通过以下方式获得:
获取所述风电场的总发电功率历史记录;
根据历史记录,以各风机的发电功率作为输入参数,以对应的同一时间的所述风电场的总发电功率作为输出参数,对自适应BP神经网络算法模型进行训练,得到预设的总功率预测模型。
该方法实现数值天气预报精度修正并计及电场损耗,进一步提高了风电场功率预测的准确度。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果:
本申请基于自适应BP神经网络算法获取地形和尾流影响特性模型,实现数值天气预报精度修正并计及电场损耗的风电场功率预测方法,用于解决电场区域内地形差异及尾流效应导致的各风机间的实际气象要素偏差对风功率预测的影响,有效地响应调度部门的要求。
附图说明
图1是本申请提供的风电场短期功率预测方法流程图;
图2为本申请一具体实施例提供的风电场短期功率预测方法流程简图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本申请提供了一种风电场短期功率预测方法,至少包括以下步骤:
步骤101:获取风电场所在地实时预报气象参数,所述气象参数包括风速、风向、温度及湿度;
步骤102:根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数;
步骤103:将所述风场内各风机的实时气象参数作为输入参数,基于预设的发电功率预测BP网络模型,确定所述风场内各风机的预测发电功率。
该方法根据各风机修正模型对预报气象参数进行修正,充分考虑了尾流效应导致的各风机间的实际气象要素偏差,确保预测结果的准确性。
具体地,本申请中,风电场包括多个风机,各风机自带气象检测装置,同时风电场设有测风塔等气象采集设备,用于采集风速、风向、温度及湿度等气象参数。预报气象参数由风电场和/或周边气象台提供。
具体地,所述根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数,具体包括:
获取所述风电场内各风机采集到的实测气象参数历史记录;
将历史同一时间各风机采集到的实测气象参数分别与同一时间由风电场气象采集设备采集到的实测气象参数进行比较,根据比较结果将所述风电场内的风机划分为标杆风机组和非标杆风机组;
根据所述标杆风机组对应的预设修正模型,对实时预报气象参数进行修正,得到所述标杆风机组内各风机对应的实时气象参数;
根据所述非标杆风机组中各非标杆风机对应的预设修正模型,对所述标杆风机组内各风机对应的实时气象参数进行修正,得到所述非标杆风机组内各风机对应的实时气象参数。
在一具体实施例中,将风机实测气象参数与气象采集设备采集到的实测气象参数相差较最小的若干个风机作为标杆风机。在其他实施例中,也可以由风电场工作人员依据风电场风机安装位置的实际情况进行划分。
该方法将风电场的实际气象数据与气象站预报气象数据的非线性关系转化为包含影响预报准确度的风电场及其周边地形和粗糙度等地理信息的预报数据自修正BP网络模型。
具体地,所述标杆风机组对应的预设修正模型通过以下方法获得:
获取风电场所在地的气象数据历史记录,所述气象数据包括当地天气预报的预报气象参数和对应的由风电场气象采集设备采集到的实测气象参数;
根据历史记录,将所述预报气象参数作为输入参数、同一时间内由风电场气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到BP网络模型1,将所述BP网络模型1作为所述标杆风机组对应的预设修正模型。
具体地,所述非标杆风机对应的预设修正模型通过以下方法获得:
根据历史记录,将所述标杆风机组内各风机的实测气象参数作为输入参数,将同一时间内所述非标杆风机的实测气象参数作为输出参数对自适应BP神经网络算法模型进行训练,得到BP网络模型2,将所述BP网络模型2作为各非标杆风机对应的预设修正模型。
进一步地,风电场包括多个气象采集设备,所述的风电场短期功率预测方法,还包括:
根据风电场气象采集设备的位置,将风电场划分成至少两个子区域;
将历史同一时间子区域内各风机采集到的实测气象参数分别与同一时间由所在子区域的气象采集设备采集到的实测气象参数进行比较;
根据比较结果将所述子区域内的风机划分为标杆风机组和非标杆风机组。
在一实施例中,风电场包括多个气象采集设备,根据风电场气象采集设备的位置,将风电场划分成至少两个子区域,其中:
所述获取风电场所在地实时预报气象参数,包括:
获取风电场所在地初始预报气象参数,所述初始预报气象参数包括风电场自身初始预报气象参数和风电场周边气象站提供的初始气象预报参数;
根据各子区域的预设修正模型,对所述初始预报气相参数进行修正,得到各子区域对应的实时预报气象参数;
相应地,所述根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,包括:
所述根据风电场各子区域内各风机对应的预设修正模型,对对应子区域的实时预报气象参数进行修正。
具体地,所述各子区域的预设修正模型通过以下方法获得:
获取风电场所在地的气象数据历史记录,所述气象数据包括当地天气预报的预报气象参数和对应的由各子区域气象采集设备采集到的实测气象参数;
根据历史记录,将所述预报气象参数作为输入参数、同一时间内由子区域气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到各子区域的预设修正模型。
该方法进一步考虑地形差异导致的各区域件的实际气象要素偏差,进一步提高了风功率预测结果的准确与可靠性。
具体地,所述的预设的发电功率预测BP网络模型通过以下方法获得:
获取所述风电场内各风机采集到的实测气象参数历史记录对应的发电功率历史记录;
根据历史记录,以各风机采集到的实测气象参数作为输入参数,以对应的发电功率作为输出参数对自适应BP神经网络算法模型进行训练,得到BP网络模型3,将所述BP网络模型3作为预设的发电功率预测BP网络模型。
具体地,确定所述风场内各风机的预测发电功率之后,还包括:
基于预设的总功率预测模型,根据各风机的预测发电功率确定风电场的总发电功率。
具体地,所述预设的总功率预测模型通过以下方式获得:
获取所述风电场的总发电功率历史记录;
根据历史记录,以各风机的发电功率作为输入参数,以对应的同一时间的所述风电场的总发电功率作为输出参数,对自适应BP神经网络算法模型进行训练,得到BP网络模型4,将所述BP网络模型4作为预设的总功率预测模型。
该方法实现数值天气预报精度修正并计及电场损耗,进一步提高了风电场功率预测的准确度。
在本申请的一个具体实施例中,一种风电场短期功率预测方法,具体包括以下步骤:
步骤1:建立基础的学习步长自适应调节的BP神经网络算法模型,包括输入输出层参数、隐含层节点数计算公式、传递函数、误差限值、权值初始调整率、阀值初始调整率、学习步长调节公式等;
步骤2:通过风电场气象采集设备(如测风塔)的位置对风电场进行子区域划分;
步骤3:获取风电场子区域所在风电场及周边气象站的气象数据历史记录,所述气象数据包括风电场及周边气象站的天气预报的预报气象参数和对应的由该子区域气象采集设备采集到的实测气象参数,所述气象参数包括风速、风向、温度及湿度;
步骤4、根据历史记录,将所述预报气象参数作为输入参数、对应的气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到预报气象参数自修正BP网络模型1;
步骤5、获取所述风电场子区域内各风机采集到的实测气象参数历史记录,并将历史同一时间各风机采集到的实测气象参数分别与同一时间由该子区域气象采集设备采集到的实测气象参数进行比较,按照风机采集到的实测气象参数与气象采集设备采集到的实测气象参数最接近的原则,确定该子区域内的标杆风机,从而将该子区域内的风机划分为标杆风机组和非标杆风机组;
步骤6、根据历史记录,将所述标杆风机组内各风机的实测气象参数作为输入参数,将同一时间内同一子区域内的非标杆风机的实测气象参数作为输出参数对自适应BP神经网络算法模型进行训练,得到将各风机间尾流的互相影响转化得到每个非标杆风机与标杆风机间的气象数据BP网络模型2;
步骤7、获取所述风电场内各风机采集到的实测气象参数历史记录对应的发电功率历史记录,并以各风机采集到的实测气象参数作为输入参数,以对应的发电功率作为输出参数对自适应BP神经网络算法模型进行训练,得到BP网络模型3;
步骤8、获取所述风电场的总发电功率历史记录,以各风机的发电功率作为输入参数,以对应的所述风电场的总发电功率作为输出参数,对自适应BP神经网络算法模型进行训练,得到BP网络模型4;
步骤9、获取风电场所在地实时预报气象参数,并将所述实时预报气象参数作为输入参数,根据所述BP网络模型1,确定标杆风机对应的实时气象参数,基于所述BP网络模型2,根据所述标杆风机对应的实时气象参数确定非标杆风机对应的实时气象参数,将所述风场内各风机的实时气象参数作为输入参数,根据所述BP网络模型3确定所述风场内各风机的预测发电功率,根据各风机的预测发电功率及BP网络模型4确定所述风场的发电功率。
具体地,如图2所示,本实施例中,步骤1BP神经网络算法模型具体包括:
隐含层节点数计算公式
权值初始调整率w:0.0035;阀值初始调整率b:0.001;
权值调节率/阈值调节率学习步长自适应公式:
步骤2中,风电场建有两个测风塔,二十个风机,将风电场划分为两个子区域,即区域一和区域二,每个子区域十个风机,周边气象站两座(气象站一、气象站二)。
如表1所示,步骤4选取风电场及周边气象站历史天气预报中的十二个数据(气象参数)作为输入层节点,区域一和区域二共8个历史采集气象数据作为输出层节点,中间层节点依照计算公式设为7,训练得到区域预报数据自修正BP网络模型1。
表1
步骤5根据各风机自身的历史采集气象数据曲线,与所属子区域气象采集设备的历史采集气象数据曲线进行对比,结合风电场风机安装位置,区域一和区域二各设定三个标杆风机。
如表2所示,步骤6选取十二个标杆风机历史采集(实测)气象数据作为输入层节点,四个单个非标杆风机历史采集气象数据作为输出层节点,中间层节点依照计算公式设为6,训练得到非标杆风机气象数据BP网络模型2,每个区域各7个非标杆风机气象数据BP网络模型。
表2
如表3所示,步骤7选取四个各风机自身的历史采集气象数据作为输入层节点,一个历史发电数据(发电功率)作为输出层节点,中间层节点依照计算公式设为3,训练得到各风机发电BP网络模型,二十台风机对应二十台风机发电BP网络模型。
表3
如表4所示,选取二十个风机历史发电数据作为输入层节点,一个风电场公共连接支路的历史发电数据(总功率)作为输出层节点,中间层节点依照计算公式设为7,训练得到风电场计及损耗实际发电模型。
表4
将次日风电场及周边气象站的天气预报数据代入如表1所示的区域预报数据自修正BP网络模型中得到次日风电场区域一与区域二精准气象预测数据。
将得到的次日风电场区域一与区域二精准气象预测数据作为各区域标杆风机的气象预测数据,代入如表2所示的非标杆风机气象数据BP网络模型,得到每个区域各风机气象预报数据。
将各风机气象预报数据代入如表3的各风机发电BP网络模型,得到各风机单独的发电预测功率。
将各风机单独的发电预测功率代入如表4所示的风电场计及损耗实际发电模型,得到风电场次日最终的发电功率预测数据。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种风电场短期功率预测方法,其特征在于,至少包括以下步骤:
获取风电场所在地实时预报气象参数,所述气象参数包括风速、风向、温度及湿度;
根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数;
将所述风场内各风机的实时气象参数作为输入参数,基于预设的发电功率预测BP网络模型,确定所述风场内各风机的预测发电功率。
2.根据权利要求1所述的风电场短期功率预测方法,其特征在于,
所述根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,得到各风机对应的实时气象参数,具体包括:
获取所述风电场内各风机采集到的实测气象参数历史记录;
将历史同一时间各风机采集到的实测气象参数分别与同一时间由风电场气象采集设备采集到的实测气象参数进行比较,根据比较结果将所述风电场内的风机划分为标杆风机组和非标杆风机组;
根据所述标杆风机组对应的预设修正模型,对实时预报气象参数进行修正,得到所述标杆风机组内各风机对应的实时气象参数;
根据所述非标杆风机组中各非标杆风机对应的预设修正模型,对所述标杆风机组内各风机对应的实时气象参数进行修正,得到所述非标杆风机组内各风机对应的实时气象参数。
3.根据权利要求2所述的风电场短期功率预测方法,其特征在于,所述标杆风机组对应的预设修正模型通过以下方法获得:
获取风电场所在地的气象数据历史记录,所述气象数据包括当地天气预报的预报气象参数和对应的由风电场气象采集设备采集到的实测气象参数;
根据历史记录,将所述预报气象参数作为输入参数、同一时间内由风电场气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到所述标杆风机组对应的预设修正模型。
4.根据权利要求3所述的风电场短期功率预测方法,其特征在于,所述非标杆风机组中各非标杆风机对应的预设修正模型通过以下方法获得:
根据历史记录,将所述标杆风机组内各风机的实测气象参数作为输入参数,将同一时间内非标杆风机的实测气象参数作为输出参数对自适应BP神经网络算法模型进行训练,得到各非标杆风机对应的预设修正模型。
5.根据权利要求2所述的风电场短期功率预测方法,其特征在于,还包括:
根据风电场气象采集设备的位置,将风电场划分成至少两个子区域;
将历史同一时间子区域内各风机采集到的实测气象参数分别与同一时间由所在子区域的气象采集设备采集到的实测气象参数进行比较;
根据比较结果将所述子区域内的风机划分为标杆风机组和非标杆风机组。
6.根据权利要求5所述的风电场短期功率预测方法,其特征在于,所述获取风电场所在地实时预报气象参数,包括:
获取风电场所在地初始预报气象参数,所述初始预报气象参数包括风电场自身初始预报气象参数和风电场周边气象站提供的初始气象预报参数;
根据各子区域的预设修正模型,对所述初始预报气相参数进行修正,得到各子区域对应的实时预报气象参数;
相应地,所述根据风电场内各风机对应的预设修正模型,对所述实时预报气象参数进行修正,包括:
所述根据风电场各子区域内各风机对应的预设修正模型,对对应子区域的实时预报气象参数进行修正。
7.根据权利要求6所述的风电场短期功率预测方法,其特征在于,所述各子区域的预设修正模型通过以下方法获得:
获取风电场所在地的气象数据历史记录,所述气象数据包括当地天气预报的预报气象参数和对应的由各子区域气象采集设备采集到的实测气象参数;
根据历史记录,将所述预报气象参数作为输入参数、同一时间内由子区域气象采集设备采集到实测气象参数作为输出参数,对自适应BP神经网络算法模型进行训练,得到各子区域的预设修正模型。
8.根据权利要求1所述的风电场短期功率预测方法,其特征在于,所述的预设的发电功率预测BP网络模型通过以下方法获得:
获取所述风电场内各风机采集到的实测气象参数历史记录对应的发电功率历史记录;
根据历史记录,以各风机采集到的实测气象参数作为输入参数,以对应的发电功率作为输出参数对自适应BP神经网络算法模型进行训练,得到预设的发电功率预测BP网络模型。
9.根据权利要求1所述的风电场短期功率预测方法,其特征在于,确定所述风场内各风机的预测发电功率之后,还包括:
基于预设的总功率预测模型,根据各风机的预测发电功率确定风电场的总发电功率。
10.根据权利要求9所述的风电场短期功率预测方法,其特征在于,所述预设的总功率预测模型通过以下方式获得:
获取所述风电场的总发电功率历史记录;
根据历史记录,以各风机的发电功率作为输入参数,以对应的同一时间的所述风电场的总发电功率作为输出参数,对自适应BP神经网络算法模型进行训练,得到预设的总功率预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755411.7A CN111950780A (zh) | 2020-07-31 | 2020-07-31 | 一种风电场短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755411.7A CN111950780A (zh) | 2020-07-31 | 2020-07-31 | 一种风电场短期功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950780A true CN111950780A (zh) | 2020-11-17 |
Family
ID=73338816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010755411.7A Pending CN111950780A (zh) | 2020-07-31 | 2020-07-31 | 一种风电场短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950780A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713039A (zh) * | 2023-11-01 | 2024-03-15 | 宁夏青铜峡市华能雷避窑光伏发电有限公司 | 基于区域新能源发电功率预测的电厂发电控制方法 |
Citations (6)
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*** |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
CN104124715A (zh) * | 2014-08-11 | 2014-10-29 | 国家电网公司 | 根据风机出力按优先级别分配的风电场有功自动调度方法 |
CN104484704A (zh) * | 2014-12-22 | 2015-04-01 | 国家电网公司 | 一种基于bp神经网络的风电场理论功率确定方法 |
CN109325607A (zh) * | 2017-08-01 | 2019-02-12 | 中国电力科学研究院 | 一种短期风电功率预测方法及*** |
-
2020
- 2020-07-31 CN CN202010755411.7A patent/CN111950780A/zh active Pending
Patent Citations (6)
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*** |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
CN104124715A (zh) * | 2014-08-11 | 2014-10-29 | 国家电网公司 | 根据风机出力按优先级别分配的风电场有功自动调度方法 |
CN104484704A (zh) * | 2014-12-22 | 2015-04-01 | 国家电网公司 | 一种基于bp神经网络的风电场理论功率确定方法 |
CN109325607A (zh) * | 2017-08-01 | 2019-02-12 | 中国电力科学研究院 | 一种短期风电功率预测方法及*** |
Non-Patent Citations (1)
Title |
---|
王尤嘉等: "基于特征聚类的区域风电短期功率统计升尺度预测", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713039A (zh) * | 2023-11-01 | 2024-03-15 | 宁夏青铜峡市华能雷避窑光伏发电有限公司 | 基于区域新能源发电功率预测的电厂发电控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI476430B (zh) | 具極端風速預測功能之風能預報方法 | |
US7523001B2 (en) | Method and apparatus for operating wind turbine generators | |
US9337656B2 (en) | Method and system for forecasting wind energy | |
CN107292514B (zh) | 风电场生产运行测风塔选址方法及装置 | |
CN103904682B (zh) | 一种基于风光混合模型的功率预测方法 | |
CN107769254A (zh) | 一种风电集群轨迹预测与分层控制方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、***、设备及存储介质 | |
CN109784563B (zh) | 一种基于虚拟测风塔技术的超短期功率预测方法 | |
CN101634722A (zh) | 预测风资源的方法和装置 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN101794996A (zh) | 风电场出力实时预测方法 | |
CN103225588B (zh) | 基于模式识别技术的风力发电功率曲线优化方法 | |
Prasad et al. | Some of the design and methodology considerations in wind resource assessment | |
CN105048499A (zh) | 基于模型预测控制的风电并网实时调度方法及装置 | |
CN101414317A (zh) | 一种处理风电场静态功率等值分散性问题的等效风速法 | |
WO2011124226A1 (en) | Method and system for forecasting wind energy | |
CN103244354A (zh) | 风力发电机组功率曲线自适应优化方法 | |
CN102945509A (zh) | 风电场功率预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN107422180A (zh) | 一种基于云监控的光伏电站的功率预测*** | |
CN108665102B (zh) | 基于中尺度数据预测风电场实时发电量的方法 | |
CN107194141A (zh) | 一种区域风能资源精细化评估方法 | |
CN111342499A (zh) | 一种基于风功率预测数据的风电场实时调度方法 | |
CN115358606A (zh) | 一种平缓地形下在役风电场能效评估方法及*** | |
CN111950780A (zh) | 一种风电场短期功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |
|
RJ01 | Rejection of invention patent application after publication |