CN112329977A - 一种面向极端场景的风电功率预测*** - Google Patents
一种面向极端场景的风电功率预测*** Download PDFInfo
- Publication number
- CN112329977A CN112329977A CN202010945565.2A CN202010945565A CN112329977A CN 112329977 A CN112329977 A CN 112329977A CN 202010945565 A CN202010945565 A CN 202010945565A CN 112329977 A CN112329977 A CN 112329977A
- Authority
- CN
- China
- Prior art keywords
- data
- server
- wind power
- wind
- prediction
- 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
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000002955 isolation Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000007639 printing Methods 0.000 claims description 4
- 241000220317 Rosa Species 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 15
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ecology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了风电预测领域的一种面向极端场景的风电功率预测***，包括数据采集服务器、数据库服务器、交换机、PC工作站、风电功率预测服务器和电网调度中心，数据采集服务器通过通信网络与数值天气预报***、测风塔、升压站SCADA服务器、风机SCADA服务器以及三维激光雷达测量***相连接，数据采集服务器通过交换机分别与PC工作站、风电功率预测服务器和数据库服务器通过通信网络连接，交换机通过数据接口服务器与电网调度中心相连接。通过增加输入信息量，减小预测偏差，采用物理、统计和学习组合的预测方法，建立预测误差小，计算效率高的组合预测模型，对经济调度的计算通过选择负荷的极端场景来增强，并且考虑中心场景样本，保证了***的经济性。
Description
技术领域
本发明涉及风电预测技术领域，具体为一种面向极端场景的风电功率预测***。
背景技术
风力发电是通过风电机组将风能转换为电能的能源利用技术，是目前新能源开发领域中发展最快和最具潜力的“绿色能源”。而风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划。这是因为风能属于随机波动的不稳定能源，大规模的风电并入***，必将会对***的稳定性带来新的挑战。电力生产调度机构需要对未来数小时的风电输出功率有所了解。按风电场出力预测时间尺度划分，包括:长期预测、中期预测、短期预测以及超短期预测。
国外风电预测研究起步较早，丹麦、西班牙、德国、美国等国家的风电预测技术已较为成熟，各国研究出的风电预测***均已投人运行。
欧盟资助的“SafeWind”项目针对极端天气情况的风电功率预测从不同时间和空间尺度开展研究。与陆地风电场相比，海上风电场的地形较为平坦、光滑，其风速和热效应变化相对敏感，且现有的预测模型多针对于陆地风电场，因此建立合适的海上风电场预测模型有待于进一步研究。
最新的理论研究中，相关研究计算了区域和单个风电场的风电功率预测的误差，分析发现误差的减小取决于区域的大小，利用空间平滑效应预测区域风电功率提供了一种减小误差的新思路。也有研究将一种时间自适应的quantile-copula方法应用于风电功率概率预测，并且讨论了如何选取对不同变量建模的核函数。另外有研究首先将风速序列进行小波分解，并对各分解信号采用自适应小波神经网络进行回归预测，再通过前馈神经网络将风速预测值转化风电功率预测值。有文献将风机数据和数值天气预报数据转化为风速向量，通过多个观察点预测风速和风向，再将风速预测值通过功率曲线转换成风电功率预测值。
国内风电预测现状
我国风电功率预测***的研究机构主要包括:中国电力科学研究院、中国气象局国家气象中心、华北电力大学、金风科技股份有限公司等，同时我国也与德国太阳能研究所(ISET)、丹麦Rise国家实验室以及挪威WindSim公司开展了国际合作。有研究建立了以数值天气预报为基础，基于人工神经网络的风电功率预测***，并应用于吉林电网调度中心，该***具有良好的人机界面，实现了与能量管理***((EMS)的无缝连接。也有文献提出一种基于数值天气预报以及人工神经网络的混合型风能预测***，该***能够依据特定风电机组或风场的发电量的历史数据对输出数据进行修正。
为进一步提高预测精度，国内学者在预测模型和算法等方面进行了深人的理论研究。利用粗糙集理论分析影响风速预测的主要因素，将其作为中长期风速预测模型的附加输人，建立粗糙集混沌神经网络预测模型。有文献通过兼顾准确性和效率两方面，利用WRF中尺度数值预报模式选择合适的网格分辨率对风电场风速进行预测。
风电功率预测的最大问题是预测误差较大，导致各个预测方法的实用性大大降低，分析整个过程的误差来源，基于现有的风电功率预测还存在的问题如下：
1、输入数据单一，当前很多预测***主要包括数值天气预报处理模块和风电模块变量作为输入数据，风能还受周围环境因素、物理因素等影响，势必会给预测带来一些偏差。
2、单一的预测模型只考虑一般场景信息，由于一些可能发生的负荷场景，没有被考虑，特别是一些极端的负荷场景，不考虑极端的负荷场景的负荷预测误差引起的不确定性。给电网的经济性和可靠性带来了巨大的挑战，例如频率下降、输电线路过载、甚至在***处于重载条件时的级联故障等。
基于此，本发明设计了一种面向极端场景的风电功率预测***，以解决上述提到的问题。
发明内容
本发明的目的在于提供一种面向极端场景的风电功率预测***，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种面向极端场景的风电功率预测***，包括数据采集服务器、数据库服务器、交换机、PC工作站、风电功率预测服务器和电网调度中心，所述数据采集服务器通过通信网络分别与数值天气预报***、测风塔、升压站SCADA服务器、风机SCADA服务器以及三维激光雷达测量***相连接，所述升压站SCADA服务器、风机SCADA服务器发分别连接风机监控箱和升压站监控箱，所述数据采集服务器通过交换机分别与PC工作站、风电功率预测服务器和数据库服务器通过通信网络连接，所述交换机通过数据接口服务器与电网调度中心相连接。
优选的，所述数据采集服务器包括数据采集模块和数据处理模块，所述数据采集模块用于采集数值天气预报***、测风塔、升压站SCADA服务器、风机SCADA服务器以及三维激光雷达测量***实时监测的数据，所述数据处理模块用于将数据采集模块所采集的实时监测数据进行工程量变换、归零检查、死区检查、限值检查、变化率检查、相关性检验、均值及标准差检验等处理，对不合理及缺测数据进行插补和替代，最后将处理后的数据上传至交换机。
优选的，所述数据采集模块所采集的实时监测数据包括
数值天气预报***采集的天气预报预测数据：包括但不仅限于风速、风压、气温、气压、湿度；
测风塔采集的实时风数据：包括但不仅限于风向、空气密度、大气湿度；
升压站采集的风电场实时功率数据：包括但不仅限于总有用功、总无用功、无功补偿、馈线数据；
风机采集的实时运行数据：包括但不仅限于风速、风向、功率、湍流；
激光雷达测量***采集的数据：包括但不仅限于地理坐标、空间坐标、密度及地形地貌。
优选的，所述三维激光雷达测量***通过飞行器进行携带，通过三维激光雷达测量***对区域内的风机进行扫描，地理坐标、空间坐标、密度及地形地貌，所述三维激光雷达测量***激光扫描仪、GPS定位***和惯性测量装置。
优选的，所述通信网络为局域网，所述测风塔、升压站SCADA服务器、风机SCADA服务器、三维激光雷达测量***、PC工作站、风电功率预测服务器和数据库服务器均通过串口通信协议，经由通信网络与交换机连接。
优选的，所述数据天气预报***与交换机之间连接有反向隔离装置，所述数据天气预报***包括气象研究机构，所述气象研究机构的NWP数据通过TCP/IP协议，经由互联网和反向隔离装置单向传送到数据天气预报***。
优选的，所述数据库服务器用于实现历史功率数据、历史测风数据、地理位置数据、数值天气预报数据、风电场运行数据的统计，对历史功率数据、测风数据、地理位置数据和数值天气预报数据进行存储。
优选的，所述PC工作站包括参数维护模块、图形生成显示模块和报表模块，用于对预测***的参数维护、图形生成显示和报表制作打印，提供面向风电的监视画面如地理图、***工况监视图、风电场一次接线图、风电场工况监视图、风机列表监视图、实时和历史趋势曲线、风速-功率曲线、风向玫瑰图、风频图、风电场实际平均风速与预测平均风速的比对曲线、风电场实际出力与预测值的实时比对曲线、风电场实际出力与预测值的历史比对曲线、日预测精度统计图表、月预测精度统计图表的生成显示。
优选的，所述风电功率预测服务器包括样本划分模块，负荷样本重构模块和计算模块，
样本划分模块，用于将数据库服务器存储的历史负荷样本划分为普通场景样本、极端场景样本和中心场景样本；
负荷样本重构模块，用于将划分后的所有样本进行历史负荷样本数据的重构；
计算模块，用于计算负荷样本重构模块中极端场景样本是否存在机组组合方案，并计算每个核心样本(中心样本与普通样本的统称)是否存在对应的经济调度方案，并记录极端场景样本存在机组组合方案得分。
优选的，所述机组组合方案在此核心场景下存在经济调度解，则相应机组组合方案的分数将增加(SI＝SI+1)，用SI/NJ计算每个机组组合方案的可行性比例，SI是每个机组组合方案的总分，NJ是总的核心样本数量，然后选择具有最大SI分数的机组组合方案，进行经济调度计算。
与现有技术相比，本发明的有益效果是：
1、除了对数值天气预报***采集的天气预报预测数据、测风塔采集的实时风数据、风机采集的实时运行数据，还考虑升压站采集的风电场实时功率数据：包括但不仅限于总有用功、总无用功、无功补偿、馈线数据，最重要的是通过激光雷达测量***采集地理坐标、空间坐标、密度及地形地貌的数据，充分考虑对风电功率预测有影响因素，通过增加输入信息量，减小预测偏差，较高精度的风电功率预测能够使调度中心合理安排发电计划和调度任务，以减小风电场内风电机组大规模并网时对电网的影响，提高电网运行的安全性和稳定性。
2、本发明通过采用物理、统计和学习组合的预测方法，建立预测误差小，计算效率高的组合预测模型，以此来提高预测模型的预测精度。
3、本发明为了避免极端场景下风电场可能出现的不确定性，充分考虑在极端场景下预测数据，证明了机组组合方案的鲁棒性可以被少量的极端场景所保证，对经济调度的计算通过选择负荷的极端场景来增强，并且考虑中心场景样本，保证了***的经济性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明原理框图；
图2为本发明数据采集模块结构示意图；
图3为本发明风电功率预测服务器工作流程图。
附图中，各标号所代表的部件列表如下：
1、数据采集服务器；2、交换机；3、数据库服务器；4、风电预测服务器；5、PC工作站；6、数值天气预报***；7、风机SCADA服务器；8、三维激光雷达测量***；9、升压站SCADA服务器；10、测风塔；11、风机监控箱；12、升压站监控箱；13、反向隔离装置；14、气象研究机构；15、数据接口服务器；16、电网调度中心。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：一种面向极端场景的风电功率预测***，包括数据采集服务器1、数据库服务器3、交换机2、PC工作站5、风电功率预测服务器和电网调度中心16，所述数据采集服务器1通过通信网络分别与数值天气预报***6、测风塔10、升压站SCADA服务器9、风机SCADA服务器7以及三维激光雷达测量***8相连接，所述升压站SCADA服务器9、风机SCADA服务器7发分别连接风机监控箱11和升压站监控12箱，所述数据采集服务器1通过交换机2分别与PC工作站5、风电功率预测服务器和数据库服务器3通过通信网络连接，所述交换机2通过数据接口服务器15与电网调度中心16相连接，调度中心合理安排发电计划和调度任务，以减小风电场内风电机组大规模并网时对电网的影响，提高电网运行的安全性和稳定性。
本实施例中，所述数据采集服务器1包括数据采集模块和数据处理模块，所述数据采集模块用于采集数值天气预报***6、测风塔10、升压站SCADA服务器9、风机SCADA服务器7以及三维激光雷达测量***8实时监测的数据，所述数据处理模块用于将数据采集模块所采集的实时监测数据进行工程量变换、归零检查、死区检查、限值检查、变化率检查、相关性检验、均值及标准差检验等处理，对不合理及缺测数据进行插补和替代，最后将处理后的数据上传至交换机2，交换机2是一种用于电信号转发的网络设备，他可以为接入交换机2的任意两个网络节点提供独享的电信号通路，常见的交换机2是以以太网交换机2或者光纤交换机2，本发明优选以太网交换机2，通过局域网进行相互通信，实信息的共享。
数据采集模块所采集的实时监测数据包括
数值天气预报***6采集的天气预报预测数据：包括但不仅限于风速、风压、气温、气压、湿度；
测风塔10采集的实时风数据：包括但不仅限于风向、空气密度、大气湿度；
升压站采集的风电场实时功率数据：包括但不仅限于总有用功、总无用功、无功补偿、馈线数据；
风机采集的实时运行数据：包括但不仅限于风速、风向、功率、湍流；
激光雷达测量***采集的数据：包括但不仅限于地理坐标、空间坐标、密度及地形地貌。
本发明除了对数值天气预报***6采集的天气预报预测数据、测风塔10采集的实时风数据、风机采集的实时运行数据，还考虑升压站采集的风电场实时功率数据：包括但不仅限于总有用功、总无用功、无功补偿、馈线数据，最重要的是通过激光雷达测量***采集地理坐标、空间坐标、密度及地形地貌的数据，充分考虑对风电功率预测有影响因素，通过增加输入信息量，减小预测偏差。
在上述实施例中，所述三维激光雷达测量***8通过飞行器进行携带，通过三维激光雷达测量***8对区域内的风机进行扫描，地理坐标、空间坐标、密度及地形地貌，所述三维激光雷达测量***8激光扫描仪、GPS定位***和惯性测量装置。通过飞行器携带三维激光雷达测量***8以获得各风电机组的空间坐标、地理坐标、密度及地形地貌数据文件，将该各风电机组所在位置的数据作为控制参数提供给风电预测服务器4的物理模型。
该空间坐标和地理坐标可以包括风电机组的经度、纬度和风电机组的海拔高度，或者是建立一三维坐标系，以水平面为X轴和Y轴所在平面，垂直该水平面的方向为Z轴所在方向，以风电场区域中某一点为坐标原点，各风电机组所在位置的空间坐标为相对于该坐标原点的位置。
该地形外貌可以包括风电场区域内若干点的大地坐标值、风电场区域内及周围一定区域范围的等高线、风电场区域内及周围一定区域范围的地表粗糙度和稳定度等。
该密度可以包括风电场区域内风电机组的数量分布。
本实施例中，通信网络为局域网，测风塔10、升压站SCADA服务器、风机SCADA服务器、三维激光雷达测量***8、PC工作站5、风电功率预测服务器和数据库服务器3均通过串口通信协议，经由通信网络与交换机2连接。
本实施例中，数据天气预报***与交换机2之间连接有反向隔离装置13，所述数据天气预报***包括气象研究机构14，所述气象研究机构14的NWP数据通过TCP/IP协议，经由互联网和反向隔离装置13单向传送到数据天气预报***，反向隔离装置13是一种由带有多种控制功能专用硬件在电路上切断网络之间的链路层连接，并能够在网络间进行安全适度的应用数据交换的网络安全设备。
数据天气预报***可以从气象研究机构14下载全球范围内各区域的气象数据，包括气压、温度、湿度、风、云和降水量、地温、辐射等，并采用数值天气预报模块，预测处未来一段时间内风电场区域的相关气象参数，这些气象参数主要包括风电场区域的风速、风向、气压、温度和湿度等，。
本实施例中，数据库服务器3用于实现历史功率数据、历史测风数据、地理位置数据、数值天气预报数据、风电场运行数据的统计，对历史功率数据、测风数据、地理位置数据和数值天气预报数据进行存储，通过数据库服务器3可向外调取存储的数据。
本实施例中，PC工作站5包括参数维护模块、图形生成显示模块和报表模块，用于对预测***的参数维护、图形生成显示和报表制作打印，提供面向风电的监视画面如地理图、***工况监视图、风电场一次接线图、风电场工况监视图、风机列表监视图、实时和历史趋势曲线、风速-功率曲线、风向玫瑰图、风频图、风电场实际平均风速与预测平均风速的比对曲线、风电场实际出力与预测值的实时比对曲线、风电场实际出力与预测值的历史比对曲线、日预测精度统计图表、月预测精度统计图表的生成显示，对风电功率预测的参数进行参数维护、图形生成显示及报表打印，风电功率预测服务器采用多组不同组合预测算法，提高了功率预测的精度，并且使预测模型具有良好的适应性。
如图3所示，本实施例中，为了避免极端场景下风电场可能出现的不确定性，充分考虑在极端场景下预测数据，风电功率预测服务器包括样本划分模块，负荷样本重构模块和计算模块，风电功率预测服务器本身包括多个组合预测模型，包括神经网络、聚类算法等物理模型，他们都有各自的优势，本发明采用上述其中一种获得其负荷样本，将一段时间内的负荷样本存储在数据库服务器3内，风电功率预测服务器只需调用数据库服务器3内采用的物理模型得到的历史负荷样本，
通过样本划分模块将数据库服务器3存储的历史负荷样本划分为普通场景样本、极端场景样本和中心场景样本；其采用的方法为CSFDP，即快速搜索与发现密度峰值聚类，它可以用于对场景进行分离，因为该方法具有一个重要的参数，即局部密度。它代表了该场景与周围其他场景的紧密程度，这反映了此种场景的发生概率，因此在每个场景的发生概率可以通过此参数进行计算，根据局部密度的不同(发生概率的大小)，场景可以分为普通场景、极端场景和中心场景。CSFDP是一种通过局部密度和距离对具有相似信息的数据进行聚类的方法，利用高斯核计算局部密度：
其中，dc表示截断距离，djk表示第j个数据与第k个数据之间的距离，ρj是第j个场景的局部密度。若某一历史负荷样本的局部密度大于平均密度，则该样本被识别为核心样本(中心样本与普通样本的统称)，否则就是边缘样本，即极端样本，核心样本中的聚类中心为中心样本，其他则为普通样本。
然后通过负荷样本重构模块将划分后的所有样本进行历史负荷样本数据的重构；利用下式重构历史负荷样本：
其中，
Ss为第s个负荷场景，N是负荷场景数据，Λm＝[e1，e2，……，em]，e1，e2，……，eτ为协方差矩阵ΔSΔST的特征向量阵，
ys＝Λt m·ΔSS。
计算模块，用于计算负荷样本重构模块中极端场景样本是否存在机组组合方案，并计算每个核心样本(中心样本与普通样本的统称)是否存在对应的经济调度方案，并记录极端场景样本存在机组组合方案得分。
通过以下机组组合模型判断是否存在机组组合方案：
pmin,iIits≤pits≤pmax,iIits 
|SF·(KpPts-KD·PDts)|≤PLmax 
其中，Fi(pits)表示在场景s下第i台机组第t个时刻燃煤成本，SUits表示在场景s下第i台机组第t个时刻开机成本，NG表示燃煤机组数目，NT表示计划时间尺度，pits表示第i台机组在场景s下第t个时刻出力，PDts表示场景s下第t时刻负荷值，Ri表示第i台机组爬坡上限，pmin,i，pmax,i分别表示第i台机组的最小与最大出力，Iits表示机组i在场景s下第t个时刻的状态，Xonf,i(t-1)s,Xoff,i(t-1)s分别表示第i台机组在场景s下第t-1时刻累计开启与关闭的时间，Ton,i，Toff,i分别表示第i台机组所需的最小开机与关机时间，SF表示***转移因子矩阵，Kp，KD分别表示机组和复合节点连接矩阵，PLmax表示线路潮流上限；Pts,PDts分别表示在场景s时间t时刻的燃煤机组出力和***负荷。
利用下式进行经济调度计算：
pmin,iIits≤pits≤pmax,iIits 
|SF·(KpPts-KD·PDts)|≤PLmax 
其中，NS表示中心场景的数量，πS表示第s个中心场景发生的概率。
本实施例中，机组组合方案在此核心场景下存在经济调度解，则相应机组组合方案的分数将增加(SI＝SI+1)，用SI/NJ计算每个机组组合方案的可行性比例，SI是每个机组组合方案的总分，NJ是总的核心样本数量，然后选择具有最大SI分数的机组组合方案，进行经济调度计算。
该方法的优点是能在保证鲁棒性的同时产生经济性较好的调度方案，通过大量仿真实验，证明了机组组合方案的鲁棒性可以被少量的极端场景所保证。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种面向极端场景的风电功率预测***，其特征在于：包括数据采集服务器、数据库服务器、交换机、PC工作站、风电功率预测服务器和电网调度中心，所述数据采集服务器通过通信网络分别与数值天气预报***、测风塔、升压站SCADA服务器、风机SCADA服务器以及三维激光雷达测量***相连接，所述升压站SCADA服务器、风机SCADA服务器发分别连接风机监控箱和升压站监控箱，所述数据采集服务器通过交换机分别与PC工作站、风电功率预测服务器和数据库服务器通过通信网络连接，所述交换机通过数据接口服务器与电网调度中心相连接。
2.根据权利要求1所述的一种面向极端场景的风电功率预测***，其特征在于：所述数据采集服务器包括数据采集模块和数据处理模块，所述数据采集模块用于采集数值天气预报***、测风塔、升压站SCADA服务器、风机SCADA服务器以及三维激光雷达测量***实时监测的数据，所述数据处理模块用于将数据采集模块所采集的实时监测数据进行工程量变换、归零检查、死区检查、限值检查、变化率检查、相关性检验、均值及标准差检验等处理，对不合理及缺测数据进行插补和替代，最后将处理后的数据上传至交换机。
3.根据权利要求2所述的一种面向极端场景的风电功率预测***，其特征在于：所述数据采集模块所采集的实时监测数据包括
数值天气预报***采集的天气预报预测数据：包括但不仅限于风速、风压、气温、气压、湿度；
测风塔采集的实时风数据：包括但不仅限于风向、空气密度、大气湿度；
升压站采集的风电场实时功率数据：包括但不仅限于总有用功、总无用功、无功补偿、馈线数据；
风机采集的实时运行数据：包括但不仅限于风速、风向、功率、湍流；
激光雷达测量***采集的数据：包括但不仅限于地理坐标、空间坐标、密度及地形地貌。
4.根据权利要求2所述的一种面向极端场景的风电功率预测***，其特征在于：所述三维激光雷达测量***通过飞行器进行携带，通过三维激光雷达测量***对区域内的风机进行扫描，地理坐标、空间坐标、密度及地形地貌，所述三维激光雷达测量***激光扫描仪、GPS定位***和惯性测量装置。
5.根据权利要求1所述的一种面向极端场景的风电功率预测***，其特征在于：所述通信网络为局域网，所述测风塔、升压站SCADA服务器、风机SCADA服务器、三维激光雷达测量***、PC工作站、风电功率预测服务器和数据库服务器均通过串口通信协议，经由通信网络与交换机连接。
6.根据权利要求1所述的一种面向极端场景的风电功率预测***，其特征在于：所述数据天气预报***与交换机之间连接有反向隔离装置，所述数据天气预报***包括气象研究机构，所述气象研究机构的NWP数据通过TCP/IP协议，经由互联网和反向隔离装置单向传送到数据天气预报***。
7.根据权利要求1所述的一种面向极端场景的风电功率预测***，其特征在于：所述数据库服务器用于实现历史功率数据、历史测风数据、地理位置数据、数值天气预报数据、风电场运行数据的统计，对历史功率数据、测风数据、地理位置数据和数值天气预报数据进行存储。
8.根据权利要求1所述的一种面向极端场景的风电功率预测***，其特征在于：所述PC工作站包括参数维护模块、图形生成显示模块和报表模块，用于对预测***的参数维护、图形生成显示和报表制作打印，提供面向风电的监视画面如地理图、***工况监视图、风电场一次接线图、风电场工况监视图、风机列表监视图、实时和历史趋势曲线、风速-功率曲线、风向玫瑰图、风频图、风电场实际平均风速与预测平均风速的比对曲线、风电场实际出力与预测值的实时比对曲线、风电场实际出力与预测值的历史比对曲线、日预测精度统计图表、月预测精度统计图表的生成显示。
9.根据权利要求1所述的一种面向极端场景的风电功率预测***，其特征在于：所述风电功率预测服务器包括样本划分模块，负荷样本重构模块和计算模块，
样本划分模块，用于将数据库服务器存储的历史负荷样本划分为普通场景样本、极端场景样本和中心场景样本；
负荷样本重构模块，用于将划分后的所有样本进行历史负荷样本数据的重构；
计算模块，用于计算负荷样本重构模块中极端场景样本是否存在机组组合方案，并计算每个核心样本(中心样本与普通样本的统称)是否存在对应的经济调度方案，并记录极端场景样本存在机组组合方案得分。
10.根据权利要求9所述的一种面向极端场景的风电功率预测***，其特征在于：所述机组组合方案在此核心场景下存在经济调度解，则相应机组组合方案的分数将增加(SI＝SI+1)，用SI/NJ计算每个机组组合方案的可行性比例，SI是每个机组组合方案的总分，NJ是总的核心样本数量，然后选择具有最大SI分数的机组组合方案，进行经济调度计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010945565.2A CN112329977A (zh) | 2020-09-10 | 2020-09-10 | 一种面向极端场景的风电功率预测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010945565.2A CN112329977A (zh) | 2020-09-10 | 2020-09-10 | 一种面向极端场景的风电功率预测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112329977A true CN112329977A (zh) | 2021-02-05 |
Family
ID=74303233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010945565.2A Pending CN112329977A (zh) | 2020-09-10 | 2020-09-10 | 一种面向极端场景的风电功率预测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329977A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113068035A (zh) * | 2021-03-17 | 2021-07-02 | 之江实验室 | 一种基于深度神经网络的自然场景重建的方法 |
| CN113984111A (zh) * | 2021-09-30 | 2022-01-28 | 北京华能新锐控制技术有限公司 | 基于外部环境变化的风电机组控制方法与装置 |
| CN114114468A (zh) * | 2021-11-22 | 2022-03-01 | 华能江西清洁能源有限责任公司 | 一种提高风功率预测准确度的装置 |
| CN114202229A (zh) * | 2021-12-20 | 2022-03-18 | 南方电网数字电网研究院有限公司 | 能量管理策略的确定方法、装置、计算机设备和存储介质 |
| CN115169734A (zh) * | 2022-08-01 | 2022-10-11 | 周口师范学院 | 一种基于物联网的风力发电预测***及方法 |
| CN115882455A (zh) * | 2023-02-20 | 2023-03-31 | 国网山东省电力公司滨州供电公司 | 一种分布式光伏发电预测方法、***及终端机 |
| CN116027346A (zh) * | 2022-12-29 | 2023-04-28 | 威海激光通信先进技术研究院 | 一种无人机激光链路中的光斑位置预测算法 |
| CN116191571A (zh) * | 2023-04-17 | 2023-05-30 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及*** |
| CN116930855A (zh) * | 2023-09-13 | 2023-10-24 | 北京京仪北方仪器仪表有限公司 | 一种基于物联网的智能电表用数据采集监控装置 |
| CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201813161U (zh) * | 2010-07-16 | 2011-04-27 | 北京中科伏瑞电气技术有限公司 | 一种风电功率预测*** |
| WO2013120395A1 (zh) * | 2012-02-13 | 2013-08-22 | 国家电网公司 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN110533304A (zh) * | 2019-08-12 | 2019-12-03 | 湖南大学 | 一种电力***负荷不确定性分析方法 |
| CN209765562U (zh) * | 2019-05-16 | 2019-12-10 | 深圳华工能源技术有限公司 | 可扩展的风电功率预测*** |
-
2020
- 2020-09-10 CN CN202010945565.2A patent/CN112329977A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201813161U (zh) * | 2010-07-16 | 2011-04-27 | 北京中科伏瑞电气技术有限公司 | 一种风电功率预测*** |
| WO2013120395A1 (zh) * | 2012-02-13 | 2013-08-22 | 国家电网公司 | 一种包含上下游效应实时监测的超短期预测方法 |
| CN209765562U (zh) * | 2019-05-16 | 2019-12-10 | 深圳华工能源技术有限公司 | 可扩展的风电功率预测*** |
| CN110533304A (zh) * | 2019-08-12 | 2019-12-03 | 湖南大学 | 一种电力***负荷不确定性分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王骥;: "土地督察中的技术应用思路", 国土资源科普与文化, no. 03 * |
| 秦臻;陈正宇;: "激光雷达数据在山区特高压输电线路中的应用", 现代测绘, no. 05, pages 33 - 35 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113068035B (zh) * | 2021-03-17 | 2023-07-14 | 之江实验室 | 一种基于深度神经网络的自然场景重建的方法 |
| CN113068035A (zh) * | 2021-03-17 | 2021-07-02 | 之江实验室 | 一种基于深度神经网络的自然场景重建的方法 |
| CN113984111A (zh) * | 2021-09-30 | 2022-01-28 | 北京华能新锐控制技术有限公司 | 基于外部环境变化的风电机组控制方法与装置 |
| CN114114468A (zh) * | 2021-11-22 | 2022-03-01 | 华能江西清洁能源有限责任公司 | 一种提高风功率预测准确度的装置 |
| CN114114468B (zh) * | 2021-11-22 | 2022-09-02 | 华能江西清洁能源有限责任公司 | 一种提高风功率预测准确度的装置 |
| CN114202229A (zh) * | 2021-12-20 | 2022-03-18 | 南方电网数字电网研究院有限公司 | 能量管理策略的确定方法、装置、计算机设备和存储介质 |
| CN114202229B (zh) * | 2021-12-20 | 2023-06-30 | 南方电网数字电网研究院有限公司 | 基于深度强化学习的微电网的能量管理策略的确定方法 |
| CN115169734A (zh) * | 2022-08-01 | 2022-10-11 | 周口师范学院 | 一种基于物联网的风力发电预测***及方法 |
| CN116027346A (zh) * | 2022-12-29 | 2023-04-28 | 威海激光通信先进技术研究院 | 一种无人机激光链路中的光斑位置预测算法 |
| CN115882455A (zh) * | 2023-02-20 | 2023-03-31 | 国网山东省电力公司滨州供电公司 | 一种分布式光伏发电预测方法、***及终端机 |
| CN115882455B (zh) * | 2023-02-20 | 2023-07-04 | 国网山东省电力公司滨州供电公司 | 一种分布式光伏发电预测方法、***及终端机 |
| CN116191571A (zh) * | 2023-04-17 | 2023-05-30 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及*** |
| CN116191571B (zh) * | 2023-04-17 | 2023-08-04 | 深圳量云能源网络科技有限公司 | 风电储能输出功率控制方法及*** |
| CN116930855A (zh) * | 2023-09-13 | 2023-10-24 | 北京京仪北方仪器仪表有限公司 | 一种基于物联网的智能电表用数据采集监控装置 |
| CN116930855B (zh) * | 2023-09-13 | 2023-11-21 | 北京京仪北方仪器仪表有限公司 | 一种基于物联网的智能电表用数据采集监控装置 |
| CN117892099A (zh) * | 2024-03-18 | 2024-04-16 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329977A (zh) | 一种面向极端场景的风电功率预测*** | |
| US7523001B2 (en) | Method and apparatus for operating wind turbine generators | |
| CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警*** | |
| CN106950902A (zh) | 一种电力综合自动化监控*** | |
| Che et al. | A wind power forecasting system based on the weather research and forecasting model and Kalman filtering over a wind-farm in Japan | |
| CN201413997Y (zh) | 风电功率预测*** | |
| CN103401236A (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
| CN109543870B (zh) | 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法 | |
| CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
| CN115345076B (zh) | 一种风速订正处理方法及装置 | |
| CN111666725A (zh) | 一种适应非复杂地形风电场的测风塔规划选址方法及*** | |
| CN110416996A (zh) | 一种基于云平台的分布式光伏集群功率预测*** | |
| Ju et al. | The use of edge computing-based internet of things big data in the design of power intelligent management and control platform | |
| CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
| Zhong et al. | Wind power forecasting and integration to power grids | |
| CN117039852A (zh) | 风光水互补电站的功率预测方法、装置、设备及存储介质 | |
| Potter et al. | Wind power data for grid integration studies | |
| Carlini et al. | Physical and statistical downscaling for wind power forecasting | |
| Wang et al. | Neural network based irradiance mapping model of solar PV power forecasting using sky image | |
| CN112541620B (zh) | 一种预测精度及效率高的台风风暴增水预测方法及*** | |
| Amri et al. | Toward an evolutionary multi-criteria model for the analysis and estimation of wind potential | |
| Rohrig et al. | Online-monitoring and prediction of wind power in german transmission system operation centres | |
| Ghazanfari-Rad et al. | Wind Speed Forecasting and Probability Distribution Analysis Using Measured Data at Weather Stations in Iran | |
| Ma et al. | Ultra-short-term solar power forecasting based on a modified clear sky model |
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 |