CN103489046A

CN103489046A - 风电场短期功率预测方法

Info

Publication number: CN103489046A
Application number: CN201310456316.7A
Authority: CN
Inventors: 岳捷; 申烛; 孟凯峰; 陈欣; 孙翰墨
Original assignee: Zhongneng Power Tech Development Co Ltd
Current assignee: Zhongneng Power Tech Development Co Ltd
Priority date: 2013-09-29
Filing date: 2013-09-29
Publication date: 2014-01-01

Abstract

本发明提供了一种风电场短期功率预测方法，包括步骤：A、建立单台风机的风速统计降尺度模型；B、依据风电场区域未来48小时中尺度数值天气预报的预测因子，以及步骤A中单台风机统计降尺度模型，生成单台风机所在位置轮毂高度的预测风速；C、建立每台风机的风速、风向-功率的模型，依据中尺度数值天气预报所预测的风向以及步骤B所预测的风速，得出每台风机的功率预测。上述预测方法有效减少了中尺度分辨率不足带来的不确定性，显著提高了风电场短期功率预测精度。

Description

风电场短期功率预测方法

技术领域

本发明涉及一种风电场短期功率预测方法。

背景技术

近年来，随着我国能源政策调整，并网风电装机容量快速增长，大规模风电集中并网对电网安全运行带来冲击。提高风电场出力的可预测性，能够有效减少风电对电网造成的冲击，减轻电网调度调峰压力，这对于充分利用风能资源，进一步提高并网风电装机比例有积极意义。按照国内已颁布实施的风电场功率预测技术规范，风电场必须每日按照规定时间向电力调度机构上传未来24h出力预测曲线并接受预测精度考核。为了准确反映次日大气运动状态，必须使用中尺度数值天气预报（数值天气预报）模式输出作为风电场短期功率预测系统的输入数据，因此中尺度数值天气预报模式预测输出精度很大程度上决定了风电场短期功率预测的精度。然而，中尺度模式大气物理过程参数化方案不能有效模拟次网格尺度（小于1km）大气物理过程，其描述的天气过程与真实情况存在误差，这种误差会随着模式积分运算时间的增长而增加。因此，网格分辨率不足和与分辨率有关的大气物理过程参数化方案描述不准确会使中尺度模式预测结果存在不确定性。直接应用于功率预测会带来较大不确定性，必须对其进行降尺度预处理。

目前对中尺度数值天气预报输出进行降尺度研究主要采用两种方法：1、使用物理模型求解风电场局地效应对气流的影响。这种方法计算代价较小，但物理模型构造和实现过程较为复杂，精度提高有限。

2、采用动力降尺度方法，例如计算流体力学（CFD）模拟风电场内部流场演变过程，这种方法可以获得较为准确风速分布，但在建立预测风速查询数据库或直接预测风速时需要使用CFD方法求解Navier-Stokes方程，工程实现复杂并且计算代价巨大，对硬件要求极高。

发明内容

有鉴于此，本发明的主要目的在于，提供一种风电场短期功率预测方法，本文将统计降尺度方法引入到风电场短期功率预测技术中，较好地解决了数值天气预报风速误差较大的问题，有效减少了中尺度分辨率不足带来的不确定性，极大地提高了中尺度数值天气预报降尺度计算效率，显著提高了风电场短期功率预测精度。

包括步骤：

A、建立单台风机的风速统计降尺度模型；

B、依据风电场区域未来48小时中尺度数值天气预报的预测因子，以及步骤A中单台风机统计降尺度模型，生成单台风机所在位置轮毂高度的预测风速；

C、建立每台风机的风速、风向-功率的模型，依据中尺度数值天气预报所预测的风向以及步骤B所预测的风速，得出每台风机的功率预测。

由上，通过历史数据建立统计降尺度模型，对中尺度模式数值天气预报风速进行统计降尺度，得出风电场每台风机所在位置轮毂高度预测风速，结合风速、风向-功率的模型对每台风机出力进行预测，实现对风电场整体出力短期预测。上述预测方法有效减少了中尺度分辨率不足带来的不确定性，显著提高了风电场短期功率预测精度。

可选的，所述步骤A中，利用BP神经网络，通过中尺度数值天气预报的预测因子与单台风机轮毂高度实测风速之间的历史数据，对所述BP神经网络进行训练。

由上，采用BP神经网络建立单台风机位置轮毂高度的短期风速预测模型，可大大降低建立模型的复杂程度，从而降低运算量，以及对高性能硬件的依赖，，进而大幅度节省预算成本。

可选的，所述BP神经网络的输入层为中尺度数值天气预报的预测因子，输出层为单台风机轮毂高度实测风速。。

所述中尺度数值天气预报的预测因子至少包括：所述中尺度数值天气预报的预测因子至少包括：500hPa位势高度、850hPa位势高度、风机轮毂高度的风速、风向、压强和相对湿度。

由上，由于上述预报因子可以被较为准确的预测，且不同预测因子间是弱相关或无关的，因此将上述预报因子作为BP神经网络的输入量，可以较为精确的对BP神经网络进行训练。

可选的，所述步骤C包括：

C1、建立风向、各风机所测风速以及，在上述风向及风速下风机的有功功率值的历史数据库；

C2、针对不同风向，设定风速采集区间，并对各风速采集区间下所采集的有功功率数据进行预处理；

C3、建立风向、风速与功率的对应模型；

C4、依据中尺度数值天气预报所预测的风向以及步骤B所预测的风速，结合步骤C3中的风向、风速-功率模型得出每台风机的功率预测。

由上，通过历史数据建立单台风机的功率统计表模型，并通过中尺度天气预报的风向预测以及前文步骤B所述的风速预测，对每台风机的功率进行预测，实现对风电机组的整体功率预测。有效减少了中尺度分辨率不足带来的不确定性，显著提高了风电场功率预测预测精度。

可选的，所述步骤C2包括：

C21、将各风速区间内的有功功率值从小到大排序；

C22、确定各风速区间内有功功率的功率上限和功率下限；

C23、将各风速区间内有功功率值低于功率下限和高于功率上限的数据以及对应实测风速数据剔除。

由上，通过设置功率上限和功率下限来对历史数据中的异常数据进行剔除，从而使风速-功率特性曲线更加真实反映实际机组性能。

可选的，所述风向以22.5°为一个区间，共等分为16个区间。

由上，对风速划分为16各等分区间，进而对不同位置的风机按风向区间划分，以实现风向分配。

可选的，所述数值天气预报预测因子、与数值天气预报预测因子时间匹配的单台风机轮毂高度实测风速、有功功率数据和测风塔的风速、风向数据的时间长度不少于6个自然月。

由上，仅通过半年的历史数据便可建立风电场短期预测模型，在提高中尺度数值天气预报和短期功率预测精度同时，极大地减少了中尺度数值天气预报降尺度运算量，降低了系统硬件成本。

附图说明

图1为本发明风电场短期功率预测方法的流程图；

图2为本发明BP神经网络的原理示意图；

图3为单台风机的原厂风速-功率特性曲线示意图。

具体实施方式

本发明所提供的风电场短期功率预测方法是基于统计降尺度的方法对中尺度数值天气预报的预测输出进行降尺度运算，通过建立数值天气预报与单台风机所在位置轮毂高度的风速的匹配关系，得出单台风机所在位置轮毂高度的短期预测风速，进而通过查询单台风机功率统计表模型实现对每台风机的短期功率进行预测，以实现对风电场整体出力的短期预测。上述预测方法有效减少了由于中尺度度数值天气预报分辨率不足带来的预测不确定性，显著提高了风电场功率预测预测精度。

如图1所示，风电场短期功率预测方法包括：

步骤10：收集各测风塔实测风速、风向数据，与之时间匹配的风机实测风速、有功功率数据，以及风电场区域中尺度数值天气预报预测因子的历史数据。

中尺度数值天气预报预测因子的选择是统计降尺度方法中重要的因素,预测因子的选择很大程度上决定了风电场局地气象条件的预报特征。选取对风速有显著影响的预测因子，减少其数量，可以有效降低建立统计降尺度模型的复杂程度，减少模型计算量，避免引入额外的干扰信息。选取预测因子遵循以下方法：

1、预测因子被中尺度数值天气预报模式较准确地预测，并且预测因子与风电场内部站点气象要素之间具有显著的非线性统计关系，并且这种统计关系是稳定而有效的；

2、预测因子必须能够反映重要的中尺度大气物理变化过程；

3、不同预测因子间是弱相关或无关的。

基于上述几点，所选取的预测因子分别为：中尺度数值天气预报所提供的500hPa位势高度、850hPa位势高度、风机轮毂高度的风速、风向、压强和相对湿度。

上述测风塔及与之时间匹配的风机历史数据时间长度至少为半年，较佳的，为一年。

步骤20：使用BP神经网络建立单台风机位置轮毂高度的统计降尺度模型。

使用BP神经网络建立中尺度数值天气预报预测因子与单台风机位置轮毂高度风速之间的统计关系，将此统计关系作为单台风机的统计降尺度模型，应用于产生该风机位置轮毂高度预测风速。

BP神经网络是一种按误差逆向传播算法训练的多层前馈网络，能以任意精度逼近任何非线性映射，其拓扑结构由输入层、隐含层和输出层组成，该模型输出为：

式中，y(t)为模型输出的t时刻单台风机轮毂高度风速预测值；f为传递函数，本实施例中，传递函数为正切双曲函数；w_j为连接隐含层和输出层的权重系数；x_i(t)为模型输入t时刻第i个预测因子值；v_ij为连接输入层和隐含层的权重系数；n为输入层维数；m为隐含层的维数；θ_j为隐含层阈值；θ₀为输出层阈值。

以建立单台风机统计降尺度模型为例具体说明，建模数据为2012年1月至2012年6月的中尺度数值天气预报模式预测因子输出和风机实测风速数据，数据时间分辨率为15min，数据长度选取次日0～24h，将模式输出的500hPa位势高度、850hPa位势高度、风机轮毂高度的风速、风向、压强和相对湿度作为模型训练输入量，风机轮毂高度风速实测值作为训练输出量，建立三层的BP神经网络模型。该BP网络输入层神经元数为6；隐含层神经元数经过测试择优确定；网络输出层神经元数为1。训练BP神经网络时，对输入和输出层数据进行归一化处理，这里采用如下方法进行归一化处理：

以压强为例进行说明，X表示预测压强值，X_min表示预设的最小压强值，X_max表示预设的最大压强值，

表示归一化的压强值。经过筛选分析，确定隐含层神经元数为21时，训练样本误差最小，此时权重系数矩阵和阈值矩阵也随之确定。权重值和阈值矩阵系数确定后的BP神经网络模型作为风机的统计降尺度预测模型，向该统计降尺度模型输入预测因子的预测值便可得到单台风机位置轮毂高度的短期预测风速值。

步骤30：依据单台风机统计降尺度模型和中尺度数值天气预报提供的风电场区域短期预测风速，生成单台风机位置轮毂高度短期预测风速。

完成单台风机统计降尺度建模后，将未来24或48小时的中尺度数值天气预报预测因子的预测值（500hPa位势高度、850hPa位势高度、风机轮毂高度风速、风向、压强和相对湿度）输入统计降尺度模型，可输出单台风机所在位置风机轮毂高度短期预测风速。

上述中尺度数值天气预报统计降尺度方法，使用上述6个预测因子便可计算出单台风机位置轮毂高度的风速预测值，计算量小且计算速度快，完全可以满足风电场短期功率预测工程要求，该方法相比于现有动力降尺度技术，大大提高计算效率。

步骤40：建立单台风机的功率统计表模型。

具体包括步骤：

步骤401：建立风电场测风塔所测风向、各风机所测风速以及在上述风向及风速下风机的有功功率值的历史数据库。其中，历史数据库的时间长度为一年。

步骤402：对应不同的风向区间，设定风速区间，并对各风速区间下所对应的有功功率数据进行预处理，剔除数据坏点。

将预测风速转化为预测功率必须建立风机在实际工况下风速–功率映射关系，图3反映风机厂家提供的原厂风速-功率特性曲线并不能很好地描述实际工况下风机的输入输出关系，而并网运行风机的风速-功率散点对应关系分布在一个较宽的区域内，为了从整体上把握风速与功率的关系，必须对风速-功率散点图进行处理，建立精度较高的风速-功率映射关系。本实施例中，风机的启动风速为3/s，切出风速为25/s，以0.1/s为风速区间步长，即风速区间为[3-3.1]，[3.1-3.2]，[3.2-3.3]，…，[24.8-24.9]，[24.9-25]，共220个风速区间。

以[3-3.1]风速区间为例说明，首先需对风速-功率坐标系中异常运行数据点进行剔除坏点处理。由于风机组停机维护，风机组运行异常，风速传感器失灵等原因，使得风速和功率坐标系中含有大量的异常运行数据点（即散落在离散分布在图3中风速-功率特性曲线边缘处的数据点），这些异常点通常会严重影响建立风速-功率映射关系的效果。剔除坏点的过程包括：对[3-3.1]风速区间的所有有功功率值进行从小到大排序，计算有功功率的平均值，作为该风速区间的功率代表值，选取排在后面的某一功率值作为功率上限，排在前面的某一功率值作为功率下限。对各风速区间内剔除坏点的上限和下限进行修正，将各风速区间内所预测的有功功率值低于下限和高于上限的数据点剔除，以完成剔除坏点。例如，选取风速区间内位于99%（最大为100%，最小为1%）处的有功功率值作为功率上限，位于1%（最大为100%，最小为1%）处的有功功率值作为功率下限。对于每一风速区间都做上述操作，确定每一风速区间内的功率上限以及功率下限。

步骤403：设定风向、风速区间。

本实施例中，将风向以22.5°为一个区间，共分为16个区间，其中，0°～22.5°为D₁区间、22.6°～50°为D₂区间，以此类推，337.6°～360°为D₁₆区间。另外，还可将风向区间等分为32个或64个，分区越多，精度越高，相应的运算量越大，耗时越长。将各风机依据上述等分区间进行分组。针对于位于等分线上的风机，归于后一区间。

另外，本步骤中，以启动风速为3/s，切出风速为25/s为例，设定0.5/s为风速区间步长，共分为44个风速区间。

步骤404：建立单台风机的功率统计表模型。

建立风机1的功率模型，如下表1所示，横坐标为D₁～D₁₆总共16个风向区间；纵坐标为B₁～B₄₄总共44个风速区间。

以风向区间D₁、风速区间B₁为例，计算该条件下，单台风机有功功率值的平均值，作为该风机功率特征值；同理计算风向区间D₁、风速区间B₂～B₄₄下的单台风机功率特征值，以此类推，完成表1所示风向、风速-功率模型的建立。

D₁

D₂

D₃

D₄

D₅

…

D₁₅

D₁₆

B₁

P₀₁₀₁

P₀₁₀₂

P₀₁₀₃

P₀₁₀₄

P₀₁₀₅

…

P₀₁₁₅

P₀₁₁₆

B₂

P₀₂₀₁

P₀₂₀₂

P₀₂₀₃

P₀₂₀₄

P₀₂₀₅

…

P₀₂₁₅

P₀₂₁₆

B₃

P₀₃₀₁

P₀₃₀₂

P₀₃₀₃

P₀₃₀₄

P₀₃₀₅

…

P₀₃₁₅

P₀₃₁₆

…

B₄₄

P₄₄₀₁

P₄₄₀₂

P₄₄₀₃

P₄₄₀₄

P₄₄₀₅

…

P₄₄₁₅

P₄₄₁₆

表1

步骤405：依据数值天气预报所预测的风向，以及步骤30中单台风机位置轮毂高度统计降尺度风速为查询条件，向单台风机功率统计表模型获取短期预测功率。

步骤50：对风电场短期功率进行预测。

将统计降尺度方法得到的单台风机位置轮毂高度预测风速，以及依据数值天气预报所预测的风向输入该单台风机功率统计表查询，便可得到任意风向以及风速下的风机短期预测功率。

进一步的，由于风电机组运行过程中产生用电折损，故风电机组输出功率=所有风机的预测功率-用电折损。

较佳的，还包括步骤60（未图示），即风电机组控制端依据步骤50中所预测的各单台风机的输出功率，对其上网功率进行调节。举例来说，当风电机组遇到限出力状态时，风电机组控制端控制输出功率较高的几台风机停止功率上网输出，转而将功率转换为电能进行存储。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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

1.一种风电场短期功率预测方法，其特征在于，包括步骤：

A、建立单台风机的风速统计降尺度模型；

2.根据权利要求1所述的功率预测方法，其特征在于，所述步骤A中，利用BP神经网络，通过中尺度数值天气预报的预测因子与单台风机轮毂高度实测风速之间的历史数据，对所述BP神经网络进行训练。

3.根据权利要求2所述的预测方法，其特征在于，所述BP神经网络的输入层为中尺度数值天气预报的预测因子，输出层为单台风机轮毂高度实测风速。

4.根据权利要求3所述的功率预测方法，其特征在于，所述中尺度数值天气预报的预测因子至少包括：500hPa位势高度、850hPa位势高度、风机轮毂高度的风速、风向、压强和相对湿度。

5.根据权利要求1所述的功率预测方法，其特征在于，所述步骤C包括：

C3、建立风向、风速与功率的对应模型；

6.根据权利要求5所述的功率预测方法，其特征在于，所述步骤C2包括：

C21、将各风速区间内的有功功率值从小到大排序；

C22、确定各风速区间内有功功率的功率上限和功率下限；

7.根据权利要求6所述的功率预测方法，其特征在于，所述风向以22.5°为一个区间，共等分为16个区间。

8.根据权利要求1所述的功率预测方法，其特征在于，所述数值天气预报预测因子、与数值天气预报预测因子时间匹配的单台风机轮毂高度实测风速、有功功率数据和测风塔的风速、风向数据的时间长度不少于6个自然月。