CN102738792A - 一种风电功率预测方法 - Google Patents

一种风电功率预测方法 Download PDF

Info

Publication number
CN102738792A
CN102738792A CN2012101941516A CN201210194151A CN102738792A CN 102738792 A CN102738792 A CN 102738792A CN 2012101941516 A CN2012101941516 A CN 2012101941516A CN 201210194151 A CN201210194151 A CN 201210194151A CN 102738792 A CN102738792 A CN 102738792A
Authority
CN
China
Prior art keywords
wind
electricity generation
powered electricity
power
generation unit
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
Application number
CN2012101941516A
Other languages
English (en)
Other versions
CN102738792B (zh
Inventor
刘兴杰
米增强
岑添云
石金玮
梅华威
余洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201210194151.6A priority Critical patent/CN102738792B/zh
Publication of CN102738792A publication Critical patent/CN102738792A/zh
Application granted granted Critical
Publication of CN102738792B publication Critical patent/CN102738792B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

一种风电功率预测方法，所述方法首先从风电场中读取各个风电机组的风速和功率数据；然后根据各风电机组风速数据的分布特征对风电场的机组进行分组建模，并对建模后的各组风电机组的功率分别进行预测；最后将各组风电机组功率的预测结果叠加，得到整个风电场风电功率的预测值。本发明将数据分布特征引入功率预测，在传统风电功率预测模型基础上增加了机组分组模块。测试证明，所述方法在保证预测精度的同时，大大减少了预测所需的运算量，提高了预测速度，在风电功率预测方面具有较强的实用价值。

Description

一种风电功率预测方法
技术领域
本发明涉及一种能对风电场的发电功率进行快速、准确预测的方法，属发电技术领域。
背景技术
随着环境问题的日益突出与能源危机的日益加剧，风力发电得到了飞速发展。然而，风能具有随机性与间歇性，近年来越来越多的大容量风电机组并入电网，给整个电网的稳定运行、安全调度、电能质量的保障带来了严峻的挑战。对风电输出功率进行准确预测，有利于节约能源，减少旋转备用容量，保证电网的经济运行，电力系统调度人员也可以根据风电输出功率曲线进行电网的安全可靠的调度。此外，准确的风电功率预测还可以提高风电的市场竞争力，为风电的竞价上网创造有利条件。
目前，用于风电功率预测的方法可以分为两大类：一种是基于物理模型的方法，所述方法考虑了环境地形、粗糙度等信息，根据数字天气预报（Numerical Weather Prediction, NWP）等相关数据获得预测结果；另外一种是基于已有的风速、风电功率等历史数据，建立风速或风电功率的预测模型，其中，有的需要对单个风电机组进行预测，再叠加得到整场功率，虽然预测精度高，但运算量大，预测速度慢；有的需要直接对整场功率进行预测，其运算量较小，预测速度快，缺点是预测精度低。因此有必要寻找一种能够兼顾预测速度和预测精度的风电功率预测方法。
发明内容
本发明的目的在于克服现有技术的不足、提供一种新的风电功率预测方法，它可以在保证预测精度的同时，提高风电功率的预测速度。
本发明所称问题是以下述技术方案实现的：
一种风电功率预测方法，所述方法首先从风电场中央监控系统读取各个风电机组的风速和风电功率数据；然后根据各风电机组风速数据的分布特征对风电场的机组进行分组建模，并对建模后的各组风电机组的功率分别进行预测；最后将各组风电机组功率的预测结果叠加，得到整个风电场风电功率的预测值。
上述风电功率预测方法，其具体步骤如下：
a. 从风电场中央监控系统读取各个风电机组的风速和风电功率数据；
b. 根据风速数据的分布特征对风电场的机组进行分组建模：
①选定参考风电机组，依次计算参考风电机组的风速数据时间序列                                                
Figure 927441DEST_PATH_IMAGE001
与其它风电机组的风速数据时间序列
Figure 657631DEST_PATH_IMAGE002
相差
Figure 437368DEST_PATH_IMAGE003
（
Figure 894894DEST_PATH_IMAGE004
）步时的互相关系数
Figure 522315DEST_PATH_IMAGE005
：
，
其中：
Figure 674128DEST_PATH_IMAGE007
，
上式中：
Figure 748394DEST_PATH_IMAGE008
为时间序列长度；
，
Figure 223686DEST_PATH_IMAGE010
分别表示序列
Figure 978016DEST_PATH_IMAGE001
，
Figure 777344DEST_PATH_IMAGE002
的均值；
Figure 113779DEST_PATH_IMAGE011
，
Figure 543623DEST_PATH_IMAGE012
分别表示为
Figure 847566DEST_PATH_IMAGE013
在
Figure 122689DEST_PATH_IMAGE014
、
Figure 579210DEST_PATH_IMAGE015
，
Figure 914376DEST_PATH_IMAGE016
时的值；
②将参考风电机组与其它各风电机组的最大互相关系数与设定值
Figure 705614DEST_PATH_IMAGE017
进行比较，将最大互相关系数小于设定值
Figure 784429DEST_PATH_IMAGE017
的风电机组单独列为一组；对于最大互相关系数大于设定值
Figure 95456DEST_PATH_IMAGE017
的各个风电机组，寻找到参考风电机组与其最大互相关函数值对应的时间滞差，并将相同时间滞差的风电机组归为一组；
c. 对建模后的各组风电机组的功率进行预测；
d. 将各组风电机组功率的预测结果叠加，得到整个风电场风电功率的预测值。
上述风电功率预测方法，对建模后的各组风电机组的功率进行预测的方法是利用RBF神经网络模型进行直接十六步功率预测。
上述风电功率预测方法，采样互相关函数设定值
Figure 867103DEST_PATH_IMAGE017
取0.6。
本发明将数据分布特征引入功率预测，在传统风电功率预测模型基础上增加了机组分组模块。测试证明，所述方法在保证预测精度的同时，大大减少了预测所需的运算量，提高了预测速度，在风电功率预测方面具有较强的实用价值。
附图说明
下面结合附图对本发明作进一步详述。
图1是本风电功率预测方法的流程图；
图2 是机组建模预测方法流程图；
图3是风电场中央监控系统示意图。
图中及文中各符号为：、参考风电机组的风速数据时间序列；
Figure 762563DEST_PATH_IMAGE009
、序列
Figure 928096DEST_PATH_IMAGE001
的均值；
Figure 870645DEST_PATH_IMAGE002
、其它风电机组的风速数据时间序列；、序列
Figure 791513DEST_PATH_IMAGE002
的均值；
Figure 77132DEST_PATH_IMAGE018
、互相关系数；
Figure 252899DEST_PATH_IMAGE008
、时间序列长度； 
Figure 178129DEST_PATH_IMAGE017
、参考风电机组与其它风电机组的最大互相关系数设定值；MAE、平均绝对误差；RMSE、均方根误差。
具体实施方式
下面结合附图，对整个预测方法作进一步详细说明。
如图1，本方法主要有4步：
步骤1：采集风电场中所有风电机组的风速和风电功率数据；
步骤2：基于风速数据分布特征对机组进行分组建模；
步骤3：对分组建模后的各组功率进行预测； 
步骤4：将各组预测功率累加，得到整个风电场风电功率预测值。
步骤1所述的风电场监控系统的示意图展示于图3中，每台风电机组当地有一个存储器用于存储该风电机组的运行数据，包括风速、风电功率、转速、电压、电流、温度等。同时，各台风电机组通过通信网络向风电场中央监控传送数据，中央监控设有数据服务器和应用服务器等，以保存这些数据并用于对风电场的运行和管理。本方法所述数据采集是从风电场中央监控系统的数据服务器读取数据。
步骤2中基于数据分布特征对机组建模是本发明预测方法的核心部分，流程图如图2。机组建模原则是基于风速是否同分布。在评价同分布方面，采用的是采样互相关函数作为评价函数。
采样互相关函数的计算公式表示为，
Figure 215487DEST_PATH_IMAGE019
，
，其中：
Figure 276983DEST_PATH_IMAGE020
表示时间序列 
Figure 623651DEST_PATH_IMAGE001
，
Figure 849227DEST_PATH_IMAGE002
相差
Figure 877226DEST_PATH_IMAGE003
步时的互相关系数；
Figure 121126DEST_PATH_IMAGE007
，
，
上式中：
Figure 310799DEST_PATH_IMAGE001
，分别表示两时间序列；
Figure 652098DEST_PATH_IMAGE008
为时间序列长度；
，
Figure 115671DEST_PATH_IMAGE010
分别表示序列，
Figure 934909DEST_PATH_IMAGE002
的均值；
，
Figure 435608DEST_PATH_IMAGE012
分别表示为
Figure 106761DEST_PATH_IMAGE013
在
Figure 93303DEST_PATH_IMAGE014
、
Figure 103984DEST_PATH_IMAGE015
，
Figure 134257DEST_PATH_IMAGE016
时的值。
采样互相关函数描述的两时间序列在时间上的互相关性，而采样间隔就是时间滞差的单位。互相关性最大值所对应的时间滞差与采样间隔的乘积就是两时间序列的时间差。在同一风电场内，可以认为时间滞差为0的两时间序列风速是同时产生的，也就可以认定它们是同分布的。时间滞差可以为正负，正的表示参考风电机组的风速时间序列在时间上是领先的，负的表示参考风电机组的风速时间序列在时间上是滞后的。
预测实施例一：
   华北地区某风电场，有21台风电机组，选定1号风电机组为参考风电机组。对风电机组1的风速数据与其它20台风电机组的进行采样互相关函数分析，分别能找到与各风电机组的最大互相关函数值及其所对应的时间滞差，结果如表1。
表1  华北地区某风电场采样互相关函数分析结果
机组编号 最大值 时间滞差 机组编号 最大值 时间滞差
2 0.9351 0 12 0.8283 -2
3 0.8653 0 13 0.8408 -3
4 0.8880 1 14 0.7968 -4
5 0.7779 0 15 0.7552 -4
6 0.8954 0 16 0.7116 -4
7 0.8430 0 17 0.6180 -3
8 0.8801 0 18 0.7865 -4
9 0.8258 -2 19 0.7743 -4
10 0.8116 -3 20 0.7109 -4
11 0.7571 -3 21 0.2869 -1
，设定为0.6，除21号风电机组外，其它最大互相关函数值都大于0.6，先将21号风电机组归为一组。第二组的时间之差为-4，包括风电机组14，15，16，18，19，20；第三组的滞差时间为-3，包括风电机组10，11，13，17；风电机组9，12组成一组，时间滞差为-2；风电机组4组成另外一组，时间滞差为1；最后的七个风电机组组成最后一组，时间滞差为0。这样，华北地区某风电场的21台风电机组就可以分为如上六组。
    本实施例机组建模后，利用RBF神经网络模型对每组功率进行直接十六步功率预测，最后将各组预测功率直接叠加得到整场预测功率。
   为了验证所述方法的有效性，对单个风电机组预测再叠加得到整场功率、机组分组建模预测叠加得到整场功率、整场功率直接预测三种方法做了比较，结果如表2。
表2 三种方法预测结果比较
三种预测方法 MAE RMSE 运算时间（秒）
1 0.0837 0.0963 27.366
2 0.0855 0.0982 6.338
3 0.0965 0.1108 1.748
，表2注：
Figure DEST_PATH_IMAGE021
        ， 
，
Figure 755042DEST_PATH_IMAGE022
，
以上两式中，
Figure 682547DEST_PATH_IMAGE023
为
Figure 821404DEST_PATH_IMAGE003
时段的实际平均功率；
Figure 217882DEST_PATH_IMAGE024
为时段的预测平均功率；
Figure 515188DEST_PATH_IMAGE008
为考察的时段数；为风电场预测模型的开机容量。
从表2可以看出，第三种方法所用运算时间最少，即运算量最少，但预测精度并不是很理想；第一种方法虽精度较高，但运算时间远大于后两种方法。本文提出的方法跟第一种方法相比，MAE和RMSE仅仅增加了2.1%和1.97%，运算量却为第一种方法的23.1%；与第三种方法相比较，计算量虽增加了，但预测误差MAE与RMSE分别下降了11.4%和11.37%，精度方面有了明显提高。

Claims (4)

1.一种风电功率预测方法，其特征是，它首先从风电场中央监控系统读取各个风电机组的风速和风电功率数据；然后根据各风电机组风速数据的分布特征对风电场的机组进行分组建模，并对建模后的各组风电机组的功率分别进行预测；最后将各组风电机组功率的预测结果叠加，得到整个风电场风电功率的预测值。
2.根据权利要求1所述风电功率预测方法，其特征是，所述方法的具体步骤如下：
a. 从风电场中央监控系统读取各个风电机组的风速和风电功率数据；
b. 根据风速数据的分布特征对风电场的机组进行分组建模：
①选定参考风电机组，依次计算参考风电机组的风速数据时间序列                                                
Figure 40540DEST_PATH_IMAGE001
与其它风电机组的风速数据时间序列
Figure 561651DEST_PATH_IMAGE002
相差
Figure 749050DEST_PATH_IMAGE003
（
Figure 734323DEST_PATH_IMAGE004
）步时的互相关系数
Figure 480300DEST_PATH_IMAGE005
：
Figure 488707DEST_PATH_IMAGE006
其中：
Figure 542114DEST_PATH_IMAGE007
上式中：
Figure 319577DEST_PATH_IMAGE008
为时间序列长度；
Figure 800237DEST_PATH_IMAGE009
，分别表示序列
Figure 887459DEST_PATH_IMAGE001
，
Figure 17964DEST_PATH_IMAGE002
的均值；
Figure 607208DEST_PATH_IMAGE011
，
Figure 652524DEST_PATH_IMAGE012
分别表示为
Figure 985417DEST_PATH_IMAGE013
在
Figure 534210DEST_PATH_IMAGE014
、
Figure 559934DEST_PATH_IMAGE015
，
Figure 263186DEST_PATH_IMAGE016
时的值；
②将参考风电机组与其它各风电机组的最大互相关系数与设定值进行比较，将最大互相关系数小于设定值
Figure 803069DEST_PATH_IMAGE017
的风电机组单独列为一组；对于最大互相关系数大于设定值
Figure 62012DEST_PATH_IMAGE017
的各个风电机组，寻找到参考风电机组与其最大互相关函数值对应的时间滞差，并将相同时间滞差的风电机组归为一组；
c. 对分组建模后的各组风电机组的功率进行预测；
d将各组风电机组功率的预测结果叠加，得到整个风电场风电功率的预测值。
3.根据权利要求1或2所述风电功率预测方法，其特征是，对分组建模后的各组风电机组的功率进行预测的方法是利用RBF神经网络模型进行直接十六步功率预测。
4.根据权利要求3所述风电功率预测方法，其特征是，采样互相关函数设定值
Figure 488445DEST_PATH_IMAGE017
取0.6。
CN201210194151.6A 2012-06-13 2012-06-13 一种风电功率预测方法 Expired - Fee Related CN102738792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210194151.6A CN102738792B (zh) 2012-06-13 2012-06-13 一种风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210194151.6A CN102738792B (zh) 2012-06-13 2012-06-13 一种风电功率预测方法

Publications (2)

Publication Number Publication Date
CN102738792A true CN102738792A (zh) 2012-10-17
CN102738792B CN102738792B (zh) 2014-07-16

Family

ID=46993811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210194151.6A Expired - Fee Related CN102738792B (zh) 2012-06-13 2012-06-13 一种风电功率预测方法

Country Status (1)

Country Link
CN (1) CN102738792B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473438A (zh) * 2013-08-15 2013-12-25 国家电网公司 风功率预测模型优选及修正方法
CN103683274A (zh) * 2013-07-16 2014-03-26 国家电网公司 区域中长期风电发电量概率预测方法
CN103942621A (zh) * 2014-04-18 2014-07-23 国家电网公司 采用复合数据源基于Sigmoid核函数支持向量机的风电功率短期预测方法
CN104112062A (zh) * 2014-06-05 2014-10-22 清华大学 基于插值方法的风资源分布的获取方法
CN104239962A (zh) * 2014-08-07 2014-12-24 河海大学 一种基于相关性分析的区域电网总风功率短期预测方法
CN104700151A (zh) * 2014-05-26 2015-06-10 国网辽宁省电力有限公司 一种基于三次样条插值曲线拟合的风电功率考核方法
CN109658006A (zh) * 2018-12-30 2019-04-19 广东电网有限责任公司 一种大规模风电场群辅助调度方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080033786A1 (en) * 2006-08-04 2008-02-07 General Electric Company Power generation mix forecasting modeling method
CN201813161U (zh) * 2010-07-16 2011-04-27 北京中科伏瑞电气技术有限公司 一种风电功率预测系统
CN102055188A (zh) * 2011-01-07 2011-05-11 西北电网有限公司 基于时间序列法的超短期风电功率预报方法
CN102338808A (zh) * 2011-08-26 2012-02-01 天津理工大学 一种在线的风电场短期风速混合预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080033786A1 (en) * 2006-08-04 2008-02-07 General Electric Company Power generation mix forecasting modeling method
CN201813161U (zh) * 2010-07-16 2011-04-27 北京中科伏瑞电气技术有限公司 一种风电功率预测系统
CN102055188A (zh) * 2011-01-07 2011-05-11 西北电网有限公司 基于时间序列法的超短期风电功率预报方法
CN102338808A (zh) * 2011-08-26 2012-02-01 天津理工大学 一种在线的风电场短期风速混合预测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103683274A (zh) * 2013-07-16 2014-03-26 国家电网公司 区域中长期风电发电量概率预测方法
CN103683274B (zh) * 2013-07-16 2016-06-15 国家电网公司 区域中长期风电发电量概率预测方法
CN103473438A (zh) * 2013-08-15 2013-12-25 国家电网公司 风功率预测模型优选及修正方法
CN103473438B (zh) * 2013-08-15 2018-07-31 国家电网公司 风功率预测模型优选及修正方法
CN103942621A (zh) * 2014-04-18 2014-07-23 国家电网公司 采用复合数据源基于Sigmoid核函数支持向量机的风电功率短期预测方法
CN104700151A (zh) * 2014-05-26 2015-06-10 国网辽宁省电力有限公司 一种基于三次样条插值曲线拟合的风电功率考核方法
CN104112062A (zh) * 2014-06-05 2014-10-22 清华大学 基于插值方法的风资源分布的获取方法
CN104239962A (zh) * 2014-08-07 2014-12-24 河海大学 一种基于相关性分析的区域电网总风功率短期预测方法
CN109658006A (zh) * 2018-12-30 2019-04-19 广东电网有限责任公司 一种大规模风电场群辅助调度方法及装置

Also Published As

Publication number Publication date
CN102738792B (zh) 2014-07-16

Similar Documents

Publication Publication Date Title
CN102738792B (zh) 一种风电功率预测方法
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
Şişbot et al. Optimal positioning of wind turbines on Gökçeada using multi‐objective genetic algorithm
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN103020462B (zh) 计及复杂尾流效应模型的风电场概率输出功率计算方法
CN102236795B (zh) 风电场风速预测方法
CN109978242A (zh) 基于统计升尺度的光伏发电集群功率预测方法及装置
CN103942736B (zh) 一种风电场多机等值建模方法
CN102938562B (zh) 一种区域内风电总功率的预测方法
CN103489046A (zh) 风电场短期功率预测方法
CN103219725A (zh) 一种基于实时运行数据的风电场等值建模方法
CN103345585A (zh) 基于支持向量机的风功率预测校正方法及系统
CN103904682A (zh) 一种基于风光混合模型的功率预测方法
CN105404937A (zh) 一种光伏电站短期功率预测方法和系统
CN103996087A (zh) 一种新能源发电功率预测方法及系统
CN102945509A (zh) 风电场功率预测方法
CN115481772A (zh) 一种光伏发电量预测方法及装置
CN102768738A (zh) 风电场功率预测方法和预测装置
CN106485603A (zh) 一种应用于风力发电的短期风速预测方法
CN103366225B (zh) 风功率预测误差识别方法
CN102750542A (zh) 一种插值修匀优化的支持向量回归机风速组合预测方法
CN108932554B (zh) 一种风电场流场量测点的配置优化方法及装置
CN109799864B (zh) 一种区域小水电站整体发电功率预测方法及装置
CN109494794B (zh) 区域分布式储能优化调度方法及装置
CN106056312B (zh) 一种样本风机动态选取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140716

Termination date: 20170613

CF01 Termination of patent right due to non-payment of annual fee