CN102914969B - 一种短期风电功率预测系统的综合误差修正方法 - Google Patents
一种短期风电功率预测系统的综合误差修正方法 Download PDFInfo
- Publication number
- CN102914969B CN102914969B CN201210372014.7A CN201210372014A CN102914969B CN 102914969 B CN102914969 B CN 102914969B CN 201210372014 A CN201210372014 A CN 201210372014A CN 102914969 B CN102914969 B CN 102914969B
- Authority
- CN
- China
- Prior art keywords
- wind
- error
- weather forecast
- short
- power
- 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.)
- Active
Links
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种短期风电功率预测系统的综合误差修正方法,该方法包括风电场功率输出环节误差修正和数值天气预报环节误差修正,风电场功率输出环节误差修正步骤,计算功率输出模型的最佳建模粒度,用多台风机建模替代单机建模后累加,利用倍方差法剔除功率输出模型散点图上的异常数据点,利用相关因子修正功率输出模型的系统误差。数值天气预报环节误差修正步骤,通过对比实测风速和不同时空发生数值天气预报风速的相关系数和系统误差修正,得到主导数值天气预报风速序列,利用相关性分析法校正冷锋到达的时滞误差。本发明针对现有短期风电功率预测系统输入数据质量较低的问题,对于各类短期风电功率预测方法,具有普遍适用性,且便于应用于工程实际,能显著提高短期风电功率预测的建模精度和预测精度。
Description
技术领域
本发明属于电力系统预测与控制技术领域。尤其涉及一种短期风电功率预测系统的综合误差修正方法。
背景技术
随着风电装机容量在电力系统中所占比例的增加,由于风电固有的波动性、间歇性以及不可控性,传统的基于电源的可控性和负荷的可预测性的电力系统发电计划制定变得日益困难。风电发达国家经过长期的研究和探索发现:短期风电功率预测(0-48小时预测)可以有效减轻风能对电力系统调度的不利影响,对电网日前调度优化、风电传输效率提高和风电机组检修维护等方面均有重要作用。
目前大部分投入运行的风电功率预测系统都包含基于数值天气预报的短期风功率预测。数值天气预报是根据大气实际情况,在一定初值和边界条件下,通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的方法。
结合数值天气预报的短期风电功率预测可分为物理方法和统计方法两大类,物理方法利用风电场当地的微地形气象学建模,根据近地气象信息得到风力机组轮毂处的风速等信息,然后把这些信息作为风力机组功率输出模型的输入,得到风电功率预测的结果;统计方法则是通过对历史数据的统计分析,直接建立近地气象信息与风电功率输出之间的关系。两种方法的一个共同研究重点就是风力机组(风电场)功率输出模型的建立。
欧美已具备多种较为成熟的短期风电功率预测系统,相比之下,国内风电功率预测研究多集中在各种预测算法的实现和模型的建立,所开发研制的预测系统投入工程实际应用后,预测精度并没有达到预期,往往存在较大的预测误差。
短期风电功率预测误差的两个主要来源是风电场输出功率模型误差和数值天气预报误差。国内大部分研究侧重通过改进预测算法降低预测误差,预测误差的产生除了与预测算法和模型有关外,还和输入数据源的质量和分析密切相关。特别是我国风电正处于快速规模化发展阶段,很多风电场建设在环境较恶劣地区,通信环境和设备维护水平相对滞后,较容易产生历史突发事件或者某些特殊原因造成的统计异常数据,实际生产过程中数据预处理方法不恰当很容易对统计数据带来很大影响,从而成为较显著的输出功率模型误差来源。另一方面,对短期风功率预测而言,由于数值天气预报误差的存在,预测精度难以通过预测算法的改进实现质的提高。因此,如何在功率预测系统中通过输入数据预处理修正数值天气预报引入的预测误差具有十分重要的工程价值。
发明内容
本发明的主要目的是为了克服现有技术的不足,提出一种短期风电功率预测系统的综合误差修正方法,用于修正各种低质量输入数据影响的短期风电功率预测误差的方法,从而降低风电场输出功率模型环节误差和数值天气预报环节误差。该方法重视输入数据的处理和分析且工程上容易实施。
为达到上述目的,本发明的技术方案分为:
一种短期风电功率预测系统的综合误差修正方法,包括对风电场功率输出环节误差修正以及对数值天气预报环节误差修正;
所述风电场功率输出环节误差修正:首先用多台风机建模替代单机建模后累加计算功率输出模型的最佳建模粒度;其次利用倍方差法剔除功率输出模型散点图上的异常数据点,最后利用相关因子修正功率输出模型的系统误差;
所述数值天气预报环节误差修正:首先通过对比实测风速和不同时空发生数值天气预报风速的相关系数和系统误差修正,得到主导数值天气预报风速序列,利用相关性分析法校正冷锋到达的时滞误差。
所述计算最佳建模粒度是基于多台风机的功率及风速采样,将全风速段从最小风速到最大风速划分为多个子区间,选择若干台风机使输出功率均值在全风速段方差之和最小,其中若干台风机为最佳建模粒度。
由于工作环境恶劣或管理上的突发事件,从风电机组采集得到功率数据和气象信息的不确定度较高,反映在功率输出模型散点图上样本分散度较高,影响建模精度。在本发明中采用以下方法选择最佳建模粒度:
设m台风机为一组进行建模,输入风速为该组风机各机组风速vi的加权平均,其中下标i代表m台风机编号,i=1,2,…,m,输出功率也为该组风机各机组输出功率pi的加权平均,下标i代表m台风机编号,i=1,2,…,m;和的工程简化可取算数平均。
基于一段时间一批风电机组的功率和风速采样,将全风速段从最小风速到最大风速划分为s个子区间,最佳建模粒度指选择合适的风机建模机组数m,使这m台风机的输出功率均值在全风速段方差之和最小,即满足:
式中σi表示风速区间i上功率输出均值的方差。
所述倍方差法剔除功率输出模型散点图上的异常数据点的实现方式为:将全风速段从最小风速到最大风速划分为多个子区间,在每个风速-功率子区间中,计算功率均值和方差,将M倍方差以外的点视为异常数据点甄别剔除。参考正态分布取三倍方差作为极限误差,取M≤3。
采用倍方差法是由于现场突发事件,功率输出模型散点图中有时存在若干较为分散的异常数据点,有可能对建模精度有不利影响。
所述利用相关因子修正功率输出模型的系统误差是采用回归法校正系统误差。
系统误差指预测模型的规律性误差,可以分析误差与特定相关因素之间的分布关系,寻找功率输出模型误差与相关因子(如气象因素)之间的函数关系,用回归法校正这一误差。
所述相关性分析法校正冷锋到达的时滞误差的方式为:计算实测风速序列与数值天气预报风速序列的相关函数,函数的最大值决定了实测风速序列与数值天气预报风速序列的相位差,得到数值天气预报的时滞偏差,从而在输入数据处理环节修正该误差。
通过对比实测风速序列v和不同时空发生数值天气预报风速序列族相关系数和系统误差修正的方法,得到主导数值天气预报风速序列
利用相关性分析法校正冷锋到达的时滞误差。计算实测风速序列v与数值天气预报风速序列的相关函数:
序列最大值的位置决定了实测风速序列v与数值天气预报风速序列的相位差,由此可得到数值天气预报的时滞偏差,从而在输入数据处理环节修正该误差,提高短期风电功率预测精度。
本发明的有益效果是,误差修正着重于处理短期功率预测系统的输入数据源,综合考虑了风电场功率输出模型环节和数值天气预报环节误差修正,对于各类短期风电功率预测方法,该误差修正方案具有普遍适用性,且便于应用于实际,能显著提高短期风电功率预测的建模精度和预测精度。
附图说明
图1为本发明的短期风电功率误差来源说明;
图2为本发明的误差修正方案流程图;
图3为本发明的实施例倍方差法剔除数据效果(左:剔除前,右:剔除后);
图4为本发明的实施例系统误差(误差与风速的关系)。
具体实施方式
下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。
短期风电功率预测误差的主要来源如图1所示,本发明的综合误差修正方法从预测系统的输入数据源入手,修正各种低质量输入数据影响的短期风电功率预测误差,图2为本发明的较佳实施例误差修正方案流程图,具体步骤如下:
误差修正分为两个方面,风电场功率输出环节的误差修正和数值天气预报环节的误差修正。
风电场功率输出环节的误差修正分为以下三个步骤:
第一步:确定风电场最佳建模粒度,一般地,若风电场处于地势开阔的平原且风机型号一致,则更适合用多台风机建模替代单机建模后累加。这是由于工作环境恶劣或管理上的突发事件,从风电机组采集得到功率数据和气象信息的不确定度较高,反映在功率输出模型散点图(风速-功率散点图)上样本分散度较高,影响建模精度。可用以下方法选择最佳建模粒度:
收集至少一个月长度的风电场运行数据,包括每台风机的历史出力和气象信息。
设m台风机为一组进行建模,输入风速为各风机风速vi的加权平均,输出功率也为各风机输出功率pi的加权平均,和的工程简化可取算数平均。
基于风电机组的功率和风速采样,将全风速段从最小风速到最大风速划分为s个子区间,最佳建模粒度指选择合适的风机建模机组数m,使这m台风机的输出功率均值在全风速段方差之和最小,即满足:
式中σi表示风速区间i上功率输出均值的方差。
第二步:利用倍方差法剔除功率输出模型散点图上的异常数据点。由于现场突发事件,功率输出模型散点图中有时存在若干较为分散的异常数据点,有可能对建模精度有不利影响。可用以下方法筛选剔除:
将全风速段从最小风速到最大风速划分为r个子区间,划分步长可取0.5m/s,在每个风速-功率子区间中,计算功率均值和方差,将数倍方差以外的点视为异常数据点,从而甄别剔除。方差倍数的取法根据样本区间功率的分布情况而定,若近似正态分布N(μ,σ2),则样本区间总体中任意一个个体取值在μ±3σ范围内的概率为99.73%。
第三步:利用相关因子修正功率输出模型的系统误差。系统误差指预测模型的规律性误差,可以分析误差与特定相关因素之间的分布关系,寻找功率输出模型误差与相关因子(如气象因素)之间的函数关系,用回归法校正这一误差。具体做法可以取一段时间样本,将风速作为功率输出模型的相关因子,用回归法得到风速与对应功率输出模型误差的函数关系,从而达到校正的效果。
数值天气预报环节的误差修正分为以下两个步骤:
第一步:通过对比实测风速序列v和不同时空发生数值天气预报风速序列族相关系数和系统误差修正的方法,得到主导数值天气预报风速序列具体做法为计算实测风速序列v和不同起报时间、不同空间位置、同一预报时段的一组数值天气预报风速序列族的相关系数,选取相关性最优序列作为主导数值天气预报风速序列并修正均值误差。
第二步:利用相关性分析法校正冷锋到达的时滞误差。计算实测风速序列v与数值天气预报风速序列的互相关函数:
序列最大值的位置决定了实测风速序列v与数值天气预报风速序列的相位差,由此可得到数值天气预报的时滞偏差,从而在输入数据处理环节修正该误差,提高短期风电功率预测精度。
实施例一
下面结合具体实施例,进一步说明本发明:
本发明应用于某内蒙风电场短期风电功率预测系统,其误差修正的具体步骤如下:
(1)风电场功率输出环节的误差修正
该风电场地处平原地带,拥有134台同型号国产笼型异步风力机组,取月份数据样本计算不同建模粒度输出功率均值在全风速段的方差,计算结果表明该组样本的最佳建模粒度是134,即全场建模效果最优。
利用倍方差法剔除功率输出模型散点图上的异常数据点,由于该样本数据集中度较优,取三倍方差以外的数据点为异常数据点,效果如图3。
图4给出了本实施例建模时产生的系统误差分布规律,可以看出,低风速段建模误差较大,而高风速段建模误差较小,系统误差与风速近似呈规律性函数关系,可以用回归法校正这一误差。
下表统计上述情况下风电场功率模型的精度改善情况:
建模条件 | 误差均值 | 方均根误差 |
Case1 | -0.9% | 3.0% |
Case2 | -0.6% | 1.5% |
Case3 | 0.7% | 1.3% |
Case4 | 0.7% | 0.9% |
Case1:单机建模;
Case2:整场建模、未剔除异常数据,未经系统误差校正;
Case3:整场建模、倍方差法剔除异常数据,未经系统误差校正;
Case4:整场建模、倍方差法剔除异常数据,经过系统误差校正。
(2)数值天气预报环节的误差修正
该风场的NWP数据(48h)由内蒙古气象局提供。内蒙古气象局引进由美国宾夕法尼亚州州立大学(PSU)和美国国家大气研究中心(NCAR)开发的第五代中尺度大气数值模式(Mesoscale Model5,MM5)。计算实测风速序列和不同起报时间、不同空间位置、同一预报时段的一组数值天气预报风速序列族的相关系数,选取相关性最优序列作为主导数值天气预报风速序列并修正均值误差。
计算实测风速序列与NWP风速序列的相关函数,经过计算可得到NWP存在2~3小时的时滞误差。
下表统计上述情况下风电场短期功率预测的精度改善情况:
误差均值 | 方均根误差 | |
修正前 | 6.5% | 20.4% |
修正后 | 4.6% | 18.3% |
修正后精度提升百分比 | 29.2% | 10.3% |
从上述计算过程可知运用本发明,综合考虑风电场功率输出模型环节和数值天气预报环节误差修正,可以有效改进短期风电功率建模精度和预测精度,方法分为两大步骤,计算思路清晰,通用性较好,适合推广使用。
本发明结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当处于本发明的保护范围之内。
Claims (4)
1.一种短期风电功率预测系统的综合误差修正方法,其特征在于包括对风电场功率输出环节误差修正以及对数值天气预报环节误差修正;
所述风电场功率输出环节误差修正:首先用多台风机建模替代单机建模后累加计算功率输出模型的最佳建模粒度;其次利用倍方差法剔除功率输出模型散点图上的异常数据点,最后利用相关因子修正功率输出模型的系统误差;
所述数值天气预报环节误差修正:首先通过对比实测风速和不同时空发生数值天气预报风速的相关系数和系统误差修正,得到主导数值天气预报风速序列,利用相关性分析法校正冷锋到达的时滞误差;
所述相关性分析法校正冷锋到达的时滞误差的方式为:计算实测风速序列与数值天气预报风速序列的相关函数,函数的最大值决定了实测风速序列与主导数值天气预报风速序列的相位差,得到数值天气预报的时滞偏差,从而在输入数据处理环节修正该误差。
2.根据权利要求1所述短期风电功率预测系统的综合误差修正方法,其特征在于所述计算最佳建模粒度是基于多台风机的功率及风速采样,将全风速段从最小风速到最大风速划分为多个子区间,选择若干台风机使输出功率均值在全风速段方差之和最小,其中若干台风机为最佳建模粒度。
3.根据权利要求1所述短期风电功率预测系统的综合误差修正方法,其特征在于所述倍方差法剔除功率输出模型散点图上的异常数据点的实现方式为:将全风速段从最小风速到最大风速划分为多个子区间,在每个风速-功率子区间中,计算功率均值和方差,将M倍方差以外的点视为异常数据点甄别剔除;取。
4.根据权利要求1所述短期风电功率预测系统的综合误差修正方法,其特征在于所述利用相关因子修正功率输出模型的系统误差是采用回归法校正系统误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210372014.7A CN102914969B (zh) | 2012-09-28 | 2012-09-28 | 一种短期风电功率预测系统的综合误差修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210372014.7A CN102914969B (zh) | 2012-09-28 | 2012-09-28 | 一种短期风电功率预测系统的综合误差修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102914969A CN102914969A (zh) | 2013-02-06 |
CN102914969B true CN102914969B (zh) | 2014-12-10 |
Family
ID=47613382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210372014.7A Active CN102914969B (zh) | 2012-09-28 | 2012-09-28 | 一种短期风电功率预测系统的综合误差修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102914969B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514259B (zh) * | 2013-08-13 | 2017-04-26 | 华北电力大学 | 一种基于数值关联性模型的异常数据探测及修正方法 |
WO2016136237A1 (en) | 2015-02-23 | 2016-09-01 | Okinawa Institute of Science and Technology Graduate University | System and method of determining forecast error for renewable energy fluctuations |
CN105004932B (zh) * | 2015-07-17 | 2017-10-03 | 云南电力试验研究院(集团)有限公司 | 一种基于实时雷电定位数据相关性分析的雷电预警数据修正方法 |
CN107832881B (zh) * | 2017-11-02 | 2021-07-02 | 南方电网科学研究院有限责任公司 | 考虑负荷水平和风速分段的风电功率预测误差评价方法 |
CN109995549B (zh) * | 2017-12-29 | 2021-11-30 | 中国移动通信集团陕西有限公司 | 一种评估流量价值的方法及装置 |
CN108694472B (zh) * | 2018-06-15 | 2020-07-31 | 清华大学 | 预测误差极值分析方法、装置、计算机设备和存储介质 |
CN109101659B (zh) * | 2018-09-03 | 2021-08-27 | 贵州电网有限责任公司 | 一种小水电数据采集系统中功率数据异常的方法 |
CN109146323B (zh) * | 2018-09-12 | 2021-08-03 | 国网辽宁省电力有限公司 | 风机效率评估方法、装置及计算机存储介质 |
CN109816165B (zh) * | 2019-01-16 | 2020-09-25 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
CN110555784B (zh) * | 2019-07-23 | 2022-10-14 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN110555548B (zh) * | 2019-08-05 | 2023-04-07 | 三峡大学 | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 |
CN110727916B (zh) * | 2019-08-20 | 2021-04-23 | 广东省科学院广州地理研究所 | 一种大规模海域风能长期预测方法及系统 |
CN110705771B (zh) * | 2019-09-26 | 2023-04-07 | 国家电网公司华北分部 | 区域电网新能源发电功率预测优化方法和装置 |
CN110705772B (zh) * | 2019-09-26 | 2022-08-02 | 国家电网公司华北分部 | 区域电网风力发电功率预测优化方法和装置 |
CN110705769B (zh) * | 2019-09-26 | 2022-07-05 | 国家电网公司华北分部 | 新能源发电功率预测优化方法和装置 |
CN110705768B (zh) * | 2019-09-26 | 2022-10-21 | 国家电网公司华北分部 | 用于风电场的风力发电功率预测优化方法和装置 |
CN110705770B (zh) * | 2019-09-26 | 2022-07-05 | 国家电网公司华北分部 | 用于光伏电站的光伏功率预测优化方法和装置 |
CN112036672B (zh) * | 2020-11-06 | 2021-04-20 | 中国电力科学研究院有限公司 | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
CN112803492B (zh) * | 2020-12-31 | 2022-10-28 | 南方电网科学研究院有限责任公司 | 电力系统发电侧机组的控制方法、装置、设备及介质 |
CN112713616B (zh) * | 2020-12-31 | 2022-10-28 | 南方电网科学研究院有限责任公司 | 电力系统发电侧机组的控制方法、装置、设备及介质 |
CN113516320B (zh) * | 2021-09-14 | 2021-12-10 | 国能日新科技股份有限公司 | 基于多目标遗传算法风速订正和预测风速优化方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7430534B2 (en) * | 2001-06-15 | 2008-09-30 | Abb Ab | System, method and computer program product for risk-minimization and mutual insurance relations in meteorology dependent activities |
EP2148225B1 (en) * | 2008-07-22 | 2016-11-02 | Siemens Aktiengesellschaft | Method and arrangement for the forecast of wind-resources |
TWI476430B (zh) * | 2010-08-23 | 2015-03-11 | Inst Nuclear Energy Res Atomic Energy Council | 具極端風速預測功能之風能預報方法 |
CN102102626B (zh) * | 2011-01-30 | 2012-08-29 | 华北电力大学 | 风电场短期功率预测方法 |
-
2012
- 2012-09-28 CN CN201210372014.7A patent/CN102914969B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102914969A (zh) | 2013-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102914969B (zh) | 一种短期风电功率预测系统的综合误差修正方法 | |
CN103902837B (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
Beyer et al. | Forecast of regional power output of wind turbines | |
CN105160060B (zh) | 一种基于实际功率曲线拟合的风电场理论功率确定方法 | |
CN101592538B (zh) | 一种基于实测数据风电场稳态输出功率的计算方法 | |
CN103679298A (zh) | 风电场短期功率预测精度的评价方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN109784563B (zh) | 一种基于虚拟测风塔技术的超短期功率预测方法 | |
CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN107885968B (zh) | 基于周期叠加外推的风电场年平均风速预测方法及系统 | |
CN101727538A (zh) | 一种考虑风向影响的风电机组输入风速等效方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN105046349A (zh) | 一种计及尾流效应的风电功率预测方法 | |
CN104346659A (zh) | 应用于高倍聚光光伏发电系统的短期发电量预测方法 | |
CN109190845B (zh) | 一种两阶段动态优化短期风电功率预测方法 | |
CN103915855A (zh) | 一种降低风电机组机械损耗的风电场内优化调度方法 | |
Cabezon et al. | Comparison of methods for power curve modelling | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
Efe et al. | 72hr forecast of wind power in Manisa, Turkey by using the WRF model coupled to WindSim | |
CN110414734A (zh) | 一种计及风资源利用率预测评估的方法 |
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 |