CN103001249B - 基于bp神经网络的风电场短期功率预测方法 - Google Patents
基于bp神经网络的风电场短期功率预测方法 Download PDFInfo
- Publication number
- CN103001249B CN103001249B CN201210460427.0A CN201210460427A CN103001249B CN 103001249 B CN103001249 B CN 103001249B CN 201210460427 A CN201210460427 A CN 201210460427A CN 103001249 B CN103001249 B CN 103001249B
- Authority
- CN
- China
- Prior art keywords
- wind
- neural net
- element data
- meteorological element
- turbine set
- 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
- 230000001537 neural effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 3
- 230000001154 acute effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000005619 thermoelectricity Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种基于BP神经网络的风电场短期功率预测方法,包括如下步骤:a.获取风电场所在地的气象要素数据的历史记录及与每一记录相对的输出功率;b.将气象要素数据修正为风机轮毂高度数据;c.将修正后的气象要素数据作为输入数据输入BP神经网络,将与气象要素数据对应的输出功率作为BP神经网络的输入对BP神经网络进行训练;d.根据数值天气预报获得风电场所在地在预测时间段的气象要素数据,并将气象要素数据修正为风机轮毂高度数据,生成修正后的气象要素数据;e.将步骤d所得的修正后的气象要素数据输入BP神经网络,输出的数据即为该预测时间段的风电场的发电输出功率。本发明方法简单易行,准确度高。
Description
技术领域
本发明涉及风电场的功率预测技术领域,具体地说是一种基于BP神经网络的风电场短期功率预测方法。
背景技术
风能发电是利用风机将风的动能转换为电能的一种发电形式。现阶段,风能的推广应用日益呈现方兴未艾的世界潮流,风能产业成为全球蓬勃兴起的新能源产业之一。开发利用风能成为人类社会缓解日益加剧的能源短缺的共同选择和治理严峻环境污染的有生力量。电网的稳定运行需要在供需双方之间保持一定的平衡,即根据用户的消耗变化,预先安排火电、水电等发电机组的开启和关停,从而相应地调整供应的总功率。由于风能发电受天气的影响较大,且不能像火电及水电一样自由控制,所以风电场发电的输出功率具有剧烈变化及间歇性等特点。由此,风电场并入电网必将对电网的平衡产生巨大影响。
1)调峰问题。随着天气的变化,风电场的输出功率剧烈变化,严重影响电网的调峰;
2)电网稳定问题。在电网发生大扰动时,风电场由于不具备低电压穿越能力,容易退出运行从而对电网带来二次冲击,影响电网的暂态稳定性;
所以对风电场输出功率进行有效监测和预测,把风电场输出功率纳入电网的发电计划编制,并参与实时调度,是保证电网稳定经济运行的重要措施之一。从而能够实施发电运行自动控制,实现多元电源联合调度。
风电场发电功率预测的研究起步较晚。属于起步阶段,目前还没有成熟的风电场功率预测系统方法。
有鉴于此,本发明人积极加以研究和创新,以期发明一种基于BP神经网络的风电场短期功率预测方法,来实现对风电场输出功率的准确预测。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于BP神经网络的风电场短期功率预测方法。本发明方法具有简单易行,准确度高的特点。
为了解决上述技术问题,本发明采用了如下技术方案:
基于BP神经网络的风电场短期功率预测方法,包括如下步骤:
a.获取风电场所在地的包括风速、风向和空气密度的气象要素数据的历史记录及与每一记录相对的风电场发电输出功率;
b.其中,将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度,从而生成修正后的气象要素数据;
c.将修正后的气象要素数据作为输入数据输入BP神经网络,将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输出对BP神经网络进行训练;
d.根据数值天气预报获得风电场所在地在预测时间段的包括风速、风向和空气密度的气象要素数据,并将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度,从而生成修正后的气象要素数据;
e.将步骤d所得的修正后的气象要素数据输入经步骤c训练后的BP神经网络,BP神经网络输出的数据即为该预测时间段的风电场的发电输出功率。
进一步,在步骤c中,还将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输入数据对BP神经网络进行训练。
进一步,所述步骤a中的气象要素数据还包括相对湿度的数据,并在步骤b中将其修正为风电机组轮毂处的相对湿度,以作为输入数据输入BP神经网络。
与现有技术相比,本发明的有益效果在于:
本发明的基于BP神经网络的风电场短期功率预测方法根据风电场所处的地理位置,分析了影响风电场输出功率的各种气象因素,利用历史数值天气预报和历史的风电场的输出功率建立神经网络模型,实现对未来风电场输出功率的预测,简单易行。本发明方法采用了人工智能的方法,不需要风电场的风电机组的元件的各类特性,避免了元件参数不精确造成的误差,预测效果较好,准确度高。为风电场与常规电源的协调配合,保障电网安全稳定运行的各项措施提供了基础性数据。
具体实施方式
下面结合具体实施例对本发明作进一步详细描述,但不作为对本发明的限定。
基于BP神经网络的风电场短期功率预测方法,包括如下步骤:
a.获取风电场所在地的包括风速、风向和空气密度的气象要素数据的历史记录及与每一记录相对的风电场发电输出功率;
b.其中,将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度,从而生成修正后的气象要素数据;
c.将修正后的气象要素数据作为输入数据输入BP神经网络,将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输出对BP神经网络进行训练;
d.根据数值天气预报获得风电场所在地在预测时间段的包括风速、风向和空气密度的气象要素数据,并将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度,从而生成修正后的气象要素数据;
e.将步骤d所得的修正后的气象要素数据输入经步骤c训练后的BP神经网络,BP神经网络输出的数据即为该预测时间段的风电场的发电输出功率。
作为本实施例的优选,在步骤c中,还将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输入数据对BP神经网络进行训练。可以提高本发明方法的预测准确率。
作为上述实施例的优选,所述步骤a中的气象要素数据还包括相对湿度的数据,并在步骤b中将其修正为风电机组轮毂处的相对湿度,以作为输入数据输入BP神经网络。
其中气象要素数据的修正根据风电场所在地的地表粗糙度等进行修正。具体步骤可参考现有技术,在此不再赘述。
本发明的重点是要找到影响风电场发电输出功率的气象要素,以便作为BP神经网络的输入数据,从而得到较为准确的输出数据即风电场发电输出功率。风速和风向是影响风电场输出功率的主要因素。本发明的发明人发现只利用风速和风向预测的风电场输出功率准确度不尽如人意。为此经过研究和分析考虑了空气密度对输出功率的影响。结果发现,空气密度的大小直接关系到捕获的风能的多少,特别是在海拔高的地区,影响更加突出。通过双馈变速风电机组V52-850在不同空气密度下的功率曲线发现,在风速为11m/s时,空气密度分别为1.225kg/m3和1.060kg/m3风电机组输出功率差值达到74kW。并且在实际运行中,风电机组出力并不严格服从这些功率曲线,实际上,在不同空气密度下输出功率偏差可能更大。因此在本发明方法中必须要充分考虑空气密度的影响。以提高预测的准确率。在温度一定的情况下,相对湿度的减小会引起空气密度的增大,从而风电机组捕获的风能增大,风电场出力增加。因此在本发明的风电场短期功率预测方法中引入了相对湿度,以增加对风电场输出功率的预测的准确率。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (2)
1.基于BP神经网络的风电场短期功率预测方法,其特征在于,包括如下步骤:
a.获取风电场所在地的包括风速、风向、空气密度和相对湿度的气象要素数据的历史记录及与每一记录相对的风电场发电输出功率;
b.其中,将风速、风向、空气密度和相对湿度修正为风电机组轮毂处的风速、风向、空气密度和相对湿度,从而生成修正后的气象要素数据;
c.将修正后的气象要素数据作为输入数据输入BP神经网络,将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输出对BP神经网络进行训练;
d.根据数值天气预报获得风电场所在地在预测时间段的包括风速、风向和空气密度的气象要素数据,并将风速、风向和空气密度修正为风电机组轮毂处的风速、风向和空气密度,从而生成修正后的气象要素数据;
e.将步骤d所得的修正后的气象要素数据输入经步骤c训练后的BP神经网络,BP神经网络输出的数据即为该预测时间段的风电场的发电输出功率。
2.根据权利要求1所述的基于BP神经网络的风电场短期功率预测方法,其特征在于,在步骤c中,还将与每一气象要素数据对应的风电场发电输出功率作为BP神经网络的输入数据对BP神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210460427.0A CN103001249B (zh) | 2012-11-15 | 2012-11-15 | 基于bp神经网络的风电场短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210460427.0A CN103001249B (zh) | 2012-11-15 | 2012-11-15 | 基于bp神经网络的风电场短期功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103001249A CN103001249A (zh) | 2013-03-27 |
CN103001249B true CN103001249B (zh) | 2016-01-20 |
Family
ID=47929517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210460427.0A Active CN103001249B (zh) | 2012-11-15 | 2012-11-15 | 基于bp神经网络的风电场短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103001249B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390902B (zh) * | 2013-06-04 | 2015-04-29 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103473618A (zh) * | 2013-09-18 | 2013-12-25 | 上海电机学院 | 一种风电场短期风功率预测系统及方法 |
CN103473621A (zh) * | 2013-09-29 | 2013-12-25 | 中能电力科技开发有限公司 | 风电场短期功率预测方法 |
CN103489046A (zh) * | 2013-09-29 | 2014-01-01 | 中能电力科技开发有限公司 | 风电场短期功率预测方法 |
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 |
CN106815773A (zh) * | 2015-12-02 | 2017-06-09 | 中国电力科学研究院 | 一种风电场功率特性评估方法 |
CN107016470A (zh) * | 2017-04-28 | 2017-08-04 | 北京天诚同创电气有限公司 | 风力发电场风能预测方法和装置 |
CN107391689A (zh) * | 2017-07-25 | 2017-11-24 | 国家电网公司 | 基于大数据技术的风电出力异常数据重构方法 |
CN110397554A (zh) * | 2019-09-05 | 2019-11-01 | 国电联合动力技术有限公司 | 智能寻优的风电机组偏航控制方法、装置及风电机组 |
CN111598301A (zh) * | 2020-04-16 | 2020-08-28 | 国网浙江省电力有限公司电力科学研究院 | 多算法结合的台风风场修正方法、装置及可读存储介质 |
CN111950780A (zh) * | 2020-07-31 | 2020-11-17 | 许继集团有限公司 | 一种风电场短期功率预测方法 |
CN112801429B (zh) * | 2021-04-12 | 2021-07-13 | 湖南防灾科技有限公司 | 微地形风功率计算方法、装置及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN102663251A (zh) * | 2012-04-09 | 2012-09-12 | 华北电力大学 | 基于计算流体力学模型的风电场功率物理预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2476316B (en) * | 2009-12-21 | 2014-07-16 | Vestas Wind Sys As | A wind turbine having a control method and controller for predictive control of a wind turbine generator |
US8150641B2 (en) * | 2010-12-06 | 2012-04-03 | General Electric Company | System, device, and method for estimating possible power output of wind turbines |
-
2012
- 2012-11-15 CN CN201210460427.0A patent/CN103001249B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102510059A (zh) * | 2011-11-28 | 2012-06-20 | 山东电力集团公司潍坊供电公司 | 基于bp神经网络的超短期风电功率预测方法 |
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN102663251A (zh) * | 2012-04-09 | 2012-09-12 | 华北电力大学 | 基于计算流体力学模型的风电场功率物理预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103001249A (zh) | 2013-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103001249B (zh) | 基于bp神经网络的风电场短期功率预测方法 | |
Herbert et al. | A review of technical issues on the development of wind farms | |
Zhang et al. | Planning pumped storage capacity for wind power integration | |
US10584680B2 (en) | Method for operating a wind turbine generator | |
US20140316838A1 (en) | Decision support system (dss) for maintenance of a plurality of renewable energy generators in a renewable power plant | |
US8823193B1 (en) | Method and system for limitation of power output variation in variable generation renewable facilities | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
CN107154648B (zh) | 一种风电场双层有功分配控制方法 | |
CN105337415A (zh) | 一种基于预测控制的地区电网调度系统及其方法 | |
Martín-Martínez et al. | Impact of wind power curtailments on the Spanish power system operation | |
Liang et al. | Battery energy storage selection based on a novel intermittent wind speed model for improving power system dynamic reliability | |
Jarzyna et al. | Technological development of wind energy and compliance with the requirements for sustainable development | |
Wang et al. | Optimization and control of offshore wind farms with energy storage systems | |
Wang et al. | Adequacy assessment of generating systems incorporating wind, PV and energy storage | |
Ebert et al. | Successful high wind penetration into a medium sized diesel grid without energy storage using variable speed wind turbine technology | |
Erfani et al. | Issue in the technology selection for a Wind Farm in Iran | |
Xia et al. | Operation and simulation of hybrid wind and gas turbine power system employing wind power forecasting | |
Chanana et al. | Operation and control of BESS using frequency‐linked pricing in real‐time market with high wind penetration | |
Dao et al. | Impacts of reliability on operational performance and cost of energy evaluation of multi-megawatt, far-offshore wind turbines | |
Onol et al. | Model predictive control for energy maximization of small vertical axis wind turbines | |
Attya et al. | Wind energy in Egypt—Capacity assessment and analyzing penetration impact on grid frequency | |
Dangar et al. | Site matching of offshore wind turbines-a case study | |
George | Analysis of the power system impacts and value of wind power | |
Topić et al. | Availability of Different Wind Power Plant Configurations Based on Components Performance Statistics | |
CN109271657B (zh) | 一种风力发电机组的捕风系数、年满发小时数的估算方法 |
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 |