CN103473618A - 一种风电场短期风功率预测系统及方法 - Google Patents
一种风电场短期风功率预测系统及方法 Download PDFInfo
- Publication number
- CN103473618A CN103473618A CN2013104293399A CN201310429339A CN103473618A CN 103473618 A CN103473618 A CN 103473618A CN 2013104293399 A CN2013104293399 A CN 2013104293399A CN 201310429339 A CN201310429339 A CN 201310429339A CN 103473618 A CN103473618 A CN 103473618A
- Authority
- CN
- China
- Prior art keywords
- power
- turbine set
- wind
- energy turbine
- wind energy
- 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
Images
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种风电场短期风功率预测系统及方法,该方法包括如下步骤:获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率;将预处理后的历史预测功率与所得偏差功率接入BP神经网络的输入端,并把处理后的历史实际输出功率作为该BP神经网络的输出端对该BP神经网络进行训练;根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理;将计算获得的偏差功率与预处理后的预测功率接入经训练后的BP神经网络的输入端,通过该BP神经网络的输出端输出最终期望得到的预测功率,通过本发明,可实现对风电场短期出力的准确预测。
Description
技术领域
本发明涉及风电场的功率预测与控制技术领域,特别是涉及一种风电场短期风功率预测系统及方法。
背景技术
风能是一种清洁无污染的可再生能源,利用风能带动风机旋转产生电能是一种有效的发电方式,尤其在当前环境问题受到日益严峻的挑战下,世界各国对新能源的开发越来越重视。近年来,随着科技的进步,风力发电在我国得到了持续快速的发展,截止目前,我国风电装机容量已超过7000万KW,风电并网容量突破5000万KW。随着电网和风力发电技术的发展,将有更多的风电并入电网。然而,风具有随机变化的特性,风电机组的输出功率与风速的三次方成正比,因此,风力发电机组输出具有较大的波动性和间歇性,大规模的风电并入电网将会对电网的电能质量和电网稳定性产生影响,尤其对电网运行调度的影响极其明显,风力发电的在电网中的极限穿透功率也因此受到了挑战。
然而,针对风力发电的波动性和间歇性给电网调度带来的问题,一套准确的风功率预测系统可以促进电力系统的可调度性以及电网功率平衡。一方面,通过对风电场输出功率的准确预测,电网调度部门可以根据风电场的出力以及负荷情况提前制定调度计划,有效分配火电,水电,等常规发电机组的功率输出,减少系统旋转备用容量,降低电力系统运行成本;另一方面,准确的风功率预测解决了电网对风电的担忧,从而可以提高风力发电在电力系统中的极限穿透功率。因此,对于风电场短期风功率预测的研究具有十分重要的意义。
国外对于风电场短期风功率预测早有研究,并且也做出实际的短期风功率预测系统,在部分风电场也得到了运用,效果也很明显。国内对于风电场短期功率预测系统也有一定的研究,但是大部分系统的预测准确度都还不高,而且系统相对复杂,可操作性差;将国外的风电预测系统用于国内风电场,又由于风电场条件的差异性,使得预测准确度降低,无法取得应有的效果。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种风电场短期风功率预测系统及方法,实现对风电场短期出力的准确预测。
为达上述及其它目的,本发明提出一种风电场短期风功率预测系统,至少包括:
预处理模组,获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率;
BP神经网络训练模组,包含BP神经网络,其将预处理后的历史预测功率与所得偏差功率接入该BP神经网络的输入端,并把预处理后的历史实际输出功率作为该BP神经网络的输出端对该BP神经网络进行训练;
预测模组,根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理;
最终预测功率获得模组,将该预处理模组计算获得的偏差功率与该预测模组预处理后的预测功率接入该BP神经网络训练模组训练后的BP神经网络的输入端,通过该BP神经网络的输出端输出最终期望得到的预测功率。
进一步地,该风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率,风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应。
进一步地,该预处理指的是剔除错误数据,该些错误数据是由于风机测风仪器故障、风机正常或非正常停机数据以及通信故障所引起的。
进一步地,该风电场具有自己独立的风功率预测系统,并且具有足够的稳定性,在该预测系统下有大量的历史数据。
进一步地,该同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统。
为达到上述目的,本发明还提供一种风电场短期风功率预测方法,包括如下步骤:
步骤一,获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率;
步骤二,将预处理后的历史预测功率与所得偏差功率接入BP神经网络的输入端,并把处理后的历史实际输出功率作为该BP神经网络的输出端对该BP神经网络进行训练;
步骤三,根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理;
步骤四,将步骤一计算获得的偏差功率与步骤三预处理后的预测功率接入经步骤二训练后的BP神经网络的输入端,通过该BP神经网络的输出端输出最终期望得到的预测功率。
进一步地,该风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率,风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应。
进一步地,该预处理指的是剔除错误数据,该些错误数据是由于风机测风仪器故障、风机正常或非正常停机数据以及通信故障所引起的。
进一步地,该风电场具有自己独立的风功率预测系统,并且具有足够的稳定性,在该预测系统下有大量的历史数据。
进一步地,该同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统。
与现有技术相比,本发明一种风电场短期风功率预测系统及方法通过BP神经网络的训练找到风电场历史预测数据与历史实际数据之间的关系规律,然后根据同一风功率预测系统预测当前风功率,得到预测功率,找到预测数据与实际数据之间的关系,从而实现准确预测,本发明所需数据易得,方法简单实用,可操作性强,尤其不需要改变原有风电场风功率预测系统,从而为风电场节约了成本,经济性好
附图说明
图1为本发明一种风电场短期风功率预测系统的系统架构图;
图2为本发明一种风电场短期风功率预测方法的步骤流程图;
图3为本发明一种风电场短期风功率预测方法之较佳实施例的BP神经网络训练流程图;
图4为本发明一种风电场短期风功率预测方法之较佳实施例的短期风功率预测流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种风电场短期风功率预测系统的系统架构图。如图1所示,本发明一种风电场短期风功率预测系统,至少包括:预处理模组101、BP神经网络训练模组102、预测模组103、最终预测功率获得模组104。
其中,预处理模组101用于获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率,在本发明较佳实施例中,风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率,风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应,需说明的是,历史数据应尽可能多,这样有助于BP(BackPropagation,反向传播)神经网络训练模组102的BP神经网络的训练,从而提高预测准确度。
BP神经网络训练模组102包含BP神经网络,其将预处理后的历史预测功率与所得偏差功率接入BP神经网络的输入端,并把处理后的历史实际功率作为BP神经网络的输出端对BP神经网络进行训练,这里的预处理指的是剔除错误数据,这些错误数据主要是由于风机测风仪器故障,风机正常或非正常停机数据,通信故障所引起的,通过预处理可以提高预测系统的精度和效率。
预测模组103根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理。这里同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统,这是预测精度得到保证的关键;若预测功率系统不相同,即当前风功率预测系统不同于历史风功率预测系统,那么本发明之预测系统的预测精度将大大降低。同样,这里的预处理也指的是剔除错误数据。
最终预测功率获得模组104将预处理模组101计算获得的偏差功率与预测模组103预处理后的预测功率接入BP神经网络训练模组102训练后的BP神经网络的输入端,通过BP神经网络的输出端输出最终期望得到的预测功率。
图2为本发明一种风电场短期风功率预测方法的步骤流程图。如图2所示,本发明一种风电场短期风功率预测方法,包括如下步骤:
步骤201,获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率。在本发明较佳实施例中,风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率,风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应,需说明的是,历史数据应尽可能多,这样有助于BP神经网络的训练,从而提高预测准确度。
步骤202,将预处理后的历史预测功率与所得偏差功率接入BP神经网络的输入端,并把处理后的历史实际功率作为BP神经网络的输出端对BP神经网络进行训练,这里的预处理指的是剔除错误数据,这些错误数据主要是由于风机测风仪器故障,风机正常或非正常停机数据,通信故障所引起的,通过预处理可以提高预测的精度和效。
步骤203,根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理。这里同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统,这是预测精度得到保证的关键。若预测功率系统不相同,即当前风功率预测系统不同于历史风功率预测系统,那么本发明之预测系统的预测精度将大大降低。同样,这里的预处理也指的是剔除错误数据。
步骤204,将步骤201计算获得的偏差功率与步骤203预处理后的预测功率接入经步骤202训练后的BP神经网络的输入端,通过BP神经网络的输出端输出最终期望得到的预测功率。
图3为本发明一种风电场短期风功率预测方法之较佳实施例的BP神经网络训练流程图,图4为本发明一种风电场短期风功率预测方法之较佳实施例的短期风功率预测流程图。如图3所示,BP神经网络的训练过程包括如下步骤:1)首先,从风电场SCADA监控系统中获取该风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率。其中,所获取的风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率;所获取的风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应;历史数据应尽可能多,这样有助于BP神经网络的训练,从而提高预测准确度。2)将预处理后的历史预测功率与所得偏差功率接入BP神经网络的输入端,并把处理后的历史实际功率作为BP神经网络的输出端对BP神经网络进行训练。所述预处理是指剔除错误数据,这些数据主要是由于风机测风仪器故障,风机正常或非正常停机数据,通信故障所引起的;通过预处理可以提高预测模型的精度和效率。
图4为本发明一种风电场短期风功率预测方法之较佳实施例的短期风功率预测流程图。如图4所示,短期风功率预测流程包括如下步骤:1)根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理。其中,所述同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统,这是预测精度得到保证的关键;若述预测功率系统不相同,即当前风功率预测系统不同于历史风功率预测系统,那么本模型的预测精度将大大降低;此处预处理也是指剔除错误数据。2)将图3中所得偏差功率和步骤1)中所得处理后的预测功率接入到经图3训练后的BP神经网络的输入端,此时BP神经网络的输出端数据即为最终期望得到的预测功率。
本发明关键是发现了风电场历史预测数据与历史实际数据之间的关系,通过BP神经网络的训练最终找到两者数据之间的关系规律。风存在波动性和间歇性,输出风功率也随之变化,具有不确定性,很难找到其规律性。然而,通过对历史数据的分析,可以发现预测数据与实际数据间存在某种关系,并通过本发明可以找到预测数据与实际数据之间的这种关系,从而实现准确预测。本发明需要风电场有自己独立的风功率预测系统,并且具有足够的稳定性,在该预测系统下有大量的历史数据,这样有利于BP神经网络的训练,从而找到最符合预测数据与实际数据间的关系规律。也正因为这一点,风电场无需对原有风功率预测系统做任何变更,加上本发明简单实用,从而为风电场节约了成本,经济性好。
综上所述,本发明一种风电场短期风功率预测系统及方法通过BP神经网络的训练找到风电场历史预测数据与历史实际数据之间的关系规律,然后根据同一风功率预测系统预测当前风功率,得到预测功率,找到预测数据与实际数据之间的关系,从而实现准确预测,本发明所需数据易得,方法简单实用,可操作性强,尤其不需要改变原有风电场风功率预测系统,从而为风电场节约了成本,经济性好。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种风电场短期风功率预测系统,至少包括:
预处理模组,获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率;
BP神经网络训练模组,包含BP神经网络,其将预处理后的历史预测功率与所得偏差功率接入该BP神经网络的输入端,并把预处理后的历史实际输出功率作为该BP神经网络的输出端对该BP神经网络进行训练;
预测模组,根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理;
最终预测功率获得模组,将该预处理模组计算获得的偏差功率与该预测模组预处理后的预测功率接入该BP神经网络训练模组训练后的BP神经网络的输入端,通过该BP神经网络的输出端输出最终期望得到的预测功率。
2.如权利要求1所述的一种风电场短期风功率预测系统,其特征在于:该风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率,风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应。
3.如权利要求1所述的一种风电场短期风功率预测系统,其特征在于:该预处理指的是剔除错误数据,该些错误数据是由于风机测风仪器故障、风机正常或非正常停机数据以及通信故障所引起的。
4.如权利要求1所述的一种风电场短期风功率预测系统,其特征在于:该风电场具有自己独立的风功率预测系统,并且具有足够的稳定性,在该预测系统下有大量的历史数据。
5.如权利要求4所述的一种风电场短期风功率预测系统,其特征在于:该同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统。
6.一种风电场短期风功率预测方法,包括如下步骤:
步骤一,获取风电场历史预测功率及对应的历史实际输出功率,并进行预处理,同时通过计算得出两者间的偏差功率;
步骤二,将预处理后的历史预测功率与所得偏差功率接入BP神经网络的输入端,并把处理后的历史实际输出功率作为该BP神经网络的输出端对该BP神经网络进行训练;
步骤三,根据同一风功率预测系统预测当前风功率,得到预测功率,并进行预处理;
步骤四,将步骤一计算获得的偏差功率与步骤三预处理后的预测功率接入经步骤二训练后的BP神经网络的输入端,通过该BP神经网络的输出端输出最终期望得到的预测功率。
7.如权利要求6所述的一种风电场短期风功率预测方法,其特征在于:该风电场历史预测功率是指由该风电场的原有风功率预测系统在过去长时间内的所有预测功率,风电场历史实际输出功率是指在过去长时间内从该风电场的SCADA监控系统中获得的风电场实际输出功率,且该实际输出功率与历史预测功率相对应。
8.如权利要求6所述的一种风电场短期风功率预测方法,其特征在于:该预处理指的是剔除错误数据,该些错误数据是由于风机测风仪器故障、风机正常或非正常停机数据以及通信故障所引起的。
9.如权利要求6所述的一种风电场短期风功率预测方法,其特征在于:该风电场具有自己独立的风功率预测系统,并且具有足够的稳定性,在该预测系统下有大量的历史数据。
10.如权利要求9所述的一种风电场短期风功率预测方法,其特征在于:该同一风功率预测系统是指该风电场一直沿用的,与获取历史预测功率相同的风功率预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013104293399A CN103473618A (zh) | 2013-09-18 | 2013-09-18 | 一种风电场短期风功率预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013104293399A CN103473618A (zh) | 2013-09-18 | 2013-09-18 | 一种风电场短期风功率预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103473618A true CN103473618A (zh) | 2013-12-25 |
Family
ID=49798461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013104293399A Pending CN103473618A (zh) | 2013-09-18 | 2013-09-18 | 一种风电场短期风功率预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473618A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
CN103810540A (zh) * | 2014-03-03 | 2014-05-21 | 国家电网公司 | 新能源有功出力预测方法、装置及系统 |
CN104636823A (zh) * | 2015-01-23 | 2015-05-20 | 中国农业大学 | 一种风电功率预测方法 |
CN108205110A (zh) * | 2016-12-20 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机组发电机故障的检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
-
2013
- 2013-09-18 CN CN2013104293399A patent/CN103473618A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103001249A (zh) * | 2012-11-15 | 2013-03-27 | 中国电力科学研究院 | 基于bp神经网络的风电场短期功率预测方法 |
Non-Patent Citations (2)
Title |
---|
杨志凌: "风电场功率短期预测方法优化的研究", 《中国优秀博士学位论文全文数据库 工程科技II辑》 * |
蔡祯祺: "基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
CN103810540A (zh) * | 2014-03-03 | 2014-05-21 | 国家电网公司 | 新能源有功出力预测方法、装置及系统 |
CN104636823A (zh) * | 2015-01-23 | 2015-05-20 | 中国农业大学 | 一种风电功率预测方法 |
CN104636823B (zh) * | 2015-01-23 | 2018-02-16 | 中国农业大学 | 一种风电功率预测方法 |
CN108205110A (zh) * | 2016-12-20 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机组发电机故障的检测方法及装置 |
CN108205110B (zh) * | 2016-12-20 | 2021-01-26 | 北京金风科创风电设备有限公司 | 风力发电机组发电机故障的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016037303A1 (zh) | 一种新能源发电在线接纳能力评估方法 | |
CN103997039B (zh) | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 | |
CN104124685A (zh) | 基于样板风机法的风电场理论功率计算方法 | |
CN103473618A (zh) | 一种风电场短期风功率预测系统及方法 | |
CN103578047A (zh) | 一种电力系统源-网-荷互动控制方法 | |
CN115882523A (zh) | 含分布式储能的电力系统优化运行方法、系统及设备 | |
CN104239979B (zh) | 一种风电场发电功率超短期预测方法 | |
Pruckner et al. | A study on the impact of packet loss and latency on real-time demand response in smart grid | |
Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
CN206820478U (zh) | 基于风电不确定出力的风电调控系统 | |
Tianqi et al. | Optimal scheduling of virtual power plants that ignore the cost of battery loss | |
Cheng et al. | The power system multi-objective optimization dispatching containing virtual power plant | |
Yang et al. | Research on the reliability and capacity allocation of wind power-solar power-pumped storage hybrid power system | |
Shan et al. | [Retracted] Modeling and Control of Wind Speed in Renewable Energy Power Generation and Wind Power Generation Systems | |
Yang et al. | An integrated generation-demand response scheduling model on supporting high penetration of renewable energy generation | |
CN203617787U (zh) | 一种功率调度系统 | |
Li et al. | Low carbon unit commitment for power system with wind farms and carbon capture devices based on DE-BBO algorithm | |
Matsuo et al. | Grid-connected electric-power control algorithm for promoting the introduction of renewable energy | |
CN105182749A (zh) | 基于马尔科夫决策过程的变流器统一控制策略的方法 | |
Yu et al. | Summary of research on power forecasting technology of new energy generation | |
CN115169734B (zh) | 一种基于物联网的风力发电预测系统及方法 | |
CN103280823A (zh) | 基于移动储能设备的电网实时自动调度策略 | |
CN103794040A (zh) | 带计量功能的采集器 | |
Rong et al. | Research on equivalent modeling method of wind farm considering wind speed correlation based on Mixed-Copula | |
Ma et al. | A Comparative Study of Photovoltaic Power Prediction Model with Different Inputs by Long Short-Term Memory Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131225 |
|
RJ01 | Rejection of invention patent application after publication |