CN103679298A - 风电场短期功率预测精度的评价方法 - Google Patents

Abstract

本发明提供了一种风电场短期功率预测精度的评价方法，包括以下步骤：A、采集风场实测数据；B、根据风场实测数据计算风电场功率实际预测误差和理想预测误差；C、比较所述实际预测误差和所述理想预测误差，根据比较结果评价风电场短期功率预测精度。以通过计算并比较风电场短期功率预测误差解析出影响短期功率预测的因素，进而为短期功率预测调整提供依据，以确保风电场短期功率预测的精度。

Description

风电场短期功率预测精度的评价方法

技术领域

本发明涉及风电场短期功率预测的技术领域，特别是指一种风电场短期功率预测精度的评价方法。

背景技术

在煤炭、石油等常规能源逐渐枯竭和环境问题日益严重的背景下，风力发电作为目前可再生能源中最成熟、最具有规模化开发条件和商业化发展前景的发电技术，得到国家的高度重视和大力扶持，并于近几年获得了快速的发展。

随着风电技术的快速发展，大型风电场的并网运行对电力系统的影响也越来越显著。此外，我国风能资源丰富的地区一般人口稀少，负荷量小，电网结构相对薄弱。风能具有的随机性、间歇性和不可控性的特点以及在实际运行中多数风电具有的反调峰特性，使得风电场发电的变化趋势难以预测，造成电网运行调度的困难和复杂化，对电网的安全稳定运行造成了很大影响，这已成为制约风电大规模接入的关键技术问题。为了能在保障电网安全稳定运行的前提下尽可能规模化接纳风电，有必要在电网调度中心和风电场均建设风电功率预测系统，以对风电场发电变化趋势进行准确预测，实现风水火电的联合优化，从而降低备用容量和运行成本，最终达到风电运行可控化的目标。

然而，现有风电场短期功率预测方法所使用的预测策略和预测模型容易受到地形地势和气象变化的影响，从而影响到预测精度。

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精度的评价方法，通过计算并比较风电场短期功率预测误差解析出影响短期功率预测的因素，进而为短期功率预测调整提供依据，以确保风电场短期功率预测的精度。

本发明提供了一种风电场短期功率预测精度的评价方法，包括以下步骤：

A、采集风场实测数据；

B、根据风场实测数据计算风电场功率实际预测误差和理想预测误差；

C、比较所述实际预测误差和所述理想预测误差，根据比较结果评价风电场短期功率预测精度。

在上述的方法中，所述步骤A包括：

根据需要采集指定日期内的包括测风塔实测风速、风向和温度，以及风场平均风速、风场总功率和风机实际功率的风场实测数据。

在上述的方法中，所述步骤B包括：

将通过风场模型作出的风场短期功率预测值与实测得到的风场总功率按照时间顺序一一对应，并计算二者的均方根误差，由此得到基于上述风场模型作出的风场短期功率实际预测误差；

将实测风速带入上述风场模型获得理想预测功率，之后将该理想预测功率与实测得到的风场总功率按照时间顺序一一对应，并计算二者的均方根误差，由此得到基于上述风场模型作出的风场短期功率理想预测误差；

在上述的方法中，所述步骤B包括：

计算基于风机模型作出的风场短期功率预测与实测的各台风机功率之和之间的均方根误差，由此得到基于上述风机模型作出的风场短期功率实际预测误差；

计算由上述风机模型求出的理想风机功率与风机实际功率之间的均方根误差，由此得到基于上述风机模型作出的风场短期功率理想预测误差。

在上述的方法中，所述风场模型为利用神经网络方法建立的反映实测风速、风向、温度与风场总功率关系的模型；

所述风机模型为利用神经网络方法建立的反映实测风速、风向、温度与每台风机功率关系的模型。

由上可以看出，通过计算并比较风电场短期功率预测误差与理想误差，解析出影响短期功率预测的因素，进而可及时且能够集中精力优化相应的模型，并未进一步的功率预测模型调整提供依据，以确保风电场短期功率预测的精度。

附图说明

图1为本发明方法所基于的风电场短期功率建模和预测方法的流程图；

图2为本发明风电场短期功率预测精度的评价方法流程图。

具体实施方式

最后，在介绍上述风电场短期功率预测精度的评价方法之前，有必要对该评价方法所基于的风电场短期功率建模和预测方法进行说明，以帮助理解本发明方法的实现原理。如图1所示，这里提到的风电场短期功率建模和预测方法主要包括以下步骤：

步骤101：为待建风电场短期功率预测模型进行建模前的数据准备，具体包括：

a)搜集数据

在本步骤中，对本风电场近一年的数据进行采样，其中，采样周期为15分钟，而所述数据包括：

历史实测数据，主要为风机风速、功率、环境温度、风场平均风速、关口功率、测风塔风速、风向、温度；

历史气象预报数据，主要为与历史实测数据的采样时间段所对应的历史气象预报风速、风向、温度等数据。

b)过滤数据

在本步骤中，过滤掉上述数据中的气象数据的无效数据，过滤原则如下：

过滤掉风速小于0或大于50以及实际温度小于-50℃大于80℃的数据记录；

删除风速没有变化的连续三个数据。

c)检验数据的同步性

在本步骤中，利用标准数据（例如测风塔数据）检测来自风电场中各台风机的历史实测数据的同步性。具体操作方法以风速数据为例：将测风塔测得的风速与从风机处实测的风速按照时间点对齐，然后计算这两种风速之间的线性相关度：如果这两种风速的线性相关度在0.8以上，则视为正常；否则剔除掉同步性异常的数据。

d)选出建模数据

在本步骤中，绘制风场中每台风机的功率曲线散点图，并将其与每台风机的标准功率曲线进行比较，如果功率曲线散点图有明显问题，例如过于发散、分叉等，则需要进一步绘制风场中每台风机在不同风速段下的功率/时间分布图，例如风机在5.5～6.5m/s风速段下的功率/时间分布图，以此判断风机的功率特性是否存在时间点上的突变。同理还可以绘制风机在4.5～5.5m/s……10.5～11.5m/s风速段下的功率/时间分布图，并结合上述功率曲线散点图选择时间最近的、风机功率特性较为稳定的时间段内的功率数据作为风电场短期功率预测模型的建模数据。

步骤102：修正气象预报数据。

在本步骤中，利用统计模型（气象修正模型）来修正存在系统偏差的气象预报数据。需要修正的气象预报数据包括：风速、风向、温度等。而用于修正气象预报数据的实测气象数据如上所述包括测风塔实测风速、风向、温度以及风场平均风速和温度。

上述统计模型包括风速订正模型、风向订正模型和温度订正模型。其中：

风速修订模型使用实际风速订正预测风速，以使实际风速与预测风速间的均方根误差最小。通常可使用线性或非线性的统计方法建立风速修订模型，例如最小二乘法、多项式法、神经网络方法等。

风向订正模型使用实际风向订正预报风向。由于风向具有周期性，即0°与359°及其与1°的距离是相同的，因此风向订正的目标为： $\mathrm{DMAE}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\min \left(\right|{\hat{v}}_i+m-v_i|,360-|{\hat{v}}_i+m-v_i\left|\right)$

其中N为数据记录数量，v_i表示实测风向，

是与v_i对应的预报风向，m为风向修正值，DMAE表示预报值与实际值的偏差，调整m寻找DMAE的最小值，便可得到m的最优解。

温度订正模型使用实际温度订正预报温度，目标是使实际温度与预报温度的均方根误差最小。由于预报温度与实际温度之间线性度较高，通常使用线性统计方法建立温度订正模型。具体建立过程为公知技术，在此不再赘述。

上述模型的建模数据的产生如下：将历史实测数据与气象预报数据按照时间对齐，每一时刻的数据组称为一个数据记录。

步骤103：建立功率预测模型，并根据该模型预测风场功率。

功率预测模型的作用使将风速经过功率模型转化为风场总功率，而功率预测模型包括风机模型和风场模型。

由于气象数据与功率的关系是非线性的，因此需要使用如神经网络方法等非线性方法建立风机、风场模型。

例如，利用神经网络方法建立反映实测风速、风向、温度与每台风机功率关系的风机模型，之后将各风机模型计算出的功率相加便得到整个风场的功率。又例如，利用神经网络方法建立反映实测风速、风向、温度与风场总功率关系的风场模型。这里的风场概念不一定与实际风场概念相同，如果实际风场规模比较大，将会按照一定原则将实际风场分为几个区域来建立风场模型，从而获得更高的预报精度。利用神经网络方法建立风机、风场模型的方法为本领域公知技术，在此不再赘述。

上述风机模型、风场模型的建模数据的产生如下：对于风机模型而言，将历史测风塔数据与风机数据按照时间对齐，并把实测功率中的异常点去除；对于风场模型，将历史测风塔数据与风场数据按照时间对齐，并把实测功率中的异常点去除。去除异常数据的原则如下：

1）将功率归一化：具体地，对于风机模型而言，将风机功率除以该风机机型的额定功率；对于风场模型而言，将风场功率除以风场装机容量，然后去除归一功率小于-0.1大于1.5的功率；

2）去除风速大于5m/s，归一功率小于0.2的数据点。

最后，由于实际每天的预报结果通常分为多个时次，因此系统要不断的检查最新的气象预报数据是否产生，一旦产生就可以将修正过的气象预报数据导入风机或风场模型中，由此得到风场预测功率值。

下面参照图2，详细介绍风电场短期功率预测精度的评价方法包括以下步骤：

步骤201：采集风场实测数据。

在本步骤中，可根据需要采集指定日期内的风场实测数据。这里所述的风场实测数据包括测风塔实测风速、风向和温度，以及风场平均风速、风场总功率和各台风机功率。

步骤202：根据风场实测数据计算风电场功率预测误差指标，具体包括：

计算实际预测误差指标，其中：

基于上述风场模型作出的风场短期功率实际预测的误差的计算具体为：将通过风场模型作出的风场短期功率预测值与实测得到的风场总功率按照时间对齐（即按照时间顺序一一对应），并计算二者的均方根误差，由此得到基于上述风场模型作出的风场短期功率实际预测的误差。

基于上述风机模型作出的风场短期功率实际预测的误差的计算具体为：计算基于上述风机模型作出的风场短期功率预测与实测的各台风机功率之和之间的均方根误差，由此得到基于上述风机模型作出的风场短期功率实际预测的误差。

计算理想预测误差指标，其中：

基于上述风场模型作出的风场短期功率理想预测的误差的计算具体为：将实际风速（测风塔实测风速或风场平均风速）带入上述功率预测模型（风场模型）获得理想预测功率，之后将该理想预测功率与实测得到的风场总功率按照时间对齐（即按照时间顺序一一对应），并计算二者的均方根误差。

基于上述风机模型作出的风场短期功率理想预测的误差的计算具体为：计算由风机模型求出的理想风机功率（理想风机预测功率）与实际风机功率（步骤201中实测得出）之间的均方根误差。

步骤203：比较所述实际预测误差和所述理想预测误差，根据比较结果评价风电场短期功率预测精度。

由上可以看出，实际预测误差指标反映了功率预测模型的实际预测情况。而通过将实测风速值（完全准确的、能够反映实际风速的风速值）带入功率预测模型而得到的理想预测误差能够反映出功率预测模型的精度。一般情况下，理想预测误差会小于实际预测误差，这是因为气象预报数据与气象实测数据之间以及风机模型求出的理想风机功率与实测的风机功率之间存在差异，因此，实际预测误差与理想预测误差的差值能够反映出诸如气象修正模型中的风速订正模型以及风机模型等模型的精度。也就是说，根据上述这两个误差指标，可以判断出误差的主要来源，进而可及时且能够集中精力优化相应的模型，并为进一步的模型调整提供依据。

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 (5)

1.一种风电场短期功率预测精度的评价方法，其特征在于，包括以下步骤：

A、采集风场实测数据；

B、根据风场实测数据计算风电场功率实际预测误差和理想预测误差；

C、比较所述实际预测误差和所述理想预测误差，根据比较结果评价风电场短期功率预测精度。

2.根据权利要求1所述的方法，其特征在于，所述步骤A包括：

根据需要采集指定日期内的包括测风塔实测风速、风向和温度，以及风场平均风速、风场总功率和风机实际功率的风场实测数据。

3.根据权利要求1所述的方法，其特征在于，所述步骤B包括：

将通过风场模型作出的风场短期功率预测值与实测得到的风场总功率按照时间顺序一一对应，并计算二者的均方根误差，由此得到基于上述风场模型作出的风场短期功率实际预测误差；

将实测风速带入上述风场模型获得理想预测功率，之后将该理想预测功率与实测得到的风场总功率按照时间顺序一一对应，并计算二者的均方根误差，由此得到基于上述风场模型作出的风场短期功率理想预测误差。

4.根据权利要求1所述的方法，其特征在于，所述步骤B包括：

计算基于风机模型作出的风场短期功率预测与实测的各台风机功率之和之间的均方根误差，由此得到基于上述风机模型作出的风场短期功率实际预测误差；

计算由上述风机模型求出的理想风机功率与风机实际功率之间的均方根误差，由此得到基于上述风机模型作出的风场短期功率理想预测误差。

5.根据权利要求3或4所述的方法，其特征在于，

所述风场模型为利用神经网络方法建立的反映实测风速、风向、温度与风场总功率关系的模型；

所述风机模型为利用神经网络方法建立的反映实测风速、风向、温度与每台风机功率关系的模型。

Images