CN103745274A - 一种用于分散式风电的短期功率预测方法 - Google Patents

Abstract

本发明公开了属于风电场技术领域的一种用于分散式风电的短期功率预测方法。该预测方法为：1）采集指定区域内风电场功率预测所需数据；2）根据各个风电场输出功率之间的相关性将风电场分组；3）选定每组代表风电场建立实时测风塔；4）根据风向频率分布划分风向扇区，建立代表各个扇区的风电场功率预测模型，计算出每个扇区内代表风电场的功率预测结果；5）建立外推模型，由代表风电场的功率预测结果推算非代表风电场短期输出功率。本发明中采用相关性分组建模和分扇区建模代替单一预测模型，降低建模时间；采用外推预测方法外推出非代表风电场短期输出功率，避免相似类型风电场功率预测重复计算，大幅度提高预测效率，有利于电网实时调度。

Description

一种用于分散式风电的短期功率预测方法

技术领域

本发明属于风电场技术领域，尤其涉及一种用于分散式风电的短期功率预测方法。

背景技术

分散式风电是指位于用电负荷中心附近，不以大规模远距离输送电力为目的，所产生的电力就近接入电网，并在当地消纳的风电项目。2011年底，国家能源局下发了《分散式接入风电项目开发建设指导意见》（国能新能【2011】374号），清晰表明了国家鼓励风电分散式开发的态度。分散式风电接入电网运行将成为后续风电接入的另一种主流接入方式。

在偏远的负荷突然增长地区，就地安装分散式风电可以避免大量的输配电设备扩容费用；对于用电压力大的负荷中心区域，可以缓解用电压力，延缓电网的扩建或者改建，节约输配电线路的投资；通过合理优化分散式风电的接入位置和接入容量，可以明显降低电网线路损耗，改善电网末端的电能质量；相对于大规模集中式风电开发模式，分散式风电对电网的影响较小。

现有风电功率预测方法主要针对大规模集中式风电场，鲜有针对分散式风电场的功率预测方法。随着分散式风电接入电网配额大幅度提升，以及国家对分散式风电集中开展功率预测工作的鼓励，迫切需要建立一种适用于复杂地形、计算高效、准确度高的用于分散式风电场的短期功率预测方法。目前现有方法存在如下问题：

1）现有方法多采用测风塔处NWP结果映射整个风电场出力，在风电场地域辽阔、地形复杂或风电机组分布较为分散的情况下，测风塔位置的代表性降低，影响预测精度。

2）现多采用单一模型，无法适用于情况较为复杂的地区。例如，气候、地形、尾流、机组类型等因素均对风电场出力特性影响很大，单一模型无法涵盖各种因素的影响，导致预测结果准确性较低。

3）计算效率亟待进一步提高，以满足实时调度的需求。NWP（数值天气预报）计算和CFD计算较为耗时，且模型建立具有难度，对人员及设备要求高。尤其针对情况复杂的分散式风电场，效率与精度的矛盾更为突显。

发明内容

针对上述现有技术存在的问题，本发明提一种用于分散式风电的短期功率预测方法，其特征在于，该预测方法的具体步骤为：

步骤1）：采集指定区域内风电场功率预测所需数据；

步骤2）：根据各个风电场输出功率之间的相关性将区域内风电场分组；

步骤3）：依据风电场天气和地形特点选定每组代表风电场，并在代表风电场建立实时测风塔；

步骤4）：根据风向频率分布划分风向扇区，建立代表风电场各个扇区的风电场功率预测模型，计算出每个扇区内代表风电场的功率预测结果；

步骤5）：根据代表风电场输出功率与同组其他风电场输出功率关系建立外推模型，由代表风电场的功率预测结果推算预测非代表风电场短期输出功率。

所述步骤1）中所需数据包括：风电场输出功率、风电场测风数据、数值天气预报数据、风电场地形信息、机组坐标和海拔信息。

所述步骤2）的具体步骤为：

21）根据步骤1）中提取的风电场输出功率数据，计算指定区域内各风电场之间的相关性，公式如下：

$r=\frac{{\mathrm{\Σ}}_{i=1}^n[(P_{1i}-\stackrel{\‾}{P_1})\×(P_{2i}-\stackrel{\‾}{P_2})]}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(P_{1i}-\stackrel{\‾}{P_1})}^2}\×{(P_{2i}-\stackrel{\‾}{P_2})}^2}$

其中，P_1i和P_2i分别为两个风电场输出功率的时间序列；

和

分别为两个风电场输出功率样本均值；n表示时间序列的最大值；

22）以步骤21）所得的功率相关性结果作为分组模型的输入参量，将相关性高于设定值的风电场分为一组。

所述步骤3）的具体步骤为：

31）考虑对风电场的影响因素，为步骤2）中划分的各组风电场选定代表性因素；

32）根据步骤31）选定的代表性因素，为步骤2）中划分的各组风电场选择各自的代表风电场；

33）在代表风电场树立实时测风塔，为后续数值天气预报的修正、预测模型调整提供原始数据。

所述步骤31）中影响因素包括主导风向、海拔位置、地形，若风电场位于空旷地带，选取主导风向为代表性因素；若风电场地形复杂，或易受到其他风电场尾流影响，选取海拔位置为代表性因素。

所述步骤32）中当代表性因素为主导风向时，选取在主导风向上的风电场为代表风电场；当代表性因素为海拔时，选取海拔最高的风电场为代表风电场。

所述步骤4）的具体步骤为：

41）根据风向频率分布，将风向平均划分为m个扇区；其中，主导风向越明显则m越小，反之m越大；

42）分别为m个扇区建立代表风电场功率的预测模型，每个扇区采用不同的统计算法训练建模。

所述步骤42）中的预测模型以数值天气预报作为模型输入，同期的风电场输出功率为训练目标；在测试阶段，根据预测均方根误差确定每个扇区最合适的预测模型。

所述步骤5）的具体步骤为：

51）采用智能算法建立代表风电场与非代表风电场之间输出功率的外推模型；

52）结合步骤4）中的代表风电场短期功率预测结果，和步骤51）中得到的外推模型，计算非代表性风电场短期功率预测结果。

所述步骤51）中智能算法包括：相关性分析方法BP神经网络或支持向量机。

本发明的有益效果：

（1）综合考虑影响分散式风电场诸多因素，如：来流风向、尾流损失、风电机组选型、复杂地形等，提高功率预测对复杂风况的适应性；

（2）分扇区进行功率预测，为各个扇区分别建立模型代替单一模型方法，提高模型适应性和计算准确性，且在保证预测精度的前提下，大大降低建模时间；

（3）选取代表风电场，以代表性风电场结果外推相关性高的非代表性风电场结果，能够避免相似类型风电场功率预测重复计算，大幅度提高预测效率，有利于电网实时调度。

附图说明

图1为分散式风电的短期预测方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

如图1所示为分散式风电的短期预测方法流程图；该方法是针对于分散式风电场机组数目较少、风电场之间距离较近、所处地形较为复杂等特点，提出的一种适应性强、计算效率高、操作简便、准确的短期功率预测方法。

该预测方法的具体步骤为：

步骤1）：采集指定区域内风电场功率预测所需数据。

所需数据包括：风电场输出功率、风电场测风数据、数值天气预报数据、风电场地形信息、机组坐标和海拔信息等。

步骤2）：根据各个风电场输出功率之间的相关性将区域内风电场分组。

步骤2）的具体步骤为：

21）根据步骤1）中提取的风电场输出功率数据，计算指定区域内各风电场之间的相关性，公式如下：

$r=\frac{{\mathrm{\Σ}}_{i=1}^n[(P_{1i}-\stackrel{\‾}{P_1})\×(P_{2i}-\stackrel{\‾}{P_2})]}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(P_{1i}-\stackrel{\‾}{P_1})}^2}\×{(P_{2i}-\stackrel{\‾}{P_2})}^2}$

其中，P_1i和P_2i分别为两个风电场输出功率的时间序列；

和

分别为两个风电场输出功率样本均值；n表示时间序列的最大值；

22）以步骤21）所得的功率相关性结果作为分组模型的输入参量，将相关性高于设定值的风电场分为一组。

根据输出功率相关性进行风电场分组，一方面更有针对性地建立功率预测模型，提高预测精度；另一方面，有效剔除模型冗余，提高计算效率。

步骤3）：依据风电场天气和地形特点选定每组代表风电场，并在代表风电场建立实时测风塔。

所述步骤3）的具体步骤为：

31）考虑对风电场的影响因素，为步骤2）中划分的各组风电场选定代表性因素；影响因素包括主导风向、海拔位置、地形等，若风电场位于空旷地带，选取主导风向为代表性因素；若风电场地形复杂，或易受到其他风电场尾流影响，选取海拔位置为代表性因素。

32）根据步骤31）选定的代表性因素，为步骤2）中划分的各组风电场选择各自的代表风电场。当代表性因素为主导风向时，选取在主导风向上的风电场为代表风电场；当代表性因素为海拔时，选取海拔最高的风电场为代表风电场。

33）在代表风电场树立实时测风塔，为后续数值天气预报的修正、预测模型调整提供原始数据。只在代表性最强的风电场建立测风塔，节约成本。

步骤4）：根据风向频率分布划分风向扇区，建立代表风电场各个扇区的风电场功率预测模型，计算出每个扇区内代表风电场的功率预测结果。

所述步骤4）的具体步骤为：

41）根据风向频率分布，将风向平均划分为m个扇区；其中，主导风向越明显则m越小，反之m越大；

42）分别为m个扇区建立代表风电场功率的预测模型，每个扇区采用不同的统计算法训练建模。在模型训练阶段，以数值天气预报作为模型输入，同期的风电场输出功率为训练目标，建立代表风电场功率预测模型。在测试阶段，根据预测均方根误差确定每个扇区最合适的预测模型。

步骤5）：根据代表风电场输出功率与同组其他风电场输出功率关系建立外推模型，由代表风电场的功率预测结果推算预测非代表风电场短期输出功率。

所述步骤5）的具体步骤为：

51）采用智能算法建立代表风电场与非代表风电场之间输出功率的映射模型，即外推模型；智能算法包括：BP神经网络或支持向量机。

在此以相关性分析方法为例介绍建模过程，但并不限于此算法。具体步骤如下：在模型训练阶段，以代表风电场输出功率为模型输入，非代表风电场输出功率为训练目标。可得外推公式P_non,i=f(P_r)，其中P_r为某组代表风电场输出功率；P_non,i为同组第i个非代表风电场输出功率。

52）结合步骤4）中的代表风电场短期功率预测结果，和步骤51）中得到的外推模型，计算非代表性风电场短期功率预测结果。

实施例

假设有5个风电场A、B、C、D、E。分别计算5个风电场的输出功率相关性。相关性计算结果见表1。

表1风电场输出功率相关性计算结果

风电场	A	B	C	D	E
						A	1	0.95	0.89	0.45	0.24
B		1	0.92	0.51	0.17
						C			1	0.37	0.32
D				1	0.85
						E					1

假定A、B、C三个风电场输出功率的相关性较好，分为第一组，D、E两个风电场相关性较好，分为第二组。

在第一组风电场中，主导风向明显（即主导风向角风频之和应大于等于30%）为西北风向，且A风电场占据主导风向位置，则选取A为代表性风电场。第二组中，D和E位于ABC风电场下游，且地形复杂，选取海拔位置为代表性因素，D、E风电场平均海拔高度分别为1000米、800米，故选择更高的D风电场为代表性风电场。

由风向（风能）玫瑰图可知，将360°风向平均分为8个扇区。具体对应风向区间为：1扇区：-22.5°～22.5°，2扇区：22.5°～67.5°，3扇区：67.5°～112.5°，4扇区：112.5°～157.5°，5扇区：157.5°～202.5°，6扇区：202.5°～247.5°，7扇区：247.5°～292.5°，8扇区：292.5°～337.5°。

针对8个扇区分别建模，测试不同的统计算法，调整模型参数，最终确定适合各自组别和扇区特点的预测模型，模型选取结果如表2所示。

表2预测模型选取结果

	1组	2组
			扇区1	BP神经网络	RBF神经网络
扇区2	支持向量机	BP神经网络
			扇区3	BP神经网络	RBF神经网络
扇区4	RBF神经网络	RBF神经网络
			扇区5	RBF神经网络	支持向量机
扇区6	支持向量机	BP神经网络
			扇区7	RBF神经网络	支持向量机

扇区8

支持向量机

RBF神经网络

应用上述模型，计算出每个扇区内代表风电场短期功率预测结果。第一组中，结果为A1、A2、A3、A4、A5、A6、A7、A8；第二组，同理。

第一组中，代表风电场A与非代表风电场B、C之间外推模型为β、γ。第二组，同理。

第一组，B风电场，结果为β×（A1、A2、A3、A4、A5、A6、A7、A8），即得出B1、B2、B3、B4、B5、B6、B7、B8；C风电场，结果为γ×（A1、A2、A3、A4、A5、A6、A7、A8），即得到C1、C2、C3、C4、C5、C6、C7、C8。其中“×”为带入模型计算，非单纯数值乘法。第二组，同理。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种用于分散式风电的短期功率预测方法，其特征在于，该预测方法的具体步骤为：

步骤1）：采集指定区域内风电场功率预测所需数据；

步骤2）：根据各个风电场输出功率之间的相关性将区域内风电场分组；

步骤3）：依据风电场天气和地形特点选定每组代表风电场，并在代表风电场建立实时测风塔；

步骤4）：根据风向频率分布划分风向扇区，建立代表风电场各个扇区的风电场功率预测模型，计算出每个扇区内代表风电场的功率预测结果；

步骤5）：根据代表风电场输出功率与同组其他风电场输出功率关系建立外推模型，由代表风电场的功率预测结果推算预测非代表风电场短期输出功率。

2.根据权利要求1所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤1）中所需数据包括：风电场输出功率、风电场测风数据、数值天气预报数据、风电场地形信息、机组坐标和海拔信息。

3.根据权利要求1所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤2）的具体步骤为：

21）根据步骤1）中提取的风电场输出功率数据，计算指定区域内各风电场之间的相关性，公式如下：

$r=\frac{{\mathrm{\Σ}}_{i=1}^n[(P_{1i}-\stackrel{\‾}{P_1})\×(P_{2i}-\stackrel{\‾}{P_2})]}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(P_{1i}-\stackrel{\‾}{P_1})}^2}\×{(P_{2i}-\stackrel{\‾}{P_2})}^2}$

其中，P_1i和P_2i分别为两个风电场输出功率的时间序列；

和分别为两个风电场输出功率样本均值；n表示时间序列的最大值；

22）以步骤21）所得的功率相关性结果作为分组模型的输入参量，将相关性高于设定值的风电场分为一组。

4.根据权利要求1所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤3）的具体步骤为：

31）考虑对风电场的影响因素，为步骤2）中划分的各组风电场选定代表性因素；

32）根据步骤31）选定的代表性因素，为步骤2）中划分的各组风电场选择各自的代表风电场；

33）在代表风电场树立实时测风塔，为后续数值天气预报的修正、预测模型调整及超短期预测提供原始数据。

5.根据权利要求4所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤31）中影响因素包括主导风向、海拔位置、地形，若风电场位于空旷地带，选取主导风向为代表性因素；若风电场地形复杂，或易受到其他风电场尾流影响，选取海拔位置为代表性因素。

6.根据权利要求4所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤32）中当代表性因素为主导风向时，选取在主导风向上的风电场为代表风电场；当代表性因素为海拔时，选取海拔最高的风电场为代表风电场。

7.根据权利要求1所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤4）的具体步骤为：

41）根据风向频率分布，将风向平均划分为m个扇区；其中，主导风向越明显则m越小，反之m越大；

42）分别为m个扇区建立代表风电场功率的预测模型，每个扇区采用不同的统计算法训练建模。

8.根据权利要求7所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤42）中的预测模型以数值天气预报作为模型输入，同期的风电场输出功率为训练目标；在测试阶段，根据预测均方根误差确定每个扇区最合适的预测模型。

9.根据权利要求1所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤5）的具体步骤为：

51）采用智能算法建立代表风电场与非代表风电场之间输出功率的外推模型；

52）结合步骤4）中的代表风电场短期功率预测结果，和步骤51）中得到的外推模型，计算非代表性风电场短期功率预测结果。

10.根据权利要求9所述的一种用于分散式风电的短期功率预测方法，其特征在于，所述步骤51）中智能算法包括：BP神经网络或支持向量机。

Images