CN103996072B - 一种风电场和风电区域的风电功率预测方法及系统 - Google Patents
一种风电场和风电区域的风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN103996072B CN103996072B CN201410176194.0A CN201410176194A CN103996072B CN 103996072 B CN103996072 B CN 103996072B CN 201410176194 A CN201410176194 A CN 201410176194A CN 103996072 B CN103996072 B CN 103996072B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind power
- nodes
- correlation coefficient
- wind speed
- 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
- 230000005611 electricity Effects 0.000 title abstract 8
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000005484 gravity Effects 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 abstract 2
- 238000010248 power generation Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 4
- 229940037201 oris Drugs 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011437 continuous method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开一种风电场和风电区域的风电功率预测方法,该方法包括:A.根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构;B.根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;C.计算风电场和风电区域的风速变化矩阵;D.根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率。
Description
技术领域
本发明涉及电力系统运行与控制领域,具体涉及一种风电场和风电区域的风电功率预测方法及系统。
背景技术
随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻,风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全,调整能源结构,减轻环境污染,实现可持续发展等都具有非常重要的意义。
自然界风能的间歇特性决定了风电功率具有很强的波动性,随着风电场数量和装机容量的不断增大,一旦将风电并入电网,这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测,可以缓解电力系统调峰、调频的压力,有效提高电网对风电的接纳能力。
目前,国内外对于风力发电预测课题的研究越来越广泛和深入。在各种预测方法中,最简单直接的是将最近一点风速或功率观测值作为下一点预测值的持续法,该方法模型简单,但是随着时间尺度的增大其精度快速下降,因此持续法一般只作为评估高级预测方法性能优劣的标准。其他常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑、支持向量机等统计、智能方法。这些方法都有各自的适用性和局限性,但它们有一个共同的特点,即都只需预测地点的单一风速或风力发电功率时间序列,通过对该时间序列进行数学处理,就可以建立预测模型,进而对未来风速或风力发电功率进行预测。这一特点给历史数据收集以及预测过程中的实时数据采集带来了方便,所需数据单一,便于实现,但是这些方法均忽略了风电场或风电区域内的地形高度、粗糙度以及各个风力发电机或风电场之间的空间关系等物理因素的影响,预测精度有待提高。
此外,风电功率预测主要是为风电并网服务的,而电力系统调度以及电力市场交易更关心的是一个区域的风电总出力值。随着风电发展规模的不断扩大,风力发电机和风电场的数量急剧增多,如果预测各台风力发电机和各个风电场的风电功率,将会耗费大量的时间和计算机资源,而且在大多数情况下,一个区域内的风力发电机并非都有可用的在线数据,因此靠累加风力发电机和风电场功率预测结果得到区域预测结果的方法可行性较差。
发明内容
本发明所要解决的技术问题现有的风力发电预测方法忽略了风电场或风电区域内的地形高度、粗糙度以及各个风力发电机或风电场之间的空间关系等物理因素的影响,预测精度有待提高,并且随着风电发展规模的不断扩大,风力发电机和风电场的数量急剧增多,现有的风电功率预测方法耗费大量的时间和计算机资源,而且靠累加风力发电机和风电场功率预测结果得到区域预测结果的可行性差。
为此目的,本发明提出一种风电场和区域风电功率预测方法,该方法包括:
A.根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构;
B.根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;
C.计算风电场和风电区域的风速变化矩阵;
D.根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率。
其中,在步骤A中,所述风电场的水平空间拓扑结构包括:节点及支路,其中节点为风力发电机,支路为节点间的连接线;
所述风电区域的水平空间拓扑结构包括:节点及支路,其中节点为风电场,支路为节点间的连接线。
其中,所述步骤B包括:
B1.对所述水平空间拓扑结构中的节点及支路进行参数化,得到参数化的节点;
B2.获取各节点的观测数据,所述观测数据包括:风速观测数据、风向观测数据及风电功率观测数据;
B3.根据各节点的观测数据,计算参数化的节点之间的相关系数,所述相关系数包括风速相关系数、风向相关系数、风电功率相关系数;
B4.根据所述参数化的节点之间的相关系数,计算参数化的节点之间的统计相关系数,得到统计相关系数矩阵。
其中,所述步骤C包括:
C1.根据对数风速轮廓线,计算参数化的节点之间的风速垂直变化量,其中,所述对数风速轮廓线为:
其中,z是节点距离地面的高度,z0是粗糙度长度,u*是摩擦速度,κ是卡门常数;
C2.根据纳维-斯托克斯方程和连续方程,计算参数化的节点之间的风速三维变化量,其中,所述纳维-斯托克斯方程为:
所述连续方程为式中是向量微分算子,即或是拉普拉斯算子,即可以写为表示对时间求导;ρ是空气密度,p是大气压强,是地球自转速度,η是剪切粘度,fg是重力,等式左侧为风速的动量变化,等式右边第一个分量是压力梯度,第二个分量是科里奥利力,第三个分量是分子摩擦力,第四个分量是重力;
C3.根据风速垂直变化量和风速三维变化量,计算参数化的节点之间的风速变化量,得到风速变化矩阵。
其中,所述步骤D包括:
D1.根据参数化的节点之间的统计相关系数,计算各节点的权重;
D2.根据统计相关系数矩阵、风速变化矩阵及各节点的权重,预测风电场和风电区域的风电功率。
本发明还提出一种风电场和风电区域的风电功率预测系统,该系统包括:
拓扑结构生成模块,用于根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构;
统计相关系数矩阵计算模块,用于根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;
风速变化矩阵计算模块,用于计算风电场和风电区域的风速变化矩阵;
风电功率预测模块,用于根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率。
其中,所述拓扑结构生成模块中,所述风电场的水平空间拓扑结构包括:节点及支路,其中节点为风力发电机,支路为节点间的连接线;
所述风电区域的水平空间拓扑结构包括:节点及支路,其中节点为风电场,支路为节点间的连接线。
其中,所述统计相关系数矩阵计算模块包括:
参数化单元,用于对所述水平空间拓扑结构中的节点及支路进行参数化,得到参数化的节点;
观测数据获取单元,用于获取各节点的观测数据,所述观测数据包括:风速观测数据、风向观测数据及风电功率观测数据;
相关系数计算单元,用于根据各节点的观测数据,计算参数化的节点之间的相关系数,所述相关系数包括风速相关系数、风向相关系数、风电功率相关系数;
统计相关系数矩阵生成单元,用于根据所述参数化的节点之间的相关系数,计算参数化的节点之间的统计相关系数,得到统计相关系数矩阵。
其中,所述风速变化矩阵计算模块包括:
风速垂直变化量计算单元,用于根据对数风速轮廓线,计算参数化的节点之间的风速垂直变化量,其中,所述对数风速轮廓线为:
其中,z是节点距离地面的高度,z0是粗糙度长度,u*是摩擦速度,κ是卡门常数;
风速三维变化量计算单元,用于根据纳维-斯托克斯方程和连续方程,计算参数化的节点之间的风速三维变化量,其中,所述纳维-斯托克斯方程为:
所述连续方程为式中是向量微分算子,即或是拉普拉斯算子,即可以写为表示对时间求导;ρ是空气密度,p是大气压强,是地球自转速度,η是剪切粘度,fg是重力,等式左侧为风速的动量变化,等式右边第一个分量是压力梯度,第二个分量是科里奥利力,第三个分量是分子摩擦力,第四个分量是重力;
风速变化矩阵生成单元,用于根据风速垂直变化量和风速三维变化量,计算参数化的节点之间的风速变化量,得到风速变化矩阵。
其中,所述风电功率预测模块包括:
节点权重计算单元,用于根据参数化的节点之间的统计相关系数,计算各节点的权重;
风电功率预测单元,用于根据统计相关系数矩阵、风速变化矩阵及各节点的权重,预测风电场和风电区域的风电功率。
相比于现有技术,本发明提供的方法的有益效果是:该方法利用风速、风向以及风电功率的观测数据,弥补传统风电功率预测方法所采用模型单一、考虑因素过少所带来的预测精度低的弊端,提高了风电功率预测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了一种风电场和风电区域的风电功率预测方法流程图;
图2示出了一种风电场和风电区域的水平空间拓扑结构;
图3示出了一种风电场和风电区域的风电功率预测系统结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本实施例公开一种风电场和区域风电功率预测方法,如图1所示,该方法包括:
A.根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构,所述水平空间是指二维平面,即只考虑水平方向的分布而不涉及空间高度;
B.根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;
C.计算风电场和风电区域的风速变化矩阵;
D.根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率。
其中,在步骤A中,所述风电场的水平空间拓扑结构包括:节点及支路,其中节点为风力发电机,支路为节点间的连接线;
所述风电区域的水平空间拓扑结构包括:节点及支路,其中节点为风电场,支路为节点间的连接线。
本实施例中,一种风电场和风电区域的水平空间拓扑结构如图2所示,分两种情形:
以风力发电机为最小研究单位,图2表示的是风电场的水平拓扑图,其中节点T1、T2、T3、T4和T5分别表示风力发电机,支路w12、w13、w14、w23、w25、w34、w35和w45所表示的是支路端点的风力发电机之间空间相关的连接关系;
以风电场为最小研究单位,图2表示的是风电区域的水平拓扑图,其中节点T1、T2、T3、T4和T5分别表示风电场,支路w12、w13、w14、w23、w25、w34、w35和w45表示支路端点处的两个风电场之间空间相关的连接关系。
其中,所述步骤B包括:
B1.对所述水平空间拓扑结构中的节点及支路进行参数化,得到参数化的节点;
本实施例中,参数化分两种情形:
风电场的水平拓扑图以风力发电机为最小研究单位,节点即风力发电机的参数包括:节点空间坐标Ti(xi,yi,zi),i∈{1,2,3,4,5}、节点即风力发电机的轮毂处的风速风向di(0°~360°,以正北为0°和360°,顺时针方向)、风电功率pi;支路的参数化:节点即风力发电机之间的水平距离Δlij。
风电区域的水平拓扑图以风电场为最小研究单位,节点即风电场的参数包括:节点空间坐标Ti(xi,yi,zi),i∈{1,2,3,4,5}、节点即风电场中测风塔的检测到的风速风向di(0°~360°,以正北为0°和360°,顺时针方向)、风电功率pi;支路的参数化:节点即风电场之间的水平距离Δlij。
B2.获取各节点的观测数据,所述观测数据包括:风速观测数据、风向观测数据及风电功率观测数据;
本实施例中,风速观测数据记为风向观测数据记为di、风电功率观测数据记为pi。
B3.根据各节点的观测数据,计算参数化的节点之间的相关系数,所述相关系数包括风速相关系数、风向相关系数、风电功率相关系数;
其中,相关系数的计算公式如下:
其中,是在某个相同时间段内对两个地理位置节点Ti和Tj处的同一变量(风速、风向、风电功率)的观测数据时间序列,所谓观测数据时间序列指按观测数据获取的时间排序得到的观测数据序列,N为观测数据的个数。则风速相关系数表示为风向相关系数表示为风电功率相关系数表示为
B4.根据所述参数化的节点之间的相关系数,计算参数化的节点之间的统计相关系数,得到统计相关系数矩阵。
任意两个节点Ti和Tj之间的统计相关系数为:
统计相关系数矩阵为:
式中n为风电场内风力发电机的个数或风电区域内风电场的个数,本实施例中,n=5,显然,
其中,所述步骤C包括:
C1.根据对数风速轮廓线,计算参数化的节点之间的风速垂直变化量,其中,所述对数风速轮廓线为:
其中,z是节点距离地面的高度,z0是粗糙度长度,u*是摩擦速度,κ是卡门常数。分别将两个节点的高度值代入上述公式求出相应的垂直方向风速并作差得到节点之间的风速垂直变化量Δuz1。
C2.根据纳维-斯托克斯方程和连续方程,计算参数化的节点之间的风速三维变化量:首先,根据节点的空间位置及排布关系,计及尾流效应或阴影效应,导出各节点处的连续微分方程,然后使用有限体积法将节点处的微分方程进行离散化,通过给定的边界条件求解微分方程得到三个方向上的风速变化量Δux、Δuy、Δuz2。其中,所述微分方程即纳维-斯托克斯方程形式为:
所述连续方程为式中是向量微分算子,即或是拉普拉斯算子,即可以写为表示对时间求导;ρ是空气密度,p是大气压强,是地球自转速度,η是剪切粘度,通常称作粘度,又称粘性系数或动力粘度,是流体的一种物理属性,用以衡量流体的粘性,fg是重力,等式左侧为风速的动量变化,等式右边第一个分量是压力梯度,第二个分量是科里奥利力,第三个分量是分子摩擦力,第四个分量是重力;
C3.根据风速垂直变化量和风速三维变化量,计算参数化的节点之间的风速变化量,得到风速变化矩阵,所述风速变化矩阵的元素为:
其中,为节点i与节点j之间的风速变化量,i,j均为正整数,且i≠j。
其中,所述步骤D包括:
D1.根据参数化的节点之间的统计相关系数,计算各节点的权重;
本实施例中,预测节点Ti的风速,需利用与Ti有连接关系的节点处的风速,根据统计空间相关矩阵计算预测节点Ti时其他节点的权重值,也即连接节点Ti的各支路的权重系数wij,计算公式如下:
D2.根据统计相关系数矩阵、风速变化矩阵及各节点的权重,预测风电场和风电区域的风电功率及风速,预测公式为:
其中,其中m是具备可用预测风速信息的节点总数,是节点k的已知风速预测结果(采用传统预测方法得到)是待预测节点i的风速预测值,是节点i风速预测的随机误差项,可由历史数据统计得到。
是节点i除了风速、功率之外的其他气象信息(如温度、湿度、大气密度、气压等)组成的向量;f(·)是功率曲线模型,是f(·)的参数向量,功率曲线模型可以用历史数据经过训练(输入风速与气象信息,输出风电功率)得到;是节点i功率预测的随机误差项,可由历史数据统计得到。
实施例2:
本实施例公开一种风电场和风电区域的风电功率预测系统,如图2所示,该系统包括:
拓扑结构生成模块,用于根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构;
统计相关系数矩阵计算模块,用于根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;
风速变化矩阵计算模块,用于计算风电场和风电区域的风速变化矩阵;
风电功率预测模块,用于根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率。
其中,所述拓扑结构生成模块中,所述风电场的水平空间拓扑结构包括:节点及支路,其中节点为风力发电机,支路为节点间的连接线;
所述风电区域的水平空间拓扑结构包括:节点及支路,其中节点为风电场,支路为节点间的连接线。
其中,所述统计相关系数矩阵计算模块包括:
参数化单元,用于对所述水平空间拓扑结构中的节点及支路进行参数化,得到参数化的节点;
观测数据获取单元,用于获取各节点的观测数据,所述观测数据包括:风速观测数据、风向观测数据及风电功率观测数据;
相关系数计算单元,用于根据各节点的观测数据,计算参数化的节点之间的相关系数,所述相关系数包括风速相关系数、风向相关系数、风电功率相关系数;
统计相关系数矩阵生成单元,用于根据所述参数化的节点之间的相关系数,计算参数化的节点之间的统计相关系数,得到统计相关系数矩阵。
其中,所述风速变化矩阵计算模块包括:
风速垂直变化量计算单元,用于根据对数风速轮廓线,计算参数化的节点之间的风速垂直变化量,其中,所述对数风速轮廓线为:
其中,z是节点距离地面的高度,z0是粗糙度长度,u*是摩擦速度,κ是卡门常数;
风速三维变化量计算单元,用于根据纳维-斯托克斯方程和连续方程,计算参数化的节点之间的风速三维变化量,其中,所述纳维-斯托克斯方程为:
所述连续方程为式中是向量微分算子,即或是拉普拉斯算子,即可以写为表示对时间求导;ρ是空气密度,p是大气压强,是地球自转速度,η是剪切粘度,fg是重力,等式左侧为风速的动量变化,等式右边第一个分量是压力梯度,第二个分量是科里奥利力,第三个分量是分子摩擦力,第四个分量是重力;
风速变化矩阵生成单元,用于根据风速垂直变化量和风速三维变化量,计算参数化的节点之间的风速变化量,得到风速变化矩阵。
其中,所述风电功率预测模块包括:
节点权重计算单元,用于根据参数化的节点之间的统计相关系数,计算各节点的权重;
风电功率预测单元,用于根据统计相关系数矩阵、风速变化矩阵及各节点的权重,预测风电场和风电区域的风电功率。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (6)
1.一种风电场和风电区域的风电功率预测方法,其特征在于,该方法包括:
A.根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构;
B.根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;
C.计算风电场和风电区域的风速变化矩阵;
D.根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率;
在步骤A中,所述风电场的水平空间拓扑结构包括:节点及支路,其中节点为风力发电机,支路为节点间的连接线;
所述风电区域的水平空间拓扑结构包括:节点及支路,其中节点为风电场,支路为节点间的连接线;
所述步骤B包括:
B1.对所述水平空间拓扑结构中的节点及支路进行参数化,得到参数化的节点;
B2.获取各节点的观测数据,所述观测数据包括:风速观测数据、风向观测数据及风电功率观测数据;
B3.根据各节点的观测数据,计算参数化的节点之间的相关系数,所述相关系数包括风速相关系数、风向相关系数、风电功率相关系数;
B4.根据所述参数化的节点之间的相关系数,计算参数化的节点之间的统计相关系数,得到统计相关系数矩阵。
2.根据权利要求1所述的方法,其特征在于,所述步骤C包括:
C1.根据对数风速轮廓线,计算参数化的节点之间的风速垂直变化量,其中,所述对数风速轮廓线为:
其中,z是节点距离地面的高度,z0是粗糙度长度,u*是摩擦速度,κ是卡门常数;
C2.根据纳维-斯托克斯方程和连续方程,计算参数化的节点之间的风速三维变化量,其中,所述纳维-斯托克斯方程为:
所述连续方程为式中是向量微分算子,即或 是拉普拉斯算子,即 可以写为 表示对时间求导;ρ是空气密度,p是大气压强,是地球自转速度,η是剪切粘度,fg是重力,等式左侧为风速的动量变化,等式右边第一个分量是压力梯度,第二个分量是科里奥利力,第三个分量是分子摩擦力,第四个分量是重力;
C3.根据风速垂直变化量和风速三维变化量,计算参数化的节点之间的风速变化量,得到风速变化矩阵。
3.根据权利要求1或2所述的方法,其特征在于,所述步骤D包括:
D1.根据参数化的节点之间的统计相关系数,计算各节点的权重;
D2.根据统计相关系数矩阵、风速变化矩阵及各节点的权重,预测风电场和风电区域的风电功率。
4.一种风电场和风电区域的风电功率预测系统,其特征在于,该系统包括:
拓扑结构生成模块,用于根据图论理论,对风电场和风电区域的空间位置信息进行表征,得到风电场和风电区域的水平空间拓扑结构;
统计相关系数矩阵计算模块,用于根据风电场和风电区域的水平空间拓扑结构,计算风电场和风电区域的统计相关系数矩阵;
风速变化矩阵计算模块,用于计算风电场和风电区域的风速变化矩阵;
风电功率预测模块,用于根据统计相关系数矩阵及风速变化矩阵,预测风电场和风电区域的风电功率;
所述拓扑结构生成模块中,所述风电场的水平空间拓扑结构包括:节点及支路,其中节点为风力发电机,支路为节点间的连接线;
所述风电区域的水平空间拓扑结构包括:节点及支路,其中节点为风电场,支路为节点间的连接线;
所述统计相关系数矩阵计算模块包括:
参数化单元,用于对所述水平空间拓扑结构中的节点及支路进行参数化,得到参数化的节点;
观测数据获取单元,用于获取各节点的观测数据,所述观测数据包括:风速观测数据、风向观测数据及风电功率观测数据;
相关系数计算单元,用于根据各节点的观测数据,计算参数化的节点之间的相关系数,所述相关系数包括风速相关系数、风向相关系数、风电功率相关系数;
统计相关系数矩阵生成单元,用于根据所述参数化的节点之间的相关系数,计算参数化的节点之间的统计相关系数,得到统计相关系数矩阵。
5.根据权利要求4所述的系统,其特征在于,所述风速变化矩阵计算模块包括:
风速垂直变化量计算单元,用于根据对数风速轮廓线,计算参 数化的节点之间的风速垂直变化量,其中,所述对数风速轮廓线为:
其中,z是节点距离地面的高度,z0是粗糙度长度,u*是摩擦速度,κ是卡门常数;
风速三维变化量计算单元,用于根据纳维-斯托克斯方程和连续方程,计算参数化的节点之间的风速三维变化量,其中,所述纳维-斯托克斯方程为:
所述连续方程为式中是向量微分算子,即或 是拉普拉斯算子,即 可以写为 表示对时间求导;ρ是空气密度,p是大气压强,是地球自转速度,η是剪切粘度,fg是重力,等式左侧为风速的动量变化,等式右边第一个分量是压力梯度,第二个分量是科里奥利力,第三个分量是分子摩擦力,第四个分量是重力;
风速变化矩阵生成单元,用于根据风速垂直变化量和风速三维变化量,计算参数化的节点之间的风速变化量,得到风速变化矩阵。
6.根据权利要求4或5所述的系统,其特征在于,所述风电功率预测模块包括:
节点权重计算单元,用于根据参数化的节点之间的统计相关系数,计算各节点的权重;
风电功率预测单元,用于根据统计相关系数矩阵、风速变化矩阵及各节点的权重,预测风电场和风电区域的风电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410176194.0A CN103996072B (zh) | 2014-04-29 | 2014-04-29 | 一种风电场和风电区域的风电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410176194.0A CN103996072B (zh) | 2014-04-29 | 2014-04-29 | 一种风电场和风电区域的风电功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996072A CN103996072A (zh) | 2014-08-20 |
CN103996072B true CN103996072B (zh) | 2017-03-08 |
Family
ID=51310232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410176194.0A Active CN103996072B (zh) | 2014-04-29 | 2014-04-29 | 一种风电场和风电区域的风电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996072B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318484B (zh) * | 2014-09-30 | 2018-07-27 | 东南大学 | 一种集群风电场波动性建模方法 |
CN104701880B (zh) * | 2015-02-17 | 2017-01-18 | 国家电网公司 | 一种基于调峰约束的电网接纳光伏最大容量的计算方法 |
CN106529741B (zh) * | 2016-12-12 | 2019-12-06 | 国网电力科学研究院 | 一种基于空间相关特征的超短期风电功率预测方法 |
CN107657116B (zh) * | 2017-09-26 | 2020-05-08 | 福州大学 | 一种风电场功率曲线仿射建模的方法 |
CN114707734A (zh) * | 2022-04-12 | 2022-07-05 | 华润电力技术研究院有限公司 | 一种超短期风功率的预测方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661530A (zh) * | 2009-09-30 | 2010-03-03 | 华北电力大学(保定) | 基于相关分析求取风电场稳态等效风速与发电功率的方法 |
CN103020423A (zh) * | 2012-11-21 | 2013-04-03 | 华中科技大学 | 基于copula函数获取风电场出力相关特性的方法 |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN103605912A (zh) * | 2013-12-10 | 2014-02-26 | 武汉大学 | 一种风电场功率外特性建模方法 |
CN103617462A (zh) * | 2013-12-10 | 2014-03-05 | 武汉大学 | 一种基于地理统计学的风电场风速时空数据建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9229132B2 (en) * | 2011-07-05 | 2016-01-05 | International Business Machines Corporation | Meteorological parameter forecasting |
-
2014
- 2014-04-29 CN CN201410176194.0A patent/CN103996072B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661530A (zh) * | 2009-09-30 | 2010-03-03 | 华北电力大学(保定) | 基于相关分析求取风电场稳态等效风速与发电功率的方法 |
CN103020423A (zh) * | 2012-11-21 | 2013-04-03 | 华中科技大学 | 基于copula函数获取风电场出力相关特性的方法 |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN103605912A (zh) * | 2013-12-10 | 2014-02-26 | 武汉大学 | 一种风电场功率外特性建模方法 |
CN103617462A (zh) * | 2013-12-10 | 2014-03-05 | 武汉大学 | 一种基于地理统计学的风电场风速时空数据建模方法 |
Non-Patent Citations (1)
Title |
---|
考虑尾流效应的风电场短期功率空间预测模型;曾程,叶林,赵永宁;《电力系统保护与控制》;20121216;第40卷(第24期);第59-64,142页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103996072A (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Olauson et al. | Modelling the Swedish wind power production using MERRA reanalysis data | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN103996072B (zh) | 一种风电场和风电区域的风电功率预测方法及系统 | |
CN105633948B (zh) | 一种分布式能源接入电力系统随机模糊潮流算法 | |
CN104699936A (zh) | 基于cfd短期风速预测风电场的扇区管理方法 | |
Jin et al. | Equivalent modeling of wind energy conversion considering overall effect of pitch angle controllers in wind farm | |
Liu et al. | Numerical weather prediction wind correction methods and its impact on computational fluid dynamics based wind power forecasting | |
Singh et al. | Wind power estimation using artificial neural network | |
Raj et al. | Modeling of wind turbine power curve | |
CN104217077A (zh) | 一种反映风速变化特性的风力发电出力随机模型建模方法 | |
CN104036073A (zh) | 适于有功功率特性分析的双馈风电场动态等值建模方法 | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
CN104124685A (zh) | 基于样板风机法的风电场理论功率计算方法 | |
CN103248049B (zh) | 含dfig风电场电力系统电压稳定域切平面的获取方法 | |
CN103259289A (zh) | 基于最优潮流含dfig风电系统可用传输容量的获得方法 | |
Japar et al. | Estimating the wake losses in large wind farms: A machine learning approach | |
WO2021063461A1 (en) | Method for planning a layout of a renewable energy site | |
CN103956767B (zh) | 一种考虑尾流效应的风电场并网稳定性分析方法 | |
CN103853888A (zh) | 一种适用于无功补偿的海上风电系统等值建模方法 | |
CN104850914B (zh) | 一种基于特征建模的新能源发电量预测方法 | |
Zhongping et al. | Integrated wind and solar power forecasting in China | |
CN103944159B (zh) | 含风电的电力系统规划中检修备用容量确定方法 | |
Li et al. | Wind velocity prediction at wind turbine hub height based on CFD model | |
CN104167735A (zh) | 一种风电场非机理等效建模方法与装置 |
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 |