CN104504464A - 基于风区风带风速规律的风功率预测方法 - Google Patents
基于风区风带风速规律的风功率预测方法 Download PDFInfo
- Publication number
- CN104504464A CN104504464A CN201410768784.2A CN201410768784A CN104504464A CN 104504464 A CN104504464 A CN 104504464A CN 201410768784 A CN201410768784 A CN 201410768784A CN 104504464 A CN104504464 A CN 104504464A
- Authority
- CN
- China
- Prior art keywords
- wind
- district
- power
- output
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title abstract 3
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000005684 electric field Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于风区风带风速规律的风功率预测方法,包括:构建神经网络的步骤;应用历史风速、风向、温度、气压、湿度和对应的风电场历史输出功率数据对上述构建的神经网络模型进行训练,即得到初步风功率预测模型的步骤;以及将风速、风向、温度、气压和湿度数据输入至上述风功率预测模型从而得到预测结果的步骤。达到准确预测风电场出力,从而保证电网安全的目的。
Description
技术领域
本发明涉及风电场发电领域,具体地,涉及一种基于风区风带风速规律的风功率预测方法。
背景技术
风电场出力特性区别于常规机组出力,风电场出力受制于自然因素和风机本身的影响,其特性具有波动性、随机性和间歇性,且不同的机型的出力也有差别。风电场出力的预测不准确的话,造成对电网系统的冲击,从而存在影响整个电网安全的缺陷。
发明内容
本发明的目的在于,针对上述问题,提出一种基于风区风带风速规律的风功率预测方法,以实现准确预测风电场出力,从而保证电网安全的优点。
为实现上述目的,本发明采用的技术方案是:
一种基于风区风带风速规律的风功率预测方法,包括:
构建神经网络的步骤;
应用历史风速、风向、温度、气压、湿度和对应的风电场历史输出功率数据对上述构建的神经网络模型进行训练,即得到初步风功率预测模型的步骤;
以及
将风速、风向、温度、气压和湿度数据输入至上述风功率预测模型从而得到预测结果的步骤。
优选的,还包括,根据风区风带规律对上述得到的预测结果进行修正的步骤。
优选的,所述对上述得到的预测结果进行修正的步骤具体为:
由于风速规律在时间上存在一定的时延性,设一个风区的功率为Ps,时间差为τ,则对应的下一个风区风电场出力为:
Pt=λPs(t-τ)
式λ为阻力系数,根据风区所处的位置及风区的出力特性决定;
将所得的风功率与风功率预测模型得到的预测结果进行拟合,从而得出修正后的风功率预测结果。
本发明的技术方案具有以下有益效果:
本发明的技术方案,通过同一风区各风电场出力及不同风区风电场出力历史数据进行统计分析,得出同一风区风电场出力及不同风区风电场出力规律,同时将所得风区风带的规律运用到风电场的风功率预测,以提高风功率预测精度,从而达到准确预测风电场出力,从而保证电网安全的目的。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的基于风区风带风速规律的风功率预测方法的流程图;
图2为本发明实施例所述的直驱、双馈风电机组功率曲线图;
图3为本发明实施例所述的风电场在不同风速和风向下的效率曲线图;
图4为本发明实施例所述的不同空气密度下的功率曲线图;
图5a为额尔齐斯河河谷风区一天的出力曲线图;
图5b为玛依塔斯风区一天的出力曲线图;
图5c为达坂城风区一天的出力曲线图;
图5d为小草湖风区一天的出力曲线图;
图5e为哈密三塘湖风区一天的出力曲线图;
图5f为哈密百里风区一天的出力曲线图;
图6为风电场一天各风区风电场出力曲线图;
图7为风电场一周出力曲线图;
图8a为利用本发明的预测方法提前4小时的预测曲线图;
图8b为利用本发明的预测方法提前12小时的预测曲线图;
图8c为利用本发明的预测方法提前24小时的预测曲线图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,一种基于风区风带风速规律的风功率预测方法,包括:
构建神经网络的步骤;
应用历史风速、风向、温度、气压、湿度和对应的风电场历史输出功率数据对上述构建的神经网络模型进行训练,即得到初步风功率预测模型的步骤;
以及
将风速、风向、温度、气压和湿度数据输入至上述风功率预测模型从而得到预测结果的步骤。
优选的,还包括,根据风区风带规律对上述得到的预测结果进行修正的步骤。
优选的,所述对上述得到的预测结果进行修正的步骤具体为:
由于风速规律在时间上存在一定的时延性,设一个风区的功率为Ps,时间差为τ,则对应的下一个风区风电场出力为:
Pt=λPs(t-τ) (1)
式λ为阻力系数,根据风区所处的位置及风区的出力特性决定;
将所得的风功率与风功率预测模型得到的预测结果进行拟合,从而得出修正后的风功率预测结果。
对风电场出力进行预测影响风电场出力的主要因素:
(1)输出功率与风速的关系
风电场的输出功率随风速变化而变化。风电机组捕获的风功率可表示为:
式中:P风轮输出功率(kW);CP风轮的功率系数;A风轮扫掠面积(m2);ρ空气密度(kg/m3);V风速(m/s)。
在标准空气密度下各种风电机组机型的功率曲线如图2所示。
从图2中可以看出,在切入风速和额定风速之间,风速稍微波动将导致风电机组出力较大的波动,风速变化2.5m/s,风电机组功率将变化200kW左右。风速是影响风电机组/风电场输出功率的最重要因素,且不同风电机型的输出功率曲线也不同,但随风速变化的趋势都基本相同。
(2)输出功率与风向的关系:
为了分析风向与风电场输出功率之间的关系,定义风电场的效率系数η:
式中:Pm为一定风速和风向所对应的风电场实测功率。Pf为不考虑尾流影响下一定风速和风向所对应的风电场输出功率。某风电场在不同风速和风向下的效率如图3所示.
从图3中可以看出,在风速较低时,受尾流的影响,在某些风向下风电场效率较低。如图3所示在风速为4m/s时,效率降至45%;风速越大时,对应的风电场效率系数越高,当风速超过额定风速一定量后,此时风电场的输出功率不再受尾流效应的影响,在任何风向下风电场的效率系数都为100%。
(3)输出功率与空气密度的关系:
从公式(2)中可以看出,ρ的大小直接影响到风机捕获风能的大小,特别是在海拔高的地区更突出。图4为双馈风机在不同空气密度下所对应的功率曲线。
从图4可以看出,在切入风速和额定风速之间,不同的空气密度对应的风电机组输出功率曲线不同,在相同风速下,空气密度越大风电机组输出功率越大。当风速为11m/s时,空气密度为1.225kg/m3所对应的风电机组输出功率比空气密度为1.06kg/m3所对应的风电机组输出功率大74kW。因此在对风电场出力进行预测时要考虑空气密度对输出功率的影响。
而空气密度的大小与大气气压、湿度和温度的大小有关,其计算公式为:
式中:p为大气气压(hPa);t为温度(℃);pw为水气压(hPa)。
从式(2)和式(4)可以看出,大气气压、温度的变化将引起空气密度的变化,而空气密度的变化将引起风机捕获风能大小的变化,从而造成风电机组输出功率的变化。
通过对上述影响因素分析,主要影响风电场输出功率的有风速、风向、气压、温度和湿度等。因此在对风电场出力进行预测时要从数值天气预报得到的风速、风向、气温、气压、湿度等数据作为预测模型的输入量。
由此可见,处在同一风带的各风区之间,在风速上存在一定的规律,从时间的角度来看存在一定的时延性;从空间的角度来看各风区的风速特性与各地区的位置关系有关。而风速又是影响风电场出力的重要因素,因此在对同一风带风电场功率预测时,可以根据同时风带各风区的时空性结合传统的预测方法,以提高风功率预测的精度。
风电出力特性特性在时间上具有随机性、波动性,但是对历史风电数据进行统计分析,风电出力具有一定规律可循。下面通过对同一风区不同风电场和不同风区的历史风电出力数据进行统计分析。
1、同一风区不同风电场出力规律
对新疆各风区风电场出力数据进行了详细分析,目的是找出风电出力特性的相关性,找出同一风区的不同风电场的出力规律。图5a至图5f为各风区不同风电场任意一天的出力曲线:
从。图5a至图5f可以看出,由于风电出力受风速的影响比较大,处在同一风区的风电场所受的风速特性基本上相同。因此同一风区中的各风电场出力基本上相同,各风电场出力特性相同、同时性接近1。
2、不同风区风电场出力规律
根据以上分析,处在同一风带的各风区之间,在风速上存在一定的规律,从时间的角度来看存在一定的时延性;从空间的角度来看各风区的风速特性与各地区的位置关系有关。而风速又是影响风电场出力的重要因素,因此风电场出力在也会存在一定规律,从时间的角度来看存在一定的时延性;从空间的角度来看风电场的出力与各风区在风带上的位置关系有关。通过对各风区风电场历史出力数据统计分析,找出不同风区风电场出力的规律。图6和图7为某一天各风区风电场出力曲线和连续一周各风区风电场出力曲线:
从图6和图7中可以看出,各风区风电场出力之间存在一定的规律,在时间上存在一定的时延性,在空间上与各风区所处的地理位置顺序有关。各风区风电场出力增大顺序依次为塔城地区(玛依塔斯风区)—阿勒泰地区(布尔津风区)—乌鲁木齐地区(达坂城风区)—吐鲁番地区(小草湖风区)—哈密地区(百里风区、三塘湖风区)。图6和图7中的塔城地区、阿勒泰地区、乌鲁木齐地区、吐鲁番地区和哈密地区为具体的风电场名称。
利用本发明的技术方案中对新疆某风区某风电场的风电出力进行预测。所得的预测曲线如图8a、图8b和图8c所示。
从图8a、图8b和图8c可以预测曲线基本上与实际曲线相符,能正确的反应风电场未来出力趋势。通过对预测结果统计分析,得出基于风区风带规律的风功率预测方法的预测误差符合正态分布,误差基本分布在-10%~10%之间,符合国家对风功率预测精度的要求。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (3)
1.一种基于风区风带风速规律的风功率预测方法,其特征在于,包括:
构建神经网络的步骤;
应用历史风速、风向、温度、气压、湿度和对应的风电场历史输出功率数据对上述构建的神经网络模型进行训练,即得到初步风功率预测模型的步骤;
以及
将风速、风向、温度、气压和湿度数据输入至上述风功率预测模型从而得到预测结果的步骤。
2.根据权利要求1所述的基于风区风带风速规律的风功率预测方法,其特征在于,还包括,根据风区风带规律对上述得到的预测结果进行修正的步骤。
3.根据权利要求2所述的基于风区风带风速规律的风功率预测方法,其特征在于,所述对上述得到的预测结果进行修正的步骤具体为:
由于风速规律在时间上存在一定的时延性,设一个风区的功率为Ps,时间差为τ,则对应的下一个风区风电场出力为:
Pt=λPs(t-τ)
式λ为阻力系数,根据风区所处的位置及风区的出力特性决定;
将所得的风功率与风功率预测模型得到的预测结果进行拟合,从而得出修正后的风功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410768784.2A CN104504464A (zh) | 2014-12-11 | 2014-12-11 | 基于风区风带风速规律的风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410768784.2A CN104504464A (zh) | 2014-12-11 | 2014-12-11 | 基于风区风带风速规律的风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104504464A true CN104504464A (zh) | 2015-04-08 |
Family
ID=52945859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410768784.2A Pending CN104504464A (zh) | 2014-12-11 | 2014-12-11 | 基于风区风带风速规律的风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504464A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106547996A (zh) * | 2016-12-08 | 2017-03-29 | 贵州电网有限责任公司电力科学研究院 | 一种风电场虚拟测风塔构建方法 |
CN106779201A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种考虑高原山区风机位置的风速建模方法 |
CN107895058A (zh) * | 2017-07-19 | 2018-04-10 | 厦门理工学院 | 一种快速识别风速最优分布规律的方法 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN110245805A (zh) * | 2019-06-21 | 2019-09-17 | 内蒙古电力(集团)有限责任公司培训中心 | 一种风功率的预测方法、装置及电子设备 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414751A (zh) * | 2008-11-20 | 2009-04-22 | 北京方鸿溪科技有限公司 | 风电功率预测系统及其方法、电网系统 |
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 |
CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
-
2014
- 2014-12-11 CN CN201410768784.2A patent/CN104504464A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414751A (zh) * | 2008-11-20 | 2009-04-22 | 北京方鸿溪科技有限公司 | 风电功率预测系统及其方法、电网系统 |
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 |
CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106547996A (zh) * | 2016-12-08 | 2017-03-29 | 贵州电网有限责任公司电力科学研究院 | 一种风电场虚拟测风塔构建方法 |
CN106779201A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种考虑高原山区风机位置的风速建模方法 |
CN106547996B (zh) * | 2016-12-08 | 2019-10-29 | 贵州电网有限责任公司电力科学研究院 | 一种风电场虚拟测风塔构建方法 |
CN106779201B (zh) * | 2016-12-08 | 2020-07-31 | 贵州电网有限责任公司电力科学研究院 | 一种考虑高原山区风机位置的风速建模方法 |
CN107895058A (zh) * | 2017-07-19 | 2018-04-10 | 厦门理工学院 | 一种快速识别风速最优分布规律的方法 |
CN109802430A (zh) * | 2018-12-29 | 2019-05-24 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
CN110245805A (zh) * | 2019-06-21 | 2019-09-17 | 内蒙古电力(集团)有限责任公司培训中心 | 一种风功率的预测方法、装置及电子设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sağlam | A two-stage performance assessment of utility-scale wind farms in Texas using data envelopment analysis and Tobit models | |
TWI476430B (zh) | 具極端風速預測功能之風能預報方法 | |
CN104504464A (zh) | 基于风区风带风速规律的风功率预测方法 | |
Dabbaghiyan et al. | Evaluation of wind energy potential in province of Bushehr, Iran | |
Nor et al. | Feasibility assessment of wind energy resources in Malaysia based on NWP models | |
Dahmouni et al. | Assessment of wind energy potential and optimal electricity generation in Borj-Cedria, Tunisia | |
Maatallah et al. | Wind power assessment and evaluation of electricity generation in the Gulf of Tunis, Tunisia | |
CN109784563B (zh) | 一种基于虚拟测风塔技术的超短期功率预测方法 | |
CN103208037B (zh) | 一种应用于新能源电站的基于在线校正的功率预测方法 | |
Diaf et al. | Technical and economic assessment of wind farm power generation at Adrar in Southern Algeria | |
Abul’Wafa | Matching wind turbine generators with wind regime in Egypt | |
CN105117788A (zh) | 一种风力发电功率预测方法 | |
CN106897793B (zh) | 一种可保证安全距离的基于遗传算法的风电场风力发电机排布优化方法 | |
Singh et al. | Evaluation of current status and future directions of wind energy in India | |
CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
CN109948864A (zh) | 一种微地形区域风电场覆冰预测方法及系统 | |
CN104899465A (zh) | 风光优化配比的计算方法 | |
CN102749471A (zh) | 一种短期风速、风电功率预测方法 | |
Pytlak et al. | Using dynamic thermal rating systems to reduce power generation emissions | |
De Araujo | WRF wind speed simulation and SAM wind energy estimation: A case study in Dili Timor Leste | |
Benmedjahed et al. | Technical and economic analysis of wind turbine system for isolated location at Adrar in Algeria | |
Rahmani et al. | Wind power assessment and site matching of wind turbines in Lootak of Zabol | |
CN106779202B (zh) | 一种考虑空气湿度的风电功率预测方法 | |
Deng et al. | A survey of the researches on grid-connected solar power generation systems and power forecasting methods based on ground-based cloud atlas |
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: 20150408 |
|
RJ01 | Rejection of invention patent application after publication |