CN105046349B - 一种计及尾流效应的风电功率预测方法 - Google Patents

一种计及尾流效应的风电功率预测方法 Download PDF

Info

Publication number
CN105046349B
CN105046349B CN201510359847.3A CN201510359847A CN105046349B CN 105046349 B CN105046349 B CN 105046349B CN 201510359847 A CN201510359847 A CN 201510359847A CN 105046349 B CN105046349 B CN 105046349B
Authority
CN
China
Prior art keywords
wind
wind speed
power
speed
wind turbine
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
Application number
CN201510359847.3A
Other languages
English (en)
Other versions
CN105046349A (zh
Inventor
陈晓科
曾杰
徐晓刚
杨苹
杨汾艳
李鑫
张弛
黄嘉健
李兰芳
汪进锋
黄杨珏
邹澍
许志荣
梁裕恒
肖子龙
蔡玲珑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority to CN201510359847.3A priority Critical patent/CN105046349B/zh
Publication of CN105046349A publication Critical patent/CN105046349A/zh
Application granted granted Critical
Publication of CN105046349B publication Critical patent/CN105046349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Wind Motors (AREA)

Abstract

一种计及尾流效应的风电功率预测方法，其特征在于，包括如下步骤：(1)根据风速的空间分布一致性，采用距离反比法对NWP的风速数据进行空间差值，得到x处的风速其中x表示空间坐标，xi表示采样位置i的空间坐标，u(xi)表示采样位置i的风速数据，λi表示采样位置i的权重，li表示欧几里得距离；(2)使用风垂直切变幂律，实现风速的高度差值，得到高度h2处的风速v2＝v1(h2/h1)α，其中，α为垂直风切变指数，v2为高度h2处的风速，v1为高度h1处的风速；(3)根据尾流模型和风机位置数据，得到实际运行风机的风速；(4)根据实际运行风机的风速‑功率曲线，得到风机对应的功率。本发明方法充分考虑尾流效应和实际运行风机的风速‑功率曲线，实现风电功率的精确预测。

Description

一种计及尾流效应的风电功率预测方法
技术领域
本发明涉及风电功率预测技术领域，具体涉及一种计及尾流效应的风电功率预测方法。
背景技术
随着我国经济的持续快速发展，能源需求激增，风力发电得到大力发展，风电装机容量快速增长。由于风电输出功率具有波动性，大规模风电集中接入电网对电力系统的安全稳定运行带来严峻的考验。对风电场出力进行短期预测，减少风电出力的不可控性，是解决风电并网难题的一个重要途径。若能够对风电场未来72h内出力进行高精度的预测，将预测结果上报电力调度系统，调度系统根据风电场预测出力合理安排发电计划，能够有效地减少风电对电网的冲击，提高风电的并网率，减少电网旋转备用，降低电网运行成本。
风电功率预测按照预测方法可以分为物理预测方法和统计预测方法。统计模型预测需要风电场大量的历史运行数据，而新建风电场由于缺少历史数据往往不能采用统计模型进行预测。为了实现对新建风电场的功率预测，较多采用基于风速的风电功率物理预测方法。
经对现有技术的文献检索发现：
基于非参数回归模型的短期风电功率预测(王彩霞,鲁宗相,乔颖等.基于非参数回归模型的短期风电功率预测[J].电力系统自动化,2010,34(16):78-82.)通过NWP(Numeric weather prediction的缩写，即数值天气预报)数据可以得到风电功率的点预测值及其概率区间，但是该模型是基于统计预测方法建立的，不适合新建风电场的功率预测。
Wind Prediction Based on Improved BP Artificial Neural Network inWind Farm (Keyuan Huang,Lang Dai,Shoudao Huang.Wind Prediction Based onImproved BP Artificial Neural Network in Wind Farm[C].ICECE.IEEE,2010:2548-2551.)采用BP神经网络预测方法，预测结果精度高，但神经网络方法对模型的训练时间较长，需要不断调试。
申请号为201110105289.X的中国发明专利，提出一种风电功率短期预测方法，利用量子进化算法选择最优样本进行风电功率预测，但是没有考虑尾流效应，精度有限。
发明内容
本发明所要解决的技术问题是提供一种计及尾流效应的风电功率预测方法，本发明方法充分考虑尾流效应和实际运行风机的风速-功率曲线，实现风电功率的精确预测。
本发明方法通过如下技术方案实现：一种计及尾流效应的风电功率预测方法，其特征在于：包括如下步骤：
(1)根据风速的空间分布一致性，采用距离反比法对NWP的风速数据进行空间差值，得到x处的风速其中x表示空间坐标，xi表示采样位置i的空间坐标，u(xi)表示采样位置i的风速数据，λi表示采样位置i的权重，li表示欧几里得距离；
(2)使用风垂直切变幂律，实现风速的高度差值，得到高度h2处的风速v2＝v1(h2/h1)α，其中，α为垂直风切变指数，v2为高度h2处的风速，v1为高度h1处的风速；
(3)根据尾流模型和风机位置数据，得到实际运行风机的风速；
(4)根据实际运行风机的风速-功率曲线，得到风机对应的功率。
相对于现有技术，本发明具有以下有益效果：本发明采用距离反比法对风速进行空间差值，使用风垂直切变幂律实现风速的高度差值，由数值天气预报中若干点的风速外推到整个风电场，得到风电场中各个风机的风速，然后考虑尾流效应的影响，再结合实际运行风机的风速-功率曲线，实现对风电功率的精确预测。
附图说明
图1为本发明风电功率预测方法的原理框图；
图2为本发明中根据尾流模型对数据进行处理的具体流程图；
图3为预测功率曲线与实际功率曲线的对照图；
图4为图3中预测功率的平均绝对百分比误差曲线。
具体实施方式
下面结合实施例及附图，对本发明作进一步详细描述，但本发明的实施方式不限于此。
本发明计及尾流效应的风电功率预测方法，包括如下步骤：
如图1所示，第一步：获取NWP数据，根据风速的空间分布一致性，采用距离反比法对NWP的风速数据进行空间差值，得到x处的风速其中，x表示空间坐标，xi表示采样位置i的空间坐标，u(xi)表示采样位置i的风速数据，λi表示采样位置i的权重，li表示欧几里得距离；
第二步：使用风垂直切变幂律，对NWP的风速数据进行风速的高度差值，得到高度v2处的风速v2＝v1(h2/h1)α，其中，α为垂直风切变指数，v2为高度h2处的风速，v1为高度h1处的风速；
第三步:根据尾流模型和风机位置数据，得到实际运行风机的风速，具体流程如图2所示：
获取风机位置数据，并从NWP数值天气预报中获取风向序列，根据t时刻的风向对风机的坐标进行变换，横坐标为风向坐标，按照横坐标对风机进行排序，计算第i台风机时遍历剩余的n-i台风机，若在第i台风机的尾流范围内，则利用改进的詹森(Jensen)模型(模型的详细介绍请参见1983年出版的《A note on wind generator interaction》)，更新所述剩余的n-i台风机中受第i台风机尾流影响的风机的风速，直到计算完所有风机的风速，得到实际运行风机的风速；
第四步：根据实际运行风机的风速-功率曲线，得到风机对应的功率：
实际运行风机的风速-功率曲线获取方式如下：
(4.1)采样各台实际运行风机的风速-功率数据；
(4.2)按风速从小到大的顺序排列步骤(4.1)中各台风机的风速-功率数据，并根据设定的风速间隔0.5m/s将各台风机的风速数据划分成若干个区间，计算每个区间内所有风速对应的功率的算数平均值，滤除掉所述算数平均值以下的风速-功率样本数据；
(4.3)重复步骤(4.2)，直到收敛条件满足，收敛条件：区间内功率的算数平均值-对应区间最小功率值<单机功率/3。
以某实际风电场为例，具体介绍下本发明风电功率预测方法的实现过程和效果：
实际风电场的出力数据由电网公司调度部门提供，选取的字段是1#主变高压侧有功值，数据为15分钟一个点，观测数据时间为2013-01-01 00:00:00到2013-07-31 23:45:00。
获取NWP数据点的经纬度数据如表1所示，NWP数据的时间分辨率为15min，空间分辨率为27km。根据测风塔实测数据拟合出来的风切变指数为0.106。
表1
经度 108.42 108.39 108.37
纬度 18.79 19.02 19.25
根据本发明预测该风电场未来72h的风电场出力情况，每个小时4个点，一共288个点，预测功率曲线与实际功率曲线的对照图如图3所示，预测功率的平均绝对百分比误差如图4所示。
由图3可知：预测功率曲线在大部分时间内能够较好地跟随风电功率的变化趋势，在风电场功率突然变化时能够实现较好的跟随；但在风电场出力较小的情况下，预测结果不够准确，主要原因是数值天气预报的精度不够，小范围的风速波动不能够反应在数值天气预报里面。
由图4可知：预测的误差基本上和预测时间间隔没有关系，能够适应没有足够运行历史数据的风电场，在没有足够运行历史数据时，也能提供足够精度的风电功率预测，满足新建风电场对于风电功率预测的需求。

Claims (3)

1.一种计及尾流效应的风电功率预测方法，其特征在于，包括如下步骤：
(1)根据风速的空间分布一致性，采用距离反比法对NWP的风速数据进行空间差值，得到x处的风速其中x表示空间坐标，xi表示采样位置i的空间坐标，u(xi)表示采样位置i的风速数据，λi表示采样位置i的权重，li表示欧几里得距离；
(2)使用风垂直切变幂律，实现风速的高度差值，得到高度h2处的风速v2＝v1(h2/h1)α，其中，α为垂直风切变指数，v2为高度h2处的风速，v1为高度h1处的风速；
(3)根据尾流模型和风机位置数据，得到实际运行风机的风速；
(4)根据实际运行风机的风速-功率曲线，得到风机对应的功率；
所述步骤(3)具体包括如下步骤：
获取风机位置数据，并从NWP数值天气预报中获取风向序列，风向序列包括风向和时间，根据t时刻的风向对风机的坐标进行变换，横坐标为风向坐标，按照横坐标对风机进行排序，计算第i台风机时遍历剩余的n-i台风机，若在第i台风机的尾流范围内，则利用改进的詹森模型，更新所述剩余的n-i台风机中受第i台风机尾流影响的风机的风速，直到计算完所有风机的风速，得到实际运行风机的风速。
2.根据权利要求1所述的计及尾流效应的风电功率预测方法，其特征在于，步骤(4)中实际运行风机的风速-功率曲线获取方式如下：
(4.1)采样各台实际运行风机的风速-功率数据；
(4.2)按风速从小到大的顺序排列步骤(4.1)中各台风机的风速-功率数据，并根据设定的风速间隔△v将各台风机的风速数据划分成若干个区间，计算每个区间内所有风速对应的功率的算数平均值，滤除掉所述算数平均值以下的风速-功率样本数据；
(4.3)重复步骤(4.2)，直到收敛条件满足，收敛条件：区间内功率的算数平均值-对应区间最小功率值<单机功率/3。
3.根据权利要求2所述的计及尾流效应的风电功率预测方法，其特征在于，所述风速间隔△v＝0.5m/s。
CN201510359847.3A 2015-06-25 2015-06-25 一种计及尾流效应的风电功率预测方法 Active CN105046349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510359847.3A CN105046349B (zh) 2015-06-25 2015-06-25 一种计及尾流效应的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510359847.3A CN105046349B (zh) 2015-06-25 2015-06-25 一种计及尾流效应的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN105046349A CN105046349A (zh) 2015-11-11
CN105046349B true CN105046349B (zh) 2018-07-27

Family

ID=54452876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510359847.3A Active CN105046349B (zh) 2015-06-25 2015-06-25 一种计及尾流效应的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN105046349B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389634A (zh) * 2015-12-01 2016-03-09 广东智造能源科技研究有限公司 一种组合式短期风电功率预测系统及方法
CN106845737A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种风电场群整体发电能力评估方法
CN105425591B (zh) * 2015-12-29 2017-12-08 北京国能日新系统控制技术有限公司 基于风电场区域实时风速分析调控风电场有功的方法和装置
CN105719029B (zh) * 2016-03-11 2019-08-27 中国农业大学 一种基于风速波动特征提取的风电功率组合预测方法
CN113138374B (zh) * 2021-04-08 2023-06-02 北京观详光电技术有限公司 一种激光雷达风场数据重建方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592128A (zh) * 2008-05-29 2009-12-02 通用电气公司 确定和/或提供风力涡轮电场功率输出信息的方法和设备
CN102663251A (zh) * 2012-04-09 2012-09-12 华北电力大学 基于计算流体力学模型的风电场功率物理预测方法
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
CN103617308A (zh) * 2013-10-30 2014-03-05 河海大学 一种风电场频域等效模型的构建方法
CN104699936A (zh) * 2014-08-18 2015-06-10 沈阳工业大学 基于cfd短期风速预测风电场的扇区管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592128A (zh) * 2008-05-29 2009-12-02 通用电气公司 确定和/或提供风力涡轮电场功率输出信息的方法和设备
CN102663251A (zh) * 2012-04-09 2012-09-12 华北电力大学 基于计算流体力学模型的风电场功率物理预测方法
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
CN103617308A (zh) * 2013-10-30 2014-03-05 河海大学 一种风电场频域等效模型的构建方法
CN104699936A (zh) * 2014-08-18 2015-06-10 沈阳工业大学 基于cfd短期风速预测风电场的扇区管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
风电短期预测及其并网调度方法研究;王扬;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20120715(第07期);第7-8，81-93页 *

Also Published As

Publication number Publication date
CN105046349A (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
CN105046349B (zh) 一种计及尾流效应的风电功率预测方法
US10443577B2 (en) Systems and methods for improved wind power generation
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
CN102570453B (zh) 基于多套数值天气预报源的短期风电功率预测方法及系统
CN102102626B (zh) 风电场短期功率预测方法
CN102419394B (zh) 一种预测分辨率可变的风光功率预测方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN108960526B (zh) 一种基于区域等效的分布式光伏出力预测方法和系统
CN104268659B (zh) 一种光伏电站发电功率超短期预测方法
CN106505631B (zh) 智能风电风功率预测系统
CN108488038B (zh) 一种风力发电机组的偏航控制方法
CN103296701B (zh) 一种风电场有功功率控制方法
CN102496927A (zh) 基于误差统计修正的风电场功率预测方法
CN201413997Y (zh) 风电功率预测系统
CN110880789A (zh) 一种风电、光伏联合发电系统经济调度方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN106327014A (zh) 一种含风电场的电力系统调度优化方法
CN109167387A (zh) 风场风电功率预测方法
CN102168647A (zh) 基于气象信息的风光联合发电系统有功功率在线评估方法
CN107422180A (zh) 一种基于云监控的光伏电站的功率预测系统
Li et al. Wind power probabilistic forecasting based on wind correction using weather research and forecasting model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant