CN105117788A - 一种风力发电功率预测方法 - Google Patents

Abstract

通过对相似日的天气状况进行分析，从而对风速进行预测，进而对预测的风速进行归一化订正，并基于预测的风速对风电场发电功率进行预测，可以及时调整调度计划，减少系统的旋转备用容量，降低了运行成本的同时保证了系统运行的稳定与安全。

Description

一种风力发电功率预测方法

技术领域

本发明涉及一种分布式电源发电的技术领域，具体的来说，是一种风力发电功率预测方法。

背景技术

随着能源和环境问题的日益突出，加强新能源技术研发和产业发展，成为主要国家应对金融危机、实现绿色复苏的主要领域。各国都把低碳技术作为战略必争的高新科技领域，加大研发投入和政策支持力度，如：风能和太阳光伏技术、核电、水电、电动汽车和智能电网等。大规模风电并网给电网带来压力，增加了电网调峰、调频负担；加大电网电压控制难度；局部电网接入能力不足；风机抗扰动能力差，影响电网安全运行；风电的间歇性、随机性增加了电网稳定运行的潜在风险。我国正处于风电建设的高峰期，风电所占比例还将进一步增加，目前面临的局限性、时段性矛盾可能转化为全局性、经常性矛盾，成为影响电网安全未定运行的重要因素。

发明内容

基于现有技术的不足，本发明提出了一种风力发电功率预测方法，首先选取风速信息、风向信息、气温信息、气压信息和湿度信息作为影响风电场出力的因素。这些局部信息可由气象部门提供的信息得到。这些信息能大致决定全天的气象状况，由于这些气象信息都是影响风电出力的因素，从而可大致决定风电全天出力情况。对历史日进行搜索，构成训练样本集，提高预测模型的外推效果。各影响因素构成如下向量：

Y＝[v_min,v_max,t₁,t₂,cosθ,sinθ,P_aver,h_aver,t_min,t_max,t₃,t₄]

式中：v_max,v_min分别为风速最大和最小值，t₁,t₂分别为最小和最大风速值出现的时刻；cosθ,sinθ分别为风向的余弦和正弦值；P_aver,h_aver分别为压强和湿度平均值；t_min,t_max分别为最低和最高气温，t₃,t₄分别为最低和最高气温出现的时刻。

对各参数采用归一化，特征分量的归一化方式为

$X_k^{\′}=\frac{X_k-X_{k\min }}{X_{kmax}-X_{k\min }}$

式中X_kmax,X_kmin分别为X_k的历史最大值与最小值，预测日的归一化特征向量记为

X_F＝[X_F1,X_F2,...,X_Fk]，相似日的归一化特征向量记为X_S＝[X_S1,X_S2,...,X_Sk]，预测日与相似日之间的相似度计算方式为

$r=\frac{X_F{X}_S}{\left|X_F\right|\×\left|X_S\right|}$

式中X_F·X_S为向量内积。相似度r是k维空间中两个日特征向量夹角的余弦值，r越大，表明预测日和相似日的气象状况在整体上越接近。

风速随高度有显著的变化，即随着高度的降低，风速逐渐减小。造成风在近地层中的垂直变化的原因有动力因素和热力因素，前者主要来源于地面的摩擦效应，即地面粗糙度的影响，后者主要表现为与近地层大气垂直稳定度的关系。风速随高度的变化为

$u=\frac{u^{*}}{K}ln\left(\frac{Z}{Z_0}\right)$

$u^{*}=\sqrt{\frac{{\mathrm{\τ}}_0}{\mathrm{\ρ}}}$

式中，u为高度Z上的风速，K为常数，u*为摩擦速度，ρ为空气密度，τ₀为地面剪切应力，Z0为粗糙度常数。

风速的分布情况函数可表示为

$p\left(x\right)=\frac{k}{c}{\left(\frac{x}{c}\right)}^{k-1}\exp \[-{\left(\frac{x}{c}\right)}^k\]$

式中，k为形状参数，c为尺度函数

将风速数据进行归一化处理：

x_norm＝0.1+0.9×(x₀-x_0min)/(x_0max-x_0min)

式中，x_norm为经过归一化处理的负荷数据，x₀为实际负荷数据值，x_0min为历史负荷数据的最小值，x_0max为历史负荷数据的最大值。

在选择相似日后，使用下式对预测日每小时风速进行订正

$v_i=v_{inwp}-p\·\stackrel{\‾}{{\mathrm{\ϵ}}_i}$ i＝1,2,...,24

式中，v_inwp表示数值天气预报对于第i个小时的风速预测值；p为订正系数，为所有m个相似日第i个小时的风速预测偏差平均值

对于风速的预测的具体过程如下：

1)对风速时间序列数据进行相空间重构；

2)根据邻域半径的选取条件获得预测点在相空间中的邻域半径，剔除在该半径范围内的伪近邻点，剩余的点形成局域训练矩阵；

3)利用局域训练矩阵对支持向量回归模型进行训练；

4)将预测状态点输入局域预测模型，得到风速预测值。

预测结果的的误差评价函数采用平均绝对百分比误差和最大相对百分比误差

$MAPE=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{|A\left(i\right)-F\left(i\right)|}{A\left(i\right)}\×100$

$MPE=max(\frac{|A\left(i\right)-F\left(i\right)|}{F\left(i\right)}\×100)$

其中A和F分别为实测风速和预测风速，n为预测验证数据个数，i为预测点序列编号。MAPE体现的是预测模型的总体平均性能，MPE体现的是预测模型对个体的误差控制能力.

风能大小与气流通过的面积、空气密度和轮毂高度风速的立方成正比。

风功率为

P＝0.5C_PρAv³

式中P—风功率，单位为W；

C_P—风能利用系数；

ρ—空气密度，单位为kg/m3；

A——气流扫过风机的面积；

v——预测的风速，单位为m/s

当风速小于风机切入风速时，风机出力为零；当风速大于额定风速时，风机出力为额定功率。

用样本数据进行训练，建立最小二乘支持向量机模型。输入变量为预测时刻的风电功率信息特征，输出变量为预测的区域风电功率。

用训练好的模型对未来一个小时的区域风电功率进行预测，将预测结果根据

公式进行反归一化处理，得到最终的预测结果。

P′_Σi＝P′_gΣi·(P_Σmax-P_Σmin)+P_Σmin

式中

P′_Σi—最终的区域风电功率预测值；

P′_gΣi—预测模型输出的归一化后的区域风电功率预测值；

P_Σmin—输入样本中区域风电功率的最小值；

P_Σmax—输入样本中区域风电功率的最大值

通过对风电场发电功率进行预测，可以及时调整调度计划，减少系统的旋转备用容量，降低了运行成本的同时保证了系统运行的稳定与安全。

附图说明

图1是本发明的风力发电功率预测方法的风速预测流程。

具体实施方式

一种风力发电功率预测方法，首先选取风速信息、风向信息、气温信息、气压信息和湿度信息作为影响风电场出力的因素。这些局部信息可由气象部门提供的信息得到。这些信息能大致决定全天的气象状况，由于这些气象信息都是影响风电出力的因素，从而可大致决定风电全天出力情况。对历史日进行搜索，构成训练样本集，提高预测模型的外推效果。各影响因素构成如下向量：

Y＝[v_min,v_max,t₁,t₂,cosθ,sinθ,P_aver,h_aver,t_min,t_max,t₃,t₄]

式中：v_max,v_min分别为风速最大和最小值，t₁,t₂分别为最小和最大风速值出现的时刻；cosθ,sinθ分别为风向的余弦和正弦值；P_aver,h_aver分别为压强和湿度平均值；t_min,t_max分别为最低和最高气温，t₃,t₄分别为最低和最高气温出现的时刻。

对各参数采用归一化，特征分量的归一化方式为

$X_k^{\′}=\frac{X_k-X_{k\min }}{X_{kmax}-X_{k\min }}$

式中X_kmax,X_kmin分别为X_k的历史最大值与最小值，预测日的归一化特征向量记为

X_F＝[X_F1,X_F2,...,X_Fk]，相似日的归一化特征向量记为X_S＝[X_S1,X_S2,...,X_Sk]，预测日与相似日之间的相似度计算方式为

$r=\frac{X_F{X}_S}{\left|X_F\right|\×\left|X_S\right|}$

式中X_F·X_S为向量内积。相似度r是k维空间中两个日特征向量夹角的余弦值，r越大，表明预测日和相似日的气象状况在整体上越接近。

风速随高度有显著的变化，即随着高度的降低，风速逐渐减小。造成风在近地层中的垂直变化的原因有动力因素和热力因素，前者主要来源于地面的摩擦效应，即地面粗糙度的影响，后者主要表现为与近地层大气垂直稳定度的关系。风速随高度的变化为

$u=\frac{u^{*}}{K}ln\left(\frac{Z}{Z_0}\right)$

$u^{*}=\sqrt{\frac{{\mathrm{\τ}}_0}{\mathrm{\ρ}}}$

式中，u为高度Z上的风速，K为常数，u*为摩擦速度，ρ为空气密度，τ₀为地面剪切应力，Z0为粗糙度常数。

风速的分布情况函数可表示为

$p\left(x\right)=\frac{k}{c}{\left(\frac{x}{c}\right)}^{k-1}\exp \[-{\left(\frac{x}{c}\right)}^k\]$

式中，k为形状参数，c为尺度函数

将风速数据进行归一化处理：

x_norm＝0.1+0.9×(x₀-x_0min)/(x_0max-x_0min)

式中，x_norm为经过归一化处理的负荷数据，x₀为实际负荷数据值，x_0min为历史负荷数据的最小值，x_0max为历史负荷数据的最大值。

在选择相似日后，使用下式对预测日每小时风速进行订正

$v_i=v_{inwp}-p\·\stackrel{\‾}{{\mathrm{\ϵ}}_i}$ i＝1,2,...,24

式中，v_inwp表示数值天气预报对于第i个小时的风速预测值；p为订正系数，为所有m个相似日第i个小时的风速预测偏差平均值

对于风速的预测的具体过程如下：

1)对风速时间序列数据进行相空间重构；

2)根据邻域半径的选取条件获得预测点在相空间中的邻域半径，剔除在该半径范围内的伪近邻点，剩余的点形成局域训练矩阵；

3)利用局域训练矩阵对支持向量回归模型进行训练；

4)将预测状态点输入局域预测模型，得到风速预测值。

预测结果的误差评价函数采用平均绝对百分比误差和最大相对百分比误差

$MAPE=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{|A\left(i\right)-F\left(i\right)|}{A\left(i\right)}\×100$

$MPE=max(\frac{|A\left(i\right)-F\left(i\right)|}{F\left(i\right)}\×100)$

其中A和F分别为实测风速和预测风速，n为预测验证数据个数，i为预测点序列编号。MAPE体现的是预测模型的总体平均性能，MPE体现的是预测模型对个体的误差控制能力.

风能大小与气流通过的面积、空气密度和轮毂高度风速的立方成正比。

风功率为

P＝0.5C_PρAv³

式中P—风功率，单位为W；

C_P—风能利用系数；

ρ—空气密度，单位为kg/m3；

A——气流扫过风机的面积；

v——预测的风速，单位为m/s；

当风速小于风机切入风速时，风机出力为零；当风速大于额定风速时，风机出力为额定功率。

用样本数据进行训练，建立最小二乘支持向量机模型。输入变量为预测时刻的风电功率信息特征，输出变量为预测的区域风电功率。

用训练好的模型对未来一个小时的区域风电功率进行预测，将预测结果根据

公式进行反归一化处理，得到最终的预测结果。

P′_Σi＝P′_gΣi·(P_Σmax-P_Σmin)+P_Σmin

式中

P′_Σi—最终的区域风电功率预测值；

P′_gΣi—预测模型输出的归一化后的区域风电功率预测值；

P_Σmin—输入样本中区域风电功率的最小值；

P_Σmax—输入样本中区域风电功率的最大值；

通过对风电场发电功率进行预测，可以及时调整调度计划，减少系统的旋转备用容量，降低了运行成本的同时保证了系统运行的稳定与安全。

以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种风力发电功率预测方法，其特征在于，选取风速信息、风向信息、气温信息、气压信息和湿度信息作为影响风电场出力的因素，各影响因素构成如下向量：

Y＝[v_min,v_max,t₁,t₂,cosθ,sinθ,P_aver,h_aver,t_min,t_max,t₃,t₄]

式中：v_max,v_min分别为风速最大和最小值，t₁,t₂分别为最小和最大风速值出现的时刻；cosθ,sinθ分别为风向的余弦和正弦值；P_aver,h_aver分别为压强和湿度平均值；t_min,t_max分别为最低和最高气温，t₃,t₄分别为最低和最高气温出现的时刻。

2.如权利要求1所述的风力发电功率预测方法，其特征在于，对各参数采用归一化，特征分量的归一化方式为

$X_k^{\′}=\frac{X_k-X_{kmin}}{X_{kmax}-X_{k\min }}$

式中X_kmax,X_kmin分别为X_k的历史最大值与最小值，预测日的归一化特征向量记为

X_F＝[X_F1,X_F2,...,X_Fk]，相似日的归一化特征向量记为X_S＝[X_S1,X_S2,...,X_Sk]，预测日与相似日之间的相似度计算方式为

$r=\frac{X_F{X}_S}{\left|X_F\right|\×\left|X_S\right|}$

式中X_F·X_S为向量内积，相似度r是k维空间中两个日特征向量夹角的余弦值，r越大，表明预测日和相似日的气象状况在整体上越接近。

3.如权利要求2所述的风力发电功率预测方法，其特征在于，风速随高度的变化为

$u=\frac{u^{*}}{K}\ln \left(\frac{Z}{Z_0}\right)$

$u^{*}=\sqrt{\frac{{\mathrm{\τ}}_0}{\mathrm{\ρ}}}$

式中，u为高度Z上的风速，K为常数，u*为摩擦速度，ρ为空气密度，τ₀为地面剪切应力，Z0为粗糙度常数，

风速的分布情况函数可表示为

$p\left(x\right)=\frac{k}{c}{\left(\frac{x}{c}\right)}^{k-1}\exp \[-{\left(\frac{x}{c}\right)}^k\]$

式中，k为形状参数，c为尺度函数。

4.如权利要求3所述的风力发电功率预测方法，其特征在于，将风速数据进行归一化处理：

x_norm＝0.1+0.9×(x₀-x_0min)/(x_0max-x_0min)

式中，x_norm为经过归一化处理的负荷数据，x₀为实际负荷数据值，x_0min为历史负荷数据的最小值，x_0max为历史负荷数据的最大值，

在选择相似日后，使用下式对预测日每小时风速进行订正

$\begin{array}{cc}{v}_i=v_{inwp}-p\·{\stackrel{\‾}{\mathrm{\ϵ}}}_i& i=1,2,\mathrm{...},24\end{array}$

式中，v_inwp表示数值天气预报对于第i个小时的风速预测值；p为订正系数，为所有m个相似日第i个小时的风速预测偏差平均值。

5.如权利要求4所述的风力发电功率预测方法，其特征在于，预测结果的的误差评价函数采用平均绝对百分比误差和最大相对百分比误差

$\begin{array}{c}MAPE=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{|A\left(i\right)-F\left(i\right)|}{A\left(i\right)}\×100\\ MPE=\max (\frac{|A\left(i\right)-F\left(i\right)|}{F\left(i\right)}\×100)\end{array}.$

6.如权利要求5所述的风力发电功率预测方法，其特征在于，风功率为

P＝0.5C_PρAv³

式中P—风功率，单位为W；

C_P—风能利用系数；

ρ—空气密度，单位为kg/m3；

A——气流扫过风机的面积；

v——预测的风速，单位为m/s

当风速小于风机切入风速时，风机出力为零；当风速大于额定风速时，风机出力为额定功率，

用样本数据进行训练，建立最小二乘支持向量机模型，输入变量为预测时刻的风电功率信息特征，输出变量为预测的区域风电功率，用训练好的模型对未来一个小时的区域风电功率进行预测，将预测结果根据公式进行反归一化处理，得到最终的预测结果，

P′_Σi＝P′_gΣi·(P_Σmax-P_Σmin)+P_Σmin

式中

P′_Σi—最终的区域风电功率预测值；

P′_gΣi—预测模型输出的归一化后的区域风电功率预测值；

P_Σmin—输入样本中区域风电功率的最小值；

P_Σmax—输入样本中区域风电功率的最大值。