智能风电风功率预测系统
技术领域
本发明涉及发电技术领域,特别是一种智能风电风功率预测系统。
背景技术
风力发电属于可再生能源,清洁能源。风力发电是风能利用的重要形式,风能是可再生、无污染、能量大、前景广的能源。风电技术装备是风电产业的重要组成部分,也是风电产业发展的基础和保障。
目前中国的风电并网装机规模世界第一,2012年年底风电并网装机超过6000万千瓦,发电量超过1000亿千瓦时,成为继火电、水电之后的我国第三大电源。全球风电发展迅速,已有70多个国家建有商业运营风电场。2011年底全球风电装机达到2.38亿千瓦,当年新增4000万千瓦。在欧洲风电占到电力供应的6%,丹麦风电占到本国的28%,西班牙占到16%。欧洲提出2020年风电装机达到2.3亿千瓦,德国提出2020年可再生能源发电占到电力消费35%,其中50%来自风电。中国风电在经历了连续数年高速增长后,开始面临瓶颈,发展速度放缓。“十二五”期间,我国风电产业将迎来结构调整的重要机遇。
风电功率具有较强的波动性和间歇性,大规模风电场接入电网后,将对电网的潮流分布、调度方式、电网稳定、无功补偿和电网调峰调频等带来重大影响。对风电场风电功率进行准确的预测,有利于电网调度部门及时掌握风电场功率输出情况,及时调整调度计划,对可能存在的风险及时处理,提高电网运行的安全性,避免风功率大范围波动造成的安全事故。风功率预报子系统的主要是实现短期和超短期多模式、多尺度风功率预报、融合数值天气预报的风速\风功率预报、风电一体化平抑控制以及风功率曲线上报优化策略等功能。
风力发电机作为风电场的动力核心,其安全、稳定、高效运行对整个风电场的运营至关重要。为了提高风电场的信息化管理水平和故障实时监测和维护能力,建立风力发电机实时早期预警和故障诊断分析系统同样意义重大。故障诊断与分析系统主要是实现风机运行中的早期预警、建立故障诊断辅助分析系统、建立案例库和实现基于案例的故障诊断。
公开号为CN103389388A的发明专利申请公开了一种风电场风速预测方法及其装置和功率预测方法及其系统,该风电场风速预测方法,包括:获取风电场中各风电机组所在位置的空间坐标;获取风电场所在区域的地形特征参数;获取预设时间段内风电场区域的风速时间序列值;将各风电机组所在位置的空间坐标和地形特征参数作为控制参数,将预设时间段内风电场区域的风速时间序列值作为条件参数,采用预先建立的风电场物理模型计算出预设时间段内各风电机组所在位置的风速时间序列值,并显示。该方法虽然能够通过风速计算出风电场的功率,但是缺乏对于短时间风电场的功率预测,容易出现误差。
发明内容
为了解决上述问题,本发明提供的智能风电风功率预测系统,采用多尺度模型的方法,将多尺度数据与测风塔数据相结合,加上我们独有的超短期预报模型,使超短期预报的精度高达95%以上。如果测风塔的数据缺失或中断,系统自动启用风机SCADA数据和中尺度数据预报方案确保预报质量稳定。
本发明提供一种智能风电风功率预测系统,包含以下模块:
中尺度数值模拟模块:根据天气气候特征集合风电场实际需求,对风功率进行预测;
微尺度数值模拟模块:将所述中尺度数值模拟系统得到的风功率预测结果进行降尺度处理;
发电量物理计算模块:通过所述微尺度数值模拟模块中产生的风廓线结果计算出个机位的发电量;
误差校正统计模块:通过分析计算预测结果与实际发电量之间的误差,建立误差矫正模型。
优选的是,所述中尺度数值是指在第一时间阈值内采集到的数值。
在上述方案中优选的是,所述第一时间阈值的单位为周、月、季度和年中至少一种。
在上述方案中优选的是,所述降尺度是指将采集时间缩短至第二时间阈值内。
在上述方案中优选的是,所述第二时间阈值的单位为秒、分、小时和天中至少一种。
在上述方案中优选的是,所述中尺度数值模拟模块和微尺度数值模拟模块采用多模式预报模型和多尺度预报模型对风速进行预测。
在上述方案中优选的是,所述多模式预报模型是指对于不同地形条件,不同天气模式、不同季节、以及白天和晚上分别建立不同的预报模型,然后通过一定的融合策略来集成不同模型的预报结果,最终达到提高预报精度的目标。
在上述方案中优选的是,所述多尺度预报模型包括基于统计预报模型的短期风速多尺度预报模型和融合数值天气预报(NWP)的日前风速多尺度预报模型。
在上述方案中优选的是,所述基于统计预报模型的短期风速多尺度预报模型是指首先将原始风速信号分解成不同频率的子序列,分析各子序列的自相关性,确定各子序列的多步预测长度,将具有不同预测长度的各层预测结果进行最后的合成,给出最终的预测结果进行输出。
在上述方案中优选的是,所述融合数值天气预报(NWP)的日前风速多尺度预报模型是指在一定的尺度内,风速预报的结果从NWP和统计方法获得有效信息,而超出统计预报方法的预报尺度后,风速预报的结果主要依赖数值天气预报。该融合预报模型的数学表达式如下:
v=w1v1+w2v2
式中v是最终的日前风速预报结果,v1、v2分别为统计预报模型及数值天气预报模型的风速预报结果;w1、w2为融合加权时v1、v2对应的权值。
在上述方案中优选的是,在进行数据融合时,如果预报尺度小于等于第二时间阈值,则给统计预报模型和数值天气预报模型分配不同的权重,用于计算预报结果。
在上述方案中优选的是,在进行数据融合时,如果预报尺度大于第二时间阈值,则所述预报结果仅仅由数值天气预报模型得到。
在上述方案中优选的是,所述数值天气预报(NWP)是根据当地天气情况,在时均意义下用湍流模型来封闭方程组,并在初始条件和边界条件下求解大气基本方程组,预报未来时刻的大气状态,得到风速预测值。
在上述方案中优选的是,评估所述发电能力的方法是使用SCADA系统中的状态变量来产生一个全局健康变量,以及时评估风机的发电能力衰退。
在上述方案中优选的是,评估所述发电能力的方法是选取与风机发电性能相关的变量,依据风机功率曲线在切入风速和最大风速之间的分段关系建立多工况混合模型,将对模型参数变化的评估转化为风机发电性能的评估,并将评估结果依时序外延、产生相应的预测结果。
在上述方案中优选的是,所述变量包括发电功率、风速、风向和浆距角中至少一种。
在上述方案中优选的是,所述全局健康变量的计算过程中,首先进行数据的过滤、分割和归一化,然后基于专家知识从SCADA的多个变量中选取与功率曲线分析相关的参数,输入多工况建模算法,如高斯混合模型(GMM)、自组织图(SOM)、神经元网络(NN)等,再使用相对应的距离算法计算出评估性能差异的模型距离值,如L2、MQE和残差分析。
在上述方案中优选的是,所述全局健康变量计算的步骤如下:
步骤01:计算训练数据与测试数据的高斯混合模型;
步骤02:计算两个混合模型之间的L2距离:
步骤03:计算作为健康指标的confidence value(CV):
CV为0至1之间的连续值,1表示测试数据分布完完全与训练数据分布重合,随着系统之间衰退,测试数据分布逐渐偏移,两个分布的重叠部分逐渐减小,CV示数也随之减小。
在上述方案中优选的是,所述步骤1包括:
训练数据:
测试数据:
在上述方案中优选的是,所述误差矫正模型用于调整并优化所述多模式预报模型,使其逐渐适合当地的风力发电实际情况。
上述智能风电风功率预测系统主要是实现短期和超短期多模式、多尺度风功率预报、融合数值天气预报的风速/风功率预报、风电一体化平抑控制以及风功率曲线上报优化策略等功能。
附图说明
图1为按照本发明的智能风电风功率预测系统的一优选实施例的总体机构模块图。
图2为按照本发明的智能风电风功率预测系统的多模式预报模型的一优选实施例的5种典型天气条件下的风速序列图。
图2a为按照本发明的智能风电风功率预测系统的如图2所示实施例的风速湍流强度日周期图。
图2b为按照本发明的智能风电风功率预测系统的如图2所示实施例的不同季节下的风速湍流强度图。
图2c为按照本发明的智能风电风功率预测系统的如图2所示实施例的不同海拔高度下的风速湍流强度图。
图2d为按照本发明的智能风电风功率预测系统的如图2所示实施例的多模式预报模型预报效果图。
图2e为按照本发明的智能风电风功率预测系统的如图2所示实施例的风机的聚类示意图。
图3为按照本发明的智能风电风功率预测系统的多尺度预报模型的一优选实施例的风速序列多尺度分解结果图。
图3a为按照本发明的智能风电风功率预测系统的如图3所示实施例的各尺度的自相关分析结果图。
图3b为按照本发明的智能风电风功率预测系统的如图3所示实施例的MAE和MSE随预报步长的变化曲线图。
图3c为按照本发明的智能风电风功率预测系统的如图3所示实施例的NWP和SVM(统计方法)的预报误差随着预报步长的变化图。
图3d为按照本发明的智能风电风功率预测系统的如图3所示实施例的预报效果对比图。
具体实施方式
为了更好地理解本发明,下面结合具体实施例对本发明作了详细说明。但是,显然可对本发明进行不同的变型和改型而不超出后附权利要求限定的本发明更宽的精神和范围。因此,以下实施例具有例示性的而没有限制的含义。
实施例1
如图1所示,风电场功率预测系统分为四个模块。
中尺度数值模拟模块100:根据我国天气气候特征,并结合风电场实际需要进行开发的数值模型。可以根据风电场区域环境进行精细化调整,实现从计算的源头控制预测误差,提高精度。
微尺度数值模拟模块110:采用边界层风场诊断模型,可以将中尺度模型的预测结果降尺度处理,获得空间精度极高的风场数据。模式计算中,充分考虑的风电场内部的地形、地貌、粗糙度、热稳定度等各种影响风向风速时空分布的因子,使风能预测更加精细和更加准确。
发电量物理计算模块120:可以实现在没有历史运行数据的情况下,通过微尺度气象模型的风廓线结果,计算出个机位的发电量,并充分考虑尾流效益,获得最接近实际的发电量预测结果。
误差校正统计模块130:采用统计回归和人工神经网络技术,通过分析计算预测结果与实际发电量之间的误差,建立误差校正模型,从而获得更加准确的预测结果。
通过建立适用于风场独立气象模型和统计模型,杜绝通用预测方法的水土不服。您的电场或在高山之巅、或在滨海浅滩、在戈壁草原,打造适合当地气候特性和地形特点的天气数值模拟方案,结合本地数据同化技术,建立最真实地描述风场周边天气形势的转变的气象模型,预报出最准确的功率。
可提供72小时风电功率短期预测和5小时风电功率超短期预测,时间分辨率为15分钟;可提供中期产能预估提供未来10天风电场发电产能预估,时间分辨率为6小时;以及季度发电量预估,时间分辨率为月。
实施例2
如图2、2a、2b、2d、2e所示,微尺度数值模拟模块通过多模式预报模型对风速进行预测。
地形条件和太阳辐射强度是影响风速的两个重要因素,这就导致不同地形、不同天气条件、不同季节以及白天和晚上的风速模式是不同的。图2给出了气象部门提供的5种典型天气下风速序列,可以看出不同天气条件下风速的模式不同。我们对风速湍流强度的日周期以及不同季节、不同海拔高度下风速湍流强度进行研究,分别如图2a、2b、2c所示。
图2a表明一天内白天风速湍流强度远远高于夜晚的湍流强度,说明白天和晚上风速的模式不同。同样的,图2b和图2c分别表示不同季节和不同海拔高度下的风速湍流强度不同,从而证明不同季节及不同地形条件下风速的模式不同。由于风速多模式的存在,在进行预报时,对不同模式下的风速应该建立不同的预报模型,才能获得精度较高的预报结果。
而我国风力发电场分布广泛、气候条件迥异、地形地貌复杂多变,尤其是我国西部地区和山区的天气复杂多变,但是目前风电场应用的风电预报系统提供的预报模型是固定的,也就是说不同模式下的风速预报结果都是由同一个模型预报得到的,自然会导致预报的精度不高。
针对风速的多模式以及目前预报系统存在的缺陷,提出一个多模式预报模型。对于不同地形条件,不同天气模式、不同季节、以及白天和晚上分别建立不同的预报模型,然后通过一定的融合策略来集成不同模型的预报结果,最终达到提高预报精度的目标。例如:对不同天气模式下的风速序列进行预报时,我们通过引入GPCA分析技术,自动提取多种风速模式,分别建模,并设计了多模式集成的风速预报算法,得到最后的预报结果,如图2d所示,与其他两种预报模型相比,我们提出的多模式预报模型明显提高了风速的预报精度。
对于同一风电场的多台风机的风功率进行预报时,也可以采用多模式预报模型的方法。我们在建立预报模型之前,可以先通过聚类分析对风机的风速数据进行分析,从而把风机进行分类,风速模式相同的风机划分为同一类,如图2e所示,同一颜色的表示风机对应的风速模式是一样的,不同的颜色说明风机对应的风速模式不一样。然后对每一个风速模式建立各自的预报模型进行预报,最后设计融合策略,对不同预报模型的预报结果进行集成,得到最终的全场功率预报结果。
实施例3
如图3、3a、3b、3c、3d所示,微尺度数值模拟模块通过多尺度预报模型对风速进行预测。
1)基于统计预报模型的短期风速多尺度预报模型
影响风速的因素(如温度、气压、地表粗糙度、大气环流等)众多,作用机理复杂,风速信号表现出很强的多尺度特性,即不同的作用源产生的信号频率不同,最终的风速序列可以看做多个信号耦合在一起的结果。近年来,国内外学者陆续开始关注风速的多尺度特性,广泛使用的思路是:首先将原始风速序列分解成不同频率的子序列,在各个子序列上建立回归模型,然后进行合成给出最终的预测效果。然而目前的这些预报算法中并没有考虑到分解后不同尺度上的可预报性是不一样的,直接在不同的尺度上预测相同长度,然后将各层预测结果直接加合,作为最终的预测结果进行输出。实际上各个尺度的子序列其自身的特性具有很大的差异。尤其对于高频波动分量,其规律性已经较低,将其做与低频分量同样长度的多步预测是不合适的,其加合后反而对预测效果有所伤害。图3所示为原始风速序列经小波分解分解为不同的尺度,对不同尺度上的子序列进行自相关分析的结果如图3a所示,可以看出不同低频分量的规律性强,而高频分量的规律性较低。
考虑到风速的多尺度特性,我们提出一种基于频域多模式的多尺度风速预报模型,即首先将原始风速信号分解成不同频率的子序列,分析各子序列的自相关性,确定各子序列的多步预测长度,将具有不同预测长度的各层预测结果进行最后的合成,给出最终的预测结果进行输出。
以图3、3a分解的结果为例,取自相关函数值的阈值为0.8。通过其可预报性的分析发现,从最低频子序列到最高频子序列,自相关函数值达到0.8以上的自相关长度分别为4小时、40分钟、20分钟和10分钟。因此在每一频率分量上建立一个预报模型,各分量多步预测的长度分别为4小时、40分钟、20分钟和10分钟。最后对不同尺度的预报结果进行合成得到最终的预报结果。图3b所示为基于频域多模式的多尺度风速预报模型的预报误差和其他两个预报模型预报误差的对比,可以看出基于频域多模式的多尺度风速预报模型的预报误差小于其他两个模型的结果。
2)融合数值天气预报的日前风速多尺度预报模型
近年来,国内外很多学者开始关注融合数值天气预报的日前风速预报方法,并展开了相关的研究。Federico使用了NWP与卡尔曼滤波结合的办法,对数值天气预报的预测结果进行动态修正,指出卡尔曼滤波算法可以减小NWP中的系统误差。蔡祯祺以历史NWP预报的风速及相关数据为输入,相应时间段实测数据为输出训练神经网络,得到修正模型;随后以预报日的NWP数据为输入,得到预报日修正的NWP风速。然而,目前的研究没有考虑到数值天气预报和实测数据这两种信息的有效性问题,而是用两种方法来分别预测相同时间长度后直接进行简单融合。
事实上,数值天气预报及统计方法的可预报时间存在着很大的差异。实测风速数据只含有短周期瞬时分量,不含有长周期气象过程分量,所以,利用统计方法得到的风速预测值在短期可信度高,而预测时间增大时,预报的精度会降低。数值天气预报(NWP)是根据当地天气情况,在时均意义下用湍流模型来封闭方程组,并在初始条件和边界条件下求解大气基本方程组,预报未来时刻的大气状态,得到风速预测值,所以,NWP系统的输出结果为每一个计算网格的空间和时间平均值,而不模拟湍流的瞬态过程。因此NWP的计算原理决定了NWP的预报能力,其只含有长周期气象过程分量,而不含有短周期湍流分量,计算结果输出步长为1h,瞬时预报的效果不理想。从图3c中可以看出,当预测步长超过一定的尺度后,NWP预报结果的误差要远远小于SVM(统计方法)的预报结果。所以用两种方法来分别预测相同时间长度后直接进行简单融合不但达不到提高预报精度的目的,其加合后反而对预测效果有所伤害。
为了减小直接数值天气预报融合的预测误差,提高风电功率的预测精度,提出了一种融合数值天气预报(NWP)的日前风速多尺度预报方法。在一定的尺度内,风速预报的结果从NWP和统计方法获得有效信息,而超出统计预报方法的预报尺度后,风速预报的结果主要依赖数值天气预报。该融合预报模型的数学表达式如下:
v=w1v1+w2v2
式中v是最终的日前风速预报结果,v1、v2分别为统计预报模型及数值天气预报模型的风速预报结果;w1、w2为融合加权时v1、v2对应的权值。该模型的实质是在不同的预报尺度内,分析数值天气预报模型和统计预报模型预报结果的信息有效性,给预报精度较高的模型分配较重的权重,而预报精度较低的模型分配较低的权重,最后的预报结果又各模型的预报结果通过权值融合得到,从而提高预报的精度。
以图3、3a所用的风速数据为例。通过前面的自相关分析可以知道利用历史数据通过统计模型进行预报时最长的可预报时间为4小时,意味着利用统计模型进行预报时,预报尺度在4小时内,预报结果精度高,而预报尺度在4小时以外的预报精度开始较低。通过图3c也可以看出,预报尺度在4小时内SVM的预报结果和数值天气预报模型预报结果的预报误差相差较小,而预报尺度超过4小时后,SVM的预报误差远大于数值天气预报模型的预报误差。因此在进行融合时,预报尺度在4小时内,给统计预报模型和数值天气预报模型分配不同的权重,然后融合得到4小时内的预报结果,而预报尺度在4—24小时内时,预报结果仅仅由数值天气预报模型得到。
图3d所示为我们提出的融合数值天气预报的多尺度预报模型预报结果的误差和统计预报模型误差的对比,可以看出融合数值天气预报的多尺度预报模型预报结果的精度较高。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
可能以许多方式来实现本发明的方法、装置和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。