CN106875038B - 基于集合局地多点不同气候特征的风功率预测方法及装置 - Google Patents
基于集合局地多点不同气候特征的风功率预测方法及装置 Download PDFInfo
- Publication number
- CN106875038B CN106875038B CN201710001787.7A CN201710001787A CN106875038B CN 106875038 B CN106875038 B CN 106875038B CN 201710001787 A CN201710001787 A CN 201710001787A CN 106875038 B CN106875038 B CN 106875038B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- point
- electric field
- forecast
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005684 electric field Effects 0.000 claims abstract description 66
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 2
- 239000010410 layer Substances 0.000 description 12
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于集合局地多点不同气候特征的风功率预测方法及装置，方法包括建立电场模型，获得电场周围气象数值预报结果，并通过数据插值方法获得单点预报风速在三维空间的数值；将单点预报风速合成两点或三点风速，获得合成风速；利用神经网络方法将合成风速转化成风功率。本发明在原有单点预报的基础上，整合了单点的结果，形成多点集合预报，减少风速波动，提高风功率预测的精度；本发明集合的气象数据所选用水平和垂直三维高分辨率格点，综合了不同水平点和不同高度的气候状态，提高风功率预测的精度；本发明通过整合多点的气候特征，降低风场波动性，不受电场扩容限电等因素的影响，调整预报风速，提高风功率预测的精度。
Description
技术领域
本发明属于风电场功率预测预报技术领域，尤其是涉及一种基于集合局地多点不同气候特征的风功率预测方法及装置。
背景技术
风电是一种清洁可再生能源，到2015年年底，全球风电累计装机容量达到432419MW，其中，中国占据总容量的48.4％。由于风力发电受风速和风向变化的影响，这使得风力发电具有明显的波动性、间歇性和随机性，对电力系统的安全及稳定的运行造成了极大的影响，而通过准确的风功率预测，对风电场的出力进行短期预报，可以有力的调控电场运维，减少电量的损失，因此准确的风功率预测会带给风电这一能源形式带来更高的价值。
风功率预测依赖于对各类气象要素的精确预报，其中主要包括风速、风向、湿度等，目前国内外预报的方式主要分为两种，一种是基于历史数据，通过统计学的方法对未来进行预测；另一种是通过不同尺度下的数值天气预报，得到各类气象要素预测值，通过神经网络、卡尔曼滤波等技术最终得到未来的日前风功率预测。目前数值天气预报正值飞速发展，现已可提供未来1-3天高时空分辨率高精度的气象预报。国内短期15分钟分辨率的风功率预报，由于其严格的精度考核要求，因此第二种方法更加适应现有的需求，与此同时，还需要通过不同的方法来提高风功率预测精度。
目前的数值天气预报，主要使用全球高分辨集合结果，但多数将全球尺度集合预报结果，通过中小尺度数值天气模式进行物理降尺度到几公里，人为的选出风电场的地理坐标，通过插值方法将格点的数据计算到电场的单点坐标上，获得风电场的预报风速，最终通过统计模型，将预报的风速转换成风功率。
大气的混沌特性决定了即使采用全球最好的数值模式也很难预报单点的气象结果，模式自身的系统误差与错误预报会间接导致风速的预报误差。
由于现在功率建模技术是基于全场风机平均风速，表现的是整场总体气候状态，根据电场风机排布仅进行粗略的人为选择单点很难描述全场平均的风速状态，亦不能准确的抓住电场的气候状态，因此，预报风速并不适于风电场。
电场空间跨度较大，不同电场所处海拔高度亦不同，边界层内风速随高度变化十分明显，会导致不同电场气候特点有很大差异，仅使用数值模式中单层的或者轮毂高度的结果，将会十分不准确。
综上所述，根据的风机排布，人为选取一个地理坐标，最终将数值天气预报的格点数据插值到该点，如此无法准确的反应整个风电场的整体气候特点，最终导致风功率预测精度的不理想。
发明内容
有鉴于此，本发明旨在提出一种基于集合局地多点不同气候特征的风功率预测方法，通过选择风电场最优的若干点，进行多点合成，可以很好的反映整场的风速状况，来增强气象预报的稳定性，显著提高风功率预测的精度。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于集合局地多点不同气候特征的风功率预测方法，包括如下步骤：
(1)建立电场模型，获得电场周围气象数值预报结果，并通过数据插值方法获得单点预报风速在三维空间的数值；
(2)将单点预报风速合成两点和三点风速，获得合成风速；
(3)利用神经网络方法将合成风速转化成风功率。
进一步的，所述步骤(1)中具体包括如下步骤：
(a1)用Google Earth进行3维电场建模，根据电场风机的排布，选择30公里x 30公里的矩形试验区域机型；
(a2)利用数值天气模式通过并行计算得到试验区域天气预报结果；
(a3)使用NCO(netCDF Operators)提取模式垂直方向1-4层的模式计算结果，并输出模式的地面高度数据、位势高度等，将4层的σ坐标系转换成得到高度坐标系；
(a4)将垂直方向的模式计算结果进行插值计算，获得三维空间1000-3000个单点风速预报结果。
进一步的，所述步骤(a4)中插值计算方法包括线性插值、三次样条插值。
进一步的，所述步骤(2)具体包括如下步骤：
(b1)计算单点预报风速在三维空间的数值的风速预报与电场风机的平均风速之间的相关性系数r，剔除相关性系数后50％的单点结果；
(b2)对保留的50％的单点，分别给出所有两点、三点的组合方案；
(b3)对所有组合方案分别取两点和三点均值，得到合成风速结果；
(b4)计算所有的合成风速结果与电场风机平均风速之间的相关性系数r、平均绝对误差MAE；
(b5)删选出相关性系数最优的前200组组合方案，从200组方案中选出平均绝对误差最小的50组组合方案；
(b6)根据单电场历史实测的风速给出高低风速段的阈值；
(b7)对高低风速段进行权重的订正。
进一步的，所述步骤(3)具体包括如下步骤：
(c1)通过风电场历史风速和功率，经过神经网络模型拟合风速-功率曲线；
(c2)将合成风速放入到神经网络模型中得到预测的风功率；
(c3)通过计算50组预测的风功率的扣电量和精度；
(c4)比较扣电量和精度选出最优的方案。
相对于现有技术，本发明所述的一种基于集合局地多点不同气候特征的风功率预测方法具有以下优势：
(1)本发明在原有单点预报的基础上，整合了单点的结果，形成多点集合预报，减少风速波动，提高风功率预测的精度；
(2)本发明集合的气象数据所选用水平和垂直三维高分辨率格点，综合了不同水平点和不同高度的气候状态，提高风功率预测的精度；
本发明通过整合多点的气候特征，降低风场波动性，不受电场扩容限电等因素的影响，调整预报风速，提高风功率预测的精度。
本发明的另一目的在于提出一种基于集合局地多点不同气候特征的风功率预测装置，以增强气象预报的稳定性，显著提高风功率预测的精度。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于集合局地多点不同气候特征的风功率预测系统，包括
用于建立电场模型，获得电场周围气象数值预报结果，并通过数据插值方法获得单点预报风速在三维空间的数值的电场模型建立装置；
用于将单点预报风速合成两点和三点风速，获得合成风速的风速合成装置；
用于利用神经网络方法将合成风速转化成风功率的风功率转化装置。
进一步的，电场模型建立装置包括
用Google Earth进行三维电场建模，根据电场风机的排布，选择30公里x 30公里的矩形试验区域机型的三维电场建模装置；
用于利用数值天气模式通过并行计算得到试验区域天气预报结果的天气预报结果计算装置；
用于使用NCO(netCDF Operators)提取模式垂直方向1-4层的模式计算结果，并输出模式的地面高度数据、位势高度等，将4层的σ坐标系转换成得到高度坐标系的模式计算结果提取装置；
用于将垂直方向的模式计算结果进行插值计算，获得三维空间1000-3000个单点风速预报结果的插值计算装置。
进一步的，所述插值计算装置包括线性插值计算装置、三次样条插值计算装置。
进一步的，风速合成装置包括
用于计算单点预报风速在三维空间的数值的风速预报与电场风机的平均风速之间的相关性系数r，剔除相关性系数后50％的单点结果的单点结果提取装置；
用于对保留的50％的单点，分别给出所有两点、三点的组合方案的组合方案获得装置；
用于对所有组合方案分别取两点和三点均值，得到合成风速结果的合成风速获得装置；
用于计算所有的合成风速结果与电场风机平均风速之间的相关性系数r、平均绝对误差MAE的相关性系数获得装置以及平均绝对误差获得装置；
用于删选出相关性系数最优的前200组组合方案，从200组方案中选出平均绝对误差最小的50组组合方案最优方案获得装置；
用于根据单电场历史实测的风速给出高低风速段阈值的阈值获取装置；
用于对高低风速段进行权重订正的订正装置。
进一步的，风功率转化装置包括
用于通过风电场历史风速和功率，经过神经网络模型拟合风速-功率曲线的曲线拟合装置；
用于将成风速放入到神经网络模型中得到预测的风功率的风功率预测装置；
用于通过计算50组预测的风功率的扣电量和精度的扣电量和精度获取；
用于比较扣电量和精度选出最优的方案的最优方案获取装置。
所述基于集合局地多点不同气候特征的风功率预测装置与上述基于集合局地多点不同气候特征的风功率预测方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的一种基于集合局地多点不同气候特征的风功率预测方法示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明加入了集合多点优化的理念，重点考虑风电场所处区域大范围的天气状况，水平与垂直三维多点数值预报结果与实测风速、风向的比较，及通过多种方法进行多点合成，最终通过模型转化成风功率结果，再次检验风功率预测的准确性。具体步骤如图1所示，本发明是采用下述的技术方案实现的：
a.电场周围局地多点气象结果的计算；
a.1用Google Earth进行3维电场建模，根据电场风机的排布，选择30公里x 30公里的矩形试验区域，30公里的范围可以涵盖所有风电场的风机，同时可以考虑到电场上游的风场状况，有利于不同季节情况下对电场风速的调优；
a.2利用数值天气模式通过并行计算得到试验区域天气预报结果，数据水平分辨率为3公里、垂直分辨率约50米；
a.3使用NCO(netCDF Operators)提取模式垂直方向1-4层(最高层约200m)的模式计算结果，并输出模式的地面高度数据、位势高度等，将4层的σ坐标系转换成得到高度坐标系；
a.4由于所预报的风速要代表整场的气候特征，同一风电场不同的风机的海拔有很大差距，不同风电场所处的地形和海拔也不尽相同，仅仅将得到的风速插值到轮毂高度是很难满足整场风速的要求。因此需要细化垂直分层，通过边界层风速变化规律见公式1，将垂直插值为20层，最终获得三维空间2000个单点风速预报结果，如此高的分辨率可以精细的考虑风电场所处区域内气候的空间特征，经过试验可得，2000个单点风速预报结果的效果最佳，公式1如下：
其中，Zb，Z:标准参考高度和任一高度
α：地面粗糙指数。
b.合成风速结果，与实测风速对比，筛选合成方案；
b.1为优化计算速度，首先将2000个单点的风速预报分别于电场风机的平均风速进行比较；
b.2考虑到国家电网对风功率预测的考核要求，比较标准为：二者相关性系数r、平均绝对误差MAE、均方根误差RMS等，剔除相关性系数后50％的单点结果；相关性系数计算公式如公式2所示：
其中，r为相关性系数，xi、yi分别表示实发风速和预测风速的第i个值，
分别是实发风速和预测风速的算术平均值，n为样本总量。
b.3b.2中保留的1000个单点，分别给出所有两点、三点的组合方案，如此综合两个或三个单点的风速状态，相比单点，多点组合的预报气象结果日内或逐月的波动性均显著减小；
b.4所有组合方案分别取两点和三点均值，得到合成风速结果；
b.5将所有的合成风速结果与电场风机平均风速比较，比较标准为相关性系数r、平均绝对误差MAE；
b.6删选出相关系数最优的前200组组合方案，从200组方案中选出平均绝对误差最小的50组组合方案；
b.7根据单电场历史实测的风速给出高低风速段的阈值；
b.8对高低风速段进行权重的订正。
c.将风速合成方案通过模型处理，对比功率结果；
c.1风速转化成风功率，主要依赖神经网络的方法；
c.2通过风电场历史风速和功率，经过神经网络模型拟合风速-功率曲线；
c.3将50组合成风速放入到神经网络模型中得到50组预测的风功率；
c.4通过计算50组预测的风功率的扣电量和精度；
c.5比较扣电量和精度选出最优的方案。
本发明还提出了一种基于集合局地多点不同气候特征的风功率预测系统，包括
(1)用于建立电场模型，获得电场周围气象结果，并通过数据插值方法获得单点风速在三维空间的数值的电场模型建立装置；
所述电场模型建立装置包括
用Google Earth进行三维电场建模，根据电场风机的排布，选择30公里x 30公里的矩形试验区域机型的三维电场建模装置；
用于利用数值天气模式通过并行计算得到试验区域天气预报结果的天气预报结果计算装置；
用于使用NCO(netCDF Operators)提取模式垂直方向1-4层的模式计算结果，并输出模式的地面高度数据、位势高度等，将4层的σ坐标系转换成得到高度坐标系的模式计算结果提取装置；
用于将垂直方向的模式计算结果进行插值计算，获得三维空间1000-3000个单点风速预报结果的插值计算装置。
所述插值计算装置包括线性插值计算装置、三次样条插值计算装置。
(2)用于将单点风速合成两点和三点风速，获得合成风速的风速合成装置；
所述风速合成装置包括
用于计算单点风速在三维空间的数值的风速预报与电场风机的平均风速之间的相关性系数r，剔除相关性系数后50％的单点结果的单点结果提取装置；
用于对保留的50％的单点，分别给出所有两点、三点的组合方案的组合方案获得装置；
用于对所有组合方案分别取两点和三点均值，得到合成风速结果的合成风速获得装置；
用于计算所有的合成风速结果与电场风机平均风速之间的相关性系数r、平均绝对误差MAE的相关性系数获得装置以及平均绝对误差获得装置；
用于删选出相关性系数最优的前200组组合方案，从200组方案中选出平均绝对误差最小的50组组合方案最优方案获得装置；
用于根据单电场历史实测的风速给出高低风速段阈值的阈值获取装置；
用于对高低风速段进行权重订正的订正装置。
(3)用于利用神经网络方法将合成风速转化成风功率的风功率转化装置；
所述风功率转化装置包括
用于通过风电场历史风速和功率，经过神经网络模型拟合风速-功率曲线的曲线拟合装置；
用于将成风速放入到神经网络模型中得到预测的风功率的风功率预测装置；
用于通过计算50组预测的风功率的扣电量和精度的扣电量和精度获取；
用于比较扣电量和精度选出最优的方案的最优方案获取装置。
本发明可以十分简便的筛选出最优的组合方案，便于之后的实际应用；经实际业务测试后对于不同气候特征的电场风速的预报均有提高，同时对于复杂的山地、丘陵等地形同样均有显著的效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (6)
1.一种基于集合局地多点不同气候特征的风功率预测方法，其特征在于：包括如下步骤：
（1）建立电场模型，获得电场周围气象数值预报结果，并通过数据插值方法获得单点预报风速在三维空间的数值；
（2）将单点预报风速合成两点和三点风速，获得合成风速；
（3）利用神经网络方法将合成风速转化成风功率；
所述步骤（1）具体包括如下步骤：
（a1）进行三维电场建模，根据电场风机的排布，选择30公里 x 30公里的矩形试验区域，涵盖所有风电场的风机及电场上游的风场状况；
（a2）利用数值天气模式通过并行计算得到试验区域天气预报结果，数据水平分辨率为3公里、垂直分辨率50米；
（a3）使用NCO(netCDF Operators)提取模式垂直方向1-4层的模式计算结果，并输出模式的地面高度数据、位势高度，将4层的σ坐标系转换得到高度坐标系；
（a4）细化垂直分层，通过边界层风速变化规律见公式1，将垂直分层插值为20层，最终获得三维空间2000个单点风速预报结果，公式1如下：
其中，Zb，Z :标准参考高度和任一高度；
所述步骤（2）具体包括如下步骤：
（b1）单点的风速预报分别与电场风机的平均风速进行比较；计算单点预报风速在三维空间的数值的风速预报与电场风机的平均风速之间的相关性系数r，剔除相关性系数后50%的单点结果；
相关性系数计算公式：
其中，r为相关性系数，xi、yi分别表示实发风速和预测风速的第i个值，
、
分别是实发风速和预测风速的算术平均值，n为样本总量；
（b2）对保留的50%的单点，分别给出所有两点、三点的组合方案；
（b3）对所有组合方案分别取两点和三点均值，得到合成风速结果；
（b4）计算所有的合成风速结果与电场风机平均风速之间的相关性系数r、平均绝对误差MAE；
（b5）删选出相关性系数最优的前200组组合方案，从200组方案中选出平均绝对误差最小的50组组合方案；
（b6）根据单电场历史实测的风速给出高低风速段的阈值；
（b7）对高低风速段进行权重的订正。
2.根据权利要求1所述的一种基于集合局地多点不同气候特征的风功率预测方法，其特征在于：所述步骤（a4）中插值计算方法包括线性插值、三次样条插值。
3.根据权利要求1所述的一种基于集合局地多点不同气候特征的风功率预测方法，其特征在于：所述步骤（3）具体包括如下步骤：
（c1）通过风电场历史风速和功率，经过神经网络模型拟合风速-功率曲线；
（c2）将合成风速放入到神经网络模型中得到预测的风功率；
（c3）通过计算50组预测的风功率的扣电量和精度；
（c4）比较扣电量和精度选出最优的方案。
4.一种基于集合局地多点不同气候特征的风功率预测系统，其特征在于：包括
用于建立电场模型，获得电场周围气象数值预报结果，并通过数据插值方法获得单点预报风速在三维空间的数值的电场模型建立装置；
用于将单点预报风速合成两点和三点风速，获得合成风速的风速合成装置；
用于利用神经网络方法将合成风速转化成风功率的风功率转化装置；
所述电场模型建立装置包括，
进行三维电场建模，根据电场风机的排布，选择30公里 x 30公里的矩形试验区域，涵盖所有风电场的风机及电场上游的风场状况的三维电场建模装置；
用于利用数值天气模式通过并行计算得到试验区域天气预报结果、数据水平分辨率为3公里、垂直分辨率50米的天气预报结果计算装置；
用于使用NCO(netCDF Operators)提取模式垂直方向1-4层的模式计算结果，并输出模式的地面高度数据、位势高度，将4层的σ坐标系转换得到高度坐标系的模式计算结果提取装置；
用于细化垂直分层，通过边界层风速变化规律将垂直分层插值为20层，最终获得三维空间2000个单点风速预报结果的插值计算装置，插值计算装置中边界层风速变化规律的公式1如下：
其中，Zb，Z :标准参考高度和任一高度；
所述风速合成装置包括，
单点结果提取装置：单点的风速预报分别与电场风机的平均风速进行比较；计算单点预报风速在三维空间的数值的风速预报与电场风机的平均风速之间的相关性系数r，剔除相关性系数后50%的单点结果；相关性系数计算公式为
其中，r为相关性系数，xi、yi分别表示实发风速和预测风速的第i个值，
、
分别是实发风速和预测风速的算术平均值，n为样本总量；
用于对保留的50%的单点，分别给出所有两点、三点的组合方案的组合方案获得装置；
用于对所有组合方案分别取两点和三点均值，得到合成风速结果的合成风速获得装置；
用于计算所有的合成风速结果与电场风机平均风速之间的相关性系数r、平均绝对误差MAE的相关性系数获得装置以及平均绝对误差获得装置；
用于删选出相关性系数最优的前200组组合方案，从200组方案中选出平均绝对误差最小的50组组合方案最优方案获得装置；
用于根据单电场历史实测的风速给出高低风速段阈值的阈值获取装置；
用于对高低风速段进行权重订正的订正装置。
5.根据权利要求4所述的一种基于集合局地多点不同气候特征的风功率预测系统，其特征在于：所述插值计算装置包括线性插值计算装置、三次样条插值计算装置。
6.根据权利要求4所述的一种基于集合局地多点不同气候特征的风功率预测系统，其特征在于：所述风功率转化装置包括
用于通过风电场历史风速和功率，经过神经网络模型拟合风速-功率曲线的曲线拟合装置；
用于将成风速放入到神经网络模型中得到预测的风功率的风功率预测装置；
用于通过计算50组预测的风功率的扣电量和精度的扣电量和精度获取；
用于比较扣电量和精度选出最优的方案的最优方案获取装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710001787.7A CN106875038B (zh) | 2017-01-03 | 2017-01-03 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710001787.7A CN106875038B (zh) | 2017-01-03 | 2017-01-03 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106875038A CN106875038A (zh) | 2017-06-20 |
| CN106875038B true CN106875038B (zh) | 2021-09-28 |
Family
ID=59164555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710001787.7A Active CN106875038B (zh) | 2017-01-03 | 2017-01-03 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106875038B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934378A (zh) * | 2018-12-30 | 2019-06-25 | 孙力勇 | 一种功率预测方法及装置 |
| CN116317169B (zh) * | 2023-05-17 | 2023-08-04 | 三峡智控科技有限公司 | 一种风功率预测系统远程智能比对平台与方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009225550A (ja) * | 2008-03-14 | 2009-10-01 | Tokyo Electric Power Co Inc:The | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 |
| JP2009237832A (ja) * | 2008-03-26 | 2009-10-15 | Tokyo Gas Co Ltd | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
| CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
| CN105844361A (zh) * | 2016-03-29 | 2016-08-10 | 北京金风科创风电设备有限公司 | 风电机组风功率预测方法、解缆方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007056686A (ja) * | 2005-08-22 | 2007-03-08 | Univ Of Ryukyus | 風速予測に基づく風力発電機の数時間先発電電力予測装置 |
| CN102945508B (zh) * | 2012-10-15 | 2014-01-29 | 风脉（武汉）可再生能源技术有限责任公司 | 一种基于模型校正的风电功率预测预报方法 |
| CN103268366B (zh) * | 2013-03-06 | 2017-09-29 | 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 |
| CN103400052B (zh) * | 2013-08-22 | 2017-02-08 | 武汉大学 | 一种风电场短期风速组合预测方法 |
| CN105184423B (zh) * | 2015-10-20 | 2018-11-09 | 国家电网有限公司 | 一种风电场集群风速预测方法 |
| CN105512766A (zh) * | 2015-12-11 | 2016-04-20 | 中能电力科技开发有限公司 | 一种风电场功率预测方法 |
-
2017
- 2017-01-03 CN CN201710001787.7A patent/CN106875038B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009225550A (ja) * | 2008-03-14 | 2009-10-01 | Tokyo Electric Power Co Inc:The | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 |
| JP2009237832A (ja) * | 2008-03-26 | 2009-10-15 | Tokyo Gas Co Ltd | 可変的予測モデル構築方法、及び、可変的予測モデル構築システム |
| CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
| CN105844361A (zh) * | 2016-03-29 | 2016-08-10 | 北京金风科创风电设备有限公司 | 风电机组风功率预测方法、解缆方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| "基于风电场动态时空关系的风速分布模型研究";佘慎思 等;《电网技术》;20140630;第38卷(第6期);第1432-1438页 * |
| "考虑流动相关性的风电场机组分组功率预测方法";阎洁 等;《现代电力》;20150228(第1期);第25-30页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106875038A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447315B (zh) | 一种基于多时空尺度的电力气象数值天气预报方法和装置 | |
| Pearre et al. | Statistical approach for improved wind speed forecasting for wind power production | |
| 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 | |
| CN110008982B (zh) | 一种基于光伏发电出力聚类的气象监测点选择方法 | |
| CN104021424B (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
| CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
| CN103400009B (zh) | 基于分裂层次半监督谱聚类算法的风电场动态等值方法 | |
| CN109726867B (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
| WO2013181408A2 (en) | Method and apparatus for forecasting solar radiation and solar power production using synthetic irradiance imaging | |
| Ahmed | Investigation of wind characteristics and wind energy potential at Ras Ghareb, Egypt | |
| CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
| CN111458769B (zh) | 用于输电线路环境气象数据预测的方法及系统 | |
| CN103514328A (zh) | 一种基于wrf的极端干旱地区风场模拟方法 | |
| Holttinen et al. | Variability of load and net load in case of large scale distributed wind power | |
| Schubert | Modeling hourly electricity generation from PV and wind plants in Europe | |
| CN111709644B (zh) | 一种利用机组scada数据的风电场风资源计算方法 | |
| CN106875038B (zh) | 基于集合局地多点不同气候特征的风功率预测方法及装置 | |
| Browell et al. | Use of turbine-level data for improved wind power forecasting | |
| CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
| CN111342499A (zh) | 一种基于风功率预测数据的风电场实时调度方法 | |
| CN104598743A (zh) | 一种无量测地区太阳辐射数据的生成方法 | |
| Efe et al. | 72hr forecast of wind power in Manisa, Turkey by using the WRF model coupled to WindSim | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
| CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
| CN113849974B (zh) | 一种基于风光出力互补的新能源基地风电场选址方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: No.227, 2f, building 1, building materials City, Xisanqi, Haidian District, Beijing 100091 Applicant after: New energy Polytron Technologies Inc Address before: 100081, No. 19, building 68, College Road, Haidian District, Beijing, four, 407 Applicant before: Beijing Guo Nengxin system control technique company limited |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |