CN107133702A - 一种风电场全场功率预测方法 - Google Patents

Abstract

本发明公开了一种风电场全场功率预测方法，包括各风电场分别判断是否可以获取天气预报信息，当判断结果为是时，风电场根据天气预报信息进行功率预测、或将天气预报信息结合风电场预测的风速进行功率预测；当判断结果为否时，风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测，并将预测结果发送至电网调度中心，供电网调度中心根据预测的功率安排后续的并网运行计划，及安排维修维护作业在电量产能低的时间段/区域进行。本方法中在有无气象预报数据下都可以进行运作，因此极大的提升了系统的适应性，当有气象信息的情况下可以进一步提升预测精度。

Description

一种风电场全场功率预测方法

技术领域

本发明属于电力系统控制领域，涉及一种风电场全场功率预测方法。

背景技术

由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻都在变化。风力发电具有波动性、间歇性和随机性的特点。这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。因此，当风力发电场特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。

在此背景下风电场的功率预测，有2个目的意义：第一个是提供预测的风场发电信息给电网调度，供电网调度安排后续的并网运行计划，这对风场的顺利并网以及限电调度等都至关重要。第二个是为了更好地安排维修、生产计划，预测未来电能产生的情况，在安全运行的前提下，尽量维修维护作业排产在产能低的情况下进行，从而带来更高的经济效益。

然而，风电场只通过计算预测未来风速数据，其获得的数据精确度不是很高，若其采用天气预报信息，则会提供数据预测的精度，有利于功率预测的准确性，另一方面，现有全场风电场分别较广，很多风场的气象数据资源并不理想，存在有些项目气象资源覆盖范围小，或者没有气象资源情况。

有鉴于此，特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种风电场全场功率预测方法，在有无气象预报数据下都可以进行运作，因此极大的提升了系统的适应性，当有气象信息的情况下可以进一步提升预测精度。

为解决上述技术问题，本发明采用技术方案的基本构思是：

一种风电场全场功率预测方法，所述的全场包括多个风电场，所述的方法包括各风电场分别判断是否可以获取天气预报信息，当判断结果为是时，风电场根据天气预报信息进行功率预测、或将天气预报信息结合风电场预测的风速进行功率预测；当判断结果为否时，风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测，并将预测结果发送至电网调度中心，供电网调度中心根据预测的功率安排后续的并网运行计划，及安排维修维护作业在电量产能低的时间段/区域进行。

在上述方案中，各风电场根据实际情况，来进行功率预测，其中，各风电场在有气象数据的时候，先根据气象数据进行功率预测，在没有气象数据时，则通过风电场自身预测的风速进行功率预测。如此，则有利于提高全场风电场的功率预测精度。最后在对各风电场的功率相加求和得出最终全场功率。风电场的功率预测，有两个目的意义：第一个是提供预测的风场发电信息给电网调度，供电网调度安排后续的并网运行计划，这对风场的顺利并网以及限电调度等都至关重要；第二个是为了更好地安排维修、生产计划，预测未来电能产生的情况，在安全运行的前提下，尽量维修维护作业排产在产能低的情况下进行，从而带来更高的经济效益。

本发明中，各风电场判断是否可以获得气象资源中的预测数据，如果有气象数据，则根据气象数据进行功率预测，如果没有气象数据根据预测的风速数据进行功率预测。这样设计主要考虑风速预测数据并不是所有风场都可以获取，通过这样的设计既保留了传统的时序预测方式，又可以对存在气象数据的风场进一步提高预测的准确性。

优选的，所述的风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测包括以下步骤：

S1、建立各风电场的风速时序预测模型，通过该风速时序预测模型预测风速信息；

S2、将全场同类型的风机根据历史数据建立模型，并通过风速、温度、功率、偏航、风向属性进行模型训练，建立同类型的风机的风速对应功率的曲线数据；

S3、对步骤S2建立的各模型分别输入对应的预测的风速信息，利用模型回归原理计算出对应预测功率。其中，所述的预测的风速信息为步骤S1中通过风速时序预测模型预测的风速信息。

优选的，在步骤S1中，所述的建立各风电场的风速时序预测模型，包括以各风电场风机的历史数据为模型，提取风速、风向、温度属性进行模型训练，建立风速时序预测模型。其中，所述的历史数据包括各风电场过去一定时间段内的运行数据。

优选的，所述的风速时序预测模型使用ARIMA模型，根据所述历史数据和风机当前运行数据生成预测风速信息。

优选的，所述的风速时序预测模型使用ARIMA模型(自回归移动平均模型)进行数据列学习，每日的风速数据可以看作是随着时间的推移而形成的一个随机时间序列，通过对该时间序列上风速值的随机性、平稳性以及季节性等因素的分析，将这些当日风速值之间所具有的相关性或依存关系用数学模型描述出来，从而达到利用过去及现在的风速信息来预测未来风速情况的目的。

优选的，所述的步骤S1包括以下步骤：

S101、获取各风电场风速的历史数据，对所述历史数据进行预处理，形成风速时间序列；

S102、对步骤S101中的风速时间序列的风速值的随机性、平稳性以及季节性因素进行分析；

S103、将当日风速值之间所具有的相关性或依存关系用数学模型描述出来，从而利用过去及现在的风速信息来预测未来风速信息。

优选的，所述的历史数据为风电场过去10-80天内的运行数据，最优选的，所述的历史数据为过去30天内的运行数据。

优选的，所述的根据天气预报信息进行功率预测包括以下步骤：

S201、建立各风电场的针对天气预报的预测模型；

S202、获取各风电场的天气预报参数，并输入至步骤S201中的预测模型中，获得预测结果。

优选的，在步骤S201中，包括获取风电场地理位置对应的天气预报信息、风电场历史测风数据、风电场输出功率历史数据、风电场的地理位置信息以及风机的参数，并对各数据信息进行数据处理和模型训练，获得风电场针对天气预报的预测模型。

优选的，所述的获取风电场地理位置对应的天气预报信息包括，风电厂自动连接天气预报服务器并由该服务器直接获取该风电场所在地理位置对应的天气预报信息，所述的天气预报信息至少包括风速信息、风向信息、气温信息、气压信息及湿度信息。当然的，也可以人工输入对应的天气预报数信息。

优选的，所述的结合天气预报信息及风电场预测的风速进行功率预测包括以下步骤：

S301、根据天气预报信息，获取风速变化预测数据；

S302、根据风电场历史数据，建立风速时序预测模型，获得与步骤S301中的风速变化预测数据相同时间段内的风速变化预测数据；

S302、根据步骤S301和步骤S302中得出的风速变化预测数据进行平均计算得出优化后的预测风速；

S303、根据步骤S302中的优化后的预测风速进行功率预测。

在上述方案中，通过结合天气预报数据和风电场预测数据进行功率预测，可以减小误差，达到较为接近实际的优化数据。

另一方面，本发明中，步骤S2中的风速对应功率的曲线数据对于功率预测的结果非常重要，将S1中获得的预测的风速信息与该风速对应功率的曲线数据相对应即可获得预测的功率，因此为了提高该风速对应功率的曲线数据的准确度，本发明中，风速对应功率的曲线数据的获取包括以下步骤：

S401、获取风机历史数据，所述的历史数据包括了风机的风速值和该风速值对应的实测功率值；

S402、按照步骤S401中的历史数据绘制风速功率散点图，对历史数据进行人工监督标记，并剔除错误/异常的数据；

S403、由该风速功率散点图确定风速对应功率的曲线数据；

其中，在步骤S401中，还包括对历史数据进行数据清洗去除干扰或者错误产生的数据；

优选的，所述的对历史数据进行数据清洗去除干扰或者错误产生的数据，包括去除功率为0、功率为负数、风速为0、风速为负数、功率大于风机实际功率1.2倍以上的数据项。

其特征在于，在步骤S403中，包括在风速功率散点图上以预设风速间隔划分区间，分别确定各区间的中值点，并按照各中值点构造风速对应功率的曲线。

优选的，所述的步骤S403中还包括以下步骤：

以每N米风速作为切分点，对风速功率散点图进行分组，获得多个组；分别对每个组内的数据进行中值法计算，确定每个组内的中值点；根据各中值点构造风速对应功率的曲线；优选的，所述的N为0.05-1，优选的，所述的N为0.1。优选的，所述的根据各中值点构造风速对应功率的曲线包括对各中值点进行连线并平滑处理，优选的，所述的平滑处理包括通过最小二乘法对各中值点进行拟合。

在预测功率之后，还对预测结果进行了输出展示，以提示工作人员，比如通过显示屏显示预测信息，该预测信息的显示界面包括：当前风场数据显示区，用户可以选择被监控的不同风场，选择后显示当前风场的运行汇总数据，当前风机数量，当前运行的总体功率以及当前风场的平均风速。

优选的，通过图表的方式显示功率预测数据：图表区显示72小时发电功率曲线，该曲线图中显示2条功率曲线，该2条功率曲线颜色不同以区别开实际发电功率和预测发电功率，比如通过绿色线表示实际发电功率曲线，蓝色线表示依照后台预测模型运算产生的预测发电功率曲线。过往数据显示24小时，未来预测数据显示48小时。优选的，还包括重要数据显示区，显示当前预测的全场功率的主要参数以及预测数据信息。

采用上述技术方案后，本发明与现有技术相比具有以下有益效果。

本发明的风电场全场功率预测方法利用灰度分析理论，结合时序分析，在存在天气预报数据和风资源数据情况下，在辅助以风速预测分析可以进一步提升预测正确性。

性能提升：很多风场的气象数据资源并不理想，存在有些项目气象资源覆盖范围小，或者没有气象资源情况，本方法中在有无气象预报数据下都可以进行运作，因此极大的提升了系统的适应性，当有气象信息情况下可以进一步提升预测精度。

功能扩展：本方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。

下面结合附图对本发明的具体实施方式作进一步详细的描述。

附图说明

附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：

图1是本发明的风电场全场功率预测方法控制流程图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例

参见图1所示，本发明提供一种风电场全场功率预测方法，所述的全场包括多个风电场，所述的方法包括各风电场分别判断是否可以获取天气预报信息，当判断结果为是时，风电场根据天气预报信息进行功率预测、或将天气预报信息结合风电场预测的风速进行功率预测；当判断结果为否时，风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测，并将预测结果发送至电网调度中心，供电网调度中心根据预测的功率安排后续的并网运行计划，及安排维修维护作业在电量产能低的时间段/区域进行。

在上述方案中，各风电场根据实际情况，来进行功率预测，其中，各风电场在有气象数据的时候，先根据气象数据进行功率预测，在没有气象数据时，则通过风电场自身预测的风速进行功率预测。如此，则有利于提高全场风电场的功率预测精度。最后在对各风电场的功率相加求和得出最终全场功率。风电场的功率预测，有两个目的意义：第一个是提供预测的风场发电信息给电网调度，供电网调度安排后续的并网运行计划，这对风场的顺利并网以及限电调度等都至关重要；第二个是为了更好地安排维修、生产计划，预测未来电能产生的情况，在安全运行的前提下，尽量维修维护作业排产在产能低的情况下进行，从而带来更高的经济效益。

本发明中，各风电场判断是否可以获得气象资源中的预测数据，如果有气象数据，则根据气象数据进行功率预测，如果没有气象数据根据预测的风速数据进行功率预测。这样设计主要考虑风速预测数据并不是所有风场都可以获取，通过这样的设计既保留了传统的时序预测方式，又可以对存在气象数据的风场进一步提高预测的准确性。

优选的，所述的风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测包括以下步骤：

S1、建立各风电场的风速时序预测模型，通过该风速时序预测模型预测风速信息；

S2、将全场同类型的风机根据历史数据建立模型，并通过风速、温度、功率、偏航、风向属性进行模型训练，建立同类型的风机的风速对应功率的曲线数据；

S3、对步骤S2建立的各模型分别输入对应的预测的风速信息，利用模型回归原理计算出对应预测功率。其中，所述的预测的风速信息为步骤S1中通过风速时序预测模型预测的风速信息。

优选的，在步骤S1中，所述的建立各风电场的风速时序预测模型，包括以各风电场风机的历史数据为模型，提取风速、风向、温度属性进行模型训练，建立风速时序预测模型。其中，所述的历史数据包括各风电场过去一定时间段内的运行数据。

优选的，所述的风速时序预测模型使用ARIMA模型，根据所述历史数据和风机当前运行数据生成预测风速信息。

优选的，所述的风速时序预测模型使用ARIMA模型(自回归移动平均模型)进行数据列学习，每日的风速数据可以看作是随着时间的推移而形成的一个随机时间序列，通过对该时间序列上风速值的随机性、平稳性以及季节性等因素的分析，将这些当日风速值之间所具有的相关性或依存关系用数学模型描述出来，从而达到利用过去及现在的风速信息来预测未来风速情况的目的。

优选的，所述的步骤S1包括以下步骤：

S101、获取各风电场风速的历史数据，对所述历史数据进行预处理，形成风速时间序列；

S102、对步骤S101中的风速时间序列的风速值的随机性、平稳性以及季节性因素进行分析；

S103、将当日风速值之间所具有的相关性或依存关系用数学模型描述出来，从而利用过去及现在的风速信息来预测未来风速信息。

优选的，所述的历史数据为风电场过去10-80天内的运行数据，最优选的，所述的历史数据为过去30天内的运行数据。

优选的，所述的根据天气预报信息进行功率预测包括以下步骤：

S201、建立各风电场的针对天气预报的预测模型；

S202、获取各风电场的天气预报参数，并输入至步骤S201中的预测模型中，获得预测结果。

优选的，在步骤S201中，包括获取风电场地理位置对应的天气预报信息、风电场历史测风数据、风电场输出功率历史数据、风电场的地理位置信息以及风机的参数，并对各数据信息进行数据处理和模型训练，获得风电场针对天气预报的预测模型。

优选的，所述的获取风电场地理位置对应的天气预报信息包括，风电厂自动连接天气预报服务器并由该服务器直接获取该风电场所在地理位置对应的天气预报信息，所述的天气预报信息至少包括风速信息、风向信息、气温信息、气压信息及湿度信息。当然的，也可以人工输入对应的天气预报数信息。

优选的，所述的结合天气预报信息及风电场预测的风速进行功率预测包括以下步骤：

S301、根据天气预报信息，获取风速变化预测数据；

S302、根据风电场历史数据，建立风速时序预测模型，获得与步骤S301中的风速变化预测数据相同时间段内的风速变化预测数据；

S302、根据步骤S301和步骤S302中得出的风速变化预测数据进行平均计算得出优化后的预测风速；

S303、根据步骤S302中的优化后的预测风速进行功率预测。

在上述方案中，通过结合天气预报数据和风电场预测数据进行功率预测，可以减小误差，达到较为接近实际的优化数据。

另一方面，本发明中，步骤S2中的风速对应功率的曲线数据对于功率预测的结果非常重要，将S1中获得的预测的风速信息与该风速对应功率的曲线数据相对应即可获得预测的功率，因此为了提高该风速对应功率的曲线数据的准确度，本发明中，风速对应功率的曲线数据的获取包括以下步骤：

S401、获取风机历史数据，所述的历史数据包括了风机的风速值和该风速值对应的实测功率值；

S402、按照步骤S401中的历史数据绘制风速功率散点图，对历史数据进行人工监督标记，并剔除错误/异常的数据；

S403、由该风速功率散点图确定风速对应功率的曲线数据；

其中，在步骤S401中，还包括对历史数据进行数据清洗去除干扰或者错误产生的数据；

优选的，所述的对历史数据进行数据清洗去除干扰或者错误产生的数据，包括去除功率为0、功率为负数、风速为0、风速为负数、功率大于风机实际功率1.2倍以上的数据项。

其特征在于，在步骤S403中，包括在风速功率散点图上以预设风速间隔划分区间，分别确定各区间的中值点，并按照各中值点构造风速对应功率的曲线。

优选的，所述的步骤S403中还包括以下步骤：

以每N米风速作为切分点，对风速功率散点图进行分组，获得多个组；分别对每个组内的数据进行中值法计算，确定每个组内的中值点；根据各中值点构造风速对应功率的曲线；优选的，所述的N为0.05-1，优选的，所述的N为0.1。优选的，所述的根据各中值点构造风速对应功率的曲线包括对各中值点进行连线并平滑处理，优选的，所述的平滑处理包括通过最小二乘法对各中值点进行拟合。

在预测功率之后，还对预测结果进行了输出展示，以提示工作人员，比如通过显示屏显示预测信息，该预测信息的显示界面包括：当前风场数据显示区，用户可以选择被监控的不同风场，选择后显示当前风场的运行汇总数据，当前风机数量，当前运行的总体功率以及当前风场的平均风速。

优选的，通过图表的方式显示功率预测数据：图表区显示72小时发电功率曲线，该曲线图中显示2条功率曲线，该2条功率曲线颜色不同以区别开实际发电功率和预测发电功率，比如通过绿色线表示实际发电功率曲线，蓝色线表示依照后台预测模型运算产生的预测发电功率曲线。过往数据显示24小时，未来预测数据显示48小时。优选的，还包括重要数据显示区，显示当前预测的全场功率的主要参数以及预测数据信息。

本发明的风电场全场功率预测方法利用灰度分析理论，结合时序分析，在存在天气预报数据和风资源数据情况下，在辅助以风速预测分析可以进一步提升预测正确性。

性能提升：很多风场的气象数据资源并不理想，存在有些项目气象资源覆盖范围小，或者没有气象资源情况，本方法中在有无气象预报数据下都可以进行运作，因此极大的提升了系统的适应性，当有气象信息情况下可以进一步提升预测精度。

功能扩展：本方法中模型训练方式流程确定，只要通过学习不同的风机类型，就可以进行横向扩展，可以快速的扩充未来可以识别的风机种类。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (10)

1.一种风电场全场功率预测方法，所述的全场包括多个风电场，其特征在于，各风电场分别判断是否可以获取天气预报信息，当判断结果为是时，风电场根据天气预报信息进行功率预测、或将天气预报信息结合风电场预测的风速进行功率预测；当判断结果为否时，风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测，并将预测结果发送至电网调度中心，供电网调度中心根据预测的功率安排后续的并网运行计划，及安排维修维护作业在电量产能低的时间段/区域进行。

2.根据权利要求1所述的一种风电场全场功率预测方法，其特征在于，所述的风电场通过历史数据训练风速预测模型，由该风速预测模型运算得出预测风速，并根据该预测风速进行功率预测包括以下步骤：

S1、建立各风电场的风速时序预测模型，通过该风速时序预测模型预测风速信息；

S2、将全场同类型的风机根据历史数据建立模型，并通过风速、温度、功率、偏航、风向属性进行模型训练，建立同类型的风机的风速对应功率的曲线数据；

S3、对步骤S2建立的各模型分别输入对应预测的风速信息，利用模型回归原理计算出对应预测功率。

3.根据权利要求2所述的一种风电场全场功率预测方法，其特征在于，在步骤S1中，所述的建立各风电场的风速时序预测模型，包括以各风电场风机的历史数据为模型，提取风速、风向、温度属性进行模型训练，建立风速时序预测模型。

4.根据权利要求2或3所述的一种风电场全场功率预测方法，其特征在于，所述的风速时序预测模型使用ARIMA模型，根据所述历史数据和风机当前运行数据生成预测风速信息。

5.根据权利要求2-4任一所述的一种风电场全场功率预测方法，其特征在于，所述的步骤S1包括以下步骤：

S101、获取各风电场风速的历史数据，对所述历史数据进行预处理，形成风速时间序列；

S102、对步骤S101中的风速时间序列的风速值的随机性、平稳性以及季节性因素进行分析；

S103、将当日风速值之间所具有的相关性或依存关系用数学模型描述出来，从而利用过去及现在的风速信息来预测未来风速信息。

6.根据权利要求2-5任一所述的一种风电场全场功率预测方法，其特征在于，所述的历史数据为风电场过去30天内的运行数据。

7.根据权利要求1-6任一所述的一种风电场全场功率预测方法，其特征在于，所述的根据天气预报信息进行功率预测包括以下步骤：

S201、建立各风电场的针对天气预报的预测模型；

S202、获取各风电场的天气预报参数，并输入至步骤S201中的预测模型中，获得预测结果。

8.根据权利要求7所述的一种风电场全场功率预测方法，其特征在于，在步骤S201中，包括获取风电场地理位置对应的天气预报信息、风电场历史测风数据、风电场输出功率历史数据、风电场的地理位置信息以及风机的参数，并对各数据信息进行数据处理和模型训练，获得风电场针对天气预报的预测模型。

9.根据权利要求8所述的一种风电场全场功率预测方法，其特征在于，所述的获取风电场地理位置对应的天气预报信息包括，风电厂自动连接天气预报服务器并由该服务器直接获取该风电场所在地理位置对应的天气预报信息，所述的天气预报信息至少包括风速信息、风向信息、气温信息、气压信息及湿度信息。

10.根据权利要求1所述的一种风电场全场功率预测方法，其特征在于，所述的结合天气预报信息及风电场预测的风速进行功率预测包括以下步骤：

S301、根据天气预报信息，获取风速变化预测数据；

S302、根据风电场历史数据，建立风速时序预测模型，获得与步骤S301中的风速变化预测数据相同时间段内的风速变化预测数据；

S302、根据步骤S301和步骤S302中得出的风速变化预测数据进行平均计算得出优化后的预测风速；

S303、根据步骤S302中的优化后的预测风速进行功率预测。