CN107885968B - 基于周期叠加外推的风电场年平均风速预测方法及系统 - Google Patents
基于周期叠加外推的风电场年平均风速预测方法及系统 Download PDFInfo
- Publication number
- CN107885968B CN107885968B CN201711080700.6A CN201711080700A CN107885968B CN 107885968 B CN107885968 B CN 107885968B CN 201711080700 A CN201711080700 A CN 201711080700A CN 107885968 B CN107885968 B CN 107885968B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- sequence
- wind
- linear
- period
- 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
- 238000013213 extrapolation Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000013075 data extraction Methods 0.000 claims abstract description 3
- 230000007774 longterm Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 5
- 238000000675 plasmon resonance energy transfer Methods 0.000 claims description 5
- 239000011541 reaction mixture Substances 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于周期叠加外推的风电场年平均风速预测方法,主要包括提取数据、气候修正、线性趋势分析、消除线性趋势影响、提取风速主要周期、周期叠加外推、周期分量与趋势分量相结合等步骤,该方法主要通过小波分析对风电场历年平均风速进行小波变换计算,提取主要周期,再利用主要周期叠加外推,从而获得相关性较好,平均偏差值较低的结果。本发明还公开了基于周期叠加外推的风电场年平均风速预测系统。本发明的预测方法及系统更加科学准确,其预测结果可为风电场投资决策和运营管理提供更科学、有效的依据。
Description
技术领域
本发明涉及风力发电技术领域,特别是涉及基于周期叠加外推的风电场年平均风速预测方法及系统。
背景技术
风能是一种清洁的可再生能源,发展风力发电成为改善能源结构和保护生态环境的一种有效措施。但是风能属于过程性能源,具有随机性、间歇性和不稳定性的特点。因此,风电无法对利用小时数进行控制,年发电量完全依靠风速的变化而调节,这使得风电场前期投资决策分析及后期运营资金流动存在较大的不确定性。
以全寿命周期风资源评估思想对运营期内风资源进行预测分析,并进行发电量评估,以动态的发电量进行经济效益分析,可使项目的经济效益在整个寿命周期内更加接近实际水平,从而降低风电场投资和运营的风险。
为了提高风电场前期投资决策分析及后期运营的科学性和准确性,一般需要对未来20年运营期内年平均风速进行预测,现有风电场的投资决策和运营管理均基于固定测风年份计算得到的发电量,并未考虑动态风速对项目经济效益的影响,因此,亟需发展一种新的风电场年平均风速预测方法,使之更加科学准确,其预测结果可为风电场投资决策和运营管理提供更科学、有效的依据。
发明内容
本发明的目的是提供一种基于周期叠加外推的风电场年平均风速预测方法及系统,风速预测结果更加科学准确,其预测结果可为风电场投资决策和运营管理提供更科学、有效的依据。
为实现上述目的,本发明采用如下技术方案:
基于周期叠加外推的风电场年平均风速预测方法,包括以下步骤:A:提取数据:提取当地长期气象模式数据和风电场内测风塔测风数据,并对测风塔测风数据进行筛选和订正,得到一个完整年的测风数据;B:气候修正:将同期的所述测风数据与气象模式数据按风向进行线性相关性分析拟合,得到风电场长期测风数据,作为风速的原始时间序列;C:线性趋势分析:对所述原始时间序列做线性趋势分析,分离出风速的线性变化部分,获得线性趋势项,并根据风速的线性变化趋势得到未来风速的线性预报序列;D:消除线性趋势影响:在所述原始时间序列中减去线性趋势项,得到剩余序列;E:提取风速主要周期:采用Morlet小波变换技术对所述剩余序列进行周期分析,从中提取T个主要周期;F:周期叠加外推:按照提取的T个主要周期进行分组,对每组进行周期叠加平均,得到第T个预报序列;G:周期分量与趋势分量相结合:把未来风速的线性预报序列和所述第T个预报序列相加,得到未来风速的最终预报序列。
进一步地,所述步骤B中将同期的所述测风数据与气象模式数据按风向分16扇区进行线性相关性分析拟合。
进一步地,所述步骤E中的T≤3。
进一步地,所述步骤C、D、E具体包括:C:线性趋势分析:设所述原始时间序列为Y(N),其中Y为原始风速,N为年份;对所述原始时间序列Y(N)做线性趋势分析,分离出风速的线性变化部分,计算公式如下:
式(1)中,表示风速,为时间N的线性函数;b0表示函数的截距,b表示函数的斜率;利用所述原始时间序列通过一元线性回归确定式(1)中b0和b后,进一步根据式(1)预测风速未来Q年的线性变化部分,得到未来风速的线性预报序列PRE'(M),其中M=N+Q;D:消除线性趋势影响:在所述原始时间序列Y(N)中减去线性趋势项得到剩余序列Y'(N);计算公式如下:
E:提取风速主要周期:采用Morlet小波变换技术对所述剩余序列Y'(N)进行周期分析,从中提取T个主要周期;小波变换计算公式为:
其中,F(s,nδt)是小波系数,s为小波尺度,δt为等时步长,n=1,…,N,*表示共轭复数,选用的Morlet母子波函数公式为:
式(4)中t为时间,e是自然对数的底数,ω表示无量纲频率,取ω=6,用小波尺度s表示风速的周期。
进一步地,所述步骤F具体包括:按照提取的T个主要周期进行分组,对每组进行周期叠加平均,把第一组周期叠加后的平均值按第一个周期进行拟合外延至M,得到第一个预报序列PRE1(M),然后用序列Y'(N)减去第一组的平均值,得到序列Y1'(N);在Y1'(N)的基础上用同样的方法,将第二组周期叠加后的平均值按第二个周期进行排列外延至M,然后和第一个预报序列PRE1(M)相加,得到第二个预报序列PRE2(M),用Y1'(N)减去第二组的平均值,得到序列Y2'(N),在Y2'(N)的基础上依此类推,最后得到所述第T个预报序列PRET(M)。
基于周期叠加外推的风电场年平均风速预测系统,包括:提取数据模块:用于提取当地长期气象模式数据和风电场内测风塔测风数据,并对测风塔测风数据进行筛选和订正,得到一个完整年的测风数据;气候修正模块:用于将同期的所述测风数据与气象模式数据按风向进行线性相关性分析拟合,得到风电场长期测风数据,作为风速的原始时间序列;线性趋势分析模块:用于对所述原始时间序列做线性趋势分析,分离出风速的线性变化部分,获得线性趋势项,并根据风速的线性变化趋势得到未来风速的线性预报序列;消除线性趋势影响模块:用于在所述原始时间序列中减去线性趋势项,得到剩余序列;提取风速主要周期模块:用于采用Morlet小波变换技术对所述剩余序列进行周期分析,从中提取T个主要周期;周期叠加外推模块:用于按照提取的T个主要周期进行分组,对每组进行周期叠加平均,得到第T个预报序列;周期分量与趋势分量相结合模块:用于把未来风速的线性预报序列和所述第T个预报序列相加,得到未来风速的最终预报序列。
进一步地,所述气候修正模块将同期的所述测风数据与气象模式数据按风向分16扇区进行线性相关性分析拟合。
进一步地,所述提取风速主要周期模块提取主要周期的个数T≤3。
进一步地,所述线性趋势分析模块具体用于:设所述原始时间序列为Y(N),其中Y为原始风速,N为年份;对所述原始时间序列Y(N)做线性趋势分析,分离出风速的线性变化部分,计算公式如下:
式(1)中,表示风速,为时间N的线性函数;b0表示函数的截距,b表示函数的斜率;利用所述原始时间序列通过一元线性回归确定式(1)中b0和b后,进一步根据式(1)预测风速未来Q年的线性变化部分,得到未来风速的线性预报序列PRE'(M),其中M=N+Q;所述消除线性趋势影响模块具体用于:在所述原始时间序列Y(N)中减去线性趋势项得到剩余序列Y'(N);计算公式如下:
所述提取风速主要周期模块具体用于:采用Morlet小波变换技术对所述剩余序列Y'(N)进行周期分析,从中提取T个主要周期;小波变换计算公式为:
其中,F(s,nδt)是小波系数,s为小波尺度,δt为等时步长,n=1,…,N,*表示共轭复数,选用的Morlet母子波函数公式为:
式(4)中t为时间,e是自然对数的底数,ω表示无量纲频率,取ω=6,用小波尺度s表示风速的周期。
进一步地,所述周期叠加外推模块具体用于:按照提取的T个主要周期进行分组,对每组进行周期叠加平均,把第一组周期叠加后的平均值按第一个周期进行拟合外延至M,得到第一个预报序列PRE1(M),然后用序列Y'(N)减去第一组的平均值,得到序列Y1'(N);在Y1'(N)的基础上用同样的方法,将第二组周期叠加后的平均值按第二个周期进行排列外延至M,然后和第一个预报序列PRE1(M)相加,得到第二个预报序列PRE2(M),用Y1'(N)减去第二组的平均值,得到序列Y2'(N),在Y2'(N)的基础上依此类推,最后得到所述第T个预报序列PRET(M)。
由于采用上述技术方案,本发明至少具有以下优点:
本发明提出了基于周期叠加外推的风电场年平均风速预测方法及系统,其通过小波分析对风电场历年平均风速进行小波变换计算,提取主要周期,再利用主要周期叠加外推,可对风电场未来几十年运营期内年平均风速做出预测,其预测结果可为风电场投资决策和运营管理提供更科学、有效的依据。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1为本发明的基于周期叠加外推的风电场年平均风速预测方法流程图。
图2为1981~2015年风速的小波振幅图。
图3为采用本发明提供的预测方法进行年平均风速预测的拟合图。
具体实施方式
现有风电场的投资决策和运营管理均基于固定测风年份计算得到的发电量,并未考虑动态风速对项目经济效益的影响,本发明提供基于周期叠加外推的风电场年平均风速预测方法及系统,可对风电场未来几十年的运营期内年平均风速做出预测,可为风电场投资决策和运营管理提供更科学、有效的信息。
请结合图1所示,本发明所述基于周期叠加外推的风电场年平均风速预测方法,主要通过以下步骤实现:
步骤1:提取数据;提取当地长期气象模式数据和风电场内测风塔测风数据,并对测风塔数据进行筛选和订正,得到一个完整年的测风数据;
步骤2:气候修正;将测风塔数据与气象模式数据按风向分16扇区进行线性相关性分析拟合,得到风电场长期测风数据,作为待预测的原始时间序列;
步骤3:线性趋势分析;对待预测的原始时间序列Y(N)做线性趋势分析,分离出风速的线性变化部分,设风速为时间的线性函数,计算公式如下:
其中,b0表示函数的截距;b表示函数的斜率;N为年份;为风速。利用原始时间序列资料,通过一元线性回归,可确定b0和线性变化率b,进一步可预测风速未来Q年的线性变化部分,得到线性预报序列PRE'(M),其中M=N+Q;
步骤5:提取风速主要周期;采用Morlet小波变换技术对Y'(N)进行周期分析,从中提取T个主要周期,较佳地,此处提取最好不要超过三个主要周期(一般三个以上的周期显著性不高);小波变换计算公式为:
其中,F(s,nδt)是小波系数,s为小波尺度,δt为等时步长,n=1,…,N,*表示共轭复数,选用的Morlet母子波函数公式为:
式中t为时间,e是自然对数的底数,ω表示无量纲频率,取ω=6,则小波尺度s与傅里叶周期基本相等(λ=1.03s),可用小波尺度s表示风速的周期;
步骤6:周期叠加外推;按周期进行分组,对每组进行周期叠加平均,把第一组周期叠加后的平均值按第一个周期进行拟合外延至M,得到第一个预报序列PRE1(M),然后用序列Y'(N)减去第一组的平均值,得到序列Y1'(N);在Y1'(N)的基础上用同样的方法,将第二组周期叠加后的平均值按第二个周期进行排列外延至M,然后和第一个预报序列PRE1(M)相加,便得到第二个预报序列PRE2(M),用Y1'(N)减去第二组的平均值,得到序列Y2'(N),在Y2'(N)的基础上依此类推,最后可得到第T个预报序列PRET(M);
步骤7:周期分量与趋势分量相结合;把线性预报序列PRE'(M)和第T个预报序列PRET(M)相加,得到最终的预报序列PRE(M);具体计算公式如下:
PRE(M)=PRE'(M)+PRET(M) (5)
下面结合附图和具体实施例对本发明作进一步说明。
采用本发明基于周期叠加外推的风电场年平均风速预测方法对中国某风电场未来20年运营期内年平均风速进行预测,包括以下步骤:
步骤1:提取数据;提取邻近风电场处格点的1981~2015年气象模式风速数据,以及该风电场内测风塔数据,对测风塔数据进行筛选和订正,得到测风塔2015年01月01日~2015年12月31日一个完整年的测风数据;
步骤2:气候修正;将同期的测风塔数据与气象模式数据按风向分16扇区进行线性相关性分析(表1);
表1各扇区相关系数及相关性方程
利用建立的线性相关性方程进行拟合,得到风电场长期测风数据,求得1981~2015年的历年平均风速(表2)作为待预测的原始时间序列;
表2风电场1981~2015年的历年平均风速表(m/s)
年度 | 风速 | 年度 | 风速 | 年度 | 风速 | 年度 | 风速 | 年度 | 风速 |
1981 | 5.55 | 1988 | 5.41 | 1995 | 5.48 | 2002 | 5.49 | 2009 | 5.30 |
1982 | 5.25 | 1989 | 5.44 | 1996 | 5.37 | 2003 | 5.31 | 2010 | 5.67 |
1983 | 5.44 | 1990 | 5.45 | 1997 | 5.37 | 2004 | 5.27 | 2011 | 5.26 |
1984 | 5.30 | 1991 | 5.40 | 1998 | 5.37 | 2005 | 5.51 | 2012 | 5.28 |
1985 | 5.33 | 1992 | 5.29 | 1999 | 5.44 | 2006 | 5.34 | 2013 | 5.40 |
1986 | 5.36 | 1993 | 5.29 | 2000 | 5.40 | 2007 | 5.26 | 2014 | 5.19 |
1987 | 5.76 | 1994 | 5.51 | 2001 | 5.27 | 2008 | 5.30 | 2015 | 5.09 |
步骤3:线性趋势分析;对待预测的原始时间序列Y(N)做线性趋势分析,通过一元线性回归,可得风速的线性部分函数为 N为1981,1982,1983,···,2015;当N=M取2016,2017,2018,···,2035时,可得到风速未来20年的线性预报序列PRE'(M);
步骤5:提取风速主要周期;采用Morlet小波变换技术对Y'(N)进行周期分析,从中提取T个主要周期;小波变换计算公式为:
其中,F(s,nδt)是小波系数,s为小波尺度,δt为等时步长,n=1,…,N,*表示共轭复数,选用的Morlet母子波函数公式为:
式中t为时间,ω表示无量纲频率,取ω=6,用小波尺度s表示风速的周期。
图2为1981~2015年风速的小波振幅图,图中黑色粗实线表示该周期通过显著水平α=0.05的置信度检验。由图2可见,该风电场风速的振荡周期为3(2~4)年、7(6~8)年和16年。因此,提取3年、7年和16年共三个主要周期;
步骤6:周期叠加外推;按3年、7年和16年周期分为三组,对每组进行周期叠加平均,把第一组周期叠加后的平均值按第一个周期进行拟合外延至M=2035年,得到第一个预报序列PRE1(M),然后用序列Y'(N)减去第一组的平均值,得到序列Y1'(N);在Y1'(N)的基础上用同样的方法,将第二组周期叠加后的平均值按第二个周期进行排列外延至M=2035年,然后和第一个预报序列PRE1(M)相加,便得到第二个预报序列PRE2(M),用Y1'(N)减去第二组的平均值,得到序列Y2'(N),在Y2'(N)的基础上依此类推,最后可得到第三个预报序列PRE3(M);
步骤7:周期分量与趋势分量相结合;把线性预报序列PRE'(M)和第三个预报序列PRE3(M)相加,得到最终的预报序列PRE(M),具体计算公式为PRE(M)=PRE'(M)+PRE3(M)。
为验证模型的可靠性,计算得到1981~2015年的预报序列与原始序列的相关系数为0.8179,平均偏差为0.0559m/s,显示相关性较好,平均偏差值较低。图3为利用上述的预测方法进行年平均风速预测的拟合图,图中显示了该风场2016~2035年的年平均风速预测结果。
由于采用了以上技术方案,本发明的基于周期叠加外推的风电场年平均风速预测方法及系统,可对风电场未来若干年运营期内年平均风速做出更加科学准确的预测,其预测结果可为风电场投资决策和运营管理提供科学、有效的依据。
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,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (8)
1.基于周期叠加外推的风电场年平均风速预测方法,其特征在于,包括以下步骤:
A:提取数据:提取当地长期气象模式数据和风电场内测风塔测风数据,并对测风塔测风数据进行筛选和订正,得到一个完整年的测风数据;
B:气候修正:将同期的所述测风数据与气象模式数据按风向进行线性相关性分析拟合,得到风电场长期测风数据,作为风速的原始时间序列;
C:线性趋势分析:对原始时间序列风速做线性趋势分析,分离出风速的线性变化部分,获得线性趋势风速,并根据风速的线性变化趋势得到未来风速的线性预报序列;具体为:设所述原始时间序列风速为Y(N),其中Y为原始风速,N为年份;对所述原始时间序列风速Y(N)做线性趋势分析,分离出风速的线性变化部分,计算公式如下:
利用所述原始时间序列风速通过一元线性回归确定式(1)中b0和b后,进一步根据式(1)预测风速未来Q年的线性变化部分,得到未来风速的线性预报序列PRE'(M),其中M=N+Q;
E:提取风速主要周期:采用Morlet小波变换技术对所述剩余序列风速进行周期分析,从中提取T个主要周期;
F:周期叠加外推:按照提取的T个主要周期进行分组,对每组进行周期叠加平均,得到第T个预报序列;具体为:按照提取的T个主要周期进行分组,对每组进行周期叠加平均,把第一组周期叠加后的平均值按第一个周期进行拟合外延至M,得到第一个预报序列PRE1(M),然后用序列Y'(N)减去第一组的平均值,得到序列Y1'(N);在Y1'(N)的基础上用同样的方法,将第二组周期叠加后的平均值按第二个周期进行排列外延至M,然后和第一个预报序列PRE1(M)相加,得到第二个预报序列PRE2(M),用Y1'(N)减去第二组的平均值,得到序列Y2'(N),在Y2'(N)的基础上依此类推,最后得到所述第T个预报序列PRET(M);
G:周期分量与趋势分量相结合:把未来风速的线性预报序列和所述第T个预报序列相加,得到未来风速的最终预报序列。
2.根据权利要求1所述的基于周期叠加外推的风电场年平均风速预测方法,其特征在于,所述步骤B中将同期的所述测风数据与气象模式数据按风向分16扇区进行线性相关性分析拟合。
3.根据权利要求1所述的基于周期叠加外推的风电场年平均风速预测方法,其特征在于,所述步骤E中的T≤3。
5.基于周期叠加外推的风电场年平均风速预测系统,其特征在于,包括:
提取数据模块:用于提取当地长期气象模式数据和风电场内测风塔测风数据,并对测风塔测风数据进行筛选和订正,得到一个完整年的测风数据;
气候修正模块:用于将同期的所述测风数据与气象模式数据按风向进行线性相关性分析拟合,得到风电场长期测风数据,作为风速的原始时间序列;
线性趋势分析模块:用于对原始时间序列风速做线性趋势分析,分离出风速的线性变化部分,获得线性趋势风速,并根据风速的线性变化趋势得到未来风速的线性预报序列;具体为:设所述原始时间序列风速为Y(N),其中Y为原始风速,N为年份;对所述原始时间序列风速Y(N)做线性趋势分析,分离出风速的线性变化部分,计算公式如下:
利用所述原始时间序列风速通过一元线性回归确定式(1)中b0和b后,进一步根据式(1)预测风速未来Q年的线性变化部分,得到未来风速的线性预报序列PRE'(M),其中M=N+Q;
提取风速主要周期模块:用于采用Morlet小波变换技术对所述剩余序列进行周期分析,从中提取T个主要周期;
周期叠加外推模块:用于按照提取的T个主要周期进行分组,对每组进行周期叠加平均,得到第T个预报序列;具体用于:按照提取的T个主要周期进行分组,对每组进行周期叠加平均,把第一组周期叠加后的平均值按第一个周期进行拟合外延至M,得到第一个预报序列PRE1(M),然后用序列Y'(N)减去第一组的平均值,得到序列Y1'(N);在Y1'(N)的基础上用同样的方法,将第二组周期叠加后的平均值按第二个周期进行排列外延至M,然后和第一个预报序列PRE1(M)相加,得到第二个预报序列PRE2(M),用Y1'(N)减去第二组的平均值,得到序列Y2'(N),在Y2'(N)的基础上依此类推,最后得到所述第T个预报序列PRET(M);
周期分量与趋势分量相结合模块:用于把未来风速的线性预报序列和所述第T个预报序列相加,得到未来风速的最终预报序列。
6.根据权利要求5所述的基于周期叠加外推的风电场年平均风速预测系统,其特征在于,所述气候修正模块将同期的所述测风数据与气象模式数据按风向分16扇区进行线性相关性分析拟合。
7.根据权利要求5所述的基于周期叠加外推的风电场年平均风速预测系统,其特征在于,所述提取风速主要周期模块提取主要周期的个数T≤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711080700.6A CN107885968B (zh) | 2017-11-06 | 2017-11-06 | 基于周期叠加外推的风电场年平均风速预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711080700.6A CN107885968B (zh) | 2017-11-06 | 2017-11-06 | 基于周期叠加外推的风电场年平均风速预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107885968A CN107885968A (zh) | 2018-04-06 |
CN107885968B true CN107885968B (zh) | 2020-04-17 |
Family
ID=61779024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711080700.6A Active CN107885968B (zh) | 2017-11-06 | 2017-11-06 | 基于周期叠加外推的风电场年平均风速预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107885968B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460847A (zh) * | 2018-08-30 | 2019-03-12 | 昆明理工大学 | 一种基于最邻近结点算法的风速预测方法 |
CN110135618B (zh) * | 2019-04-01 | 2021-07-09 | 北京观详光电技术有限公司 | 一种风廓线数据预测方法 |
CN110874803B (zh) * | 2019-11-28 | 2023-08-22 | 郑州力通水务有限公司 | 水务决策辅助分析系统 |
CN111080486A (zh) * | 2019-12-27 | 2020-04-28 | 新奥数能科技有限公司 | 一种电负荷预测方法及装置 |
CN111651896B (zh) * | 2020-06-18 | 2021-08-24 | 浙江理工大学 | 一种基于实际风速及实际复杂地形的风电场流场计算方法 |
CN113176420B (zh) * | 2021-02-08 | 2024-03-12 | 国网北京市电力公司 | 一种针对电网杆塔点的风速预报订正系统 |
CN113850440A (zh) * | 2021-09-30 | 2021-12-28 | 浙江运达风电股份有限公司 | 一种利用基于平均风速订正的mcp的风速预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN104657619A (zh) * | 2015-03-06 | 2015-05-27 | 华北电力大学 | 一种评价风速周期性的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
-
2017
- 2017-11-06 CN CN201711080700.6A patent/CN107885968B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN104657619A (zh) * | 2015-03-06 | 2015-05-27 | 华北电力大学 | 一种评价风速周期性的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107885968A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885968B (zh) | 基于周期叠加外推的风电场年平均风速预测方法及系统 | |
US11408399B2 (en) | Forecasting output power of wind turbine in wind farm | |
CN102914969B (zh) | 一种短期风电功率预测系统的综合误差修正方法 | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN115358606B (zh) | 一种平缓地形下在役风电场能效评估方法及系统 | |
CN105825002A (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
CN114006369A (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN112580874A (zh) | 一种基于随机森林算法和tcn的短期风电功率预测方法 | |
CN116361986A (zh) | 利用预测模型的太阳能发电量预测方法 | |
Gonzalez-Longatt | Wind Resource Potential in Los Taques-Venezuela | |
CN108268963B (zh) | 一种自修正检验的光伏功率短期预测方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN105023099A (zh) | 一种考虑湍流强度的风力发电机出力评估方法 | |
CN105046349A (zh) | 一种计及尾流效应的风电功率预测方法 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
JP2019091335A (ja) | 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム | |
Wang et al. | Multiscale prediction of wind speed and output power for the wind farm | |
CN108197843B (zh) | 一种平坦地形风电出力特性评估方法 | |
CN102495972B (zh) | 一种基于有效风速的风能评估方法 | |
CN114547829A (zh) | 一种风电场理论功率计算方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |