CN110705768A - 用于风电场的风力发电功率预测优化方法和装置 - Google Patents
用于风电场的风力发电功率预测优化方法和装置 Download PDFInfo
- Publication number
- CN110705768A CN110705768A CN201910916121.3A CN201910916121A CN110705768A CN 110705768 A CN110705768 A CN 110705768A CN 201910916121 A CN201910916121 A CN 201910916121A CN 110705768 A CN110705768 A CN 110705768A
- Authority
- CN
- China
- Prior art keywords
- wind
- prediction
- power
- data
- predicted
- 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.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims description 65
- 238000006243 chemical reaction Methods 0.000 claims abstract description 85
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 235000011615 Pinus koraiensis Nutrition 0.000 description 3
- 240000007263 Pinus koraiensis Species 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000009096 changqing Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010977 unit operation 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种用于风电场的风力发电功率预测优化方法和装置，该方法包括：获取风电场的风‑电转换模型、预测数据、实测数据以及运行数据；根据所述预测数据以及所述实测数据获取风力发电功率预测总误差；根据所述风‑电转换模型、所述实测数据以及所述运行数据得到等效预测数据；根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得到风力发电功率预测的各个关键环节引起的误差；根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节，能够有效提高功率预测精度。
Description
技术领域
本发明涉及新能源发电控制技术领域，尤其涉及一种用于风电场的风力发电 功率预测优化方法和装置。
背景技术
风能作为一种间歇性、随机性、波动性的自然资源，当其渗透率超过一定比 例后，电力系统的安全运行可能受到严重影响。风电场的风力发电功率预测是保 障高比例新能源电力系统安全、可靠运行的核心技术，电网调度部门根据预测的 风力发电功率做好各类电源的调度计划，即将风力发电纳入常规发电计划，以便 更好的管理和利用风力发电，因此，风力发电功率预测精度直接关系到电网调峰、 机组组合、机组经济运行等问题。
但是，目前风力发电出力的预测水平还不能满足电力系统实际运行的需要； 为提高风力发电功率预测精度，可以通过评价风力发电功率预测误差解析出影响 风力发电功率预测的因素，并根据影响因素调整风力发电功率预测，以此提高风 力发电功率预测的精度。
现有风力发电功率预测误差评价技术通常基于预测结果及实际结果进行宏观 整体结果为主，无法量化解析在风力发电功率预测的各个关键环节引起的误差， 不能有针对性地开展相应的优化措施，不利于提高功率预测精度。
发明内容
针对现有技术中的问题，本发明提供一种用于风电场的风力发电功率预测优 化方法、装置、电子设备以及计算机可读存储介质，能够至少部分地解决现有技 术中存在的问题。
为了实现上述目的，本发明采用如下技术方案：
第一方面，提供一种用于风电场的风力发电功率预测优化方法，包括：
获取风电场的风-电转换模型、预测数据、实测数据以及运行数据；
根据所述预测数据以及所述实测数据获取风力发电功率预测总误差；
根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测数据；
根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得 到风力发电功率预测的各个关键环节引起的误差；
根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节。
进一步地，所述预测数据包括：场站预测功率，所述实测数据包括：场站实 际功率；
所述根据所述预测数据以及所述实测数据获取风力发电功率预测总误差，包 括：
利用所述场站预测功率减去所述场站实际功率得到所述风力发电功率预测总 误差。
进一步地，所述预测数据包括：场站预测功率；所述实测数据包括：场站实 测气象数据，所述运行数据包括：计划开机容量、实际开机容量以及额定装机容 量；
所述根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测 数据，包括：
根据所述场站预测功率、所述计划开机容量以及所述实际开机容量计算准确 开机容量条件下的等效预测功率；
根据所述场站实测气象数据、所述风-电转换模型、所述计划开机容量以及所 述额定装机容量得到准确风资源条件下的等效预测功率。
进一步地，所述根据所述场站预测功率、所述计划开机容量以及所述实际开 机容量计算准确开机容量条件下的等效预测功率，包括：
利用所述实际开机容量除以所述计划开机容量的商乘以所述场站预测功率得 到准确开机容量条件下的等效预测功率。
进一步地，所述根据所述场站实测气象数据、所述风-电转换模型、所述计划 开机容量以及所述额定装机容量得到准确风资源条件下的等效预测功率，包括：
将所述场站实测气象数据输入所述风-电转换模型得到预测发电量；
利用所述计划开机容量除以所述额定装机容量的商乘以所述预测发电量得到 准确风资源条件下的等效预测功率。
进一步地，所述关键环节包括：数值天气预报环节、风-电转换模型环节以及 校正环节；
所述根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数 据得到风力发电功率预测的各个关键环节引起的误差，包括：
根据所述场站预测功率以及所述准确风资源条件下的等效预测功率得到所述 数值天气预报环节引起的误差；
根据所述场站预测功率以及所述准确开机容量条件下的等效预测功率得到所 述校正环节引起的误差；
根据所述风力发电功率预测总误差减去所述数值天气预报环节引起的误差以 及所述校正环节引起的误差得到所述风-电转换模型环节引起的误差。
第二方面，提供一种用于风电场的风力发电功率预测优化装置，包括：
数据获取模块，获取风电场的风-电转换模型、预测数据、实测数据以及运行 数据；
风力发电功率预测总误差获取模块，根据所述预测数据以及所述实测数据获 取风力发电功率预测总误差；
等效预测数据获取模块，根据所述风-电转换模型、所述实测数据以及所述运 行数据得到等效预测数据；
误差解耦评价模块，根据所述风力发电功率预测总误差、所述预测数据以及 所述等效预测数据得到风力发电功率预测的各个关键环节引起的误差；
预测优化模块，根据各个关键环节引起的误差优化风力发电功率预测的各个 关键环节。
进一步地，所述预测数据包括：场站预测功率，所述实测数据包括：场站实 际功率；
所述风力发电功率预测总误差获取模块包括：
风力发电功率预测总误差获取单元，利用所述场站预测功率减去所述场站实 际功率得到所述风力发电功率预测总误差。
进一步地，所述预测数据包括：场站预测功率；所述实测数据包括：场站实 测气象数据，所述运行数据包括：计划开机容量、实际开机容量以及额定装机容 量；
所述等效预测数据获取模块包括：
第一等效预测功率获取单元，根据所述场站预测功率、所述计划开机容量以 及所述实际开机容量计算准确开机容量条件下的等效预测功率；
第二等效预测功率获取单元，根据所述场站实测气象数据、所述风-电转换模 型、所述计划开机容量以及所述额定装机容量得到准确风资源条件下的等效预测 功率。
进一步地，所述第一等效预测功率获取单元包括：
第一计算子单元，利用所述实际开机容量除以所述计划开机容量的商乘以所 述场站预测功率得到准确开机容量条件下的等效预测功率。
进一步地，所述第二等效预测功率获取单元包括：
预测发电量获取子单元，将所述场站实测气象数据输入所述风-电转换模型得 到预测发电量；
第二计算子单元，利用所述计划开机容量除以所述额定装机容量的商乘以所 述预测发电量得到准确风资源条件下的等效预测功率。
进一步地，所述关键环节包括：数值天气预报环节、风-电转换模型环节以及 校正环节；
所述误差解耦评价模块包括：
数值天气预报环节误差评价单元，根据所述场站预测功率以及所述准确风资 源条件下的等效预测功率得到所述数值天气预报环节引起的误差；
校正环节误差评价单元，根据所述场站预测功率以及所述准确开机容量条件 下的等效预测功率得到所述校正环节引起的误差；
风-电转换模型环节误差评价单元，根据所述风力发电功率预测总误差减去所 述数值天气预报环节引起的误差以及所述校正环节引起的误差得到所述风-电转换 模型环节引起的误差。
第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可 在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的用于风电 场的风力发电功率预测优化方法的步骤。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算 机程序被处理器执行时实现上述的用于风电场的风力发电功率预测优化方法的步 骤。
本发明提供的用于风电场的风力发电功率预测优化方法、装置、电子设备以 及计算机可读存储介质，该方法包括：获取风电场的风-电转换模型、预测数据、 实测数据以及运行数据；根据所述预测数据以及所述实测数据获取风力发电功率 预测总误差；根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效 预测数据；根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测 数据得到风力发电功率预测的各个关键环节引起的误差；根据各个关键环节引起 的误差优化风力发电功率预测的各个关键环节，其中，利用风-电转换模型、预测 数据、实测数据以及运行数据等多源数据，定量化精细化分析功率预测各关键环 节的误差，进而精准定位预测水平较差场站的预测薄弱环节，根据各个关键环节 引起的误差有的放矢地优化风力发电功率预测的各个关键环节，有针对性的开展 相应的优化举措以高效提升风电场功率预测水平。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实 施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例 或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的 附图是本申请的一些实施例，对于本领域普通技术人员来讲，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的附图。在附图中：
图1是本发明实施例中的用于风电场的风力发电功率预测优化方法的流程示 意图；
图2示出了本发明实施例中风电场功率预测的主要环节；
图3示出了本发明实施例中NWP产品生产流程示意图；
图4示出了本发明实施例中风-电转换统计模型原理图；
图5示出了图1中步骤S300的具体步骤；
图6示出了图1中步骤S400的具体步骤；
图7示出了本发明实施例中风力发电功率预测优化的原理图；
图8示出5月16日京津唐电网沽源、康保、尚义、万全、金山岭地区风电场 预测误差时序曲线；
图9是本发明实施例中的用于风电场的风力发电功率预测优化装置的结构框 图；
图10为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例 中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述 的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的 实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都应当属于本申请保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算 机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软 件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计 算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、 光学存储器等)上实施的计算机程序产品的形式。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括” 和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一 系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步 骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固 有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请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申请。
现有风力发电功率预测误差评价技术通常基于预测结果及实际结果进行宏观 整体结果为主，无法量化解析在风力发电功率预测的各个关键环节引起的误差， 不能有针对性地开展相应的优化措施，不利于提高功率预测精度。
为至少部分解决现有技术中存在的上述技术问题，本发明实施例提供了一种 用于风电场的风力发电功率预测优化方法，利用风-电转换模型、预测数据、实测 数据以及运行数据等多源数据，定量化精细化分析功率预测各关键环节的误差， 进而精准定位预测水平较差场站的预测薄弱环节，根据各个关键环节引起的误差 有的放矢地优化风力发电功率预测的各个关键环节，有针对性的开展相应的优化 举措以高效提升风电场功率预测水平。
图1是本发明实施例中的用于风电场的风力发电功率预测优化方法的流程示 意图。如图1所示，该用于风电场的风力发电功率预测优化方法可以包括以下内 容：
步骤S100：获取风电场的风-电转换模型、预测数据、实测数据以及运行数据。
其中，风-电转换模型可由功率预测厂家提供。
预测数据包括：场站预测功率等。场站预测功率的预测过程按业务流程依次 为数值天气预报、风-电功率转换、预测结果校正三个关键环节。
具体地，参见图2，首先对全球初始场利用气象中尺度模式生成数值天气预报 产品；随后将数值天气预报产品中与风资源有关的气象要素输入风-电转换模型， 得到预测发电量；最后根据机组检修计划等运行信息对预测结果进行校正得到场 站预测功率。
数值天气预报(Numerical Weather Prediction，以下简称NWP)是根据大气实 际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天 气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和 天气现象的方法。
场站NWP属于站点精细化预报，生产流程如图3所示，首先，从权威气象机 构下载全球气象预报场；然后将全球大气预报场进行数据格式标准化处理，使其 具备驱动中尺度数值天气预报模式软件运行的条件，完成模式运行前的所有准备 工作；最后由功率预测服务商根据其具体地理坐标的预测需求，运行中尺度数值 天气模式软件，完成局部目标区域的降尺度计算，最终获得风电场所在地理区域 在未来不同时刻的大气状态。
风-电转换模型是指描述风资源气象要素与风力发电设备有功功率之间关系的数学模型。在实际生产中，由于受到天气条件、机组发电性能等因素的影响，风 速、风向等与电力往往呈现出复杂映射关系，为了保证功率预测准确性，通常需 要考虑复杂多变的机组运行工况开展精细化建模，从而获得较强适用性的风-电转 换模型。本发明实施例可采用统计模型实现风-电转换模型，其本质是利用统计学 方法匹配系统的输入(包括NWP、历史数据等)和预测功率之间的物理因果关系， 其原理如图4所示，将NWP各气象要素(如风速、风向、气温、气压、环境温度 等)、历史NWP各气象要素以及历史风电场运行数据(如实测功率、实测风速、 实测风向、实测气温、实测气压、实测环境温度等)输入统计模型中，得到风电 场预测功率，统计模型可采用分段线性回归、卡尔曼滤波、神经网络、支持向量 机等技术实现。
预测结果校正是风电场根据计划开机容量，对风-电转换模型计算出的预测功 率进行修正，得到最终预测结果。预测结果校正是与人工经验密切有关的管理环 节，主要由风电场功率预测专责完成：一是将风电功率预测与计划检修工作联动， 根据拟开工检修工作涉及的机组数量，在功率预测系统中通过人工录入方式合理 订正开机容量、开机时间以及预测出力；二是考虑特殊气候可能引起风力发电单 元的停运容量，通过人工输入的方式，对预测结果进行经验校正。
步骤S200：根据所述预测数据以及所述实测数据获取风力发电功率预测总误 差。
其中，实测数据包括：场站实际功率等。
具体地，利用所述场站预测功率减去所述场站实际功率得到所述风力发电功 率预测总误差，即计算方式如式(1)所示。
Etotal＝Ppredict-Pactual＝ENWP+Emodel+Erevise (1)
Etotal为风力发电功率预测总误差，Ppredict为场站预测功率，Pactual为场站 实际功率，ENWP、Emodel和Erevise分别为NWP环节误差、风-电转换模型环节误 差、预测结果校正环节误差，单位均为MW。
步骤S300：根据所述风-电转换模型、所述实测数据以及所述运行数据得到等 效预测数据；
其中，通过引入气象和开机方式信息等得到等效预测数据。
具体地，通过将实测数据带入风-电转换模型，能够得到实测情况下的等效预 测数据，并可根据运行数据得到实际工况下的等效预测数据。
步骤S400：根据所述风力发电功率预测总误差、所述预测数据以及所述等效 预测数据得到风力发电功率预测的各个关键环节引起的误差。
具体地，根据实测情况下的等效预测数据以及实际工况下的等效预测数据以 及预测功率，并结合风力发电功率预测总误差，得到各个关键环节引起的误差。
步骤S500：根据各个关键环节引起的误差优化风力发电功率预测的各个关键 环节。
具体地，风力发电功率预测的关键环节包括：数值天气预报环节、模型环节 以及校正环节。根据各环节引起的误差，有针对性地对各关键环节进行优化，以 提高功率预测精度。
其中，当发现数值天气预报误差占比较高时，数值天气预报环节的优化包括：
(1)开展大气模式参数化调优。
大气模式次网格物理过程参数化方案捕捉不能被数值模式显式解析的物理过程，是10-100km尺度的中短期预报技巧提升的关键，也是按照预测对象特点“定 制”数值天气预报模式的关键。不同区域的气候和气象特点、甚至观测点布局都 影响模式优化结果。针对新能源汇集区域的主要气象预测指标，基于统计回归和 深度学习模型，实现定制的网格加密和参数化方案，进而优化新能源中尺度预报 模式。
(2)建立多源气象数值网格观测平台，研究攻关气象数值集合预报技术。
通过气象网格数值观测平台实现全气象要素多源观测信息的融合接入与管 理，改善新能源气象观测数据少、质量差的问题。开展电网的新能源气象集合预 报，采用多个天气预报模式、多个初值分别进行预测，降低模型参数和初值的不 确定性对最终结果的影响，减小了极端误差出现的概率。
当发现风-电转换模型误差占比较高时，风-电转换模型的优化包括：
(1)基于新能源泛在信息平台，扩展风电运行全时空尺度的样本量，利用在 线监测数据不断更新模型并排除异常点干扰，提高建模样本的数据质量。
(2)采用深度学习等统计学方法，将统计关系和风资源波动物理因果关系结 合，提升模型精度。
(3)基于功率预测结果在一段时期内的非平稳特性，对风电功率预测结果的 误差修正，改善风电出力爬坡事件的预测效果。
当发现误差校正环节的误差占比较高时，误差校正环节的优化包括：
(1)将检修计划与功率预测实现联动，将检修工作影响的计划开机容量和停 开机时间信息提前输入功率预测系统。
(2)精准运维发电设备，减少非计划停运。
(3)开展设备非计划停运预测。
综上所述，本发明实施例提供的用于风电场的风力发电功率预测优化方法， 利用风-电转换模型、预测数据、实测数据以及运行数据等多源数据，定量化精细 化分析功率预测各关键环节的误差，进而精准定位预测水平较差场站的预测薄弱 环节，根据各个关键环节引起的误差有的放矢地优化风力发电功率预测的各个关 键环节，利于后续开展有针对性的开展相应的优化举措以高效提升风电场功率预 测水平。
举例来说，针对重点偏差事件，通过计算偏差时段功率预测各环节的误差及 占比，分析预测偏差成因，有针对性的优化功率预测的各个关键环节。
例如，特殊天气事件导致的预测偏差往往表现为Model环节的预测偏差较大， 通过开发特殊天气事件预警应用，变事后分析为事前预警，建立寒潮、大风、覆 冰等极端气象的预警模型，结合NWP信息并给出各类特殊天气事件的预警风险和 预警等级。
另外，通过开展年、季、月的长周期误差评价，可精准定位预测水平较差的 场站及其预测薄弱环节，开展有针对性的帮扶指导，提升风力发电功率预测水平。
在一个可选的实施例中，该用于风电场的风力发电功率预测优化方法还可以 包括：对获取的数据进行预处理的步骤，所述预处理包括滤波去噪等。
在一个可选的实施例中，实测数据还包括：场站实测气象数据(如实测风速、 实测风向、实测气温、实测气压、实测环境温度中的部分或全部)等，运行数据 包括：计划开机容量、实际开机容量以及额定装机容量等；参见图5，该步骤S300 可以包括以下内容：
步骤S310：根据所述场站预测功率、所述计划开机容量以及所述实际开机容 量计算准确开机容量条件下的等效预测功率。
具体地，利用所述实际开机容量除以所述计划开机容量的商乘以所述场站预 测功率得到准确开机容量条件下的等效预测功率。
其中，采用下式实现：
Pcapacity＝Ppredict×(Cactual÷Cscheduling)
Pcapacity表示准确开机容量条件下的等效预测功率，Ppredict表示场站预测功 率，Cactual表示实际开机容量，Cscheduling表示计划开机容量。
步骤S320：根据所述场站实测气象数据、所述风-电转换模型、所述计划开机 容量以及所述额定装机容量得到准确风资源条件下的等效预测功率。
具体地，将所述场站实测气象数据输入所述风-电转换模型得到预测发电量； 然后，利用所述计划开机容量除以所述额定装机容量的商乘以所述预测发电量得 到准确风资源条件下的等效预测功率。
其中，采用下式实现：
Psun＝f(Vactual)×(Cscheduling÷Crated)
Psun表示准确风资源条件下的等效预测功率，Vactual表示场站实测气象数据， f()表示风-电转换模型，Cscheduling表示计划开机容量，Crated表示额定装机容 量。
在一个可选的实施例中，关键环节包括：数值天气预报环节、风-电转换模型 环节以及校正环节；参见图6，该步骤S400可以包括以下内容：
步骤S410：根据所述场站预测功率以及所述准确风资源条件下的等效预测功 率得到所述数值天气预报环节引起的误差。
其中，参见图7，采用下式实现：
ENWP＝Ppredict-Psun
ENWP表示NWP环节误差，Ppredict为场站预测功率，Psun表示准确风资源 条件下的等效预测功率。
步骤S420：根据所述场站预测功率以及所述准确开机容量条件下的等效预测 功率得到所述校正环节引起的误差。
其中，采用下式实现：
Erevise＝Ppredict-Pcapacity
Erevise为预测结果校正环节误差，Ppredict为场站预测功率，Pcapacity表示准 确开机容量条件下的等效预测功率，
步骤S430：根据所述风力发电功率预测总误差减去所述数值天气预报环节引 起的误差以及所述校正环节引起的误差得到所述风-电转换模型环节引起的误差。
其中，采用下式实现：
Emodel＝Etotal-ENWP-Erevise
Etotal为风力发电功率预测总误差，ENWP、Emodel和Erevise分别为NWP环 节误差、风-电转换模型环节误差、预测结果校正环节误差。
在一个可选的实施例中，该用于风电场的风力发电功率预测优化方法还可以 包括：计算各个关键环节的误差在风力发电功率预测总误差中的占比。
综上所述，本发明实施例提供的用于风电场的风力发电功率预测优化方法， 开展任一时段或时刻或关键环节的功率预测误差精细化评价，实现对新能源功率 预测运行情况的精准监测，通过定量化分析各环节误差贡献占比，准确定位问题 场站并分析其预测误差组成，即可对风电场较大偏差事件进行量化评估，计算预 测偏差事件中各环节误差的占比，精确分析预测偏差事件成因；可通过开展年、 季、月的长周期误差评价，可精准定位预测水平较差场站的预测薄弱环节，有的 放矢地改进预测方法，开展有针对性的开展相应的优化举措，高效提升风电场功 率预测水平。
为了帮助本领域技术人员更好地理解本发明实施例，下面以一具体的风电场 为例，对本发明实施例提供的用于风电场的风力发电功率预测优化方法的步骤进 行详细说明：
(1)获取功率预测厂家提供的风-电转换模型以及场站预测功率，场站采集 设备所采集的场站实际功率、场站实测气象数据，场站运行数据中的计划开机容 量、实际开机容量以及额定开机容量等。
(2)利用场站预测功率减去场站实际功率得到所述风力发电功率预测总误差；
(3)利用所述实际开机容量除以所述计划开机容量的商乘以所述场站预测功 率得到准确开机容量条件下的等效预测功率；
(4)将所述场站实测气象数据输入所述风-电转换模型得到预测发电量；
(5)利用所述计划开机容量除以所述额定开机容量的商乘以所述预测发电量 得到准确风资源条件下的等效预测功率。
(6)根据所述场站预测功率以及所述准确风资源条件下的等效预测功率得到 所述数值天气预报环节引起的误差；
(7)根据所述风力发电功率预测总误差减去所述数值天气预报环节引起的误 差以及所述校正环节引起的误差得到所述风-电转换模型环节引起的误差。
(8)根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节。
其中，本发明实施例中提供的方法步骤的先后顺序并非本发明实施例的唯一 顺序，相关步骤可以根据需要调换顺序或者相关步骤可以并行进行，以增加本发 明实施例的灵活性和适应性。
下面，举例说明本发明实施例提供的区域电网风力发电功率预测优化方法在 实际应用中取得的效果。
2019年5月16日，在负荷晚峰17:00-22:30时间，京津唐电网风力发电功率预 测出现明显预测偏差，京津唐风电实际出力先降后升，变化幅度大、速度快，与 日前预测曲线偏离明显。
按照本发明提出的区域电网风力发电功率预测优化方法，分别提取了沽源、 康保、尚义、万全、金山岭等重点汇集区不同风电场的NWP、实测气象数据、预测 功率、实际功率、运行日志及开机容量等多源数据，进行了功率预测各环节的误 差测算。具体时序曲线如图8所示，各环节误差统计如表1所示。
表1京津唐电网5月16晚峰时段风电预测误差统计表
根据测算结果，分析此次晚峰时段预测偏差的主要特点：一是NWP误差占比 高，在晚峰时段，沽源、康保、尚义、万全、金山岭等风电汇集区域的10座风电 场的NWP误差占比平均值为74％，模型误差占比均值26％，NWP误差是整体误差的 主要来源；二是NWP误差方向一致，各风电场在晚峰时段的NWP等效误差均为正 向误差，即NWP预测数据大于实际数据，导致预测功率大于实际出力；三是不存 在校正环节的等效误差，调取运行日志核查，各风电场当天的实际开机均按日前 开机计划执行，没有发生预测校正环节误差。计算结果表明，NWP环节的正向误差 是此次晚峰时段风电预测偏差事件的主要原因。
通过该实际应用可以看出，本发明实施例通过的区域电网风电功率预测优化 方法，能够在调度侧定量化精细化分析各风电功率预测各关键环节的误差，进而 精准定位预测水平较差场站的预测薄弱环节，利于后续开展有针对性的开展相应 的优化举措以高效提升风电功率预测水平。
为了使本领域技术人员更好地理解本发明的技术方案，举例对本发明提供的 方法的效果进行说明。
以京津唐电网9座风电场为例，2019年1—7月功率预测平均准确率为85.8％。 各风电场预测误差解耦测算结果如表2所示，三个预测环节的误差平均贡献率分 别为58.8％、40.5％和0.7％。以预测准确率最高的红松风电场为例，NWP环节、Model 环节和校正环节三个主要预测环节的误差占比分别为65.5％、30.8％和3.7％。
表2典型风电场功率预测各环节误差统计
从长期测算结果看，数值天气预报是造成预测误差的首要来源，风-电转换模 型环节是造成预测误差的重要来源。在三个主要环节中，NWP环节误差平均贡献率 最高，为58.8％，同时，NWP环节误差与总误差呈较强正相关关系，平均相关系数 为0.76(见表3)。Model环节的误差贡献平均占比为40.5％，其误差与总误差呈 一定正相关关系，平均相关系数为0.39(见表3)。NWP环节误差和Model环节误 差共同构成了功率预测总误差的基本面。
表3主要环节误差与总误差的相关性统计
风-电转换模型环节是预测水平较低场站的普遍短板。在测算风电场中，准确 率高的风电场Model环节误差贡献率较低，而准确率低的风电场Model环节误差 贡献率普遍偏高：七里风电场预测准确率最低，其Model环节误差贡献率为44.1％； 红松风电场预测准确率最高，其Model环节的误差贡献率为30.8％。Model环节误 差是水平较差场站应重点解决的问题。
NWP误差通常是较大预测偏差事件的主要成因。选取各场站预测准确率最低的 10天进行测算：9座风电场的预测平均准确率仅为69.4％，NWP环节误差平均贡献 率为65.4％，较平均水平上升了6.4％，详见表4，测算结果表明发生预测较大偏差 的主要原因是数值天气预报偏差。持续提升NWP环节水平是减少预测较大偏差事 件出现的重点方向。
校正环节对整体误差影响较小，但个别场站的非计划停运导致部分时段出现 较大误差。2019年1-7月，9座测算风电场出现非计划停运事件共76起，累计机 组停运1032台·次，涉及装机容量1716MW。校正环节误差的平均贡献率为0.3％， 表明总体影响不大，各风电场均能按检修计划准确上报次日开机容量。
但个别风电场非计划停运后，日前开机容量估算不准确造成了较大的预测偏 差。例如，红松风电场4月30日至5月3日，1号主变维修导致28.8MW风电机组 非计划停运，由于日前开机容量未准确估算，导致校正环节误差贡献率分别达到 34.6％、41.1％、37.6％和12.2％。莲花滩风电场和长青风电场也出现了相似现象。 校正环节误差反映了风电场在功率预测工作上的精心程度，以及发电设备的运维 水平。
NWP误差通常是较大预测偏差事件的主要成因。选取各场站预测准确率最低的 10天进行测算：9座风电场的预测平均准确率仅为69.4％，NWP环节误差平均贡献 率为65.4％，较平均水平上升了6.4％，详见表4，测算结果表明发生预测较大偏差 的主要原因是数值天气预报偏差。持续提升NWP环节水平是减少预测较大偏差事 件出现的重点方向。
表4预测较大偏差时段的各环节误差统计
值得说明的是，本发明实施例中，气象数据包括：场站预测风速，在此基础 上，为了进一步提高预测精度，还可以包括：场站预测风向、场站预测气温、场 站预测气压等中的一个或多个。
基于同一发明构思，本申请实施例还提供了一种用于风电场的风力发电功率 预测优化装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。 由于用于风电场的风力发电功率预测优化装置解决问题的原理与上述方法相似， 因此用于风电场的风力发电功率预测优化装置的实施可以参见上述方法的实施， 重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软 件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬 件，或者软件和硬件的组合的实现也是可能并被构想的。
图9是本发明实施例中的用于风电场的风力发电功率预测优化装置的结构框 图；如图9所示，该用于风电场的风力发电功率预测优化装置包括：数据获取模 块10、风力发电功率预测总误差获取模块20、等效预测数据获取模块30、误差解 耦评价模块40以及预测优化模块50。
数据获取模块10获取风电场的风-电转换模型、预测数据、实测数据以及运行 数据。
其中，风-电转换模型可由功率预测厂家提供。
预测数据包括：场站预测功率等。场站预测功率的预测过程按业务流程依次 为数值天气预报、风-电功率转换、预测结果校正三个关键环节。
具体地，首先对全球初始场利用气象中尺度模式生成数值天气预报产品；随 后将数值天气预报产品中与风资源有关的气象要素输入风-电转换模型，得到预测 发电量；最后根据机组检修计划等运行信息对预测结果进行校正得到场站预测功 率。
风力发电功率预测总误差获取模块20根据所述预测数据以及所述实测数据获 取风力发电功率预测总误差。
其中，实测数据包括：场站实际功率等。该风力发电功率预测总误差获取模 块20包括：风力发电功率预测总误差获取单元，利用所述场站预测功率减去所述 场站实际功率得到所述风力发电功率预测总误差。
具体地，利用所述场站预测功率减去所述场站实际功率得到所述风力发电功 率预测总误差，即计算方式如式(1)所示。
Etotal＝Ppredict-Pactual＝ENWP+Emodel+Erevise(1)
Etotal为风力发电功率预测总误差，Ppredict为场站预测功率，Pactual为场站 实际功率，ENWP、Emodel和Erevise分别为NWP环节误差、风-电转换模型环节误 差、预测结果校正环节误差，单位均为MW。
等效预测数据获取模块30根据所述风-电转换模型、所述实测数据以及所述运 行数据得到等效预测数据；
其中，通过引入气象和开机方式信息等得到等效预测数据。
具体地，通过将实测数据带入风-电转换模型，能够得到实测情况下的等效预 测数据，并可根据运行数据得到实际工况下的等效预测数据。
误差解耦评价模块40根据所述风力发电功率预测总误差、所述预测数据以及 所述等效预测数据得到风力发电功率预测的各个关键环节引起的误差。
具体地，根据实测情况下的等效预测数据以及实际工况下的等效预测数据以 及预测功率，并结合风力发电功率预测总误差，得到各个关键环节引起的误差。
预测优化模块50根据各个关键环节引起的误差优化风力发电功率预测的各个 关键环节。
具体地，风力发电功率预测的关键环节包括：数值天气预报环节、模型环节 以及校正环节。根据各环节引起的误差，有针对性地对各关键环节进行优化，以 提高功率预测精度。
其中，当发现数值天气预报误差占比较高时，数值天气预报环节的优化包括：
(1)开展大气模式参数化调优。
大气模式次网格物理过程参数化方案捕捉不能被数值模式显式解析的物理过程，是10-100km尺度的中短期预报技巧提升的关键，也是按照预测对象特点“定 制”数值天气预报模式的关键。不同区域的气候和气象特点、甚至观测点布局都 影响模式优化结果。针对新能源汇集区域的主要气象预测指标，基于统计回归和 深度学习模型，实现定制的网格加密和参数化方案，进而优化新能源中尺度预报 模式。
(2)建立多源气象数值网格观测平台，研究攻关气象数值集合预报技术。
通过气象网格数值观测平台实现全气象要素多源观测信息的融合接入与管 理，改善新能源气象观测数据少、质量差的问题。开展电网的新能源气象集合预 报，采用多个天气预报模式、多个初值分别进行预测，降低模型参数和初值的不 确定性对最终结果的影响，减小了极端误差出现的概率。
当发现风-电转换模型误差占比较高时，风-电转换模型的优化包括：
(1)基于新能源泛在信息平台，扩展风电运行全时空尺度的样本量，利用在 线监测数据不断更新模型并排除异常点干扰，提高建模样本的数据质量。
(2)采用深度学习等统计学方法，将统计关系和风资源波动物理因果关系结 合，提升模型精度。
(3)基于功率预测结果在一段时期内的非平稳特性，对风电功率预测结果的 误差修正，改善风电出力爬坡事件的预测效果。
当发现误差校正环节的误差占比较高时，误差校正环节的优化包括：
(1)将检修计划与功率预测实现联动，将检修工作影响的计划开机容量和停 开机时间信息提前输入功率预测系统。
(2)精准运维发电设备，减少非计划停运。
(3)开展设备非计划停运预测。
综上所述，本发明实施例提供的用于风电场的风力发电功率预测优化装置， 利用风-电转换模型、预测数据、实测数据以及运行数据等多源数据，定量化精细 化分析功率预测各关键环节的误差，进而精准定位预测水平较差场站的预测薄弱 环节，根据各个关键环节引起的误差有的放矢地优化风力发电功率预测的各个关 键环节，有针对性的开展相应的优化举措以高效提升风电场功率预测水平。
举例来说，针对重点偏差事件，通过计算偏差时段功率预测各环节的误差及 占比，分析预测偏差成因，有针对性的优化功率预测的各个关键环节。
例如，特殊天气事件导致的预测偏差往往表现为Model环节的预测偏差较大， 通过开发特殊天气事件预警应用，变事后分析为事前预警，建立寒潮、大风、覆 冰等极端气象的预警模型，结合NWP信息并给出各类特殊天气事件的预警风险和 预警等级。
另外，通过开展年、季、月的长周期误差评价，可精准定位预测水平较差的 场站及其预测薄弱环节，开展有针对性的帮扶指导，提升风力发电功率预测水平。
在一个可选的实施例中，该用于风电场的风力发电功率预测优化装置还可以 包括：预处理模块，用于对获取的数据进行预处理，所述预处理包括滤波去噪等。
在一个可选的实施例中，预测数据包括：场站预测功率；实测数据包括：场 站实测气象数据，运行数据包括：计划开机容量、实际开机容量以及额定开机容 量；该等效预测数据获取模块30包括：第一等效预测功率获取单元以及第二等效 预测功率获取单元
第一等效预测功率获取单元根据所述场站预测功率、所述计划开机容量以及 所述实际开机容量计算准确开机容量条件下的等效预测功率。
其中，第一等效预测功率获取单元包括：第一计算子单元，利用所述实际开 机容量除以所述计划开机容量的商乘以所述场站预测功率得到准确开机容量条件 下的等效预测功率。
其中，采用下式实现：
Pcapacity＝Ppredict×(Cactual÷Cscheduling)
Pcapacity表示准确开机容量条件下的等效预测功率，Ppredict表示场站预测功 率，Cactual表示实际开机容量，Cscheduling表示计划开机容量。
第二等效预测功率获取单元根据所述场站实测气象数据、所述风-电转换模型、所述计划开机容量以及所述额定开机容量得到准确风资源条件下的等效预测功 率。
其中，第二等效预测功率获取单元包括：预测发电量获取子单元以及第二计 算子单元。
预测发电量获取子单元将所述场站实测气象数据输入所述风-电转换模型得到预测发电量；
第二计算子单元利用所述计划开机容量除以所述额定开机容量的商乘以所述 预测发电量得到准确风资源条件下的等效预测功率。
其中，采用下式实现：
Psun＝f(Vactual)×(Cscheduling÷Crated)
Psun表示准确风资源条件下的等效预测功率，Vactual表示场站实测气象数据， f()表示风-电转换模型，Cscheduling表示计划开机容量，Crated表示额定装机容 量。
在一个可选的实施例中，关键环节包括：数值天气预报环节、风-电转换模型 环节以及校正环节；误差解耦评价模块40包括：数值天气预报环节误差评价单元、 校正环节误差评价单元以及风-电转换模型环节误差评价单元。
数值天气预报环节误差评价单元根据所述场站预测功率以及所述准确风资源 条件下的等效预测功率得到所述数值天气预报环节引起的误差；
其中，采用下式实现：
ENWP＝Ppredict-Psun
ENWP表示NWP环节误差，Ppredict为场站预测功率，Psun表示准确风资源 条件下的等效预测功率。
校正环节误差评价单元根据所述场站预测功率以及所述准确开机容量条件下 的等效预测功率得到所述校正环节引起的误差；
其中，采用下式实现：
Erevise＝Ppredict-Pcapacity
Erevise为预测结果校正环节误差，Ppredict为场站预测功率，Pcapacity表示准 确开机容量条件下的等效预测功率，
风-电转换模型环节误差评价单元根据所述风力发电功率预测总误差减去所述数值天气预报环节引起的误差以及所述校正环节引起的误差得到所述风-电转换模 型环节引起的误差。
其中，采用下式实现：
Emodel＝Etotal-ENWP-Erevise
Etotal为风力发电功率预测总误差，ENWP、Emodel和Erevise分别为NWP环 节误差、风-电转换模型环节误差、预测结果校正环节误差。
在一个可选的实施例中，该用于风电场的风力发电功率预测优化装置还可以 包括：误差占比计算模块，计算各个关键环节的误差在风力发电功率预测总误差 中的占比。
综上所述，本发明实施例提供的用于风电场的风力发电功率预测优化装置， 开展任一时段或时刻或关键环节的功率预测误差精细化评价，实现对新能源功率 预测运行情况的精准监测，通过定量化分析各环节误差贡献占比，准确定位问题 场站并分析其预测误差组成，即可对风电场较大偏差事件进行量化评估，计算预 测偏差事件中各环节误差的占比，精确分析预测偏差事件成因；可通过开展年、 季、月的长周期误差评价，可精准定位预测水平较差场站的预测薄弱环节，有的 放矢地改进预测方法，开展有针对性的开展相应的优化举措，高效提升风电场功 率预测水平。
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现， 或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备，具体的， 电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电 话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板 计算机、可穿戴设备或者这些设备中的任何设备的组合。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上 并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现下述步骤：
获取风电场的风-电转换模型、预测数据、实测数据以及运行数据；
根据所述预测数据以及所述实测数据获取风力发电功率预测总误差；
根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测数据；
根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得 到风力发电功率预测的各个关键环节引起的误差；
根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节。
从上述描述可知，本发明实施例提供的电子设备，可用于定量化精细化分析 功率预测各关键环节的误差，进而精准定位预测水平较差场站的预测薄弱环节， 有针对性的开展相应的优化举措以高效提升风电场功率预测水平。
下面参考图10，其示出了适于用来实现本申请实施例的电子设备600的结构 示意图。
如图10所示，电子设备600包括中央处理单元(CPU)601，其可以根据存 储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储 器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存 储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通 过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如 阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括 硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通 信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根 据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体 存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根 据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计 算机软件程序。例如，本发明的实施例包括一种计算机可读存储介质，其上存储 有计算机程序，该计算机程序被处理器执行时实现下述步骤：
获取风电场的风-电转换模型、预测数据、实测数据以及运行数据；
根据所述预测数据以及所述实测数据获取风力发电功率预测总误差；
根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测数据；
根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得 到风力发电功率预测的各个关键环节引起的误差；
根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节。
从上述描述可知，本发明实施例提供的计算机可读存储介质，可用于定量化 精细化分析功率预测各关键环节的误差，进而精准定位预测水平较差场站的预测 薄弱环节，有针对性的开展相应的优化举措以高效提升风电场功率预测水平。
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和 安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何 方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模 块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态 随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存 储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记 忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或 其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非 传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机 可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在 实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或 方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框 的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机 或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可 编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以 特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令 产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/ 或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得 在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从 而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多 个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性 的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要 素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商 品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定 的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的 相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序 产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件 方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用 程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存 储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如 程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、 程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在 这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。 在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机 存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似 的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤 其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术 人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的 任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种用于风电场的风力发电功率预测优化方法，其特征在于，包括：
获取风电场的风-电转换模型、预测数据、实测数据以及运行数据；
根据所述预测数据以及所述实测数据获取风力发电功率预测总误差；
根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测数据；
根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得到风力发电功率预测的各个关键环节引起的误差；
根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节。
2.根据权利要求1所述的用于风电场的风力发电功率预测优化方法，其特征在于，所述预测数据包括：场站预测功率；所述实测数据包括：场站实测气象数据，所述运行数据包括：计划开机容量、实际开机容量以及额定装机容量；
所述根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测数据，包括：
根据所述场站预测功率、所述计划开机容量以及所述实际开机容量计算准确开机容量条件下的等效预测功率；
根据所述场站实测气象数据、所述风-电转换模型、所述计划开机容量以及所述额定装机容量得到准确风资源条件下的等效预测功率。
3.根据权利要求2所述的用于风电场的风力发电功率预测优化方法，其特征在于，所述根据所述场站预测功率、所述计划开机容量以及所述实际开机容量计算准确开机容量条件下的等效预测功率，包括：
利用所述实际开机容量除以所述计划开机容量的商乘以所述场站预测功率得到准确开机容量条件下的等效预测功率。
4.根据权利要求2所述的用于风电场的风力发电功率预测优化方法，其特征在于，所述根据所述场站实测气象数据、所述风-电转换模型、所述计划开机容量以及所述额定装机容量得到准确风资源条件下的等效预测功率，包括：
将所述场站实测气象数据输入所述风-电转换模型得到预测发电量；
利用所述计划开机容量除以所述额定装机容量的商乘以所述预测发电量得到准确风资源条件下的等效预测功率。
5.根据权利要求2所述的用于风电场的风力发电功率预测优化方法，其特征在于，所述关键环节包括：数值天气预报环节、风-电转换模型环节以及校正环节；
所述根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得到风力发电功率预测的各个关键环节引起的误差，包括：
根据所述场站预测功率以及所述准确风资源条件下的等效预测功率得到所述数值天气预报环节引起的误差；
根据所述场站预测功率以及所述准确开机容量条件下的等效预测功率得到所述校正环节引起的误差；
根据所述风力发电功率预测总误差减去所述数值天气预报环节引起的误差以及所述校正环节引起的误差得到所述风-电转换模型环节引起的误差。
6.根据权利要求1所述的用于风电场的风力发电功率预测优化方法，其特征在于，所述预测数据包括：场站预测功率，所述实测数据包括：场站实际功率；
所述根据所述预测数据以及所述实测数据获取风力发电功率预测总误差，包括：
利用所述场站预测功率减去所述场站实际功率得到所述风力发电功率预测总误差。
7.一种用于风电场的风力发电功率预测优化装置，其特征在于，包括：
数据获取模块，获取风电场的风-电转换模型、预测数据、实测数据以及运行数据；
风力发电功率预测总误差获取模块，根据所述预测数据以及所述实测数据获取风力发电功率预测总误差；
等效预测数据获取模块，根据所述风-电转换模型、所述实测数据以及所述运行数据得到等效预测数据；
误差解耦评价模块，根据所述风力发电功率预测总误差、所述预测数据以及所述等效预测数据得到风力发电功率预测的各个关键环节引起的误差；
预测优化模块，根据各个关键环节引起的误差优化风力发电功率预测的各个关键环节。
8.根据权利要求7所述的用于风电场的风力发电功率预测优化装置，其特征在于，所述预测数据包括：场站预测功率；所述实测数据包括：场站实测气象数据，所述运行数据包括：计划开机容量、实际开机容量以及额定装机容量；
所述等效预测数据获取模块包括：
第一等效预测功率获取单元，根据所述场站预测功率、所述计划开机容量以及所述实际开机容量计算准确开机容量条件下的等效预测功率；
第二等效预测功率获取单元，根据所述场站实测气象数据、所述风-电转换模型、所述计划开机容量以及所述额定装机容量得到准确风资源条件下的等效预测功率。
9.根据权利要求8所述的用于风电场的风力发电功率预测优化装置，其特征在于，所述第一等效预测功率获取单元包括：
第一计算子单元，利用所述实际开机容量除以所述计划开机容量的商乘以所述场站预测功率得到准确开机容量条件下的等效预测功率。
10.根据权利要求8所述的用于风电场的风力发电功率预测优化装置，其特征在于，所述第二等效预测功率获取单元包括：
预测发电量获取子单元，将所述场站实测气象数据输入所述风-电转换模型得到预测发电量；
第二计算子单元，利用所述计划开机容量除以所述额定装机容量的商乘以所述预测发电量得到准确风资源条件下的等效预测功率。
11.根据权利要求8所述的用于风电场的风力发电功率预测优化装置，其特征在于，所述关键环节包括：数值天气预报环节、风-电转换模型环节以及校正环节；
所述误差解耦评价模块包括：
数值天气预报环节误差评价单元，根据所述场站预测功率以及所述准确风资源条件下的等效预测功率得到所述数值天气预报环节引起的误差；
校正环节误差评价单元，根据所述场站预测功率以及所述准确开机容量条件下的等效预测功率得到所述校正环节引起的误差；
风-电转换模型环节误差评价单元，根据所述风力发电功率预测总误差减去所述数值天气预报环节引起的误差以及所述校正环节引起的误差得到所述风-电转换模型环节引起的误差。
12.根据权利要求7所述的用于风电场的风力发电功率预测优化装置，其特征在于，所述预测数据包括：场站预测功率，所述实测数据包括：场站实际功率；
所述风力发电功率预测总误差获取模块包括：
风力发电功率预测总误差获取单元，利用所述场站预测功率减去所述场站实际功率得到所述风力发电功率预测总误差。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的用于风电场的风力发电功率预测优化方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的用于风电场的风力发电功率预测优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910916121.3A CN110705768B (zh) | 2019-09-26 | 2019-09-26 | 用于风电场的风力发电功率预测优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910916121.3A CN110705768B (zh) | 2019-09-26 | 2019-09-26 | 用于风电场的风力发电功率预测优化方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110705768A true CN110705768A (zh) | 2020-01-17 |
| CN110705768B CN110705768B (zh) | 2022-10-21 |
Family
ID=69198182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910916121.3A Active CN110705768B (zh) | 2019-09-26 | 2019-09-26 | 用于风电场的风力发电功率预测优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705768B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070160A (zh) * | 2020-09-08 | 2020-12-11 | 合肥工业大学 | 风电功率爬坡事件的多层协同实时分类预警方法 |
| CN116402240A (zh) * | 2023-06-08 | 2023-07-07 | 北京中科伏瑞电气技术有限公司 | 面向调度侧区域风电功率预测的模型输入构造方法及装置 |
| WO2024087876A1 (zh) * | 2022-10-28 | 2024-05-02 | 国网湖南省电力有限公司电力科学研究院 | 风电功率预测误差确定方法、处理器及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914969A (zh) * | 2012-09-28 | 2013-02-06 | 南方电网科学研究院有限责任公司 | 一种短期风电功率预测系统的综合误差修正方法 |
| CN103440531A (zh) * | 2013-08-16 | 2013-12-11 | 国家电网公司 | 计及风电场风机运行状态的风电场短期风电功率预测系统 |
| CN107630785A (zh) * | 2017-09-11 | 2018-01-26 | 大连国通电气有限公司 | 一种多种工况下的风电机组保护控制系统 |
| CN109167387A (zh) * | 2018-09-14 | 2019-01-08 | 大唐新疆清洁能源有限公司 | 风场风电功率预测方法 |
| CN109667727A (zh) * | 2018-11-18 | 2019-04-23 | 浙江大学 | 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法 |
-
2019
- 2019-09-26 CN CN201910916121.3A patent/CN110705768B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914969A (zh) * | 2012-09-28 | 2013-02-06 | 南方电网科学研究院有限责任公司 | 一种短期风电功率预测系统的综合误差修正方法 |
| CN103440531A (zh) * | 2013-08-16 | 2013-12-11 | 国家电网公司 | 计及风电场风机运行状态的风电场短期风电功率预测系统 |
| CN107630785A (zh) * | 2017-09-11 | 2018-01-26 | 大连国通电气有限公司 | 一种多种工况下的风电机组保护控制系统 |
| CN109167387A (zh) * | 2018-09-14 | 2019-01-08 | 大唐新疆清洁能源有限公司 | 风场风电功率预测方法 |
| CN109667727A (zh) * | 2018-11-18 | 2019-04-23 | 浙江大学 | 一种基于功率曲线分析的风电机组偏航误差固有偏差辨识及补偿方法 |
Non-Patent Citations (1)
| Title |
|---|
| 乔颖: ""提高风电功率预测精度的方法"", 《电网技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070160A (zh) * | 2020-09-08 | 2020-12-11 | 合肥工业大学 | 风电功率爬坡事件的多层协同实时分类预警方法 |
| WO2024087876A1 (zh) * | 2022-10-28 | 2024-05-02 | 国网湖南省电力有限公司电力科学研究院 | 风电功率预测误差确定方法、处理器及存储介质 |
| CN116402240A (zh) * | 2023-06-08 | 2023-07-07 | 北京中科伏瑞电气技术有限公司 | 面向调度侧区域风电功率预测的模型输入构造方法及装置 |
| CN116402240B (zh) * | 2023-06-08 | 2023-08-18 | 北京中科伏瑞电气技术有限公司 | 面向调度侧区域风电功率预测的模型输入构造方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110705768B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705772B (zh) | 区域电网风力发电功率预测优化方法和装置 | |
| CN110705771B (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
| Yan et al. | Reviews on uncertainty analysis of wind power forecasting | |
| CN110705768B (zh) | 用于风电场的风力发电功率预测优化方法和装置 | |
| CN110737876B (zh) | 区域电网光伏功率预测优化方法和装置 | |
| CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
| CN102945508A (zh) | 一种基于模型校正的风电功率预测预报系统及方法 | |
| Zhu et al. | Space-time wind speed forecasting for improved power system dispatch | |
| CN104156786A (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| CN107204615A (zh) | 一种实现功率预测的方法及系统 | |
| CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
| CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
| CN114819385A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
| CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
| CN110705770B (zh) | 用于光伏电站的光伏功率预测优化方法和装置 | |
| CN109978299B (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
| Sarathkumar et al. | Uncertainty borne balancing cost modeling for wind power forecasting | |
| CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
| Famoso et al. | A Dependability Neural Network Approach for Short-Term Production Estimation of a Wind Power Plant | |
| CN113723717A (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
| Bankefa et al. | Hybrid Machine Learning Models for Accurate Onshore/Offshore Wind Farm Forecasts | |
| Contu et al. | Wind power forecasting models for very short-term operation of power systems |
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 |