CN111178601A - 一种基于气象数据后处理的风电机组功率预测方法 - Google Patents

Abstract

本发明涉及本发明公开的一种基于气象数据后处理的风电机组功率预测方法，其特征在于，由于风功率和风速之间是非线性关系，且风速是影响风功率的首要因素，所以将风向分成N个扇区，空气密度分为某固定间隔的长度为m的序列，在每对风向和空气密度下，采用风速的高次多项式近似逼近。本发明通过历史数据找到风机功率和这三个气象变量间的函数关系，以通过气象预测值直接得到预测功率。同时，也可通过实际输出功率和通过该函数计算的预测功率的偏离程度，辅助检验风机是否正常运行。

Description

一种基于气象数据后处理的风电机组功率预测方法

技术领域

本发明涉及一种风电机组功率预测方法。

背景技术

风功率预测是新建风电场接入电网的必备条件，有助于提高风电接纳能力、指导风电场的检修计划。同时，高准确率的风功率预测是减少电网考核的重要一环，有助于提高风电场经济效益。因此如何快速得到高准确率的风功率预测值，是日益受到重视的研究方向。

按照不同的建模机理，风功率预测方法一般分为物理模型、统计模型、空间相关性模型、人工智能模型等。其中，物理模型的典型方法为数值天气预测，通过数值计算求解气象变化的流体力学和热力学方程组，从而得到风速等气象要素的预测值，再代入风速-功率曲线得到预测功率，由于只考虑风速，所以由风速-功率曲线导致的功率预测误差较大。统计模型基于历史功率时间序列，结合参数估计，得到预测功率。空间相关性模型考虑风电场及相邻的若干地点的风速时间序列后对风电场的风速进行预测，但是由于涉及到除风电场外其他地点的风速，所以数据收集困难程度大。人工智能模型在风功率预测方面应用最广泛的是神经网络，能够有效逼近风速和功率等非线性函数，但易陷入局部最小，且收敛速度较慢。

发明内容

本发明解决的技术问题是：风速、风向和空气密度等因素为影响风机功率输出的重要因素，但风速-功率曲线误差大、数据收集困难度大、算法收敛速度慢。

为了解决上述技术问题，本发明的技术方案是提供了一种基于气象数据后处理的风电机组功率预测方法，其特征在于，包括以下步骤：

步骤1、整理风电场各风机历史的一段时间长度内的历史数据，包括风速、风向、空气密度、风功率在风机正常运行状态下的时间序列；

步骤2、将风向分为N个扇区；空气密度从最小空气密度值开始，以固定间隔递增直到最大空气密度，设空气密度有m个值，则风向和空气密度共有N×m种组合；

步骤3、将步骤1中每台风机的历史数据根据步骤2获得的N×m种组合进行数据分类；

步骤4、对每台风机由步骤3得到的每类数据，设风速为x对应的风机功率用k次多项式f(x)进行拟合，则有：

f(x)＝a₀+a₁x+a₂x²+a₃x³+…+a_kx^k，式中，a₀至a_k为多项式的系数，则目标函数L为：

式中，y_i表示风机在风速x_i下的实际功率，

表示通过风机的风速x_i利用k次多项式f(x)拟合得到的功率；

步骤5、为使步骤4得到的目标函数值最小，对系数求偏导令其为0，即得到线性方程组：

将上述线性方程组化为矩阵形式XA＝Y，其中：

步骤6、依次令k＝3,4,……10，用高斯消元法数值求解步骤5得到的线性方程组；

步骤7、对比k＝3,4,……10这8种情况下的目标函数值，选取最小值对应的高次多项次作为最佳逼近多项式；

步骤8、对每台风机重复步骤4至步骤7，得每台风机在不同风向区间和空气密度条件下的风速高次函数，即功率近似函数；

步骤9、对风机的气象预测结果进行处理，找到相应的风向区间和最接近步骤2中分类的空气密度条件，将预测风速代入步骤8得到的功率近似函数，即得到预测功率。

优选地，步骤1中，所述空气密度用温度和海拔计算得到。

本发明通过历史数据找到风机功率和这三个气象变量间的函数关系，以通过气象预测值直接得到预测功率。同时，也可通过实际输出功率和通过该函数计算的预测功率的偏离程度，辅助检验风机是否正常运行。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明公开的一种基于气象数据后处理的风电机组功率预测方法的整体思路为：由于风功率和风速之间是非线性关系，且风速是影响风功率的首要因素，所以将风向分成16个扇区，空气密度分为0.01kg/m³间隔的序列，在每对风向和空气密度下，采用风速的高次多项式近似逼近。基于最小二乘法，求解高次多项式的各项系数，具体包括以下步骤：

步骤1、整理风电场各风机历史一年内的历史数据，包括风速、风向、空气密度(若无空气密度，可用温度和海拔算得)、风功率在风机正常运行状态下的时间序列；

步骤2、将风向分为16个扇区；空气密度从最小空气密度值开始，以0.01kg/m³间隔递增直到最大空气密度，设空气密度有m个值，则风向和空气密度共有16m种组合；

步骤3、将步骤1中每台风机的历史数据根据步骤2获得的16m种组合进行数据分类；

步骤4、对每台风机由步骤3得到的每类数据，设风速为x对应的风机功率用k次多项式f(x)进行拟合，则有：

f(x)＝a₀+a₁x+a₂x²+a₃x³+…+a_kx^k，式中，a₀至a_k为多项式的系数，则标函数L为：

式中，y_i表示风机在风速x_i下的实际功率，

表示通过风机的风速x_i利用k次多项式f(x)拟合得到的功率；

步骤5、为使步骤4得到的目标函数值最小，对系数求偏导令其为0，即得到线性方程组：

将上述线性方程组化为矩阵形式XA＝Y，其中：

步骤6、依次令k＝3,4,……10，用高斯消元法数值求解步骤5得到的线性方程组；

步骤7、对比k＝3,4,……10这8种情况下的目标函数值，选取最小值对应的高次多项次作为最佳逼近多项式；

步骤8、对每台风机重复步骤4至步骤7，得每台风机在不同风向区间和空气密度条件下的风速高次函数，即功率近似函数；

步骤9、对风机的气象预测结果进行处理，找到相应的风向区间和最接近步骤2中分类的空气密度条件，将预测风速代入步骤8得到的功率近似函数，即得到预测功率。

Claims (2)

1.一种基于气象数据后处理的风电机组功率预测方法，其特征在于，包括以下步骤：

步骤1、整理风电场各风机历史的一段时间长度内的历史数据，包括风速、风向、空气密度、风功率在风机正常运行状态下的时间序列；

步骤2、将风向分为N个扇区；空气密度从最小空气密度值开始，以固定间隔递增直到最大空气密度，设空气密度有m个值，则风向和空气密度共有N×m种组合；

步骤3、将步骤1中每台风机的历史数据根据步骤2获得的N×m种组合进行数据分类；

步骤4、对每台风机由步骤3得到的每类数据，设风速为x对应的风机功率用k次多项式f(x)进行拟合，则有：

f(x)＝a₀+a₁x+a₂x²+a₃x³+…+a_kx^k，式中，a₀至a_k为多项式的系数，则标函数L为：

式中，y_i表示风机在风速x_i下的实际功率，

表示通过风机的风速x_i利用k次多项式f(x)拟合得到的功率；

步骤5、为使步骤4得到的目标函数值最小，对系数求偏导令其为0，即得到线性方程组：

将上述线性方程组化为矩阵形式XA＝Y，其中：

步骤6、依次令k＝3,4,……10，用高斯消元法数值求解步骤5得到的线性方程组；

步骤7、对比k＝3,4,……10这8种情况下的目标函数值，选取最小值对应的高次多项次作为最佳逼近多项式；

步骤8、对每台风机重复步骤4至步骤7，得每台风机在不同风向区间和空气密度条件下的风速高次函数，即功率近似函数；

步骤9、对风机的气象预测结果进行处理，找到相应的风向区间和最接近步骤2中分类的空气密度条件，将预测风速代入步骤8得到的功率近似函数，即得到预测功率。

2.如权利要求1所述的一种基于气象数据后处理的风电机组功率预测方法，其特征在于，步骤1中，所述空气密度用温度和海拔计算得到。