CN111311021A - 一种风电场理论功率预测方法、装置、设备和存储介质 - Google Patents
一种风电场理论功率预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111311021A CN111311021A CN202010171723.3A CN202010171723A CN111311021A CN 111311021 A CN111311021 A CN 111311021A CN 202010171723 A CN202010171723 A CN 202010171723A CN 111311021 A CN111311021 A CN 111311021A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- power
- wind turbine
- fitting polynomial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明实施例公开了一种风电场功率预测方法、装置、设备和存储介质,风电场功率预测方法包括:建立单台风电机组理论功率与风速的拟合多项式模型;基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率,可以使得根据得到的预测模型计算的理论功率与风电机组的实际功率较为接近,提高理论功率的预测精度,并且该方法具有自适应性,根据不同的风电机组对应的实际功率数据得到对应的理论功率预测模型,减小预测误差。
Description
技术领域
本发明实施例涉及风力发电技术领域,尤其涉及一种风电场理论功率预测方法、装置、设备和存储介质。
背景技术
随着风电技术的发展,风电入网特别是并网风电弃风限电问题成为备受关注的问题。对风电场理论功率进行计算,对于协调网厂矛盾、促进风电行业的良性发展等方面具有重要意义。
现有技术的一些理论功率预测方法中,根据风电场附近的测风塔,采用边界层气象理论和大气边界层动力学等原理建立反映风电场局地效应的微观气象学模型,然后将测风塔风速转化至风电机组轮毂高度处风速,经风电机组理论功率曲线转换为风电机组的理论功率,进而得到风电场的理论功率,然而该方法整体精度相对较低,恢复精度亦受季节性变化和风电场附近地形地貌变化的影响,且计算复杂。现有技术中还有些理论功率预测方法基于风电机组正常运行时段的输出功率与机舱风速计的测量风速建立映射关系,计算风电场的理论功率,然而该方法中的输出功率与机舱风速之间的映射关系基于风能转化原理,即风电机组出力与来流风速(上风向风速)存在的单一的映射关系,并假设机舱风速计的测量风速与来流风速也存在单一的映射关系。而在实际运行中,机舱风速与输出功率之间,并不完全遵循理论映射关系,使得该基于上述理论功率预测方法预测得到的理论功率误差较大。
发明内容
本发明提供一种风电场理论功率预测方法、装置、设备和存储介质,以实现更加准确地预测风电功率预测,减小预测误差。
第一方面,本发明实施例提供了一种风电场理论功率预测方法,包括:
建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;
基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;
根据风电场内各风电机组对应的理论功率预测模型以及实际风速确定风电场理论功率。
可选的,拟合多项式模型的最高次项为6次。
可选的,在基于风电场中实测风速和对应时刻各风电机组实际功率数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型之前,包括:
获取风电场实测风速和对应时刻各风电机组的实际功率历史数据;
对实测风速和对应时刻各风电机组的实际功率历史数据进行筛选,剔除异常历史数据,得到于风电场实测风速和对应时刻各风电机组的实际功率的正常历史数据,其中异常历史数据包括限电数据、至少两点的连续重复数据以及空值数据。
可选的,基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型,包括:
将实测风速划分为第一风速段和第二风速段,其中第一风速段内的风速小于或等于风电机组的预设拐点风速,第二风速段内的风速大于预设拐点风速;
基于第一风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第一系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第一风速段内对应的理论功率第一预测模型;
基于第二风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第二系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第二风速段内对应的理论功率第二预测模型。
可选的,根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率,包括:
根据风电场内各风电机组对应的预测模型以及实际风速确定各风电机组的理论功率;
将各风电机组对应的理论功率之和确定为风电场理论功率。
可选的,基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型,包括:
将设定时段内的各时间点对应的风电场实测风速代入到拟合多项式模型中;
将设定时段内风电机组的各时间点对应的实际功率与对应的实测风速代入到拟合多项式模型中得到的各项式系数所表示的理论功率差值的平方和为最小值作为条件求取拟合多项式模型中各次项的系数。
第二方面,本发明实施例还提供了一种风电场理论功率预测装置,包括:
模型建立模块,用于建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;
预测模型确定模块,用于基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;
理论功率确定模块,用于根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率。
可选的,预测模型确定模块包括:
风速段划分单元,用于将实测风速划分为第一风速段和第二风速段,其中第一风速段内的风速小于或等于风电机组的预设拐点风速,第二风速段内的风速大于预设拐点风速;
第一预测模型确定单元,用于基于第一风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第一系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第一风速段内对应的理论功率第一预测模型;
第二预测模型确定单元,用于基于第二风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第二系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第二风速段内对应的理论功率第二预测模型。
第三方面,本发明实施例还提供了一种设备,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,处理器执行程序时实现第一方面提供的风电场理论功率预测方法。
第四方面,本发明实施例还提供了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,该程序被处理器执行时实现如第一方面提供的风电场理论功率预测方法。
本发明实施例了一种风电场功率预测方法、装置、设备和存储介质,通过建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式;基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率,可以使得根据得到的预测模型计算的理论功率与风电机组的实际功率较为接近,进而保证理论功率计算的准确性,提高理论功率的预测精度。并且,本实施例的技术方案,具有自适应性,根据不同的风电机组对应的实际功率数据得到对应的理论功率预测模型,减小预测误差。
附图说明
图1为本发明实施例提供的一种风电场理论功率预测方法的流程图;
图2是本发明实施例提供的理想曲线与风电机组实测数据的示意图;
图3是本发明实施例提供的另一种风电场理论功率预测方法的流程图;
图4是本发明实施例提供的另一种风电场理论功率预测方法的流程图;
图5是本发明实施例提供的一种风电场理论功率预测装置的结构示意图;
图6是本发明实施例提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种风电场理论功率预测方法的流程图,本实施例可适用于对风电场理论功率进行预测的情况,该方法可以由风电场理论功率预测装置来执行,具体包括如下步骤:
步骤110、建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;
具体的,风电机组的输出功率与风速之间通常并不是直线关系,并且风速达到一定值后,风电机组的输出功率会保持不变或者在额定功率附近波动。因此,建立单台风电机组理论功率与风速的拟合多项式模型包括n次多项式,且n≥2,可以使得根据该拟合多项式模型得到的理论功率预测模型与实际风电机组输出功率与风速之间的关系较为接近。
可选的,拟合多项式模型的最高次项为6次。具体的,拟合多项式的最高次项为6次时,可以使得根据该拟合多项式求得的预测模型中,风电机组理论功率与风速之间函数关系中自变量(风速)的最高次为6次,可以更加准确的反应风电机组理论功率与风速的关系。建立的拟合多项式模型为6次多项式时,该拟合多项式模型可以是:
y=A0+A1x+A2x2+A3x3+A4x4+A5x5+A6x6,
其中x表示风速,y表示理论功率,A0、A1、A2、A3、A4、A5和A6分别为拟合多项式中0次项、一次项、二次项、三次项、四次项、五次项和六次项的系数,在此步骤中,A0、A1、A2、A3、A4、A5和A6为未知系数。
步骤120、基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;
具体的,在风电场的实际运行中,风电场中风速和各风电机组的实际功率运行数据均被获取并存储,例如风速和各风电机组的实际功率数据每隔十五分钟被获取并存储一次,确定理论功率的预测模型时,可基于已经存储的风速与各风电机组的实际功率历史数据来进行计算。可选的,本实施例中风速可以指机头风速。并且,正常历史数据可以指对存储的风速与各风电机组的实际功率的全部历史数据进行筛选后得到的历史数据。图2是本发明实施例提供的理想曲线与风电机组实测数据的示意图,参考图2,横坐标可以表示风速,纵坐标可表示风电机组的功率,不难发现,风电机组的实测数据点(图2中拟合数据)均在理想曲线附近,因此通过拟合数据得到的理论功率曲线会较为接近风电机组的理论曲线。
上述步骤120可以包括:
步骤121、将设定时段内的各时间点对应的风电场实测风速代入到拟合多项式模型中;
其中,设定时段可以根据实际需要具体设置。示例性的,设定时段为一整天,即某天的0时-24时,例如每15分钟进行一次数据获取和存储时,则设定时段内会有96个时间点,将该时段内多个(96个)时间点对应的风电场实测风速代入到拟合多项式模型中,例如,某一时刻实测风速的历史数据为5m/s,则将该实测风速代入到拟合多项式模型中可得:
y=A0+A15+A252+A353+A454+A555+A656,其中A0、A1、A2、A3、A4、A5和A6为未知系数。
步骤122、将设定时段内风电机组的各时间点对应的实际功率与对应的实测风速代入到拟合多项式模型中得到的各项式系数所表示的理论功率差值的平方和为最小值作为条件作为求取拟合多项式模型中各次项的系数。
即上述实施例中的A0、A1、A2、A3、A4、A5和A6。
示例性的,设定时段为一整天,即某天的0时-24时,例如每15分钟进行一次数据获取和存储时,则设定时段内会有96个时间点,则设定时段内风电机组的各时间点对应的实际功率与对应的实测风速代入到拟合多项式模型中得到的各项式系数所表示的理论功率差值的平方和a可用下式表示:
其中,i为设定时间段内的时间点,y表示由各次项系数所表示的理论功率(例如上述某一时刻实测风速的历史数据为5m/s,则将该实测风速代入到拟合多项式模型中可得理论功率为:y=A0+A15+A252+A353+A454+A555+A656),y'可表示该时间点对应的实际功率。
通过将设定时段内风电机组的各时间点对应的实际功率与对应的实测风速代入到拟合多项式模型中得到的各项式系数所表示的理论功率差值的平方和为最小值作为条件作为求取拟合多项式中各次项的系数,可以使得根据得到的预测模型计算的理论功率与风电机组的实际功率较为接近,进而保证理论功率计算的准确性,提高理论功率的预测精度。并且通过根据风速和风电机组自身的实际功率确定各风电机组理论功率预测模型中的各次项系数,使得该预测方法具有自适应性,可根据不同的风电机组对应的实际功率数据得到各风电机组对应的理论功率预测模型中各次项的系数,更加有利于提高理论功率预测的准确性。
步骤130、根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率。
可选的,上述步骤130包括:
步骤131、根据风电场内各风电机组对应的预测模型以及实际风速确定各风电机组的理论功率;
具体的,风电场内各风电机组对应的理论功率预测模型得到后,可以根据测得的风速对各风电机组的理论功率进行预测,即将测得的风速代入到理论功率的预测模型中,进而得到风电机组的理论功率。
步骤132、将各风电机组对应的理论功率之和确定为风电场理论功率。即通过计算风电场内各风电机组的理论功率之和得到风电场理论功率。
本实施例的技术方案,通过建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式;基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率,可以使得根据得到的预测模型计算的理论功率与风电机组的实际功率较为接近,进而保证理论功率计算的准确性,提高理论功率的预测精度。并且,本实施例的技术方案,具有自适应性,根据不同的风电机组对应的实际功率数据得到对应的理论功率预测模型,减小预测误差。
图3是本发明实施例提供的另一种风电场理论功率预测方法的流程图,参考图3,该风电场理论功率预测方法包括:
步骤210、获取风电场实测风速和对应时刻各风电机组的实际功率历史数据;
具体的,该步骤中,可以设定时段,并获取在设定时段内取风电场实测风速和对应时刻各风电机组的实际功率全部历史数据,包括限电数据、空值数据等异常数据以及正常数据,其中限电数据指在限电情况下风速与风电机组的实际功率数据,空值数据可以指某一时刻无风速和/或无实际功率的数据。具体的,因限电情况下,风电机组实际功率与风速的关系会偏离理论功率,因此限电情况下的历史数据对理论功率预测模型的计算并无参考意义,需要进行剔除。
步骤220、对实测风速和对应时刻各风电机组的实际功率历史数据进行筛选,剔除异常历史数据,得到于风电场实测风速和对应时刻各风电机组的实际功率的正常历史数据,其中异常历史数据包括限电数据、至少两点的连续重复数据以及空值数据;
其中,异常历史数据中限电数据和空值数据如上述步骤210中解释。至少两点的连续重复数据可以指连续两个时刻所获取的风速和风电机组实际都相同的历史数据,其中剔除异常历史数据时,可以根据结合风电场当地风速变化情况设定连续重复数据的时间点数,例如某风电场所在地风速情况较为稳定,则可设定连续更多点重复数据的剔除,例如连续6点连续重复数据,本实施例在此不做具体限定。另外,还可采用四分位法进行异常数据的剔除。
步骤230、建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;该步骤与上述实施例中步骤110过程相同,在此不再赘述;
步骤240、基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;该步骤与上述实施例中步骤120过程相同,在此不再赘述;
步骤250、根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率;该步骤与上述实施例中步骤130过程相同,在此不再赘述。
图4是本发明实施例提供的另一种风电场理论功率预测方法的流程图,参考图4,该风电场理论功率预测方法包括:
步骤310、建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;该步骤与上述实施例中步骤110过程相同,在此不再赘述;
步骤320、将实测风速划分为第一风速段和第二风速段,其中第一风速段内的风速小于或等于风电机组的预设拐点风速,第二风速段内的风速大于预设拐点风速;
具体的,风电机组实际运行时,当风速达到切入风速时,风电机组开始并网发电;当风速达到一定值时,风电机组的实际功率通常不再变化而保持在额定功率,或者在额定功率附近上下波动,即风速达到一定值,例如大于第一风速后风电机组的理论功率随着风速的变化而变化幅度相对于风速小于或等于第一风速时变化幅度减小,则该第一风速则可为预设拐点风速。可选的,当风电机组的理论功率为额定功率的90%至95%时对应的风速可以为预设拐点风速。
。因第一风速段内风电机组理论功率随风速变化而变化的幅度和第二风速段内风电机组理论功率随风速变化而变化的幅度不同,因此第一风速段内理论功率的预测模型和第二风速段内理论功率的预测模型中多项式系数不同。
步骤330、基于第一风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第一系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第一风速段内对应的理论功率第一预测模型;
示例性的,第一风速段为风速大于0且小于13m/s,第二风速段为风速大于13m/s。则计算第一预测模型对应各次项的第一系数时,根据风速大于0且小于13m/s时对应的历史数据(包括风速和对应的实际功率数据)进行计算。
步骤340、基于第二风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第二系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第二风速段内对应的理论功率第二预测模型;
示例性的,第一风速段为风速大于0且小于13m/s,第二风速段为风速大于13m/s。则计算第二预测模型对应各次项的第二系数时,根据风速大于13m/s时对应的历史数据(包括风速和对应的实际功率数据)进行计算。
步骤350、根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率。
通过对风速进行分段,并根据不同风速段内的历史数据分别得到对应风速段内的理论功率预测模型,使得理论功率预测模型与风电机组实际运行特性更加匹配,进而使得理论功率预测模型可以与风电机组的实际功率更加接近,进一步提高理论功率预测的准确性。
本实施例还提供了一种风电场理论功率预测装置,该风电场理论功率预测装置可用来执行本发明上述任意实施例提供的风电场理论功率预测方法,图5是本发明实施例提供的一种风电场理论功率预测装置的结构示意图,参考图5,该风电场理论功率预测装置包括:
模型建立模块410,用于建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;
预测模型确定模块420,用于基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;
理论功率确定模块430,用于根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率。
本实施例的技术方案,通过模型建立模块预建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式;测模型确定模块基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;理论功率确定模块根据风电场内各风电机组对应的预测模型以及实际风速确定风电场理论功率,可以使得根据得到的预测模型计算的理论功率与风电机组的实际功率较为接近,进而保证理论功率计算的准确性,提高理论功率的预测精度。并且,本实施例的技术方案,具有自适应性,根据不同的风电机组对应的实际功率数据得到对应的理论功率预测模型,减小预测误差。
在上述技术方案的基础上,可选的,预测模型确定模块包括:
风速段划分单元,用于将实测风速划分为第一风速段和第二风速段,其中第一风速段内的风速小于或等于风电机组的预设拐点风速,第二风速段内的风速大于预设拐点风速;
第一预测模型确定单元,用于基于第一风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第一系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第一风速段内对应的理论功率第一预测模型;
第二预测模型确定单元,用于基于第二风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的第二系数,将各次项系数代入到拟合多项式模型中得到各风电机组在第二风速段内对应的理论功率第二预测模型。
在上述技术方案的基础上,可选的,风电场理论功率预测装置还包括异常历史数据剔除模块,用于获取风电场实测风速和对应时刻各风电机组的实际功率历史数据;以及对实测风速和对应时刻各风电机组的实际功率历史数据进行筛选,剔除异常历史数据,得到于风电场实测风速和对应时刻各风电机组的实际功率的正常历史数据,其中异常历史数据包括限电数据、至少两点的连续重复数据以及空值数据。
在上述技术方案的基础上,可选的,预测模型确定模块包括代入单元,用于将设定时段内的各时间点对应的风电场实测风速代入到拟合多项式模型中;
系数确定单元,用于将设定时段内风电机组的各时间点对应的实际功率与对应的实测风速代入到拟合多项式模型中得到的各项式系数所表示的理论功率差值的平方和为最小值作为条件求取拟合多项式模型中各次项的系数。
本发明实施例还提供了一种设备,图6是本发明实施例提供的一种设备的结构示意图,参考图6,该设备包括:
一个或多个处理器510,图6中以一个处理器510为例;
存储器520;
所述设备还可以包括:输入装置530和输出装置540。
所述设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器520作为一种非暂态计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种风电场理论功率预测方法对应的程序指令/模块(例如,附图5所示的模型建立模块410、预测模型确定模块420和理论功率确定模块430)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述方法实施例的一种风电场理论功率预测方法。
存储器520可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非暂态性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中,存储器520可选包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种风电场理论功率预测方法,该方法包括:
建立单台风电机组理论功率与风速的拟合多项式模型,其中,拟合多项式模型包括n次多项式,n≥2;
基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定拟合多项式中各次项的系数,将各次项系数代入到拟合多项式模型中得到各风电机组对应的理论功率预测模型;
根据风电场内各风电机组对应的理论功率预测模型以及实际风速确定风电场理论功率。
可选的,该计算机可执行指令在由计算机处理器执行时还可以用于执行本发明任意实施例所提供的一种风电场理论功率预测方法的技术方案。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种风电场理论功率预测方法,其特征在于,包括:
建立单台风电机组理论功率与风速的拟合多项式模型,其中,所述拟合多项式模型包括n次多项式,n≥2;
基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组对应的理论功率预测模型;
根据所述风电场内各风电机组对应的理论功率预测模型以及实际风速确定所述风电场理论功率。
2.根据权利要求1所述的风电场理论功率预测方法,其特征在于,所述拟合多项式模型的最高次项为6次。
3.根据权利要求1所述的风电场理论功率预测方法,其特征在于,在所述基于风电场中实测风速和对应时刻各风电机组实际功率数据,采用最小二乘法确定所述拟合多项式中各次项的系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组对应的理论功率预测模型之前,包括:
获取风电场实测风速和对应时刻各风电机组的实际功率历史数据;
对所述实测风速和对应时刻各风电机组的实际功率历史数据进行筛选,剔除异常历史数据,得到于风电场实测风速和对应时刻各风电机组的实际功率的正常历史数据,其中所述异常历史数据包括限电数据、至少两点的连续重复数据以及空值数据。
4.根据权利要求1所述的风电场理论功率预测方法,其特征在于,所述基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组对应的理论功率预测模型,包括:
将所述实测风速划分为第一风速段和第二风速段,其中所述第一风速段内的风速小于或等于风电机组的预设拐点风速,所述第二风速段内的风速大于预设拐点风速;
基于第一风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的第一系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组在第一风速段内对应的理论功率第一预测模型;
基于第二风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的第二系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组在第二风速段内对应的理论功率第二预测模型。
5.根据权利要求1所述的风电场理论功率预测方法,其特征在于,所述根据所述风电场内各风电机组对应的预测模型以及实际风速确定所述风电场理论功率,包括:
所述根据所述风电场内各风电机组对应的预测模型以及实际风速确定各风电机组的理论功率;
将各所述风电机组对应的理论功率之和确定为所述风电场理论功率。
6.根据权利要求1所述的风电场理论功率预测方法,其特征在于,所述基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组对应的理论功率预测模型,包括:
将设定时段内的各时间点对应的所述风电场实测风速代入到所述拟合多项式模型中;
将所述设定时段内风电机组的各时间点对应的实际功率与对应的实测风速代入到所述拟合多项式模型中得到的各项式系数所表示的理论功率差值的平方和为最小值作为条件求取所述拟合多项式模型中各次项的系数。
7.一种风电场理论功率预测装置,其特征在于,包括:
模型建立模块,用于建立单台风电机组理论功率与风速的拟合多项式模型,其中,所述拟合多项式模型包括n次多项式,n≥2;
预测模型确定模块,用于基于风电场实测风速和对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组对应的理论功率预测模型;
理论功率确定模块,用于根据所述风电场内各风电机组对应的预测模型以及实际风速确定所述风电场理论功率。
8.根据权利要求7所述的风电场理论功率预测装置,其特征在于,所述预测模型确定模块包括:
风速段划分单元,用于将所述实测风速划分为第一风速段和第二风速段,其中所述第一风速段内的风速小于或等于风电机组的预设拐点风速,所述第二风速段内的风速大于预设拐点风速;
第一预测模型确定单元,用于基于第一风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的第一系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组在第一风速段内对应的理论功率第一预测模型;
第二预测模型确定单元,用于基于第二风速段内的实测风速以及对应时刻各风电机组实际功率的正常历史数据,采用最小二乘法确定所述拟合多项式中各次项的第二系数,将所述各次项系数代入到所述拟合多项式模型中得到各风电机组在第二风速段内对应的理论功率第二预测模型。
9.一种设备,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如权利要求1-6中任一所述的方法。
10.一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,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171723.3A CN111311021A (zh) | 2020-03-12 | 2020-03-12 | 一种风电场理论功率预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171723.3A CN111311021A (zh) | 2020-03-12 | 2020-03-12 | 一种风电场理论功率预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311021A true CN111311021A (zh) | 2020-06-19 |
Family
ID=71162277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171723.3A Pending CN111311021A (zh) | 2020-03-12 | 2020-03-12 | 一种风电场理论功率预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311021A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283035A (zh) * | 2021-06-11 | 2021-08-20 | 华能新疆能源开发有限公司 | 双参数风力机机舱传递函数构建方法、系统、设备及存储介质 |
CN115329251A (zh) * | 2022-10-14 | 2022-11-11 | 北京东润环能科技股份有限公司 | 风力电站的理论功率计算方法及装置 |
CN115983663A (zh) * | 2022-11-04 | 2023-04-18 | 广西电网有限责任公司 | 基于新能源的发电分析方法及相关设备 |
CN116224473A (zh) * | 2023-05-09 | 2023-06-06 | 北京东润环能科技股份有限公司 | 一种风速预报方法、模型训练方法、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112241A (zh) * | 2014-07-28 | 2014-10-22 | 国家电网公司 | 基于机头风速法的风电场理论功率计算方法 |
CN104734175A (zh) * | 2013-12-20 | 2015-06-24 | 国家电网公司 | 一种实现风电机组风速功率曲线的智能修正方法 |
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 |
CN109256814A (zh) * | 2018-11-30 | 2019-01-22 | 国网江苏省电力有限公司南通供电分公司 | 一种风电机组功率曲线的智能修正方法 |
-
2020
- 2020-03-12 CN CN202010171723.3A patent/CN111311021A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734175A (zh) * | 2013-12-20 | 2015-06-24 | 国家电网公司 | 一种实现风电机组风速功率曲线的智能修正方法 |
CN104112241A (zh) * | 2014-07-28 | 2014-10-22 | 国家电网公司 | 基于机头风速法的风电场理论功率计算方法 |
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 |
CN109256814A (zh) * | 2018-11-30 | 2019-01-22 | 国网江苏省电力有限公司南通供电分公司 | 一种风电机组功率曲线的智能修正方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283035A (zh) * | 2021-06-11 | 2021-08-20 | 华能新疆能源开发有限公司 | 双参数风力机机舱传递函数构建方法、系统、设备及存储介质 |
CN115329251A (zh) * | 2022-10-14 | 2022-11-11 | 北京东润环能科技股份有限公司 | 风力电站的理论功率计算方法及装置 |
CN115329251B (zh) * | 2022-10-14 | 2023-03-24 | 北京东润环能科技股份有限公司 | 风力电站的理论功率计算方法及装置 |
CN115983663A (zh) * | 2022-11-04 | 2023-04-18 | 广西电网有限责任公司 | 基于新能源的发电分析方法及相关设备 |
CN115983663B (zh) * | 2022-11-04 | 2023-09-12 | 广西电网有限责任公司 | 基于新能源的发电分析方法及相关设备 |
CN116224473A (zh) * | 2023-05-09 | 2023-06-06 | 北京东润环能科技股份有限公司 | 一种风速预报方法、模型训练方法、装置和存储介质 |
CN116224473B (zh) * | 2023-05-09 | 2023-06-27 | 北京东润环能科技股份有限公司 | 一种风速预报方法、模型训练方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311021A (zh) | 一种风电场理论功率预测方法、装置、设备和存储介质 | |
JP7194868B1 (ja) | 風に対するヨーの異常を検出するための方法および装置、並びにそれらのデバイスおよび記憶媒体 | |
EP3364324B1 (en) | Method and device for detecting equivalent load of wind turbine generator system | |
AU2018327223B2 (en) | Method and apparatus for self-adaption of a cut-out strategy | |
CN108695862B (zh) | 一种基于pmu实测数据的电网惯量特征在线评估方法 | |
JP2016136001A (ja) | 予測装置 | |
Jin et al. | Method for assessing grid frequency deviation due to wind power fluctuation based on “time-frequency transformation” | |
Jin et al. | Equivalent modeling of wind energy conversion considering overall effect of pitch angle controllers in wind farm | |
CN112855408B (zh) | 水轮发电机组预警方法以及预警装置 | |
CN107947228B (zh) | 基于Markov理论的含风电电力系统随机稳定性分析方法 | |
CN110492524A (zh) | 无通信海上风电场柔直并网的有功-频率控制方法及系统 | |
CN113937793A (zh) | 一种基于阻抗分段降阶模型零点辨识的稳定性分析方法 | |
EP3741991B1 (en) | Method for dynamic real-time optimization of the performance of a wind park and wind park | |
CN107979112B (zh) | 一种风机控制方法、系统、终端及可读存储介质 | |
CN112787326A (zh) | 考虑控制器参数影响的双馈风机动态惯量评估方法及系统 | |
CN109245090B (zh) | 一种大功率缺失下频率最低点预测的解析模型的建模方法 | |
CN115954923A (zh) | 海上风电柔性直流输电系统故障穿越方法及装置 | |
Pandit et al. | Comparison of binned and Gaussian Process based wind turbine power curves for condition monitoring purposes | |
CN109657380A (zh) | 一种基于扩展卡尔曼滤波的双馈风电场动态等值方法 | |
CN114465280A (zh) | 一种新能源并网系统动态等效建模方法 | |
CN113153657A (zh) | 风机发电率损失预测方法、系统、设备及介质 | |
CN112861301A (zh) | 一种基于风机实时数据的风电场理论功率智能计算方法 | |
De Klerk et al. | Power calculation accuracy as a function of wind data resolution | |
CN117473883A (zh) | 测风塔数据的处理方法、设备、存储介质及程序产品 | |
CN117709766A (zh) | 风电场分群指标分析方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |