CN113344252A - 一种基于虚拟气象技术的风功率预测方法 - Google Patents
一种基于虚拟气象技术的风功率预测方法 Download PDFInfo
- Publication number
- CN113344252A CN113344252A CN202110538493.4A CN202110538493A CN113344252A CN 113344252 A CN113344252 A CN 113344252A CN 202110538493 A CN202110538493 A CN 202110538493A CN 113344252 A CN113344252 A CN 113344252A
- Authority
- CN
- China
- Prior art keywords
- wind
- meteorological
- virtual
- data
- model
- 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 44
- 238000005516 engineering process Methods 0.000 title claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000053 physical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于虚拟气象技术的风功率预测方法,风功率预测方法的步骤为:步骤一,收集并计算数据;步骤二,根据步骤一的数据通过机器学习算法进行模型训练;步骤三,下载全球粗分辨率气象预报数据;步骤四,在目标区域运行模型;步骤五,预测得到风场中未来预报虚拟风速;步骤六,计算得到风场未来预报总功率。本发明的方法可以显著降低风功率预报的误差,提升风功率预报精度。
Description
技术领域
本发明涉及虚拟气象风功率预测技术领域,尤其涉及一种基于虚拟气象技术的风功率预测方法。
背景技术
随着风电产业的迅猛发展,风电并网容量迅速增加,风电与系统之间的联系越来越紧密。风能的波动性和间歇性引起的风电出力的变化给电力系统电能质量、安全稳定运行和经济效益带来不利影响。因此,进行风电功率预测具有重要的现实意义。
风电功率预测是指以风电场的历史气象信息,历史功率,结合风电机组的历史运行状态等数据建立风电场输出功率的预测模型。以风速、功率或数值天气预报数据作为模型的输入,结合风电机组的设备状态和运行工况,得到风电场未来的输出功率,实现电力调度部门对风电调度的要求。
根据风电功率预测模型的不同可分为物理方法、统计方法、学习方法和上述模型组合方法。物理方法是采用数值天气预报模型预测风速,将其作为其他统计模型输入进行功率预测。统计和学习方法通常不考虑风速变化的物理过程,而是基于历史统计数据和风电场输出功率之间建立映射关系来进行预测。这类方法预测精度随时间的增加而下降。组合方法通常包括物理和统计方法、学习方法的组合,可以降低风电功率预测误差,使预测精度大大提升。
目前针对风电场的风功率预报,常用预测方法为对风电场内逐台风机进行风速和功率预测,将单台风机的预测功率相加得到全场的预测风功率。这就要求对单台风机的风速预报及风功率预报有很高的要求,往往会导致整个风场的风功率预报出现较大偏差。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于虚拟气象技术的风功率预测方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于虚拟气象技术的风功率预测方法,风功率预测方法的步骤为:
步骤一,收集并计算数据;
步骤二,根据步骤一的数据通过机器学习算法进行模型训练;
步骤三,下载全球粗分辨率气象预报数据;
步骤四,在目标区域运行模型;
步骤五,预测得到风场中未来预报虚拟风速;
步骤六,计算得到风场未来预报总功率。
进一步地,步骤一中收集的数据为风场内N台风机历史平均功率信息,并结合风机实际功率曲线计算得到风场历史理论虚拟风速风机实际功率曲线。
进一步地,步骤二中采用的机器学习算法为极端梯度提升算法,极端梯度提升算法是Gradient Boosting框架下实现机器学习的算法,采用网格搜索法进行超参数优化。
进一步地,步骤三中全球粗分辨率气象预报数据为全球预报系统GFS气象数据,空间分辨率为0.25°×0.25°,时间分辨率为6小时。
进一步地,步骤四中模型为WRF气象模型,WRF气象模型采用WRF气象模拟技术。
进一步地,WRF气象模拟技术包括五个步骤:
(1)定义模型运行空间,以及嵌套区域;
(2)进行数据重投影,转坐标;
(3)对地表参数、气象数据进行时空插值;
(4)初始化程序,生成为初始时刻的状态和模拟时刻的侧边界状态;
(5)主程序运行,得到模型输出目标区域气象场数据。
进一步地,步骤五中是通过结合模型模拟出的风场内每台风机处的风速值,直接调取步骤四中训练好的模型,预测得到风场中未来预报虚拟风速。
进一步地,步骤六中将步骤五得到的风场未来预报虚拟风速,带入步骤一中风机实际功率曲线得到风场未来预报平均功率,乘以风场内风机台数,计算得到风场未来预报总功率。
本发明公开了一种基于虚拟气象技术的风功率预测方法,本发明通过数值模拟与机器学习相结合,将WRF模拟出来的风场中所有风机的预报风速,通过XGBoost模型输出风场虚拟风速,对应到风机的实际功率曲线,得到风场内风机的平均功率,进而得到整个风场的总功率。通过实际风场风功率预测实践表明,本发明的方法可以显著降低风功率预报的误差,提升风功率预报精度。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示的基于虚拟气象技术的风功率预测方法,风功率预测方法的步骤为:
步骤一,收集的数据为风场内N台风机历史平均功率信息,并结合风机实际功率曲线计算得到风场历史理论虚拟风速风机实际功率曲线,采用多项式拟合描绘风速-功率曲线,根据多项式关系可以得到指定功率下的对应风速。
步骤二,根据步骤一中得到的风场历史理论虚拟风速以及N台风机历史实测风速的数据,具体的训练步骤如下:1)数据预处理:为了提高模型参数搜索速度,将数据进行标准化处理;为了保证数据质量,采用EM算法进行缺失值填;为了保证模型稳定性,采用IForest算法检测出异常值,用KNN算法予以修正。
模型训练:采用的极端梯度提升(eXtreme Gradient Boosting)算法是GradientBoosting框架下实现机器学习算法,采用网格搜索法进行超参数优化,采用网格搜索法进行超参数优化,提高模型精度,训练完成的模型保存下来,供预测使用。
步骤三:下载全球粗分辨率气象预报数据,本发明所用数据为GFS气象数据,空间分辨率为0.25°×0.25°,时间分辨率为6小时。
其中,GFS气象数据来自全球预报系统,是由美国国家环境预测中心(NCEP)制作的天气预报数据集,通过该数据集可以获得数十种大气和土地土壤变量,从温度,风和降水到土壤湿度和大气臭氧浓度。GFS覆盖了整个地球,网格点之间的基本水平分辨率为18英里(28公里),供运营预报员使用,他们预测未来16天的天气。在一周到两周之间的预测中,水平分辨率下降到网格点之间的44英里(70公里)。
步骤四,在目标区域运行模型,该模型为WRF气象模型,WRF模型是为大气研究和预测设计的新一代中尺度数值天气预报系统。该模型可用于数千米到数千公里范围内的广泛气象应用。开发WRF的工作始于1990年代后期,是美国环境预测中心(NCEP),美国国家大气研究中心(NCAR)等美国的科研机构为中心开发的一种统一的气象模式。WRF气象模型采用WRF气象模拟技术,WRF气象模拟技术包括五个步骤:
(1)定义模型运行空间,以及嵌套区域;
(2)进行数据重投影,转坐标;
(3)对地表参数、气象数据进行时空插值;
(4)初始化程序,生成为初始时刻的状态和模拟时刻的侧边界状态;
(5)主程序运行,得到模型输出目标区域气象场数据。
步骤五,通过结合模型模拟出的风场内每台风机处的风速值,直接调取步骤四中训练好的模型,预测得到风场中未来预报虚拟风速。
步骤六,将步骤五得到的风场未来预报虚拟风速,带入步骤一中风机实际功率曲线得到风场未来预报平均功率,乘以风场内风机台数,计算得到风场未来预报总功率。
本发明提出的基于风电场虚拟气象技术的风功率预测方法,将风场内所有风机看作一个整体,通过建模计算出对应于整个风场的虚拟风速,同时根据风电机组的实际功率曲线,可以预报得到整个风场的平均输出功率,进而得到整个风电场的总输出功率。通过实际风场的误差分析得到,本发明提出的方法有效提高了风功率的预测精度。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (8)
1.一种基于虚拟气象技术的风功率预测方法,其特征在于:所述风功率预测方法的步骤为:
步骤一,收集并计算数据;
步骤二,根据步骤一的数据通过机器学习算法进行模型训练;
步骤三,下载全球粗分辨率气象预报数据;
步骤四,在目标区域运行模型;
步骤五,预测得到风场中未来预报虚拟风速;
步骤六,计算得到风场未来预报总功率。
2.根据权利要求1所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述步骤一中收集的数据为风场内N台风机历史平均功率信息,并结合风机实际功率曲线计算得到风场历史理论虚拟风速风机实际功率曲线。
3.根据权利要求2所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述步骤二中采用的机器学习算法为极端梯度提升算法,极端梯度提升算法是Gradient Boosting框架下实现机器学习的算法,采用网格搜索法进行超参数优化。
4.根据权利要求3所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述步骤三中全球粗分辨率气象预报数据为全球预报系统GFS气象数据,空间分辨率为0.25°×0.25°,时间分辨率为6小时。
5.根据权利要求4所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述步骤四中模型为WRF气象模型,WRF气象模型采用WRF气象模拟技术。
6.根据权利要求5所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述WRF气象模拟技术包括五个步骤:
(1)定义模型运行空间,以及嵌套区域;
(2)进行数据重投影,转坐标;
(3)对地表参数、气象数据进行时空插值;
(4)初始化程序,生成为初始时刻的状态和模拟时刻的侧边界状态;
(5)主程序运行,得到模型输出目标区域气象场数据。
7.根据权利要求6所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述步骤五中是通过结合模型模拟出的风场内每台风机处的风速值,直接调取步骤四中训练好的模型,预测得到风场中未来预报虚拟风速。
8.根据权利要求7所述的基于虚拟气象技术的风功率预测方法,其特征在于:所述步骤六中将步骤五得到的风场未来预报虚拟风速,带入步骤一中风机实际功率曲线得到风场未来预报平均功率,乘以风场内风机台数,计算得到风场未来预报总功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538493.4A CN113344252A (zh) | 2021-05-18 | 2021-05-18 | 一种基于虚拟气象技术的风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110538493.4A CN113344252A (zh) | 2021-05-18 | 2021-05-18 | 一种基于虚拟气象技术的风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344252A true CN113344252A (zh) | 2021-09-03 |
Family
ID=77470628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110538493.4A Pending CN113344252A (zh) | 2021-05-18 | 2021-05-18 | 一种基于虚拟气象技术的风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344252A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595886A (zh) * | 2022-03-09 | 2022-06-07 | 华电河南新能源发电有限公司 | 一种计及多源风速信息的风电功率超短期预测方法 |
CN116702610A (zh) * | 2023-06-08 | 2023-09-05 | 无锡九方科技有限公司 | 一种基于gbdt和数值模式的风速预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100921A (zh) * | 2020-09-16 | 2020-12-18 | 平衡机器科技(深圳)有限公司 | 一种基于wrf和随机森林获取风资源风速的方法 |
CN112100922A (zh) * | 2020-09-16 | 2020-12-18 | 平衡机器科技(深圳)有限公司 | 一种基于wrf和cnn卷积神经网络的风资源预测方法 |
CN112613636A (zh) * | 2020-11-25 | 2021-04-06 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于特征工程的XGboost风速短期预测方法 |
CN112712215A (zh) * | 2021-01-17 | 2021-04-27 | 国网江苏省电力有限公司宿迁供电分公司 | 一种风电场功率预测方法 |
-
2021
- 2021-05-18 CN CN202110538493.4A patent/CN113344252A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100921A (zh) * | 2020-09-16 | 2020-12-18 | 平衡机器科技(深圳)有限公司 | 一种基于wrf和随机森林获取风资源风速的方法 |
CN112100922A (zh) * | 2020-09-16 | 2020-12-18 | 平衡机器科技(深圳)有限公司 | 一种基于wrf和cnn卷积神经网络的风资源预测方法 |
CN112613636A (zh) * | 2020-11-25 | 2021-04-06 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于特征工程的XGboost风速短期预测方法 |
CN112712215A (zh) * | 2021-01-17 | 2021-04-27 | 国网江苏省电力有限公司宿迁供电分公司 | 一种风电场功率预测方法 |
Non-Patent Citations (1)
Title |
---|
D. PRIETO-HERRÁEZ ETAL: "Local wind speed forecasting based on WRF-HDWind coupling", 《ATMOSPHERIC RESEARCH》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595886A (zh) * | 2022-03-09 | 2022-06-07 | 华电河南新能源发电有限公司 | 一种计及多源风速信息的风电功率超短期预测方法 |
CN116702610A (zh) * | 2023-06-08 | 2023-09-05 | 无锡九方科技有限公司 | 一种基于gbdt和数值模式的风速预测方法及系统 |
CN116702610B (zh) * | 2023-06-08 | 2024-03-29 | 无锡九方科技有限公司 | 一种基于gbdt和数值模式的风速预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461444B (zh) | 风电场的机组功率的预测方法、系统、介质及电子设备 | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
US20200018289A1 (en) | Forecasting output power of wind turbine in wind farm | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
US10914291B2 (en) | Annual energy production of wind turbine sites | |
CN112329977A (zh) | 一种面向极端场景的风电功率预测系统 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN112100921A (zh) | 一种基于wrf和随机森林获取风资源风速的方法 | |
CN115358606B (zh) | 一种平缓地形下在役风电场能效评估方法及系统 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
CN105046349B (zh) | 一种计及尾流效应的风电功率预测方法 | |
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 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN110416996A (zh) | 一种基于云平台的分布式光伏集群功率预测系统 | |
CN117543567A (zh) | 用于风电场无功优化的风电功率预测方法及装置 | |
CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
Cao et al. | Development of short-term wind power forecasting methods | |
CN113051845B (zh) | 在役山地风电场实时风资源可视化评估方法、系统、设备及存储介质 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN113887839A (zh) | 一种基于聚类的风电场超短期风功率预测方法及系统 | |
CN110705769B (zh) | 新能源发电功率预测优化方法和装置 |
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: 20210903 |
|
RJ01 | Rejection of invention patent application after publication |