CN114707734A - 一种超短期风功率的预测方法、装置及介质 - Google Patents
一种超短期风功率的预测方法、装置及介质 Download PDFInfo
- Publication number
- CN114707734A CN114707734A CN202210378893.8A CN202210378893A CN114707734A CN 114707734 A CN114707734 A CN 114707734A CN 202210378893 A CN202210378893 A CN 202210378893A CN 114707734 A CN114707734 A CN 114707734A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind power
- wind speed
- predicted
- determining
- 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 52
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011437 continuous method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种超短期风功率的预测方法、装置及介质,涉及风力技术领域。获取目标风电场与其余风电场的测风数据,根据测风数据确定目标风电场与上风向风电场的实际风速序列和实际风向序列的相关系数,从而对相关系数进行判断,确定是否存在参考序列,当存在参考序列时,根据参考序列确定风电场的相关参数,最后根据相关参数确定预测风功率。可见,通过参考序列确定风电场的相关参数,相关参数包括风电场的风况,根据具体风况可以对目标风电场的风功率进行预测,避免了在预测风功率时通过数据出现问题时,数据都需要重新确定,减少了预测风功率时系统的复杂度和不确定性。且,通过风电场的风况更符合气象规律,提高了超短期预测功率的准确性。
Description
技术领域
本申请涉及风力技术领域,特别是涉及一种超短期风功率的预测方法、装置及介质。
背景技术
风电作为新能源,比较适合大规模的开发,准确的风功率预测数据可以缓解电力系统的调峰和调频压力,最大化电力现货交易的收益。合理安排风机检修,以减少未必要的停机和发电量的损失,从而降低安全隐患。因此,电网和发电企业都高度重视风功率的预测,且要求也越来越高。目前,风电场功率预测系统一般是根据短期预测功率数据和实际运行功率,采用持续法、滑动平均法或机器学习算法建立超短期功率预测模型,通过预测模型对功率进行短期预测。
但是需要对每个预测时段都需要先进行模型训练,也就是如果是预测未来四小时的功率,且每15分钟预测一次,则每15分钟都需要进行模型训练,每15分钟都会出现未来四小时的功率预测,当其中一次数据出现问题,则全部数据都需要重新确定,增加了系统的复杂度和不确定性。
鉴于上述技术问题,寻求一种风功率的预测方法,是本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种超短期风功率的预测方法、装置及介质,用于根据风电场的具体风况对目标风电场的风功率进行预测。
为解决上述技术问题,本申请提供一种超短期风功率的预测方法,包括:
获取目标风电场与其余风电场的测风数据;
根据所述测风数据确定所述目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数;
判断两个所述相关系数是否均大于预设阈值;
若是,将所述上风向风电场的所述实际风速序列或所述实际风向序列作为参考序列;
根据所述参考序列确定相关参数;
根据所述相关参数确定预测风功率;
其中,所述相关参数至少包括所述上风向风电场与所述目标风电场的时间偏移、全部所述风电场所在区域的风况数据以及所述目标风电场与所述其余风电场的直线距离。
优选地,确定所述时间偏移包括:
获取所述目标风电场的所述实际风速序列和所述参考序列的波峰和波谷的时间点;
判断所述目标风电场的所述实际风速序列和所述参考序列是否仅存在所述波峰或所述波谷;
若是,选取两个所述波峰之间的时间或两个所述波谷之间的时间作为所述时间偏移;
若否,选取两个所述波峰之间的时间与两个所述波谷之间的时间的平均值作为所述时间偏移。
优选地,确定所述时间偏移之后还包括:
根据所述时间偏移确定对应时间段的所述目标风电场的风速序列;
确定所述上风向风电场的所述实际风速序列与所述目标风电场的风速序列的平均相对误差,以作为所述目标风电场与所述上风向风电场的风速幅度偏差;
根据所述相关参数确定所述预测风功率包括:
根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定所述预测风功率。
优选地,所述根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定所述预测风功率包括:
根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定预测风速;
获取所述目标风电场的实际运行功率曲线;
根据所述预测风速和所述实际运行功率曲线确定所述预测风功率。
优选地,所述风况数据对应的风况等级为一级风况、二级风况、三级风况以及四级风况;
其中,所述一级风况为所述区域的风速处于第一预设范围,所述二级风况为所述区域的风速处于第二预设范围时,且所述风速的变化率为预设变化率,所述三级风况为所述区域的风速处于第三预设范围,其余情况为所述四级风况;
其中,所述第二预设范围的下限值与所述第一预设范围的上限值相等,所述第三预设范围的下限值与所述第二预设范围的上限值相等。
优选地,所述根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定预测风速包括:
当所述区域处于所述一级风况时,将所述目标风电场的当前风速作为所述预测风速;
当所述上风向风电场处于所述二级风况,且所述目标风电场不处于所述二级风况时,根据所述直线距离和风速确定所述目标风电场出现风速大幅变化的时刻;
判断所述时刻是否大于预设时间;
若是,将所述目标风电场的当前风速作为所述预测风速;
若否,将所述目标风电场的当前风速作为所述时刻之前的预测风速,将所述上风向风电场的当前风速作为所述时刻与所述预设时间之间的预测风速;
当所述目标风电场处于所述二级风况,且所述上风向风电场不处于所述二级风况时,则根据所述时间偏移和所述风速幅度偏差确定对应时间段的所述上风向风电场的风速序列,以作为所述预测风速;
当所述区域处于所述三级风况时,确定所述上风向风电场的历史风速序列,根据所述上风向风电场的历史风速序列和所述目标风电场的所述实际风速序列确定所述预测风速;
当所述区域处于所述四级风况时,根据所述上风向风电场的所述实际风速序列和所述目标风电场的所述实际风速序列确定所述预测风速。
为解决上述技术问题,本申请还提供一种超短期风功率的预测装置,包括:
获取模块,用于获取目标风电场与其余风电场的测风数据;
第一确定模块,用于根据所述测风数据确定所述目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数;
判断模块,用于判断两个所述相关系数是否均大于预设阈值,若是,触发作为模块;
所述作为模块,用于将所述上风向风电场的所述实际风速序列或所述实际风向序列作为参考序列;
第二确定模块,用于根据所述参考序列确定相关参数;
第三确定模块,用于根据所述相关参数确定预测风功率;
其中,所述相关参数至少包括所述上风向风电场与所述目标风电场的时间偏移、全部所述风电场所在区域的风况数据以及所述目标风电场与所述其余风电场的直线距离。
为解决上述技术问题,本申请还提供一种超短期风功率的预测装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的超短期风功率的预测方法的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的超短期风功率的预测方法的步骤。
本申请所提供的一种超短期风功率的预测方法,通过获取目标风电场与其余风电场的测风数据,并根据测风数据确定目标风电场与上风向风电场的实际风速序列和实际风向序列的相关系数,从而对相关系数进行判断,确定出是否存在参考序列,当存在参考序列时,根据参考序列确定风电场的相关参数,最后根据相关参数确定预测风功率。由此可见,此方法通过参考序列确定风电场的相关参数,其中相关参数包括全部风电场的风况,根据风电场的具体风况可以对目标风电场的风功率进行预测,避免了在预测风功率时通过数据出现问题时,全部数据都需要重新确定,减少了预测风功率时系统的复杂度和不确定性。且,通过风电场的风况更符合气象规律,提高了超短期预测功率的准确性。
在此基础上,本申请还提供一种超短期风功率的预测装置及介质,具有与超短期风功率的预测方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅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。
图1为本申请实施例提供的一种超短期风功率的预测方法的流程图;
图2为本申请实施例提供的一种超短期风功率的预测装置的结构图;
图3为本申请另一实施例提供的超短期风功率的预测装置的结构图。
具体实施方式
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实施例,而不是全部实施例。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,都属于本申请保护范围。
本申请的核心是提供一种超短期风功率的预测方法、装置及介质,用于根据风电场的具体风况对目标风电场的风功率进行预测。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种超短期风功率的预测方法的流程图,如图1所示,超短期风功率的预测方法包括如下步骤。
S10:获取目标风电场与其余风电场的测风数据。
S11:根据测风数据确定目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数。
S12:判断两个相关系数是否均大于预设阈值,若是,进入S13步骤。
S13:将上风向风电场的实际风速序列或实际风向序列作为参考序列。
S14:根据参考序列确定相关参数。
S15:根据相关参数确定预测风功率。
风电作为新能源,比较适合大规模的开发,准确的风功率预测数据可以缓解电力系统的调峰和调频压力,最大化电力现货交易的收益。合理安排风机检修,以减少未必要的停机和发电量的损失,从而降低安全隐患。因此,电网和发电企业都高度重视风功率的预测,且要求也越来越高。目前,风电场功率预测系统一般是根据短期预测功率数据和实际运行功率,采用持续法、滑动平均法或机器学习算法建立超短期功率预测模型,通过预测模型对功率进行短期预测。但是需要对每个预测时段都需要先进行模型训练,也就是如果是预测未来四小时的功率,且每15分钟预测一次,则每15分钟都需要进行模型训练,每15分钟都会出现未来四小时的功率预测,当其中一次数据出现问题,则全部数据都需要重新确定,增加了系统的复杂度和不确定性。因此,提出一种超短期风功率的预测方法。
如步骤S10所说,获取目标风电场与其余风电场的测风数据,其中,本实施例所提到的测风数据是目标风电场与其余风电场在历史一段时间与当前的测风数据。此外,对测风数据的具体内容不作限定,本实施例作为一种优选的实施例,对测风数据进行描述,至少包括全场平均风速和全场平均风向。另外,对于测风数据如何获取的也不作限定,可以是通过风机或测风塔均可,只需满足可以获取测风数据即可。
在步骤S11中提到,根据测风数据确定目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数,可以理解的是,通过目标风电场的实际风速序列和上风向风电场的实际风速序列确定出一个相关系数,再通过目标风电场的实际风向序列和上风向风电场的实际风向序列确定出另一个相关系数。也就是两个风速序列确定一个相关系数,两个风向序列确定另一个相关系数。在步骤S12中提到,判断两个相关系数是否均大于预设阈值,本实施例对预设阈值不作限定,可以根据具体的实施方式对预设阈值的具体大小进行选择。
此外,当两个相关系数均大于预设阈值时,将上风向风电场的实际风速序列或实际风向序列作为参考序列,也就是说,当后续与风速相关时,参考序列为上风向风电场的实际风速序列,当后续与风向相关时,参考序列为上风向风电场的实际风向序列。确认参考序列之后,还需要通过参考序列确定风电场的相关参数,其中,相关参数至少包括上风向风电场与目标风电场的时间偏移,全部风电场所在区域的风况数据以及目标风电场与其余风电场的直线距离。值得注意的是,上风向风电场与目标风电场的时间偏移是指上游风流场从上风向风电场运动到目标风电场所需要的时间。在此基础上,本实施例对如何确定相关参数不作限定,可以根据具体的实施方式对如何确定相关参数进行选择。
另外,根据相关参数确定预测风功率,也就是根据时间偏移、风况数据以及直线距离,可以通过相关参数优先确定出目标风电场的预测风速,根据风速与功率的关系确定出预测风功率,本实施例对此不作限定,可以根据具体的实施情况进行选择。此外,本实施例所提到的超短期风功率预测是指预测未来四小时内的风功率,且,根据相关参数确定预测风功率后,会将时间间隔为15分钟的超短期预测功率序列展示出来,共16个值。
本实施例所提供的一种超短期风功率的预测方法,通过获取目标风电场与其余风电场的测风数据,并根据测风数据确定目标风电场与上风向风电场的实际风速序列和实际风向序列的相关系数,从而对相关系数进行判断,确定出是否存在参考序列,当存在参考序列时,根据参考序列确定风电场的相关参数,最后根据相关参数确定预测风功率。由此可见,此方法通过参考序列确定风电场的相关参数,其中相关参数包括全部风电场的风况,根据风电场的具体风况可以对目标风电场的风功率进行预测,避免了在预测风功率时通过数据出现问题时,全部数据都需要重新确定,减少了预测风功率时系统的复杂度和不确定性。且,通过风电场的风况更符合气象规律,提高了超短期预测功率的准确性。
在上述实施例的基础上,对如何确定时间偏移进行描述,其中,确定时间偏移的具体步骤包括:
获取目标风电场的实际风速序列和参考序列的波峰和波谷的时间点;
判断目标风电场的实际风速序列和参考序列是否仅存在波峰或波谷;
若是,选取两个波峰之间的时间或两个波谷之间的时间作为时间偏移;
若否,选取两个波峰之间的时间与两个波谷之间的时间的平均值作为时间偏移。
可以理解的是,获取目标风电场的实际风速序列和参考序列的波峰和波谷的时间点,由于本实施例是通过风速确定时间偏移,因此,此时的参考序列为上风向风电场的实际风速序列。在具体实施例中,目标风电场的实际风速序列和参考序列可能只存在波峰或波谷也可能波峰和波谷同时存在,所以需要对目标风电场的实际风速序列和参考序列是否仅存在波峰或波谷进行判断。当仅存在波峰或波谷时,选取两个波峰之间的时间或两个波谷之间的时间作为时间偏移,也就是只存在波峰时,选取两个波峰之间的时间作为时间偏移,只存在波谷时,选取两个波谷之间的时间作为时间偏移。
此外,当波峰和波谷同时存在时,确定两个波峰之间的时间,也确定两个波谷之间的时间,对二者求平均值,将平均值作为时间偏移。值得注意的是,本实施例仅仅为一种优选的实施例,也可以通过其余方法对时间偏移进行确定,本实施例不再赘述。
本实施例所提供的确定时间偏移的方法,通过获取目标风电场的实际风速序列和参考序列的波峰和波谷的时间点;判断目标风电场的实际风速序列和参考序列是否仅存在波峰或波谷;若是,选取两个波峰之间的时间或两个波谷之间的时间作为时间偏移;若否,选取两个波峰之间的时间与两个波谷之间的时间的平均值作为时间偏移。可以看出,此方法将波峰和波谷存在的现象也进行判断,使确定出的时间偏移更加准确。
在上述实施例的基础上,确定时间偏移之后还包括:
根据时间偏移确定对应时间段的目标风电场的风速序列;
确定上风向风电场的实际风速序列与目标风电场的风速序列的平均相对误差,以作为目标风电场与上风向风电场的风速幅度偏差;
根据相关参数确定预测风功率包括:
根据时间偏移、风速幅度偏差、风况数据和直线距离确定预测风功率。
可以理解的是,在确定时间偏移之后,可以根据时间偏移确定出对应时间段的目标风电场的风速序列,并通过上风向风电场的实际风速序列与目标风电场的风速序列的平均相对误差,以作为目标风电场与上风向风电场的风速幅度差值。则根据相关参数确定预测风功率则变为,根据时间偏移、风速幅度偏差、风况数据和直线距离确定预测风功率。
可以看出,本实施例在确定时间偏移之后,对目标风电场与上风向风电场的风速幅度差值也进行确定,使确定预测风功率时所得的结果更加准确。
在上述实施例的基础上,对如何确定预测风功率进行描述,确定预测风功率的具体步骤包括:
根据时间偏移、风速幅度偏差、风况数据和直线距离确定预测风速;
获取目标风电场的实际运行功率曲线;
根据预测风速和实际运行功率曲线确定预测风功率。
可以理解的是,先根据事件偏移、风速幅度偏差、风况数据和直线距离将预测风速确定,再获取目标风电场的实际运行功率曲线,而实际运行功率曲线是横坐标为风速,纵坐标为功率,可以根据预测风速在实际运行功率曲线上找到与预测风速相对应的预测风功率。
可以看出,本实施例所提供的确定预测风功率先确定预测风速,在通过实际运行功率曲线确定出预测风功率,此方法,对风功率的预测较为准确,也降低了系统预测的复杂度。
在上述实施例的基础上,风况数据具体包括一级风况、二级风况、三级风况以及四级风况,其中一级风况为区域的风速处于第一预设范围,二级风况为区域的风速处于第二预设范围时,且风速的变化率为预设变化率,三级风况为区域的风速处于第三预设范围,其余情况为四级风况;第二预设范围的下限值与第一预设范围的上限值相等,第三预设范围的下限值与第二预设范围的上限值相等。
对如何确定预测风速进行描述,具体步骤如下:
当区域处于一级风况时,将目标风电场的当前风速作为预测风速;
当上风向风电场处于二级风况,且目标风电场不处于二级风况时,根据直线距离和风速确定目标风电场出现风速大幅变化的时刻;
判断时刻是否大于预设时间;
若是,将目标风电场的当前风速作为预测风速;
若否,将目标风电场的当前风速作为时刻之前的预测风速,将上风向风电场的当前风速作为时刻与预设时间之间的预测风速;
当目标风电场处于二级风况,且上风向风电场不处于二级风况时,则根据时间偏移和风速幅度偏差确定对应时间段的上风向风电场的风速序列,以作为预测风速;
当区域处于三级风况时,确定上风向风电场的历史风速序列,根据上风向风电场的历史风速序列和目标风电场的实际风速序列确定预测风速;
当区域处于四级风况时,根据上风向风电场的实际风速序列和目标风电场的实际风速序列确定预测风速。
可以看出,本实施例对风电场的风况进行详细划分,一共划分为四个等级,且,四级风况为上述情况之外的情况。此外,本实施例对第一预设范围、第二预设范围以及第三预设范围不作限定,可以根据具体实施情况而定。本实施例作为一种优选的实施方式,对第一预设范围、第二预设范围以及第三预设范围进行描述。其中,第一预设范围为0-4m/s,第二预设范围为4m/s-9m/s,第三预设范围为大于9m/s,值得注意的是,二级风况是区域的风速处于第二预设范围,且风速的变化率为预设变化率时,本实施例对所提到的预设变化率不作限定,可以为2m/s也可以为3m/s,风速的变化率大于预设变化率也可。另外,本实施例作为一种优选的实施例对所提到的预设时间进行限定,预设时间为四个小时。
可以看出,本实施例所提供的如何确定预测风速,通过对风电场的风况进行等级划分,并根据具体的风况对风速进行区别预测,此方法,所得到的的预测风速比较准确,且符合气象物理的自然规律,降低了电网考核电量。
在上述实施例中,对于超短期风功率的预测方法进行了详细描述,本申请还提供超短期风功率的预测装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图2为本申请实施例提供的一种超短期风功率的预测装置的结构图,如图2所示,超短期风功率的预测装置包括:
获取模块14,用于获取目标风电场与其余风电场的测风数据;
第一确定模块15,用于根据测风数据确定目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数;
判断模块16,用于判断两个相关系数是否均大于预设阈值,若是,触发作为模块17;
作为模块17,用于将上风向风电场的实际风速序列或实际风向序列作为参考序列;
第二确定模块18,用于根据参考序列确定相关参数;
第三确定模块19,用于根据相关参数确定预测风功率;
其中,相关参数至少包括上风向风电场与目标风电场的时间偏移、全部风电场所在区域的风况数据以及目标风电场与其余风电场的直线距离。
本实施例所提供的一种超短期风功率的预测装置,包括获取模块、第一确定模块、判断模块、作为模块、第二确定模块以及第三确定模块,用于实现超短期风功率的预测方法,其通过获取目标风电场与其余风电场的测风数据,并根据测风数据确定目标风电场与上风向风电场的实际风速序列和实际风向序列的相关系数,从而对相关系数进行判断,确定出是否存在参考序列,当存在参考序列时,根据参考序列确定风电场的相关参数,最后根据相关参数确定预测风功率。由此可见,通过参考序列确定风电场的相关参数,其中相关参数包括全部风电场的风况,根据风电场的具体风况可以对目标风电场的风功率进行预测,避免了在预测风功率时通过数据出现问题时,全部数据都需要重新确定,减少了预测风功率时系统的复杂度和不确定性。且,通过风电场的风况更符合气象规律,提高了超短期预测功率的准确性。
图3为本申请另一实施例提供的超短期风功率的预测装置的结构图,如图3所示,超短期风功率的预测装置包括:存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中所提到的超短期风功率的预测方法的步骤。
本实施例提供的超短期风功率的预测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有图形处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的超短期风功率的预测方法的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203 等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括 Windows、Unix、Linux等。数据203可以包括但不限于超短期风功率的预测方法的数据等。
在一些实施例中,超短期风功率的预测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图3中示出的结构并不构成对超短期风功率的预测装置的限定,可以包括比图示更多或更少的组件。
本实施例所提供的超短期风功率的预测装置,包括存储器和处理器,存储器用于存储超短期风功率的预测方法的程序,处理器用于执行所存储的程序,其通过获取目标风电场与其余风电场的测风数据,并根据测风数据确定目标风电场与上风向风电场的实际风速序列和实际风向序列的相关系数,从而对相关系数进行判断,确定出是否存在参考序列,当存在参考序列时,根据参考序列确定风电场的相关参数,最后根据相关参数确定预测风功率。由此可见,通过参考序列确定风电场的相关参数,其中相关参数包括全部风电场的风况,根据风电场的具体风况可以对目标风电场的风功率进行预测,避免了在预测风功率时通过数据出现问题时,全部数据都需要重新确定,减少了预测风功率时系统的复杂度和不确定性。且,通过风电场的风况更符合气象规律,提高了超短期预测功率的准确性。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例所提供的计算机可读存储介质,通过将超短期风功率的预测方法的程序存储与计算机可读存储介质中,用于实现超短期风功率的预测方法的步骤,其通过获取目标风电场与其余风电场的测风数据,并根据测风数据确定目标风电场与上风向风电场的实际风速序列和实际风向序列的相关系数,从而对相关系数进行判断,确定出是否存在参考序列,当存在参考序列时,根据参考序列确定风电场的相关参数,最后根据相关参数确定预测风功率。由此可见,通过参考序列确定风电场的相关参数,其中相关参数包括全部风电场的风况,根据风电场的具体风况可以对目标风电场的风功率进行预测,避免了在预测风功率时通过数据出现问题时,全部数据都需要重新确定,减少了预测风功率时系统的复杂度和不确定性。且,通过风电场的风况更符合气象规律,提高了超短期预测功率的准确性。
以上对本申请所提供的一种超短期风功率的预测方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种超短期风功率的预测方法,其特征在于,包括:
获取目标风电场与其余风电场的测风数据;
根据所述测风数据确定所述目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数;
判断两个所述相关系数是否均大于预设阈值;
若是,将所述上风向风电场的所述实际风速序列或所述实际风向序列作为参考序列;
根据所述参考序列确定相关参数;
根据所述相关参数确定预测风功率;
其中,所述相关参数至少包括所述上风向风电场与所述目标风电场的时间偏移、全部所述风电场所在区域的风况数据以及所述目标风电场与所述其余风电场的直线距离。
2.根据权利要求1所述的超短期风功率的预测方法,其特征在于,确定所述时间偏移包括:
获取所述目标风电场的所述实际风速序列和所述参考序列的波峰和波谷的时间点;
判断所述目标风电场的所述实际风速序列和所述参考序列是否仅存在所述波峰或所述波谷;
若是,选取两个所述波峰之间的时间或两个所述波谷之间的时间作为所述时间偏移;
若否,选取两个所述波峰之间的时间与两个所述波谷之间的时间的平均值作为所述时间偏移。
3.根据权利要求1所述的超短期风功率的预测方法,其特征在于,确定所述时间偏移之后还包括:
根据所述时间偏移确定对应时间段的所述目标风电场的风速序列;
确定所述上风向风电场的所述实际风速序列与所述目标风电场的风速序列的平均相对误差,以作为所述目标风电场与所述上风向风电场的风速幅度偏差;
根据所述相关参数确定所述预测风功率包括:
根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定所述预测风功率。
4.根据权利要求3所述的超短期风功率的预测方法,其特征在于,所述根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定所述预测风功率包括:
根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定预测风速;
获取所述目标风电场的实际运行功率曲线;
根据所述预测风速和所述实际运行功率曲线确定所述预测风功率。
5.根据权利要求4所述的超短期风功率的预测方法,其特征在于,所述风况数据对应的风况等级为一级风况、二级风况、三级风况以及四级风况;
其中,所述一级风况为所述区域的风速处于第一预设范围,所述二级风况为所述区域的风速处于第二预设范围时,且所述风速的变化率为预设变化率,所述三级风况为所述区域的风速处于第三预设范围,其余情况为所述四级风况;
其中,所述第二预设范围的下限值与所述第一预设范围的上限值相等,所述第三预设范围的下限值与所述第二预设范围的上限值相等。
6.根据权利要求5所述的超短期风功率的预测方法,其特征在于,所述根据所述时间偏移、所述风速幅度偏差、所述风况数据和所述直线距离确定预测风速包括:
当所述区域处于所述一级风况时,将所述目标风电场的当前风速作为所述预测风速;
当所述上风向风电场处于所述二级风况,且所述目标风电场不处于所述二级风况时,根据所述直线距离和风速确定所述目标风电场出现风速大幅变化的时刻;
判断所述时刻是否大于预设时间;
若是,将所述目标风电场的当前风速作为所述预测风速;
若否,将所述目标风电场的当前风速作为所述时刻之前的预测风速,将所述上风向风电场的当前风速作为所述时刻与所述预设时间之间的预测风速;
当所述目标风电场处于所述二级风况,且所述上风向风电场不处于所述二级风况时,则根据所述时间偏移和所述风速幅度偏差确定对应时间段的所述上风向风电场的风速序列,以作为所述预测风速;
当所述区域处于所述三级风况时,确定所述上风向风电场的历史风速序列,根据所述上风向风电场的历史风速序列和所述目标风电场的所述实际风速序列确定所述预测风速;
当所述区域处于所述四级风况时,根据所述上风向风电场的所述实际风速序列和所述目标风电场的所述实际风速序列确定所述预测风速。
7.一种超短期风功率的预测装置,其特征在于,包括:
获取模块,用于获取目标风电场与其余风电场的测风数据;
第一确定模块,用于根据所述测风数据确定所述目标风电场与上风向风电场的实际风速序列的相关系数和实际风向序列的相关系数;
判断模块,用于判断两个所述相关系数是否均大于预设阈值,若是,触发作为模块;
所述作为模块,用于将所述上风向风电场的所述实际风速序列或所述实际风向序列作为参考序列;
第二确定模块,用于根据所述参考序列确定相关参数;
第三确定模块,用于根据所述相关参数确定预测风功率;
其中,所述相关参数至少包括所述上风向风电场与所述目标风电场的时间偏移、全部所述风电场所在区域的风况数据以及所述目标风电场与所述其余风电场的直线距离。
8.一种超短期风功率的预测装置,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的超短期风功率的预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的超短期风功率的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378893.8A CN114707734A (zh) | 2022-04-12 | 2022-04-12 | 一种超短期风功率的预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210378893.8A CN114707734A (zh) | 2022-04-12 | 2022-04-12 | 一种超短期风功率的预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707734A true CN114707734A (zh) | 2022-07-05 |
Family
ID=82174142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210378893.8A Pending CN114707734A (zh) | 2022-04-12 | 2022-04-12 | 一种超短期风功率的预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707734A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
CN116187559A (zh) * | 2023-02-21 | 2023-05-30 | 华润电力技术研究院有限公司 | 一种集中式风电超短期功率预测方法、系统和云端平台 |
CN116307307A (zh) * | 2023-05-25 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 一种风电场的超短期功率预测方法及系统 |
CN116609552A (zh) * | 2023-07-18 | 2023-08-18 | 江西省气象探测中心 | 一种风速测量不确定度评定方法、系统、存储介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996072A (zh) * | 2014-04-29 | 2014-08-20 | 中国农业大学 | 一种风电场和风电区域的风电功率预测方法及系统 |
CN106529741A (zh) * | 2016-12-12 | 2017-03-22 | 国网电力科学研究院 | 一种基于空间相关特征的超短期风电功率预测方法 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
CN113205210A (zh) * | 2021-04-29 | 2021-08-03 | 西安热工研究院有限公司 | 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 |
-
2022
- 2022-04-12 CN CN202210378893.8A patent/CN114707734A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996072A (zh) * | 2014-04-29 | 2014-08-20 | 中国农业大学 | 一种风电场和风电区域的风电功率预测方法及系统 |
CN106529741A (zh) * | 2016-12-12 | 2017-03-22 | 国网电力科学研究院 | 一种基于空间相关特征的超短期风电功率预测方法 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
CN113205210A (zh) * | 2021-04-29 | 2021-08-03 | 西安热工研究院有限公司 | 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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116123028A (zh) * | 2022-12-20 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 风电场级mppt预测模型控制方法和装置 |
CN116187559A (zh) * | 2023-02-21 | 2023-05-30 | 华润电力技术研究院有限公司 | 一种集中式风电超短期功率预测方法、系统和云端平台 |
CN116187559B (zh) * | 2023-02-21 | 2024-03-15 | 华润电力技术研究院有限公司 | 一种集中式风电超短期功率预测方法、系统和云端平台 |
CN116307307A (zh) * | 2023-05-25 | 2023-06-23 | 长江三峡集团实业发展(北京)有限公司 | 一种风电场的超短期功率预测方法及系统 |
CN116307307B (zh) * | 2023-05-25 | 2023-08-18 | 长江三峡集团实业发展(北京)有限公司 | 一种风电场的超短期功率预测方法及系统 |
CN116609552A (zh) * | 2023-07-18 | 2023-08-18 | 江西省气象探测中心 | 一种风速测量不确定度评定方法、系统、存储介质及设备 |
CN116609552B (zh) * | 2023-07-18 | 2023-10-20 | 江西省气象探测中心 | 一种风速测量不确定度评定方法、系统、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707734A (zh) | 一种超短期风功率的预测方法、装置及介质 | |
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 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
Fogle et al. | Towards an improved understanding of statistical extrapolation for wind turbine extreme loads | |
CN113591359B (zh) | 一种风电机组切入/切出风速调优方法、系统及设备介质 | |
CN111864743A (zh) | 一种电网调度控制模型的构建方法及电网调度控制方法 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN118157185B (zh) | 一种光伏储能充电控制方法和系统 | |
CN112651560A (zh) | 一种超短期风功率预测方法、装置及设备 | |
CN115660412A (zh) | 考虑源荷波动及再调度的调度风险量化评估方法及装置 | |
CN117973859A (zh) | 一种主配电网的风险防控方法、装置、设备和介质 | |
CN105320992A (zh) | 一种电力系统备用量化评估方法 | |
CN106910010A (zh) | 一种主动配电网不确定性潮流分析方法及装置 | |
CN115882451A (zh) | 新能源电站的发电功率预测方法、装置、以及设备 | |
CN116258297A (zh) | 一种电量评估方法、装置、电子设备及存储介质 | |
CN109872248A (zh) | 一种风电场集群出力计算方法及系统 | |
CN115345519A (zh) | 海上风电风险评估方法、装置、设备及存储介质 | |
CN113962583A (zh) | 混凝土重力坝洪水漫坝风险分析方法 | |
CN112684403A (zh) | 一种基于数据检测的智能电表的故障检测方法 | |
Ye et al. | Data-driven stochastic unit commitment optimization considering spatial correlation of wind farms | |
CN112467782B (zh) | 水光互补系统的运行安全校核方法和装置、电子设备 | |
CN118035875B (zh) | 基于极端天气影响因子的风力发电功率预测方法及系统 | |
CN114897223A (zh) | 一种风功率的预测方法、装置及计算机可读存储介质 | |
CN113394815B (zh) | 电-气耦合网络电力系统灵活性的量化方法、装置及设备 |
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 |