CN115545295A - 一种风电场年发电量的确定方法、装置、设备和介质 - Google Patents

一种风电场年发电量的确定方法、装置、设备和介质 Download PDF

Info

Publication number
CN115545295A
CN115545295A CN202211200213.XA CN202211200213A CN115545295A CN 115545295 A CN115545295 A CN 115545295A CN 202211200213 A CN202211200213 A CN 202211200213A CN 115545295 A CN115545295 A CN 115545295A
Authority
CN
China
Prior art keywords
wind speed
annual
wind
determining
change rate
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
Application number
CN202211200213.XA
Other languages
English (en)
Inventor
刘华清
姜婷婷
陈广宇
赵子皓
吴彦洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Windey Co Ltd
Original Assignee
Zhejiang Windey Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Windey Co Ltd filed Critical Zhejiang Windey Co Ltd
Priority to CN202211200213.XA priority Critical patent/CN115545295A/zh
Publication of CN115545295A publication Critical patent/CN115545295A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Wind Motors (AREA)

Abstract

本申请公开了一种风电场年发电量的确定方法、装置、设备和介质，利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；依据年预估平均风速与年实际平均风速，得到风速年际变化率。风机轮毂高度的风速是决定风电场发电量的关键因素，因此可以根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率。根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，可以确定出发电量年际变化率；发电量年际变化率用于评估下一年发电量的变化情况，基于发电量年际变化率以及当年实际发电量，可以确定出下一年的预估发电量，实现了对风电场长期发电量的预测。

Description

一种风电场年发电量的确定方法、装置、设备和介质
技术领域
本申请涉及风力发电技术领域，特别是涉及一种风电场年发电量的确定方法、装置、设备和计算机可读存储介质。
背景技术
我国风资源分布不均匀，风能资源主要集中在三北地区，而电力负荷中心主要在华东地区。随着我国风电的大规模开发与并网，如何最大程度消纳风电的问题日益突出。跨区域电力调度和市场化的电力交易是解决风电消纳问题的有效手段。
风电基地通道外送多以长期交易为主，跨区域电力交易采用的也是年度合同为主、月度临时交易为辅的交易模式。因此，需要对风电场长期发电量进行预测，以便为跨区域、长周期电力外送和市场交易的有效实施提供依据，最大限度地发挥风电场的发电能力和输电通道的输送能力。
目前风电场发电量预测采用的方法主要分成三类：第一类为物理方法：以数值天气预报(Numerical Weather Prediction，NWP)作为输入数据、结合风电场周围地形、粗糙度等信息模拟得到风电场轮毂高度的风速、进而得到风电场的发电量。该方法计算量大，计算时间长，一般用于风电场选址时发电量评估。第二类为时间序列方法：基于风电场过去的风速或发电量数据，通过模式识别、参数估计和模型校验等步骤建立预测模型。这种方法需要大量、长时间的历史数据，而目前风电场运行时间普遍较短，运行数据不足以满足算法的需要。第三类为机器学习方法：利用人工智能学习方法如神经网络、支持向量机等，通过大量历史数据的学习和训练，建立输入变量和输出电量之间的非线性映射关系。该方法主要适用于风电场中短期发电量预测，无法满足长期发电量预测的需要。
可见，如何实现对风电场长期发电量的预测，是本领域技术人员需要解决的问题。
发明内容
本申请实施例的目的是提供一种风电场年发电量的确定方法、装置、设备和介质，可以实现对风电场长期发电量的预测。
为解决上述技术问题，本申请实施例提供一种风电场年发电量的确定方法，包括：
利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；
依据所述年预估平均风速与年实际平均风速，得到风速年际变化率；
根据轮毂高度风速与历史风速的线性关系以及所述风速年际变化率，确定出轮毂高度风速的年际变化率；
根据每个风速段的风速敏感因子、功率、风速、风频以及所述轮毂高度风速的年际变化率，确定出发电量年际变化率；
基于所述发电量年际变化率以及当年实际发电量，确定出下一年的预估发电量。
可选地，所述依据所述年预估平均风速与年实际平均风速，得到风速年际变化率包括：
计算所述年预估平均风速与所述年实际平均风速的差值；
将所述差值与所述年实际平均风速的比值作为风速年际变化率。
可选地，所述根据轮毂高度风速与历史风速的线性关系以及所述风速年际变化率，确定出轮毂高度风速的年际变化率包括：
对测风塔轮毂高度的风速时间序列与预设量的历史风速时间序列进行相关性分析，确定出轮毂高度风速与历史风速的线性关系；
基于所述线性关系对所述风速年际变化率进行修正，以得到轮毂高度风速的年际变化率。
可选地，所述根据每个风速段的风速敏感因子、功率、风速、风频以及所述轮毂高度风速的年际变化率，确定出发电量年际变化率包括：
依据获取的风电机组动态功率曲线，确定出每个风速段对应的功率和风速；
基于当前风速段对应的功率和风速以及与所述当前风速段前向相邻的风速段对应的功率和风速，确定出所述当前风速段对应的风速敏感因子；
根据所有所述风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数；
将所述风速敏感系数与所述轮毂高度风速的年际变化率的乘积作为发电量年际变化率。
可选地，所述根据所有所述风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数包括：
在获取到所有所述风速段对应的风速敏感因子、功率、风速以及风频的情况下，调用风速敏感系数公式计算出风速敏感系数；
所述风速敏感系数公式为：
Figure BDA0003872164290000031
其中，ξE,v表示风速敏感系数，fk表示第k个风速段对应的风频，cv,k表示第k个风速段对应的风速敏感因子，vk表示第k个风速段对应的风速，pk表示第k个风速段对应的功率，N表示风速段的总个数。
可选地，所述风速预测模型的训练过程包括：
获取预设样本量的初始风速时间序列；
将所述初始风速时间序列转换为月分辨率的待训练风速时间序列；
利用所述待训练风速时间序列对初始风速预测模型进行训练，以得到训练好的风速预测模型。
可选地，所述利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速包括：
将获取的历史风速时间序列输入所述训练好的风速预测模型，以得到十二个月各自对应的月预估平均风速；
将所有所述月预估平均风速的均值作为年预估平均风速。
本申请实施例还提供了一种风电场年发电量的确定装置，包括分析单元、得到单元、第一确定单元、第二确定单元和第三确定单元；
所述分析单元，用于利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；
所述得到单元，用于依据所述年预估平均风速与年实际平均风速，得到风速年际变化率；
所述第一确定单元，用于根据轮毂高度风速与历史风速的线性关系以及所述风速年际变化率，确定出轮毂高度风速的年际变化率；
所述第二确定单元，用于根据每个风速段的风速敏感因子、功率、风速、风频以及所述轮毂高度风速的年际变化率，确定出发电量年际变化率；
所述第三确定单元，用于基于所述发电量年际变化率以及当年实际发电量，确定出下一年的预估发电量。
可选地，所述得到单元包括计算子单元和作为子单元；
所述计算子单元，用于计算所述年预估平均风速与所述年实际平均风速的差值；
所述作为子单元，用于将所述差值与所述年实际平均风速的比值作为风速年际变化率。
可选地，所述第一确定单元用于对测风塔轮毂高度的风速时间序列与预设量的历史风速时间序列进行相关性分析，确定出轮毂高度风速与历史风速的线性关系；基于所述线性关系对所述风速年际变化率进行修正，以得到轮毂高度风速的年际变化率。
可选地，所述第二确定单元包括参数确定子单元、因子确定子单元、系数确定子单元和作为子单元；
所述参数确定子单元，用于依据获取的风电机组动态功率曲线，确定出每个风速段对应的功率和风速；
所述因子确定子单元，用于基于当前风速段对应的功率和风速以及与所述当前风速段前向相邻的风速段对应的功率和风速，确定出所述当前风速段对应的风速敏感因子；
所述系数确定子单元，用于根据所有所述风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数；
所述作为子单元，用于将所述风速敏感系数与所述轮毂高度风速的年际变化率的乘积作为发电量年际变化率。
可选地，所述系数确定子单元用于在获取到所有所述风速段对应的风速敏感因子、功率、风速以及风频的情况下，调用风速敏感系数公式计算出风速敏感系数；
所述风速敏感系数公式为：
Figure BDA0003872164290000051
其中，ξE,v表示风速敏感系数，fk表示第k个风速段对应的风频，cv,k表示第k个风速段对应的风速敏感因子，vk表示第k个风速段对应的风速，pk表示第k个风速段对应的功率，N表示风速段的总个数。
可选地，针对于所述风速预测模型的训练过程，所述装置还包括获取单元、转换单元和训练单元；
所述获取单元，用于获取预设样本量的初始风速时间序列；
所述转换单元，用于将所述初始风速时间序列转换为月分辨率的待训练风速时间序列；
所述训练单元，用于利用所述待训练风速时间序列对初始风速预测模型进行训练，以得到训练好的风速预测模型。
可选地，所述分析单元用于将获取的历史风速时间序列输入所述训练好的风速预测模型，以得到十二个月各自对应的月预估平均风速；将所有所述月预估平均风速的均值作为年预估平均风速。
本申请实施例还提供了一种电子设备，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以实现如上述风电场年发电量的确定方法的步骤。
本申请实施例还提供了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风电场年发电量的确定方法的步骤。
由上述技术方案可以看出，利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；依据年预估平均风速与年实际平均风速，得到风速年际变化率。风速年际变化率用于反映长期气象数据的风速变化情况，其空间分辨率通常为几十公里，无法准确表征所选风电场的风速变化。因此，在实际应用中，对选定的风电场的发电量进行预测时，需要对风速年际变化率进行调整，从而得到更加贴合该风电场实际情况的风速的变化率。风机轮毂高度的风速是决定风电场发电量的关键因素，因此在本申请中可以根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率。轮毂高度风速的年际变化率可以反映出当前所选定的风电场的风速的年际变化情况。风速敏感因子、功率、风速、风频是反映发电量变化的重要参数。根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，可以确定出发电量年际变化率；发电量年际变化率用于评估下一年发电量的变化情况，基于发电量年际变化率以及当年实际发电量，可以确定出下一年的预估发电量，实现了对风电场长期发电量的预测。
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风电场年发电量的确定方法的流程图；
图2为本申请实施例提供的一种风电场年发电量的确定装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构图。
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”，以及与“包括”和“具有”相关的任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
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。
接下来，详细介绍本申请实施例所提供的一种风电场年发电量的确定方法。图1为本申请实施例提供的一种风电场年发电量的确定方法的流程图，该方法包括：
S101：利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速。
在本申请实施例中，采用季节性差分整合移动平均自回归模型(SeasonalAutoregressive Integrated Moving Average Model，SARIMA)作为风速预测模型。
通过大量的风速时间序列数据对风速预测模型进行训练，使得风速预测模型可以实现对月平均风速的预估。在本申请实施例中，可以将风速预测模型的输出结果称作月预估平均风速。
为了满足长周期发电量的预测，可以控制风速预测模型的输出结果的个数，例如，需要对年度发电量进行预测时，在进行风速预测模型的训练时，可以设置风速预测模型输出12个月的月预估平均风速。
为了提升风速预测模型的准确性，可以选取大量的样本数据对风速预测模型进行训练。在实际应用中，可以通过网络下载EAR5、MERRA-2等风速时间序列，从中选取预设样本量的风速时间序列作为样本。其中，预设样本量可以基于实际需求设置，例如，预设样本量可以为连续60个月的风速时间序列。
为了便于区分，可以将用于模型训练的风速时间序列称作初始风速时间序列。将转换分辨率之后的风速时间序列称作待训练风速时间序列。
考虑到风速时间序列通常为小时分辨率，为了实现月度风速的预测，在获取到预设样本量的初始风速时间序列之后，可以将初始风速时间序列转换为月分辨率的待训练风速时间序列。
在具体实现中，可以将小时分辨率的初始风速时间序列包含的风速数据进行平均运算的方式，转换为月分辨率的待训练风速时间序列。
利用待训练风速时间序列对初始风速预测模型进行训练，以得到训练好的风速预测模型。
在后续需要调用风速预测模型进行年发电量的预测时，可以利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速。
以年发电量的预测为例，设定时长的取值需要大于或等于5年，例如设定时长可以为60个月。
在实际应用中，可以将近五年共计60个月的历史风速时间序列输入至训练好的风速预测模型，风速预测模型会输出下一年的12个月各自对应的月预估平均风速。将12个月的月预估平均风速的均值作为年预估平均风速。
S102：依据年预估平均风速与年实际平均风速，得到风速年际变化率。
年预估平均风速用于表示预测得到的下一年的年平均风速，年实际平均风速用于表示当前年的年平均风速。
在本申请实施例中，可以计算年预估平均风速与年实际平均风速的差值；将差值与年实际平均风速的比值作为风速年际变化率。
在具体实现中，可以按照如下公式，计算得到风速年际变化率，
Figure BDA0003872164290000091
其中，ηv,LT表示风速年际变化率，v1,LT表示年预估平均风速，v0,LT表示年实际平均风速。
举例说明，利用风速预测模型可以预测出2022年对应的年预估平均风速，假设为5m/s。基于2021年实际的风速时间序列数据，可以确定出2021年实际的年平均风速，可以将该年平均风速称作年实际平均风速，假设为4m/s，则风速年际变化率为(5-4)/4*100％＝25％。
S103：根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率。
风速年际变化率用于反映长期气象数据的风速变化情况，其空间分辨率通常为几十公里，无法准确表征所选定的风电场的风速变化。在实际应用中，对选定的风电场的发电量进行预测时，需要对风速年际变化率进行调整，从而得到更加贴合该风电场实际情况的风速的变化率。
风机轮毂高度的风速是决定风电场发电量的关键因素，为了便于描述，可以将风机轮毂高度的风速简称为轮毂高度风速。在本申请中可以根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率。轮毂高度风速的年际变化率可以反映出当前所选定的风电场的风速的年际变化情况。
在本申请实施例中，可以将测风塔的轮毂高度的风速时间序列与预设量的历史风速时间序列进行相关性分析，确定出轮毂高度风速与历史风速的线性关系。
通过相关性分析可以得到轮毂高度风速与历史风速的线性关系表达式，如y＝kx+b，其中，x表示历史风速时间序列，y表示轮毂高度的风速时间序列，b表示截距，k表示斜率。
基于轮毂高度风速与历史风速的线性关系，可以将风速年际变化率订正为轮毂高度风速的年际变化率。
在具体实现中，可以按照如下公式将风速年际变化率订正为轮毂高度风速的年际变化率，
Figure BDA0003872164290000101
其中，ηv,hub表示轮毂高度风速的年际变化率，v0,LT表示年实际平均风速，ηv,LT表示风速年际变化率。
S104：根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，确定出发电量年际变化率。
轮毂高度风速的年际变化率可以反映出当前所选定的风电场的风速的年际变化情况。风速敏感因子、功率、风速、风频是反映发电量变化的重要参数。因此，在本申请实施例中，可以根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，确定出发电量年际变化率。
在具体实现中，依据获取的风电机组动态功率曲线，确定出每个风速段对应的功率和风速；基于当前风速段对应的功率和风速以及与当前风速段前向相邻的风速段对应的功率和风速，确定出当前风速段对应的风速敏感因子。
在实际应用中，可以按照如下公式计算第k个风速段对应的风速敏感因子，
Figure BDA0003872164290000102
其中，cv,k表示第k个风速段的风速敏感因子，单位为kW/m·s-1；pk表示第k个风速段对应的功率；pk-1表示第k-1个风速段对应的功率；vk表示第k个风速段对应的风速；vk-1表示第k-1个风速段对应的风速。约定p0＝0，v0＝0。
在确定出各风速段对应的敏感因子后，可以根据所有风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数。
在实际应用中，在获取到所有风速段对应的风速敏感因子、功率、风速以及风频的情况下，可以调用风速敏感系数公式计算出风速敏感系数；
风速敏感系数公式为：
Figure BDA0003872164290000111
其中，ξE,v表示风速敏感系数，fk表示第k个风速段对应的风频，cv,k表示第k个风速段对应的风速敏感因子，vk表示第k个风速段对应的风速，pk表示第k个风速段对应的功率，N表示风速段的总个数。
采用风速敏感系数来表征风速引起的发电量变化比例，充分考虑了风频分布和功率曲线的影响。
在确定出风速敏感系数之后，可以将风速敏感系数与轮毂高度风速的年际变化率的乘积作为发电量年际变化率。
在实际应用中，可以按照公式ηE＝ξE,vηv,hub计算得到发电量年际变化率ηE。
S105：基于发电量年际变化率以及当年实际发电量，确定出下一年的预估发电量。
发电量年际变化率用于评估下一年发电量的变化情况，基于发电量年际变化率以及当年实际发电量，可以确定出下一年的预估发电量。
在实际应用中，可以按照公式E1＝E0(1+ηE)计算得到下一年的预估发电量E1。其中，E0表示当年实际发电量，ηE表示发电量年际变化率。
本申请实施例提供的风电场年发电量的确定方法，其理论实用、可操作性强，可以为风电场长周期电力外送和市场化交易计划的制订提供依据，对于提高风电的消纳水平具有重要意义。
由上述技术方案可以看出，利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；依据年预估平均风速与年实际平均风速，得到风速年际变化率。风速年际变化率用于反映长期气象数据的风速变化情况，其空间分辨率通常为几十公里，无法准确表征所选风电场的风速变化。在实际应用中，对选定的风电场的发电量进行预测时，需要对风速年际变化率进行调整，从而得到更加贴合该风电场实际情况的风速的变化率。风机轮毂高度的风速是决定风电场发电量的关键因素，因此在本申请中可以根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率。轮毂高度风速的年际变化率可以反映出当前所选定的风电场的风速的年际变化情况。风速敏感因子、功率、风速、风频是反映发电量变化的重要参数。根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，可以确定出发电量年际变化率；发电量年际变化率用于评估下一年发电量的变化情况，基于发电量年际变化率以及当年实际发电量，可以确定出下一年的预估发电量，实现了对风电场长期发电量的预测。
图2为本申请实施例提供的一种风电场年发电量的确定装置的结构示意图，包括分析单元21、得到单元22、第一确定单元23、第二确定单元24和第三确定单元25；
分析单元21，用于利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；
得到单元22，用于依据年预估平均风速与年实际平均风速，得到风速年际变化率；
第一确定单元23，用于根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率；
第二确定单元24，用于根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，确定出发电量年际变化率；
第三确定单元25，用于基于发电量年际变化率以及当年实际发电量，确定出下一年的预估发电量。
可选地，得到单元包括计算子单元和作为子单元；
计算子单元，用于计算年预估平均风速与年实际平均风速的差值；
作为子单元，用于将差值与年实际平均风速的比值作为风速年际变化率。
可选地，第一确定单元用于对测风塔轮毂高度的风速时间序列与预设量的历史风速时间序列进行相关性分析，确定出轮毂高度风速与历史风速的线性关系；基于线性关系对风速年际变化率进行修正，以得到轮毂高度风速的年际变化率。
可选地，第二确定单元包括参数确定子单元、因子确定子单元、系数确定子单元和作为子单元；
参数确定子单元，用于依据获取的风电机组动态功率曲线，确定出每个风速段对应的功率和风速；
因子确定子单元，用于基于当前风速段对应的功率和风速以及与当前风速段前向相邻的风速段对应的功率和风速，确定出当前风速段对应的风速敏感因子；
系数确定子单元，用于根据所有风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数；
作为子单元，用于将风速敏感系数与轮毂高度风速的年际变化率的乘积作为发电量年际变化率。
可选地，系数确定子单元用于在获取到所有风速段对应的风速敏感因子、功率、风速以及风频的情况下，调用风速敏感系数公式计算出风速敏感系数；
风速敏感系数公式为：
Figure BDA0003872164290000131
其中，ξE,v表示风速敏感系数，fk表示第k个风速段对应的风频，cv,k表示第k个风速段对应的风速敏感因子，vk表示第k个风速段对应的风速，pk表示第k个风速段对应的功率，N表示风速段的总个数。
可选地，针对于风速预测模型的训练过程，装置还包括获取单元、转换单元和训练单元；
获取单元，用于获取预设样本量的初始风速时间序列；
转换单元，用于将初始风速时间序列转换为月分辨率的待训练风速时间序列；
训练单元，用于利用待训练风速时间序列对初始风速预测模型进行训练，以得到训练好的风速预测模型。
可选地，分析单元用于将获取的历史风速时间序列输入训练好的风速预测模型，以得到十二个月各自对应的月预估平均风速；将所有月预估平均风速的均值作为年预估平均风速。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；依据年预估平均风速与年实际平均风速，得到风速年际变化率。风速年际变化率用于反映长期气象数据的风速变化情况，其空间分辨率通常为几十公里，无法准确表征所选风电场的风速变化。在实际应用中，对选定的风电场的发电量进行预测时，需要对风速年际变化率进行调整，从而得到更加贴合该风电场实际情况的风速的变化率。风机轮毂高度的风速是决定风电场发电量的关键因素，因此在本申请中可以根据轮毂高度风速与历史风速的线性关系以及风速年际变化率，确定出轮毂高度风速的年际变化率。轮毂高度风速的年际变化率可以反映出当前所选定的风电场的风速的年际变化情况。风速敏感因子、功率、风速、风频是反映发电量变化的重要参数。根据每个风速段的风速敏感因子、功率、风速、风频以及轮毂高度风速的年际变化率，可以确定出发电量年际变化率；发电量年际变化率用于评估下一年发电量的变化情况，基于发电量年际变化率以及当年实际发电量，可以确定出下一年的预估发电量，实现了对风电场长期发电量的预测。
图3为本申请实施例提供的一种电子设备的结构图，如图3所示，电子设备包括：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风电场年发电量的确定方法的步骤。
本实施例提供的电子设备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DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)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CPU(Central ProcessingUnit，中央处理器)；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可以在集成有GPU(Graphics Processing Unit，图像处理器)，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AI(Artificial Intelligence，人工智能)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风电场年发电量的确定方法的相关步骤。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可以包括但不限于轮毂高度风速与历史风速的线性关系、当年实际发电量等。
在一些实施例中，电子设备还可包括有显示屏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带着你设备的限定，可以包括比图示更多或更少的组件。
可以理解的是，如果上述实施例中的风电场年发电量的确定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)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种计算机可读存储介质，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风电场年发电量的确定方法的步骤。
以上对本申请实施例所提供的一种风电场年发电量的确定方法、装置、设备和计算机可读存储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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上对本申请所提供的一种风电场年发电量的确定方法、装置、设备和计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，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。

Claims (10)

1.一种风电场年发电量的确定方法，其特征在于，包括：
利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；
依据所述年预估平均风速与年实际平均风速，得到风速年际变化率；
根据轮毂高度风速与历史风速的线性关系以及所述风速年际变化率，确定出轮毂高度风速的年际变化率；
根据每个风速段的风速敏感因子、功率、风速、风频以及所述轮毂高度风速的年际变化率，确定出发电量年际变化率；
基于所述发电量年际变化率以及当年实际发电量，确定出下一年的预估发电量。
2.根据权利要求1所述的风电场年发电量的确定方法，其特征在于，所述依据所述年预估平均风速与年实际平均风速，得到风速年际变化率包括：
计算所述年预估平均风速与所述年实际平均风速的差值；
将所述差值与所述年实际平均风速的比值作为风速年际变化率。
3.根据权利要求1所述的风电场年发电量的确定方法，其特征在于，所述根据轮毂高度风速与历史风速的线性关系以及所述风速年际变化率，确定出轮毂高度风速的年际变化率包括：
对测风塔轮毂高度的风速时间序列与预设量的历史风速时间序列进行相关性分析，确定出轮毂高度风速与历史风速的线性关系；
基于所述线性关系对所述风速年际变化率进行修正，以得到轮毂高度风速的年际变化率。
4.根据权利要求1所述的风电场年发电量的确定方法，其特征在于，所述根据每个风速段的风速敏感因子、功率、风速、风频以及所述轮毂高度风速的年际变化率，确定出发电量年际变化率包括：
依据获取的风电机组动态功率曲线，确定出每个风速段对应的功率和风速；
基于当前风速段对应的功率和风速以及与所述当前风速段前向相邻的风速段对应的功率和风速，确定出所述当前风速段对应的风速敏感因子；
根据所有所述风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数；
将所述风速敏感系数与所述轮毂高度风速的年际变化率的乘积作为发电量年际变化率。
5.根据权利要求4所述的风电场年发电量的确定方法，其特征在于，所述根据所有所述风速段对应的风速敏感因子、功率、风速以及风频，确定出风速敏感系数包括：
在获取到所有所述风速段对应的风速敏感因子、功率、风速以及风频的情况下，调用风速敏感系数公式计算出风速敏感系数；
所述风速敏感系数公式为：
Figure FDA0003872164280000021
其中，ξE,v表示风速敏感系数，fk表示第k个风速段对应的风频，cv,k表示第k个风速段对应的风速敏感因子，vk表示第k个风速段对应的风速，pk表示第k个风速段对应的功率，N表示风速段的总个数。
6.根据权利要求1所述的风电场年发电量的确定方法，其特征在于，所述风速预测模型的训练过程包括：
获取预设样本量的初始风速时间序列；
将所述初始风速时间序列转换为月分辨率的待训练风速时间序列；
利用所述待训练风速时间序列对初始风速预测模型进行训练，以得到训练好的风速预测模型。
7.根据权利要求1至6任意一项所述的风电场年发电量的确定方法，其特征在于，所述利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速包括：
将获取的历史风速时间序列输入所述训练好的风速预测模型，以得到十二个月各自对应的月预估平均风速；
将所有所述月预估平均风速的均值作为年预估平均风速。
8.一种风电场年发电量的确定装置，其特征在于，包括分析单元、得到单元、第一确定单元、第二确定单元和第三确定单元；
所述分析单元，用于利用训练好的风速预测模型对设定时长的历史风速时间序列进行分析，以得到年预估平均风速；
所述得到单元，用于依据所述年预估平均风速与年实际平均风速，得到风速年际变化率；
所述第一确定单元，用于根据轮毂高度风速与历史风速的线性关系以及所述风速年际变化率，确定出轮毂高度风速的年际变化率；
所述第二确定单元，用于根据每个风速段的风速敏感因子、功率、风速、风频以及所述轮毂高度风速的年际变化率，确定出发电量年际变化率；
所述第三确定单元，用于基于所述发电量年际变化率以及当年实际发电量，确定出下一年的预估发电量。
9.一种电子设备，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以实现如权利要求1至7任意一项所述风电场年发电量的确定方法的步骤。
10.一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7任意一项所述风电场年发电量的确定方法的步骤。
CN202211200213.XA 2022-09-29 2022-09-29 一种风电场年发电量的确定方法、装置、设备和介质 Pending CN115545295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211200213.XA CN115545295A (zh) 2022-09-29 2022-09-29 一种风电场年发电量的确定方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211200213.XA CN115545295A (zh) 2022-09-29 2022-09-29 一种风电场年发电量的确定方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN115545295A true CN115545295A (zh) 2022-12-30

Family

ID=84730763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211200213.XA Pending CN115545295A (zh) 2022-09-29 2022-09-29 一种风电场年发电量的确定方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN115545295A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191571A (zh) * 2023-04-17 2023-05-30 深圳量云能源网络科技有限公司 风电储能输出功率控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116191571A (zh) * 2023-04-17 2023-05-30 深圳量云能源网络科技有限公司 风电储能输出功率控制方法及系统
CN116191571B (zh) * 2023-04-17 2023-08-04 深圳量云能源网络科技有限公司 风电储能输出功率控制方法及系统

Similar Documents

Publication Publication Date Title
Draxl et al. The wind integration national dataset (wind) toolkit
US10215162B2 (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
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
US20150039228A1 (en) Ultra-short-term forecasting method including real-time monitoring of the effect of upper and lower courses
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN107204615B (zh) 一种实现功率预测的方法及系统
WO2023216576A1 (zh) 一种光伏发电短期功率预测方法和系统
CN103117546A (zh) 一种超短期风电功率滑动预测方法
CN111667093A (zh) 中长期风电发电计算方法及装置
CN116402203A (zh) 计及天气情况的短时光伏发电量预测方法、系统及介质
CN110737876A (zh) 区域电网光伏功率预测优化方法和装置
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN115545295A (zh) 一种风电场年发电量的确定方法、装置、设备和介质
Monteiro et al. Short-term forecasting model for aggregated regional hydropower generation
Siuta et al. Calibrated probabilistic hub-height wind forecasts in complex terrain
CN114492923A (zh) 一种长时间尺度功率预测方法
CN103632314A (zh) 基于概率统计的广义节点特征建模方法
Jung et al. Introducing a new wind speed complementarity model
CN115882451A (zh) 新能源电站的发电功率预测方法、装置、以及设备
CN114692979A (zh) 基于多时空尺度的风力发电预测方法及装置
CN110705769B (zh) 新能源发电功率预测优化方法和装置
CN114004405A (zh) 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
CN105260789A (zh) 一种面向风电功率超短期预测的风电数据时间尺度优选方法

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