CN116307307A - 一种风电场的超短期功率预测方法及系统 - Google Patents
一种风电场的超短期功率预测方法及系统 Download PDFInfo
- Publication number
- CN116307307A CN116307307A CN202310594714.9A CN202310594714A CN116307307A CN 116307307 A CN116307307 A CN 116307307A CN 202310594714 A CN202310594714 A CN 202310594714A CN 116307307 A CN116307307 A CN 116307307A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- target
- ultra
- wind speed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012546 transfer Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 39
- 238000010248 power generation Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000003111 delayed effect Effects 0.000 abstract description 2
- 230000008054 signal transmission Effects 0.000 abstract description 2
- 101100001669 Emericella variicolor andD gene Proteins 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013598 vector Substances 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场的超短期功率预测方法及系统，方法包括：基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；基于所述风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。本发明提供的功率预测方法及系统，可应用于风电场的超短期功率预测及风机功率智能控制等工作中，利用遥感测风装置测量一定距离范围内的风速风向情况，结合风能传递速度显著滞后于探测信号传递速度的特性，能够提前确定风电场的风能资源情况，有效提高了超短期功率预测的准确性。
Description
技术领域
本发明涉及功率预测技术领域，具体涉及一种风电场的超短期功率预测方法及系统。
背景技术
随着构建以新能源为主体的新型电力系统进程不断加快，新能源在我国电力供应中占比也显著提升。风电等新能源出力受到气象条件变化的影响存在较大的随机性和波动性。随着风电在我国电力供应结构中的比重逐渐增大以及电力市场化改革的加速推进，对风电场发电功率预测提出了越来越高的要求。风电功率预测准确率不足不仅使电站受到电网考核造成相应的经济损失，也严重影响电网运行的安全稳定。目前风电功率预测主要利用纯统计模型或与数值天气预报信息相结合的方法，实际应用效果受限于数值天气预报和统计模型的自身特性，预测结果的准确性难以得到显著改善。此外，现阶段风电场的超短期功率预测只关注15分钟至4小时时间尺度内的功率变化，没有考虑15分钟左右时间范围内的风电功率高频波动（通常为分钟级或秒级）的预测对于风机控制以及风电并网的重要性，缺少相应的预测技术对其进行支撑。
发明内容
因此，本发明提供了一种风电场的超短期功率预测方法及系统，可以应用于风电场的超短期功率预测及风机功率智能控制等工作中，利用遥感测风装置测量一定距离范围内的风速风向情况，结合风能传递速度显著滞后于探测信号传递速度的特性，提前确定风电场的风能资源情况，提高了风电场的超短期功率预测的准确性，以解决上述背景中提出的技术问题。
为达到上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供一种风电场的超短期功率预测方法，包括：
基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；
基于风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。
优选地，基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据的过程，包括：在目标风电场内风机排布四个方位的边界位置上任意选择一台风机，在所选定的四个目标风机的机舱上安装遥感测风装置，用于测量风机轮毂高度处位于机舱前方预设距离范围内不同距离门的风速风向数据。
优选地，通过数据建模得到风速与发电功率映射关系的过程，包括：
获取预设时间内目标风电场预设距离范围内不同距离门的各风机实测风速风向数据对应的实时发电功率数据，并基于此确定目标风电场自由来流风速风向以及整场发电功率数据；
基于上述数据构建目标风电场预设风向方位自由来流风速与整场发电功率的映射关系，风电场预设风向方位是对平均风向区间进行等分划分后得到的多个风向方位，则映射关系为：
其中，
表示风电场整场的发电功率，Dir表示多个风向方位中的某一风向方位，/>
表示/>
与Dir风向方位的第k个距离门空间范围L k处瞬时风速/>
之间的映射关系，映射关系的形式，包括：函数关系形式，预设算法形式或查找表形式。
优选地，根据IEC有关标准规定或目标风电场和遥感测风装置实际情况确定目标风电场自由来流风速。
优选地，通过数据建模得到风能传递函数的过程，包括：利用遥感测风装置测得的不同时刻位于不同距离门的风速风向观测数据，并基于上述数据建立目标风电场预设风向方位各相邻距离门之间的风能传递函数，风能传递函数为：
其中，
表示Dir风向方位的第k个距离门长度L的风能传递函数，/>
表示第n个时刻位于第k个距离门测得的大气团瞬时风速，L k表示第k个距离门到第k-1个距离门的距离长度，/>
为根据风能传递函数推算的该大气团到达第k-1个距离门时的瞬时风速，风能传递函数/>
通过预设时间范围内收集到的实测数据建模确定。
优选地，对目标风电场进行超短期功率预测的过程，包括：根据风能传递函数以及测得的不同距离门的风速风向，通过迭代递推得到预测时长的目标风电场的自由来流风速和风向，结合目标风电场预设风向方位自由来流风速与整场发电功率的映射关系，得到目标风电场对应的发电功率的预测。
优选地，通过迭代递推得到预测时长的目标风电场的自由来流风速的过程，包括：
基于风能传递函数及较远距离门的风速数据，通过迭代递推方式求出目标风电场预设风向方位Dir的第n个时刻的自由来流瞬时风速，具体如下：
其中，
为预设风向方位Dir的n个时刻的风机轮毂前自由来流的瞬时风速；
第k个距离门长度L除以相邻两个距离门的瞬时风速
和/>
的风速平均值，得到大气团在第k个距离门内的运动时间；
逐个计算得到每个距离门空间范围内大气团的运动时间并进行求和，得到目标风电场预设风向方位Dir远处的大气团到达风机轮毂前方的总时间，即预测时长。
第二方面，本发明实施例提供一种风电场的超短期功率预测系统，包括：
风能传递函数构建模块，用于基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；
功率预测模块，用于基于风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。
第三方面，本发明实施例提供一种计算机设备，包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行本发明实施例第一方面的一种风电场的超短期功率预测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行本发明实施例第一方面的一种风电场的超短期功率预测方法。
本发明技术方案，具有如下优点：
本发明提供的一种风电场的超短期功率预测方法及系统，方法包括：基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；基于风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。本发明提供的功率预测方法及系统，可应用于风电场的超短期功率预测及风机功率智能控制等工作中，有效提高了超短期功率预测的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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本发明实施例中提供的风电场的超短期功率预测方法的流程示意图；
图2本发明实施例中提供的风电场风机空间排布和激光雷达布设示意图；
图3本发明实施例中提供的激光雷达DBS四波束扫描和距离门示意图；
图4本发明实施例中提供的风电场的超短期功率预测系统的模块组成图；
图5本发明实施例中提供的计算机设备一个具体示例的组成图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，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，都应当属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种风电场的超短期功率预测方法，如图1所示，该方法包括：
步骤S1：基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系。
需要说明的是，预设时间并没有做具体限制，一般时间范围越长，得到的结果代表性越好，建议不低于3个月，仅作为举例说明，依据实际应用需求确定。
在本实施例中，遥感测风装置包括：激光雷达、微波雷达和声雷达，仅作为举例说明，不以此为限制。一具体实施例中，遥感测风装置选择机舱激光雷达。具体地，机舱激光雷达作为探测距离达到10公里及以上的大功率激光雷达测风装置，可以实时获取目标风电场各风机的风速风向数据，机舱激光雷达的安装需根据目标风电场内风机排布位置设定。则通过机舱激光雷达实时获取目标风电场各风机的风速风向数据的过程包括：在风机排布四个方位的边界位置上任意选择一台风机，在所选定的四个目标风机的机舱上安装机舱激光雷达。需要注意的是，机舱激光雷达一般安装在风电场各方位最外围边界上前方不是其它障碍物遮挡的风机机舱上方，各机舱激光雷达要求能对所安装风力发电机轮毂前方一定距离的自然来流风速风向进行实时探测。将机舱激光雷达安装于目标风机的机舱上部平台上，并对其探测范围进行提前设置，用于测量风机轮毂高度处位于机舱前方不同距离门的风速风向数据，每台机舱雷达负责获取风电场四个方向90°风向范围的风场自然来流测量。
在本实施例中，通过数据建模得到风速与发电功率映射关系的过程，包括：
步骤S11：获取预设时间内目标风电场预设距离范围内不同距离门的各风机实测风速风向数据对应的实时发电功率数据，并基于此确定目标风电场自由来流风速风向以及整场发电功率数据。
在本实施例中，通过数据采集与监视控制系统（Supervisory Control And DataAcquisition，SCADA）获取同时刻风电场秒级的有功功率数据。
在本实施例中，根据IEC有关标准规定或目标风电场和机舱激光雷达实际情况确定目标风电场自由来流风速。具体地，根据IEC有关标准规定，风机自由来流风速的测定应位于风机前2.5D（D为风机的风轮直径）。因此可选取接近风力机前2.5倍风轮直径距离处的机舱激光雷达距离门的风速为风机自然来流风速；此外，也可选取最接近风机前2.5倍风轮直径距离处的相邻两个激光雷达距离门的风速的距离加权平均值为风机自然来流风速。仅作为举例说明，实际应用过程中可根据风电场和机舱激光雷达实际情况确定目标风电场自然来流风速。
步骤S12：基于上述数据构建目标风电场预设风向方位自由来流风速与整场发电功率的映射关系，风电场预设风向方位是对平均风向区间进行等分划分后得到的多个风向方位，则映射关系为：
其中，
表示风电场整场的发电功率，Dir表示多个风向方位中的某一风向方位，/>
表示/>
与Dir风向方位的第k个距离门空间范围L k处瞬时风速/>
之间的映射关系。需要说明的是，功率和风速映射关系的形式不做具体限定，依据实际应用中两者映射效果来确定其映射形式。具体地，映射关系的形式，包括：函数关系形式，预设算法形式或查找表形式。其中，函数关系形式中函数可以为基本初等函数，包括：线性函数、多项式函数、指数函数、对数函数和幂函数等；预设算法形式可以是各种神经网络等构建的机器学习算法，仅作为举例说明，不以此为限制，依据实际应用做适应性修改。
在本实施例中，风电场预设风向方位是对平均风向区间进行等分划分后得到的多个风向方位。具体地，对平均风向区间进行16等分划分，得到16个风向方位，包括：北（N, 风向区间348.76°-11.25°）、北东北（NNE, 风向区间11.26°-33.75°）、东北（NE, 风向区间33.76°-56.25°）、东东北（ENE, 风向区间56.26°-78.75°）、东（E, 风向区间78.76°-101.25°）、东东南（ESE, 风向区间101.26°-123.75°）、东南（SE, 风向区间123.76°-146.25°）、南东南（SSE, 风向区间146.26°-168.75°）、南（S, 风向区间168.76°-191.25°）、南西南（SSW, 风向区间191.26°-213.75°）、西南（SW, 风向区间213.76°-236.25°）、西西南（WSW, 风向区间236.26°-258.75°）、西（W, 风向区间258.76°-281.25°）、西西北（WNW, 风向区间281.76°-303.75°）、西北（NW, 风向区间303.76°-326.25°）和北西北（NNW, 风向区间326.26°-348.75°），仅作为举例说明，不以此为限制，依据实际应用做适应性修改。
在本实施例中，通过数据建模得到风能传递函数的过程，包括：利用机舱激光雷达测得的不同时刻位于不同距离门的风速风向观测数据，并基于上述数据，利用风速风向随时间积分得到风能在时间和空间上传递关系，建立目标风电场预设风向方位各相邻距离门之间的风能传递函数，记为：
其中，
表示Dir风向方位的第k个距离门长度L的风能传递函数，/>
表示第n个时刻位于第k个距离门测得的大气团瞬时风速，L k表示第k个距离门到第k-1个距离门的距离长度，/>
为根据风能传递函数推算的该大气团到达第k-1个距离门时的瞬时风速，风能传递函数/>
通过预设时间范围内收集到的实测数据建模确定。需要说明的是，预设时间范围依据实际应用确定，在此不做具体的限制。
需要说明的是，上式表明靠近机舱激光雷达机位处的某个距离门空间范围瞬时风速是风向、距离门以及相邻较远处距离门瞬时风速的函数。随着机舱激光雷达测量数据的累积，不断修正各风向方位的不同距离门的空间范围风能传递函数，用以增强风能传递函数的真实准确性。
步骤S2：基于风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。
在本实施例中，根据风能传递函数以及测得的不同距离门的风速风向，通过迭代递推得到预测时长的目标风电场的自由来流风速和风向，结合目标风电场预设风向方位自由来流风速与整场发电功率的映射关系，得到目标风电场对应的发电功率的预测。
在本实施例中，通过迭代递推得到预测时长的目标风电场的自由来流风速的过程，包括：
基于风能传递函数及较远距离门的风速数据，通过迭代递推方式求出目标风电场预设风向方位Dir的第n个时刻的自由来流瞬时风速，具体如下：
其中，
为预设风向方位Dir的第n个时刻的风机轮毂前自由来流的瞬时风速；
第k个距离门长度L除以相邻两个距离门的瞬时风速
和/>
的风速平均值，得到大气团在第k个距离门内的运动时间/>
，记为：
逐个计算得到每个距离门空间范围内大气团的运动时间并进行求和，得到目标风电场预设风向方位Dir远处的大气团到达风机轮毂前方的总时间，即预测时长
，记为
。
本实施例提供一种风电场的超短期功率预测方法，预测过程包括：
1、设定机舱激光雷达。设定目标风电场，其内风机空间排布如图2所示，由图可知，风电场安装了24台风机，记为1号-24号。其中3号、13号、22号、12号风机分别安装有一台机舱激光雷达。四台机舱激光雷达编号分别为A、B、C和D，激光光束分别测量来自北方、西方、南方和东方的风电场自由来流风速。机舱激光雷达可采用DBS（Doppler-beam-swinging），见图3或VAD（Velocity-azimuth-display）扫描模式，测量并反演出风电场四个方向不同距离门处的水平来流风速和风向。
2、获取风机实测的风速风向数据和对应功率数据。在T 1至T n时段内，以1秒为数据获取最小单元，获取四台机舱激光雷达各自在L个距离门所属的n个1秒瞬时风速（单位：m/s）和风向数据（即与正北方向的顺时针夹角角度，单位：°）。以机舱激光雷达A为例，获取的各距离门风速和风向数据以二维数组进行保存和分析，即：
其中，U A表示一个二维数组，用于存储机舱激光雷达A在T 1至T n时段内的L个距离门上所测量的1秒瞬时风速和瞬时风向；V 1-1和D 1-1分别表示第1个距离门在第1个1秒内的瞬时风速和瞬时风向，V 1-n和D 1-n分别表示第1个距离门在第n个1秒内的瞬时风速和瞬时风向；V L-1和D L-1分别表示第L个距离门在第1个1秒内的瞬时风速和瞬时风向，V L-n和D L-n分别表示第L个距离门在第n个1秒内的瞬时风速和瞬时风向；其余记录数据以此类推。按照相同方式获取并保存机舱激光雷达B、C和D的风速和风向数据。
同时，在T 1至T n时段内，以1秒为数据获取最小单元，获取目标风电场的24台风机的功率数据，通过每台风机在SCADA系统中记录的瞬时有功功率数据（单位：W或kW），以二维数组进行保存和分析，即：
其中，P为一个二维数组，用于存储24台风机在T 1至T n时段内每1秒内的瞬时有功功率；P 1-1表示1号风机在第一个1秒内的瞬时有功功率，P 1-n表示1号风机在第n个1秒内的瞬时有功功率；P 24-1表示24号风机在第一个1秒内的瞬时有功功率，P 24-n表示24号风机在第n个1秒内的瞬时有功功率；其余记录数据以此类推。
进一步的，对二维数组P的逐个行向量进行求和，即可得到整个风电场在T 1至T n时段内每1秒的瞬时有功功率，以一维数组进行保存和分析，即：
其中，P total为一个一维数组，用于存储全场风机在T 1至T n时段内每1秒的瞬时有功功率；P total-1表示风电场在第一个1秒内的瞬时有功功率，P total-n表示风电场在第n个1秒内的瞬时有功功率；其余记录数据以此类推。
3、确定目标风电场自由来流风速。本实例中假设四个方向机舱激光雷达的第1个距离门所测得风速风向最能代表风电场自由来流的情况，将四个方向可以表征风电场自由来流的1秒瞬时风速和瞬时风向用二维数组表示，即
其中，U free表示一个二维数组，用于存储风电场在T 1至T n时段内四个方向上每1秒的自由来流瞬时风速和瞬时风向；V A1-1和D A1-1分别表示机舱激光雷达A测量的在第一个1秒内的北风向自由来流的瞬时风速和瞬时风向，V A1-n和D A1-n分别表示机舱激光雷达A测量的在第n个1秒内的北风向自由来流的瞬时风速和瞬时风向；V D1-1和D D1-1分别表示机舱激光雷达D测量的在第一个1秒内的东风向自由来流的瞬时风速和瞬时风向，V D1-n和D D1-n分别表示机舱激光雷达D测量的在第n个1秒内的东风向自由来流的瞬时风速和瞬时风向；其余数据以此类推。
当n足够大时，即风电场自由来流风速风向与风电场全场瞬时有功数据累计到足够量时，就可以得到不同风向上风电场自由来流风速风向与全场有功功率之间的映射关系P total=f(U free)，即得到
。
4、建立相应的风能传递函数。假设在较短时间内，某个风向上的风机轮毂前自由来流大气团为本风向上远处大气团的近似直线运动的结果，则在海表粗糙度等其它因素的共同作用下，某风向上的远处来流风速会衰减，到风机轮毂前方时是一个已经经过路程衰减的风速。故在应用测风激光雷达时，可以对某风向上大气团经过相邻两个距离门的瞬时风速建立函数或统计关系，即建立相应的风能传递函数。具体地，在16个风向方位，对各风向方位的k个距离门空间范围内前后两个相邻距离门的瞬时风速构建风能传递函数，可建立共计16×k个风能传递函数。
5、求解风机轮毂处自然来流瞬时风速。根据16×k个风能传递函数，以及获得的较远距离门处瞬时风速，通过迭代递推方式求出风机轮毂处自然来流风速和预测时长。
一具体实施例中，按照上述步骤进行风电场功率预测，假设某型号机舱激光雷达有效测风距离为10 km，距离门长度L为1000 m，则共有10个距离门；在正北方向上，自然来流受到包括海表粗糙度在内的距离衰减作用（整体表现为风能传递函数），该方向上每个距离门空间范围内的距离衰减作用相等（风能传递函数相同），均为经过一个距离门的空间范围后衰减为初始风速的98%。故当正北方向10 km处有一个风速为10 m/s的大气团由远到近朝风电场运动时，各距离门的瞬时风速，四舍五入后分别为：10 m/s、9.8 m/s、9.6 m/s、9.41 m/s、9.22 m/s、9.04 m/s、8.86 m/s、8.68 m/s、8.51 m/s和8.34 m/s，其中风电场自然来流风速为8.34 m/s。求出相邻两个距离门之间的平均风速分别为9.9 m/s、9.7 m/s、9.51 m/s、9.32 m/s、9.13 m/s、8.95 m/s、8.77 m/s、8.6 m/s和8.43 m/s。通过大气团在第k个距离门内的运动时间公式，求出各距离门空间范围内大气团的运动时间分别为101 s、103.1 s、105.2 s、107.3 s、109.5 s、111.7 s、114 s、116.3 s和118.6 s，则该10 km处大气团运动到风电场正北方向最前方的总时间为986.7 s，约16.4分钟。结合事先获取的正北方向自由来流风速与整场发电功率的映射关系，则可以得到当风机轮毂前自由来流为8.43m/s时的风电场总瞬时有功功率，即在本实例情况下，可以实现16.4分钟的风电场功率预测。
综上，通过本发明实施例提供的风电场的超短期功率预测方法，可应用于风电场的超短期功率预测及风机功率智能控制等工作中，有效提高了超短期功率预测的准确性。
实施例2
本发明实施例提供一种风电场的超短期功率预测系统，如图4所示，包括：
风能传递函数构建模块，用于基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
功率预测模块，用于基于风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
本发明实施例提供的风电场的超短期功率预测系统，通过利用遥感测风装置测量一定距离范围内的风速风向情况，结合风能传递特性，提前确定风电场的风能资源情况，提高了风电场的超短期功率预测的准确性。
实施例3
本发明实施例提供一种计算机设备，如图5所示，包括：至少一个处理器501，至少一个通信接口503，存储器504和至少一个通信总线502。其中，通信总线502用于实现这些组件之间的连接通信，通信接口503可以包括显示屏和键盘，可选通信接口503还可以包括标准的有线接口、无线接口。存储器504可以是高速易挥发性随机存取存储器，也可以是非不稳定的存储器，还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以执行实施例1的风电场的超短期功率预测方法。存储器504中存储一组程序代码，且处理器501调用存储器504中存储的程序代码，以用于执行实施例1的风电场的超短期功率预测方法。
其中，通信总线502可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器504可以包括易失性存储器（Volatile Memory），例如随机存取存储器（Random Access Memory，简称RAM）；存储器也可以包括非易失性存储器（Non-volatileMemory），例如快闪存储器（Flash Memory），硬盘（Hard Disk Drive，简称HDD）或固态硬盘（Solid-state Drive，简称SSD）；存储器504还可以包括上述种类的存储器的组合。
其中，处理器501可以是中央处理器（Central Processing Unit，简称CPU），网络处理器（Network Processor，简称NP）或者CPU和NP的组合。
其中，处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路（Application-Specific Integrated Circuit，简称ASIC），可编程逻辑器件（Programmable Logic Device，简称PLD）或其组合。上述PLD可以是复杂可编程逻辑器件（Complex Programmable Logic Device，简称CPLD）、现场可编程逻辑门阵列（FieldProgrammable Gate Array，简称FPGA）、通用阵列逻辑（Generic Array Logic，简称GAL）或其任意组合。
可选地，存储器504还用于存储程序指令。处理器501可以调用程序指令，实现如本发明执行实施例1中的风电场的超短期功率预测方法。
本发明实施例还提供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可执行指令，该计算机可执行指令可执行实施例1的风电场的超短期功率预测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read Only Memory，简称ROM）、随机存储记忆体（Random Access Memory，简称RAM）、快闪存储器（Flash Memory）、硬盘（HardDisk Drive，简称HDD）或固态硬盘（Solid State Drive，简称SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种风电场的超短期功率预测方法，其特征在于，包括：
基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；
基于所述风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。
2.根据权利要求1所述的风电场的超短期功率预测方法，其特征在于，所述基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据的过程，包括：在目标风电场内风机排布四个方位的边界位置上任意选择一台风机，在所选定的四个目标风机的机舱上安装遥感测风装置，用于测量风机轮毂高度处位于机舱前方预设距离范围内不同距离门的风速风向数据。
3.根据权利要求2所述的风电场的超短期功率预测方法，其特征在于，所述通过数据建模得到风速与发电功率映射关系的过程，包括：
获取预设时间内目标风电场预设距离范围内不同距离门的各风机实测风速风向数据对应的实时发电功率数据，并基于此确定目标风电场自由来流风速风向以及整场发电功率数据；
基于上述数据构建目标风电场预设风向方位自由来流风速与整场发电功率的映射关系，所述风电场预设风向方位是对平均风向区间进行等分划分后得到的多个风向方位，则所述映射关系为：
其中，
表示风电场整场的发电功率，Dir表示多个风向方位中的某一风向方位，
表示/>
与Dir风向方位的第k个距离门空间范围L k处瞬时风速/>
之间的映射关系，所述映射关系的形式，包括：函数关系形式，预设算法形式或查找表形式。
4.根据权利要求3所述的风电场的超短期功率预测方法，其特征在于，根据IEC有关标准规定或目标风电场和遥感测风装置实际情况确定所述目标风电场自由来流风速。
5.根据权利要求3所述的风电场的超短期功率预测方法，其特征在于，所述通过数据建模得到风能传递函数的过程，包括：利用遥感测风装置测得的不同时刻位于不同距离门的风速风向观测数据，并基于上述数据建立目标风电场预设风向方位各相邻距离门之间的风能传递函数，所述风能传递函数为：
其中，
表示Dir风向方位的第k个距离门长度L的风能传递函数，/>
表示第n个时刻位于第k个距离门测得的大气团瞬时风速，L k表示第k个距离门到第k-1个距离门的距离长度，/>
为根据风能传递函数推算的该大气团到达第k-1个距离门时的瞬时风速，所述风能传递函数/>
通过预设时间范围内收集到的实测数据建模确定。
6.根据权利要求5所述的风电场的超短期功率预测方法，其特征在于，所述对目标风电场进行超短期功率预测的过程，包括：根据所述风能传递函数以及测得的不同距离门的风速风向，通过迭代递推得到预测时长的目标风电场的自由来流风速和风向，结合所述目标风电场预设风向方位自由来流风速与整场发电功率的映射关系，得到目标风电场对应的发电功率的预测。
7.根据权利要求6所述的风电场的超短期功率预测方法，其特征在于，所述通过迭代递推得到预测时长的目标风电场的自由来流风速的过程，包括：
基于风能传递函数及较远距离门的风速数据，通过迭代递推方式求出目标风电场预设风向方位Dir的第n个时刻的自由来流瞬时风速，具体如下：
其中，
为预设风向方位Dir的n个时刻的风机轮毂前自由来流的瞬时风速；
第k个距离门长度L除以相邻两个距离门的瞬时风速
和/>
的风速平均值，得到大气团在第k个距离门内的运动时间；
逐个计算得到每个距离门空间范围内大气团的运动时间并进行求和，得到目标风电场预设风向方位Dir远处的大气团到达风机轮毂前方的总时间，即预测时长。
8.一种风电场的超短期功率预测系统，其特征在于，包括：
风能传递函数构建模块，用于基于遥感测风装置获取预设时间内目标风电场上风向预设距离范围内的风速风向观测数据，结合风电场对应发电功率数据，通过数据建模得到风能传递函数和风速与发电功率映射关系；
功率预测模块，用于基于所述风能传递函数和风速与发电功率映射关系对目标风电场进行超短期功率预测。
9.一种计算机设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至7中任一所述的风电场的超短期功率预测方法。
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存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7中任一所述的风电场的超短期功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310594714.9A CN116307307B (zh) | 2023-05-25 | 2023-05-25 | 一种风电场的超短期功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310594714.9A CN116307307B (zh) | 2023-05-25 | 2023-05-25 | 一种风电场的超短期功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307307A true CN116307307A (zh) | 2023-06-23 |
| CN116307307B CN116307307B (zh) | 2023-08-18 |
Family
ID=86818953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310594714.9A Active CN116307307B (zh) | 2023-05-25 | 2023-05-25 | 一种风电场的超短期功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307307B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2213875A1 (en) * | 2009-01-30 | 2010-08-04 | Siemens Aktiengesellschaft | Method and arrangement to forecast an output-power of at least one wind-turbine |
| CN102005760A (zh) * | 2010-11-18 | 2011-04-06 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
| CN102938562A (zh) * | 2012-07-19 | 2013-02-20 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| US20130238244A1 (en) * | 2012-03-06 | 2013-09-12 | Industrial Cooperation Foundation Chonbuk National University | Method for predicting wind conditions in wind farm |
| DE102015103757B3 (de) * | 2015-03-13 | 2016-04-21 | Christoph Lucks | Vefahren zur Windmessung und Messboje für dessen Durchführung |
| CN110832351A (zh) * | 2017-06-21 | 2020-02-21 | Ifp新能源公司 | 用于藉由lidar传感器来采集入射风场以及对其进行建模的方法 |
| EP3647588A1 (en) * | 2018-10-31 | 2020-05-06 | Vattenfall AB | A dynamic optimisation strategy for improving the operation of a wind farm |
| CN114707734A (zh) * | 2022-04-12 | 2022-07-05 | 华润电力技术研究院有限公司 | 一种超短期风功率的预测方法、装置及介质 |
-
2023
- 2023-05-25 CN CN202310594714.9A patent/CN116307307B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2213875A1 (en) * | 2009-01-30 | 2010-08-04 | Siemens Aktiengesellschaft | Method and arrangement to forecast an output-power of at least one wind-turbine |
| CN102005760A (zh) * | 2010-11-18 | 2011-04-06 | 西北电网有限公司 | 一种通用风电功率短期预报方法 |
| US20130238244A1 (en) * | 2012-03-06 | 2013-09-12 | Industrial Cooperation Foundation Chonbuk National University | Method for predicting wind conditions in wind farm |
| CN103308711A (zh) * | 2012-03-06 | 2013-09-18 | 全北大学校产学协力团 | 一种用于预测风力发电场的风况的方法 |
| CN102938562A (zh) * | 2012-07-19 | 2013-02-20 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| DE102015103757B3 (de) * | 2015-03-13 | 2016-04-21 | Christoph Lucks | Vefahren zur Windmessung und Messboje für dessen Durchführung |
| CN110832351A (zh) * | 2017-06-21 | 2020-02-21 | Ifp新能源公司 | 用于藉由lidar传感器来采集入射风场以及对其进行建模的方法 |
| EP3647588A1 (en) * | 2018-10-31 | 2020-05-06 | Vattenfall AB | A dynamic optimisation strategy for improving the operation of a wind farm |
| CN114707734A (zh) * | 2022-04-12 | 2022-07-05 | 华润电力技术研究院有限公司 | 一种超短期风功率的预测方法、装置及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 赏益;高志球;韩威;: "基于RF和GRU组合算法的超短期风电功率预测", 中国科技论文, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307307B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109958588B (zh) | 结冰预测方法、装置、存储介质、模型生成方法及装置 | |
| JP6297689B2 (ja) | 雷警報のための方法及び風力発電装置 | |
| JP2009138523A (ja) | 風力発電出力予測方法 | |
| CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
| 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 | |
| Zhao et al. | A review on proliferation of artificial intelligence in wind energy forecasting and instrumentation management | |
| CN104217247B (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
| CN116384733A (zh) | 一种强对流天气下基于气象雷达的输电线路风险预警方法 | |
| CN113219463A (zh) | 一种面向电力系统的雷达地物回波识别方法和系统 | |
| CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
| CN116307307B (zh) | 一种风电场的超短期功率预测方法及系统 | |
| CN116245032B (zh) | 一种考虑时空相关性的风电场模拟发电量订正方法及系统 | |
| CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
| CN116582086B (zh) | 一种光伏电站清洁度的诊断方法 | |
| Cheggaga et al. | A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible | |
| KR101010407B1 (ko) | 빌딩풍 이용 풍력 발전 시스템의 설치 방법 | |
| Emejeamara et al. | A method for mapping the turbulence intensity and excess energy available to building mounted wind turbines over a UK City | |
| CN207249725U (zh) | 一种台风预警系统 | |
| CN115965293A (zh) | 一种风电场运行分析方法及系统 | |
| CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
| CN108196316B (zh) | 一种自动校正的瞬时大风预警方法 | |
| Ziter et al. | Predicting hub-height wind speed for small wind turbine performance evaluation using tower-mounted cup anemometers | |
| CN116260140B (zh) | 一种在役风电场理论净发电量的快速估算方法及系统 | |
| CN112526471A (zh) | 一种用于雷达测风仪校准的数据统计分析方法及装置 | |
| CN111366989A (zh) | 天气预报方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |