CN116760006A - 一种风电功率预测方法、装置、设备及存储介质 - Google Patents

一种风电功率预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116760006A
CN116760006A CN202310481197.4A CN202310481197A CN116760006A CN 116760006 A CN116760006 A CN 116760006A CN 202310481197 A CN202310481197 A CN 202310481197A CN 116760006 A CN116760006 A CN 116760006A
Authority
CN
China
Prior art keywords
wind power
values
historical
wind
real
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
CN202310481197.4A
Other languages
English (en)
Inventor
沈通
忻海波
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.)
Jinlian Shanghai Industrial Technology Co ltd
Original Assignee
Jinlian Shanghai Industrial Technology 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 Jinlian Shanghai Industrial Technology Co ltd filed Critical Jinlian Shanghai Industrial Technology Co ltd
Priority to CN202310481197.4A priority Critical patent/CN116760006A/zh
Publication of CN116760006A publication Critical patent/CN116760006A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Fluid Mechanics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)

Abstract

本发明公开了一种风电功率预测方法、装置、设备及存储介质，涉及风电场运营管理技术领域。所述方法是在联网查询获取在最近多个未来单位时段的天气预报数据后，先根据历史天气数据和历史风力值以及天气预报数据，估算得到各个未来时空位置的风力预测值，并反演得到各个未来单位时段的且在风电场内的风力三维分布估计情况，然后根据该风力三维分布估计情况确定在各个风力发电机的所处位置的风力估计值，再然后基于该风力估计值计算得到各个风力发电机在各个未来单位时段的风电功率估计值，最后汇总得到各个未来单位时段的风电场风电功率估计结果，如此通过对风电场内的风力情况进行时空数值量化，使得对未来时期的风电场风电功率能够进行准确预测。

Description

一种风电功率预测方法、装置、设备及存储介质
技术领域
本发明属于风电场运营管理技术领域，具体涉及一种风电功率预测方法、装置、设备及存储介质。
背景技术
近几年来，风能发电在电力系统中所占的比重以每年30％的速度增长。由于风能具有波动性、间歇性、低能量密度和不可控等特点，因而风电功率也是波动和间歇的，这使得在大容量的风电接入电网时，将会对电力系统的安全和稳定运行带来诸多新问题，尤其是对电力系统运行调度的影响最为明显。因此准确地预测风电场在未来时期的风电功率，对电力系统的运行调度具有重大的意义。
目前，风电场的风电功率预测仍是一个非常复杂的问题，涉及相关的各种跨学科知识，如气象学、流体动力学和随机过程等学科，其中风电场内的天气预报数值量化是最具挑战性的问题，特别是在地形复杂的地区和有污染物存在的地区，风速的时空变化更为迅速。因此如何提供一种能够对未来时期的风电场风电功率进行准确预测的技术方案，以便利于对电力系统的运行调度，是本领域技术人员亟需研究的课题。
发明内容
本发明的目的是提供一种风电功率预测方法、装置、计算机设备及计算机可读存储介质，用以解决现有风电场风电功率预测方案所存在准确性较低的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种风电功率预测方法，包括：
联网查询获取在最近多个未来单位时段的天气预报数据；
针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，其中，所述风电场内布置有多个所述实测点，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况；
针对所述各个未来单位时段，根据对应的且在所述风电场内的风力三维分布估计情况，确定对应的且在所述风电场内各个风力发电机的所处位置的风力估计值；
针对所述各个未来单位时段以及所述各个风力发电机，根据对应的风力估计值和对应发电机的且风力值与风电功率的已知换算关系，得到对应的风电功率估计值；
针对所述各个未来单位时段，汇总对应的且所述各个风力发电机的风电功率估计值，得到对应的风电场风电功率估计结果。
基于上述发明内容，提供了一种基于天气预报数据进行风电场风电功率预测的新方案，即在联网查询获取在最近多个未来单位时段的天气预报数据后，先根据历史天气数据和历史风力值以及所述天气预报数据，估算得到各个未来时空位置的风力预测值，并反演得到各个未来单位时段的且在风电场内的风力三维分布估计情况，然后根据该风力三维分布估计情况确定在各个风力发电机的所处位置的风力估计值，再然后基于该风力估计值计算得到各个风力发电机在各个未来单位时段的风电功率估计值，最后汇总得到各个未来单位时段的风电场风电功率估计结果，如此通过对风电场内的风力情况进行时空数值量化，使得对未来时期的风电场风电功率能够进行准确预测，利于提前做好对电力系统的运行调度预案，保障电力系统的安全和稳定运行，便于实际应用和推广。
在一个可能的设计中，所述天气预报数据和所述历史天气数据分别包含有风级和风速以及至当天日出时刻的时长、至当天日落时刻的时长、云量、体感温度、能见度、降水概率、湿度和/或露点温度，其中，所述当天是指与单位时段对应的所属日。
在一个可能的设计中，针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，包括：
针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，从最近多个历史单位时段的历史天气数据和在对应测点的历史风力值中，提取得到对应的多个历史日内同期单位时段的历史天气数据和在对应测点的历史风力值，其中，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
针对所述各个未来单位时段以及所述各个实测点，将对应的多个历史日内同期单位时段的历史天气数据作为输入项，以及将对应的多个历史日内同期单位时段的且在对应测点的历史风力值作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的人工智能模型进行率定验证建模，得到对应的风力值预测模型；
针对所述各个未来单位时段以及所述各个实测点，将在对应时段的天气预报数据作为新的输入项，输入对应的风力值预测模型中，输出得到对应的风力预测值。
在一个可能的设计中，针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况，包括：
根据在所述所有实测点的风力预测值，基于克里金插值法反演得到在所述风电场内的风力三维分布估计情况。
在一个可能的设计中，根据在所述所有实测点的风力预测值，基于克里金插值法反演得到在所述风电场内的风力三维分布估计情况，包括：
根据在所述所有实测点的风力预测值，分别计算所述所有实测点中各对实测点的风力半方差，得到多对实测点的风力半方差值，以及还根据所述所有实测点的已知坐标，计算得到所述多对实测点的距离值；
确定滞后距h1以及在所述多对实测点的距离值中的最长距离值Hmax，其中，h1表示正数，Hmax表示大于h1的正数；
根据所述滞后距h1，将第一区间(0,Hmax]划分成如下的多个第一子区间：(0,h1],(h1,2*h1],…,((k-1)*h1,k*h1],…,((K-1)*h1,Hmax]，其中，K＝Ceiling(Hmax/h1)，Ceiling()表示向上取整函数，k表示小于K的正整数；
根据所述多对实测点的距离值与所述多个第一子区间的归属关系，将所述多对实测点划分成与所述多个第一子区间一一对应的多个第一分组；
根据所述多对实测点的风力半方差值和距离值，计算得到所述多个第一分组中各个第一分组的风力半方差平均值和距离平均值；
根据所述各个第一分组的风力半方差平均值和距离平均值，拟合得到多个实验变差函数模型的模型系数，其中，所述风力半方差平均值在拟合过程中用于作为实验变差函数值，所述距离平均值用于在拟合过程中作为区域化变量到待估测点的距离；
根据所述所有实测点的风力预测值，应用所述多个实验变差函数模型的模型系数进行误差分析，得到所述多个实验变差函数模型中各个实验变差函数模型的模型质量评估指标值；
根据所述各个实验变差函数模型的模型质量评估指标值，从所述多个实验变差函数模型中确定出最能满足模型优选预设条件的最优实验变差函数模型；
根据所述所有实测点的已知坐标和在所述风电场内目标测点的已知坐标，从所述所有实测点中确定位于所述目标测点周围的m个实测点，其中，m表示大于2的正整数；
根据所述目标测点的已知坐标和所述m个实测点的已知坐标，计算得到所述目标测点至所述m个实测点中各个实测点的距离值，并将该距离值作为区域化变量到待估测点的距离代入所述最优实验变差函数模型，然后应用所述最优实验变差函数模型的模型系数，计算得到所述目标测点与所述m个实测点中各个实测点的实验变差函数值；
根据所述m个实测点中各对实测点的风力半方差值和所述目标测点与所述m个实测点中各个实测点的实验变差函数值，建立如下的普通克里金方程组：
式中，i和j分别表示正整数，λi表示与所述m个实测点中第i个实测点对应的且待求解的权重系数，γ(xi,xj)表示与所述第i个实测点和所述m个实测点中第j个实测点对应的风力半方差值，u表示待求解的拉格朗日乘数因子，γ(xi,x0)表示所述目标测点与所述第i个实测点的实验变差函数值；
对所述普通克里金方程组进行求解，得到与所述m个实测点一一对应的m个权重系数；
根据所述m个实测点的风力预测值，按照如下公式计算得到所述目标测点的风力估计值Z(x0)：
式中，Z(xi)表示所述第i个实测点的风力预测值；
将在所述风电场内全域所有所述目标测点的风力估计值，作为所述风电场内的风力三维分布估计情况。
在一个可能的设计中，确定滞后距h1，包括有如下步骤S3031～S3034：
S3031.在区间(0,Hmax]内选取一个值作为滞后距h1的当前值，然后执行步骤S3032，其中，Hmax表示在所述多对实测点的距离值中的最长距离值；
S3032.针对在多个实验变差函数模型中的各个实验变差函数模型，根据所述滞后距h1的当前值和在所述所有实测点的风力预测值，采用交叉验证方式获取对应的且在所述所有实测点的风力估计值，然后执行步骤S3033；
S3033.针对所述各个实验变差函数模型，根据在所述所有实测点的风力预测值和对应的且在所述所有实测点的风力估计值，计算得到对应的模型质量评估指标值，然后执行步骤S3034；
S3034.判断所述各个实验变差函数模型的模型质量评估指标值是否均满足预设的迭代停止条件，若是，则将所述滞后距h1的当前值确定为最终值，否则在所述区间(0,Hmax]内重新选取一个值作为所述滞后距h1的当前值，然后执行步骤S3032。
在一个可能的设计中，所述最近多个未来单位时段为最近的未来24小时、最近的未来48小时或最近的未来72小时。
第二方面，提供了一种风电功率预测装置，包括有依次通信连接的联网查询模块、风力预测模块、风力分布反演模块、风力估计模块、风电功率计算模块和风电功率汇总模块；
所述联网查询模块，用于联网查询获取在最近多个未来单位时段的天气预报数据；
所述风力预测模块，用于针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，其中，所述风电场内布置有多个所述实测点，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
所述风力分布反演模块，用于针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况；
所述风力估计模块，用于针对所述各个未来单位时段，根据对应的且在所述风电场内的风力三维分布估计情况，确定对应的且在所述风电场内各个风力发电机的所处位置的风力估计值；
所述风电功率计算模块，用于针对所述各个未来单位时段以及所述各个风力发电机，根据对应的风力估计值和对应发电机的且风力值与风电功率的已知换算关系，得到对应的风电功率估计值；
所述风电功率汇总模块，用于针对所述各个未来单位时段，汇总对应的且所述各个风力发电机的风电功率估计值，得到对应的风电场风电功率估计结果。
第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法。
第四方面，本发明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指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法。
上述方案的有益效果：
(1)本发明创造性提供了一种基于天气预报数据进行风电场风电功率预测的新方案，即在联网查询获取在最近多个未来单位时段的天气预报数据后，先根据历史天气数据和历史风力值以及所述天气预报数据，估算得到各个未来时空位置的风力预测值，并反演得到各个未来单位时段的且在风电场内的风力三维分布估计情况，然后根据该风力三维分布估计情况确定在各个风力发电机的所处位置的风力估计值，再然后基于该风力估计值计算得到各个风力发电机在各个未来单位时段的风电功率估计值，最后汇总得到各个未来单位时段的风电场风电功率估计结果，如此通过对风电场内的风力情况进行时空数值量化，使得对未来时期的风电场风电功率能够进行准确预测，利于提前做好对电力系统的运行调度预案，保障电力系统的安全和稳定运行，便于实际应用和推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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风电功率预测方法的流程示意图。
图2为本申请实施例提供的风电功率预测装置的结构示意图。
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，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。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例：
如图1所示，本实施例第一方面提供的所述风电功率预测方法，可以但不限于由具有一定计算资源的且能够联网的计算机设备执行，例如由风电场服务器、个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant，PDA)或可穿戴设备等电子设备执行。如图1所示，所述风电功率预测方法，可以但不限于包括有如下步骤S1～S6。
S1.联网查询获取在最近多个未来单位时段的天气预报数据。
在所述步骤S1中，在所述最近多个未来单位时段中的单位时段取决于所述天气预报数据的预报时期精度；考虑当前气象系统可以进行小时级的天气预报，因此所述单位时段可以优选为小时，即所述最近多个未来单位时段可以但不限于为最近的未来24小时、最近的未来48小时或最近的未来72小时等。此外，所述天气预报数据是指风电场所在地区的天气预报数据，其具体查询获取方式为现有常规方式。
在所述步骤S1中，优选的，所述天气预报数据包含但不限于有风级和风速以及至当天日出时刻的时长、至当天日落时刻的时长、云量、体感温度、能见度、降水概率、湿度和/或露点温度等，其中，所述当天是指与单位时段对应的所属日(例如，若某个未来单位时段为明日下午7：00～8：00，则所述当天为明日)。具体的，所述至当天日出时刻的时长可基于当天日出时刻和与单位时段对应的时段中点时刻常规计算得到(例如，若某个未来单位时段为明日下午7：00～8：00，当天日出时刻为上午6：33，则所述至当天日出时刻的时长为19：30-6：33＝12小57分)，所述至当天日落时刻的时长可基于当天日落时刻和与单位时段对应的时段中点时刻常规计算得到(例如，若某个未来单位时段为明日下午7：00～8：00，当天日落时刻为下午7：22，则所述至当天日落时刻的时长为19：30-19：22＝8分)，所述云量、所述体感温度、所述能见度、所述降水概率、所述风级、所述湿度、所述风速和所述露点温度均为现有的常见气象参数。由于所述风级和所述风速会直接影响风力，因此是用于预测风力的必选数据，而所述至当天日出时刻的时长、所述至当天日落时刻的时长、所述云量、所述体感温度、所述能见度、所述降水概率、所述湿度和/或所述露点温度等，由于相关性较小，可以作为用于预测风力的可选数据。
S2.针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，其中，所述风电场内布置有多个所述实测点，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示。
在所述步骤S2中，若所述单位时段为小时，则所述最近多个历史单位时段同样具体但不限于为最近一个月的所有历史小时时段。所述历史天气数据包含但不限于有所述风级和所述风速以及所述至当天日出时刻的时长、所述至当天日落时刻的时长、所述云量、所述体感温度、所述能见度、所述降水概率、所述湿度和/或所述露点温度等。所述历史天气数据同样是指所述风电场所在地区的历史天气数据，并可以在对应单位时段结束时联网查询得到。所述实测点即为在所述风电场内布置有风向风速仪的具体位置，因此在所述最近多个历史单位时段中的各个历史单位时段以及所述各个实测点的历史风力值，可由该风向风速仪实测并记录得到，具体取在对应时段内的平均值。所述历史风力值包含有历史风速值/和历史风向值是指可以仅包含有历史风速值，也可以包含有历史风速值和历史风向值；另外举例的，若在某个历史单位时段以及某个实测点的风向为正北向，对应的历史风向值将为90度。此外，一个所述未来单位时段以及一个所述实测点可以表示一个未来时空位置，而一个所述历史单位时段以及一个所述实测点可以表示一个历史时空位置。
在所述步骤S2中，为了能够精准预测得到在各个未来时空位置的风力预测值，优选的，针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，包括但不限于有如下步骤S21～S23。
S21.针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，从最近多个历史单位时段的历史天气数据和在对应测点的历史风力值中，提取得到对应的多个历史日内同期单位时段的历史天气数据和在对应测点的历史风力值，其中，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示。
在所述步骤S21中，举例的，若某个未来单位时段为明日下午7：00～8：00，则所述多个历史日内同期单位时段可以但不限于包括有昨日下午7：00～8：00和前日下午7：00～8：00等。
S22.针对所述各个未来单位时段以及所述各个实测点，将对应的多个历史日内同期单位时段的历史天气数据作为输入项，以及将对应的多个历史日内同期单位时段的且在对应测点的历史风力值作为输出项，对基于诸如支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络等的人工智能模型进行率定验证建模，得到对应的风力值预测模型。
在所述步骤S22中，所述支持向量机、所述K最邻近法、所述随机梯度下降法、所述多变量线性回归、所述多层感知机、所述决策树、所述反向传播神经网络和所述径向基函数网络均为现有人工智能方法中的常见方案。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，得到所述各个未来时空位置的风力值预测模型。
S23.针对所述各个未来单位时段以及所述各个实测点，将在对应时段的天气预报数据作为新的输入项，输入对应的风力值预测模型中，输出得到对应的风力预测值。
S3.针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况。
在所述步骤S3中，由于风运动过程是一个分子热运动过程，因此具有对应的空间特点，可以基于此空间特点，利用局部空间的风力预测值，反演得到全局空间的风力估计值，进而得到在所述风电场内的风力三维分布估计情况。由于某点的风力值与该点周围点的风力值有关，并且可以由其周围点的风力值推导得出，因此具体的，可根据在所述所有实测点的风力预测值，基于克里金插值法(也称克里金法，是由南非工程师Krige DG提出的一种空间插值方法；其基本假设是一点的属性值与该点周围点的属性值有关，并且可以由其周围点的属性值推导出，它是以变异函数/变差函数为计算工具，并结合结构分析的一种空间相关性很强的最优、无偏估算方法)实时反演得到在所述风电场内的风力三维分布估计情况。此外，所述风力三维分布估计情况可通过等值面的形式进行输出展示。
S4.针对所述各个未来单位时段，根据对应的且在所述风电场内的风力三维分布估计情况，确定对应的且在所述风电场内各个风力发电机的所处位置的风力估计值。
S5.针对所述各个未来单位时段以及所述各个风力发电机，根据对应的风力估计值和对应发电机的且风力值与风电功率的已知换算关系，得到对应的风电功率估计值。
在所述步骤S5中，由于所述各个风力发电机的实际发电功率会因自身具体情况不同而有差异，因此在预测所述各个风力发电机的风电功率估计值时，需要根据对应发电机的且风力值与风电功率的已知换算关系进行实际计算。此外，一部风力发电机的且风力值与风电功率的已知换算关系，可以但不限于具体根据该部风力发电机在所述最近多个历史单位时段的历史风电功率以及该部风力发电机的所处位置在所述最近多个历史单位时段的历史风力值，通过常规的拟合算法(例如最小二乘法)拟合得到。
S6.针对所述各个未来单位时段，汇总对应的且所述各个风力发电机的风电功率估计值，得到对应的风电场风电功率估计结果。
在所述步骤S6中，举例的，可以得到最近的未来24小时、最近的未来48小时或最近的未来72小时的风电场风电功率估计结果，进而可以提前根据这些未来时段的风电场风电功率估计结果，提前做好对电力系统的运行调度预案，保障电力系统的安全和稳定运行。
由此基于前述步骤S1～S6所描述的风电功率预测方法，提供了一种基于天气预报数据进行风电场风电功率预测的新方案，即在联网查询获取在最近多个未来单位时段的天气预报数据后，先根据历史天气数据和历史风力值以及所述天气预报数据，估算得到各个未来时空位置的风力预测值，并反演得到各个未来单位时段的且在风电场内的风力三维分布估计情况，然后根据该风力三维分布估计情况确定在各个风力发电机的所处位置的风力估计值，再然后基于该风力估计值计算得到各个风力发电机在各个未来单位时段的风电功率估计值，最后汇总得到各个未来单位时段的风电场风电功率估计结果，如此通过对风电场内的风力情况进行时空数值量化，使得对未来时期的风电场风电功率能够进行准确预测，利于提前做好对电力系统的运行调度预案，保障电力系统的安全和稳定运行，便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上，还提供了一种如何基于克里金插值法反演得到风力三维分布估计情况的可能设计一，即根据在所述所有实测点的风力预测值，基于克里金插值法反演得到在所述风电场内的风力三维分布估计情况，包括但不限于有如下步骤S301～S314。
S301.根据在所述所有实测点的风力预测值，分别计算所述所有实测点中各对实测点的风力半方差，得到多对实测点的风力半方差值，以及还根据所述所有实测点的已知坐标，计算得到所述多对实测点的距离值。
在所述步骤S301中，所述风力半方差表示两测点的风力预测值的差的平方的一半，即测点A和测点B的风力半方差值其中，ZA表示所述测点A的风力预测值，ZB表示所述测点B的风力预测值。由于任意两点的风力半方差与该任意两点的距离有关，因此还需要计算得到所述多对实测点的距离值。
在所述步骤S301之前，考虑本实施例是基于普通克里金法进行估值，而该普通克里金法要求数据服从正态分布，优选的，在根据在所有实测点的风力预测值，分别计算所述所有实测点中各对实测点的风力半方差之前，所述方法还包括但不限于有：判断所述所有实测点的风力预测值是否服从正态分布；若否，则对所述所有实测点的风力预测值进行幂变换处理或对数变换处理，得到所述所有实测点的且服从正态分布的风力实测新值。前述判断的具体方式为现有常规方式，例如基于服从正态分布的条件(即若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ,σ2))来进行判断。前述幂变换处理的具体公式为：前述对数变换处理的具体公式为：其中，Z(x)表示处理前的风力预测值，表示经处理所得的风力预测新值，η表示预设的正系数。
S302.确定滞后距h1以及在所述多对实测点的距离值中的最长距离值Hmax，其中，h1表示正数，Hmax表示大于h1的正数。
在所述步骤S302中，所述滞后距是克里金法中的一个学术用词，其确定方式可以是人工方式，也可以是随机方式，还可以某种自动方式。
S303.根据所述滞后距h1，将第一区间(0,Hmax]划分成如下的多个第一子区间：(0,h1],(h1,2*h1],…,((k-1)*h1,k*h1],…,((K-1)*h1,Hmax]，其中，K＝Ceiling(Hmax/h1)，Ceiling()表示向上取整函数，k表示小于K的正整数。
在所述步骤S303中，举例的，若所述滞后距h1为1m，所述最长距离值Hmax为10米，则可以将第一区间划分成10个(即K＝10)第一子区间。
S304.根据所述多对实测点的距离值与所述多个第一子区间的归属关系，将所述多对实测点划分成与所述多个第一子区间一一对应的多个第一分组。
在所述步骤S304中，举例的，若某对实测点的距离值为6.8，则可以将所述某对实测点划分到与某个第一子区间(6,7]对应的某个第一分组中，依次类推。此外，针对所述多个第一分组中的非最末分组，可能存在无实测点对归属的情况。
S305.根据所述多对实测点的风力半方差值和距离值，计算得到所述多个第一分组中各个第一分组的风力半方差平均值和距离平均值。
S306.根据所述各个第一分组的风力半方差平均值和距离平均值，拟合得到多个实验变差函数模型的模型系数，其中，所述风力半方差平均值在拟合过程中用于作为实验变差函数值，所述距离平均值用于在拟合过程中作为区域化变量到待估测点的距离。
在所述步骤S306中，实验变差函数模型是克里金法的重要研究工具，具体的，所述多个实验变差函数模型包括但不限于有如下模型(A)～(C)中的任意组合：
(A)球状模型，表达式为：
(B)指数模型，表达式为：
(C)高斯模型，表达式为：
上述表达式中，γ(h)表示实验变差函数值，h表示区域化变量到待估测点的距离，C0表示作为第一模型系数的基台值，C表示作为第二模型系数的拱高(即表示区域化变量在空间上变化的极大值)，a表示作为第三模型系数的变程(即表示区域化变量具有关联性的范围)。因此需要拟合得到的模型系数包括有基台值C0、拱高C和变程a。前述拟合的具体方式可以但不限于采用最小二乘法。此外，针对所述多个第一分组中的且无实测点对归属的非最末分组，考虑其对应的风力半方差平均值和距离平均值均为零，无拟合价值，需要在拟合过程中予以跳过。
S307.根据所述所有实测点的风力预测值，应用所述多个实验变差函数模型的模型系数进行误差分析，得到所述多个实验变差函数模型中各个实验变差函数模型的模型质量评估指标值。
在所述步骤S307中，所述模型质量评估指标值包含但不限于有平均误差值、均方根误差值、标准化均方根误差值和/或平均标准误差值等，前述几种指标值的计算公式如下：
平均误差值
均方根误差值
标准化均方根误差值
平均标准误差值
上述公式中，N表示实测点总数，n表示正整数，Z(xn)表示第n个实测点的风力预测值，表示所述第n个实测点的风力估计值，δ2表示方差的平方根。由于所述模型质量评估指标值的获取过程需要风力估计值，因此具体的，根据所述所有实测点的风力预测值，应用所述多个实验变差函数模型的模型系数进行误差分析，得到所述多个实验变差函数模型中各个实验变差函数模型的模型质量评估指标值，包括但不限于有如下步骤S3071～S3072。
S3071.针对所述多个实验变差函数模型中的各个实验变差函数模型，根据所述所有实测点的风力预测值和对应的模型系数，采用交叉验证方式获取对应的且所述所有实测点的风力估计值。
在所述步骤S3071中，所述交叉验证方式的具体思路是：先移除所述所有实测点中的一个实测点，然后利用剩下实测点的风力预测值计算出移除点的风力估计值，重复该操作直至获得所有实测点的风力估计值，即具体的，针对所述多个实验变差函数模型中的各个实验变差函数模型，根据所述所有实测点的风力预测值和对应的模型系数，采用交叉验证方式获取对应的且所述所有实测点的风力估计值，包括但不限于有如下步骤S30711～S30712。
S30711.针对在所述所有实测点中的各个目标实测点(即移除的一个实测点)，将在所述所有实测点中的其它所有实测点(即剩下的实测点)确定为对应的多个参考实测点。
S30712.针对在多个实验变差函数模型中的某个实验变差函数模型和在所述所有实测点中的某个目标实测点，根据所述某个实验变差函数模型的模型参数和所述某个目标实测点的多个参考实测点的风力预测值，按照如下步骤S307121～S307123计算得到对应的风力估计值。
S307121.根据所述某个目标实测点的多个参考实测点的已知坐标和所述某个目标实测点的已知坐标，计算得到所述某个目标实测点至所述某个目标实测点的多个参考实测点中各个参考实测点的距离值，并将该距离值作为区域化变量到待估测点的距离代入所述某个实验变差函数模型，然后应用所述某个实验变差函数模型的模型参数,计算得到所述某个目标实测点与所述某个目标实测点的多个参考实测点中各个参考实测点的实验变差函数值。
S307122.根据所述某个目标实测点的多个参考实测点中各对参考实测点的风力半方差值和所述某个目标实测点与所述某个目标实测点的多个参考实测点中各个参考实测点的实验变差函数值，建立并求解普通克里金方程组，得到与所述某个目标实测点的多个参考实测点一一对应的多个参考权重系数。
在所述步骤S307122中，所述普通克里金方程组的具体建立及求解过程，可参照后续步骤S311～S312推导得到，于此不再赘述。
S307123.根据所述某个目标实测点的多个参考实测点的风力预测值和所述多个参考权重系数，计算得到所述某个目标实测点的风力估计值。
在所述步骤S307123中，具体计算公式可参照后续步骤S313推导得到，于此不再赘述。
S3072.针对所述各个实验变差函数模型，根据所述所有实测点的风力预测值和对应的且所述所有实测点的风力估计值，计算得到对应的模型质量评估指标值。
S308.根据所述各个实验变差函数模型的模型质量评估指标值，从所述多个实验变差函数模型中确定出最能满足模型优选预设条件的最优实验变差函数模型。
在所述步骤S308中，具体的，所述模型优选预设条件包含但不限于有平均误差值接近于0、标准化均方根误差值接近于1和/或均方根误差值接近于平均标准误差值等。前述模型优选预设条件越满足，说明对应模型的质量越好。
S309.根据所述所有实测点的已知坐标和在所述风电场内目标测点的已知坐标，从所述所有实测点中确定位于所述目标测点周围的m个实测点，其中，m表示大于2的正整数。
在所述步骤S309中，所述目标测点可以是某个实测点，也可以是某个非实测点(即需要估值的测点)。所述目标测点的周围具体可以是指以所述目标测点为中心且半径为某个具体值的圆形区域，其中，所述某个具体值可根据实测点的搜索结果而进行适当调整，例如在m过小时扩大半径数值，而在m过大时缩小半径数值。
S310.根据所述目标测点的已知坐标和所述m个实测点的已知坐标，计算得到所述目标测点至所述m个实测点中各个实测点的距离值，并将该距离值作为区域化变量到待估测点的距离代入所述最优实验变差函数模型，然后应用所述最优实验变差函数模型的模型系数，计算得到所述目标测点与所述m个实测点中各个实测点的实验变差函数值。
S311.根据所述m个实测点中各对实测点的风力半方差值和所述目标测点与所述m个实测点中各个实测点的实验变差函数值，建立如下的普通克里金方程组：
式中，i和j分别表示正整数，λi表示与所述m个实测点中第i个实测点对应的且待求解的权重系数，γ(xi,xj)表示与所述第i个实测点和所述m个实测点中第j个实测点对应的风力半方差值，u表示待求解的拉格朗日乘数因子，γ(xi,x0)表示所述目标测点与所述第i个实测点的实验变差函数值。
在所述步骤S311中，所述普通克里金方程组是基于克里金插值法而建立的且包含有m+1个方程的方程组合，其中，为所述克里金插值法的无偏估计条件。
S312.对所述普通克里金方程组进行求解，得到与所述m个实测点一一对应的m个权重系数。
在所述步骤S312中，由于在所述普通克里金方程组中仅有m+1个未知量，因此可以基于常规解方程手段求解得到与所述m个实测点一一对应的m个权重系数。
S313.根据所述m个实测点的风力预测值，按照如下公式计算得到所述目标测点的风力估计值Z(x0)：
式中，Z(xi)表示所述第i个实测点的风力预测值。
在所述步骤S313中，由于可将预测风力值作为已知点的属性值，以及可将风力看作是随机场的多个实现，因此可以通过上述公式估计/插值得到在所述风电场内的风力估计结果。
S314.将在所述风电场内全域所有所述目标测点的风力估计值，作为所述风电场内的风力三维分布估计情况。
由此基于前述的可能设计一，还可仅靠少量实测点的预测数据就能快捷高效地获得满足使用需求和精度要求的风力三维分布估计结果，大大缩短所需时间，进而具有一定的理论意义和较高的工程实用价值。
本实施例在前述可能设计一的技术方案基础上，还提供了一种如何自动确定合适滞后距h1的可能设计二，即确定滞后距h1，包括但不限于有如下步骤S3031～S3034。
S3031.在区间(0,Hmax]内选取一个值作为滞后距h1的当前值，然后执行步骤S3032，其中，Hmax表示在所述多对实测点的距离值中的最长距离值。
在所述步骤S3031中，具体选取方式可以但不限于是随机取值方式。
S3032.针对在多个实验变差函数模型中的各个实验变差函数模型，根据所述滞后距h1的当前值和所述所有实测点的风力预测值，采用交叉验证方式获取对应的且所述所有实测点的风力估计值，然后执行步骤S3033。
在所述步骤S3032中，所述交叉验证方式的具体思路与所述步骤S3071中的交叉验证方式类似，具体的，针对在多个实验变差函数模型中的各个实验变差函数模型，根据所述滞后距h1的当前值和所述所有实测点的风力预测值，采用交叉验证方式获取对应的且所述所有实测点的风力估计值，包括但不限于有如下步骤S30321～S30322：
S30321.针对在所述所有实测点中的各个目标实测点，将在所述所有实测点中的其它所有实测点确定为对应的多个参考实测点。
S30322.针对在多个实验变差函数模型中的某个实验变差函数模型和在所述所有实测点中的某个目标实测点，根据所述滞后距h1的当前值、所述某个实验变差函数模型的模型参数和所述某个目标实测点的多个参考实测点的风力预测值，按照如下步骤S303221～S303228计算得到对应的风力估计值。
S303221.确定在多对参考实测点的距离值中的最长距离值其中，所述多对参考实测点是指在所述某个目标实测点的多个参考实测点中所有点对。
S303222.根据所述滞后距h1的当前值，将第二区间划分成如下的多个第二子区间：
其中，
Ceiling()表示向上取整函数，表示小于的正整数。
S303223.根据所述多对参考实测点的距离值与所述多个第二子区间的归属关系，将所述多对参考实测点划分成与所述多个第二子区间一一对应的多个第二分组。
S303224.根据所述多对参考实测点的风力半方差值和距离值，计算得到所述多个第二分组中各个第二分组的风力半方差平均值和距离平均值。
S303225.根据所述各个第二分组的风力半方差平均值和距离平均值，拟合得到所述某个实验变差函数模型的模型系数，其中，所述风力半方差平均值在拟合过程中用于作为实验变差函数值，所述距离平均值用于在拟合过程中作为区域化变量到待估测点的距离。
S303226.根据所述某个目标实测点的多个参考实测点的已知坐标和所述某个目标实测点的已知坐标，计算得到所述某个目标实测点至所述某个目标实测点的多个参考实测点中各个参考实测点的距离值，并将该距离值作为区域化变量到待估测点的距离代入所述某个实验变差函数模型，然后应用所述某个实验变差函数模型的模型参数,计算得到所述某个目标实测点与所述某个目标实测点的多个参考实测点中各个参考实测点的实验变差函数值。
S303227.根据所述某个目标实测点的多个参考实测点中各对参考实测点的风力半方差值和所述某个目标实测点与所述某个目标实测点的多个参考实测点中各个参考实测点的实验变差函数值，建立并求解普通克里金方程组，得到与所述某个目标实测点的多个参考实测点一一对应的多个参考权重系数。
S303228.根据所述某个目标实测点的多个参考实测点的风力预测值和所述多个参考权重系数，计算得到所述某个目标实测点的风力估计值。
上述步骤S303221～S303228的具体细节可以参照第一方面中的相似步骤推导得到，于此不再赘述。
S3033.针对所述各个实验变差函数模型，根据所述所有实测点的风力预测值和对应的且所述所有实测点的风力估计值，计算得到对应的模型质量评估指标值，然后执行步骤S3034。
S3034.判断所述各个实验变差函数模型的模型质量评估指标值是否均满足预设的迭代停止条件，若是，则将所述滞后距h1的当前值确定为最终值，否则在所述区间(0,Hmax]内重新选取一个值作为所述滞后距h1的当前值，然后执行步骤S3032。
在所述步骤S3034中，所述迭代停止条件可以但不限于基于一些指标阈值来设定，例如包含有平均误差值小于预设的平均误差阈值和/或标准化均方根误差值大于预设的标准化均方根误差阈值，等等，以便衡量是否得到较为理想的实验变差函数模型。此外，重新选取的具体方式也可以但不限于是随机取值方式。
由此基于前述可能设计二，还可以通过交叉验证+迭代的方式，自动确定能够得到较为理想模型的合适滞后距h1，以便进一步利于快捷高效地获得最终的风力三维分布估计结果。
如图2所示，本实施例第二方面提供了一种实现第一方面或第一方面中任意可能设计所述的风电功率预测方法的虚拟装置，包括有依次通信连接的联网查询模块、风力预测模块、风力分布反演模块、风力估计模块、风电功率计算模块和风电功率汇总模块；
所述联网查询模块，用于联网查询获取在最近多个未来单位时段的天气预报数据；
所述风力预测模块，用于针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，其中，所述风电场内布置有多个所述实测点，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
所述风力分布反演模块，用于针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况；
所述风力估计模块，用于针对所述各个未来单位时段，根据对应的且在所述风电场内的风力三维分布估计情况，确定对应的且在所述风电场内各个风力发电机的所处位置的风力估计值；
所述风电功率计算模块，用于针对所述各个未来单位时段以及所述各个风力发电机，根据对应的风力估计值和对应发电机的且风力值与风电功率的已知换算关系，得到对应的风电功率估计值；
所述风电功率汇总模块，用于针对所述各个未来单位时段，汇总对应的且所述各个风力发电机的风电功率估计值，得到对应的风电场风电功率估计结果。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意可能设计所述的风电功率预测方法，于此不再赘述。
如图3所示，本实施例第三方面提供了一种执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任意可能设计所述的风电功率预测方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或第一方面中任意可能设计所述的风电功率预测方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面或第一方面中任意可能设计所述的风电功率预测方法，于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的风电功率预测方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电功率预测方法，其特征在于，包括：
联网查询获取在最近多个未来单位时段的天气预报数据；
针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，其中，所述风电场内布置有多个所述实测点，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况；
针对所述各个未来单位时段，根据对应的且在所述风电场内的风力三维分布估计情况，确定对应的且在所述风电场内各个风力发电机的所处位置的风力估计值；
针对所述各个未来单位时段以及所述各个风力发电机，根据对应的风力估计值和对应发电机的且风力值与风电功率的已知换算关系，得到对应的风电功率估计值；
针对所述各个未来单位时段，汇总对应的且所述各个风力发电机的风电功率估计值，得到对应的风电场风电功率估计结果。
2.根据权利要求1所述的风电功率预测方法，其特征在于，所述天气预报数据和所述历史天气数据分别包含有风级和风速以及至当天日出时刻的时长、至当天日落时刻的时长、云量、体感温度、能见度、降水概率、湿度和/或露点温度，其中，所述当天是指与单位时段对应的所属日。
3.根据权利要求1所述的风电功率预测方法，其特征在于，针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，包括：
针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，从最近多个历史单位时段的历史天气数据和在对应测点的历史风力值中，提取得到对应的多个历史日内同期单位时段的历史天气数据和在对应测点的历史风力值，其中，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
针对所述各个未来单位时段以及所述各个实测点，将对应的多个历史日内同期单位时段的历史天气数据作为输入项，以及将对应的多个历史日内同期单位时段的且在对应测点的历史风力值作为输出项，对基于支持向量机、K最邻近法、随机梯度下降法、多变量线性回归、多层感知机、决策树、反向传播神经网络或径向基函数网络的人工智能模型进行率定验证建模，得到对应的风力值预测模型；
针对所述各个未来单位时段以及所述各个实测点，将在对应时段的天气预报数据作为新的输入项，输入对应的风力值预测模型中，输出得到对应的风力预测值。
4.根据权利要求1所述的风电功率预测方法，其特征在于，针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况，包括：
根据在所述所有实测点的风力预测值，基于克里金插值法反演得到在所述风电场内的风力三维分布估计情况。
5.根据权利要求1所述的风电功率预测方法，其特征在于，根据在所述所有实测点的风力预测值，基于克里金插值法反演得到在所述风电场内的风力三维分布估计情况，包括：
根据在所述所有实测点的风力预测值，分别计算所述所有实测点中各对实测点的风力半方差，得到多对实测点的风力半方差值，以及还根据所述所有实测点的已知坐标，计算得到所述多对实测点的距离值；
确定滞后距h1以及在所述多对实测点的距离值中的最长距离值Hmax，其中，h1表示正数，Hmax表示大于h1的正数；
根据所述滞后距h1，将第一区间(0,Hmax]划分成如下的多个第一子区间：(0,h1],(h1,2*h1],…,((k-1)*h1,k*h1],…,((K-1)*h1,Hmax]，其中，K＝Ceiling(Hmax/h1)，Ceiling()表示向上取整函数，k表示小于K的正整数；
根据所述多对实测点的距离值与所述多个第一子区间的归属关系，将所述多对实测点划分成与所述多个第一子区间一一对应的多个第一分组；
根据所述多对实测点的风力半方差值和距离值，计算得到所述多个第一分组中各个第一分组的风力半方差平均值和距离平均值；
根据所述各个第一分组的风力半方差平均值和距离平均值，拟合得到多个实验变差函数模型的模型系数，其中，所述风力半方差平均值在拟合过程中用于作为实验变差函数值，所述距离平均值用于在拟合过程中作为区域化变量到待估测点的距离；
根据所述所有实测点的风力预测值，应用所述多个实验变差函数模型的模型系数进行误差分析，得到所述多个实验变差函数模型中各个实验变差函数模型的模型质量评估指标值；
根据所述各个实验变差函数模型的模型质量评估指标值，从所述多个实验变差函数模型中确定出最能满足模型优选预设条件的最优实验变差函数模型；
根据所述所有实测点的已知坐标和在所述风电场内目标测点的已知坐标，从所述所有实测点中确定位于所述目标测点周围的m个实测点，其中，m表示大于2的正整数；
根据所述目标测点的已知坐标和所述m个实测点的已知坐标，计算得到所述目标测点至所述m个实测点中各个实测点的距离值，并将该距离值作为区域化变量到待估测点的距离代入所述最优实验变差函数模型，然后应用所述最优实验变差函数模型的模型系数，计算得到所述目标测点与所述m个实测点中各个实测点的实验变差函数值；
根据所述m个实测点中各对实测点的风力半方差值和所述目标测点与所述m个实测点中各个实测点的实验变差函数值，建立如下的普通克里金方程组：
式中，i和j分别表示正整数，λi表示与所述m个实测点中第i个实测点对应的且待求解的权重系数，γ(xi,xj)表示与所述第i个实测点和所述m个实测点中第j个实测点对应的风力半方差值，u表示待求解的拉格朗日乘数因子，γ(xi,x0)表示所述目标测点与所述第i个实测点的实验变差函数值；
对所述普通克里金方程组进行求解，得到与所述m个实测点一一对应的m个权重系数；
根据所述m个实测点的风力预测值，按照如下公式计算得到所述目标测点的风力估计值Z(x0)：
式中，Z(xi)表示所述第i个实测点的风力预测值；
将在所述风电场内全域所有所述目标测点的风力估计值，作为所述风电场内的风力三维分布估计情况。
6.根据权利要求1所述的风电功率预测方法，其特征在于，确定滞后距h1，包括有如下步骤S3031～S3034：
S3031.在区间(0,Hmax]内选取一个值作为滞后距h1的当前值，然后执行步骤S3032，其中，Hmax表示在所述多对实测点的距离值中的最长距离值；
S3032.针对在多个实验变差函数模型中的各个实验变差函数模型，根据所述滞后距h1的当前值和在所述所有实测点的风力预测值，采用交叉验证方式获取对应的且在所述所有实测点的风力估计值，然后执行步骤S3033；
S3033.针对所述各个实验变差函数模型，根据在所述所有实测点的风力预测值和对应的且在所述所有实测点的风力估计值，计算得到对应的模型质量评估指标值，然后执行步骤S3034；
S3034.判断所述各个实验变差函数模型的模型质量评估指标值是否均满足预设的迭代停止条件，若是，则将所述滞后距h1的当前值确定为最终值，否则在所述区间(0,Hmax]内重新选取一个值作为所述滞后距h1的当前值，然后执行步骤S3032。
7.根据权利要求1所述的风电功率预测方法，其特征在于，所述最近多个未来单位时段为最近的未来24小时、最近的未来48小时或最近的未来72小时。
8.一种风电功率预测装置，其特征在于，包括有依次通信连接的联网查询模块、风力预测模块、风力分布反演模块、风力估计模块、风电功率计算模块和风电功率汇总模块；
所述联网查询模块，用于联网查询获取在最近多个未来单位时段的天气预报数据；
所述风力预测模块，用于针对在所述最近多个未来单位时段中的各个未来单位时段以及在风电场内的各个实测点，根据最近多个历史单位时段的历史天气数据和在对应测点的历史风力值以及在对应时段的天气预报数据，估算得到对应的风力预测值，其中，所述风电场内布置有多个所述实测点，所述历史风力值包含有历史风速值/和历史风向值，所述历史风向值采用以正东方为极轴的极坐标角度值来表示；
所述风力分布反演模块，用于针对所述各个未来单位时段，根据对应的且在所有实测点的风力预测值，反演得到对应的且在所述风电场内的风力三维分布估计情况；
所述风力估计模块，用于针对所述各个未来单位时段，根据对应的且在所述风电场内的风力三维分布估计情况，确定对应的且在所述风电场内各个风力发电机的所处位置的风力估计值；
所述风电功率计算模块，用于针对所述各个未来单位时段以及所述各个风力发电机，根据对应的风力估计值和对应发电机的且风力值与风电功率的已知换算关系，得到对应的风电功率估计值；
所述风电功率汇总模块，用于针对所述各个未来单位时段，汇总对应的且所述各个风力发电机的风电功率估计值，得到对应的风电场风电功率估计结果。
9.一种计算机设备，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7中任意一项所述的风电功率预测方法。
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上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7中任意一项所述的风电功率预测方法。
CN202310481197.4A 2023-04-28 2023-04-28 一种风电功率预测方法、装置、设备及存储介质 Pending CN116760006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310481197.4A CN116760006A (zh) 2023-04-28 2023-04-28 一种风电功率预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310481197.4A CN116760006A (zh) 2023-04-28 2023-04-28 一种风电功率预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116760006A true CN116760006A (zh) 2023-09-15

Family

ID=87952226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310481197.4A Pending CN116760006A (zh) 2023-04-28 2023-04-28 一种风电功率预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116760006A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117270612A (zh) * 2023-11-23 2023-12-22 上海时链节能科技有限公司 空压机进气端温湿度调控方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496927A (zh) * 2011-12-16 2012-06-13 中国电力科学研究院 基于误差统计修正的风电场功率预测方法
CN204003278U (zh) * 2014-06-16 2014-12-10 马人欢 高空风力发电系统
CN109886488A (zh) * 2019-02-21 2019-06-14 南方电网科学研究院有限责任公司 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN113935512A (zh) * 2021-08-27 2022-01-14 清华大学 风电功率预测方法、装置、计算机设备和存储介质
CN115802559A (zh) * 2023-02-03 2023-03-14 宝邑(深圳)照明科技有限公司 一种智慧照明控制方法、装置、计算机设备及存储介质
CN115982826A (zh) * 2023-02-08 2023-04-18 成都理工大学 一种深埋长大隧道纵剖面地应力参数值估计方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496927A (zh) * 2011-12-16 2012-06-13 中国电力科学研究院 基于误差统计修正的风电场功率预测方法
CN204003278U (zh) * 2014-06-16 2014-12-10 马人欢 高空风力发电系统
CN109886488A (zh) * 2019-02-21 2019-06-14 南方电网科学研究院有限责任公司 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN113935512A (zh) * 2021-08-27 2022-01-14 清华大学 风电功率预测方法、装置、计算机设备和存储介质
CN115802559A (zh) * 2023-02-03 2023-03-14 宝邑(深圳)照明科技有限公司 一种智慧照明控制方法、装置、计算机设备及存储介质
CN115982826A (zh) * 2023-02-08 2023-04-18 成都理工大学 一种深埋长大隧道纵剖面地应力参数值估计方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117270612A (zh) * 2023-11-23 2023-12-22 上海时链节能科技有限公司 空压机进气端温湿度调控方法、装置、设备及介质
CN117270612B (zh) * 2023-11-23 2024-02-23 上海时链节能科技有限公司 空压机进气端温湿度调控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Liu et al. Random forest solar power forecast based on classification optimization
Chang et al. An improved neural network-based approach for short-term wind speed and power forecast
CN111626506A (zh) 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统
CN112686464A (zh) 短期风电功率预测方法及装置
CN108063456B (zh) 分布式光伏发电并网规划方法及终端设备
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
Isaksson et al. Solar power forecasting with machine learning techniques
CN105868853A (zh) 一种短期风电功率组合概率预测方法
Han et al. A short-term wind speed interval prediction method based on WRF simulation and multivariate line regression for deep learning algorithms
CN112598180A (zh) 一种分布式区域风电功率预测方法
Wu et al. Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model
CN112308281A (zh) 一种温度信息预测方法及装置
Shayesteh et al. Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation?
Pedro et al. A database infrastructure to implement real-time solar and wind power generation intra-hour forecasts
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
Niu et al. Short‐term wind speed hybrid forecasting model based on bias correcting study and its application
CN116760006A (zh) 一种风电功率预测方法、装置、设备及存储介质
Akyurek et al. Tesla: Taylor expanded solar analog forecasting
CN110570041A (zh) 一种基于ap聚类的远景年典型日负荷预测方法
Pan et al. Probabilistic Short‐Term Wind Power Forecasting Using Sparse Bayesian Learning and NWP
Xiyun et al. Wind power probability interval prediction based on bootstrap quantile regression method
CN117332896A (zh) 多层集成学习的新能源小时间尺度功率预测方法及系统
Xiong et al. An ultra-short-term wind speed correction method based on the fluctuation characteristics of wind speed
Yang et al. Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method
CN117371581A (zh) 一种新能源发电功率预测方法、装置及存储介质

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