[發明專利]風電場風速預測系統及方法

有效

• 申請號: 201010196347.X
• 申請日: 2010-06-09
• 公開（公告）號: CN101871948A
• 公開（公告）日: 2010-10-27
• 發明（設計）人: 張巍;王偉民
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G01P5/00
• 分類號: G01P5/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 吳平

【技術領域】

本發明涉及風速預測技術領域，尤其涉及一種風電場風速預測系統及方法。

【背景技術】

隨著環保問題的日益突出，能源供應的漸趨緊張，風力發電作為一種清潔的可再生能源的發電方式，越來越受到世界各國的歡迎和重視。我國幅員遼闊，擁有豐富的風能資源，因此，近幾年來我國的風力發電事業得到了很快的發展。

隨著風力發電技術的不斷發展，風電單機容量和并網型風電場的規模都在不斷增加，在電力需求中所占比例也越來越大。這個趨勢致使風力發電對電網的影響越來越明顯。為了滿足供電需求，保證電網穩定運行和供電系統的可靠性，必須對供電系統進行有效的計劃和調度。而風力發電本身所特有的間歇性和不確定性，增加了對電網計劃和調度的難度。為了解決風電場發電量不穩定的問題，必須加大供電系統的旋轉備用容量(特指運行正常的發電機組維持額定轉速，隨時可以并網，或者已并網運行僅帶一部分負荷，隨時可以增加出力至額定的發電機組)。旋轉備用容量的增加間接地增加了風力發電的運營整體成本。所以需要對大型風電場風速進行預測，通過對風電場風速進行短期和中期的準確預測，可以大幅降低電網旋轉備用容量，從而有效降低風力發電系統成本，并且為電網運行調度提供可靠的依據。

傳統的風速預測方法有時間序列法、神經網絡法、卡爾曼濾波法等。而時間序列法具有低階模型預測精度低、高階模型參數固定難度大的不足；而神經網絡法也存在收斂速度慢、隱節點的選取缺乏理論指導、訓練數據龐大等缺陷；卡爾曼濾波方法又存在建立卡爾曼狀態方程和測量方程較困難的不足，且對復雜的非線性系統難以準確預測。因此傳統的風速預測方法預測的準確度不高。

【發明內容】

基于此，有必要提供一種能提高預測準確度的風電場風速預測系統。

一種風電場風速預測系統，所述系統包括：時間序列預測模塊，用于根據時間模型生成風速預測模型，并將初始風速集合作為輸入數據，采用所述風速預測模型對風速進行集合預測，得到風速預測數據集合；初始風速集合生成模塊，對輸入的風速數據進行處理，生成所述初始風速集合；集合卡爾曼濾波更新模塊，集合卡爾曼濾波算法對所述初始風速集合以及風速預測數據集合進行更新優化，得到最終預測數據。

優選地，所述時間序列預測模塊采用如下公式生成風速預測模型：

其中，x_t是t時刻的初始風速數據，是自回歸參數，p是自回歸階數，θ_j是移動平均參數，q是移動平均階數，e_t-j為移動平均誤差，ε_t是隨機誤差；

所述時間序列預測模塊根據t時刻之前的風速數據，選擇矩估計對模型參數θ_j進行估計，生成風速預測方程。

進一步優選地，所述初始風速集合生成模塊還用于生成為高斯白噪聲的隨機誤差的集合，將所述隨機誤差施加給所述初始風速數據、自回歸參數和移動平均參數，得到初始風速集合。

優選地，所述集合卡爾曼濾波更新模塊進一步用于：將所述初始風速集合和所述風速預測數據集合寫入同一集合中，并由所述風速預測方程得到集合卡爾曼濾波的狀態方程；將風速預測數據集合中的每個元素的平均值作為觀測值，對觀測數據施加高斯白噪聲，得到獨立觀測的數據集合；更新所述獨立觀測的數據集合中的每一個集合成員，得到分析值的集合；對所述分析值的集合中的成員取均值，得到最終預測數據。

進一步優選地，所述更新獨立觀測的數據集合中的每一個集合成員的步驟中，采用如下計算公式得到分析值的集合：