[發明專利]風電場短時風速預測方法及系統

有效

• 申請號: 201010585999.2
• 申請日: 2010-12-10
• 公開（公告）號: CN102542133A
• 公開（公告）日: 2012-07-04
• 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: G06F19/00
• 分類號: G06F19/00;G06N3/02
• 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短時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短時風速預測方法及系統。

一種風電場短時風速預測方法，包括如下步驟：步驟一、采集初始風速數據；步驟二、采用多孔小波變換將所述初始風速數據分解為初始低頻風速數據和初始高頻風速數據；步驟三、利用BP神經網絡建立高頻風速預測模型，將所述初始高頻風速數據輸入所述高頻風速預測模型，計算得到預測高頻風速數據；步驟四、利用BP神經網絡建立低頻風速預測模型，將所述初始低頻風速數據輸入所述低頻風速預測模型，計算得到預測低頻風速數據；及步驟五、采用多孔小波逆變換法將所述預測高頻風速數據和所述預測低頻風速數據進行重構，獲得風速預測值。

在優選的實施例中，所述步驟二中采用如下公式得到初始低頻風速數據和初始高頻風速數據：

設初始風速數據的風速序列為X₀＝{x₁，x₂，…x_t-1}，其中，x_t是t時刻的風速數據；

則初始低頻風速的風速序列為X₁＝X₀*H，且

初始高頻風速的風速序列為D＝X₀-X₁；

其中H為低頻濾波器。

在優選的實施例中，所述步驟三為：

(1)、將步驟二得到的初始高頻風速的風速序列D作為訓練數據通過隱含層節點作用于輸出層節點，經過如下非線形變換，產生輸出數據Y_k；

O_j＝f(∑w_i，jD_i)-θ_i；

Y_k＝f(∑T_j，kO_j)-θ_k；

其中，O_j為隱含層節點j處的輸出值；f(x)＝1/(1+e^-x)；w_i，j為連接輸入層節點i與隱含層節點j的權值，其初始值由系統隨機給定；θ_i為輸入層節點i處的閾值，其初始值由系統隨機給定；Y_k為輸出層節點k處的輸出值；Y_j，k為連接隱含層節點j與輸出層節點k處的權值，其初始值由系統隨機給定；θ_k為輸出層節點k處的閾值，其初始值由系統隨機給定；

(2)、神經網絡輸出值Y_k與期望輸出值t_k之間的偏差，通過調整權值w_i，j、T_j，k以及閾值θ_i、θ_k，使誤差沿梯度方向下降；經過反復學習訓練，確定與最小誤差相對應權值和閾值，訓練即停止；