[發明專利]自適應風電功率預測系統及預測方法

無效

• 申請號: 201310067802.X
• 申請日: 2013-03-04
• 公開（公告）號: CN104036328A
• 公開（公告）日: 2014-09-10
• 發明（設計）人: 李新春;喬靖玉
• 申請（專利權）人: 橫河電機株式會社
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/02
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 陳源;張天舒

技術領域

本發明提供一種自適應風電功率預測系統以及預測方法，具體來說，涉及適用于對風機的輸出功率進行超短期預測，并且能夠在線調整預測模型的自適應風電功率預測系統及預測方法。

背景技術

風電功率預測有助于優化電網調度，降低風力發電系統的運行成本，并增強風力發電系統的安全性、可靠性和可控性。

中國政府于2012年1月1日發布了《風電場功率預測預報管理暫行方法》，規定風功率預測的超短期預報的誤差不能超過15%。超短期的定義為4個小時以內。目前看在不導入NWP（數值天氣預報）的情況下，超短期風功率預測的精度都很難達到要求。雖然大氣運動具有持續性，但其變化還是具有相當的不確定性。僅根據單個風場的測風塔數據很難對未來的風速、風向做出準確預報。

數值天氣預報的導入雖然會在一定程度上能夠提高精度，但也增大了風電預測系統的成本，而且NWP的分辨率也還有待提高。超短期預報要求每15分鐘預報未來4小時（以15分鐘為間隔）的數據，當前的數字天氣預報的更新頻率還比較低，無法達到這個程度。

風電功率預測方法根據所采用的數學模型不同可分為持續預測法、自回歸滑動平均(ARMA)模型法、卡爾曼濾波法和智能方法等。持續預測方法是最簡單的預測模型，但該模型的預測誤差較大且預測結果不穩定。改進的方法有ARMA模型和向量自回歸模型、卡爾曼濾波算法或時間序列法和卡爾曼濾波算法相結合。另外還有一些智能方法，如人工神經網絡方法等。

卡爾曼濾波算法廣泛應用于線性隨機系統的信號處理，其利用狀態方程的遞推性，按線性無偏最小均方差估計準則，對濾波器的目標狀態變量做最佳估計。利用卡爾曼預測迭代方程可以實現信號的預測。

現有技術中已經出現了利用卡爾曼預測遞推方程來預測風機功率的技術方案（見文獻1）。具體來說，首先基于風電功率的樣本時間序列建立風機輸出功率的ARMA預測模型。在建立ARMA預測模型之后可以對未來的風機輸出功率直接進行預測，一般而言，基于ARMA模型的預測結果相對實測數值的偏差較大。

由于已經通過時間序列分析建立了風電功率時間序列的ARMA模型，因而可以將ARMA模型轉換到狀態空間，建立卡爾曼濾波的狀態方程和量測方程。在參照工程習慣設定初始值之后，利用遞推方程進行迭代預測，可以獲得不斷更新的狀態信息，獲得比較準確的預測結果。

此外，人工神經網絡也大量應用于風機輸出功率預測中。文獻2描述了一種風電功率預測方法，其中以數值天氣預報（NWP）提供的氣象參數（包括風速、風向正弦、風向余弦、空氣密度等）作為輸入向量，以實際輸出功率作為目標向量建立3層BP神經網絡，以上述氣象參數的歷史數據作為訓練集對該BP神經網絡進行訓練。考慮到數值天氣預報數據中存在著系統誤差，文獻2的技術方案另外利用卡爾曼濾波算法對用于訓練的訓練集進行卡爾曼濾波，并且在將BP神經網絡應用于預測時，對實時輸入的數值天氣預報數據執行卡爾曼濾波。實驗結果表明卡爾曼濾波能夠有效消除風速數據中的系統誤差。

文獻3描述了一種不使用NWP的基于神經網絡的風電功率預測方案，其中基于風場本地的測風塔數據作為輸入向量，建立并訓練BP神經網絡，并系統運行3個月的預測結果進行分析，對預測模型進行修正以改進其預測精度。

上述應用于風電功率預測的現有技術中存在如下問題：在風電功率預測模型建立之后，總是維持預測模型不變而僅對狀態變量（輸入參數）進行更新，或者需要在離線狀態下重構預測模型并重新進行訓練，而不能在在線運行狀態下對預測模型本身（預測方程系數或神經網絡自身的權值）進行修正。這樣無法建立自適應的能夠在線對預測模型自身進行持續更新的預測系統，對預測數值、實測數值等的利用效率較低。

文獻列表

文獻12種風電功率預測模型的比較（時慶華等人，2011年6月發表于《能源技術經濟》23卷第6期）

文獻2卡爾曼濾波修正的風電場短期功率預測模型（趙攀等人，2011年5月發表于西安交通大學學報第45卷第5期）

文獻3風電場輸出功率超短期預測結果分析與改進（陳穎等人，2011年8月發表于《電力系統自動化》第35卷第15期）

發明內容

本發明考慮到上述現有技術中存在的缺陷，提出了一種自適應的風電功率預測系統以及預測方法，能夠在在線運行狀態下對風電功率預測模型進行優化調整。