[發明專利]風電場短期功率預測方法

無效

• 申請號: 201310456316.7
• 申請日: 2013-09-29
• 公開（公告）號: CN103489046A
• 公開（公告）日: 2014-01-01
• 發明（設計）人: 岳捷;申燭;孟凱峰;陳欣;孫翰墨
• 申請（專利權）人: 中能電力科技開發有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 北京華夏正合知識產權代理事務所(普通合伙) 11017
• 代理人: 韓登營;張煥亮

技術領域

本發明涉及一種風電場短期功率預測方法。

背景技術

近年來，隨著我國能源政策調整，并網風電裝機容量快速增長，大規模風電集中并網對電網安全運行帶來沖擊。提高風電場出力的可預測性，能夠有效減少風電對電網造成的沖擊，減輕電網調度調峰壓力，這對于充分利用風能資源，進一步提高并網風電裝機比例有積極意義。按照國內已頒布實施的風電場功率預測技術規范，風電場必須每日按照規定時間向電力調度機構上傳未來24h出力預測曲線并接受預測精度考核。為了準確反映次日大氣運動狀態，必須使用中尺度數值天氣預報（數值天氣預報）模式輸出作為風電場短期功率預測系統的輸入數據，因此中尺度數值天氣預報模式預測輸出精度很大程度上決定了風電場短期功率預測的精度。然而，中尺度模式大氣物理過程參數化方案不能有效模擬次網格尺度（小于1km）大氣物理過程，其描述的天氣過程與真實情況存在誤差，這種誤差會隨著模式積分運算時間的增長而增加。因此，網格分辨率不足和與分辨率有關的大氣物理過程參數化方案描述不準確會使中尺度模式預測結果存在不確定性。直接應用于功率預測會帶來較大不確定性，必須對其進行降尺度預處理。

目前對中尺度數值天氣預報輸出進行降尺度研究主要采用兩種方法：1、使用物理模型求解風電場局地效應對氣流的影響。這種方法計算代價較小，但物理模型構造和實現過程較為復雜，精度提高有限。

2、采用動力降尺度方法，例如計算流體力學（CFD）模擬風電場內部流場演變過程，這種方法可以獲得較為準確風速分布，但在建立預測風速查詢數據庫或直接預測風速時需要使用CFD方法求解Navier-Stokes方程，工程實現復雜并且計算代價巨大，對硬件要求極高。

發明內容

有鑒于此，本發明的主要目的在于，提供一種風電場短期功率預測方法，本文將統計降尺度方法引入到風電場短期功率預測技術中，較好地解決了數值天氣預報風速誤差較大的問題，有效減少了中尺度分辨率不足帶來的不確定性，極大地提高了中尺度數值天氣預報降尺度計算效率，顯著提高了風電場短期功率預測精度。

包括步驟：

A、建立單臺風機的風速統計降尺度模型；

B、依據風電場區域未來48小時中尺度數值天氣預報的預測因子，以及步驟A中單臺風機統計降尺度模型，生成單臺風機所在位置輪轂高度的預測風速；

C、建立每臺風機的風速、風向-功率的模型，依據中尺度數值天氣預報所預測的風向以及步驟B所預測的風速，得出每臺風機的功率預測。

由上，通過歷史數據建立統計降尺度模型，對中尺度模式數值天氣預報風速進行統計降尺度，得出風電場每臺風機所在位置輪轂高度預測風速，結合風速、風向-功率的模型對每臺風機出力進行預測，實現對風電場整體出力短期預測。上述預測方法有效減少了中尺度分辨率不足帶來的不確定性，顯著提高了風電場短期功率預測精度。

可選的，所述步驟A中，利用BP神經網絡，通過中尺度數值天氣預報的預測因子與單臺風機輪轂高度實測風速之間的歷史數據，對所述BP神經網絡進行訓練。

由上，采用BP神經網絡建立單臺風機位置輪轂高度的短期風速預測模型，可大大降低建立模型的復雜程度，從而降低運算量，以及對高性能硬件的依賴，，進而大幅度節省預算成本。

可選的，所述BP神經網絡的輸入層為中尺度數值天氣預報的預測因子，輸出層為單臺風機輪轂高度實測風速。。

所述中尺度數值天氣預報的預測因子至少包括：所述中尺度數值天氣預報的預測因子至少包括：500hPa位勢高度、850hPa位勢高度、風機輪轂高度的風速、風向、壓強和相對濕度。

由上，由于上述預報因子可以被較為準確的預測，且不同預測因子間是弱相關或無關的，因此將上述預報因子作為BP神經網絡的輸入量，可以較為精確的對BP神經網絡進行訓練。

可選的，所述步驟C包括：

C1、建立風向、各風機所測風速以及，在上述風向及風速下風機的有功功率值的歷史數據庫；

C2、針對不同風向，設定風速采集區間，并對各風速采集區間下所采集的有功功率數據進行預處理；

C3、建立風向、風速與功率的對應模型；

C4、依據中尺度數值天氣預報所預測的風向以及步驟B所預測的風速，結合步驟C3中的風向、風速-功率模型得出每臺風機的功率預測。