[發明專利]風電場風速預測方法及裝置

在審

• 申請號: 201710127025.1
• 申請日: 2017-03-06
• 公開（公告）號: CN106920010A
• 公開（公告）日: 2017-07-04
• 發明（設計）人: 何廷一;吳水軍;李勝男;彭俊臻
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/02
• 代理公司: 北京弘權知識產權代理事務所(普通合伙)11363
• 代理人: 逯長明,許偉群

技術領域

本申請涉及風電場風速預測技術領域，尤其涉及一種風電場風速預測方法及裝置。

背景技術

風力發電是新能源發電的主要來源，隨著風力發電技術的成熟，風電場在電力發電系統中所占的比例不斷增加。然而，由于風能存在間歇性與隨機性，不利于調整調度計劃，導致風電場對整個電力系統運行狀態的影響較大，進而對電力系統控制的穩定性造成一定的影響。因此，對風電場風速的預測技術變得尤為重要，如果能夠對風電場風速進行準確的預測，便可在調整調度計劃、有效減輕風電場對整個電力系統的不利影響、減少電力系統運行成本和旋轉備用、提高風電穿透功率極限等方面發揮較好的作用，并且有利于在開放的電力市場環境下，正確制定電能交換計劃。

目前，國內外學者均對風電場風速的預測技術做出過諸多研究，風電場風速預測方法主要分為物理方法與統計方法兩大類。近年來，如模糊邏輯、人工神經網絡等智能方法，均在風速預測中得到廣泛應用。現有的風電場風速預測方法，通常通過建立自回歸滑動平均模型(Auto-Regressive and Moving Average Model，ARMA模型)，或者采用BP神經網絡(Back-propagation Neural Net)模型與自回歸滑動平均模型相結合的方法，對風電場風速進行預測。

然而，采用單一的自回歸滑動平均模型，或者采用BP神經網絡模型與自回歸滑動平均模型相結合的預測方法中，所使用的數學模型只考慮了影響風速變化的主要因素，而忽略了許多次要因素，導致預測結果存在較大的誤差，風速預測精度較低。

發明內容

本申請提供了一種風電場風速預測方法及裝置，以解決現有的風電場風速預測方法，風速預測精度較低的問題。

第一方面，本申請提供了一種風電場風速預測方法，所述方法包括：

獲取風電場多個連續歷史日的歷史風速數據，根據所述歷史風速數據，建立BP神經網絡預測模型；

根據所述BP神經網絡預測模型，得到風電場中，所述多個連續歷史日之后的下一個預測日的風速預測初始曲線；

根據所述風速預測初始曲線和所述自回歸滑動平均誤差模型，得到誤差序列信號；

判斷所述誤差序列信號是否是平穩信號；

如果所述誤差序列信號是平穩信號，則求取所述誤差序列信號的方差；

判斷所述方差是否小于預設方差；

如果所述方差小于所述預設方差，則輸出所述風速預測初始曲線，作為所述預測日的風電場風速預測結果。

結合第一方面，在第一方面第一種可能的實現方式中，判斷所述誤差序列信號是否是平穩信號，包括：

根據所述誤差序列信號，獲取如下函數：

{x(t)}(-∞＜t＜+∞)；

ε_x(t)＝E[x(t)]；

r(t₁,t₂)＝E[x(t₁)x(t₂)]；

其中，x(t)為信號樣本，ε_x(t)為t時刻的信號樣本的平均函數，r(t₁,t₂)為自相關函數；

判斷ε_x(t)與r(t₁,t₂)是否為時變函數；

如果ε_x(t)與r(t₁,t₂)是時變函數，則判定所述誤差序列信號是平穩信號。

結合第一方面第一種可能的實現方式，在第一方面第二種可能的實現方式中，求取所述誤差序列信號的方差的步驟，采用如下公式求取所述誤差序列信號的方差：

D(x(t))＝E{[x(t)-E(x(t))]²}；

其中，D(x(t))是所述誤差序列信號的方差。

結合第一方面，在第一方面第三種可能的實現方式中，判斷所述誤差序列信號是否是平穩信號之后，包括：

如果所述誤差序列信號不是平穩信號，則獲取風電場多個連續歷史日的歷史風速數據，根據所述日歷史風速數據，建立BP神經網絡預測模型。

結合第一方面，在第一方面第四種可能的實現方式中，判斷所述方差是否小于預設方差之后，包括：

如果所述方差大于或等于所述預設方差，則根據所述風速預測初始曲線，建立自回歸滑動平均誤差模型。

第二方面，本申請還提供了一種風電場風速預測裝置，所述裝置包括：