[發明專利]預測風機風力發電功率的方法以及相關裝置

有效

• 申請號: 202010174452.7
• 申請日: 2020-03-13
• 公開（公告）號: CN111340307B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 袁興德;梁卉林;陳斌;王鐵強;曾垂寬;王志軍;葛文濤;蘭水泉;劉明全
• 申請（專利權）人: 華潤電力技術研究院有限公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38;G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王學強

1.一種預測風機風力發電功率的方法，其特征在于，包括：

獲取風機位置處的實時氣象預報數據；其中，所述實時氣象預報數據為所述風機具體的經緯度上的風速數據、風向數據、氣壓數據、濕度數據、相對濕度數據、溫度數據；

使用氣象預報數據訂正模型對所述實時氣象預報數據進行訂正，得到訂正后實時氣象預報數據；

所述氣象預報數據訂正模型的生成包括：

獲取所述風機位置的歷史氣象預報數據，以及所述風機的風機運行SCADA數據，所述風機運行SCADA數據為所述風機實際位置測得的數據，包括風機的風速數據、風向數據、氣壓數據、濕度數據、相對濕度數據、溫度數據、發電功率；

將所述歷史氣象預報數據和所述風機運行SCADA數據按照時間對應關系形成風機歷史數據樣本集；

將所述風機歷史數據樣本集按照時間周期規律劃分為N個風機歷史數據樣本周期集；

對N個所述風機歷史數據樣本周期集計算平均偏差，得到每一個所述風機歷史數據樣本周期集的平均偏差值；

使用每一個所述風機歷史數據樣本周期集的平均偏差值對相應的所述風機歷史數據樣本周期集進行訂正，得到N個訂正后風機歷史數據樣本周期集；

在所述N個訂正后風機歷史數據樣本周期集提取訓練特征；

以每一個所述訂正后風機歷史數據樣本周期集的所述歷史氣象預報數據為輸入值，對應時間上的每一個所述訂正后風機歷史數據樣本周期集的所述風機運行SCADA數據為期望值，進行神經網絡訓練，得到氣象預報數據訂正模型；

所述氣象預報數據訂正模型為經過訓練的反映氣象預報數據與實際風機運行SCADA數據之間關系的神經網絡模型；

將所述訂正后實時氣象預報數據作為輸入值輸入梯度增強回歸模型，得到所述風機的預報風速；其中，所述梯度增強回歸模型為經過訓練的反映氣象預報數據的風速數據與風機運行SCADA數據的風速數據之間關系的神經網絡模型；

將所述預報風速作為輸入值輸入功率預測模型，得到預測風機風力發電功率；其中，所述功率預測模型為經過訓練的反映風機運行SCADA數據的風速數據與風機風力發電功率之間關系的神經網絡模型；

將所述預測風機風力發電功率輸入葉片冰凍模型，得到所述風機的修正后預測風機風力發電功率；其中，所述葉片冰凍模型為經過訓練的反映風機運行SCADA數據的溫度與風機風力發電功率之間關系的神經網絡模型。

2.根據權利要求1所述的預測風機風力發電功率的方法，其特征在于，在將所述預報風速作為輸入值輸入功率預測模型，得到預測風機風力發電功率之后，所述方法還包括；

獲取所述風機的檢修計劃，所述檢修計劃反映所述風機維修時間；

獲取所述風機的預測風機風力發電功率的預測時間；

判斷所述預測時間是否在所述風機維修時間內；

若在，則表示所述預測風機風力發電功率在所述風機維修時間內為零。

3.根據權利要求1所述的預測風機風力發電功率的方法，其特征在于，在將所述訂正后實時氣象預報數據作為輸入值輸入梯度增強回歸模型，得到所述風機的預報風速之后，所述方法還包括：

獲取全風電場所有風機的風機預報風速；

對所述所有風機的風機預報風速計算算術平均數，得到所述全風電場的全場平均預報風速；

所述將所述預報風速作為輸入值輸入功率預測模型，得到預測風機風力發電功率包括：

將所述全場平均預報風速作為輸入值輸入所述功率預測模型，得到預測全場風機風力發電功率。

4.根據權利要求1所述的預測風機風力發電功率的方法，其特征在于，在將所述預報風速作為輸入值輸入功率預測模型，得到預測風機風力發電功率之后，所述方法還包括：

獲取全風電場所有風機的預測風機風力發電功率；

對所述所有的預測風機風力發電功率計算算術平均數，得到預測全場風機風力發電功率。