[發明專利]基于動力降尺度數據融合和統計模型的風電功率預測方法

在審

• 申請號: 202011435153.0
• 申請日: 2020-12-10
• 公開（公告）號: CN112561149A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 張錄軍;楊冬東
• 申請（專利權）人: 江蘇冰象智氣信息技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06F30/28;G06F113/06;G06F113/08;G06F119/06;G06F119/14
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 劉宇波

本發明公開了一種基于動力降尺度數據融合和統計模型的風電功率預測方法，具體包括如下步驟：步驟1、通過區域氣候模式RegCM對NWP的歷史回報風速進行動力降尺度，得到尺度精細風速；步驟2、與歷史觀測資料的對比，確定動力降尺度前后歷史風速數據的可信度權重因子，建立數據融合函數模型；步驟3、根據步驟2建立的數據融合函數模型得到歷史風速，并結合歷史風力發電功率數據，建立類S型曲線模型；步驟4、根據步驟2建立的數據融合函數模型得到預測風速，并結合步驟3建立的類S型曲線模型，對未來發電功率進行預測，本發明通過將動力降尺度數據融合和統計模型結合，避免了數值天氣預報風速的不確定性，使風速與發電功率的對應關系更加準確。

技術領域

本發明屬于風電技術領域，具體涉及基于動力降尺度數據融合和統計模型的風電功率預測方法。

背景技術

隨著全球經濟的快速發展，人們對能源的需求也在逐漸增加。發展可再生綠色能源已成為未來人類能源戰略的必然方向?，F在的風能被認為是燃燒化石能源的一種基本替代品，并開始在我們的日常生活中廣泛使用。然而，對比于化石能源，風能的波動較大。當大規模風電接入電網時，會對電網的安全調度帶來很大的影響。因而風電功率預測對電力系統的可靠性至關重要。

目前風電功率預測方法可分為物理方法和統計方法。

物理方法的原理是利用數值天氣預報(NWP)和風力渦輪機周圍的物理信息來預測風力。例如基于增量自組織神經網絡和探索性數據分析技術的發電物理系統生成方法；或是利用NWP模型和人工神經網絡預測氣象參數。然而，物理方法需要對風電場的氣象知識和物理特性有較為深入的了解，而且針對具體的風電場設計的復雜性非常高。因此，大多數風電場使用統計學習方法來預測風電功率。根據歷史數據和NWP，采用統計學習方法預測風場的風電功率，統計模型通常采用在線測量，為風力預報提供了一種較好的預測方法。應用于風力發電領域的各種預測模型各有優缺點，單一預測模型所獲得的預測性能往往難以達到最佳。結合多個模型的優點，建立組合預測模型，提高預測性能，是風電功率預測研究的一個重要研究方向。

目前這些混合方法可以綜合各方法的優點，建立更準確的預測模型。然而，目前的預測方法大多依賴于單一的NWP，并且我國目前能夠提供的氣象信息的網格分辨率較為粗糙，這就使得我們對預報的風速存在一定的不確定性，從而增加了風電功率預報的不確定性。為此，我們需要通過結合動力降尺度和數據融合技術來提高風速預報的準確性，再耦合到統計模型當中，找出一種預報結果更加可信的風電功率預測方法，以更好地為電力系統安全調度提供有效的指導。

發明內容

本發明的目的在于提供基于動力降尺度數據融合和統計模型的風電功率預測方法，以解決當前在數值天氣預報NWP預測風速時準確度低，耦合物理和統計方法預測風速和電功率對應關系時對應關系不準確等問題。

為實現上述目的，本發明提供如下技術方案：基于動力降尺度數據融合和統計模型的風電功率預測方法，其中，具體包括如下步驟：

步驟1、通過區域氣候模式RegCM對NWP的歷史回報風速進行動力降尺度，得到尺度精細風速；

步驟2、與歷史觀測資料的對比，確定動力降尺度前后歷史風速數據的可信度權重因子，建立數據融合函數模型；

步驟3、根據步驟2建立的數據融合函數模型得到歷史風速，并結合歷史風力發電功率數據，建立類S型曲線模型；

步驟4、根據步驟2建立的數據融合函數模型得到預測風速，并結合步驟3建立的類S型曲線模型，對未來發電功率進行預測。

優選的，所述步驟1中，具體包括如下步驟：

步驟11、收集數值預報NWP輸出的歷史回報風速場、氣溫場、氣壓場及相對濕度場；

步驟12、將NWP輸出場作為區域氣候模式RegCM的輸入場，利用超級計算機對模式進行運行，輸出分辨率更高的風速場；