一种风电场的年发电量预测方法和系统与流程

本发明属于风电场发电量预测领域，尤其是涉及一种风电场的年发电量预测方法和系统。

背景技术：

由于风电具有强烈的时空波动特性，其波动尺度跨越了从次分钟级到小时级、日级、月级、年级、年代级等时间尺度，这些不同尺度的风速波动均会造成发电量的波动，从而影响到电网发用电平衡和调度计划制订。其中，年发电量的波动，形成了所谓的“大/平/小风年”，主要影响的是电网的长期发电计划编制和检修计划，以及影响发电企业对场站发电性能的评估业务等。

目前，风电场年发电量预测方法主要有序列分析方法和资源-电量方法两种，序列分析方法是以历史多年风电、光伏发电量序列数据为输入，采用卡尔曼滤波等时间序列分析方法实现年发电量的预测，资源-电量方法是以年度的风速资源参量(一般来自于气候预报)为输入，通过资源-电量转化模型实现年发电量预测的方法。

然而，第一种方法主要基于历史趋势推演未来，仅适用于平稳的年气候变化特征，对于变化较剧烈的年气候变化，其预测精度受到了限制。第二种方法以气候预测模式输出的风速时间序列为基础，能够克服第一种方法不能预测剧烈变化的缺点，然而气候预测模式具有较大的不确定性，其风速预测的准确率难以适用于实际需求。田群等学者于2019年发表在《energy》上的文章“observedandglobalclimatemodelbasedchangesinwindpowerpotentialoverthenorthernhemisphereduring1979-2016”表明，目前世界上的20余套气候预测模式不能模拟出北半球的历史风速降低趋势，对于未来的风能预测更不可靠。由于气候模式预测的风速是年发电量预测的主要输入要素，从而导致年发电量预测精度低。可以说，目前的年发电量预测亟需发展一套较为可靠的方法。

虽然气候模式的预测风速较不可靠，然而其预测的气温却比风速更为准确，这是因为气温观测数据较风速观测数据更多。拿气候预测模式所需的卫星观测数据来说，卫星可以反演出地面每个位置上的气温数据，却不能反演出地面的风速，因此，预测所需的气温观测数据异常丰富，然而风速观测数据却非常稀缺，因此导致了气候预测模式的气温预测准、风速预测不准的情况。

技术实现要素：

为克服上述现有技术的不足，本发明提出一种风电场的年发电量预测方法，包括：

获取风电场目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量；

将所述目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量代入预先建立的发电量预测模型，进行计算得到风电场目标年的年发电量；

其中，所述发电量预测模型是基于南北纬气温梯度和年发电量的关系建立的。

优选的，所述发电量预测模型的建立，包括：

基于南北纬气温梯度与年平均风速间的对应关系构建南北纬气温梯度－年平均风速间的关系模型；

基于年平均风速与年发电量间的对应关系构建年平均风速－年发电量的关系模型；

结合所述南北纬气温梯度－年平均风速间的关系模型和年平均风速－年发电量的关系模型，得到南北纬气温梯度－年发电量的关系模型；

将目标年的南北纬气温梯度－年发电量的关系模型与参考年的南北纬气温梯度－年发电量的关系模型相除，并将相除结果转换为关于目标年的年发电量的函数，得到发电量预测模型。

优选的，所述发电量预测模型的计算式如下：

其中，pyear表示风电场目标年的年发电量；pm表示风电场参考年历史年发电量；h表示风电场轮毂高度距地面高度；β表示高度为h处的权重数值；a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重；a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重；σh表示高度为h处的年风速标准差，γ(·)表示伽马函数；ty,year表示风电场目标年的南北纬向气温梯度；ty,m表示风电场参考年历史南北纬向气温梯度。

优选的，所述南北纬气温梯度－年平均风速间的关系模型的计算式如下：

uh＝a1a2ty

其中，h表示风电场轮毂高度距地面高度，uh表示高度为h处的年平均风速，ty表示南北纬向气温梯度，a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重。

优选的，所述年平均风速－年发电量的关系模型的计算式如下：

其中，p表示风电场年发电量，h表示风电场轮毂高度距地面高度，a3表示风电场年发电量和风电场所在地的高度为h的风功率密度间的线性权重，表示平均空气密度，γ(·)表示伽马函数，σh表示高度为h处的年风速标准差，uh表示高度为h处的年平均风速。

优选的，所述南北纬气温梯度－年发电量的关系模型的计算式如下：

其中，p表示风电场年发电量，h表示风电场轮毂高度距地面高度，ty表示南北纬向气温梯度，a1表示根自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重，a3表示风电场年发电量和风电场所在地的高度为h的风功率密度间的线性权重，表示平均空气密度，γ(·)表示伽马函数，σh表示高度为h处的年风速标准差。

基于同一发明构思，本发明还提供了一种风电场的年发电量预测系统，包括：获取模块和计算模块；

所述获取模块，用于获取风电场目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量；

所述计算模块，用于将所述目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量代入预先建立的发电量预测模型，进行计算得到风电场目标年的年发电量；

其中，所述发电量预测模型是基于南北纬气温梯度和年发电量的关系建立的。

优选的，所述发电量预测模型的建立，包括：

基于南北纬气温梯度与年平均风速间的对应关系构建南北纬气温梯度－年平均风速间的关系模型；

基于年平均风速与年发电量间的对应关系构建年平均风速－年发电量的关系模型；

结合所述南北纬气温梯度－年平均风速间的关系模型和年平均风速－年发电量的关系模型，得到南北纬气温梯度－年发电量的关系模型；

将目标年的南北纬气温梯度－年发电量的关系模型与参考年的南北纬气温梯度－年发电量的关系模型相除，并将相除结果转换为关于目标年的年发电量的函数，得到发电量预测模型。

优选的，所述发电量预测模型的计算式如下：

其中，pyear表示风电场目标年的年发电量；pm表示风电场参考年历史年发电量；h表示风电场轮毂高度距地面高度；β表示高度为h处的权重数值；a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重；σh表示高度为h处的年风速标准差，γ(·)表示伽马函数；ty,year表示风电场目标年的南北纬向气温梯度；ty,m表示风电场参考年历史南北纬向气温梯度。

优选的，所述南北纬气温梯度－年平均风速间的关系模型的计算式如下：

uh＝a1a2ty

其中，h表示风电场轮毂高度距地面高度，uh表示高度为h处的年平均风速，ty表示南北纬向气温梯度，a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重。

与最接近的现有技术相比，本发明具有的有益效果如下：

本发明实现了一种风电场的年发电量预测方法和系统，包括：获取风电场目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量；将所述目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量代入预先建立的发电量预测模型，进行计算得到风电场目标年的年发电量；其中，所述发电量预测模型是基于南北纬气温梯度和年发电量的关系建立的；本发明针对目前风电场年发电量精度不足的问题，放弃使用气候预测模式提供的预测风速，转而利用作为风资源驱动力的南北纬温度梯度，构建南北纬气温梯度－年发电量间的关系模型，对于变化较剧烈的年气候变化预测精度不受限制，提升了年发电量的预测准确性。

附图说明

图1为本发明提供的一种风电场的年发电量预测方法流程示意图；

图2为本发明实施例中技术流程示意图；

图3为本发明提供的一种风电场的年发电量预测系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例,对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。

实施例1：

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

如图1所示,本发明实施例的一种风电场的年发电量预测方法，如图1所示，包括：

步骤一：获取风电场目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量；

步骤二：将所述目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量代入预先建立的发电量预测模型，进行计算得到风电场目标年的年发电量；

其中，所述发电量预测模型是基于南北纬气温梯度和年发电量的关系建立的。

发电量预测模型的构建过程如下方所示：

(1)构建南北纬气温梯度－年平均风速间的关系模型

1-1)设北极-赤道间的南北纬向气温梯度ty，根据大气静力地转风关系，(我国所在大部分地区的中纬度)高空1km左右的自由大气年平均风速ug同南北纬向气温梯度ty呈线性相关关系，假设a1是二者间的线性权重，因此有

ug＝a1ty

1-2)根据高空和地面的风速对数廓线关系，地面h高度下(风电场轮毂高度风)的年平均风速uh同ug间呈线性相关关系，假设a2是二者间的线性权重：

uh＝a2ug

最后得到南北纬气温梯度－年平均风速间的关系模型：

uh＝a1a2ty

其中，h表示风电场轮毂高度距地面高度，uh表示高度为h处的年平均风速，ty表示南北纬向气温梯度，a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重。

(2)构建年平均风速－年发电量的关系模型

2-1)设风电场年发电量p同本地的h高度风功率密度w间存在线性相关，其线性权重系数为a3：

p＝a3w

2-2)利用风功率密度w同风速weibull分布参数k、c(k、c分别为weibull分布的形状参数和尺度参数)间的关系：

其中为平均空气密度，为风速v的立方平均，γ代表伽马函数，k、c按照下式进行估计：

式中，σh为年风速标准差(可假设在年尺度下，σh为一个常数)。由上述公式可得风电场年发电量p同年平均风速uh间的关系，并利用γ(1+x)＝xγ(x)的运算性质，得到：

其中，p表示风电场年发电量，h表示风电场轮毂高度距地面高度，ty表示南北纬向气温梯度，a1表示根自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重，a3表示风电场年发电量和风电场所在地的高度为h的风功率密度间的线性权重，表示平均空气密度，γ(·)表示伽马函数，σh表示高度为h处的年风速标准差。

(3)构建南北纬气温梯度－年发电量的关系模型和发电量预测模型

3-1)根据上述公式，得到南北纬气温梯度－年发电量的关系模型：

其中，p表示风电场年发电量可令在年平均意义上，α表示高度为h处的第一权重数值，α、β均可视为常数，β表示高度为h处的第二权重数值；a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重；a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重；a3表示风电场年发电量和风电场所在地的高度为h的风功率密度间的线性权重，表示平均空气密度，σh表示高度为h处的年风速标准差，h表示风电场轮毂高度距地面高度，ty表示南北纬向气温梯度，并且可以通过实际数据拟合得到。简化后最终得到南北纬气温梯度－年发电量的关系模型：

3-2)将目标年的南北纬气温梯度－年发电量的关系模型与参考年的南北纬气温梯度－年发电量的关系模型相除，并将相除结果转换为关于目标年的年发电量的函数，得到发电量预测模型。具体计算式如下：

根据该公式，目标年发电量pyear仅同当年的南北纬气温梯度ty,year、参考年的ty,m以及常数β有关，其中常数β可以通过实际数据进行拟合，ty,year和ty,m可以通过气候预测模式得到，最终得到目标年发电量pyear。

其中，pyear表示风电场目标年的年发电量；pm表示风电场参考年历史年发电量；h表示风电场轮毂高度距地面高度；β表示高度为h处的权重数值；a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重；a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重；σh表示高度为h处的年风速标准差，γ(·)表示伽马函数；ty,year表示风电场目标年的南北纬向气温梯度；ty,m表示风电场参考年历史南北纬向气温梯度。

本发明输入目标年的南北纬气温梯度预测值，并基于目标风电场参考年的历史年发电量和风电场参考年历史南北纬气温梯度，实现目标年、目标风电场的年发电量预测。

实施例2：

在现有的气候模式下可以准确地模拟出作为风资源驱动力的南北纬温度梯度变化趋势，并且，北极-赤道间的气温梯度年变化同我国年平均风速的相关系数具有很高的相关性，从而为我们提供了思路：构建南北纬气温梯度-年平均风速-年发电量间的关系模型，以得到更为准确的未来年发电量。

本发明实施例如图2所示，由3个步骤组成：

(1)构建南北纬气温梯度－年平均风速间的关系模型

1)设北极-赤道间的南北纬向气温梯度ty，根据大气静力地转风关系，(我国所在大部分地区的中纬度)高空1km左右的自由大气年平均风速ug同南北纬向气温梯度ty呈线性相关关系，假设a1是二者间的线性权重，因此有

ug＝a1ty(1)

2)根据高空和地面的风速对数廓线关系，本发明以地面70m高度为例(这里的地面高度包括但不只限于70m，本发明只是提供一个最优实施例)，得到(风电场轮毂高度风)的年平均风速u70同ug间呈线性相关关系，假设a2是二者间的线性权重：

u70＝a2ug(2)

最后得到南北纬气温梯度ty－年平均风速u70间的关系模型：

u70＝a1a2ty(3)

(2)构建年平均风速－年发电量的关系模型

1)设风电场年发电量p同本地的70m高度风功率密度w间存在线性相关，其线性权重系数为a3：

p＝a3w(4)

2)利用风功率密度w同风速weibull分布参数k、c(k、c分别为weibull分布的形状参数和尺度参数)间的关系：

其中为平均空气密度，为风速v的立方平均，γ代表伽马函数，k、c按照下式进行估计：

式中，σ70为年风速标准差(可假设在年尺度下，σ70为一个常数)。由(4)、(5)、(6)可得风电场年发电量p同年平均风速u70间的关系，并利用γ(1+x)＝xγ(x)的运算性质，得到：

(3)构建南北纬气温梯度－年发电量的关系模型，输入目标年的南北纬气温梯度预测值，并基于目标风电场参考年的历史年发电量，实现目标年、目标风电场的年发电量预测。

1)将(3)式代入(7)中，得到南北纬气温梯度－年平均风速－年发电量的关系模型：

可令在年平均意义上，α、β均可视为常数，并且可以通过实际数据拟合得到。最后得到南北纬气温梯度－年平均风速－年发电量的关系模型：

2)设目标风电场参考年2018年的实际年平均发电量为p2018(这里描述的风电场参考年也只是本发明最优的一个实施例而已，所以参考年包括但不限于本实施例)，当年的南北纬气温梯度为ty，2018，则目标年year的发电量pyear为

根据该公式，目标年发电量pyear仅同当年的南北纬气温梯度ty,year、参考年的ty,2018以及常数β有关，其中常数β可以通过实际数据进行拟合，ty,year和ty,2018可以通过气候预测模式得到，最终得到目标年发电量pyear。

本发明针对目前风电场年发电量精度不足的问题，放弃使用气候预测模式提供的预测风速，转而利用作为风资源驱动力的南北纬温度梯度，构建南北纬气温梯度－年发电量间的关系模型，其特点在于利用了准确性较高的气温预测结果，以提升年发电量的预测准确性。本发明克服了现有技术中不能模拟出北半球的历史风速降低趋势，对于未来的风能预测不可靠等问题。采用年平均风速－年发电量的关系模型提高了年发电量预测精度，并考虑到了气温观测数据异常丰富，然而风速观测数据却非常稀缺的问题，利用气候预测模式的预测南北纬气温梯度，保证气温预测的准确性。

实施例3：

基于同一发明构思，本发明还提供了一种风电场的年发电量预测系统，如图3所示，包括：获取模块和计算模块；

所述获取模块，用于获取风电场目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量；

所述计算模块，用于将所述目标年的南北纬气温梯度、风电场参考年历史南北纬气温梯度和风电场参考年历史年发电量代入预先建立的发电量预测模型，进行计算得到风电场目标年的年发电量；

其中，所述发电量预测模型是基于南北纬气温梯度和年发电量的关系建立的。

所述发电量预测模型的建立，包括：

基于南北纬气温梯度与年平均风速间的对应关系构建南北纬气温梯度－年平均风速间的关系模型；

基于年平均风速与年发电量间的对应关系构建年平均风速－年发电量的关系模型；

结合所述南北纬气温梯度－年平均风速间的关系模型和年平均风速－年发电量的关系模型，得到南北纬气温梯度－年发电量的关系模型；

将目标年的南北纬气温梯度－年发电量的关系模型与参考年的南北纬气温梯度－年发电量的关系模型相除，并将相除结果转换为关于目标年的年发电量的函数，得到发电量预测模型。

所述发电量预测模型的计算式如下：

其中，pyear表示风电场目标年的年发电量；pm表示风电场参考年历史年发电量；h表示风电场轮毂高度距地面高度；β表示高度为h处的权重数值；a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重；σh表示高度为h处的年风速标准差，γ(·)表示伽马函数；ty,year表示风电场目标年的南北纬向气温梯度；ty,m表示风电场参考年历史南北纬向气温梯度。

所述南北纬气温梯度－年平均风速间的关系模型的计算式如下：

uh＝a1a2ty

其中，h表示风电场轮毂高度距地面高度，uh表示高度为h处的年平均风速，ty表示南北纬向气温梯度，a1表示自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重。

所述年平均风速－年发电量的关系模型的计算式如下：

其中，p表示风电场年发电量，h表示风电场轮毂高度距地面高度，a3表示风电场年发电量和风电场所在地的高度为h的风功率密度间的线性权重，表示平均空气密度，γ(·)表示伽马函数，σh表示高度为h处的年风速标准差，uh表示高度为h处的年平均风速。

所述南北纬气温梯度－年发电量的关系模型的计算式如下：

其中，p表示风电场年发电量，h表示风电场轮毂高度距地面高度，ty表示南北纬向气温梯度，a1表示根自由大气年平均风速和南北纬向气温梯度间的线性权重，a2表示高度为h处的年平均风速和自由大气年平均风速间的线性权重，a3表示风电场年发电量和风电场所在地的高度为h的风功率密度间的线性权重，表示平均空气密度，γ(·)表示伽马函数，σh表示高度为h处的年风速标准差。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。