一种组合式短期风电功率预测系统及方法
【技术领域】
[0001] 本发明涉及风电功率预测领域，更具体地说，是涉及一种组合式短期风电功率预 测系统及方法。
【背景技术】
[0002] 近年来，风力发电的发展越来越迅速。据中国循环经济协会可再生能源专业委员 会（CREIA)的《中国风电发展报告2014》统计，全国风电装机容量已经增加到91413丽。随 着风力发电的迅速发展，并网成为充分利用风电的研究热点，由于风电的输出功率依赖于 风速，对于风速的波动性、间歇性和随机性，势必会对电网的稳定性带来严重冲击，且会影 响电网的电能质量，所以准确的风电功率短期预测尤为重要。
[0003] 经对现有技术文献的检索发现，中国专利申请号为：201410155445. 7,名称为一种 风电功率预测组合方法和系统，该申请提出通过时间序列法和BP人工神经网络法进行预 测，然后利用得到的预测结果再建立新的预测模型，最终得到了风电功率的预测值，但该系 统单纯利用统计预测模块，也没有精确的误差修正系统，预测精度并不能满足当前更高的 需求。因此，如何解决上述的问题，为亟待解决的问题。
【发明内容】
[0004] 本发明的目的在于提供一种组合式短期风电功率预测系统。
[0005] 本发明的另一目的是提供一种可配合上述系统的组合式短期风电功率预测方法。 本发明能够通过建立基于数值天气预报的短期风电功率预测系统，利用最小方差组合法将 物理预测模块和统计预测模块进行组合预测，大大提高了预测精度，且具有简单实用、响应 迅速的优点，有利于风电功率预测的发展。
[0006] 为实现上述的目的，本发明的一种组合式短期风电功率预测系统，其包括：气象应 用决策支持模块，获取历史风电功率数据、数值天气预报数据、实时上网数据和风塔气象台 数据；风电功率组合预测模块，连接于气象应用决策支持模块，由预测模型库和预测算法库 组成，预测模型库内设有物理预测模块和统计预测模块，所述物理预测模块和统计预测模 块分别与算法库连接，算法库将分别从物理预测模块和统计预测模块获取的预测值进行组 合以预测未来72小时的风电功率；功率预测修正模块，连接于风电功率组合预测模块和气 象应用决策支持模块，根据从气象应用决策支持模块获取的风电功率历史数据，对风电功 率组合预测模块获取的预测结果进行修正；实时通信模块，连接于功率预测修正模块，将功 率预测修正模块获取的修正结果实时传输到控制中心。
[0007] 本发明的系统通过气象应用决策支持模块、风电功率组合预测模块、功率预测修 正模块和实时通信模块组成整个预测系统，通过功率预测修正模块分别连接风电功率组合 预测模块和气象应用决策支持模块，能够根据从气象应用决策支持模块获取的风电功率历 史数据，对风电功率组合预测模块获取的预测结果进行修正，使预测误差减小，能够满足系 统预测精度的高要求。
[0008] 为实现上述的目的，本发明的一种组合式短期风电功率预测方法，其包括以下步 骤： ① 获取历史风电功率数据、数值天气预报数据、实时上网数据和风塔气象台数据； ② 根据步骤一获取的数据，采用方差最小组合预测法将物理预测模块和统计预测模块 进行组合预测，得出风电功率预测值； ③ 根据步骤一获取的数据，对风电功率预测值进行误差分析，对误差修正得出最终风 电功率预测值。
[0009] 进一步改进方案，上述的组合式短期风电功率预测方法，物理预测模块的预测步 骤包括：步骤一：通过风速高度变换模型、风速空间变换模型和Jensen模型求得风电场对 应风机轮毂上风速；步骤二：结合步骤一获取的数据，以风速-功率曲线得出风电功率预测 值。
[0010] 上述的物理预测模块的预测步骤，步骤二中所述的Jensen模型在尾流影响下，同 一风向上，距离上风向风机为X的风机实际风速表达式如下：
其中，表示未经过风机的自然风速，轉'表示风电机组的推力系数，K为尾流下降系 数，X为同一风向上，待求风机与上风向风机间的距离，R为待求风机风轮叶片半径。
[0011] 上述的物理预测模块的预测步骤，所述的风速高度变换模型为采用距离反比法进 行空间插值的数学模型，该数学模型为：
其中，表示X处的风速插值，:·_则表示原空间Xi#风速。
其中叾取欧几里得距离。
[0012] 上述的物理预测模块的预测步骤，所述的风速空间变换模型为采用风垂直切边幂 律的数学模型，该数学模型为：
其中，，为第i台风机对应高度风速值，％和％为测风塔数据中已知高度和该高度下对 应风速，％为第i台风机风机高度Μ为风切变指数。
[0013] 进一步改进方案，上述的组合式短期风电功率预测方法，所述统计预测模块的预 测步骤包括：步骤一：用ΒΡ神经网络计算每个输入变量的应用平均影响值，并对其数值进 行排序用于筛选出显著影响的输入项；步骤二：利用相似样本聚类分析方法，以适应统计 预测模型在对样本变化较大预测误差较大的情况步骤三：采用遗传算法对神经网络每层的 初始权值及阈值进行优化，达到全局寻优。
[0014] 更进一步改进方案，上述的组合式短期风电功率预测方法，步骤二中采用方差最 小组合预测法将物理预测模块和统计预测模块进行组合预测，对j时刻功率值进行预测， 第i个模型的预测结果为在j时刻真实功率值为;_，第i个模型的权重系数为獲，则 需要满足如下约束条件：
在第j个时刻，功率预测值为：
在第j个时刻，功率预测的误差为：
设样本个数为n，方差最小组合预测法的目标函数及约束条件最优化表达如下式所 示：
其中，Sj代表风向仪上的风速转化到风机叶片上的风速，j代表j时刻的δ。Z为目 标函数，代表风机叶片上的风速S平方和的最小值。
[0015] 上述的组合式短期风电功率预测方法，所述的目标函数展开如下式：
其中，:1:为j时刻第i个模型的预测结果，在j时刻真实功率值为fc，_为j时刻第 i个模型的风向仪上的风速转化到风机叶片上的风速，:?为第i个模型的权重系数。
[0016] 上述的组合式短期风电功率预测方法，、方差最小组合预测中?个时刻不停更新， 随着预测时刻的进行，对进行不停动态更新。
[0017] 本发明的方法采用方差最小组合预测法将物理预测模块和统计预测模块进行组 合预测，采用遗传算法优化神经网络初始值，动态更新权重系数，并对权重系数进行约束， 选取出合理的权重系数有利于提高模型的性能，降低预测误差；同时能够有效综合物理预 测模块与统计预测模块单一的优势，大大提高了预测精度；本发明还具有简单实用、响应迅 速的优点，有利于风电功率预测的发展。
【附图说明】
[0018] 下面将结合附图中的具体实施例对本发明作进一步详细说明，但不构成对本发明 的任何限制。
[0019] 图1为本发明系统的结构示意图； 图2为本发明方法的流程图； 图3为本发明物理预测模块的预测流程图； 图4为本发明统计预测模块的预测流程图； 图5为本发明最小方差组合预测曲线图。
【具体实施方式】
[0020] 如图1所示，一种组合式短期风电功率预测系统，其包括能够获取历史风电功率 数据、数值天气预报数据、实时上网数据和风塔气象台数据的气象应用决策支持模块；风电 功率组合预测模块，连接于气象应用决策支持模块，由预测模型库和预测算法库组成，预测 模型库内设有物理预测模块和统计预测模块，所述物理预测模块和统计预测模块分别与算 法库连接，算法库将分别从物理预测模块和统计预测模块获取的预测值进行组合以预测未 来72小时的风电功率；功率预测修正模块，连接于风电功率组合预测模块和气象应用决策 支持模块，根据从气象应用决策支持模块获取的风电功率历史数据，对风电功率组合预测 模块获取的预测结果进行修正；实时通信模块，连接于功率预测修正模块，将功率预测修正 模块获取的修正结果实时传输到控制中心。
[0021] 如图2所示，一种组合式短期风电功率预测方法，其包括以下步骤：首先，获取历 史风电功率数据、数值天气预报数据、实时上网数据和风塔气象台数据；其次，根据步骤一 获取的数据，采用方差最小组合预测法将物理预测模块和统计预测模块进行组合预测，得 出风电功率预测值；最后，根据实时上网数据与预测数据，对风电功率预测值进行误差分 析，对误差修正得出最终风电功率预测值。
[0022] 如图3所示，物理预测模块的预测步骤包括：步骤一：通过风速高度变换模型、风 速空间变换模型和Jensen模型求得风电场对应风机轮毂上风速；步骤二：结合步骤一获取 的数据，以风速-功率曲线得出风电功率预测值。而在物理预测模块的预测步骤中，风速高 度变换模型、风速空间变换模型和Jensen模型如下： 风速高度变换模型
其中，#賴表示X处的风速插值，则表示原空间xi处风速。:务为·^:··^·!-其中:?.取欧 几里得距离； 风速空间变换模型
其中，％为第i台风机对应高度风速值，％和馬为测风塔数据中已知高度和该高度下对 应风速，&为第i台风机风机高度_为风切变指数。
[0023]Jensen模型在尾流影响下，同一风向上，距离上风向风机为X的风机实际风速表 达式如下：
其中，懸表示未经过风机的自然风速，:?表示风电机组的推力系数，K为尾流下降系 数，X为同一风向上，待求风机与上风向风机间的距离，R为待求风机风轮叶片半径。
[0024]通过Jensen模型，得到风速的实际数值，根据每个风机自身的风速-功率曲线，风 速功率曲线一般是：风速小于风机的切入风速时，风机停机，功率为〇,风速大于切入风速， 小于切出风速时，有些风机功率是