风力发电场风能预测方法和设备与流程

本发明涉及一种风力发电场风能预测方法和设备。更具体地讲，涉及一种使用人工神经网络的风力发电场短期风能预测方法和设备。

背景技术：

尽管风力发电的环境效益显着，但是风速的连续和混乱的波动使得风力发电场的输出功率完全随机。因此，这种发电机的输出功率的评估总是与一些不确定性有关。由于这种不确定性，将大量风能连接到电力系统中可能会带来巨大的挑战。然而，这个挑战并不是无法克服的。为了增加风能的经济效益和可接受性，并减少由于对风能的高估或低估而导致的来自现货市场的惩罚，需要对风能以及风速进行准确预测。

如今，已经开发出几种预测风能和风速的方法。基于所使用的预测模型，现有方法可被归纳为统计法、物理法和时间序列建模法。这些常规的预测模型具有3-6小时之间的范围的预测能力。

然而，为了克服将大量风能连接到电力系统中可能会带来的挑战，仅对未来3-6小时的风能进行准确预测是远远不够的。因此存在对未来至少24小时的风能进行精确预测的短期风能预测技术的需求。

技术实现要素：

根据示例性实施例的一个方面，提供一种风力发电场风能预测方法，所述风力发电场风能预测方法包括：获取第一数据和第二数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据；将第一数据作为用于预测风能数据的人工神经网络的输入变量并将第二数据作为所述人工神经网络的目标变量，来训练所述人工神经网络；获取第三数据，其中，第三数据包括预测的风速数据；通过将第三数据输入到经过训练的所述人工神经网络，来获得预测的风能数据。

所述人工神经网络是前馈反向传播神经网络，其具有多个相互连接的层的前馈网络，所述层包括输入层、多个隐藏层和输出层；其中，输入层包括用于描述一个或者多个输入变量的输入神经元，隐藏层包含多个隐藏神经元，输出层包括用于描述输出变量的输出神经元。

所述前馈反向传播神经网络包括前向路径和修正路径；所述前向路径从输入层的输入神经元开始，依次经过每个隐藏层的隐藏神经元，到达输出层的输出神经元；所述前向路径用于根据在线监测控制和数据采集系统监测的第一数据设置每个输入神经元，依次计算每个隐藏层的隐藏神经元的数值，以及计算输出神经元；该输出神经元表示历史风能数据；所述修正路径从输出层的输出神经元开始，反向依次经过每个隐藏层的隐藏神经元；所述修正路径用于调整各层神经元的连接权重值，以构建新的前向路径。

第一数据可包括第一时间范围内的具有第一时间间隔的多条数据，第二数据可包括第二时间范围内的具有第二时间间隔的多条数据，第三数据可包括第三时间范围内的具有第三时间间隔的多条数据。

第一时间间隔、第二时间间隔和第三时间间隔均可为10分钟。

第一时间范围和第二时间范围均可为至少过去1年，第三时间范围可为至少未来24小时。

第一数据还可包括历史温度数据、历史风向数据和历史湿度数据中的至少一个，第三数据还可包括预测的温度数据、预测的风向数据和预测的湿度数据中的至少一个。

第一数据和第二数据可以是来自在线监测控制和数据采集系统的历史数据。

第三数据可以是通过使用数值天气预报模型预测的数据，其中，所述数值天气预报模型用于确定在风力发电机轮毂高度处的风速。

根据示例性实施例的另一方面，提供一种风力发电场风能预测设备，所述风能预测设备包括：获取单元，其用于获取第一数据、第二数据和第三数据，其中，第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据，第三数据包括预测的风速数据；训练单元，其用于将第一数据作为用于预测风能数据的人工神经网络的输入变量并将第二数据作为所述人工神经网络的目标变量，来训练所述人工神经网络；预测单元，其用于通过将第三数据输入到经过训练的所述人工神经网络，来获得预测的风能数据。

所述人工神经网络是前馈反向传播神经网络，其具有多个相互连接的层的前馈网络，所述层包括输入层、多个隐藏层和输出层；其中，输入层包括用于描述一个或者多个输入变量的输入神经元，隐藏层包含多个隐藏神经元，输出层包括用于描述输出变量的输出神经元。

所述前馈反向传播神经网络包括前向路径和修正路径；所述前向路径从输入层的输入神经元开始，依次经过每个隐藏层的隐藏神经元，到达输出层的输出神经元；所述前向路径用于根据在线监测控制和数据采集系统监测的第一数据设置每个输入神经元，依次计算每个隐藏层的隐藏神经元的数值，以及计算输出神经元；该输出神经元表示历史风能数据；所述修正路径从输出层的输出神经元开始，反向依次经过每个隐藏层的隐藏神经元；所述修正路径用于调整各层神经元的连接权重值，以构建新的前向路径。

第一数据可包括第一时间范围内的具有第一时间间隔的多条数据，第二数据可包括第二时间范围内的具有第二时间间隔的多条数据，第三数据可包括第三时间范围内的具有第三时间间隔的多条数据。

第一时间间隔、第二时间间隔和第三时间间隔均可为10分钟。

第一时间范围和第二时间范围均可为至少过去1年，第三时间范围可为至少未来24小时。

第一数据还可包括历史温度数据、历史风向数据和历史湿度数据中的至少一个，第三数据还可包括预测的温度数据、预测的风向数据和预测的湿度数据中的至少一个。

第一数据和第二数据可以是来自在线监测控制和数据采集系统的历史数据。

第三数据可以是通过使用数值天气预报模型预测的数据，其中，所述数值天气预报模型用于确定在风力发电机轮毂高度处的风速。

根据示例性实施例的另一方面，提供一种计算机可读存储介质，存储有程序，所述程序可执行根据本发明的风力发电场风能预测方法。

根据示例性实施例的另一方面，提供一种计算机，包括存储有计算机程序的可读介质，所述计算机程序可执行根据本发明的风力发电场风能预测方法。

通过使用本发明提供的风力发电场风能预测方法和设备，可预测更长时间范围的风能数据，并且预测的结果可具有更高的鲁棒性和准确性。

其他特征和方面从下面的具体实施方式、附图和权利要求将是清楚的。

附图说明

从以下结合附图对示例实施例进行的描述，这些和/或其他方面将变得明显和更容易理解，其中：

图1是示出根据本发明的示例性实施例的风能预测设备的框图；

图2是示出根据本发明的示例性实施例的风力发电场风能预测方法的流程图；

图3是示出根据本发明的示例性实施例的人工神经网络的原理图；

图4是示出根据本发明的示例性实施例的人工神经网络向前路径和修正路径的原理图；

图5是根据本发明的示例性实施例的使用如图1和图2中的风力发电场风能预测设备和方法进行模拟的试验数据的示图。

具体实施方式

在下文中，将参照附图详细描述一些示例实施例。关于分配给附图中的元件的参考标号，应注意，在任何可能的情况下，即使相同的元件在不同的附图中被示出，相同元件也将由相同的参考标号表示。此外，在实施例的描述中，当认为与公知相关的结构或功能的详细描述将导致本公开的解释模糊时，将省略与公知相关的结构或功能的详细描述。

此外，这里可使用诸如第一、第二、a、b、(a)、(b)等术语来描述组件。这些术语中的每个术语不用于限定相应组件的本质、顺序或次序，而仅用于将相应组件与其它组件进行区分。在此使用的术语仅用于描述具体实施例的目的，不意在限制。除非上下文另外明确地指示，否则如在此使用的单数形式也意在包括复数形式。还将理解，当在此使用时，术语“包括”和/或“包含”指定存在叙述的特征、整体、步骤、操作、元件和/或组件，但是不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或它们的组。

还应注意，在一些可选择的实施例中，提出的功能/动作可不按附图中示出的顺序发生。例如，连续示出的两个附图实际上可基本同时执行或有时可以以相反的顺序执行，这取决于所包含的功能/动作。

上面已描述了一些示例实施例。然而，应理解，可对这些示例实施例做出各种修改。例如，如果描述的技术以不同的顺序被执行，和/或如果描述的系统、构架、装置或电路中的组件以不同的方式被组合和/或被其他组件或他们的等同物替换或补充，则可获得合适的结果。因此，其他实施例在权利要求的范围内。

图1是示出根据本发明的示例性实施例的风能预测设备100的框图。

风能预测设备100可用于预测风能发电场在未来几天内的发电功率。根据示例性实施例，风能预测设备100包括：获取单元110、训练单元120和预测单元130。

获取单元110为风能预测设备100获取所需的数据。获取单元110用于获取第一数据、第二数据和第三数据。其中，第一数据和第二数据均为历史数据，第三数据为预测的数据。根据示例性实施例，第一数据可包括历史风速数据，第二数据可包括历史风能数据，并且第二数据与第一数据是相对应的。例如，第一数据可以为历史某一时间点的实际风速数据，则第二数据可以为该历史时间点的实际风能数据。此外，第三数据可包括预测的风速数据。例如，第三数据可为预测的未来的风速数据。

在示例性实施例中，第一数据和第二数据可以是来自在线监测控制和数据采集(supervisorycontrolanddataacquisition，scada)系统的历史数据。在线scada系统提供风速和输出功率以及发电机可用性的综合记录，其可作为短期风力发电预测的基础。

第三数据(即，预测的风速数据)的精确程度对风能预测的影响是不可忽略的。获得风力数据有几种方法：观测、数据挖掘和数值天气模拟。获得风力数据的最直接和可靠的方法是通过现场观察。然而，它们通常无法提供预测值。数据挖掘较为灵活，但是其降低天气数据规模的能力有限。数值天气预报(numericalweatherprediction，nwp)模型使用能量方程的物理守恒，这样允许更现实的数据规模缩减。实际上，风力的高分辨率nwp对风能预测起到关键作用。

在示例性实施例中，第三数据可以是通过使用nwp模型预测的数据。nwp是指根据大气实际情况，在一定的初值和边界条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。在本发明构思中，利用距离地面10米处的气象数据，结合诸如对数律和风剪切力法等外推方法对气象数据进行预处理，得到在风力发电机轮毂高度处的风速(即，第三数据)。由于各种型号的风力发电机组的轮毂距离地面的高度不同，采用nwp模型能够预测每台机组轮毂位置(例如，70米高度、80米高度等)的风速。

第一数据、第二数据和第三数据均可包括一定时间范围的具有一定时间间隔的多条数据。具体地说，第一数据可包括第一时间范围内的具有第一时间间隔的多条数据，第二数据可包括第二时间范围内的具有第二时间间隔的多条数据，第三数据可包括第三时间范围内的具有第三时间间隔的多条数据。

具体地说，因为第二数据与第一数据是相对应的，所以第二时间范围可等于第一时间范围，第二时间间隔可等于第一时间间隔。例如，第一时间范围和第二时间范围可均为至少过去1年，第一时间间隔和第二时间间隔可均为10分钟。

因此，根据本发明的实施例，第一数据可以是至少过去1年的以10分钟为间隔的多条风速数据，第二数据可以是至少过去1年的以10分钟为间隔的多条风能数据。

此外，第三时间范围可小于第一时间范围和/或第二时间范围。例如，在示例性实施例中，第一时间范围和第二时间范围均为至少过去1年，第三时间范围为至少未来24小时。第三时间间隔可等于第一时间间隔和/或第二时间间隔，例如，在示例性实施例中，第一时间间隔、第二时间间隔和第三时间间隔均为10分钟。因此，根据本发明的示例性实施例，第三数据可以是至少未来24小时的以10分钟为间隔的多条预测的风速数据。但是根据另一示例性实施例，第三时间间隔可不等于第一时间间隔和/或第二时间间隔。例如，第一时间间隔和第二时间间隔均为10分钟，第三时间间隔为5分钟。然而，本领域技术人员应理解，第一时间间隔、第二时间间隔和第三时间间隔，以及第一时间范围、第二时间范围和第三时间范围可不限于这些示例。

除风速数据外，第一数据和第三数据还可包括温度数据、风向数据和湿度数据中的至少一个。第三数据的类型应当与第一数据所采用的类型相应。例如，当第一数据包括历史风速数据时，第三数据可包括预测的风速数据。当第一数据包括历史风速数据和历史温度数据时，第三数据可包括预测的风速数据和预测的温度数据。当第一数据包括历史风速数据、历史温度数据和历史风向数据时，第三数据可包括预测的风速数据、预测的温度数据和预测的风向数据。当第一数据包括历史风速数据、历史温度数据、历史风向数据和历史湿度数据时，第三数据可包括预测的风速数据、预测的温度数据、预测的风向数据和预测的湿度数据。

训练单元120训练用于预测风能数据的人工神经网络(artificialneuralnetworks，ann)。具体地说，训练单元120可通过将第一数据作为用于预测风能数据的ann的输入变量并将第二数据作为ann的目标变量，来训练ann，以获得第一数据与第二数据的映射关系。

例如，第一数据为从在线scada系统获得的多条实际历史风速数据，第二数据为从在线scada系统获得的多条实际历史风能数据，通过将实际历史风速数据作为ann的输入变量，将与该实际历史风速数据在时间点上相应的实际历史风能数据作为ann的目标变量，来训练风速数据与风能数据的关系，并通过对多条数据进行迭代训练，可最终获得风速数据与风能数据之间的映射关系。

这里，ann是一种强大的数据建模工具，能够捕获和表示复杂的输入/输出关系。ann由大量高度互联的神经元组成，这些神经元一致工作以解决具体问题。

如图3所示，ann是具有多个相互连接的层的前馈网络，这些层包括输入层、多个隐藏层和输出层。其中，输入层包括用于描述一个或者多个输入变量的输入神经元x，隐藏层包含多个隐藏神经元h，输出层包括用于描述输出变量的输出神经元y。

ann的输入神经元xj与输出神经元yi之间的关系由等式1给出：

【等式1】

其中，xj是第j个输入神经元，yi是第i个输出神经元，wij是输入神经元xi和与其连接的输出神经元yi之间的连接权重，n为输入神经元的数量，bi是第i个输出神经元的偏差，fi是确定神经网络的性质的激活函数。

ann的均方误差(meansquareerror，mse)通过等式2定义：

【等式2】

其中，tp是第p组训练样本的目标值，yp是在第p组训练样本的网络输出预测值，n是训练样本的数量。

在示例性实施例中，使用的ann是前馈反向传播神经网络。

如图4所示，本示例中的前馈反向传播神经网络包括前向路径和修正路径。

其中，前向路径从输入层的输入神经元开始，依次经过每个隐藏层的隐藏神经元，到达输出层的输出神经元。

在前向路径中，根据在线scada系统监测到的历史风速数据(也可以是温度、湿度、风向等气象数据)设置每个输入神经元，依次计算每个隐藏层的隐藏神经元的数值，以及输出神经元。该输出神经元表示历史风能数据。

具体而言，在前向路径中计算在神经网络中所有的神经元的输出。从第一层隐藏层开始，使用来自训练数据集(本示例为在线scada系统的历史监控数据)的独立变量作为输入值。通过执行相关的求和以及激活函数评估，对第一隐藏层中的所有神经元计算神经元输出。将这些输出作为第二隐藏层中的神经元的输入，再次执行相关的求和以及激活函数计算，以计算第二层神经元的输出。

如图4所示，修正路径从输出层的输出神经元开始，反向依次经过每个隐藏层的隐藏神经元。在修正路径中，进行计算误差的传播和权重的调整。从输出层中的神经元的误差计算开始。常用的误差函数是在某组训练样本的输出神经元yp与该神经元的目标值tp之间的平方差。在本实施例中，该神经元的目标值tp为在线scada系统监测到的历史风能数据。对训练数据中的每个数据点连续计算其误差值，调整各层神经元的连接的权重wij的新值，直到误差值达到零或低于特定阈值。此时，得到新的一组权重值，基于新的权重值构建新的前向路径。

在训练的过程中，循环经过前向路径和修正路径。

在一个优选的实施方案中，风能预测的时间间隔为10分钟，预测时效为24小时，可以采用每隔10分钟的历史气象数据作为一组训练样本(共144组训练样本)。

当训练单元120训练好用于预测风能数据的ann时，预测单元130可通过将第三数据输入到经过训练的ann，来获得预测的风能数据。

此外，当第三数据为来自nwp的距离地面10米处的气象数据时，风能预测装置100还可包括预处理器(未示出)。预处理器用于利用诸如对数律和风剪切力法等外推方法对第三数据进行预处理，得到在风力发电机轮毂高度处的适当的风力信息(即，经预处理的第三数据)。

根据本发明的示例性实施例，当训练单元120使用至少过去1年的实际风速数据和至少过去1年的实际风能数据来训练ann时，预测单元130可使用预测的未来24小时的风速数据输入到训练好的ann以获得预测的未来24小时的风能数据。

因此，预测的结果可具有更高的鲁棒性和准确性，并可实现对风能的短期(例如，24小时)预测。

图2是示出根据本发明的示例性实施例的风力发电场风能预测方法的流程图。部分术语已参照图1进行了解释和说明，因此将省略重复描述。

在步骤s10中，获取单元110获取第一数据和第二数据。第一数据包括历史风速数据，第二数据包括与第一数据相应的历史风能数据。响应于接收到第一数据和第二数据，获取单元110将第一数据和第二数据发送到训练单元120。

这里，第一数据可包括第一时间范围内的具有第一时间间隔的多条数据，第二数据可包括第二时间范围内的具有第二时间间隔的多条数据。除历史风速数据外，第一数据还包括历史温度数据、历史风向数据和历史湿度数据中的至少一个。

此外，第一数据和第二数据可以是来自在线scada系统的历史数据。

在步骤s20中，训练单元120将第一数据作为用于预测风能数据的ann的输入变量并将第二数据作为ann的目标变量，来训练ann。

这里，人工神经网络是前馈反向传播神经网络，其具有多个相互连接的层的前馈网络，所述层包括输入层、多个隐藏层和输出层；其中，输入层包括用于描述一个或者多个输入变量的输入神经元，隐藏层包含多个隐藏神经元，输出层包括用于描述输出变量的输出神经元。

此外，前馈反向传播神经网络包括前向路径和修正路径；前向路径从输入层的输入神经元开始，依次经过每个隐藏层的隐藏神经元，到达输出层的输出神经元；前向路径用于根据在线scada系统监测的第一数据设置每个输入神经元，依次计算每个隐藏层的隐藏神经元的数值，以及计算输出神经元；该输出神经元表示历史风能数据；修正路径从输出层的输出神经元开始，反向依次经过每个隐藏层的隐藏神经元；所述修正路径用于调整各层神经元的连接权重值，以构建新的前向路径。

在步骤s30中，获取单元110获取第三数据，其中，第三数据包括预测的风速数据。响应于接收到第三数据，获取单元110将第三数据发送到预测单元130。

此外，当第三数据是来自nwp的距离地面10米处的气象数据时，步骤s30还可包括利用诸如对数律和风剪切力法等外推方法对第三数据进行预处理，得到在风力发电机轮毂高度处的适当的风力信息(即，经预处理的第三数据)，并将经过预处理的第三数据发送到预测单元130。

这里，第三数据可包括第三时间范围内的具有第三时间间隔的多条数据。在示例性实施例中，第三数据可以是通过使用nwp模型预测的数据。nwp是指根据大气实际情况，在一定的初值和边界条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。在本发明构思中，利用距离地面10米处的气象数据，结合诸如对数律和风剪切力法等外推方法对气象数据进行预处理，得到在风力发电机轮毂高度处的风速(即，第三数据)。由于各种型号的风力发电机组的轮毂距离地面的高度不同，采用nwp模型能够预测每台机组轮毂位置(例如，70米高度、80米高度等)的风速。

此外，除预测的风速数据外，第三数据还包括预测的温度数据、预测的风向数据和预测的湿度数据中的至少一个。

在示例性实施例中，第一时间间隔、第二时间间隔和第三时间间隔可均为10分钟。第一时间范围和第二时间范围可均为至少过去1年，第三时间范围为至少未来24小时。

在步骤s40中，预测单元130通过将第三数据输入到经过训练的ann，来获得预测的风能数据。

以下将参照图5详细描述应用本发明的预测风能的方法的模拟试验数据。

图5是根据本发明的示例性实施例的使用如图1和图2中的风力发电场风能预测方法进行模拟的模拟试验数据的示图。

为了评估本发明的风力发电场风能预测方法的性能，使用来自在线scada系统的从2014年3月26日到2015年3月25日被记录下来的风速和风能分别作为第一数据和第二数据，对用于预测风能的ann(例如，前馈反向传播神经网络)进行训练。利用nwp模型预测的每10分钟间隔的接下来的4天(2015年3月26日至2015年3月29日)的预测的风速作为第三数据，将第三数据输入到经过训练的ann。图5显示了2015年3月26日预测的风能。

预测结果表明，预测的风能几乎与由在线scada记录的实际风能相似，表明本发明的风力发电场风能预测方法的有效性能。

【表1】

表1列出了2015年3月26日至2015年3月29日每天的预测的风能的预测误差。为了评估本发明的风力发电场风能预测方法的准确性，表1中考虑了平均绝对误差(meanabsoluteerror，mae)、均方根误差(rootmeansquareerror，rmse)和平均绝对百分比误差(meanabsoluteerrorpercentage，mape)。

2015年3月26日，本发明的误差值为12.1620％、2015年3月27日为15.5106％、2015年3月28日为12.0655％、2015年3月29日为15.6206％，远低于上述现有技术中公开的数值。

可根据计算机程序指令来执行根据本发明的风力发电场风能预测方法。这些计算机程序指令可被记录在计算机可读存储介质上。所述计算机可读记录介质为任何可存储其后能由计算机系统读取的数据的数据存储装置。程序指令和介质可以是为本发明的目的而专门设计并制造的程序指令和介质，或它们可以是对计算机软件方面的技术人员是公知的并可用的类型。

此外，还可根据可运行上述指令和/或具有上述计算机可读存储介质的计算机或硬件来执行根据本发明的风力发电场风能预测方法。计算机或硬件可以是为本发明的目的而专门设计并制造的计算机或硬件，或可以是对计算机或硬件方面的技术人员是公知的并可用的类型。

如通过上述预测结果和预测误差测量所证明的，本发明的预测风能的方法具有微小的误差，并且与取自在线scada系统的实际风力发电功率的数据相比具有可接受的一致性，表明了本发明的ann风能预测模型的鲁棒性和准确性。该模型已经产生了期望的预测精度，因此，预测的风能可以用作具有高风能渗透的微电网中的提前一天资源调度的输入量之一。

尽管已经参照特定实施例描述了根据本发明的风力发电场风能预测方法和设备，但是本领域的技术人员应该理解，在不脱离本发明的精神或范围的情况下，可对本发明做出各种变型和修改，本发明的范围由权利要求及其等同物限定。