专利名称：风电场风速预测方法
技术领域：
本发明属于风速预测技术领域，尤其涉及一种风电场风速的预测方法。
背景技术：
风能作为可再生能源的重要类别，具有蕴藏量巨大、可再生、分布广、无污染等特点，受到了越来越广泛的重视，并成为发展最快的新型能源。近年来，全球风力发电技术发展迅速，中国风电装机容量从2005年开始，连续5年翻番增长。截止到2010年底，累计装机容量达到4200万千瓦，风电装机总容量跃居全球第一。如今，中国开发和利用风能的主要形式是大规模并网风力发电，但由于大自然风速的随机性和间歇性，导致风电大规模并网对电网造成很大的冲击和挑战。如果能准确预测风电场风速，则有利于调整调度计划，有效减轻风电对整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在开放的电力市场环境下正确制定电能交换计划，对于电网的安全运行， 调度部门及时准确地调整风电调度计划，增加风电上网比例，具有重要的现实意义。风速易受湿度、地形、气压、温度等因素影响，具有很强的随机性，对其预测的难度较大。目前，风速多步预测精度较低，不能反映风速未来变化趋势的问题。风电场风速预测的方法很多，成熟的有持续预测法、神经网络法、时间序列分析法、卡尔曼滤波法、小波分析法等。常规的风速预测方法是基于历史风速时间序列的一种延伸预测方法，其中常用的时间序列的分析法又分为自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型 (ARMA)、累积式自回归滑动平均模型(ARIMA)，一般风速多步预测的方法是基于历史数据推算实现，多步预测精度较差，不能反映风速变化趋势。
发明内容
为了解决上述风速预测精度较差的问题，本发明提出了一种风电场风速多步预测方法，本方法集成了未来数值天气预报数据、历史测风数据和实时测风数据，在跟踪未来风速变化趋势的基础上，对历史风速进行准确分类，基于实时测风数据并例如采用支持向量机SVM方法，能够进行例如未来4小时，15min时间间隔，共16步的风速预测，既能准确追踪未来风速变化趋势，又能基于实测风速每15min刷新一次预报结果，滚动预报未来16步最新的风速变化，实现了未来风速高精确多步预测。本发明提出的一种风电场风速多步预测方法包括步骤1，读入未来数值天气预报数据，获得风速变化趋势；步骤2，读入测风历史数据，获得所述风速变化趋势的相似样本，并从相似样本中选出学习样本；步骤3，获取当前的实时测风数据；步骤4，根据选出的学习样本以及获取的实时测风数据，对风速进行预测。根据本发明提出的方法的一个方面，所述未来数值天气预报数据包括预测出的第一预定时间间隔的风速、风向和温度数据；所述风速变化趋势包括相隔为第一预定时间间隔的两个时刻之间的风速差和风向差。根据本发明提出的方法的一个方面，所述第一预定时间间隔为1个小时或15分钟。根据本发明提出的方法的一个方面，所述测风历史数据包括第二预定时间间隔的历史风速、风向和温度数据；所述步骤2具体包括计算测风历史数据的距离为第一预定时间间隔的两个时刻之间的风速差和风向差，并按照风速差和风向差的取值范围对测风历史数据进行分组，每组测风历史数据都对应着范围为Xi的风速差和范围为Yj的风向差，其中 i = 1…m，j = Ι-η，即将测风历史数据分成mXn组，形成mXn的风速变化矩阵；获得与所述风速变化趋势位于同一分组的测风历史数据，形成所述相似样本；从所述相似样本中获取与所述风速变化趋势差别在预定阈值内的多组样本，形成所述学习样本。根据本发明提出的方法的一个方面，所述实时测风数据包括当前的风速和温度值。根据本发明提出的方法的一个方面，步骤S4包括对所述学习样本进行学习，将第一时刻的风速和温度作为输入，将与第一时刻相隔第二预定时间间隔的风速作为输出， 获得输入和输出之间的关系；并根据所获得的关系，输入所述实时测风数据，获得相隔为第二预定时间间隔的下一时刻的预测风速值，并根据相隔为第一预定时间间隔的两个时刻的温度数据，通过插值计算出所述下一时刻的温度值，根据所述下一时刻的预测风速值和温度值继续执行预测，以实现多步滚动预测。根据本发明提出的方法的一个方面，使用支持向量机SVM算法或人工神经网络算法对学习样本进行学习，从而获得输入和输出之间的关系。根据本发明提出的方法的一个方面，所述第二预定时间间隔小于或等于所述第一时间间隔
图1是本发明提出的方法的流程图；图2是根据风速差和风向差的历史数据划分示意图；图3是使用支持向量机获得输入输出关系的示意图；图4是支持向量机方法流程图。
具体实施例方式图1示出了本发明所提出的风电场风速多步预测方法的主要步骤，如图1所示，该方法包括S1，读入未来数值天气预报数据，获得风速变化趋势；S2，读入测风历史数据，获得Sl中风速变化趋势的相似样本，并从相似样本中选出学习样本；S3，获取当前的实时测风数据；S4，根据S2中选出的学习样本以及S3获取的实时测风数据，对风速进行预测。下面，对上述四个步骤进行具体描述，这些具体描述仅为示例性的，并不作为对本发明保护范围的限定。步骤Si，读入未来数值天气预报数据，获得风速变化趋势。具体的，未来数值天气预报数据包括例如70m高度(或其他高度)的风速、风向和温度数据，其时间分辨率例如为Ih (或15min等其他时间分辨率)，即，当分辨率为Ih时，未来数值天气预报数据包括每隔一小时预测的风速、风向和温度数据，当分辨率为15min时， 未来数值天气预报数据包括每隔15分钟预测的风速、风向和温度数据。根据提供的逐时数值天气预报值，计算小时风速差和小时风向差 小时风速差Δ Vnwp =未来一小时的风速VNWP(t+1)-当前小时的风速Vnwpw ；根据AV胃的大小分为下降趋势、平稳趋势和上升趋势，这三个趋势分别对应于AVfflp
<-0. 5,-0. 5彡AVnwp彡0. 5、AVnwp > 0. 5。下标“t”的具体取值范围可以是任意一个小时的时刻。小时风向差Δ Dnwp=未来一小时的风向DNWP(t+1)_当前小时的风向Dnwpw ；如果小时风向差 AD < -180(度)，贝丨J AD = Δ +360 ；如果 AD > 180，AD = Δ -360 ；这样就获得了以指定时间间隔的风速差和风向差表示的风速变化趋势。步骤S2，读入测风历史数据，获得步骤Sl中风速变化趋势的相似样本，并从相似样本选出学习样本。具体的，读入测风历史数据中的例如70m高度(或其他高度)的风速、风向、温度数据，历史数据时间分辨率可以为15min，S卩，测风历史数据可包括每隔15分钟测定的历史风速、风向和温度数据；计算测风历史数据的小时风速差和小时风向差，并按风速差和风向差对测风历史数据分段，例如，可按风速差将历史数据分成3段，每段再按风向差分成13段，构成一个 3X13的矩阵，如图2所示，该风速变化矩阵可以进一步细化如5X 15等，或放粗如3X9等， 这里使用3X 13仅为示例性质，并不作为对本发明的限制。具体分段算法为风速(1)获取逐时风速，计算逐时风速差Δ V = Vt+1-Vt(2)按照 Δ V < -0. 5，-0. 5 彡 Δ V 彡 0. 5，Δ V > 0. 5 分为 3 段；风向(1)获取逐时风向，计算逐时风向差AD = Dt+1-Dt(2) if AD < -180，AD = Δ +360 ；if AD > 180，AD = Δ -360(3)按照 AD < -55，-55 ^ AD < -45, -45 ^ AD < -35, -35 ^ AD
<-25,-25 ^ AD < -15,-15 彡 AD < -5,-5 ^ AD ^ 5,5 < AD 彡 15，15 < AD 彡 25， 25 < ΔD 彡 35，35 < AD ^ 45,45 < AD ^ 55, AD > 55,分为 13 段；根据Δ Vnwp 和 Δ Dnwp (例如 Δ Vnwp < _0. 5,-15 ^ Δ Dnwp < -5)，在分好段的历史数据中选择对应的段(也选择AV < -0. 5、-15 < AD < -5这一变化范围内的相应数据)， 该对应的段中所包括的历史数据即历史风速变化趋势相似样本。由于分段的对象是测风历史数据的逐时风速差和逐时风向差，因此，在每个段中的每个样本的时间间隔都是1小时， 而由于历史数据可包括每隔15分钟测得的历史风速、风向和温度数据，那么每个样本都对应着4个每隔15分钟测得的数据，例如，若一个相似样本为4 00-5 00的历史数据，那么在该样本中包括了 4:00，4:15，4:30以及4:45四个时刻分别对应的历史数据；然后，获得所述相似样本每小时的风速差AVm = Vt+1_Vt，该风速差已经在之前计算逐时风速差时得出，然后分别计算八^与AVnwp差值的绝对值，并根据绝对值由小到大排序，取绝对值排在最前面的多组(一般选择20 50组)相似样本，并获得该相似样本中所包含的分辨率为15min的历史数据，其中，每组数据包括了风速和温度，组成学习样本。步骤S3，获取当前的实时测风数据，该数据包括风速和温度值。步骤S4,根据步骤S2中选出的学习样本以及步骤S3获取的实时测风数据，对风速进行预测。
具体的，可采用支持向量机SVM算法，首先对选出的学习样本进行学习(输入为由步骤S2选出的15min分辨率的一组风速和温度，输出为下一个15min的风速)获得输入和输出的关系(如图3所示)，然后输入当前实时测得的风速及温度值，预测下一个15min的风速，并进行未来4小时，15min间隔的共16步风速的滚动预测首先，采用支持向量机进行风速预测的步骤如图4所示(1)对历史数据进行规一化处理，即将原始数据经过线性变化至[-1，1]区间中 (一般通过除以该列数据中的正的最大值或负的最小值，使该列数据变换到[-1，1]区间)， 构成训练数据集。(2)对训练数据用不同核函数(线形型、多项式型、高斯径向基型和neural型核函数)和不同参数(惩罚因子C和敏感损失参数epsilon的具体值)进行优化，生成不同核函数和不同参数的训练结果表。(3)从训练结果表中，根据训练误差大小(一般为均方根误差RMSE)，先挑选出合适的核函数，然后选择其对应的最佳参数(惩罚因子C和敏感损失参数epsilon的具体值)。(4)先用选择的参数对训练数据集进行学习，然后输入一段新数据进行预测结果检验。如果对预测误差不满意，返回第( 步，重新选择参数进行学习，如果对预测误差满意，进行下一步。(5)输入新的数据集，进行风速预测，最后进行误差分析。滚动预测是指每预测一步风速，就以此预测的风速和插值求得的温度数据(未来 15min分辨率的温度采用逐时天气预报数据的插值结果，Tn = Tt+(n-l) X (Tt+1_Tt)/4，η = 1，2，3，4，5 ；其中Tt为数值天气预报中的当前小时温度，Tt+1为数值天气预报中的未来1小时的温度)作为输入，预测下一个15min的风速。每预测4步即每1小时，再根据风速变化趋势，重新筛选一次相似样本和学习样本，重新学习然后进行预测。当然，根据学习样本进行学习获得输入和输出关系的方法不一定采用支持向量机 SVM算法(如图3所示)，也可采用其它例如人工神经网络ANN算法。由此可见，本发明所提出的风电场风速多步预测方法集成成了未来数值天气预报数据、历史测风数据和实时测风数据作为预报的基础数据；根据数值天气预报数据找出风速变化趋势，根据变化趋势采用风速变化矩阵，在历史风速数据中搜寻相似样本，在相似样本中选择最有代表性的数据组成学习样本，采用支持向量机SVM或人工神经网络ANN算法， 进行例如未来4小时，15min间隔的共16步风速的滚动预测。采用本发明的方法，既能准确追踪未来风速变化趋势，又能基于实测风速例如每15min刷新一次预报结果，滚动预报未来16步最新的风速变化，实现了未来风速的高精确多步预测。本文所提出的数值天气预测数据时间分辨率可以是15min或其他< Ih的数据；预测可以是持续预测法、神经网络法、时间序列分析法、卡尔曼滤波法、小波分析法等其他方法，并且，在前面已经提到的，该风速变化矩阵可以进一步细化如5X 15，或放粗如3X9等，可按照任意风速差、风向差划分。本文所提出的上述所有具体实施方式
仅为示例性的，仅作为对本发明的解释和说明，并不作为对本发明保护范围的限制，本领域技术人员可根据不同实际情况作出改变和调整，这些改变和调整同样落入本发明的保护范围内。
权利要求
1.一种风电场风速预测方法，其特征在于，该方法包括 步骤1，读入未来数值天气预报数据，获得风速变化趋势；步骤2，读入测风历史数据，获得所述风速变化趋势的相似样本，并从相似样本中选出学习样本；步骤3，获取当前的实时测风数据；步骤4，根据选出的学习样本以及获取的实时测风数据，对风速进行预测。
2.根据权利要求1的方法，其特征在于所述未来数值天气预报数据包括预测出的第一预定时间间隔的风速、风向和温度数据；所述风速变化趋势包括相隔为第一预定时间间隔的两个时刻之间的风速差和风向差。
3.根据权利要求2的方法，其特征在于 所述第一预定时间间隔为1个小时或15分钟。
4.根据权利要求2的方法，其特征在于所述测风历史数据包括第二预定时间间隔的历史风速、风向和温度数据； 所述步骤2具体包括计算测风历史数据的距离为第一预定时间间隔的两个时刻之间的风速差和风向差，并按照风速差和风向差的取值范围对测风历史数据进行分组，每组测风历史数据都对应着范围为&的风速差和范围为t的风向差，其中i = 1…m，j = L···!!， 即将测风历史数据分成mXn组，形成mXn的风速变化矩阵；获得与所述风速变化趋势位于同一分组的测风历史数据，形成所述相似样本； 从所述相似样本中获取与所述风速变化趋势差别在预定阈值内的多组样本，形成所述学习样本。
5.根据权利要求4所述的方法，其特征在于 所述实时测风数据包括当前的风速和温度值。
6.根据权利要求4所述的方法，其特征在于 步骤4包括对所述学习样本进行学习，将第一时刻的风速和温度作为输入，将与第一时刻相隔第二预定时间间隔的风速作为输出，获得输入和输出之间的关系；并根据所获得的关系，输入所述实时测风数据，获得相隔为第二预定时间间隔的下一时刻的预测风速值，并根据相隔为第一预定时间间隔的两个时刻的温度数据，通过插值计算出所述下一时刻的温度值，根据所述下一时刻的预测风速值和温度值继续执行预测，以实现多步滚动预测。
7.根据权利要求5所述的方法，其特征在于使用支持向量机SVM算法或人工神经网络算法对学习样本进行学习，从而获得输入和输出之间的关系。
8.根据权利要求4所述的方法，其特征在于所述第二预定时间间隔小于或等于所述第一时间间隔。
全文摘要
提出了一种风电场风速预测方法，属于风速预测的技术领域，所述方法包括步骤1，读入未来数值天气预报数据，获得风速变化趋势；步骤2，读入测风历史数据，获得所述风速变化趋势的相似样本，并从相似样本中选出学习样本；步骤3，获取当前的实时测风数据；步骤4，根据选出的学习样本以及获取的实时测风数据，对风速进行预测。本方法解决了风速预测精度较差的技术问题。
文档编号G06K9/62GK102236795SQ201110180420
公开日2011年11月9日 申请日期2011年6月30日 优先权日2011年6月30日
发明者孙少军, 彭怀午, 杜燕军, 杨晓峰, 王晓林, 聂维新 申请人:内蒙古电力勘测设计院