具有自适应时间尺度的新能源发电功率预测方法及系统与流程

本发明涉及新能源发电技术领域，具体涉及一种具有自适应时间尺度的新能源发电功率预测方法及系统。

背景技术：

新能源主要包括：风力发电、光伏发电。风电、光伏等新能源发电具有间歇性强、随机性大、可调度性弱等特点，大规模接入后对电网运行会产生较为明显的影响。

风电、光伏功率预测系统作为国家强制性要求已成为电力系统不可或缺的组成部分，对于电网调度部门安排发电计划、保证电力系统的安全稳定运行、降低备用容量和运行成本、对电力市场进行有效的管理、优化风电场运营管理水平、合理安排检修计划、改善风电、光伏运行企业的经济效益等都具有重要意义：

1、优化电网调度，减少旋转备用容量，节约燃料，保证电网经济运行。对风电场出力进行短期预报，将使电力调度部门能够提前根据风电出力变化调整调度计划，从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电和光伏对电网造成不利影响、提高系统中风电装机比例的一种有效途径。

2、满足电力市场交易需要，为风力、光伏发电竞价上网提供有利条件。提前一两天对风电场出力进行预报，将在很大程度上提高风力、光伏发电的市场竞争力。

3、便于安排机组维护和检修，提高风电场和光伏发电站容量系数。风电场和光伏发电站可以根据预测结果，选择风电场和光伏发电站出力小的时间，对设备进行维修，从而提高发电量和风电场和光伏发电站容量系数。

已有的风电、光伏功率预测系统可以准确预测短期72小时和超短期4小时发电功率，短期72小时预测从第二天0点开始至该时刻之后的72小时，超短期预测从下一时刻(5或15分钟)开始至往后的四小时。已有的风电、光伏功率预测系统采用固定的时间尺度，如每隔5分钟或15分钟预测一次。

风电、光伏受到气象影响较大，间歇性强、随机性大，采用固定尺度进行预测无法准确体现风电、光伏发电的变化趋势。

如果是固定预测间隔，仅提高预测频率，带来的缺点是：算法会大量占用计算机或服务器的资源，数据存储也会相应的成倍增加。因此，亟需一种具有自适应时间尺度的新能源发电功率预测方法和系统。

技术实现要素：

为解决现有技术中的不足，本发明提供一种具有自适应时间尺度的新能源发电功率预测方法和系统，解决了现有预测系统预测时间间隔固定无法准确体现风电、光伏发电变化趋势的问题。

为了实现上述目标，本发明采用如下技术方案：一种具有自适应时间尺度的新能源发电功率预测方法，

步骤一：根据外部气象数据进行等间隔功率预测；

步骤二：根据步骤一的功率预测结果，求相邻两个功率预测时间点间功率斜率的绝对值；

步骤三：对斜率的绝对值进行非线性归一化处理；

步骤四：根据非线性归一化处理结果求预测时间间隔；

步骤五：根据步骤四得到的预测时间间隔，分别计算每个预测点的发电功率数据。

进一步的，所述功率预测方法采用物理映射或神经网络方法。

进一步的，所述相邻两个功率预测时间点间功率斜率的绝对值kt，

kt＝|(pt-1-pt)/(tt-1-tt)|，

其中，pt表示t时刻预测的功率，pt-1表示t-1时刻预测的功率。

进一步的，对斜率kt进行非线性归一化处理：

knormalization＝atan(kt)*2/π，knormalization为非线性归一化处理后的斜率值。

进一步的，求15分钟内的预测次数：int(15*ln(1+255*knormalization)/(ln(1+255)))，即可得到预测时间间隔；

其中，int表示取整数部分，15表示15分钟内预测次数最多为15次，最小预测时间间隔为1分钟。

进一步的，所述分别计算每个预测点的发电功率数据，具体为：利用精细化气象数据，结合历史数据，使用神经网络方法进行功率预测。

进一步的，所述精细化气象数据，通过气象预测模型，预测得到精细化气象数据，气象预测模型具体为：

将若干组本地采集的气象数据及其对应时刻的气象平均相对误差进行归一化处理，作为气象预测模型的输入数据，输出数据是对应时刻一分钟后的气象预测数据；使用bp神经网络对输入样本进行训练，得到气象预测模型；

气象平均相对误差计算过程为：

1)计算t时刻第k个气象分量相对误差：

2)计算t时刻气象平均相对误差：

其中，表示t时刻外部气象预测提供的第k个气象分量预测值，gkt表示t时刻本地采集气象的第k个气象分量实际值，k表示气象分量的总个数，k＝1,2…k。

一种具有自适应时间尺度的新能源发电功率预测系统，其特征是：包括数值天气预报接收主机、本地气象预测主机、功率预测主机；

数值天气预报接收主机用于接收来自气象部门的外部气象预测数据；

本地气象预测主机用于通过外部气象预测数据、环境监测数据建立气象预测模型，预测得到精细化的本地气象预测数据；

功率预测主机用于根据历史和实时外部气象预测数据、功率数据、环境监测数据，对风电场或光伏发电站的功率进行预测。

进一步的，气象预测模型具体为：

将若干组本地采集的气象数据及其对应时刻的气象平均相对误差进行归一化处理，作为气象预测模型的输入数据，输出数据是对应时刻一分钟后的气象预测数据；使用bp神经网络对输入样本进行训练，得到气象预测模型；

气象平均相对误差计算过程为：

1)计算t时刻第k个气象分量相对误差：

2)计算t时刻气象平均相对误差：

其中，表示t时刻外部气象预测提供的第k个气象分量预测值，gkt表示t时刻本地采集气象的第k个气象分量实际值，k表示气象分量的总个数，k＝1,2…k。

进一步的，气象分量包括：包括风速、风向、气压、温度、湿度、云图亮度、辐照、降雨或降雪量。

本发明所达到的有益效果：本发明当风电、光伏发电的变化趋势较大时，功率预测的频率提高；当风电、光伏发电的变化趋势稳定时，功率预测的频率保持不变，解决了现有预测系统预测时间间隔固定无法准确体现风电、光伏发电变化趋势的问题。

附图说明

图1是本发明实施例中的一种系统结构示意图；

图2是本发明实施例中的一种自适应时间尺度采样示意图；

图3是本发明实施例中的一种非线性归一化曲线示意图；

图4是本发明实施例中的一种气象预测模型网络结构示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种具有自适应时间尺度的新能源发电功率预测系统，包括：数值天气预报接收主机、本地气象预测主机、功率预测主机；

数值天气预报接收主机用于接收来自气象部门的外部气象预测数据。外部气象预测数据预测时间间隔固定，通常是15分钟到半个小时预测一次。

本地气象预测主机用于通过外部气象预测数据、环境监测数据建立气象预测模型，预测得到精细化的本地气象预测数据；

本地气象建模需要本地采集的历史气象数据和外部气象预报的历史数据进行统计对比建模。相关数据包括：云图信息、风速、风向、辐照、温度、湿度、气压、降雨或降雪量等，可根据实际现场传感器的数据，选择其中的若干个作为特征量。

建立气象预测模型，具体步骤包括：

(1)计算气象平均相对误差：

1)t时刻第k个气象分量相对误差：

2)t时刻气象平均相对误差：

其中，表示t时刻外部气象预测提供的第k个气象分量预测值，gkt表示t时刻本地采集气象的第k个气象分量实际值，可以按照15分钟采样一次，一天有96个采样点，k表示气象分量的总个数，k＝1,2…k，气象分量如图4中输入层的分量，包括风速、风向、气压、温度、湿度、云图亮度、辐照、降雨或降雪量等。

(2)将若干组本地采集的气象数据及其对应时刻的气象平均相对误差进行归一化处理，作为气象预测模型的输入数据，输出数据是对应时刻一分钟后的气象预测数据。使用bp神经网络对输入样本进行训练，建立输入输出的非线性关系气象预测模型。

(3)气象预测模型建立后，可以实现本地气象数据的精确预测。将某时刻采集的本地气象数据和气象平均相对误差作为bp神经网络的输入值，代入已建立的气象预测模型，即可得到一分钟后预测的气象数据。通过气象预测模型，预测间隔为1分钟，得到精细化的本地气象预测数据，按照1分钟一个点，一天预测1440个点的气象数据。

传统的功率预测系统，气象预测数据来源于外部，比如中国气象局、各个省市气象局或专业的气象服务部门，缺点在于精度不够，如预测范围较大，10km*10km，预测时间间隔是15分钟一个点。而本发明专利，在外部气象数据的基础上，实现本地气象数据的精细预测，预测范围可以达到100m*100m，预测时间间隔是1分钟一个点。

功率预测主机用于根据历史数据和实时数据对风电场或光伏发电站的功率进行预测；

所述历史数据包括：风电场或光伏发电站的历史功率数据、历史环境监测数据、历史外部气象预测数据。所述实时数据包括：气象实时数据，风电场或光伏发电站实时运行数据，如功率数据。

风电场的历史功率数据来自于scada服务器转发的实时功率数据，存储在功率预测主机中。

光伏站的历史功率数据来自于光伏逆变器/数采装置转发的实时功率数据，存储在功率预测主机中。

风电场的历史环境监测数据主要来自测风塔实测的多层高度风速、风向、气压、温度、湿度数据，存储在功率预测主机中。

光伏发电站历史环境监测数据主要来自测风塔实测的辐照度、地表风速、风向、气压、温度、湿度数据，存储在功率预测主机中。

如图2所示，在功率陡升或陡降的情况下，预测时间间隔变小，可以更加清晰的描绘功率曲线的变化。

一种具有自适应时间尺度的新能源发电功率预测方法，包括步骤：

步骤一：根据外部气象数据进行等间隔功率预测，功率预测方法采用物理映射(如，辐照功率预测，风向风速功率预测)或神经网络方法，预测时间间隔通常为15分钟一次；

步骤二：根据步骤一的功率预测结果，求相邻两个功率预测时间点间功率斜率的绝对值kt，

kt＝|(pt-1-pt)/(tt-1-tt)|，

其中，pt表示t时刻预测的功率，pt-1表示t-1时刻预测的功率；

步骤三：对斜率kt进行非线性归一化处理：knormalization＝atan(kt)*2/π，knormalization为非线性归一化处理后的斜率值；

步骤四：求15分钟内的预测次数：int(15*ln(1+255*knormalization)/(ln(1+255)))，即可得到预测时间间隔；

其中，int表示取整数部分，15表示15分钟内预测次数最多为15次，即最小预测时间间隔为1分钟；

由于knormalization取值范围在0～1之间，因此ln(1+255*knormalization)/(ln256)非线性曲线如图3所示；

使用非线性的方法计算预测时间间隔的优点在于：对于功率斜率较大的情况，预测频率大致相同，且预测次数较多，因而预测周期相对较短；对于斜率较小的区间，预测频率从小到大变化明显，且采样次数较少，因而预测周期相对较长。

自适应预测时间间隔在1-15分钟之间，以分钟为单位。

步骤五：根据步骤四得到的预测时间间隔，分别计算每个预测点的发电功率数据。具体为：利用本地气象预测主机提供的精细气象数据，结合历史数据，使用神经网络方法进行功率预测。

本发明当风电、光伏发电的变化趋势较大时，功率预测的频率提高；当风电、光伏发电的变化趋势稳定时，功率预测的频率保持不变，解决了现有预测系统预测时间间隔固定无法准确体现风电、光伏发电变化趋势的问题。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。