一种用于风电场功率预测的风速预测方法与流程

1.本发明属于新能源发电技术领域，具体涉及一种用于风电场功率预测的风速预测方法。


背景技术：

2.为了应对能源危机和环境问题，可再生能源发电在世界范围内得到了飞速发展。作为一种典型的可再生能源发电方式，风力发电在现代电网中的渗透率日益增加。然而，由于风能具有强不确定性，高风电渗透率给电网的稳定运行带来极大挑战，是电力调度部门急需解决的重要问题，实现风电场功率的精确预测是解决这一问题的关键途径。
3.实现风电场功率的精确预测主要通过对风速的精确预测，预测是一种对未来的估算，它与客观实际不可避免的存在一定的差距，这个差距就是预测偏差。现有技术中，有很多种对风速预测的有效方法，预测精度也越来越高，但还缺乏有效的从预测偏差角度出发的，采用偏差校正技术进行风速预测的合理方法。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种用于风电场功率预测的风速预测方法，其方法步骤简单，设计合理，实现方便，基于偏差校正技术进行风速预测，能够结合现有的风速预测方法进行风速预测，进一步提高风速预测的精度，进而取得更好的风电场功率预测效果，效果显著，便于推广。
5.为解决上述技术问题，本发明采用的技术方案是：一种用于风电场功率预测的风速预测方法，包括以下步骤：
6.步骤一、在风电场正常运行过程中，随机抽取多个时间段内的风速测量数据和风速预测数据；
7.步骤二、计算每个时间段内的风速预测偏差数据，并进行数据清洗；
8.步骤三、对风速预测偏差数据进行归一化处理；
9.步骤四、采用k
‑
nn算法对归一化数据进行离群点检测；
10.步骤五、采用logistic函数拟合风速预测偏差曲线，得到风速预测偏差值的基础模型；
11.步骤六、采用风速预测偏差值的基础模型预测风速，得到预测偏差数据集；
12.步骤七、采用低通滤波器以预测偏差数据集构建极限学习机的训练集；
13.步骤八、构建两个极限学习机模型，采用步骤七中训练集进行训练，得到风速预测偏差值的偏差校正模型；
14.步骤九、通过风速预测偏差值的基础模型和风速预测偏差值的偏差校正模型，得到风速的最终预测值；
15.步骤901、将风电场t时刻的风速预测值v
cal
输入到步骤五中风速预测偏差值的基础模型中，得到风速预测偏差基础值v
base
；
16.步骤902、将t
‑
20，t
‑
19，...，t
‑
1时刻的风速预测偏差作为输入特征输入到步骤七中的低通滤波器中，得到输入特征的高频部分和低频部分；
17.步骤903、将输入特征的高频部分和低频部分分别输入到风速预测偏差值的偏差校正模型中，得到高频偏差校正量f
elmh
和低频偏差校正量f
elml
；
18.步骤904、得到风速的最终预测值为v
cal
+v
base
+f
elmh
+f
elml
。
19.上述的一种用于风电场功率预测的风速预测方法，步骤一中所述随机抽取多个时间段内的风速测量数据和风速预测数据的具体过程包括：随机抽取50～100个时间段内的风速测量数据和风速预测数据，每个所述时间段的时长为1小时。
20.上述的一种用于风电场功率预测的风速预测方法，步骤二中所述计算每个时间段内的风速预测偏差数据，并进行数据清洗的具体过程包括：根据公式δv
i
＝|v
c
‑
v
m
|计算每个时间段内的风速预测偏差数据，其中，δv
i
为风速预测偏差值，v
c
为风速预测值，v
m
为风速测量值；然后，采用三倍标准差法进行数据剔除。
21.上述的一种用于风电场功率预测的风速预测方法，步骤三中所述对风速预测偏差数据进行归一化处理的具体过程包括：根据公式对风速预测偏差数据进行归一化处理，得到归一化后的风速预测偏差值δv
′
i
，其中，δv
i
为风速预测偏差值，mean(δv
i
)为δv
i
的均值，std(δv
i
)为δv
i
的标准差。
22.上述的一种用于风电场功率预测的风速预测方法，步骤六中所述采用风速预测偏差值的基础模型预测风速，得到预测偏差数据集的具体过程包括：对未来多个时段内的风速进行预测，风速预测值代入风速预测偏差值的基础模型中，得到未来时段的风速预测偏差值，根据公式δv
fi
＝|(v
fc
+δv
fmi
)
‑
v
fm
|计算未来时段的风速预测偏差值，将未来多个时段内的风速预测偏差值集合，形成预测偏差数据集，其中，δv
fi
为未来时段的风速预测偏差值，v
fc
为未来时段的风速预测值，δv
fmi
为通过风速预测偏差值的基础模型计算得到的未来时段的风速预测偏差值，v
fm
为到达该时段时的风速测量值。
23.上述的一种用于风电场功率预测的风速预测方法，步骤七中所述以预测偏差数据集构建极限学习机的训练集的具体过程包括：采用时间序列滑窗的方法，以20为输入特征数，1为间隔进行滑窗，以未来15分钟的预测偏差作为训练目标，得到训练特征集和训练目标集；然后，采用低通滤波器对训练特征集和训练目标集进行滤波处理，得到训练特征集的低频部分和高频部分，以及训练目标集的低频部分和高频部分，训练特征集的低频部分和训练目标集的低频部分对应，组成低频部分训练集；训练特征集的高频部分和训练目标集的高频部分对应，组成高频部分训练集，其中，1/τ为低通滤波器的带宽。
24.本发明与现有技术相比具有以下优点：
25.1、本发明方法步骤简单，设计合理，实现方便。
26.2、本发明随机抽取风电场正常运行过程中的多个时间段内的风速测量数据和风速预测数据，作为风速预测偏差值的基础模型的数据基础，能够以概率的方式客观地得到风速预测偏差基础值，可靠度高。
27.3、本发明充分利用风电场中现有的风速预测数据，在不需要求解大气运动方程的
情况下，通过运用风速预测偏差曲线得到风速预测偏差值的基础模型，在实际使用中，能够以较小的计算代价得到风速预测偏差基础值。
28.4、本发明根据高频、低频分解结果，建立基于双极限学习机的风速预测偏差校正模型，能够以较为简单的结构提升风速预测的精度。
29.5、本发明基于偏差校正技术进行风速预测，能够结合现有所有的风速预测方法进行风速预测，进一步提高风速预测的精度，进而取得更好的风电场功率预测效果，效果显著，便于推广。
30.综上所述，本发明方法步骤简单，设计合理，实现方便，基于偏差校正技术进行风速预测，能够结合现有的风速预测方法进行风速预测，进一步提高风速预测的精度，进而取得更好的风电场功率预测效果，效果显著，便于推广。
31.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
32.图1为本发明预测方法的流程图；
33.图2为本发明预测方法的效果图。
具体实施方式
34.如图1所示，本发明的用于风电场功率预测的风速预测方法，包括以下步骤：
35.步骤一、在风电场正常运行过程中，随机抽取多个时间段内的风速测量数据和风速预测数据；
36.步骤二、计算每个时间段内的风速预测偏差数据，并进行数据清洗；
37.步骤三、对风速预测偏差数据进行归一化处理；
38.步骤四、采用k
‑
nn算法对归一化数据进行离群点检测；
39.步骤五、采用logistic函数拟合风速预测偏差曲线，得到风速预测偏差值的基础模型；
40.步骤六、采用风速预测偏差值的基础模型预测风速，得到预测偏差数据集；
41.步骤七、采用低通滤波器以预测偏差数据集构建极限学习机的训练集；
42.步骤八、构建两个极限学习机模型，采用步骤七中训练集进行训练，得到风速预测偏差值的偏差校正模型；
43.步骤九、通过风速预测偏差值的基础模型和风速预测偏差值的偏差校正模型，得到风速的最终预测值；
44.步骤901、将风电场t时刻的风速预测值v
cal
输入到步骤五中风速预测偏差值的基础模型中，得到风速预测偏差基础值v
base
；
45.步骤902、将t
‑
20，t
‑
19，...，t
‑
1时刻的风速预测偏差作为输入特征输入到步骤七中的低通滤波器中，得到输入特征的高频部分和低频部分；
46.步骤903、将输入特征的高频部分和低频部分分别输入到风速预测偏差值的偏差校正模型中，得到高频偏差校正量f
elmh
和低频偏差校正量f
elml
；
47.步骤904、得到风速的最终预测值为v
cal
+v
base
+f
elmh
+f
elml
。
48.本实施例中，步骤一中所述随机抽取多个时间段内的风速测量数据和风速预测数
据的具体过程包括：随机抽取50～100个时间段内的风速测量数据和风速预测数据，每个所述时间段的时长为1小时。
49.本实施例中，步骤二中所述计算每个时间段内的风速预测偏差数据，并进行数据清洗的具体过程包括：根据公式δv
i
＝|v
c
‑
v
m
|计算每个时间段内的风速预测偏差数据，其中，δv
i
为风速预测偏差值，v
c
为风速预测值，v
m
为风速测量值；然后，采用三倍标准差法进行数据剔除。
50.本实施例中，步骤三中所述对风速预测偏差数据进行归一化处理的具体过程包括：根据公式对风速预测偏差数据进行归一化处理，得到归一化后的风速预测偏差值δv
′
i
，其中，δv
i
为风速预测偏差值，mean(δv
i
)为δv
i
的均值，std(δv
i
)为δv
i
的标准差。
51.具体实施时，归一化处理便于剔除设定风速范围内的离群点。
52.本实施例中，步骤六中所述采用风速预测偏差值的基础模型预测风速，得到预测偏差数据集的具体过程包括：对未来多个时段内的风速进行预测，风速预测值代入风速预测偏差值的基础模型中，得到未来时段的风速预测偏差值，根据公式δv
fi
＝|(v
fc
+δv
fmi
)
‑
v
fm
|计算未来时段的风速预测偏差值，将未来多个时段内的风速预测偏差值集合，形成预测偏差数据集，其中，δv
fi
为未来时段的风速预测偏差值，v
fc
为未来时段的风速预测值，δv
fmi
为通过风速预测偏差值的基础模型计算得到的未来时段的风速预测偏差值，v
fm
为到达该时段时的风速测量值。
53.具体实施时，在对未来多个时段内的风速进行预测过程中，能够采用现有所有的预测方法。
54.本实施例中，步骤七中所述以预测偏差数据集构建极限学习机的训练集的具体过程包括：采用时间序列滑窗的方法，以20为输入特征数，1为间隔进行滑窗，以未来15分钟的预测偏差作为训练目标，得到训练特征集和训练目标集；然后，采用低通滤波器对训练特征集和训练目标集进行滤波处理，得到训练特征集的低频部分和高频部分，以及训练目标集的低频部分和高频部分，训练特征集的低频部分和训练目标集的低频部分对应，组成低频部分训练集；训练特征集的高频部分和训练目标集的高频部分对应，组成高频部分训练集，其中，1/τ为低通滤波器的带宽。
55.具体实施时，τ的取值为2。
56.为了验证本发明预测方法的效果，采用中国某风电场一个月内的风速数据进行建模并预测未来两小时内的风速。
57.获取风电机组一个月内的风速数据，随机抽取80个时间段内的风速测量数据和风速预测数据；计算每个时间段内的风速预测偏差数据，采用“3σ”原则进行数据清洗；对风速预测偏差数据进行归一化处理；采用k
‑
nn算法对归一化数据进行离群点检测；采用logistic函数拟合风速预测偏差曲线，得到风速预测偏差值的基础模型；利用风速预测偏差值的基础模型预测风速，得到预测偏差数据集；构建极限学习机的训练集；构建极限学习机系统，作为风速预测偏差校正模型，训练得到风速预测偏差值的偏差校正模型；利用风速
预测偏差值的基础模型和风速预测偏差值的偏差校正模型，得到风速的最终预测值。
58.图2是本发明风速的最终预测值与实际值的对比图，从图2可以看出，本发明的风速预测方法预测精度高。
59.以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。