一种海上风电场的功率预测方法、装置、存储介质及系统与流程

1.本发明涉及海上风电场的功率预测技术领域，尤其涉及一种海上风电场的功率预测方法、装置、计算机可读存储介质及系统。


背景技术：

2.相比于陆上风电，海上风电的预测难度有较大的增加。首先，陆上风电场通常分布面积较广，风功率的波动随风场规模的增大趋于缓和；而相同装机容量的海上风电场具有“高集中”的发展趋势，使得功率波动可能达到非常显著的水平；再加之海上气温、气压、风速等气象要素容易突变，加剧了风场出力在短时间内大幅度波动，发生爬坡事件，这些以风力发电产生严重变化为特征的事件与风电的低可预测性直接相关，严重影响风电预测统计模型的整体性能。
3.在现有技术中，通常通过对海上风电环境进行获取，并根据环境参数和环境模型对海上风电场进行物理建模，从而预测海上风电场的功率。
4.但是，现有技术仍存在如下缺陷：海水的高比热容、海上的风流热效应以及放大的尾流效应，使得海上风电场的物理建模运算非常繁琐；且由于地理环境的差异，物理建模的灵活泛化性存在一定缺陷，并不适用于海上的短期功率预测；在此基础上，不同于陆上风电，我国用于海上风电场的nwp(numerical weather prediction，数值天气预报)信息开发晚、精度不高，使预测误差增大，因此，不准确的数值天气预报信息也是预测误差的主要来源之一。
5.因此，当前需要一种海上风电场的功率预测方法、装置、计算机可读存储介质以及系统，从而克服现有技术中存在的上述缺陷。


技术实现要素：

6.本发明提供一种海上风电场的功率预测方法、装置、计算机可读存储介质以及系统，以提升海上风电场的功率预测的准确性。
7.本发明一实施例提供一种海上风电场的功率预测方法，所述功率预测方法包括：
8.获取海上风电场的环境数据组、发电量数据、实时测风塔数据以及数值天气预报数据，并根据所述环境数据组、预设的致动线风电机组模型以及预设的大涡湍流模型，建立并计算所述海上风电场的第一流场模型结果；
9.根据预设的尾流条件组、所述实时测风塔数据以及所述第一流场模型结果，推算实时风资源模拟观测数据组以及风机点位风速组，并根据所述数值天气预报数据，拟合所述环境数据组以及所述发电量数据之间的第一统计关系；
10.根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，对所述海上风电场进行功率预测以获取预测结果。
11.作为上述方案的改进，根据所述环境数据组、预设的致动线风电机组模型以及预设的大涡湍流模型，建立并计算所述海上风电场的第一流场模型结果，具体包括：
12.根据预设的致动线风电机组模型以及预设的大涡湍流模型，建立所述海上风电场的第一流场模型；
13.根据所述环境数据组以及所述第一流场模型，计算所述海上风电场的第一流场模型结果。
14.作为上述方案的改进，根据预设的尾流条件组、所述实时测风塔数据以及所述第一流场模型结果，推算实时风资源模拟观测数据组以及风机点位风速组，具体包括：
15.根据所述第一流场模型结果以及所述实时测风塔数据，推算海上风电场中风机的各个点位的各个高度的风资源模拟观测数据组；
16.根据所述风资源模拟观测数据组以及预设的尾流条件组，计算输出在所述尾流条件组下的风机的各个点位的计算风速，并将所述风速存储入风机点位风速组。
17.作为上述方案的改进，根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，对所述海上风电场进行功率预测以获取预测结果，具体包括：
18.根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，基于cfd动力降尺度，对所述海上风电场进行风电功率短期预测以获取短期预测结果；
19.根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，根据多种预测方法，对所述海上风电场进行风电功率集合预测以获取集合预测结果；
20.将所述短期预测结果以及所述集合预测结果作为预测结果进行输出。
21.作为上述方案的改进，根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，基于cfd动力降尺度，对所述海上风电场进行风电功率短期预测以获取短期预测结果，具体包括：
22.根据所述实时风资源模拟观测数据组以及所述风机点位风速组，通过预设的中尺度风速预报订正方法，对所述数值天气预报数据进行订正；
23.根据订正后的数值天气预报数据，在预设的微尺度风场基础数据库中选出对应的风电场微尺度风场分布，分析计算各个风机的自由来流风速；
24.根据所述第一统计关系、预设的风电机组模拟发电功率订正方法以及所述自由来流风速，计算得到各个风机的模拟发电功率；
25.根据预设的风电场运行维护计划，去除不运行的机组和机组不运行的时段，得到风电场全场发电功率预测。
26.作为上述方案的改进，根据所述风资源模拟观测数据组以及预设的尾流条件组，计算输出在所述尾流条件组下的风机的各个点位的计算风速，具体包括：
27.根据预设的larsen尾流计算模型以及风速数据组，计算风机的各个点位的计算风速；所述风资源模拟观测数据组包括风速数据组。
28.作为上述方案的改进，所述多种预测方法包括：基于禁忌算法的神经网络预测方法、功率时间序列预测方法、粒子群算法以及卡尔曼滤波修正的功率预测方法。
29.本发明另一实施例对应提供了一种海上风电场的功率预测装置，所述功率预测装置包括数据获取单元、计算拟合单元以及功率预测单元，其中，
30.所述数据获取单元用于获取海上风电场的环境数据组、发电量数据、实时测风塔数据以及数值天气预报数据，并根据所述环境数据组、预设的致动线风电机组模型以及预设的大涡湍流模型，建立并计算所述海上风电场的第一流场模型结果；
31.所述计算拟合单元用于根据预设的尾流条件组、所述实时测风塔数据以及所述第一流场模型结果，推算实时风资源模拟观测数据组以及风机点位风速组，并根据所述数值天气预报数据，拟合所述环境数据组以及所述发电量数据之间的第一统计关系；
32.所述功率预测单元用于根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，对所述海上风电场进行功率预测以获取预测结果。
33.作为上述方案的改进，所述数据获取单元还用于：
34.根据预设的致动线风电机组模型以及预设的大涡湍流模型，建立所述海上风电场的第一流场模型；
35.根据所述环境数据组以及所述第一流场模型，计算所述海上风电场的第一流场模型结果。
36.作为上述方案的改进，所述计算拟合单元还用于：
37.根据所述第一流场模型结果以及所述实时测风塔数据，推算海上风电场中风机的各个点位的各个高度的风资源模拟观测数据组；
38.根据所述风资源模拟观测数据组以及预设的尾流条件组，计算输出在所述尾流条件组下的风机的各个点位的计算风速，并将所述风速存储入风机点位风速组。
39.作为上述方案的改进，所述功率预测单元还用于：
40.根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，基于cfd动力降尺度，对所述海上风电场进行风电功率短期预测以获取短期预测结果；
41.根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，根据多种预测方法，对所述海上风电场进行风电功率集合预测以获取集合预测结果；
42.将所述短期预测结果以及所述集合预测结果作为预测结果进行输出。
43.作为上述方案的改进，所述功率预测单元还用于：
44.根据所述实时风资源模拟观测数据组以及所述风机点位风速组，通过预设的中尺度风速预报订正方法，对所述数值天气预报数据进行订正；
45.根据订正后的数值天气预报数据，在预设的微尺度风场基础数据库中选出对应的风电场微尺度风场分布，分析计算各个风机的自由来流风速；
46.根据所述第一统计关系、预设的风电机组模拟发电功率订正方法以及所述自由来流风速，计算得到各个风机的模拟发电功率；
47.根据预设的风电场运行维护计划，去除不运行的机组和机组不运行的时段，得到风电场全场发电功率预测。
48.作为上述方案的改进，所述计算拟合单元还用于：
49.根据预设的larsen尾流计算模型以及风速数据组，计算风机的各个点位的计算风速；所述风资源模拟观测数据组包括风速数据组。
50.本发明另一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的海上风电场的功率预测方法。
51.本发明另一实施例提供了一种海上风电场的功率预测系统，所述功率预测系统包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的海上风电场的功率预测方法。
52.与现有技术相比，本技术方案存在如下有益效果：
53.本发明提供了一种海上风电场的功率预测方法、装置、计算机可读存储介质以及系统，通过数值天气预报和第一流场模拟技术以进行联合建模，综合了实时测风塔测风数据和尾流计算，该功率预测方法、装置、计算机可读存储介质以及系统提升了功率预测的准确性。
54.进一步地，本发明提供的一种海上风电场的功率预测方法、装置、计算机可读存储介质以及系统还通过对数值天气预报数据进行修正，从而进一步提升功率预测的准确性。
附图说明
55.图1是本发明一实施例提供的一种海上风电场的功率预测方法的流程示意图；
56.图2是本发明一实施例提供的一种海上风电场的功率预测装置的结构示意图。
具体实施方式
57.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
58.具体实施例一
59.本发明实施例首先描述了一种海上风电场的功率预测方法。图1是本发明一实施例提供的一种海上风电场的功率预测方法的流程示意图。
60.如图1所示，所述功率预测方法包括：
61.s1:获取海上风电场的环境数据组、发电量数据、实时测风塔数据以及数值天气预报数据，并根据所述环境数据组、预设的致动线风电机组模型以及预设的大涡湍流模型，建立并计算所述海上风电场的第一流场模型结果。
62.由于每个风电场的地理位置、地形和气象条件都不相同，每个风电场都具有相对独特性。精确的风电场功率预报既依赖于准确的中尺度数据，也依赖于对风电场地形、粗糙度、尾流等特性的准确模拟。要实现这种准确模拟，基于概率统计模型、人工神经网络(ann)以及数值天气预报(nwp)的结果，将风速等气象参数传递至测风塔点位，再基于cfd((computational fluid dynamics，计算机流体动力学)模型和尾流模型将这些结果从空间上迁移到各个风机点位。
63.由于地形和粗糙度信息对结果的准确性有相当的影响，因此高质量的地形高程和粗糙度数据对于进行准确的推算风机点位的风速是非常必要的。在本发明实施例中，首先生成针对特定地形、粗糙度和气象条件下的风电场cfd模型从而使得模型最大化地贴近客观情况，提升预测准确率。cfd模型为采用计算流体力学仿真方法，利用优化后的致动线风电机组模型替代传统的实际叶片几何复杂模型，并结合大涡湍流模型，从而带来如下技术优势：(1)采用的双方程湍流模型精度更高，对复杂地形的模拟更精确；(2)提供孤立求解器、耦合求解器和并行求解器，在功能上更完备，求解速度和收敛性有保证；(3)能够在考虑iec(国际电工委员会)风电机组规范的前提下自动获得最优的风电机组布置。
64.风电场cfd模型主要用于模拟cfd流场，计算域的出口边界设定为压力边界条件，
下表面的边界条件设定为无滑移壁面边界条件，将给定高度上的风向和风速作为入口边界条件，设定为风速轮廓线。通过求解雷诺平均的navier-stokes方程来确定风电场模型，其湍流闭合方案采用双方程的湍流模型，对于相对复杂的海上风电场的流畅计算而言，根据工程实际以及不同湍流模型的适用性，选用rngk-e湍流模型进行流场模拟，由于流动方程是非线性的，通过迭代计算进行模型求解，由假设的初始条件开始，逐步迭代导最终收敛结果。
65.在本步骤中，建立进行地形模型和风场cfd计算具体包括：获取风机信息和风电场的布局信息后，时间序列文件从参考测风点位传递至各个风机点位，从中尺度数据开始，将中尺度数据通过统计模型推算至风电场内的实时测风塔点位，然后再由实时测风塔点位推算至各风机点位；其中风机信息和风电场的布局信息包括：风机的坐标、轮毂高度、以及该场区的一个实时测风塔的点位。
66.如果海上风电场周围有屏障，可考虑加入屏障模型。风场模块中通常采用16个扇区，对于具体风电场也可采用36个扇区以提高准确性，确保在各个方向上都能获得准确的模拟结果。
67.在一个实施例中，根据所述环境数据组、预设的致动线风电机组模型以及预设的大涡湍流模型，建立并计算所述海上风电场的第一流场模型结果，具体包括：根据预设的致动线风电机组模型以及预设的大涡湍流模型，建立所述海上风电场的第一流场模型；根据所述环境数据组以及所述第一流场模型，计算所述海上风电场的第一流场模型结果。
68.s2:根据预设的尾流条件组、所述实时测风塔数据以及所述第一流场模型结果，推算实时风资源模拟观测数据组以及风机点位风速组，并根据所述数值天气预报数据，拟合所述环境数据组以及所述发电量数据之间的第一统计关系。
69.统计方法避免了中间复杂的物理建模步骤，它将高精度数值模拟技术nwp预报等信息作为输入数据，通过大量分析寻找气象信息与风电场的发电量之间的潜在统计关系。因此采用统计方法nwp和cfd方法联合进行建模。并且，针对以上的海上风电多爬坡事件、nwp预测不准的问题考虑对nwp数据进行修正之后进行建模。
70.在一个实施例中，根据预设的尾流条件组、所述实时测风塔数据以及所述第一流场模型结果，推算实时风资源模拟观测数据组以及风机点位风速组，具体包括：根据所述第一流场模型结果以及所述实时测风塔数据，推算海上风电场中风机的各个点位的各个高度的风资源模拟观测数据组；根据所述风资源模拟观测数据组以及预设的尾流条件组，计算输出在所述尾流条件组下的风机的各个点位的计算风速，并将所述风速存储入风机点位风速组。
71.在一个实施例中，根据所述风资源模拟观测数据组以及预设的尾流条件组，计算输出在所述尾流条件组下的风机的各个点位的计算风速，具体包括：根据预设的larsen尾流计算模型以及风速数据组，计算风机的各个点位的计算风速；所述风资源模拟观测数据组包括风速数据组。
72.s3:根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，对所述海上风电场进行功率预测以获取预测结果。
73.考虑到风电场区的风场分布是天气系统的运动在局地地形驱动下的结果，天气系统的运动可采用中尺度数值模式进行预报，由于局地地形是稳定不动的，可以采用cfd技术
事先模拟出各种天气背景条件下的风场分布，建立微尺度风场基础数据库，然后直接根据中尺度数值天气预报，通过选择对应的风电场的风场分布，给出每台风电机组的风电功率预测。
74.与此同时，由于每种预测模型和方法利用的数据都不完全相同,组合预测方法能够最大限度地利用各种单一预测方法的有用信息，在一定程度上增加系统的预测准确性。具体地，将不同的预测模型和方法结合，从而根据多种预测方法所提供的信息，以适当的加权平均方式得出多元化的模型结构，形成组合预测模型能够进一步提升预测准确率。该方法一般采用绝对误差作为准则来计算组合预测方法的权系数。
75.在一个实施例中，根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，对所述海上风电场进行功率预测以获取预测结果，具体包括：根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，基于cfd动力降尺度，对所述海上风电场进行风电功率短期预测以获取短期预测结果；根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，根据多种预测方法，对所述海上风电场进行风电功率集合预测以获取集合预测结果；将所述短期预测结果以及所述集合预测结果作为预测结果进行输出。
76.在一个实施例中，根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，基于cfd动力降尺度，对所述海上风电场进行风电功率短期预测以获取短期预测结果，具体包括：根据所述实时风资源模拟观测数据组以及所述风机点位风速组，通过预设的中尺度风速预报订正方法，对所述数值天气预报数据进行订正；根据订正后的数值天气预报数据，在预设的微尺度风场基础数据库中选出对应的风电场微尺度风场分布，分析计算各个风机的自由来流风速；根据所述第一统计关系、预设的风电机组模拟发电功率订正方法以及所述自由来流风速，计算得到各个风机的模拟发电功率；根据预设的风电场运行维护计划，去除不运行的机组和机组不运行的时段，得到风电场全场发电功率预测。
77.在一个实施例中，所述多种预测方法包括：基于禁忌算法的神经网络预测方法、功率时间序列预测方法、粒子群算法以及卡尔曼滤波修正的功率预测方法。
78.其中，基于禁忌算法的神经网络预测方法：
79.禁忌搜索(tabu search或taboo search，简称ts)是对局部邻域搜索的一种扩展，是一种全局逐步寻优算法，是对人类智力过程的模拟。ts算法通过引入一个灵活的存储结构和相应的禁忌准则来避免迂回搜索，并通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效探索以最终实现全局优化。基本思想是：假设给出一个解邻域，首先在邻域中找出一个初始局部解x作为当前解，并令当前解为最优解，然后以这个当前解x作为起点，在解邻域中搜索最优解x'，为了避免x'与x相同造成迂回搜索，设置一个记忆近期操作的禁忌表，如果当前的搜索操作是记录在禁忌表中的操作，那么这一搜索操作就被禁止，否则以x'代替x作为当前解。
80.bp神经网络是一种按照误差反向传播算法训练的多层前馈网络，由两个过程组成：信息的正向传播过程以及误差的反向传播过程。信息的正向传播过程，即输入信息从输入层输入网络，并传递到中间层，中间层对信息进行变换处理，然后将处理的结果传给输出层，在输出层得到网络的实际输出信息。误差的反向传播过程，即按误差梯度下降的方式通
过输出层，修正各层的权值，按照中间层、输入层的顺序逐一反传。两个过程周而复始的进行，直到网络输出与期望输出之间的误差减少到可以接受的程度。在误差反向传播过程中用到的主要是“负梯度下降”理论。
81.神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，但是在学习过程中容易陷入“过学习”。基于禁忌搜索算法的人工神经网络应用的基本原理是用具有记忆功能的禁忌搜索算法对神经网络的权值进行优化学习，利用禁忌搜索算法的全局搜索能力来获取全局最优解，从而避免训练陷入局部极小。
82.为进一步描述，将举例以对禁忌搜索算法优化神经网络的过程进行描述：
83.假设某一bp神经网路的误差函数是f＝f(wh,wo,θh,θo)，其中，wh、wo、θh、θo分别表示输入层和隐含层的连接权重、隐含层和输出层的连接权重、隐含层的阈值和输出层的阈值。对网络的优化就是求minf(wh,wo,θh,θo)的过程。为叙述方便，此处用δ来表示(wh,wo,θh,θo)。
84.首先，初始化δ(具体方法是为δ的每个分量赋一个较小的随机数，记为δ
initial
)；接着，以δ
best
表示到目前为止搜索导的最优解，δ
now
表示当前解，令δ
best
＝δ
initial
，δ
now
＝δ
initial
，并将δ
now
存储在禁忌表里；然后，产生δ
initial
的一个邻域解δ
new
，计算f(δ
new
)和f(δ
best
)；若f(δ
new
)连续多次(事先设定好的次数)没有改变，则终止算法并输出结果，否则继续下面的步骤；若f(δ
new
)《f(δ
best
)，则δ
best
＝δ
new
，δ
now
＝δ
new
，δ
new
进入禁忌表，表内存储的点顺序后移，即禁忌表被更新；若f(δ
new
)≥f(δ
best
)，判断δ
new
是否被禁忌，如果δ
new
在禁忌表中某存储点的给定邻域里，表示δ
new
被禁忌，则重新产生一个邻域解向量δ
new
；如果δ
new
没有被禁忌，则δ
now
＝δ
new
，同时更新禁忌表；最后，产生δ
now
的一个邻域解δ
new
，转到第四步；当训练结束时，得到训练好的权重向量wh、wo以及阈值向量θh、θo。
85.时间序列分析是处理动态数据的一种行之有效的参数化时域分析方法。差分自回归滑动平均模型(arima
‑‑
autoregressive integrated moving average)通过分析时间序列资料来进行预测和控制。本发明采用功率时间序列预测技术，根据功率的历史记录资料，建立一个时间序列数学模型，用这个数学模型一方面来描述功率这个随机变量变化过程的统计规律性，另一方面在该数学模型的基础上再确立功率预测的数学表达式，对未来的功率进行预测。
86.arima由三部分组成：自回归项autoregressive(ar)、差分项integrated(i)和滑动平均项moving average(ma)。arima是在arma的基础上提出来的，arma的数学表达式是：
[0087][0088]
其中，x
t
表示时间序列，即功率序列；表示自回归项ar，aj为常数，x
t-j
为t-j时刻的观测值，即为过去观测值的线性组合；bk为常数，e
t
为白噪声序列，表示白噪声序列的滑动平均项ma。所以，ar模型描述的是系统对过去自身状态的记忆，ma模型
描述的是系统对过去自身状态以及进入系统的噪声的记忆。一个时间序列在某时刻的值可以用p个历史观测值的线性组合加上一个白噪声序列的q项滑动平均来表示，则该时间序列即为arma(p,q)过程。
[0089]
在功率预测中，假设功率x(t)的样本函数为x(t)，采样值(功率的历史资料)为x1,x2,
…
,x
t
,
…
，在具体实施时，假设有限个采样值构成的有限序列为x1,x2,
…
,xn。时间序列预测就是根据这个有限序列去推断产生这个有限序列的原来序列的性质。要确切地找到原来的序列是很困难的，不过可以找到一个基本上与有限序列相符合的预测模型来替代原始序列。这个过程需要进行模式识别和参数估计。模型识别就是判定要求的预测模型是ar、ma、arma中的哪一类或不属于这三类。参数估计，就是在模型识别之后，根据适当的方法计算模型中的未知参数。模型识别和参数估计都是根据有限序列式去推断原始序列式的性质来完成的，这种推断不可能完全准确，因而对所确定的随机模型是否合适还需要进行检验。
[0090]
模型识别的判别依据是序列的自相关函数和偏相关函数。经过模型识别后，模型的类别、结构和阶次都己初步确定，然后需要估计模型中的未知参数。参数估计的方法很多，应用最多的方法主要是矩估计和最小二乘估计。经过模型识别和参数估计后，接下来的问题就是要确定模型是否恰当，如果经过检验，模型符合要求，就可以进行预测工作了；反之，如果存在拟合严重不当的证据，那么就需要修改模型或重新识别模型，直至满足要求。如果经过模型识别和参数估计初步确定的随机模型没通过检验，即经检验确定该模型不合适时，可作如下处理：利用参数估计的标准差评价参数估计值的统计显著性。一般规定，参数点估计的绝对值小于二倍标准差者为统计显著性差或称其不显著，对于这样的参数做系数的项，应当从模型中删除掉。与此同时，若需要在模型中增加一个自回归项或滑动平均项，就加进这个初步确定的模型中去，但需要检验增加后的新模型应比原初步确定的模型更有适用性，否则增加参数项无意义；根据在残差分析残差所提供的信息，对模型进行适当的修改；如果不对初步确定的模型进行修改，也可以重新识别模型；经模型检验认为初步确定的模型不合适时，经过模型修改或重新识别得到新的模型后，还必须进行模型检验，以确定其合理性。
[0091]
为进一步描述，将举例以对粒子群算法进行描述。
[0092]
粒子群算法是一种有效的全局寻优算法，开始模拟的是鸟群觅食的过程，是一种利用群体智能来优化的算法，在群体中，通过个体间的合作与竞争实现群体智能优化搜索。理论中把每一个优化问题都看作成在空中觅食的鸟群，所谓的“粒子”就是在空中飞行的每一只觅食“鸟”，也即优化问题的一个解，而最优解就是鸟群最终寻找到的“食物”。
[0093]
在粒子群算法中，算法首先生成初始解，即在d维可行解空间中随机初始化n个粒子组成种群z＝{z1,z2,
…
,zn}，每个粒子所对应两个向量，位置和速度，即zi＝{z
i1
,z
i2
,
…
,z
id
}和vi＝{v
i1
,v
i2
,
…
,v
id
}，然后根据目标函数计算粒子的适应度值，在s维解空间中进行迭代搜索。在这个过程中，粒子通过个体本身搜索到的最优解，即“个体极值”p
id
和群体索到的最优解，即“极值”p
gd
，来更新自己的位置和速度。每个粒子根据下式来更新自己的位置和速度：
[0094]vid
(t+1)＝ωv
id
(t)+c1r1[p
id-z
id
(t)]+c2r2[p
gd-z
id
(t)]；
[0095]zid
(t+1)＝z
id
(t)+v
id
(t+1)；
[0096]
式中，v
id
(t+1)表示第i个粒子在t+1次迭代中第d维上的速度，ω为惯性权重，c1,
c2为加速常数，r1，r2为0～1之间的随机数。
[0097]
惯性权重ω表示对当前速率的保持，ω调节的是粒子的全局和局部搜索能力。较大的惯性权重使粒子具有较强的全局能力搜索能力，较小的惯性权重使粒子具有较强的局部搜索能力。学习因子c1，c2分别代表粒子自我学习能力和社会学习的能力，即调节粒子“飞向”个体最优与群体最优的最大步长，决定粒子的种群经验和个体经验对粒子自身的影响，反映了粒子个体与个体，个体与种群之间信息的交流。
[0098]
为进一步描述，将举例以对卡尔曼滤波修正的功率预测方法进行描述。
[0099]
在应用统计方法进行风电场功率预测时，nwp是进行预报的数据基础，因此nwp提供的数据精度将直接决定着最终功率预测结果的可靠性。一般情况下，nwp处理次网格现象的能力不足以弥补物理参数初始化存在缺陷，从而导致了气象模式输出存在着一定程度的系统误差，此误差引入风电功率的计模型之中必然影响最终的预测精度。
[0100]
从mos中演化而来的多种统计方法可以用来消除此类系统误差。然而，mos方程的建立需要大量的历史资料，而积累历史资料是很困难的，动态更新方程的参数也是mos所不能及的。卡尔曼滤波算法则不同，它不需要大量的历史资料，仅通过误差反馈便可动态修正预测方程系数，这对于提高气象模式输出的精度具有重要的现实意义。
[0101]
本发明实施例还采用了卡尔曼滤波算法修正后的风电场功率预测模型。nwp提供的历史气象数据经卡尔曼滤波算法修正后形成bp神经网络的训练集合，从风力机组和监视控制系统(scada)采集得到的各个风机的功率序列将作为bp神经网络的目标集合，经充分训练之后得到气象数据与功率输出之间的非线性映射关系即为bp网络预测模型。同理，经卡尔曼滤波算法修正后的未来气象数据经过神经网络训练后得到最终的预测功率输出。
[0102]
用卡尔曼滤波器对nwp输出的风速时间序列进行修正时，将风速的预测误差作为nwp风速输出数据的函数，并对此误差进行估计。假定v
t
是nwp模型在t时刻的输出风速，y
t
是t时刻的预测误差，y
t
可用一个关于v
t
的三阶多项式来描述，即：
[0103]yt
＝x
0,t
+x
1,tvt
+x
2,tvt2
+x
3,tvt3
+q
t
；
[0104]
式中，x
i,t
(i＝0,1,2,3)是采用卡尔曼滤波器进行估计的系数；q
t
为上一步中生成的高斯非线性系统误差，采用待估计的系数矩阵作为状态向量，即x
t
＝[x
0,t x
1,t x
2,t x
3,t
]
t
，用y
t
作为观测向量，观测矩阵h
t
＝[1 v
t v
t2 v
t3
]，系统矩阵取单位矩阵，基于此，系统方程及量测方程为：
[0105]
x
t
＝x
t-1
+w
t
；
[0106]yt
＝h
t
x
t
+q
t
。
[0107]
在一个实施例中，所述功率预测方法还包括：以预设的时间周期对风电场cfd模型优化。具体地，在区域内的基准风电场的风电场cfd模型建立完成之后，需要运行一段时间，再根据一定时间段内的风电场的全面观测资料，进行风电场cfd模型的优化。
[0108]
本发明实施例描述了一种海上风电场的功率预测方法，通过数值天气预报和第一流场模拟技术以进行联合建模，综合了实时测风塔测风数据和尾流计算，该功率预测方法、装置、计算机可读存储介质以及系统提升了功率预测的准确性；进一步地，本发明实施例描述的一种海上风电场的功率预测方法还通过对数值天气预报数据进行修正，从而进一步提升功率预测的准确性。
[0109]
具体实施例二
[0110]
除上述方法外，本发明实施例还公开了一种海上风电场的功率预测装置。图2是本发明一实施例提供的一种海上风电场的功率预测装置的结构示意图。
[0111]
如图2所示，所述功率预测装置包括数据获取单元11、计算拟合单元12以及功率预测单元13。
[0112]
数据获取单元11用于获取海上风电场的环境数据组、发电量数据、实时测风塔数据以及数值天气预报数据，并根据所述环境数据组、预设的致动线风电机组模型以及预设的大涡湍流模型，建立并计算所述海上风电场的第一流场模型结果。
[0113]
计算拟合单元12用于根据预设的尾流条件组、所述实时测风塔数据以及所述第一流场模型结果，推算实时风资源模拟观测数据组以及风机点位风速组，并根据所述数值天气预报数据，拟合所述环境数据组以及所述发电量数据之间的第一统计关系。
[0114]
功率预测单元13用于根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，对所述海上风电场进行功率预测以获取预测结果。
[0115]
在一个实施例中，数据获取单元11还用于：根据预设的致动线风电机组模型以及预设的大涡湍流模型，建立所述海上风电场的第一流场模型；根据所述环境数据组以及所述第一流场模型，计算所述海上风电场的第一流场模型结果。
[0116]
在一个实施例中，计算拟合单元12还用于：根据所述第一流场模型结果以及所述实时测风塔数据，推算海上风电场中风机的各个点位的各个高度的风资源模拟观测数据组；根据所述风资源模拟观测数据组以及预设的尾流条件组，计算输出在所述尾流条件组下的风机的各个点位的计算风速，并将所述风速存储入风机点位风速组。
[0117]
在一个实施例中，功率预测单元13还用于：根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，基于cfd动力降尺度，对所述海上风电场进行风电功率短期预测以获取短期预测结果；根据所述实时风资源模拟观测数据组、所述风机点位风速组以及所述第一统计关系，根据多种预测方法，对所述海上风电场进行风电功率集合预测以获取集合预测结果；将所述短期预测结果以及所述集合预测结果作为预测结果进行输出。
[0118]
在一个实施例中，功率预测单元13还用于：根据所述实时风资源模拟观测数据组以及所述风机点位风速组，通过预设的中尺度风速预报订正方法，对所述数值天气预报数据进行订正；根据订正后的数值天气预报数据，在预设的微尺度风场基础数据库中选出对应的风电场微尺度风场分布，分析计算各个风机的自由来流风速；根据所述第一统计关系、预设的风电机组模拟发电功率订正方法以及所述自由来流风速，计算得到各个风机的模拟发电功率；根据预设的风电场运行维护计划，去除不运行的机组和机组不运行的时段，得到风电场全场发电功率预测。
[0119]
在一个实施例中，计算拟合单元12还用于：根据预设的larsen尾流计算模型以及风速数据组，计算风机的各个点位的计算风速；所述风资源模拟观测数据组包括风速数据组。
[0120]
其中，所述功率预测装置集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如前所述的海上风电场的功率预测方法。
[0121]
基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0122]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，单元之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0123]
本发明实施例描述了一种海上风电场的功率预测装置及计算机可读存储介质，通过数值天气预报和第一流场模拟技术以进行联合建模，综合了实时测风塔测风数据和尾流计算，该功率预测装置及计算机可读存储介质提升了功率预测的准确性；进一步地，本发明实施例描述的一种海上风电场的功率预测装置及计算机可读存储介质还通过对数值天气预报数据进行修正，从而进一步提升功率预测的准确性。
[0124]
具体实施例三
[0125]
除上述方法和装置外，本发明实施例还描述了一种海上风电场的功率预测系统。
[0126]
该功率预测系统包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的海上风电场的功率预测方法。
[0127]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述装置的控制中心，利用各种接口和线路连接整个装置的各个部分。
[0128]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智
能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0129]
本发明实施例描述了一种海上风电场的功率预测系统，通过数值天气预报和第一流场模拟技术以进行联合建模，综合了实时测风塔测风数据和尾流计算，该功率预测方法、装置、计算机可读存储介质以及系统提升了功率预测的准确性；进一步地，本发明实施例描述的一种海上风电场的功率预测系统还通过对数值天气预报数据进行修正，从而进一步提升功率预测的准确性。
[0130]
以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。