本发明属于电网风电预测领域,特别是涉及到一种基于多气象源集成并分段建模的风电功率预测方法。
背景技术：
：随着风电并网容量迅速增加，准确有效地对风电场输出功率进行预测不但可以帮助电力系统调度人员做出有效决策，还可以为电力市场条件下并网风电功率趸售提供可靠依据。通过风电场历史气象和输出功率数据进行建模，并将数值天气预报(NWP，NumericalWeatherPrediction)的结果作为气象源，输入到风功率预测模型中，对风电场出力进行预测，是目前较为普遍的风电功率预测方法之一。在建立风电功率预测模型时，往往是对所有风速进行统一建模，并使用单一NWP作为气象源输入模型。由于NWP中所描述的大气物理运动过程有限、作为其初始值的观测资料不可能绝对准确、计算过程中的舍入误差在所难免等原因，NWP预报结果只是未来大气一个可能的近似解。同时，NWP对于不同天气过程模拟能力的差异，也会导致风速模拟结果的不稳定以及不同风速范围模拟能力的差异。因此，利用单一NWP结果作为风功率预测模型的气象源，无法保证气象源本身的准确性和稳定性，进而影响风电功率预测结果。由于受风电场地形、风机特性及排列方式等因素的影响，在不同风速条件下，风电场的输出功率特征会产生差异。如果按照目前常用的建模方法，即不考虑风速大小差异，对风电场出力进行统一建模，其模型结果有可能会受到不同风速段的相互影响，降低模型预测结果的准确性。技术实现要素：有鉴于此，本发明提出一种基于多气象源集成并分段建模的风电功率预测方法，将多个数值模式结果融合集成,并针对不同大小风速，对风电场输出功率进行建模，有效地提升预测模型的稳定性和准确性。为达到上述目的，本发明的技术方案是这样实现的：一种基于多气象源集成并分段建模的风电功率预测方法，包括以下步骤：1)获取多组NWP预测气象数据及风电场实测气象数据、实测输出功率数据；2)剔除步骤1)中风速及功率的异常数据；3)对多个NWP预测气象数据与对应的风电场实测气象数据进行关联分析，筛选出合适NWP预测气象数据作为待集成的气象源数据；4)结合待集成的气象源中NWP预测气象数据与对应的实测气象数据，采用最小二乘法，获得集成拟合多项式，进而获得集成后气象源；5)将实测气象数据按照不同风速段进行划分，并结合相应的实测输出功率，利用神经网络算法进行建模，获得不同风速段的风电场功率预测模型；6)将用于集成后气象源的NWP预测气象数据，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。进一步的，步骤1)中NWP预测气象数据、风电场实测气象数据都包括风速数据。进一步的，步骤2)中异常数据包括：气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。进一步的，步骤3)所述关联分析是指利用相关系数和均方根误差进行分析。具体步骤如下：(301)从备选的NWP预测气象数据中获取风速vi，其中，i代表第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数，时间分辨率为15分钟；从实测气象数据中获取风速vr，时间分辨率为15分钟；(302)分别计算每个备选NWP的预测气象数据与实测气象数据相对应的气象要素相关系数Ri，有：Ri=Σm=1M(vi,m-vi,m‾)(vr,m-vr,m‾)Σm=1M(vi,m-vi,m‾)2Σm=1M(vr,m-vr,m‾)2]]>其中，i为第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数；Ri代表第i个NWP风速预测值与实测值的相关系数；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；(303)将相关系数Ri按照从大到小排序，选取相关系数高的若干个NWP预测气象数据，并结合风速实测值计算均方根误差RMSEi，有：RMSEi=Σm=1M(vi,m-vr,m)2m]]>其中，i为第i个NWP的预测气象结果，i＝1，2，…，10，；RMSEi代表第i个NWP风速预测值与实测值的均方根误差；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；(304)将均方根误差RMSEi按照从小到大排序，选取前若干较小的均方根误差对应的NWP预测气象数据作为待集成的气象源数据。进一步的，步骤4)所述获得集成后气象源的步骤包括：(401)待集成气象源中的NWP预测风速矩阵为：其中，m为待集成气象源中NWP的个数，n为预测风速样本数；实测风速矩阵为：Vr=vr,1vr,2...vr,n]]>风速拟合多项式为Vr＝A·V其中，A为常数项矩阵，为A=a0a1a2...an]]>(402)分别计算和其中，n为预测风速样本数，m为待集成气象源中NWP的个数；(403)利用正规方程组，求出矩阵A，获得拟合多项式；(404)根据拟合多项式，结合待集成气象源，获得集成后气象源。进一步的，步骤5)所述神经网络算法建模具体步骤如下：(501)将历史实测气象数据分成若干风速段；(502)将每个风速段内历史实测风速v及对应的风电场实际输出功率p作为样本值和期望值输入到神经网络，并设定阈值；(503)由给定的输入输出模式对计算隐层、输出层各单元输出；(504)计算新的连接权及阈值；(505)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。相对于现有技术，本发明所述的一种基于多气象源集成并分段建模的风电功率预测方法，主要有以下优势：1、本发明将多气象源预报结果进行融合集成，作为风功率预测模型输入气象源，充分利用多个NWP模型的各自优势，弥补了单一NWP预测结果作为气象源可能引起的预报精度不稳定性，提高气象预报的稳定性和准确性；2.本发明针对不同大小风速，对风电场输出功率进行建模，分离了不同风速大小对于模型预测效果的影响，提升风功率预测模型的适用性、稳定性和准确性。附图说明图1是本发明的流程图。图2是本发明实施例中的NWP3预测风速与实际风速散点图。图3是本发明实施例中的NWP1预测风速与实际风速散点图。图4是本发明实施例中的NWP4预测风速与实际风速散点图。图5是本发明实施例中的集成后NWP预测风速与实际风速散点图。具体实施方式需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例以及附图来详细说明本发明。本发明的步骤如图1所示，具体说明如下：本发明包括：1)获取多组NWP预测气象数据及风电场实测气象数据、实测输出功率数据；NWP预测气象数据、风电场实测气象数据包括风速数据。2)剔除步骤1)中风速及功率的异常数据；异常数据包括：气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。3)对多个NWP预测气象数据与对应的风电场实测气象数据进行关联分析，筛选出合适NWP预测气象数据作为待集成的气象源数据；所述关联分析是指利用相关系数和均方根误差进行分析。具体步骤如下：(301)从备选的NWP预测气象数据中获取风速vi，其中，i代表第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数，时间分辨率为15分钟；从实测气象数据中获取风速vr，时间分辨率为15分钟；(302)分别计算每个备选NWP的预测气象数据与实测气象数据相对应的气象要素相关系数Ri，有：Ri=Σm=1M(vi,m-vi,m‾)(vr,m-vr,m‾)Σm=1M(vi,m-vi,m‾)2Σm=1M(vr,m-vr,m‾)2]]>其中，i为第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数；Ri代表第i个NWP风速预测值与实测值的相关系数；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；(303)将相关系数Ri按照从大到小排序，选取相关系数高的若干个NWP预测气象数据，并结合风速实测值计算均方根误差RMSEi，有：RMSEi=Σm=1M(vi,m-vr,m)2m]]>其中，i为第i个NWP的预测气象结果，i＝1，2，…，10，；RMSEi代表第i个NWP风速预测值与实测值的均方根误差；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；(304)将均方根误差RMSEi按照从小到大排序，选取前若干较小的均方根误差对应的NWP预测气象数据作为待集成的气象源数据。4)结合待集成的气象源中NWP预测气象数据与对应的实测气象数据，采用最小二乘法，获得集成拟合多项式，进而获得集成后气象源；所述获得集成后气象源的步骤包括：(401)待集成气象源中的NWP预测风速矩阵为：其中，m为待集成气象源中NWP的个数，n为预测风速样本数；实测风速矩阵为：Vr=vr,1vr,2...vr,n]]>风速拟合多项式为Vr＝A·V其中，A为常数项矩阵，为A=a0a1a2...an]]>(402)分别计算和其中，n为预测风速样本数，m为待集成气象源中NWP的个数；(403)利用正规方程组，求出矩阵A，获得拟合多项式；(404)根据拟合多项式，结合待集成气象源，获得集成后气象源。5)将实测气象数据按照不同风速段进行划分，并结合相应的实测输出功率，利用神经网络算法进行建模，获得不同风速段的风电场功率预测模型；所述神经网络算法建模具体步骤如下：(501)将历史实测气象数据分成若干风速段；(502)将每个风速段内历史实测风速v及对应的风电场实际输出功率p作为样本值和期望值输入到神经网络，并设定阈值；(503)由给定的输入输出模式对计算隐层、输出层各单元输出；(504)计算新的连接权及阈值；(505)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。6)将用于集成后气象源的NWP预测气象数据，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。以甘肃某风电场为例，备选NWP预测风速为6组，选取2016年1月1日至2016年5月26日的数据进行测试。用2016年1月1日-2016年4月30日的数据作为历史阶段，期间的NWP气象数据和实测风速、功率分别代表预测气象及风电场实测风速、实测输出功率等历史数据集。用2016年5月1日-26日的数据作为预测期数据集。将所获得的数据进行异常点剔除，包括气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。分别计算6组NWP历史预测风速与对应时期实况风速的相关系数，其结果列于表1：表1各NWP预测风速与实测风速的相关系数选取相关系数较高的5组NWP预测结果，计算与对应时期实况风速的均方根误差，其结果列于表2：表2筛选后各NWP预测风速的均方根误差选取均方根误差较小的前3组NWP(即NWP3、NWP1、NWP4)预测结果，与实测风速对比的散点图分别如图2、图3、图4所示，其中纵坐标为NWP预测风速(m/s)，横坐标为实际风速(m/s)。将异常风速数据剔除后，利用建模数据段建立神经网络模型，采用步骤4)中的流程，利用最小二乘法获得集成后的气象源风速，其相关系数为0.8288，大于之前所有NWP预测风速，均方根误差为1.98m/s，小于所有NWP预测风速，图5为集成后的预测风速与实际风速的散点图，从散点图上也可以看出集成后的预测风速与实际风速的散点图较集成前的3个NWP预报风速更加紧凑，偏差更小。证明通过最小二乘法有效地提高了预测风速的精度。按照步骤5)-6)以0.5m/s为间隔将历史实测风速划分为不同的风速段，并结合相应的风电场历史输出功率，利用神经网络算法分风速段进行建模，获得不同风速段的风电场功率预测模型。将用于集成气象源的NWP预测风速，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。其检验结果列于表3。可以看出，无论是使用5月份平均精度还是考核达标天数，使用集成NWP预测风速并使用分风速段建模后的功率预测方法所获的结果均高于集成NWP预测而整体建模的功率预测方法。此外，从表3中也可以看出，利用集成NWP进行功率预测的结果要优于使用单个NWP进行功率预测结果。表3不同功率预测方法的结果对比以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3