风场风电功率预测方法与流程
本发明涉及风电场风电功率测试技术领域，是一种风场风电功率预测方法。
背景技术：
在化石能源逐渐枯竭和环境问题日益严重的背景下，风力发电作为目前可再生能源中最成熟、最具有规模化开发条件和商业化发展前景的发电技术，得到各个国家的高度重视和大力扶持。随着风电技术的快速发展，大型风电场的并网运行对电力系统的影响也越来越显著。此外，我国风能资源丰富的地区一般人口稀少，负荷量小，电网结构相对薄弱。风能具有的随机性、间歇性和不可控性的特点以及在实际运行中多数风电具有的反调峰特性，使得风电场发电的变化趋势难以预测，造成电网运行调度的困难和复杂化，对电网的安全稳定运行造成了很大影响，这已成为制约风电大规模接入的关键技术问题。
技术实现要素：
本发明提供了一种风场风电功率预测方法，克服了上述现有技术之不足，其能有效解决现有风场风电功率预测方法所使用的预测策略和预测模型容易受到地形地势和气象变化的影响，从而影响到预测精度的问题。
本发明的技术方案是通过以下措施来实现的：该风场风电功率预测方法,包括以下步骤：
第一步，建立风电场功率预测模型，包括以下过程：
(1)采集风场实测数据，为待建风电场功率预测模型进行建模前的数据准备，风场实测数据包括测风塔实测风速、风向和温度，以及风场平均风速、平均温度、风场总功率和各台风机功率；
(2)利用统计模型修正风场实测数据中存在系统偏差的与气象预报数据相关的实测气象数据，实测气象数据包括测风塔实测风速、风向、温度以及风场平均风速和平均温度；
(3)将风场实测数据进行处理后作为建模数据，利用神经网络方法建立风电场功率预测模型，风电场功率预测模型包括风场功率预测模型和风机功率预测模型；
第二步，根据风场实测数据计算风电场功率实际预测误差和理想预测误差，包括以下步骤：
(1)根据风场功率预测模型预测风场预测总功率，根据风机功率预测模型预测每台风机的预测功率；
(2)计算风电场功率实际预测误差指标，将通过风场功率预测模型作出的风场预测总功率与实测得到的风场总功率按照时间顺序一一对应，并计算风场预测总功率与实测得到的风场总功率的均方根误差，得到基于风场功率预测模型作出的风电场功率实际预测误差；
计算基于风机功率预测模型作出的每台风机的功率预测值与实测的各台风机功率之和之间的均方根误差，由此得到基于风机功率预测模型作出的风电场功率实际预测误差；
(3)计算风电场功率理想预测误差指标，将实测风速带入风场功率预测模型获得理想预测功率，将该理想预测功率与实测得到的风场总功率按照时间顺序一一对应，并计算理想预测功率与实测得到的风场总功率的均方根误差，得到基于风场功率预测模型作出的风电场功率理想预测误差；
计算由风机功率预测模型求出的理想风机功率与风机实际功率之间的均方根误差，由此得到基于风机功率预测模型作出的风电场功率理想预测误差；
第三步，分别比较基于风场功率预测模型作出的风电场功率实际预测误差和理想预测误差，基于风机功率预测模型作出的风电场功率实际预测误差和理想预测误差，根据上述两个比较结果，用于进一步评价风电场功率预测精度。
下面是对上述发明技术方案的进一步优化或/和改进：
上述第一步(2)中，统计模型包括风速订正模型、风向订正模型和温度订正模型，其中：
风速修订模型使用实际风速订正预测风速，以使实际风速与预测风速间的均方根误差最小；
风向订正模型使用实际风向订正预报风向，由于风向具有周期性，即0°与359°之间的距离和0°与1°的之间的距离相同，则风向订正的目标为：
其中，n为数据记录数量，vi表示实测风向，
温度订正模型使用实际温度订正预报温度，以使实际温度与预报温度的均方根误差最小，预报温度与实际温度之间线性度较高，使用线性统计方法建立温度订正模型。
上述在第一步(2)中，气象预报数据处理过程如下：将历史实测气象数据与该时间段内的气象预报数据按照时间对齐，每一时刻的数据组称为一个数据记录。
上述在第一步(3)中，风场功率预测模型和风机功率预测模型的建模数据的处理过程如下：
(1)将历史测得的风塔数据与风场的预测数据按照时间对齐，并把实测功率中的异常点去除形成风场功率预测模型的建模数据；
(2)将历史测得的风塔数据与风机的预测数据按照时间对齐，并把实测功率中的异常点去除形成风机功率预测模型的建模数据。
上述去除异常数据的原则如下：
(1)将功率归一化：对于风机功率预测模型，将风机实际功率除以该风机机型的额定功率得到风机的归一功率；对于风场功率预测模型，将风场实际总功率除以风场装机容量得到风场的归一功率，分别剔除风机归一功率中小于-0.1大于1.5的功率以及风场归一功率中小于-0.1大于1.5的功率；
(2)去除风速大于5m/s，归一功率小于0.2的数据点。
本发明通过计算并比较风电场功率实际预测误差和理想预测误差，根据比较结果评价风电场风功率预测精度，解析出影响风功率预测的因素，进而可及时且能够集中精力优化相应的模型，并为进一步的功率预测模型调整提供依据，以确保风电场风功率预测的精度。
附图说明
附图1为本发明的流程图。
附图2为本发明风电场功率预测模型的建模流程图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
如附图1、2所示，风场风电功率预测方法,包括以下步骤：
第一步，建立风电场功率预测模型，包括以下过程：
(1)采集风场实测数据，为待建风电场功率预测模型进行建模前的数据准备，风场实测数据包括测风塔实测风速、风向和温度，以及风场平均风速、平均温度、风场总功率和各台风机功率；
(2)利用统计模型修正风场实测数据中存在系统偏差的与气象预报数据相关的实测气象数据，实测气象数据包括测风塔实测风速、风向、温度以及风场平均风速和平均温度；
(3)将风场实测数据进行处理后作为建模数据，利用神经网络方法建立风电场功率预测模型，风电场功率预测模型包括风场功率预测模型和风机功率预测模型；
风电场功率预测模型作用是将风速经过模型转化为风场总功率。上述的风机功率预测模型为利用神经网络方法建立的反映实测风速、风向、温度与每台风机功率关系的模型。
第二步，根据风场实测数据计算风电场功率实际预测误差和理想预测误差，包括以下步骤：
(1)根据风场功率预测模型预测风场预测总功率，根据风机功率预测模型预测每台风机的预测功率；
(2)计算风电场功率实际预测误差指标，将通过风场功率预测模型作出的风场预测总功率与实测得到的风场总功率按照时间顺序一一对应，并计算风场预测总功率与实测得到的风场总功率的均方根误差，得到基于风场功率预测模型作出的风电场功率实际预测误差；
计算基于风机功率预测模型作出的每台风机的功率预测值与实测的各台风机功率之和之间的均方根误差，由此得到基于风机功率预测模型作出的风电场功率实际预测误差；
(3)计算风电场功率理想预测误差指标，将实测风速带入风场功率预测模型获得理想预测功率，将该理想预测功率与实测得到的风场总功率按照时间顺序一一对应，并计算理想预测功率与实测得到的风场总功率的均方根误差，得到基于风场功率预测模型作出的风电场功率理想预测误差；
计算由风机功率预测模型求出的理想风机功率与风机实际功率之间的均方根误差，由此得到基于风机功率预测模型作出的风电场功率理想预测误差；
第三步，分别比较基于风场功率预测模型作出的风电场功率实际预测误差和理想预测误差，基于风机功率预测模型作出的风电场功率实际预测误差和理想预测误差，根据上述两个比较结果，用于进一步评价风电场功率预测精度。
可根据实际需要，对上述风场风电功率预测方法作进一步优化或/和改进：
如附图2所示，第一步(2)中，统计模型包括风速订正模型、风向订正模型和温度订正模型，其中：
风速订正模型使用实际风速订正预测风速，以使实际风速与预测风速间的均方根误差最小；
风向订正模型使用实际风向订正预报风向，由于风向具有周期性，即0°与359°之间的距离和0°与1°之间的距离相同，则风向订正的目标为：
其中，n为数据记录数量，vi表示实测风向，
温度订正模型使用实际温度订正预报温度，以使实际温度与预报温度的均方根误差最小，预报温度与实际温度之间线性度较高，使用线性统计方法建立温度订正模型。
通常可使用线性或非线性的统计方法建立风速订正模型，例如最小二乘法、多项式法、神经网络方法等。
上述温度订正模型建立过程为公知技术，在此不再赘述。
如附图1、2所示，在第一步(2)中，气象预报数据处理过程如下：将历史实测气象数据与该时间段内的气象预报数据按照时间对齐，每一时刻的数据组称为一个数据记录。
如附图1、2所示，在第一步(3)中，风场功率预测模型和风机功率预测模型的建模数据的处理过程如下：
(1)将历史测得的风塔数据与风场的预测数据按照时间对齐，并把实测功率中的异常点去除形成风场功率预测模型的建模数据；
(2)将历史测得的风塔数据与风机的预测数据按照时间对齐，并把实测功率中的异常点去除形成风机功率预测模型的建模数据。
如附图1、2所示，去除异常数据的原则如下：
(1)将功率归一化：对于风机功率预测模型，将风机实际功率除以该风机机型的额定功率得到风机的归一功率；对于风场功率预测模型，将风场实际总功率除以风场装机容量得到风场的归一功率，分别剔除风机归一功率中小于-0.1大于1.5的功率以及风场归一功率中小于-0.1大于1.5的功率；
(2)去除风速大于5m/s，归一功率小于0.2的数据点。
由于实际每天的预报结果通常分为多个时次，不断的检查最新的气象预报数据是否产生，一旦产生就可以将修正过的气象预报数据导入风机或风场模型中，由此得到风场预测功率值。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
- 还没有人留言评论。精彩留言会获得点赞！