本发明涉及风电技术领域,是一种计及风电场状态的风电功率超短期预测计算方法。
背景技术:
风电是最具规模化开发条件的新能源,其出力特征不同于火电、核电,是典型的间歇性电源,具有随机波动性和不可控性。大规模风电场的并网会给电网带来不可忽视的冲击,经常发生为保护电网安全稳定运行而弃风、脱网等现象,导致风力发电企业投资回报周期增长。如能够深入了解风电场出力特征并进行准确预测,则有益于调度部门调频、调峰、备用等,对提高既有电力系统的风电接纳能力具有重大的意义。
风电功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报,时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线,及时调整有功出力。
现有预测方法一般采用统计模型,通过分析风速、功率历史样本的统计规律,建立风速与功率、功率与功率之间的非线性映射关系,这类算法是基于统计观点的外推模型,物理意义不明晰,同时由于人工智能和大数据的兴起,研究重点偏向于人工智能预测,但目前人工智能预测方法的运用,大多为静态方法,无法反映系统的动态特性。总体来说,现有的预测方法只考虑风况的改变对预测精度的影响,而忽略风电场状态的改变。
技术实现要素:
本发明的目的是,提供一种物理意义清晰、考虑系统动态特性、科学合理、实用价值更高、精度更高、能够满足在线使用要求的计及风电场状态的风电功率超短期预测计算方法。
实现发明目的采用的技术方案是:一种计及风电场状态的风电功率超短期预测计算方法,其特征在于:它包括以下步骤:
1)“时空特性”数据源的建立
通过风电机组数据采集系统和电网调度中心统计数据获得风力发电机内部量测数据及历史风电功率数据,选择n种量测数据作为空间样本,并按照时间顺序排列,得到大数据分析的数据源:
xn×t=[x(t1),x(t2),…,x(tt)],x(ti)=[x1,x2,…,xn]t,
其中:ti为采样时刻,x(ti)为量测数据构成的列向量,n为量测数据种类,xn×t为大数据分析的数据源,
将量测数据按照时间顺序采样,不同种类的量测数据具有空间特性,将二者结合起来则构成具有时空特性的数据源;
2)数据分析及处理
表征风电场状态的变量众多,同时还受到电网和外界环境的影响,需要对步骤1)中的数据源处理:
①按步骤1)获取的数据源xn×t=[x(t1),x(t2),…,x(tt)],将矩阵xn×t进行标准化以得到标准hermitian矩阵,使得各个指标具有可比性,
②采用实时分离窗技术,确定窗口宽度,对矩阵xn×t进行实时分析和提取,为了实现数据的实时分析,可以采用一种特定的分离窗获取生数据矩阵,称为实时分离窗:
其中:tω为实时分离窗窗宽;
3)风电场的状态评估
以平均谱半径为基础对风力发电机的状态进行评估:
其中:rmsr为风电场平均谱半径,
rmsr,i为风电场中i号风机的平均谱半径,
n为风电场中风机的台数,
①计算步骤2)的②中所取时间窗口的样本协方差矩阵,
②计算样本协方差矩阵的平均谱半径,
③重复步骤2)的①和②,直到窗口滑动到当前时刻,
④绘制平均谱半径趋势图,评估风力发电机的状态;
4)计及风电场状态的风电功率超短期预测
为了更好的说明实现计及风电场状态的风电功率超短期预测,提出状态的延续的假设,预测模型采用bp神经网络,80%的神经网络模型采用bp神经网络或bp神经网络的变体形式:
pwp=fnn(nwp,rmsr),
其中:pwp为风电场的预测功率,fnn表示输入输出的非线性关系,nwp表示数值天气预报信息,rmsr为风电场的状态,
假设在时刻i预测i+1,i+2,…,i+16对应的风电功率;
5)仿真计算
仿真输入量:风电场所在地的nwp信息(15min间隔采样),风电场实测开机状态每15min间隔采样下的整场风电功率数据,用于风电场状态评估的数据源(15min间隔采样),根据步骤1)至步骤4),得到整场风电功率实时预测结果;
6)误差分析
误差评价标准执行中华人民共和国国家能源局2011年《风电场功率预测预报管理暂行办法》中规定的准确率和合格率的要求,设pmk为k时段的实际平均功率,ppk为k时段的预测平均功率,n为日考核总时段,cap为风电场开机容量,那么,实时预测准确率定义为:
合格率定义为:
其中若
按步骤5),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准进行误差计算,给出该计算方法的预测准确率。
本发明提出的计及风电场状态的风电功率超短期预测计算方法,充分考虑了风电场状态并对其进行评估,物理意义清晰,并考虑系统的动态特性,实用价值更高,精度更高,适用于超短期风电功率的多步预测;也能够评价其他风电功率预测。
附图说明
图1为风电场出力与平均谱半径关系图;
图2为计及风电场状态的风电功率预测流程图;
图3为预测值与真实值比较示意图。
具体实施方式
下面结合附图和具体实施例,对本发明的一种计及风电场状态的风电功率超短期预测计算方法作进一步说明。
结合图1-图3,本发明的计及风电场状态的风电功率超短期预测计算方法包括以下步骤:
一种计及风电场状态的风电功率超短期预测计算方法,其特征在于:它包括以下步骤:
1)“时空特性”数据源的建立
通过风电机组数据采集系统和电网调度中心统计数据获得风力发电机内部量测数据及历史风电功率数据,选择n种量测数据作为空间样本,并按照时间顺序排列,得到大数据分析的数据源:
xn×t=[x(t1),x(t2),…,x(tt)],x(ti)=[x1,x2,…,xn]t,
其中:ti为采样时刻,x(ti)为量测数据构成的列向量,n为量测数据种类,xn×t为大数据分析的数据源,
将量测数据按照时间顺序采样,不同种类的量测数据具有空间特性,将二者结合起来则构成具有时空特性的数据源;
2)数据分析及处理
表征风电场状态的变量众多,同时还受到电网和外界环境的影响,需要对步骤1)中的数据源处理:
①按步骤1)获取的数据源xn×t=[x(t1),x(t2),…,x(tt)],将矩阵xn×t进行标准化以得到标准hermitian矩阵,使得各个指标具有可比性,
②采用实时分离窗技术,确定窗口宽度,对矩阵xn×t进行实时分析和提取,为了实现数据的实时分析,可以采用一种特定的分离窗获取生数据矩阵,称为实时分离窗:
其中:tω为实时分离窗窗宽;
3)风电场的状态评估
以平均谱半径为基础对风力发电机的状态进行评估:
其中:rmsr为风电场平均谱半径,
rmsr,i为风电场中i号风机的平均谱半径,
n为风电场中风机的台数,
②计算步骤2)的②中所取时间窗口的样本协方差矩阵,
②计算样本协方差矩阵的平均谱半径,
③重复步骤2)的①和②,直到窗口滑动到当前时刻,
⑤绘制平均谱半径趋势图,评估风力发电机的状态;
4)计及风电场状态的风电功率超短期预测
为了更好的说明实现计及风电场状态的风电功率超短期预测,提出状态的延续的假设,预测模型采用bp神经网络,80%的神经网络模型采用bp神经网络或bp神经网络的变体形式:
pwp=fnn(nwp,rmsr),
其中:pwp为风电场的预测功率,fnn表示输入输出的非线性关系,nwp表示数值天气预报信息,rmsr为风电场的状态,
假设在时刻i预测i+1,i+2,…,i+16对应的风电功率;
5)仿真计算
仿真输入量:风电场所在地的nwp信息(15min间隔采样),风电场实测开机状态每15min间隔采样下的整场风电功率数据,用于风电场状态评估的数据源(15min间隔采样),根据步骤1)至步骤4),得到整场风电功率实时预测结果;
6)误差分析
误差评价标准执行中华人民共和国国家能源局2011年《风电场功率预测预报管理暂行办法》中规定的准确率和合格率的要求,设pmk为k时段的实际平均功率,ppk为k时段的预测平均功率,n为日考核总时段,cap为风电场开机容量,那么,实时预测准确率定义为:
合格率定义为:
其中若
按步骤5),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准进行误差计算,给出该计算方法的预测准确率。
具体算例分析
本发明以东北某风电场2018年12月的实测数据为例进行分析,采样间隔为15min。该风电场的装机容量为49.5mw,风机数量为33台,单台风机的额定容量为1.5mw;预测结果评价指标选为国家能源局在对现行风电场风电功率实时预测预报的管理规定中,提出的指标来进行误差评价(国家能源局关于印发风电场功率预测预报管理暂行办法的通知[eb/ol],2011)。
表1预测精度统计
tab.1predictionaccuracystatistics
本发明的特定实施例已对本发明的内容作出了详尽的说明,但不局限本实施例,本领域技术人员根据本发明的启示所做的任何显而易见的改动,都属于本发明权利保护的范围。