一种风电场风电机机舱短期风速组合预报方法技术

本发明专利技术公开了一种风电场风电机机舱短期风速组合预报方法，分别采用动态时间规整法和相关系数法对预报风电机机舱与所有风电机机舱逐日对应一定时段的风速子序列进行相似性分析，提取演化最相似的若干子序列的风速数据，分别建立基于动态时间规整法和相关系数法的广义回归神经网络子模型预报单元，各子模型的具体参数采用粒子群算法进行全局优化，两个子模型预报结果的平均值作为组合预报方法的最终预报结果。本发明专利技术实现了对风电场内每台风电机的机舱风速进行精细化预报，从而有效提高整个风电场的短期出力预报水平。

【技术实现步骤摘要】

本专利技术属于风电场风电机
，特别涉及了一种风电场风电机机舱短期风速组合预报方法。
技术介绍
为了有效地将风能并入电网中，对于风电场的出力进行准确预报是极其必要和关键的，这其中，0至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等涉及电网安全的技术参数具有重要意义。风能作为一种可再生的清洁能源，具有装机规模灵活、风电发电机组可靠性高、造价低、运行维护简单等优点。据2015年2月国家能源局公布的《2014年风电产业监测情况》，截至2014年底，我国风电累计装机容量已达到9637万千瓦，占全部发电装机容量的7％，占全球风电装机的27％。2014年风电上网电量1534亿千瓦时，占全部发电量的2.78％。2014年12月国家能源局发布《能源发展战略行动计划(2014-2020年)》，预计到2020年，风电装机将达到2亿千瓦。截至目前，风电已经继火电和水电之后成为我国第三大主力电源。随着装机容量的不断增加，风电的弃电问题一直较为突出，据国家能源局统计，2012年全国弃风电量约200亿千瓦时，平均弃风率达到17％；2013年全国弃风电量约150亿千瓦时，平均弃风率达到10％，最新的统计显示，截至2014年9月底，风电弃风电量86亿千瓦时，平均弃风率7.5％。造成风电弃电的一个重要原因在于风的间歇性导致风电的波动性和不稳定性影响了风电质量，为了保证电网的安全而白白弃电。基于此，国家能源局于2011年发布《风电场功率预测预报管理暂行办法》，要求我国所有已并网运行的风电厂应在2012年1月1日前建立起风电预测预报体系和发电计划申报工作机制并开始试运行，按照要求报送风电功率预测预报结果。目前风电场的风速预报常用方法包括物理方法和统计方法，物理方法是指根据精细化数值天气预报模式得到高时空分辨率的定时、定点、定量的数值天气预报模式风力预测输出结果，同时根据风电场风机运行实际情况，综合考虑各种风机发电影响因素，建立出力预测物理模型，进行风电场出力预测。物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场的特性有准确的数学描述，这些方程求解困难，所需资料海量，计算量大，计算时间长，并且从气象部门获取资料的难度大、费用高，因此在短期风电场风速预报中，仍常用统计方法。目前，统计方法大多根据风电场测风塔的历史资料，采用持续法、随机时间序列法、卡尔曼滤波法、神经网络法、支持向量机等方法。仅仅依靠测风塔数据进行预报的最大缺点在于风电场受地形、紊流等影响，风电机处机舱的风速与测风塔处风速可能存在明显的差异，因此仅以测风塔的测量风速预报整个风电场的出力，必将导致较大的预报误差，这个与具体的预报方法无关。随着测量技术和计算机计算能力的提高，精细化的对单台发电机机舱的风速进行预报成为可能。
技术实现思路
为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供一种风电场风电机机舱短期风速组合预报方法，通过对风电场内每台风电机的风速进行精细化预报，从而有效提高整个风电场的短期出力预报水平。为了实现上述技术目的，本专利技术的技术方案为：一种风电场风电机机舱短期风速组合预报方法，其特征在于，包括以下步骤：(1)设风电机每日采样风速数据个数为m，读入风电场中所有风电机机舱的原始采样风速集为{v(#i,j),i＝1,2…,M；j＝1,2,…,N本文档来自技高网...

【技术保护点】
一种风电场风电机机舱短期风速组合预报方法，其特征在于，包括以下步骤：(1)设风电机每日采样风速数据个数为m，读入风电场中所有风电机机舱的原始采样风速集为{v(#i,j),i＝1,2…,M；j＝1,2,…,N}，其中v(#i,j)表示风电机#i在采样点j的机舱风速值，M为风电机的总数，N为采样点总数，则总采样天数为对待预报机舱风速的风电机#p，1≤p≤M，预报步长为Lf、分别采用动态时间规整法和Pearson相关系数法进行采样风速相似性度量：相似性比较的长度为L，即取风电机#p从采样点N开始倒推L长度的采样风速数据{v(#p,N‑L+1),v(#p,N‑L+2),…,v(#p,N)}，与风电场内所有风电机第D日之前一段时期T每日对应时段的机舱采样风速，分别按动态时间规整法和Pearson相关系数法进行相似性比较，分别将两种相似性比较方法的结果按相似性度量结果由高到低进行排序；(2)根据步骤(1)得到的两种相似性比较方法的结果，构造两个GRNN预报子模型，构造这两个GRNN预报子模型需要确定训练集P、测试集T及平滑系数S三个参数；构造两个模拟实验集来分别确定两个GRNN预报子模型的最优参数，所述模拟实验集的构造方法：训练集P的输入为按照动态时间规整法或者Pearson相关系数法、针对进行相似性比较的风速序列长度L，所取得的与{v(#p,N‑L+1),v(#p,N‑L+2),…,v(#p,N)}最为相似的前I个风速序列所构成的风速序列集QP，训练集P的输出为{v(#p,N‑L+1),v(#p,N‑L+2),…,v(#p,N)}；测试集T与训练集P相同；以{v(#p,N‑L+1),v(#p,N‑L+2),…,v(#p,N)}自身的模拟误差为标准，对L、I和S进行优化，针对动态时间规整法建立的GRNN子模型的最优参数为LDTW、IDTW和SDTW，针对Pearson相关系数法建立的GRNN子模型的最优参数为LPCC、IPCC和SPCC；(3)以动态时间规整法建立的GRNN子模型，按LDTW、IDTW和SDTW建立GRNN的训练集测试集及平滑系数SDTW，其中，训练集的输入为按照动态时间规整法、针对进行相似性比较的风速序列的长度LDTW，所取得的与{v(#p,N‑LDTW+1),v(#p,N‑LDTW+2),…,v(#p,N)}最为相似的前IDTW个风速序列所构成的风速序列集训练集的输出为{v(#p,N‑LDTW+1),v(#p,N‑LDTW+2),…,v(#p,N)}；测试集的输入为中各风电机针对中各采样风速序列之后Lf个采样风速序列构成的风速序列集，测试集的输出为针对风电机#p从采样点N开始，步长为Lf的预报风速序列FDTW，其中FDTW={v^DTW(#p,N+1),v^DTW(#p,N+2),...,v^DTW(#p,N+Lf)};]]>以Pearson相关系数法建立的GRNN子模型，按LPCC、IPCC和SPCC建立GRNN的训练集测试集及平滑系数SPCC，其中，训练集的输入为按照Pearson相关系数法、针对进行相似性比较的风速序列的长度LPCC，所取得的与{v(#p,N‑LPCC+1),v(#p,N‑LPCC+2),…,v(#p,N)}最为相似的前IPCC个风速序列所构成的风速序列集训练集的输出为{v(#p,N‑LPCC+1),v(#p,N‑LPCC+2),…,v(#p,N)}；测试集的输入为中各风电机针对中各采样风速序列之后Lf个采样风速序列构成的风速序列集，测试集的输出为针对风电机#p从采样点N开始，步长为Lf的预报风速序列FPCC，其中FPCC={v^PCC(#p,N+1),v^PCC(#p,N+2),...,v^PCC(#p,N+Lf)};]]>(4)风电机#p从采样点N开始、步长为Lf的预报风速序列结果为F＝0.5(FDTW+FPCC)。...

【技术特征摘要】
1.一种风电场风电机机舱短期风速组合预报方法，其特征在于，包括以下步骤：
(1)设风电机每日采样风速数据个...

【专利技术属性】
技术研发人员：杜杰，彭丽霞，孙泓川，张琛，代刊，谌芸，毛冬艳，曹一家，陆金桂，刘玉宝，潘林林，刘月巍，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32