一种风向信息预测方法及系统技术方案

本发明专利技术涉及一种风向信息预测方法及系统，该方法包括如下步骤：S1：获取风电场各风电机组历史风向实时数据；S2：根据历史风向实时数据筛选目标机组的若干关联机组；S3：提取当前预测时刻前p个采样时刻目标机组和关联机组的历史风向实时数据组成目标机组历史风向时序序列和关联机组历史风向时序序列，p为常数；S4：将目标机组历史风向时序序列和关联机组历史风向时序序列输入至预先建立的预测模型得到当前预测时刻目标机组的风向预测值；S5：到达下一预测时刻，更新步骤S1中历史风向实时数据并重复执行步骤S2～S5直至预测结束。与现有技术相比，本发明专利技术融合时间序列规律和空间相关信息，提高风向感知的精确度和稳定性。

【技术实现步骤摘要】
一种风向信息预测方法及系统
本专利技术属于风电领域，尤其是涉及一种风向信息预测方法及系统。
技术介绍
风向具有显著的随机性和波动性，传统风电机组偏航控制策略存在动作滞后、偏航频次偏高等问题，会对风能利用效率和风机偏航系统可靠性造成不利影响。基于风向预测的偏航控制策略可以有效提升风能捕获效率，提高风电机组运行的安全性和经济性。分钟级风向预测可对大型风电机组滞后的偏航控制进行改进，有效优化偏航系统的工作性能，减少由于风向波动引起的偏航机构频繁动作，降低风轮的不平衡载荷，是保障风电机组安全稳定运行的内在要求，专利技术面向风电机组偏航控制的风向预测方法具有重要的工程价值。目前，风参数预测领域已经取得了一定成果，从预测原理来看，主要分为物理模型法、统计方法、机器学习方法等。受气压、地形、湍流等因素影响，风向预测面临着复杂多变、规律性较弱的挑战。现有预测方法或是基于历史数据内在的时序规律建立时序预测模型，或是基于地形、气压、温度、相对湿度、地理位置、海拔高度等输入变量建立机器学习模型，其共同点都是局限于独立机组或风电场的数据进行预测，缺乏对于空间信息的交互利用，因此在风速/风向序列不平稳时，此类方法预测误差较大，可能对基于风向预测的偏航控制造成严重的不利影响，因此不仅要关注风向预测的精确度，还需要提升风向预测的稳定性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种风向信息预测方法及系统。本专利技术的目的可以通过以下技术方案来实现：一种风向信息预测方法，该方法包括如下步骤：S1：获取风电场各风电机组历史风向实时数据；S2：根据历史风向实时数据筛选目标机组的若干关联机组；S3：提取当前预测时刻前p个采样时刻目标机组和关联机组的历史风向实时数据组成目标机组历史风向时序序列和关联机组历史风向时序序列，p为常数；S4：将目标机组历史风向时序序列和关联机组历史风向时序序列输入至预先建立的预测模型得到当前预测时刻目标机组的风向预测值；S5：到达下一预测时刻，更新步骤S1中历史风向实时数据并重复执行步骤S2～S5直至预测结束。优选地，步骤S2筛选关联机组前包括对历史风向实时数据的预处理，具体为：首先，去循环处理：设原始数据集为Xr＝{x1,x2,…,xn}，则去循环处理后得到去循环处理数据集X′r＝{x′1,x′2,…,x′n}，其中，x′1＝x1，当i＞1时，其中，xi为第i个历史风向实时数据，xi'为去循环处理后的第i个历史风向实时数据，i＝1，2，……n，n为原始数据集中数据总个数；然后，重采样：设重采样间隔为T秒，每个重采样间隔对应去循环处理数据集中的d个数据，则依次将去循环处理数据集中的每d个数据分为一组并求取平均值，进而得到重采样的历史风向实时数据；进而，基于重采样的历史风向实时数据筛选关联机组。优选地，所述的预测模型为向量自回归预测模型。优选地，所述的向量自回归预测模型数学表达形式为：设目标机组历史风向时序序列为：X＝{xt-p,xt-p+1,…,xt-2,xt-1}，第1个关联机组历史风向时序序列为：Y＝{yt-p,yt-p+1,…,yt-2,yt-1}，以此类推，第m个关联机组历史风向时序序列为：Z＝{zt-p,zt-p+1,…,zt-2,zt-1}，其中，xt-j为当前预测时刻前的第j个采样时刻目标机组的历史风向实时数据，yt-j为当前预测时刻前的第j个采样时刻第1个关联机组的历史风向实时数据，zt-j为当前预测时刻前的第j个采样时刻第m个关联机组的历史风向实时数据，j＝1，2，……p，m为关联机组总数；则向量自回归预测模型为：其中，xt为当前预测时刻目标机组的风向预测值，w0为常数，w0表示目标机组历史风向时序序列的平稳项，αj表示目标机组自身在当前预测时刻前的第j个采样时刻的历史风向实时数据对当前预测时刻目标机组的风向预测值的同阶协整影响因子，βj表示第1个关联机组在当前预测时刻前的第j个采样时刻的历史风向实时数据对当前预测时刻目标机组的风向预测值的同阶协整影响因子，以此类推，γj表示第m个关联机组在当前预测时刻前的第j个采样时刻的历史风向实时数据对当前预测时刻目标机组的风向预测值的同阶协整影响因子，εt是均值为0、方差为常数的随机扰动项，αj、βj、γj和εt均为预先训练得到的常数。优选地，该方法获取当前预测时刻目标机组的风向预测值后用于目标机组的偏航控制。一种风向信息预测系统，该系统包括：数据获取单元：该单元用于获取风电场各风电机组历史风向实时数据；关联机组筛选单元：该单元根据历史风向实时数据筛选目标机组的若干关联机组；数据提取单元：该单元提取当前预测时刻前p个采样时刻目标机组和关联机组的历史风向实时数据组成目标机组历史风向时序序列和关联机组历史风向时序序列，p为常数；预测单元：该单元将目标机组历史风向时序序列和关联机组历史风向时序序列输入至预先建立的预测模型得到当前预测时刻目标机组的风向预测值。优选地，所述的关联机组筛选单元包括：预处理子单元：该子单元执行以下操作，首先，去循环处理：设原始数据集为Xr＝{x1,x2,…,xn}，则去循环处理后得到去循环处理数据集X′r＝{x′1,x′2,…,x′n}，其中，x′1＝x1，当i＞1时，其中，xi为第i个历史风向实时数据，xi'为去循环处理后的第i个历史风向实时数据，i＝1，2，……n，n为原始数据集中数据总个数；然后，重采样：设重采样间隔为T秒，每个重采样间隔对应去循环处理数据集中的d个数据，则依次将去循环处理数据集中的每d个数据分为一组并求取平均值，进而得到重采样的历史风向实时数据；筛选子单元：该子单元基于重采样的历史风向实时数据筛选关联机组。优选地，所述的预测单元中的预测模型为向量自回归预测模型。优选地，所述的向量自回归预测模型数学表达形式为：设目标机组历史风向时序序列为：X＝{xt-p,xt-p+1,…,xt-2,xt-1}，第1个关联机组历史风向时序序列为：Y＝{yt-p,yt-p+1,…,yt-2,yt-1}，以此类推，第m个关联机组历史风向时序序列为：Z＝{zt-p,zt-p+1,…,zt-2,zt-1}，其中，xt-j为当前预测时刻前的第j个采样时刻目标机组的历史风向实时数据，yt-j为当前预测时刻前的第j个采样时刻第1个关联机组的历史风向实时数据，zt-j为当前预测时刻前的第j个采样时刻第m个关联机组的历史风向实时数据，j＝1，2，……p，m为关联机组总数；则向量自回归预测模型为：其中，xt为当前预测时刻目标机组的风向预测值，w0为常数，w0表示目标机组历史风向时序序列的平稳项，αj表示目标机组自身在当前预测时刻前的第j个采样时刻的历本文档来自技高网...

【技术保护点】
1.一种风向信息预测方法，其特征在于，该方法包括如下步骤：/nS1：获取风电场各风电机组历史风向实时数据；/nS2：根据历史风向实时数据筛选目标机组的若干关联机组；/nS3：提取当前预测时刻前p个采样时刻目标机组和关联机组的历史风向实时数据组成目标机组历史风向时序序列和关联机组历史风向时序序列，p为常数；/nS4：将目标机组历史风向时序序列和关联机组历史风向时序序列输入至预先建立的预测模型得到当前预测时刻目标机组的风向预测值；/nS5：到达下一预测时刻，更新步骤S1中历史风向实时数据并重复执行步骤S2～S5直至预测结束。/n

【技术特征摘要】
1.一种风向信息预测方法，其特征在于，该方法包括如下步骤：
S1：获取风电场各风电机组历史风向实时数据；
S2：根据历史风向实时数据筛选目标机组的若干关联机组；
S3：提取当前预测时刻前p个采样时刻目标机组和关联机组的历史风向实时数据组成目标机组历史风向时序序列和关联机组历史风向时序序列，p为常数；
S4：将目标机组历史风向时序序列和关联机组历史风向时序序列输入至预先建立的预测模型得到当前预测时刻目标机组的风向预测值；
S5：到达下一预测时刻，更新步骤S1中历史风向实时数据并重复执行步骤S2～S5直至预测结束。


2.根据权利要求1所述的一种风向信息预测方法，其特征在于，步骤S2筛选关联机组前包括对历史风向实时数据的预处理，具体为：
首先，去循环处理：
设原始数据集为Xr＝{x1,x2,…,xn}，则去循环处理后得到去循环处理数据集X′r＝{x′1,x′2,…,x′n}，其中，
x′1＝x1，
当i＞1时，



其中，xi为第i个历史风向实时数据，xi'为去循环处理后的第i个历史风向实时数据，i＝1，2，……n，n为原始数据集中数据总个数；
然后，重采样：
设重采样间隔为T秒，每个重采样间隔对应去循环处理数据集中的d个数据，则依次将去循环处理数据集中的每d个数据分为一组并求取平均值，进而得到重采样的历史风向实时数据；
进而，基于重采样的历史风向实时数据筛选关联机组。


3.根据权利要求1所述的一种风向信息预测方法，其特征在于，所述的预测模型为向量自回归预测模型。


4.根据权利要求3所述的一种风向信息预测方法，其特征在于，所述的向量自回归预测模型数学表达形式为：
设目标机组历史风向时序序列为：X＝{xt-p,xt-p+1,…,xt-2,xt-1}，
第1个关联机组历史风向时序序列为：Y＝{yt-p,yt-p+1,…,yt-2,yt-1}，
以此类推，第m个关联机组历史风向时序序列为：Z＝{zt-p,zt-p+1,…,zt-2,zt-1}，
其中，xt-j为当前预测时刻前的第j个采样时刻目标机组的历史风向实时数据，yt-j为当前预测时刻前的第j个采样时刻第1个关联机组的历史风向实时数据，zt-j为当前预测时刻前的第j个采样时刻第m个关联机组的历史风向实时数据，j＝1，2，……p，m为关联机组总数；
则向量自回归预测模型为：



其中，xt为当前预测时刻目标机组的风向预测值，w0为常数，w0表示目标机组历史风向时序序列的平稳项，αj表示目标机组自身在当前预测时刻前的第j个采样时刻的历史风向实时数据对当前预测时刻目标机组的风向预测值的同阶协整影响因子，βj表示第1个关联机组在当前预测时刻前的第j个采样时刻的历史风向实时数据对当前预测时刻目标机组的风向预测值的同阶协整影响因子，以此类推，γj表示第m个关联机组在当前预测时刻前的第j个采样时刻的历史风向实时数据对当前预测时刻目标机组的风向预测值的同阶协整影响因子，εt是均值为0、方差为常数的随机扰动项，αj、βj、γj和εt均为预先训练得到的常数。


5.根据权利要求1～4任意一项所述的一种风向信息预测方法，其特征在于，该方法获取当前预测时刻目标机组的风向预测值后用于目标机组的偏航控制。


6.一种风向信息预测系统，其特征在...

【专利技术属性】
技术研发人员：沈小军，付雪姣，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31