基于动力降尺度数据融合和统计模型的风电功率预测方法技术

本发明专利技术公开了一种基于动力降尺度数据融合和统计模型的风电功率预测方法，具体包括如下步骤：步骤1、通过区域气候模式RegCM对NWP的历史回报风速进行动力降尺度，得到尺度精细风速；步骤2、与历史观测资料的对比，确定动力降尺度前后历史风速数据的可信度权重因子，建立数据融合函数模型；步骤3、根据步骤2建立的数据融合函数模型得到历史风速，并结合历史风力发电功率数据，建立类S型曲线模型；步骤4、根据步骤2建立的数据融合函数模型得到预测风速，并结合步骤3建立的类S型曲线模型，对未来发电功率进行预测，本发明专利技术通过将动力降尺度数据融合和统计模型结合，避免了数值天气预报风速的不确定性，使风速与发电功率的对应关系更加准确。确。确。

【技术实现步骤摘要】
基于动力降尺度数据融合和统计模型的风电功率预测方法


[0001]本专利技术属于风电
，具体涉及基于动力降尺度数据融合和统计模型的风电功率预测方法。

技术介绍

[0002]随着全球经济的快速发展，人们对能源的需求也在逐渐增加。发展可再生绿色能源已成为未来人类能源战略的必然方向。现在的风能被认为是燃烧化石能源的一种基本替代品，并开始在我们的日常生活中广泛使用。然而，对比于化石能源，风能的波动较大。当大规模风电接入电网时，会对电网的安全调度带来很大的影响。因而风电功率预测对电力系统的可靠性至关重要。
[0003]目前风电功率预测方法可分为物理方法和统计方法。
[0004]物理方法的原理是利用数值天气预报(NWP)和风力涡轮机周围的物理信息来预测风力。例如基于增量自组织神经网络和探索性数据分析技术的发电物理系统生成方法；或是利用NWP模型和人工神经网络预测气象参数。然而，物理方法需要对风电场的气象知识和物理特性有较为深入的了解，而且针对具体的风电场设计的复杂性非常高。因此，大多数风电场使用统计学习方法来预测风电功率。根据历史数据和NWP，采用统计学习方法预测风场的风电功率，统计模型通常采用在线测量，为风力预报提供了一种较好的预测方法。应用于风力发电领域的各种预测模型各有优缺点，单一预测模型所获得的预测性能往往难以达到最佳。结合多个模型的优点，建立组合预测模型，提高预测性能，是风电功率预测研究的一个重要研究方向。
[0005]目前这些混合方法可以综合各方法的优点，建立更准确的预测模型。然而，目前的预测方法大多依赖于单一的NWP，并且我国目前能够提供的气象信息的网格分辨率较为粗糙，这就使得我们对预报的风速存在一定的不确定性，从而增加了风电功率预报的不确定性。为此，我们需要通过结合动力降尺度和数据融合技术来提高风速预报的准确性，再耦合到统计模型当中，找出一种预报结果更加可信的风电功率预测方法，以更好地为电力系统安全调度提供有效的指导。

技术实现思路

[0006]本专利技术的目的在于提供基于动力降尺度数据融合和统计模型的风电功率预测方法，以解决当前在数值天气预报NWP预测风速时准确度低，耦合物理和统计方法预测风速和电功率对应关系时对应关系不准确等问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：基于动力降尺度数据融合和统计模型的风电功率预测方法，其中，具体包括如下步骤：
[0008]步骤1、通过区域气候模式RegCM对NWP的历史回报风速进行动力降尺度，得到尺度精细风速；
[0009]步骤2、与历史观测资料的对比，确定动力降尺度前后历史风速数据的可信度权重
因子，建立数据融合函数模型；
[0010]步骤3、根据步骤2建立的数据融合函数模型得到历史风速，并结合历史风力发电功率数据，建立类S型曲线模型；
[0011]步骤4、根据步骤2建立的数据融合函数模型得到预测风速，并结合步骤3建立的类S型曲线模型，对未来发电功率进行预测。
[0012]优选的，所述步骤1中，具体包括如下步骤：
[0013]步骤11、收集数值预报NWP输出的历史回报风速场、气温场、气压场及相对湿度场；
[0014]步骤12、将NWP输出场作为区域气候模式RegCM的输入场，利用超级计算机对模式进行运行，输出分辨率更高的风速场；
[0015]步骤13、确定风电机位置，利用双线性插值将动力降尺度前后的风速场进行插值，给出风电机处动力降尺度前后的风速值。
[0016]优选的，所述步骤2中，具体包括如下步骤：
[0017]步骤21、记单个发电风机处未降尺度的历史回报风速为V
h1
，其对应的可信度权重因子为w1，降尺度后的历史回报风速为V
h2
，其对应的可信度权重因子为w2，则，w1+w2＝1(1)；
[0018]步骤22、记单个发电风机处的历史观测风速为V
h
，并根据V
h1
和V
h2
和V
h
的相似程度来确定可信度权重因子，则，相似程度为，
[0019][0020][0021]步骤23、根据步骤22得到的两个历史回报风速与历史观测风速的相似程度，则，权重因子w1为，
[0022][0023]联立式(1)和式(4)求解可信度权重因子；
[0024]步骤24、设两个历史回报风速融合后的风速为V，则，
[0025]V＝w1
×
V
h1
+w2
×
V
h2
(5)，
[0026]根据式(5)建立数据融合函数模型，并用于降尺度前后未来预报风速的数据融合。
[0027]优选的，所述步骤3中，具体包括如下步骤：
[0028]步骤31、根据风电机组的性质，任意时刻的输出功率与对应时刻风速的计算关系为，
[0029][0030]步骤32、根据步骤2建立的数据融合函数模型得到历史风速，并结合历史风力发电功率数据，训练类S型曲线，且所述类S型曲线设为，
[0031][0032]步骤33、利用MATLAB软件对类S型曲线进行拟合，求出待定系数，即可得到类S型曲线的函数表达式，代入到步骤31所得式中，既得P
‑
V统计预测模型，
[0033][0034]优选的，所述步骤4中，具体包括如下步骤：
[0035]步骤41、利用区域气候模式RegCM对NWP预测的风速进行动力降尺度，对动力降尺度前后的数据融合得到风电机处未来的预测风速v；
[0036]步骤42、将预测风速v带入到P
‑
V统计预测模型中，得到未来时刻风电机的发电功率P。
[0037]优选的，所述步骤22中，R1和R2分别为两个历史回报风速与历史观测风速的相似程度；分别代表两个历史回报风速，且代表观测风速平均值。
[0038]优选的，所述步骤31中，P(V)是风速为V时风电机输出功率，且S为需要构建的类S型曲线模型输出功率；V
切入
为风电机切入速度、V
额定
为额定速度、V
切出
为切出速度，且Pmax为风电机输出最大功率。
[0039]优选的，所述步骤32中，e为自然指数，且a、b、c和d为待定系数；V为输入风速，且输入风速数值大小位于风电机切入风速和额定风速之间，S为输出功率。
[0040]本专利技术的技术效果和优点，该基于动力降尺度数据融合和统计模型的风电功率预测方法：
[0041]1、对动力降尺度前后的风速进行数据融合时，降尺度得到了分辨率更加精细的风场数据，其可信度权重因子更大，使得数据融合后的风速更加接近于真实风速，并且考虑了原始预测风速的影响，能够更好地预测出风电场处风速；
[0042]2、构建的类S型曲线函数是类S型曲线函数，利用MATLAB软件拟合求出的函数，比S型曲线函数更加符合风速与功率的一一对应关系；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动力降尺度数据融合和统计模型的风电功率预测方法，其特征在于，具体包括如下步骤：步骤1、通过区域气候模式RegCM对NWP的历史回报风速进行动力降尺度，得到尺度精细风速；步骤2、与历史观测资料的对比，确定动力降尺度前后历史风速数据的可信度权重因子，建立数据融合函数模型；步骤3、根据步骤2建立的数据融合函数模型得到历史风速，并结合历史风力发电功率数据，建立类S型曲线模型；步骤4、根据步骤2建立的数据融合函数模型得到预测风速，并结合步骤3建立的类S型曲线模型，对未来发电功率进行预测。2.根据权利要求1所述的基于动力降尺度数据融合和统计模型的风电功率预测方法，其特征在于，所述步骤1中，具体包括如下步骤：步骤11、收集数值预报NWP输出的历史回报风速场、气温场、气压场及相对湿度场；步骤12、将NWP输出场作为区域气候模式RegCM的输入场，利用超级计算机对模式进行运行，输出分辨率更高的风速场；步骤13、确定风电机位置，利用双线性插值将动力降尺度前后的风速场进行插值，给出风电机处动力降尺度前后的风速值。3.根据权利要求1所述的基于动力降尺度数据融合和统计模型的风电功率预测方法，其特征在于，所述步骤2中，具体包括如下步骤：步骤21、记单个发电风机处未降尺度的历史回报风速为V
h1
，其对应的可信度权重因子为w1，降尺度后的历史回报风速为V
h2
，其对应的可信度权重因子为w2，则，w1+w2＝1 (1)；步骤22、记单个发电风机处的历史观测风速为V
h
，并根据V
h1
和V
h2
和V
h
的相似程度来确定可信度权重因子，则，相似程度为，定可信度权重因子，则，相似程度为，步骤23、根据步骤22得到的两个历史回报风速与历史观测风速的相似程度，则，权重因子w1为，联立式(1)和式(4)求解可信度权重因子；
步骤24、设两个历史回报风速融合后的风速为V，则，V＝w1
×
V
h1
+...

【专利技术属性】
技术研发人员：张录军，杨冬东，
申请(专利权)人：江苏冰象智气信息技术有限公司，
类型：发明
国别省市：