一种基于混合建模策略的风机功率预测方法及系统技术方案

本发明专利技术涉及一种基于混合建模策略的风机功率预测方法和系统，包括：获取待测风机所在地的天气预报数据及风电场数据采集与监控系统数据，载入风机功率预测模型中，获取风机功率预测结果；风机功率预测模型包括风速

【技术实现步骤摘要】
一种基于混合建模策略的风机功率预测方法及系统


[0001]本专利技术涉及风机功率预测领域，尤其是涉及一种基于混合建模策略的风机功率预测方法及系统。

技术介绍

[0002]风力发电是一种具有巨大开发潜力和广阔商业化应用前景的新型发电方式。但是，风力发电能力高度依赖气象条件，具有极强的不确定性和随机性，严重影响了风电并网系统的运行可靠性。因此，需要构建精准可靠的风机发电功率预测模型，并基此提前制定合理的调度及控制方案，以保障系统的安全、稳定、高效运行。
[0003]目前，已提出的针对风力发电系统的功率预测模型可以分为物理模型方法、风速
‑
功率曲线方法、数据驱动方法等。但这些方法普遍存在以下问题：
[0004]1)物理模型方法需要构建复杂的流体力学和热力学方程组，计算复杂度高，多用于风机的设计过程，而较少应用于运行与调度场景。
[0005]2)风速
‑
功率曲线方法通过构建风速与功率的函数关系，在风机发电功率中长期预测中应用广泛，但由于模型比较简单，在短时预测的精度不高。
[0006]3)数据驱动方法基于历史数据构建气象条件与风电功率的非线性关系，在风机发电功率的短期预测中表现出良好性能，但是由于模型高度依赖气象条件，而在中长期预测中该类数据较为缺乏，故在中长期预测时的实用性低。
[0007]因此，开发一种能够应用于不同时间尺度的风机功率预测方法及系统，对实现风机系统的高效安全运行具有重要意义。

技术实现思路

[0008]本专利技术的目的就是为了克服上述现有技术存在风机功率预测精度低、多时间尺度场景适应性差的缺陷而提供一种基于混合建模策略的风机功率预测方法及系统。
[0009]本专利技术的目的可以通过以下技术方案来实现：
[0010]一种基于混合建模策略的风机功率预测方法，基于现用的常用的风速
‑
功率曲线模型，对模型中功率转换系数项采用人工神经网络模型(Artificial neural network，ANN)进行修正，构建基于混合建模策略的功率预测模型，并基于历史数据对模型参数进行优化，提升模型在不同时间尺度的预测性能。
[0011]具体地，该方法包括步骤：
[0012]获取待测风机所在地的天气预报数据及风电场数据采集与监控系统数据，载入预先建立并训练好的风机功率预测模型中，获取风机功率预测结果；
[0013]所述风机功率预测模型包括风速
‑
功率曲线模型，该风速
‑
功率曲线模型中的功率转换系数通过人工神经网络模型获取；
[0014]所述风机功率预测模型的训练过程包括以下步骤：
[0015]A1：获取待测风机所在地的天气预报数据及风电场数据采集与监控系统数据，作
为用于模型训练和测试的历史数据库；
[0016]A2：基于步骤A1中的所述历史数据库对所述人工神经网络模型中的参数进行优选，并对所述风机功率预测模型的预测性能进行验证；
[0017]A3：基于步骤A2获得的风机功率预测模型，采用不同输入参数对不同时间尺度下的风机发电功率预测性能进行测试，并根据系统实时数据更新历史数据库对模型进行定期修正和参数更新。
[0018]进一步地，所述风速
‑
功率曲线模型的表达式为：
[0019][0020]C
p
＝f(*)
[0021]式中，P为输出功率，ρ为空气密度，R为风轮机叶片半径，C
p
为功率转换系数，v为风速，f(*)为用于关联功率转换系数和气象条件、风机运行条件的人工神经网络模型，所述气象条件由天气预报数据获取，所述风机运行条件由风电场数据采集与监控系统数据获取。
[0022]进一步地，所述空气密度的计算表达式为：
[0023][0024]式中，Pa为气压，所述天气预报数据包括气压数据，R
g
为理想气体常数。
[0025]进一步地，所述天气预报数据包括风速、环境温度、湿度和气压，所述风电场数据采集与监控系统数据包括输出功率、叶片桨距角和风机旋转速度。
[0026]进一步地，所述人工神经网络模型选用径向基函数神经网络模型，该选用径向基函数神经网络模型的表达式为：
[0027][0028]式中，C
p
为功率转换系数，x
k
为RBFNN的输入层神经元，h为隐藏层节点数，c
i
为隐藏层节点中心点位置，σ为内核宽度，β
i
为输出层权重，β0为输出层偏置。
[0029]进一步地，对人工神经网络模型中的参数进行优选，具体为：
[0030]基于K
‑
means聚类方法选取隐含层节点中心点位置；
[0031]基于最大距离法优选内核宽度；
[0032]基于LASSO回归模型优选隐含层节点数和权重矩阵；
[0033]基于BARON全局算法对权重矩阵进行优化。
[0034]进一步地，所述基于最大距离法优选内核宽度的计算表达式为：
[0035][0036]式中，σ为内核宽度，h为隐含层节点数，d
max
为中心点的最大距离，m为输入参数的种类数。
[0037]进一步地，所述基于LASSO回归模型优选隐含层节点数和权重矩阵，具体采用了带有惩罚项的L1正则化项来修正风机功率预测模型的优化目标，
[0038]所述风机功率预测模型的优化目标的表达式为：
[0039][0040]式中，RMSE为功率预测值与实际测量值的均方根误差，λ为正则化参数，h为隐含层节点数，β
i
为权值矩阵。
[0041]进一步地，对所述风机功率预测模型的预测性能进行验证的过程中，采用功率预测值与实际测量值的均方根误差作为评价指标，所述功率预测值与实际测量值的均方根误差的计算表达式为：
[0042][0043]式中，RMSE为功率预测值与实际测量值的均方根误差，K为历史数据库的采样点个数，P
pre,k
为第k个采样点风机发电功率的预测值，P
meas,k
为第k个采样点风机发电功率的测量值。
[0044]本专利技术还提供一种基于混合建模策略的风机功率预测系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。
[0045]与现有技术相比，本专利技术提出的基于混合建模策略的风机功率预测方法及系统，耦合了人工神经网络模型和风速
‑
功率曲线模型两种风机功率预测模型，提高了不同时间尺度下风机发电功率的预测精度，并通过定期采集NWP和SCADA系统的实时数据，对模型参数进行更新，保障了模型预测精度的长期稳定性和可靠性，有助于风机并网系统的高效安全运行。
附图说明
[0046]图1为本专利技术实施例中提供的一种基于混合建模策略的风机功率预测方法的流程示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合建模策略的风机功率预测方法，其特征在于，包括：获取待测风机所在地的天气预报数据及风电场数据采集与监控系统数据，载入预先建立并训练好的风机功率预测模型中，获取风机功率预测结果；所述风机功率预测模型包括风速
‑
功率曲线模型，该风速
‑
功率曲线模型中的功率转换系数通过人工神经网络模型获取；所述风机功率预测模型的训练过程包括以下步骤：A1：获取待测风机所在地的天气预报数据及风电场数据采集与监控系统数据，作为用于模型训练和测试的历史数据库；A2：基于步骤A1中的所述历史数据库对所述人工神经网络模型中的参数进行优选，并对所述风机功率预测模型的预测性能进行验证；A3：基于步骤A2获得的风机功率预测模型，采用不同输入参数对不同时间尺度下的风机发电功率预测性能进行测试，并根据系统实时数据更新历史数据库对模型进行定期修正和参数更新。2.根据权利要求1所述的一种基于混合建模策略的风机功率预测方法，其特征在于，所述风速
‑
功率曲线模型的表达式为：C
p
＝f(*)式中，P为输出功率，ρ为空气密度，R为风轮机叶片半径，C
p
为功率转换系数，v为风速，f(*)为用于关联功率转换系数和气象条件、风机运行条件的人工神经网络模型，所述气象条件由天气预报数据获取，所述风机运行条件由风电场数据采集与监控系统数据获取。3.根据权利要求2所述的一种基于混合建模策略的风机功率预测方法，其特征在于，所述空气密度的计算表达式为：式中，Pa为气压，所述天气预报数据包括气压数据，R
g
为理想气体常数。4.根据权利要求1所述的一种基于混合建模策略的风机功率预测方法，其特征在于，所述天气预报数据包括风速、环境温度、湿度和气压，所述风电场数据采集与监控系统数据包括输出功率、叶片桨距角和风机旋转速度。5.根据权利要求1所述的一种基于混合建模策略的风机功率预测方法，其特征在于，所述人工神经网络模型选用径向基函数神经网络模型，该选用径向基函数神经网络模型的表达式为：式中，C
p

【专利技术属性】
技术研发人员：吴磊，于建成，董潇健，沈佳妮，贺益君，
申请(专利权)人：国网天津市电力公司上海交通大学，
类型：发明
国别省市：