一种风资源可预报性评估方法、系统、设备及介质技术方案

本发明专利技术提供一种风资源可预报性评估方法、系统、设备及介质，将风电场的风速观测时间序列转换为风功率序列，并按设定周期进行分解得到风功率子序列集合；计算各风功率子序列集合中各风功率子序列之间的误差指标值；基于误差指标值对各风功率子序列进行分类，并确定各分类中风功率子序列出现的概率；基于各分类中风功率子序列出现的概率确定所有分类的风资源可预报程度，及进一步衡量不同地区间的可预测性差异。本发明专利技术通过构建风资源可预报性指标，有助于厘清风资源可预报性概念，及定量评估不同地区的可预报程度，从而有助于基于可预报性指标进行电网发用电平衡和调度计划制订，提高了电网发电平衡及调度计划的合理性。了电网发电平衡及调度计划的合理性。了电网发电平衡及调度计划的合理性。

【技术实现步骤摘要】
一种风资源可预报性评估方法、系统、设备及介质


[0001]本专利技术涉及风资源利用领域，具体涉及一种风资源可预报性评估方法、系统、设备及介质。

技术介绍

[0002]风资源具有强烈的时空波动特性，其波动尺度跨越了从次分钟级到小时级、日级、月级、年级、年代级等时间尺度，这些不同尺度的风速波动均会造成风电发电量的波动，从而影响到电网发用电平衡和调度计划制订。目前，风电场发电量预测方法主要有时间序列分析预测法和资源
‑
电量预测法两种，时间序列分析预测法是以历史发电量序列数据为输入，采用神经网络、卡尔曼滤波等统计模型实现未来发电量的预测，资源
‑
电量预测法是以风资源预测参量(一般来自于天气/气候预报)为输入，通过资源
‑
电量转化模型实现未来发电量预测的方法。
[0003]然而，无论何种预测方法均面临预报精度有限的问题，无论何时，提升预报精度都是风电功率预测的首要目标。其中，第一种时间序列分析预测法主要基于历史趋势推演未来，仅适用于平稳的天气/气候变化特征，对于变化较剧烈的天气/气候变化，其预测精度受到了限制。第二种方法以天气/气候预测模式输出的风速时间序列为基础，能够克服第一种方法不能预测剧烈变化的缺点，然而天气 /气候预测模式受观测资料有限、模式模拟不足、非线性误差增长等问题影响，具有较大的不确定性，其风速预测的准确率有待提升。目前，天气/气候模式预测的风速是主流风电功率预测技术的最重要输入要素，各个研究机构和业务部门均在致力于发展高精度的天气/气候预测结果，以进一步提升风电功率预测精度，但进展非常缓慢。
[0004]近些年，风电功率预测技术方面的阻力，引起了关于风资源可预报性，即预报难度的思考和讨论。风资源不像确定性周期过程那样完全可预测，也不像高斯过程那样完全不可预测，而是介于二者之前。并且，在实际风电功率预测中，会发现不同地点的可预报性也不尽相同，如东南沿海地区的预测精度要明显高于西南地区。然而，目前尚缺少关于风资源可预报性的统计指标，以衡量风资源的可预测程度(或不确定性程度)，及衡量不同地区间的可预测性差异。
[0005]传统的风电功率预测中，缺乏关于可预报性的统计指标，导致对局地风电场的预报难度缺乏估计，也无法对比不同地区间的预报难度差异。

技术实现思路

[0006]为了解决现有技术所存在的问题，本专利技术提供一种风资源可预报性评估方法，包括：
[0007]将风电场的风速观测时间序列转换为风功率序列，并将所述风功率序列按设定周期进行分解得到风功率子序列集合；
[0008]利用预先设定的误差指标计算式计算风功率子序列集合中各风功率子序列之间
的误差指标值；
[0009]基于所述误差指标值对各所述风功率子序列进行分类，并确定各分类中风功率子序列出现的概率；
[0010]基于各分类中风功率子序列出现的概率确定所有分类的风资源可预报程度。
[0011]优选的，所述利用预先设定的误差指标计算式计算风功率子序列集合中各风功率子序列之间的误差指标值，包括：
[0012]基于如下预先设定的误差指标计算式，计算风功率子序列集合中各风功率子序列之间的误差指标值：
[0013][0014]其中，E
j,k
为第j和k个风功率子序列的误差指标值；W
j
和W
k
分别为第j和k个风功率子序列。
[0015]优选的，所述基于所述误差指标值对各所述风功率子序列进行分类，包括：
[0016]基于任意两个风功率子序列的误差指标与设定误差阈值进行比较，确定各所述风功率子序列的分类。
[0017]优选的，所述基于任意两个风功率子序列的误差指标与设定误差阈值进行比较，确定各所述风功率子序列的分类，包括：
[0018]当E
j,k
<δ时，W
j
和W
k
为同一类风功率子序列，并为所述风功率子序列W
j
和W
k
标记类型X
p
，同时更新所述类型X
p
所包含风功率子序列的数量；
[0019]其中，X
p
为第p个类型；Q为类型的总数；Y
p
为第p个类型中相似风功率子序列的数量；δ为设定的误差阈值。
[0020]优选的，所述确定各分类中风功率子序列出现的概率，包括：
[0021]基于每个类型所包含风功率子序列的数量，计算各类型中风功率子序列的出现概率。
[0022]优选的，所述出现概率的计算式如下：
[0023][0024]式中，prob(X
p
)为出现概率；Y
p
为第p个类型中相似风功率子序列的数量； Q为类型的总数。
[0025]优选的，所述基于各分类中风功率子序列出现的概率确定所有分类的风资源可预报程度，包括：
[0026]基于所有类型及出现概率利用信息熵法计算可预报性指标值：
[0027]基于所述指标值对风资源可预报程度进行定量评估。
[0028]优选的，所述可预报性指标值的计算式如下：
[0029][0030]式中，S为可预报性指标值；X
p
为第p个类型；Q为类型的总数。
[0031]优选的，所述将风电场的风速观测时间序列转换为风功率序列，包括：
[0032]基于风电场的风速观测时间序列，利用风电功率曲线公式进行计算得到风功率序列。
[0033]优选的，所述风电功率曲线公式如下：
[0034]w
i
＝f(v
i
)
[0035]式中，w
i
(i＝1,2,3,...,N)为风功率序列，v
i
(i＝1,2,3,...,N)为风速观测时间序列。
[0036]基于同一种专利技术构思，本专利技术还提供一种风资源可预报性评估系统，包括：
[0037]转化模块，用于将风电场的风速观测时间序列转换为风功率序列，并将所述风功率序列按设定周期进行分解得到风功率子序列集合；
[0038]分类模块，用于利用预先设定的误差指标计算式计算风功率子序列集合中各风功率子序列之间的误差指标值；基于所述误差指标值对各所述风功率子序列进行分类，并确定各分类中各风功率子序列出现的概率；
[0039]评估模块，用于基于各分类中风功率子序列出现的概率确定所有分类的风资源可预报程度。
[0040]优选的，所述分类模块具体用于：
[0041]基于任意两个风功率子序列的误差指标与设定误差阈值进行比较确定相似风功率子序列的分类。
[0042]优选的，所述评估模块具体用于：
[0043]基于所有类型及出现概率利用信息熵法计算可预报性指标值：
[0044]基于所述指标值对风资源可预报程度进行定量评估。
[0045]基于同一种专利技术构思本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风资源可预报性评估方法，其特征在于，将风电场的风速观测时间序列转换为风功率序列，并将所述风功率序列按设定周期进行分解得到风功率子序列集合；利用预先设定的误差指标计算式计算风功率子序列集合中各风功率子序列之间的误差指标值；基于所述误差指标值对各所述风功率子序列进行分类，并确定各分类中风功率子序列出现的概率；基于各分类中风功率子序列出现的概率确定所有分类的风资源可预报程度。2.如权利要求1所述的方法，其特征在于，所述利用预先设定的误差指标计算式计算风功率子序列集合中各风功率子序列之间的误差指标值，包括：基于如下预先设定的误差指标计算式，计算风功率子序列集合中各风功率子序列之间的误差指标值：其中，E
j,k
为第j和k个风功率子序列的误差指标值；W
j
和W
k
分别为第j和k个风功率子序列。3.如权利要求2所述的方法，其特征在于，所述基于所述误差指标值对各所述风功率子序列进行分类，包括：基于任意两个风功率子序列的误差指标与设定误差阈值进行比较，确定各所述风功率子序列的分类。4.如权利要求3所述的方法，其特征在于，所述基于任意两个风功率子序列的误差指标与设定误差阈值进行比较，确定各所述风功率子序列的分类，包括：当E
j,k
<δ时，W
j
和W
k
为同一类风功率子序列，并为所述风功率子序列W
j
和W
k
标记类型X
p
，同时更新所述类型X
p
所包含风功率子序列的数量；其中，X
p
为第p个类型；Q为类型的总数；Y
p
为第p个类型中相似风功率子序列的数量；δ为设定的误差阈值。5.如权利要求1所述的方法，其特征在于，所述确定各分类中风功率子序列出现的概率，包括：基于每个类型所包含风功率子序列的数量，计算各类型中风功率子序列的出现概率。6.如权利要求5所述的方法，其特征在于，所述出现概率的计算式如下：式中，prob(X
p
)为出现概率；Y
p
为第p个类型中相似风功率子序列的数量；Q为类型的总数。7.如权利要求5所述的方...

【专利技术属性】
技术研发人员：宋宗朋，王勃，靳双龙，冯双磊，刘晓琳，胡菊，郭于阳，滑申冰，马振强，张艾虎，甄妍，王铮，车建峰，王钊，张菲，赵艳青，姜文玲，韩振永，
申请(专利权)人：国家电网有限公司国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：