一种基于云模型和RBF神经网络的风电场短期风速订正方法技术

本发明专利技术公开了一种基于云模型和RBF神经网络的风电场短期风速订正方法，属于风电场的电数字数据处理技术领域。该方法包括：构建训练集，训练集中每个样本包括：待预测风电场在选定历史时间段任一时刻数值天气预报中的预报风速数据和该风电场在对应时刻测风塔的实测风速值；对训练集所有样本进行划分，建立每个风速段对应的单点预测误差云模型并计算该云模型对应的特征值；根据训练集中各样本及对应特征值训练RBF神经网络，训练完毕后得到短期风速订正模型以用于对待预测时段进行风速订正。本发明专利技术将RBF神经网络快速易行以及全局最优的特点与云模型处理不确定性问题的优势进行融合，是一种更为全面、准确性更高的短期风速订正方法。速订正方法。速订正方法。

【技术实现步骤摘要】
一种基于云模型和RBF神经网络的风电场短期风速订正方法


[0001]本专利技术涉及风电场的电数字数据处理
，更具体地，涉及一种风电场短期风速订正方法。

技术介绍

[0002]风速预测是风电功率预测的基础，准确地预测风速可以有效地解决大规模风电场运行和并网的问题，而风速的短期预测通常以时、天为预测单位，是风速预测研究的主要方向。近年来，数值天气预报NWP不断发展，建立了相对成熟的天气预报系统，但由于NWP本身的特性，受参数化方案不完善等多重因素的限制，其精度不高，误差较大，为进一步提高风速预测的准确性，改善风电大规模并网的安全稳定性能，对NWP中的风电场短期风速进行订正十分必要。
[0003]如中国专利文献CN104734175B的一种实现风电机组风速功率曲线的智能修正方法，通过获取风电机组实际风速和实际功率运行数据，建立比恩区间风速
‑
功率值关系，获取风电机组风速
‑
功率多项式，修正风速
‑
功率多项式的系数，从而反映风电机组的风速功率特征。但是，由于该现有技术方案仅考虑实测风速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云模型和RBF神经网络的风电场短期风速订正方法，其特征在于，包括以下步骤：S1：构建训练集；S2：对所述训练集所有样本按时间进行划分，建立每个时间段内的风速段对应的单点预测误差云模型，计算所述单点预测误差云模型对应的特征值；S3：根据所述训练集中每个样本及对应的特征值训练RBF神经网络，将训练完毕的所述RBF神经网络作为短期风速订正模型；S4：利用所述短期风速订正模型对待预测风电场的待预测时间段进行风速修正。2.根据权利要求1所述的一种基于云模型和RBF神经网络的风电场短期风速订正方法，其特征在于，步骤S1的所述训练集的每个样本包括：待预测风电场在选定历史时间段任一时刻的数值天气预报中的预报风速数据和所述待预测风电场在所述时刻测风塔的实测风速值。3.根据权利要求2所述的一种基于云模型和RBF神经网络的风电场短期风速订正方法，其特征在于，所述数值天气预报中的预报风速数据包括：预报风速值、风向正弦和风向余弦。4.根据权利要求3所述的一种基于云模型和RBF神经网络的风电场短期风速订正方法，其特征在于，所述步骤S2包括：S21：当所述时间段内任一时刻的风速为v时，从该时间段中选取预报风速段在(v
±
a)m/s的样本组成对应的风速段样本集；S22：计算步骤S21选出的每个样本的预报风速误差值，将所述预报风速误差值作为该样本在所述风速段样本集对应的单点预测误差云模型中的云滴样本值；x
i
＝U
i
‑
u
i
ꢀꢀꢀ
(式1)式1中，x
i
该样本集中第i个样本的预报风速误差值，U
i
为为该样本集中第i个样本的实测风速，u
i
为该样本集中第i个样本的预报风速值；S23：将步骤S22得到的所有云滴样本值输入逆向云发生器，得到所述风速段样本集对应的单点预测误差云模型的特征值；S24：将步骤s23得到的特征值输入正向云发生器，得到与所述特征值分布规律相符的虚拟云滴，所有虚拟云滴构成所述风速段样本集对应的单点预测误差云模型。S25：通过不同时间段的预报风速值，调整风速段的覆盖范围；重复步骤S21至步骤S24，得到每个时间段的样本对应的所述单点预测误差云模型及对应的...

【专利技术属性】
技术研发人员：唐雅洁，吴晓刚，吴新华，陶毓锋，季青锋，陈楠，阎洁，刘永前，张有鑫，周逸之，杜倩昀，叶碧琦，徐文，胡建鹏，龚迪阳，林达，赵汉鹰，叶吉超，胡鑫威，张雪松，陈文进，张俊，陈菁伟，张若伊，祝巍蔚，韩爽，李志浩，周晓庆，葛畅，李玉浩，
申请(专利权)人：国网浙江省电力有限公司丽水供电公司，
类型：发明
国别省市：