[发明专利]风电场风速预测方法

说明书

技术领域

本发明属于风速预测技术领域，尤其涉及一种风电场风速的预测方法。

背景技术

风能作为可再生能源的重要类别，具有蕴藏量巨大、可再生、分布广、无污染等特点，受到了越来越广泛的重视，并成为发展最快的新型能源。近年来，全球风力发电技术发展迅速，中国风电装机容量从2005年开始，连续5年翻番增长。截止到2010年底，累计装机容量达到4200万千瓦，风电装机总容量跃居全球第一。如今，中国开发和利用风能的主要形式是大规模并网风力发电，但由于大自然风速的随机性和间歇性，导致风电大规模并网对电网造成很大的冲击和挑战。如果能准确预测风电场风速，则有利于调整调度计划，有效减轻风电对整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在开放的电力市场环境下正确制定电能交换计划，对于电网的安全运行，调度部门及时准确地调整风电调度计划，增加风电上网比例，具有重要的现实意义。

风速易受湿度、地形、气压、温度等因素影响，具有很强的随机性，对其预测的难度较大。目前，风速多步预测精度较低，不能反映风速未来变化趋势的问题。风电场风速预测的方法很多，成熟的有持续预测法、神经网络法、时间序列分析法、卡尔曼滤波法、小波分析法等。常规的风速预测方法是基于历史风速时间序列的一种延伸预测方法，其中常用的时间序列的分析法又分为：自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、累积式自回归滑动平均模型(ARIMA)，一般风速多步预测的方法是基于历史数据推算实现，多步预测精度较差，不能反映风速变化趋势。

发明内容

为了解决上述风速预测精度较差的问题，本发明提出了一种风电场风速多步预测方法，本方法集成了未来数值天气预报数据、历史测风数据和实时测风数据，在跟踪未来风速变化趋势的基础上，对历史风速进行准确分类，基于实时测风数据并例如采用支持向量机SVM方法，能够进行例如未来4小时，15min时间间隔，共16步的风速预测，既能准确追踪未来风速变化趋势，又能基于实测风速每15min刷新一次预报结果，滚动预报未来16步最新的风速变化，实现了未来风速高精确多步预测。

本发明提出的一种风电场风速多步预测方法包括：步骤1，读入未来数值天气预报数据，获得风速变化趋势；步骤2，读入测风历史数据，获得所述风速变化趋势的相似样本，并从相似样本中选出学习样本；步骤3，获取当前的实时测风数据；步骤4，根据选出的学习样本以及获取的实时测风数据，对风速进行预测。

根据本发明提出的方法的一个方面，所述未来数值天气预报数据包括预测出的第一预定时间间隔的风速、风向和温度数据；所述风速变化趋势包括相隔为第一预定时间间隔的两个时刻之间的风速差和风向差。

根据本发明提出的方法的一个方面，所述第一预定时间间隔为1个小时或15分钟。

根据本发明提出的方法的一个方面，所述测风历史数据包括第二预定时间间隔的历史风速、风向和温度数据；所述步骤2具体包括：计算测风历史数据的距离为第一预定时间间隔的两个时刻之间的风速差和风向差，并按照风速差和风向差的取值范围对测风历史数据进行分组，每组测风历史数据都对应着范围为X_i的风速差和范围为Y_j的风向差，其中i＝1…m，j＝1…n，即将测风历史数据分成m×n组，形成m×n的风速变化矩阵；获得与所述风速变化趋势位于同一分组的测风历史数据，形成所述相似样本；从所述相似样本中获取与所述风速变化趋势差别在预定阈值内的多组样本，形成所述学习样本。

根据本发明提出的方法的一个方面，所述实时测风数据包括当前的风速和温度值。

根据本发明提出的方法的一个方面，步骤S4包括：对所述学习样本进行学习，将第一时刻的风速和温度作为输入，将与第一时刻相隔第二预定时间间隔的风速作为输出，获得输入和输出之间的关系；并根据所获得的关系，输入所述实时测风数据，获得相隔为第二预定时间间隔的下一时刻的预测风速值，并根据相隔为第一预定时间间隔的两个时刻的温度数据，通过插值计算出所述下一时刻的温度值，根据所述下一时刻的预测风速值和温度值继续执行预测，以实现多步滚动预测。

根据本发明提出的方法的一个方面，使用支持向量机SVM算法或人工神经网络算法对学习样本进行学习，从而获得输入和输出之间的关系。

根据本发明提出的方法的一个方面，所述第二预定时间间隔小于或等于所述第一时间间隔

附图说明

图1是本发明提出的方法的流程图；

图2是根据风速差和风向差的历史数据划分示意图；