[发明专利]风电场短期功率预测方法

说明书

技术领域

本发明涉及一种风电场短期功率预测方法。

背景技术

近年来，随着我国能源政策调整，并网风电装机容量快速增长，大规模风电集中并网对电网安全运行带来冲击。提高风电场出力的可预测性，能够有效减少风电对电网造成的冲击，减轻电网调度调峰压力，这对于充分利用风能资源，进一步提高并网风电装机比例有积极意义。按照国内已颁布实施的风电场功率预测技术规范，风电场必须每日按照规定时间向电力调度机构上传未来24h出力预测曲线并接受预测精度考核。为了准确反映次日大气运动状态，必须使用中尺度数值天气预报（数值天气预报）模式输出作为风电场短期功率预测系统的输入数据，因此中尺度数值天气预报模式预测输出精度很大程度上决定了风电场短期功率预测的精度。然而，中尺度模式大气物理过程参数化方案不能有效模拟次网格尺度（小于1km）大气物理过程，其描述的天气过程与真实情况存在误差，这种误差会随着模式积分运算时间的增长而增加。因此，网格分辨率不足和与分辨率有关的大气物理过程参数化方案描述不准确会使中尺度模式预测结果存在不确定性。直接应用于功率预测会带来较大不确定性，必须对其进行降尺度预处理。

目前对中尺度数值天气预报输出进行降尺度研究主要采用两种方法：1、使用物理模型求解风电场局地效应对气流的影响。这种方法计算代价较小，但物理模型构造和实现过程较为复杂，精度提高有限。

2、采用动力降尺度方法，例如计算流体力学（CFD）模拟风电场内部流场演变过程，这种方法可以获得较为准确风速分布，但在建立预测风速查询数据库或直接预测风速时需要使用CFD方法求解Navier-Stokes方程，工程实现复杂并且计算代价巨大，对硬件要求极高。

发明内容

有鉴于此，本发明的主要目的在于，提供一种风电场短期功率预测方法，本文将统计降尺度方法引入到风电场短期功率预测技术中，较好地解决了数值天气预报风速误差较大的问题，有效减少了中尺度分辨率不足带来的不确定性，极大地提高了中尺度数值天气预报降尺度计算效率，显著提高了风电场短期功率预测精度。

包括步骤：

A、建立单台风机的风速统计降尺度模型；

B、依据风电场区域未来48小时中尺度数值天气预报的预测因子，以及步骤A中单台风机统计降尺度模型，生成单台风机所在位置轮毂高度的预测风速；

C、建立每台风机的风速、风向-功率的模型，依据中尺度数值天气预报所预测的风向以及步骤B所预测的风速，得出每台风机的功率预测。

由上，通过历史数据建立统计降尺度模型，对中尺度模式数值天气预报风速进行统计降尺度，得出风电场每台风机所在位置轮毂高度预测风速，结合风速、风向-功率的模型对每台风机出力进行预测，实现对风电场整体出力短期预测。上述预测方法有效减少了中尺度分辨率不足带来的不确定性，显著提高了风电场短期功率预测精度。

可选的，所述步骤A中，利用BP神经网络，通过中尺度数值天气预报的预测因子与单台风机轮毂高度实测风速之间的历史数据，对所述BP神经网络进行训练。

由上，采用BP神经网络建立单台风机位置轮毂高度的短期风速预测模型，可大大降低建立模型的复杂程度，从而降低运算量，以及对高性能硬件的依赖，，进而大幅度节省预算成本。

可选的，所述BP神经网络的输入层为中尺度数值天气预报的预测因子，输出层为单台风机轮毂高度实测风速。。

所述中尺度数值天气预报的预测因子至少包括：所述中尺度数值天气预报的预测因子至少包括：500hPa位势高度、850hPa位势高度、风机轮毂高度的风速、风向、压强和相对湿度。

由上，由于上述预报因子可以被较为准确的预测，且不同预测因子间是弱相关或无关的，因此将上述预报因子作为BP神经网络的输入量，可以较为精确的对BP神经网络进行训练。

可选的，所述步骤C包括：

C1、建立风向、各风机所测风速以及，在上述风向及风速下风机的有功功率值的历史数据库；

C2、针对不同风向，设定风速采集区间，并对各风速采集区间下所采集的有功功率数据进行预处理；

C3、建立风向、风速与功率的对应模型；

C4、依据中尺度数值天气预报所预测的风向以及步骤B所预测的风速，结合步骤C3中的风向、风速-功率模型得出每台风机的功率预测。