[发明专利]风力发电场风能预测方法和装置

权利要求书

1.一种风力发电场风能预测方法，其特征在于，所述风力发电场风能预测方法包括：

采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型；

采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型；

获取预测的气象变量数据；

通过将预测的气象变量数据输入到第一模型来获得预测的风速数据；

通过将预测的风速数据输入到第二模型来获得预测的风力发电机输出的风能数据。

2.根据权利要求1所述的风力发电场风能预测方法，其特征在于，气象变量包括以下项中的至少一项：风速、风向、气压、气温、以及湿度。

3.根据权利要求1所述的风力发电场风能预测方法，其特征在于，采用自适应神经模糊推理方法建立用于表示气象变量数据与风速数据之间的映射关系的第一模型的步骤包括：

获得所述风力发电机所在的风电场的历史气象变量数据以及所述风力发电机的涡轮机轮毂的高度处的历史风速数据，其中，历史气象变量数据在时间上与历史风速数据对应；

通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以建立所述第一模型。

4.根据权利要求3所述的风力发电场风能预测方法，其特征在于，训练第一模型的步骤包括：

训练子步骤，通过将获得的历史气象变量数据作为第一模型的输入变量，将获得的历史风速数据作为第一模型的目标变量来训练第一模型，以估计输入模式和输出质量之间的转移函数；

优化子步骤，采用随机粒子算法优化第一模型的隶属函数的参量，将第一模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；

循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。

5.根据权利要求3所述的风力发电场风能预测方法，其特征在于，历史气象变量数据是通过数值天气预报NWP模型历史预测的历史气象变量数据，历史风速数据是通过在线监测控制与数据采集SCADA系统记录的历史风速数据。

6.根据权利要求3所述的风力发电场风能预测方法，其特征在于，历史气象变量数据包括第一时间范围内的具有第一时间间隔的多条历史气象变量数据，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据。

7.根据权利要求1所述的风力发电场风能预测方法，其特征在于，采用自适应神经模糊推理方法建立用于表示风速数据与风力发电机输出的风能数据之间的映射关系的第二模型的步骤包括：

获得所述风力发电机的涡轮机轮毂的高度处的历史风速数据，以及所述风力发电机输出的历史风能数据，其中，历史风速数据在时间上与历史风能数据对应；

通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以建立所述第二模型。

8.根据权利要求7所述的风力发电场风能预测方法，其特征在于，训练第二模型的步骤包括：

训练子步骤，通过将获得的历史风速数据作为第二模型的输入变量，将获得的历史风能数据作为第二模型的目标变量来训练第二模型，以估计输入模式和输出质量之间的转移函数；

优化子步骤，采用随机粒子算法优化第二模型的隶属函数的参量，将第二模型的隶属函数的参量设置为随机粒子算法的变量，计算均方误差的函数用作随机粒子算法中的成本函数，进行优化处理使随机粒子算法中的成本函数达到最小值；

循环执行所述训练子步骤和优化子步骤，直到预测误差达到预设值。

9.根据权利要求7所述的风力发电场风能预测方法，其特征在于，历史风速数据和历史风能数据分别是通过在线监测控制与数据采集SCADA系统记录的历史风速数据和历史风能数据。

10.根据权利要求7所述的风力发电场风能预测方法，其特征在于，历史风速数据包括第一时间范围内的具有第一时间间隔的多条历史风速数据，历史风能数据包括第一时间范围内的具有第一时间间隔的多条历史风能数据。

11.根据如权利要求6或10所述的风力发电场风能预测方法，其特征在于，第一时间间隔为1小时，第一时间范围为至少过去1年。