一種組合式短期風電功率預測系統及方法
【技術領域】
[0001] 本發明涉及風電功率預測領域，更具體地說，是涉及一種組合式短期風電功率預 測系統及方法。
【背景技術】
[0002] 近年來，風力發電的發展越來越迅速。據中國循環經濟協會可再生能源專業委員 會（CREIA)的《中國風電發展報告2014》統計，全國風電裝機容量已經增加到91413麗。隨 著風力發電的迅速發展，并網成為充分利用風電的研究熱點，由于風電的輸出功率依賴于 風速，對于風速的波動性、間歇性和隨機性，勢必會對電網的穩定性帶來嚴重沖擊，且會影 響電網的電能質量，所以準確的風電功率短期預測尤為重要。
[0003] 經對現有技術文獻的檢索發現，中國專利申請號為：201410155445. 7,名稱為一種 風電功率預測組合方法和系統，該申請提出通過時間序列法和BP人工神經網絡法進行預 測，然后利用得到的預測結果再建立新的預測模型，最終得到了風電功率的預測值，但該系 統單純利用統計預測模塊，也沒有精確的誤差修正系統，預測精度并不能滿足當前更高的 需求。因此，如何解決上述的問題，為亟待解決的問題。
【發明內容】
[0004] 本發明的目的在于提供一種組合式短期風電功率預測系統。
[0005] 本發明的另一目的是提供一種可配合上述系統的組合式短期風電功率預測方法。 本發明能夠通過建立基于數值天氣預報的短期風電功率預測系統，利用最小方差組合法將 物理預測模塊和統計預測模塊進行組合預測，大大提高了預測精度，且具有簡單實用、響應 迅速的優點，有利于風電功率預測的發展。
[0006] 為實現上述的目的，本發明的一種組合式短期風電功率預測系統，其包括：氣象應 用決策支持模塊，獲取歷史風電功率數據、數值天氣預報數據、實時上網數據和風塔氣象臺 數據；風電功率組合預測模塊，連接于氣象應用決策支持模塊，由預測模型庫和預測算法庫 組成，預測模型庫內設有物理預測模塊和統計預測模塊，所述物理預測模塊和統計預測模 塊分別與算法庫連接，算法庫將分別從物理預測模塊和統計預測模塊獲取的預測值進行組 合以預測未來72小時的風電功率；功率預測修正模塊，連接于風電功率組合預測模塊和氣 象應用決策支持模塊，根據從氣象應用決策支持模塊獲取的風電功率歷史數據，對風電功 率組合預測模塊獲取的預測結果進行修正；實時通信模塊，連接于功率預測修正模塊，將功 率預測修正模塊獲取的修正結果實時傳輸到控制中心。
[0007] 本發明的系統通過氣象應用決策支持模塊、風電功率組合預測模塊、功率預測修 正模塊和實時通信模塊組成整個預測系統，通過功率預測修正模塊分別連接風電功率組合 預測模塊和氣象應用決策支持模塊，能夠根據從氣象應用決策支持模塊獲取的風電功率歷 史數據，對風電功率組合預測模塊獲取的預測結果進行修正，使預測誤差減小，能夠滿足系 統預測精度的高要求。
[0008] 為實現上述的目的，本發明的一種組合式短期風電功率預測方法，其包括以下步 驟： ① 獲取歷史風電功率數據、數值天氣預報數據、實時上網數據和風塔氣象臺數據； ② 根據步驟一獲取的數據，采用方差最小組合預測法將物理預測模塊和統計預測模塊 進行組合預測，得出風電功率預測值； ③ 根據步驟一獲取的數據，對風電功率預測值進行誤差分析，對誤差修正得出最終風 電功率預測值。
[0009] 進一步改進方案，上述的組合式短期風電功率預測方法，物理預測模塊的預測步 驟包括：步驟一：通過風速高度變換模型、風速空間變換模型和Jensen模型求得風電場對 應風機輪轂上風速；步驟二：結合步驟一獲取的數據，以風速-功率曲線得出風電功率預測 值。
[0010] 上述的物理預測模塊的預測步驟，步驟二中所述的Jensen模型在尾流影響下，同 一風向上，距離上風向風機為X的風機實際風速表達式如下：
其中，表示未經過風機的自然風速，轉'表示風電機組的推力系數，K為尾流下降系 數，X為同一風向上，待求風機與上風向風機間的距離，R為待求風機風輪葉片半徑。
[0011] 上述的物理預測模塊的預測步驟，所述的風速高度變換模型為采用距離反比法進 行空間插值的數學模型，該數學模型為：
其中，表示X處的風速插值，:·_則表示原空間Xi#風速。
其中叾取歐幾里得距離。
[0012] 上述的物理預測模塊的預測步驟，所述的風速空間變換模型為采用風垂直切邊冪 律的數學模型，該數學模型為：
其中，，為第i臺風機對應高度風速值，％和％為測風塔數據中已知高度和該高度下對 應風速，％為第i臺風機風機高度Μ為風切變指數。
[0013] 進一步改進方案，上述的組合式短期風電功率預測方法，所述統計預測模塊的預 測步驟包括：步驟一：用ΒΡ神經網絡計算每個輸入變量的應用平均影響值，并對其數值進 行排序用于篩選出顯著影響的輸入項；步驟二：利用相似樣本聚類分析方法，以適應統計 預測模型在對樣本變化較大預測誤差較大的情況步驟三：采用遺傳算法對神經網絡每層的 初始權值及閾值進行優化，達到全局尋優。
[0014] 更進一步改進方案，上述的組合式短期風電功率預測方法，步驟二中采用方差最 小組合預測法將物理預測模塊和統計預測模塊進行組合預測，對j時刻功率值進行預測， 第i個模型的預測結果為在j時刻真實功率值為;_，第i個模型的權重系數為獲，則 需要滿足如下約束條件：
在第j個時刻，功率預測值為：
在第j個時刻，功率預測的誤差為：
設樣本個數為n，方差最小組合預測法的目標函數及約束條件最優化表達如下式所 示：
其中，Sj代表風向儀上的風速轉化到風機葉片上的風速，j代表j時刻的δ。Z為目 標函數，代表風機葉片上的風速S平方和的最小值。
[0015] 上述的組合式短期風電功率預測方法，所述的目標函數展開如下式：
其中，:1:為j時刻第i個模型的預測結果，在j時刻真實功率值為fc，_為j時刻第 i個模型的風向儀上的風速轉化到風機葉片上的風速，:?為第i個模型的權重系數。
[0016] 上述的組合式短期風電功率預測方法，、方差最小組合預測中?個時刻不停更新， 隨著預測時刻的進行，對進行不停動態更新。
[0017] 本發明的方法采用方差最小組合預測法將物理預測模塊和統計預測模塊進行組 合預測，采用遺傳算法優化神經網絡初始值，動態更新權重系數，并對權重系數進行約束， 選取出合理的權重系數有利于提高模型的性能，降低預測誤差；同時能夠有效綜合物理預 測模塊與統計預測模塊單一的優勢，大大提高了預測精度；本發明還具有簡單實用、響應迅 速的優點，有利于風電功率預測的發展。
【附圖說明】
[0018] 下面將結合附圖中的具體實施例對本發明作進一步詳細說明，但不構成對本發明 的任何限制。
[0019] 圖1為本發明系統的結構示意圖； 圖2為本發明方法的流程圖； 圖3為本發明物理預測模塊的預測流程圖； 圖4為本發明統計預測模塊的預測流程圖； 圖5為本發明最小方差組合預測曲線圖。
【具體實施方式】
[0020] 如圖1所示，一種組合式短期風電功率預測系統，其包括能夠獲取歷史風電功率 數據、數值天氣預報數據、實時上網數據和風塔氣象臺數據的氣象應用決策支持模塊；風電 功率組合預測模塊，連接于氣象應用決策支持模塊，由預測模型庫和預測算法庫組成，預測 模型庫內設有物理預測模塊和統計預測模塊，所述物理預測模塊和統計預測模塊分別與算 法庫連接，算法庫將分別從物理預測模塊和統計預測模塊獲取的預測值進行組合以預測未 來72小時的風電功率；功率預測修正模塊，連接于風電功率組合預測模塊和氣象應用決策 支持模塊，根據從氣象應用決策支持模塊獲取的風電功率歷史數據，對風電功率組合預測 模塊獲取的預測結果進行修正；實時通信模塊，連接于功率預測修正模塊，將功率預測修正 模塊獲取的修正結果實時傳輸到控制中心。
[0021] 如圖2所示，一種組合式短期風電功率預測方法，其包括以下步驟：首先，獲取歷 史風電功率數據、數值天氣預報數據、實時上網數據和風塔氣象臺數據；其次，根據步驟一 獲取的數據，采用方差最小組合預測法將物理預測模塊和統計預測模塊進行組合預測，得 出風電功率預測值；最后，根據實時上網數據與預測數據，對風電功率預測值進行誤差分 析，對誤差修正得出最終風電功率預測值。
[0022] 如圖3所示，物理預測模塊的預測步驟包括：步驟一：通過風速高度變換模型、風 速空間變換模型和Jensen模型求得風電場對應風機輪轂上風速；步驟二：結合步驟一獲取 的數據，以風速-功率曲線得出風電功率預測值。而在物理預測模塊的預測步驟中，風速高 度變換模型、風速空間變換模型和Jensen模型如下： 風速高度變換模型
其中，#賴表示X處的風速插值，則表示原空間xi處風速。:務為·^:··^·!-其中:?.取歐 幾里得距離； 風速空間變換模型
其中，％為第i臺風機對應高度風速值，％和馬為測風塔數據中已知高度和該高度下對 應風速，&為第i臺風機風機高度_為風切變指數。
[0023]Jensen模型在尾流影響下，同一風向上，距離上風向風機為X的風機實際風速表 達式如下：
其中，懸表示未經過風機的自然風速，:?表示風電機組的推力系數，K為尾流下降系 數，X為同一風向上，待求風機與上風向風機間的距離，R為待求風機風輪葉片半徑。
[0024]通過Jensen模型，得到風速的實際數值，根據每個風機自身的風速-功率曲線，風 速功率曲線一般是：風速小于風機的切入風速時，風機停機，功率為〇,風速大于切入風速， 小于切出風速時，有些風機功率是