一種風電場風功率預測方法及系統與流程

本發明涉及風力發電，更具體的是涉及一種風電場風功率預測方法及系統。

背景技術：

1、在風力發電領域，風功率是評估風電場發電潛力的重要指標。風功率的大小取決于風速和風機的特性，當風速達到風機的額定風速時，風功率達到峰值。然而，如果風速過高或過低，風功率將相應減小，風功率的準確估算對于風電場的規劃、運營和優化至關重要；準確預測風功率是提高風電場運行效率和穩定性的關鍵因素，然而，由于氣象條件的復雜性和多變性，準確預測風功率一直是一個挑戰；

2、現有的預測方法通常基于歷史氣象數據和風力發電機的運行數據，但這些方法往往不能充分考慮氣象條件的變化和風力發電機的實際運行狀態；由于風電場中風機的海拔高度并不一致，因此在現有的預測過程中沒有考慮到空間差異性，進而導致預測精度有限；

3、因此，本技術提供一種風電場風功率預測方法及系統用以解決上述問題。

技術實現思路

1、為解決上述問題，本發明提供如下技術方案：

2、一種風電場風功率預測方法，包括：

3、步驟一，根據風電場內風機的地理信息進行三維建模，并對三維模型進行區域劃分；

4、步驟二，建立氣象預報系統，獲取風電場內各時刻的氣象數據；

5、步驟三，建立歷史數據庫，存儲歷史各時刻的氣象數據及其對應的各風機實際風功率數據；

6、步驟四，在所述三維模型中各個區域上分別預設回歸訓練模型，將所述歷史數據庫中歷史氣象數據及其對應的各風機的實際風功率數據對應代入所述回歸訓練模型進行訓練；

7、步驟五，對訓練結果進行驗證，若驗證通過則生成各個區域的回歸預測模型；

8、步驟六，將未來時刻的氣象數據代入所述回歸預測模型中，經計算獲得對應的風功率預測值；

9、步驟七，統計預測準確率并對應調整所述回歸預測模型。

10、優選的，在上述的一種風電場風功率預測方法中，所述根據風電場內風機的地理信息進行三維建模，并對三維模型進行區域劃分包括：

11、獲取風電場邊緣地理位置，通過建模設備建立風電場的三維模型；

12、獲取各風機在風電場中的地理信息，將其對應插入所述三維模型中；

13、統計風電場中各個風機型號，將相同型號的風機在所述三維模型中劃分至同一預測區域內，并為各個預測區域進行編號；

14、所述風機型號為風機的風輪高度。

15、優選的，在上述的一種風電場風功率預測方法中，所述建立氣象預報系統，獲取風電場內各時刻的氣象數據中，所述氣象數據包括各高度的空氣密度預報值、風向預報值、各高度的風速預報值、溫度預報值以及各高度的風頻率預報值。

16、優選的，在上述的一種風電場風功率預測方法中，所述建立歷史數據庫，存儲歷史各時刻的氣象數據及其對應的各風機實際風功率數據包括：

17、獲取所述氣象預報系統檢測到的歷史各時刻的氣象數據，并設置對應的時間戳；

18、獲取各風機的風功率曲線和實際風速數據，根據實際測得的風速數據，對風功率曲線進行插值或擬合，結合實際風機的轉換效率計算出各風機在實際風速條件下的實際風功率數據；

19、在實際風功率數據上設置對應的時間戳；

20、根據時間戳將歷史氣象數據與實際風功率數據匹配，并根據匹配結果分類存儲在所述歷史數據庫中。

21、優選的，在上述的一種風電場風功率預測方法中，所述在所述三維模型中各個區域上分別預設回歸訓練模型，將所述歷史數據庫中歷史氣象數據及其對應的各風機的實際風功率數據對應代入所述回歸訓練模型進行訓練包括：

22、建立各預測區域的回歸訓練模型，所述回歸訓練模型為pt＝0.5*β1ρhn*β2vhn3*β3s0+β4f+β5mhn；

23、其中，β1、β2、β3、β4、β5分別為密度校正系數、風速校正系數、面積校正系數、溫度校正系數以及頻率校正系數，hn為風機的風輪高度，ρhn為該高度處的歷史空氣密度預報值，vhn為該高度處的歷史風速預報值，s0為風機的歷史有效風輪面積，f為歷史溫度預報值，mhn為該高度處的歷史風頻率預報值，pt為t時刻的實際風功率數據；

24、其中，歷史有效風輪面積s0＝s*cos(a+w)；s為原風輪面積，a為當前風輪朝向與風向預報值朝向的夾角，w為風輪傾斜度；

25、依次將所述歷史數據庫中各時刻的氣象數據和實際風功率數據代入所述回歸訓練模型的對應位置處進行，使用最小二乘法進行模型訓練，得到各個校正系數β1、β2、β3、β4、β5。

26、優選的，在上述的一種風電場風功率預測方法中，所述對訓練結果進行驗證，若驗證通過則生成各個區域的回歸預測模型包括：

27、選取所述歷史數據庫中隨機時刻的氣象數據作為驗證數據，代入訓練完成的所述回歸訓練模型中，經計算獲得該隨機時刻的預測風功率數據，將其與對應的實際風功率數據進行對比，計算誤差值；

28、根據誤差值進一步訓練所述回歸訓練模型，直至誤差值低于預設值，生成所述回歸預測模型；

29、所述回歸預測模型為pn＝0.5*β1ρhn*β2vhn3*β3s0+β4f+β5mhn，n＝(1、2、3、4、···m)；

30、其中hn為風輪高度對應的各個預測區域編號，p0為風功率預測值，β1、β2、β3、β4、β5分別為訓練后的密度校正系數、風速校正系數、面積校正系數、溫度校正系數以及頻率校正系數。

31、優選的，在上述的一種風電場風功率預測方法中，所述將未來時刻的氣象數據代入所述回歸預測模型中，經計算獲得對應的風功率預測值包括：

32、獲取所述氣象預報系統提供的未來時刻k的氣象數據，，并按照高度進行劃分至各個預測區域內；

33、獲取在該未來時刻k的各風機的原風輪面積s、角度a和傾斜度w，計算有效風輪面積s0；

34、將該未來時刻k各預測區域對應的空氣密度預報值ρhn、風速預報值vhn、風頻率預報值mhn，以及該未來時刻k的溫度f和有效風輪面積s0代入所述回歸預測模型pn＝0.5*β1ρhn*β2vhn3*β3s0+β4f+β5mhn中，分別計算該未來時刻k各預測區域的風功率預測值pk。

35、優選的，在上述的一種風電場風功率預測方法中，所述統計預測準確率并對應調整所述回歸預測模型包括：

36、計算在該未來時刻k時，風電場中各風機的平均風功率預測值pk0，并獲取在該未來時刻k時的實際平均風功率數據ptk0；

37、獲取風電場開機容量和考核總時段數據；

38、建立準確率計算模型，并將上述數據代入所述準確率計算模型中；

39、所述準確率計算模型為

40、其中，r為該時刻k的預測準確率，n為該日考核總時段數，cap為風電場開機容量，pk0為平均風功率預測值，ptk0為實際平均風功率數據；

41、統計將一天各時刻的預測準確率，判定其是否達標。

42、優選的，在上述的一種風電場風功率預測方法中，還包括：

43、將風功率預測值pk插入所述三維模型中對應的預測區域內顯示，將風電場平均風功率預測值pk0和預測準確率r插入所述三維模型中顯示；

44、當預測準確率r低于預設準確率時提供報警信號一；

45、當平均風功率預測值pk0低于預設平均風功率時提供報警信號二；

46、通過終端設備獲取報警信號一和報警信號二，并對應進行報警操作。

47、一種風電場風功率預測系統，包括：

48、建模劃分模塊，其用于通過建模設備建立風電場的三維模型，根據各風機在風電場中的地理信息，將其對應插入所述三維模型中；；同時統計風電場中各個風機的高度，將相同高度的風機在所述三維模型中劃分至同一預測區域內，并為各個預測區域進行編號；

49、歷史數據存儲模塊，其用于獲取氣象預報系統提供的歷史氣象數據，所述氣象數據包括各高度的空氣密度預報值、風向預報值、各高度的風速預報值、溫度預報值以及各高度的風頻率預報值，將其與檢測到的實際風功率數據匹配，并根據匹配結果分類存儲在所述歷史數據庫中；

50、預測模型訓練模塊，其與所述建模劃分模塊和所述歷史數據存儲模塊連接，用于建立與所述三維模型中各預測區域的回歸訓練模型，所述回歸訓練模型為pt＝0.5*β1ρhn*β2vhn3*β3s0+β4f+β5mhn；其中，β1、β2、β3、β4、β5分別為密度校正系數、風速校正系數、面積校正系數、溫度校正系數以及頻率校正系數，hn為風機的風輪高度，ρhn為該高度處的歷史空氣密度預報值，vhn為該高度處的歷史風速預報值，s0為風機的歷史有效風輪面積，f為歷史溫度預報值，mhn為該高度處的歷史風頻率預報值，pt為t時刻的實際風功率數據；其中，歷史有效風輪面積s0＝s*cos(a+w)；s為原風輪面積，a為當前風輪朝向與風向預報值朝向的夾角，w為風輪傾斜度；依次將所述歷史數據庫中各時刻的氣象數據和實際風功率數據代入所述回歸訓練模型的對應位置處進行，使用最小二乘法進行模型訓練，得到各個校正系數β1、β2、β3、β4、β5；選取所述歷史數據庫中隨機時刻的氣象數據作為驗證數據，代入訓練完成的所述回歸訓練模型中，經計算獲得該隨機時刻的預測風功率數據，將其與對應的實際風功率數據進行對比，計算誤差值；根據誤差值進一步訓練所述回歸訓練模型，直至誤差值低于預設值，生成所述回歸預測模型；所述回歸預測模型為pn＝0.5*β1ρhn*β2vhn3*β3s0+β4f+β5mhn，n＝(1、2、3、4、···m)；其中hn為風輪高度對應的各個預測區域編號，p0為風功率預測值，β1、β2、β3、β4、β5分別為訓練后的密度校正系數、風速校正系數、面積校正系數、溫度校正系數以及頻率校正系數；

51、功率預測模塊，其與所述預測模型訓練模塊連接，用于獲取所述氣象預報系統提供的未來時刻k的氣象數據，并按照高度進行劃分至各個預測區域內；獲取在該未來時刻k的各風機的原風輪面積s、角度a和傾斜度w，計算有效風輪面積s0；將該未來時刻k各預測區域對應的空氣密度預報值ρhn、風速預報值vhn、風頻率預報值mhn，以及該未來時刻k的溫度f和有效風輪面積s0代入所述回歸預測模型pn＝0.5*β1ρhn*β2vhn3*β3s0+β4f+β5mhn中，分別計算該未來時刻k各預測區域的風功率預測值pk；

52、驗證報警模塊，其與所述功率預測模塊和所述歷史數據存儲模塊連接，用于將歷史風功率預測值存儲對應的存儲在所述歷史數據庫中，計算在該未來時刻k時，風電場中各風機的平均風功率預測值pk0，并獲取在該未來時刻k時的實際平均風功率數據ptk0；獲取風電場開機容量和考核總時段數據；建立準確率計算模型，并將上述數據代入所述準確率計算模型中；所述準確率計算模型為其中，r為該時刻k的預測準確率，n為該日考核總時段數，cap為風電場開機容量，pk0為平均風功率預測值，ptk0為實際平均風功率數據；統計將一天各時刻的預測準確率，判定其是否達標；將風功率預測值pk插入所述三維模型中對應的預測區域內顯示，將風電場平均風功率預測值pk0和預測準確率r插入所述三維模型中顯示；當預測準確率r低于預設準確率時提供報警信號一；當平均風功率預測值pk0低于預設平均風功率時提供報警信號二；通過終端設備獲取報警信號一和報警信號二，并對應進行報警操作。

53、經由上述的技術方案可知，本技術與現有技術相比，其有益效果在于：

54、本發明公開了一種風電場風功率預測方法及系統，包括：根據風電場風機地理信息進行三維建模，劃分區域；建立氣象預報系統獲取實時氣象數據；建立歷史數據庫存儲歷史氣象數據及對應的風功率數據；預設各區域回歸訓練模型，采用歷史數據訓練；驗證訓練結果，通過則生成各區域回歸預測模型；代入未來時刻氣象數據，計算對應風功率預測值；統計預測準確率并調整回歸預測模型；本發明通過考慮空間差異性、同質性區域管理和優化預測模型來提高風功率預測精度，進而提高風電場的發電效率、優化維護計劃以及實現風電管理智能化。