风电场风速预测方法及装置制造方法及图纸

本申请实施例公开一种风电场风速预测方法及装置，所述方法包括获取风电场多个连续历史日的历史风速数据，根据历史风速数据，建立BP神经网络预测模型；根据BP神经网络预测模型，得到风电场中，多个连续历史日之后的下一个预测日的风速预测初始曲线；根据风速预测初始曲线，建立自回归滑动平均误差模型；根据风速预测初始曲线和自回归滑动平均误差模型，得到误差序列信号；判断误差序列信号是否是平稳信号；如果误差序列信号是平稳信号，求取误差序列信号的方差；判断方差是否小于预设方差；如果方差小于预设方差，输出风速预测初始曲线作为预测结果；本申请针对误差序列信号，对风电场风速预测结果进行修正，显著提高风电场风速预测精度。

Wind speed prediction method and device for wind farm

The embodiment of the application discloses a method and a device for prediction of wind speed, the method comprises obtaining a plurality of wind farm historical wind speed data on continuous history, according to historical wind speed data, BP neural network prediction model was established; according to the BP neural network prediction model, wind field, prediction of initial curve multiple continuous history on the next day the wind speed forecast; forecast according to the initial curve of wind speed, the establishment of the autoregressive moving average prediction error model; according to the initial curve of wind speed and autoregressive moving average model error, error sequence signal; judging whether the error signal sequence is a stationary signal; if the error signal sequence is a stationary signal, and error variance sequence signal; judging whether the variance is less than a preset variance; if the variance is less than a preset output variance, wind speed prediction curve as the initial The prediction result is that the wind speed prediction of wind farm is corrected according to the error sequence signal, and the wind speed prediction accuracy of the wind farm is improved remarkably.

【技术实现步骤摘要】
风电场风速预测方法及装置
本申请涉及风电场风速预测
，尤其涉及一种风电场风速预测方法及装置。
技术介绍
风力发电是新能源发电的主要来源，随着风力发电技术的成熟，风电场在电力发电系统中所占的比例不断增加。然而，由于风能存在间歇性与随机性，不利于调整调度计划，导致风电场对整个电力系统运行状态的影响较大，进而对电力系统控制的稳定性造成一定的影响。因此，对风电场风速的预测技术变得尤为重要，如果能够对风电场风速进行准确的预测，便可在调整调度计划、有效减轻风电场对整个电力系统的不利影响、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等方面发挥较好的作用，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。目前，国内外学者均对风电场风速的预测技术做出过诸多研究，风电场风速预测方法主要分为物理方法与统计方法两大类。近年来，如模糊逻辑、人工神经网络等智能方法，均在风速预测中得到广泛应用。现有的风电场风速预测方法，通常通过建立自回归滑动平均模型(Auto-RegressiveandMovingAverageModel，ARMA模型)，或者采用BP神经网络(Back-propagationNeuralNet)模型与自回归滑动平均模型相结合的方法，对风电场风速进行预测。然而，采用单一的自回归滑动平均模型，或者采用BP神经网络模型与自回归滑动平均模型相结合的预测方法中，所使用的数学模型只考虑了影响风速变化的主要因素，而忽略了许多次要因素，导致预测结果存在较大的误差，风速预测精度较低。
技术实现思路
本申请提供了一种风电场风速预测方法及装置，以解决现有的风电场风速预测方法，风速预测精度较低的问题。第一方面，本申请提供了一种风电场风速预测方法，所述方法包括：获取风电场多个连续历史日的历史风速数据，根据所述历史风速数据，建立BP神经网络预测模型；根据所述BP神经网络预测模型，得到风电场中，所述多个连续历史日之后的下一个预测日的风速预测初始曲线；根据所述风速预测初始曲线和所述自回归滑动平均误差模型，得到误差序列信号；判断所述误差序列信号是否是平稳信号；如果所述误差序列信号是平稳信号，则求取所述误差序列信号的方差；判断所述方差是否小于预设方差；如果所述方差小于所述预设方差，则输出所述风速预测初始曲线，作为所述预测日的风电场风速预测结果。结合第一方面，在第一方面第一种可能的实现方式中，判断所述误差序列信号是否是平稳信号，包括：根据所述误差序列信号，获取如下函数：{x(t)}(-∞＜t＜+∞)；εx(t)＝E[x(t)]；r(t1,t2)＝E[x(t1)x(t2)]；其中，x(t)为信号样本，εx(t)为t时刻的信号样本的平均函数，r(t1,t2)为自相关函数；判断εx(t)与r(t1,t2)是否为时变函数；如果εx(t)与r(t1,t2)是时变函数，则判定所述误差序列信号是平稳信号。结合第一方面第一种可能的实现方式，在第一方面第二种可能的实现方式中，求取所述误差序列信号的方差的步骤，采用如下公式求取所述误差序列信号的方差：D(x(t))＝E{[x(t)-E(x(t))]2}；其中，D(x(t))是所述误差序列信号的方差。结合第一方面，在第一方面第三种可能的实现方式中，判断所述误差序列信号是否是平稳信号之后，包括：如果所述误差序列信号不是平稳信号，则获取风电场多个连续历史日的历史风速数据，根据所述日历史风速数据，建立BP神经网络预测模型。结合第一方面，在第一方面第四种可能的实现方式中，判断所述方差是否小于预设方差之后，包括：如果所述方差大于或等于所述预设方差，则根据所述风速预测初始曲线，建立自回归滑动平均误差模型。第二方面，本申请还提供了一种风电场风速预测装置，所述装置包括：预测模型建立单元，用于获取风电场多个连续历史日的历史风速数据，根据所述历史风速数据，建立BP神经网络预测模型；初始曲线获取单元，用于根据所述BP神经网络预测模型，得到风电场中，所述多个连续历史日之后的下一个预测日的风速预测初始曲线；误差模型建立单元，用于根据所述风速预测初始曲线，建立自回归滑动平均误差模型；误差序列信号获取单元，用于根据所述风速预测初始曲线和所述自回归滑动平均误差模型，得到误差序列信号；第一判断单元，用于判断所述误差序列信号是否是平稳信号；计算单元，用于如果所述误差序列信号是平稳信号，则求取所述误差序列信号的方差；第二判断单元，用于判断所述方差是否小于预设方差；输出单元，用于如果所述方差小于所述预设方差，则输出所述风速预测初始曲线，作为所述预测日的风电场风速预测结果。结合第二方面，在第二方面第一种可能的实现方式中，所述第一判断单元包括：函数获取单元，用于根据所述误差序列信号，获取如下函数：{x(t)}(-∞＜t＜+∞)；εx(t)＝E[x(t)]；r(t1,t2)＝E[x(t1)x(t2)]；其中，x(t)为信号样本，εx(t)为t时刻的信号样本的平均函数，r(t1,t2)为自相关函数；判断子单元，用于判断εx(t)与r(t1,t2)是否为时变函数；如果εx(t)与r(t1,t2)是时变函数，则判定所述误差序列信号是平稳信号。结合第二方面第一种可能的实现方式，在第二方面第二种可能的实现方式中，所述计算单元，用于采用如下公式求取所述误差序列信号的方差：D(x(t))＝E{[x(t)-E(x(t))]2}；其中，D(x(t))是所述误差序列信号的方差。结合第二方面，在第二方面第三种可能的实现方式中，所述预测模型建立单元，还用于判断所述误差序列信号是否是平稳信号之后，如果所述误差序列信号不是平稳信号，获取风电场多个连续历史日的历史风速数据，根据所述日历史风速数据，建立BP神经网络预测模型。结合第二方面，在第二方面第四种可能的实现方式中，所述误差模型建立单元，还用于判断所述方差是否小于预设方差之后，如果所述方差大于或等于所述预设方差，根据所述风速预测初始曲线，建立自回归滑动平均误差模型。由以上技术方案可知，本申请实施例提供的一种风电场风速预测方法及装置，通过获取风电场多个连续历史日的历史风速数据，根据历史风速数据，建立BP神经网络预测模型；根据BP神经网络预测模型，得到风电场中，多个连续历史日之后的下一个预测日的风速预测初始曲线；根据风速预测初始曲线和自回归滑动平均误差模型，得到误差序列信号；判断误差序列信号是否是平稳信号；如果误差序列信号是平稳信号，则求取误差序列信号的方差；判断方差是否小于预设方差；如果方差小于预设方差，则输出风速预测初始曲线，作为预测日的风电场风速预测结果；本申请在预测风电场风速的过程中，通过建立BP神经网络预测模型，根据BP神经网络预测模型，建立自回归滑动平均误差模型，并根据自回归滑动平均误差模型，得出误差序列信号，针对误差序列信号，对风电场风速预测结果进行修正，显著提高风电场风速预测精度。附图说明为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的风电场风速预测方法的流程图；图2为本申请实施例提供的风电场全年多个连续历史日的历史风速数据曲线；图3为本申请实施本文档来自技高网...

【技术保护点】
一种风电场风速预测方法，其特征在于，所述方法包括：获取风电场多个连续历史日的历史风速数据，根据所述历史风速数据，建立BP神经网络预测模型；根据所述BP神经网络预测模型，得到风电场中，所述多个连续历史日之后的下一个预测日的风速预测初始曲线；根据所述风速预测初始曲线，建立自回归滑动平均误差模型；根据所述风速预测初始曲线和所述自回归滑动平均误差模型，得到误差序列信号；判断所述误差序列信号是否是平稳信号；如果所述误差序列信号是平稳信号，则求取所述误差序列信号的方差；判断所述方差是否小于预设方差；如果所述方差小于所述预设方差，则输出所述风速预测初始曲线，作为所述预测日的风电场风速预测结果。

【技术特征摘要】
1.一种风电场风速预测方法，其特征在于，所述方法包括：获取风电场多个连续历史日的历史风速数据，根据所述历史风速数据，建立BP神经网络预测模型；根据所述BP神经网络预测模型，得到风电场中，所述多个连续历史日之后的下一个预测日的风速预测初始曲线；根据所述风速预测初始曲线，建立自回归滑动平均误差模型；根据所述风速预测初始曲线和所述自回归滑动平均误差模型，得到误差序列信号；判断所述误差序列信号是否是平稳信号；如果所述误差序列信号是平稳信号，则求取所述误差序列信号的方差；判断所述方差是否小于预设方差；如果所述方差小于所述预设方差，则输出所述风速预测初始曲线，作为所述预测日的风电场风速预测结果。2.如权利要求1所述的风电场风速预测方法，其特征在于，判断所述误差序列信号是否是平稳信号，包括：根据所述误差序列信号，获取如下函数：{x(t)}(-∞＜t＜+∞)；εx(t)＝E[x(t)]；r(t1,t2)＝E[x(t1)x(t2)]；其中，x(t)为信号样本，εx(t)为t时刻的信号样本的平均函数，r(t1,t2)为自相关函数；判断εx(t)与r(t1,t2)是否是时变函数；如果εx(t)与r(t1,t2)是时变函数，则判定所述误差序列信号是平稳信号。3.如权利要求2所述的风电场风速预测方法，其特征在于，求取所述误差序列信号的方差的步骤中，采用如下公式求取所述误差序列信号的方差：D(x(t))＝E{[x(t)-E(x(t))]2}；其中，D(x(t))是所述误差序列信号的方差。4.如权利要求1所述的风电场风速预测方法，其特征在于，判断所述误差序列信号是否是平稳信号之后，包括：如果所述误差序列信号不是平稳信号，则获取风电场多个连续历史日的历史风速数据，根据所述历史风速数据，建立BP神经网络预测模型。5.如权利要求1所述的风电场风速预测方法，其特征在于，判断所述方差是否小于预设方差之后，包括：如果所述方差大于或等于所述预设方差，则根据所述风速预测初始曲线，建立自回归滑动平均误差模型。6.一种风电场风速预测装置，其特征在于，所述装置包括：预测模型建立单元，用于获取风电场多个连续...

【专利技术属性】
技术研发人员：何廷一，吴水军，李胜男，彭俊臻，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南,53