风电场风速预测系统及方法技术方案

技术编号:4017151 阅读:267 留言:0更新日期:2012-04-11 18:40
本发明专利技术提供了一种风电场风速预测系统及方法,所述系统包括:时间序列预测模块,用于根据时间模型生成风速预测模型,并将初始风速集合作为输入数据,采用所述风速预测模型对风速进行集合预测,得到风速预测数据集合;初始风速集合生成模块,对输入的风速数据进行处理,生成所述初始风速集合;集合卡尔曼滤波更新模块,集合卡尔曼滤波算法对所述初始风速集合以及风速预测数据集合进行更新优化,得到最终预测数据。采用本发明专利技术,能更准确的预测风速。

【技术实现步骤摘要】

本专利技术涉及风速预测
,尤其涉及一种。
技术介绍
随着环保问题的日益突出,能源供应的渐趋紧张,风力发电作为一种清洁的可再 生能源的发电方式,越来越受到世界各国的欢迎和重视。我国幅员辽阔,拥有丰富的风能资 源,因此,近几年来我国的风力发电事业得到了很快的发展。随着风力发电技术的不断发展,风电单机容量和并网型风电场的规模都在不断增 力口,在电力需求中所占比例也越来越大。这个趋势致使风力发电对电网的影响越来越明显。 为了满足供电需求,保证电网稳定运行和供电系统的可靠性,必须对供电系统进行有效的 计划和调度。而风力发电本身所特有的间歇性和不确定性,增加了对电网计划和调度的难 度。为了解决风电场发电量不稳定的问题,必须加大供电系统的旋转备用容量(特指运行 正常的发电机组维持额定转速,随时可以并网,或者已并网运行仅带一部分负荷,随时可以 增加出力至额定的发电机组)。旋转备用容量的增加间接地增加了风力发电的运营整体成 本。所以需要对大型风电场风速进行预测,通过对风电场风速进行短期和中期的准确预测, 可以大幅降低电网旋转备用容量,从而有效降低风力发电系统成本,并且为电网运行调度 提供可靠的依据。传统的风速预测方法有时间序列法、神经网络法、卡尔曼滤波法等。而时间序列法 具有低阶模型预测精度低、高阶模型参数固定难度大的不足;而神经网络法也存在收敛速 度慢、隐节点的选取缺乏理论指导、训练数据庞大等缺陷;卡尔曼滤波方法又存在建立卡尔 曼状态方程和测量方程较困难的不足,且对复杂的非线性系统难以准确预测。因此传统的 风速预测方法预测的准确度不高。
技术实现思路
基于此,有必要提供一种能提高预测准确度的风电场风速预测系统。一种风电场风速预测系统,所述系统包括时间序列预测模块,用于根据时间模型 生成风速预测模型,并将初始风速集合作为输入数据,采用所述风速预测模型对风速进行 集合预测,得到风速预测数据集合;初始风速集合生成模块,对输入的风速数据进行处理, 生成所述初始风速集合;集合卡尔曼滤波更新模块,集合卡尔曼滤波算法对所述初始风速 集合以及风速预测数据集合进行更新优化,得到最终预测数据。优选地,所述时间序列预测模块采用如下公式生成风速预测模型 其中,Xt是t时刻的初始风速数据,仍是自回归参数,P是自回归阶数,θ j是移动 平均参数,q是移动平均阶数,et_j为移动平均误差,ε t是随机误差;所述时间序列预测模块根据t时刻之前的风速数据,选择矩估计对模型参数仍、 θ j进行估计,生成风速预测方程。进一步优选地,所述初始风速集合生成模块还用于生成为高斯白噪声的随机误差 的集合,将所述随机误差施加给所述初始风速数据、自回归参数和移动平均参数,得到初始 风速集合。优选地,所述集合卡尔曼滤波更新模块进一步用于将所述初始风速集合和所述 风速预测数据集合写入同一集合中,并由所述风速预测方程得到集合卡尔曼滤波的状态方 程;将风速预测数据集合中的每个元素的平均值作为观测值,对观测数据施加高斯白噪声, 得到独立观测的数据集合;更新所述独立观测的数据集合中的每一个集合成员,得到分析 值的集合;对所述分析值的集合中的成员取均值,得到最终预测数据。进一步优选地,所述更新独立观测的数据集合中的每一个集合成员的步骤中,采 用如下计算公式得到分析值的集合 其中,为t时刻集合中第i个元素的更新值;φ(,为t时刻集合中第i个元素的 预测值,Kt为卡尔曼增益矩阵,ObSi为独立观测的数据集合,H为观测矩阵;所述卡尔曼增益矩阵Kt的计算公式为 其中,Rt是观测值误差的协方差,为所述数据集合的协方差,计算公式为 所述独立观测的数据集合ObSi的计算公式为 其中,Obsi为独立观测的数据集合,H为观测矩阵,(Oi为随机误差,Ne为集合元素 的数量。此外,还有必要提供一种能提高预测准确度的风电场风速预测方法。一种风电场风速预测方法,包括以下步骤根据时间模型生成风速预测模型;对 输入的风速数据进行处理,生成初始风速集合;根据所述初始风速集合,采用所述风速预测 模型对风速进行集合预测,得到风速预测数据集合;集合卡尔曼滤波算法对所述初始风速 集合以及风速预测数据集合进行更新优化,得到最终预测数据。优选地,所述生成风速预测模型的步骤中,采用如下公式生成风速预测模型 其中,Xt是t时刻的初始风速数据,灼是自回归参数,P是自回归阶数,θ j是移动 平均参数,q是移动平均阶数,et_j为移动平均误差,ε t是随机误差;所述生成风速预测模型的步骤还包括根据t时刻之前的风速数据,选择矩估计 对模型参数灼、θ ^进行估计,生成风速预测方程。进一步优选地,所述生成初始风速集合的步骤是生成为高斯白噪声的随机误差 的集合,将所述随机误差施加给所述初始风速数据、自回归参数和移动平均参数,得到初始 风速集合。优选地,所述集合卡尔曼滤波算法对初始风速集合以及风速预测数据集合进行更 新优化的步骤是将所述初始风速集合和所述风速预测数据集合写入同一集合中,并由所 述风速预测方程得到集合卡尔曼滤波的状态方程;将风速预测数据集合中的每个元素的平 均值作为观测值,对观测数据施加高斯白噪声,得到独立观测的数据集合;更新所述独立观 测的数据集合中的每一个集合成员,得到分析值的集合;对所述分析值的集合中的成员取 均值,得到最终预测数据。优选地,所述更新独立观测的集合中的每一个集合成员的步骤中,采用如下计算 公式得到分析值的集合 其中,φ,为t时刻集合中第i个元素的更新值;φ[,为t时刻集合中第i个元素的 预测值,Kt为卡尔曼增益矩阵,ObSi为独立观测的数据集合,H为观测矩阵;所述卡尔曼增益矩阵Kt的计算公式为 其中,Rt是观测值误差的协方差,P/为所述数据集合的协方差,计算公式为 所述独立观测的数据集合Obsi的计算公式为 其中,Obsi为独立观测的数据集合,H为观测矩阵,(Oi为随机误差,Ne为集合元素 的数量。上述,根据时间模型生成风速预测模型,可以不考虑 风速数据的背景信息;并将初始风速集合作为输入数据进行集合预测,初始风速集合作为 集合卡尔曼滤波更新模块的输入数据,考虑了初始数据的单一性和不确定性;通过集合卡 尔曼滤波算法对初始风速集合以及得到的风速预测数据集合进行更新优化,能得到更加精 确的风速预测数据,从而提高了风速预测的准确度。附图说明图1是一个实施例中风电场风速预测系统的结构示意图;图2是一个实施例中风电场风速预测方法的流程图;图3是一个实施例中集合卡尔曼滤波对风速数据进行更新的方法流程图。具体实施方式如图1所示,一种风电场风速预测系统,包括时间序列预测模块10、初始风速集合 生成模块20和集合卡尔曼滤波更新模块30,其中时间序列预测模块10用于根据时间模型生成风速预测模型,并将初始风速集合 作为输入数据,采用风速预测模型对风速进行集合预测,得到风速预测数据集合。在一个实 施方式中,时间序列预测模块10采用如下公式生成风速预测模型P 其中,&是1时刻的初始风速数据,約是自回归参数,p是自回归阶数,0」是 移动平均参数,q是移动平均阶数,et_j为移动平均误差,£ t是随机误差(可设定其值 为0);时间序列预测模块10根据t时刻之前(即t_l,t_2,t_3,...时刻)的风速数 据,本文档来自技高网...

【技术保护点】
一种风电场风速预测系统,其特征在于,所述系统包括:时间序列预测模块,用于根据时间模型生成风速预测模型,并将初始风速集合作为输入数据,采用所述风速预测模型对风速进行集合预测,得到风速预测数据集合;初始风速集合生成模块,对输入的风速数据进行处理,生成所述初始风速集合;集合卡尔曼滤波更新模块,集合卡尔曼滤波算法对所述初始风速集合以及风速预测数据集合进行更新优化,得到最终预测数据。

【技术特征摘要】

【专利技术属性】
技术研发人员:张巍王伟民
申请(专利权)人:中国科学院深圳先进技术研究院
类型:发明
国别省市:94[中国|深圳]

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1