技术领域
[0001] 本发明涉及风功率检测技术，特别是涉及一种风功率预测方法。
相关背景技术
[0002] 目前，新能源发电的主要形式包括风电、光伏、核电、水电相比于其他能源发电形式，风力发电以其自身独特优势在新能源中发展迅速。在风电发展过程中，风能的不确定性给电网调度带来很大困扰。如何提高风电功率预测精度问题显得极其必要且迫切。
[0003] 传统的风电功率预测方法一般是基于风电厂历史数据建立次数学模型进行预测，但由于数据不准确、数学模型太复杂，故相应地导致了预测精度比较低与响应慢等问题。
[0004] 由此可见，在现有技术中，尚无一种预测精度高、响应速度快的风功率预测方法。
具体实施方式
[0025] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。
[0026] 图1为本发明所述风功率预测方法的流程示意图。如图1所示，本发明所述风功率预测方法包括如下步骤：
[0027] 步骤1、根据风电场的实时风速、实时风向、实时大气湿度，获取风场中任一风机任一时刻t的实时风功率 其中，实时风功率 为实数，t为自然数。
[0028] 步骤1中，所述实时风向包括：实时风向正弦值、实时风向余弦值。
[0029] 步骤2、根据风场的实时风速、实时风向、实时大气湿度，采用神经元网络模型进行风功率预测，获得风场中任一风机任一时刻t的预测风功率 其中，预测风功率 为实数。
[0030] 本发明方法中，神经元网络模型为现有技术，此处不再赘述。实际应用中，由于神经元网络模型有多种，可以根据实际需要采用具体的神经元网络模型。
[0031] 步骤3、选定当前时刻m：将当前时刻m之前时长L内各历史时刻对应的实时风功率预测风功率 进行比较，获得历史时段风功率实时误差Eh＝[em，em‑1，…，em‑i，…，em‑L]；其中，当前时刻m之前时长L内任一时刻历史风功率实时误差m、i、L均为自然数，且0≤i≤L；em、em‑1、…，em‑i、…、em‑L均为实数。
[0032] 步骤4、统计历史时段风功率实时误差Eh的分布特性，得到历史时段风功率实时误差Eh服从统计均值为μe、统计方差为σe的正态分布，以及历史时段风功率实时误差Eh的统计直方图。
[0033] 步骤4中，统计均值μe＝19.2，统计方差σe＝32。
[0034] 步骤5、获取当前时刻m之后时长S内的后向时段风功率实时误差Ep＝[em+1，…，em+j，…，em+S]；其中，当前时刻m之后时长S内任一时刻后向风功率实时误差j为自然数，且1≤j≤S；em+1、…、em+j、…、em+S均为实数。
[0035] 步骤6、根据步骤4所确定的历史时段风功率实时误差Eh服从统计均值为μe、统计方差为σe的正态分布，确定后向时段风功率实时误差Ep也服从统计均值为μe、统计方差为σe的正态分布。
[0036] 步骤7、按照步骤6确定的后向时段风功率实时误差Ep的分布特性，根据后向时段风功率实时误差Ep，建立贝叶斯常均值动态预测模型进行误差预测，得到当前时刻风功率预测误差
[0037] 步骤8、将步骤7得到当前时刻风功率预测误差 补偿给步骤2得到的当前时刻预测风功率 得到任一风机当前时刻补偿风功率:
[0038]
[0039] 总之，本发明所述风功率预测方法中，首先获取各时刻的实时风功率 与神经元网络模型预测得到的预测风功率 并对二者进行比较。确定一个当前时刻m，并针对当前时刻以前一定时间内的实时风功率 与神经元网络模型预测得到的预测风功率 之间的实时误差Eh，确定其统计分布特性。历史时段风功率实时误差Eh分布特性的确定，就意味着，当前时刻m往后一定时间内的实时风功率 与神经元网络模型预测得到的预测风功率之间的后向时段风功率实时误差Ep的分布特性也确定了。因为历史时段风功率实时误差Eh分布特性与后向时段风功率实时误差Ep具有一致性，这是由大众熟知的概率与数理统计论的统计性决定的。之后，根据确定的分布特性与后向时段风功率实时误差Ep，建立贝叶斯常均值动态预测模型，并进行误差预测，得到风功率预测误差 最后，将该风功率预测误差 补偿给神经元网络模型预测得到的预测风功率 这样，本发明所述风功率预测
方法通过对神经元网络模型预测的风功率进一步补偿的方式，提高了风功率的预测精度。
另外，由于本发明所述风功率预测方法可选择时长，且算法简洁，其预测响应速度也比较快。
[0040] 将当前时刻m之前时长L内各历史时刻对应的、，获得历史时段风功率实时误差Eh＝[em，em‑1，…，em‑i，…，em‑L]；其中，当前时刻m之前时长L内任一时刻历史风功率实时误差m、i、L均为自然数，且0≤i≤L；em、em‑1、…，em‑i、…、em‑L均为实数。
[0041] 本发明方法步骤7中，所述贝叶斯常均值动态预测模型，具体如下：
[0042] 观测方程为：
[0043] 状态方程为：Ep＝Ep‑1+Wm
[0044] 其中，观测误差Vm＝[vm，vm+1，…，vm+j，…，vm+S]、状态误差Vm＝[vm，vm+1，…，vm+j，…，vm+S]均为统计均值为0、统计方差为σe的正态分布。
[0045] 本发明方法中，后向时段风功率实时误差Ep在当前时刻m的均值 后向时段风功率实时误差Ep在下一时刻(m+1)的均值 后向时段风功率实时误差Ep在当前时刻m的方差 后向时段风功率实时误差Ep在下一时刻(m+1)的方差 当前时刻m的观测
误差vm、当前时刻m的状态误差wm、下一时刻(m+1)的观测误差vm+1、下一时刻(m+1)状态误差wm+1之间的关系如下：
[0046]
[0047]
[0048] 实际应用中，后向时段风功率实时误差Ep在当前时刻m的均值 后向时段风功率实时误差Ep在下一时刻(m+1)的均值 围绕统计均值μe上下波动；后向时段风功率实时误差Ep在当前时刻m的方差 后向时段风功率实时误差Ep在下一时刻(m+1)的方差围绕统计方差σe上下波动。
[0049] 实施例
[0050] 以内蒙古某风电场为例。在该风电场中，对于任意一台风机而言，其风功率预测方法中，具体操作步骤见下述内容。
[0051] 上述步骤2中，所述根据风场的实时风速、实时风向、实时大气湿度，采用神经元网络模型进行风功率预测，获得风场中任一风机任一时刻t的预测风功率 具体包括如下步骤：在该风电场中，按照时间序列选取7900组对应于实时风速、实时风向正弦值、实时风向余弦值、实时大气湿度的数据组，采用MATLAB实验箱中的径向基函数神经元网络模型进行风功率预测，得到该任一风机在时刻t的预测风功率 图2为径向基函数神经元网络预测得到的部分预测风功率 与部分实时风功率 之差的示意图。图3为图2对应的后向时段部分预测风功率 与部分实时风功率 的对比示意图。
[0052] 上述步骤4具体包括如下步骤：
[0053] 步骤41、采用上述方法，获得3000组历史时段风功率实时误差Eh＝[em，em‑1，…，em‑3000]及其统计直方图。图4为本实施例中3000组历史时段风功率实时误差Eh的统计数据示意图。
[0054] 步骤42、采用MATLAB中的分布拟合(Distribution Fitter)工具箱，对图4所示的3000组历史时段风功率实时误差Eh统计数据进行拟合，得到历史时段风功率实时误差Eh满足均值μe＝19.2、方差σe＝32的正态分布。
[0055] 图5为5分钟时长内后向时段风功率实时误差Ep的示意图。图6为5分钟时长内贝叶斯常均值动态预测模型预测的各时刻风功率 与部分实时风功率 的对比示意图。采用上述方法，5分钟时长内后向时段风功率实时误差Ep、5分钟时长内贝叶斯常均值动态预测模型预测的各时刻风功率预测误差 如图5、图6所示，可见：由贝叶斯常均值动态预测模型预测得到的时刻风功率预测误差 明显降低了。
[0056] 将本实施例中的当前时刻风功率预测误差 补偿给当前时刻预测风功率得到任一风机当前时刻补偿风功率:
[0057]
[0058] 图7为5分钟时长当前时刻补偿风功率 径向基函数神经元网络预测得到的部分预测风功率 与部分实时风功率 之间的结果比较示意图。由图7可知，t＝m+j时刻补偿风功率 与对应的实时风功率 之间的误差值整体上小于径向基
函数神经元网络预测预测风功率 与对应的实时风功率 之间的误差值，表明：本发明所述风功率预测方法得到的补偿风功率精度比较高。
[0059] 本发明中，所述风功率预测方法的验证指标包括预测命中率、平均相对误差、均方根误差、最大绝对误差。针对上述各项指标，本实施例中，径向基函数神经元网络模型预测结果与补偿风功率结果之间的效果对比如表1所示：
[0060] 表1径向基函数神经元网络模型预测结果与补偿风功率结果之间的效果对比
[0061]
[0062] 表1中，预测命中率 其中，Gn表示是否命中，且：
[0063]
[0064] 其中， 表示神经元网络预测风功率 与实时风功率 之间的最大误差。
[0065] 表1中，径向基函数神经元网络模型预测结果的平均相对误差为：
[0066]
[0067] 本发明补偿风功率结果的平均相对误差为：
[0068]
[0069] 其中，C表示风电场中所述任一台风机的额定装机容量；N表示参与验证的径向基函数神经元网络模型的预测风功率 的采样数或者补偿风功率Pm的采样数。径向基函数神经元网络模型的预测风功率 的采样数与补偿风功率Pm的采样数相等。
[0070] 表1中，径向基函数神经元网络模型预测结果的均方根误差为：
[0071]
[0072] 本发明补偿风功率结果的平均相对误差为：
[0073]
[0074] 表1中，径向基函数神经元网络模型预测结果的最大绝对误差为：
[0075]
[0076] 本发明补偿风功率结果的最大绝对误差为：
[0077]
[0078] 综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
