一种基于气候态风速预测的区域风电电量预测方法

摘要

本发明提供了一种基于气候态风速预测的区域风电电量预测方法，所述方法包括以下步骤：I、运用气候模式预测风速；II、确定风速的威布尔分布参数；III、确定单台风电机组的电量；IV、确定所述区域风电电量。该方法根据风速的气候态统计特征进行长期电量预测。

说明书

技术领域

本发明涉及一种风力发电领域的方法，具体讲涉及一种基于气候态风速预测的区域风电长期电量预测方法。

背景技术

风能是非常重要的清洁能源之一，在世界范围内发展很快，已成为最为成熟、最具有大规模开发和商业价值的清洁能源。但是自然风的波动性和间歇性，不但使风电并网对电网安全运行造成冲击，也给电力部门进行火电、水电和新能源统筹规划和统一管理调度带来考验。因此通过新能源功率预测和电量预测，预先估计新能源出力状态，为预估电网对风电接纳能力，协调水电、火电和风电出力水平提供依据。这种方法已成为解决长期的电网统筹规划和调度难题的重要手段。

目前常用的风电发电量预测方法，主要是对风电功率预测结果的时间积分。按照风电功率预测建模机理主要有以下3类：

(1)物理模型。以数值天气预报数据(NWP)为输入数据，根据风电场周围的地形、粗糙度和障碍物等物理信息模拟风电机组轮毂高度的风速，然后利用功率曲线得到风电机组的发电量，再由单台风电机组电量得到风电场的发电量。该类预报方法的准确性依赖于NWP数据和风电场周围物理信息的准确性，所以不适于大范围区域内部风电电量的预测。

(2)时间序列模型。该类模型基于过去的功率或风速时间序列，通过模式识别、参数估计和模型校验等步骤建立映射关系。短期预测时，模型的输入量为历史功率数据和在线SCADA(监控和数据采集)实时数据；中期以上的预测时，输入量还应包括NWP数据。该类模型包括persistence模型、ARMA、卡尔曼滤波或者ARMA与卡尔曼滤波的结合方法。

(3)人工智能模型。是利用人工智能学习方法如神经网络法、模糊逻辑法等，通过大量数据的学习和训练，建立输入变量和输出电量建立非线性映射关系，对中短期的电量预测。

这些方法主要针对于中短期的电量预测，无法用于分析区域长期电量供需关系和长期的供电规划；而风电的长期电量预测主要用于宏观分配火电、水电、核电和风电等各类电源之间的配置关系，以及定制电网内部各类能源长期储备计划，此外，数值天气预报只能就未来三天的天气演变过程提供较为准确的预测，超过三天的预报结果准确率将快速降低，因此对于以年电量及分解的月电量为预测目标的长期电量预测而言，显然不能采用基于功率预测结果再积分的方法进行预测。对于超过7天的天气预报，其预测方式由天气预报变为长期气候 预测，虽然气候预测无法确切追踪天气现象发生的具体时间，但是仍可以比较准确的把握各类气象要素的统计特征，即基本的气候状态。该方法在气象领域已用于长期气候状态预测，如江南汛期雨量预测等。风速的气候态预测方法与汛期雨量预测具有相似性，可以作为长期电量预测的重要手段。

因此，需要提供一种改进的用于风电长期电量的预测方法。

发明内容

为克服上述现有技术的不足，本发明提供一种基于气候态风速预测的区域风电长期(月度到年度)电量预测方法。

实现上述目的所采用的解决方案为：

一种基于气候态风速预测的区域风电长期电量预测方法，其改进之处在于：所述方法包括以下步骤：

I、运用气候模式预测风速；

II、确定风速的威布尔分布参数；

III、确定单台风电机组的电量；

IV、确定所述区域风电电量。

进一步的，所述步骤II中，对所述预测风速进行气候态统计，确定统计风速的平均估计μ和标准差估计σ：

$\mu =\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{v}_i$

$\sigma =\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(v_i-\mu )}^2}$

其中，v_i表示各时间点的风速，n表示一定时间段内预测风速的样本数；

确定所述预测风速的威布尔分布的尺度参数和形态参数

进一步的，所述步骤III包括以下步骤：

S301、确定所述预测风速的气候态分布函数；

S302、确定所述风电机组的出力曲线；

S303、根据时间段内预测风速预测所述风电机组的电量。

进一步的，所述步骤S301中，按下式确定所述预测风速的气候态分布函数f(v)：

$f\left(v\right)=\left(\frac{k}{A}\right){\left(\frac{v}{A}\right)}^{k-1}\exp \left[{(-\frac{v}{A})}^k\right]$

其中，A和k分别表示威布尔分布的尺度参数和形态参数，Γ(x)为伽玛函数。

进一步的，所述步骤S302中，按下式确定所述风电机组的出力曲线P_T(v)：

$P_T\left(v\right)=\left(\begin{array}{cc}0,& 0\le v\le v_1\\ \frac{1}{2}{\mathrm{\rho \pi R}}^2{C}_p{v}^3,& v_1\le v\le v_i\\ P_i,& v_i\le v\le v_2\\ 0,& v_2\le v\end{array}\right)$

其中，C_p为风轮的功率系数，ρ为空气密度，R为风轮扫掠半径，v为风速，v₁、v₂分别为切入和切出风速，v_i为风机的额定风速，P_i为风机的额定输出功率。

进一步的，所述步骤S303中，按下式根据时间段内预测风速预测所述风电机组的电量E：

E＝∫P_T(v)Tf(v)dv

其中，f(v)为所述预测风速的气候态分布函数，P_T(v)为所述风电机组的出力曲线。

进一步的，所述步骤IV中，按下式确定所述区域电流：

E_s＝αΣE

其中，E表示所述单台风电机组的电量，α表示尾流折减系数。

与最接近的现有技术相比，本发明具有以下优异效果：

1、本方法提供的方法利用风速的气候态统计特征进行电量预测，适用于长期电量预测，克服了现有技术中较难进行长期电量预测的问题。

2、本发明提供的方法根据分风机率曲线等参数进行长期电量预测进行物理建模，方法简单，可操作性强。

3、本发明提供的方法根据气候统计的方法对风速的发生频率进行统计，并用于风电功率预测，减少了直接利用风速序列积分进行长期电力预测的过程中，由于长期风速预测准确性 降低造成的不确定性误差。

附图说明

图1为本实施例中基于气候态风速预测的长期电量预测方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

如图1所示，图1为本实施例中基于气候态风速预测的长期电量预测方法流程图；本实施例中，提供的基于气候态风速预测的长期电量预测方法，用于预测一个月到一年的电量。该方法具体包括以下步骤：

步骤一、运用气候模式预测风速；

步骤二、确定风速的威布尔分布参数；

步骤三、确定单台风电机组的电量；

步骤四、确定所述区域风电电量。

步骤一中，下载全球预测场和地形、海温、地表植被等数据，输入气候模式进行气候预测，得到较长时间的预测风速时间序列。

气候模式(climate model)是比较成熟研究气候的理论体系，当前研究气候的模式可分为能量平衡模式、辐射对流模式、大气环流模式、统计动力模式四大类。本实施例中用于风速预测的是RegCM-v4.1(Regional Climate Model的4.1版本)，该模式是一种网格化的大气环流模式，能比较准确预测大气的环流特征以及局地地形特征等对大气环流的影响，是局地气候预测最常用的数值模式之一。

步骤二中，包括以下步骤：

S201、对所述预测风速进行气候态统计，确定统计风速的平均估计μ和标准差估计σ：

$\mu =\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{v}_i$

$\sigma =\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(v_i-\mu )}^2}$

其中，v_i表示各时间点的风速，n表示一定时间段内预测风速的样本数；

S202、确定所述预测风速的威布尔分布的尺度参数和形态参数

步骤三中，确定单台风电机组的电量。

现有的方法中，一般认为一定时间段内理论电量是该时间段内风机发电功率的积分，即：

$E={\int }_0^t{P}_T\left(v\right)\mathrm{dt}---\left(3\right)$

其中，E为理论电量，P_T(v)为风机出力曲线，如下式所示：

$P_T\left(v\right)=\left(\begin{array}{cc}0,& 0\le v\le v_1\\ \frac{1}{2}\mathrm{\rho \pi }{R}^2{C}_p{v}^3,& v_1\le v\le v_i\\ P_i,& v_i\le v\le v_2\\ 0,& v_2\le v\end{array}\right)$

其中，C_p为风轮的功率系数，ρ为空气密度，R为风轮扫掠半径，v为风速，v₁、v₂分别为切入和切出风速，v_i为风机的额定风速，P_i为风机的额定输出功率。

本发明人发现，利用一定时间段T内风速的统计特性对长期电量进行预测，可以有效减少由于长期风速预测准确降低对风电量预测造成的不确定性误差，因此，本方面中提出一种根据威布尔分布参数计算单台风机的电量的方法。

包括以下步骤：

S301、确定所述预测风速的气候态分布函数；

S302、确定所述风电机组的出力曲线；

S303、根据时间段内预测风速预测所述风电机组的电量。

步骤S301中，按下式确定所述预测风速的气候态分布函数f(v)：

$f\left(v\right)=\left(\frac{k}{A}\right){\left(\frac{v}{A}\right)}^{k-1}\exp \left[{(-\frac{v}{A})}^k\right]$

其中，A和k分别表示威布尔分布的尺度参数和形态参数，Γ(x)为伽玛函数。

步骤S302中，按下式确定所述风电机组的出力曲线P_T(v)：

$P_T\left(v\right)=\left(\begin{array}{cc}0,& 0\le v\le v_1\\ \frac{1}{2}{\mathrm{\rho \pi R}}^2{C}_p{v}^3,& v_1\le v\le v_i\\ P_i,& v_i\le v\le v_2\\ 0,& v_2\le v\end{array}\right)$

其中，C_p为风轮的功率系数，ρ为空气密度，对于长期预测可以取地面平均空气密度，一般取1.29kg/m³；R为风轮扫掠半径；v为风速，v₁、v₂分别为切入和切出风速，v_i为风机的额定风速，P_i为风机的额定输出功率。

步骤S303中，按下式根据时间段内预测风速预测所述风电机组的电量E：

E＝∫P_T(v)Tf(v)dv

其中，f(v)为所述预测风速的气候态分布函数，P_T(v)为所述风电机组的出力曲线。

步骤四中，按下式确定所述区域电流：

E_s＝αΣE

其中，E表示所述单台风电机组的电量，α表示尾流折减系数。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。