一种基于多气象源的本地化智能发电功率预测系统

摘要

本发明涉及新能源技术领域，且公开了一种基于多气象源的本地化智能发电功率预测系统，包括预测云平台、实时测风塔和风电场，预测云平台发射端信号连接天气预报数值模块接收端。该基于多气象源的本地化智能发电功率预测系统，采用多种神经网络、机器学习、时序法、向量法等多种预测算法，以电站端实时采集的有功功率数据、发电设备历史数据，历史测风测光数据气象数据以及未来0‑72h数值天气预报数据等作为输入，通过多种预测算法计算出多种短期预测功率数据，再通过智能统计分析算法对多种短期预测数据进行准确率精度计算和分析对比，选择预测精度更高的结果，及时切换功率预测数据源，从而达到不断提升预测精度效果。

说明书

技术领域

本发明涉及新能源技术领域，具体为一种基于多气象源的本地化智能发电功率预测系统。

背景技术

当前新能源电站端功率预测系统，短期预测算法都是在各自预测厂家的云端服务器上部署的，包括预测使用的数值气象、功率预测算法等。

由于短期预测需要定期修改模型，所以需要对电站端的数据进行定期收资，收资周期长，且需要人为参与，如因客观原因不能定期收资，会对电站端功率预测精度会产生不利影响。

在这个背景下，考虑到预测修模数据需要实时性和有效性，结合人工智能技术发展，将软件、硬件、算法以及实时数据服务有效的结合起来，并通过新能源电站端本地化部署向客户提供更加稳定的、高效的、智能化的预测服务，因此需要一种可以提升功率预测系统准确率、及时性，智能性以及降低预测考核偏差的系统。

发明内容

本发明的目的在于提供一种基于多气象源的本地化智能发电功率预测系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于多气象源的本地化智能发电功率预测系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于多气象源的本地化智能发电功率预测系统，包括预测云平台、实时测风塔和风电场，所述预测云平台发射端信号连接天气预报数值模块接收端，所述实时测风塔发射端信号连接实时测风塔数据模块接收端，所述天气预报数值模块和实时测风塔数据模块发射端均信号连接III服务器用户接收端，所述III服务器用户发射端信号连接防火墙模块接收端，所述防火墙模块发射端信号连接反向隔离装置模块接收端，所述反向隔离装置模块发射端信号连接气象服务器模块接收端、高性能算法服务器接收端、数据库服务器模块接收端、用户工作站模块接收端和WEB服务器接收端，所述高性能算法服务器发射端、数据库服务器模块发射端、用户工作站模块发射端和WEB服务器发射端均信号连接局域网接收端，所述风电场发射端信号连接风机监控系统模块，所述风机监控系统模块发射端信号连接局域网接收端，所述局域网发射端信号连接调度中心接收端。

优选的，所述局域网接收端信号连接场站、集控间安防设备发射端，可以使场站、集控间安防设备将数据发送至局域网。

优选的，所述调度中心发射端信号连接分布式数据库集群存储模块接收端，可以将调度中心数据上传至分布式数据库集群存储模块内。

优选的，所述调度中心服务器性能至少满足64G内存，2TGb硬盘存储，8核以上CPU处理器，调度中心可以运行需要最低的硬件要求。

优选的，所述风机监控系统模块发送数据至局域网时需要防火墙模块进行确定，可以通过防火墙模块进行安全防护。

优选的，所述分布式数据库集群存储模块发射端信号连接有数据加密模块接收端，所述数据加密模块发射端信号连接有云数据储存库模块接收端，且所述云数据储存库模块为百度云网盘或微云。

优选的，所述场站、集控间安防设备接收端信号连接有安防机房系统模块发射端、楼宇对讲系统模块发射端、闭路监控系统模块发射端和防盗报警系统模块发射端。

与现有技术相比，本发明提供了一种基于多气象源的本地化智能发电功率预测系统，具备以下有益效果：

1、该基于多气象源的本地化智能发电功率预测系统，采用多种神经网络、机器学习、时序法、向量法等多种预测算法，以电站端实时采集的有功功率数据、发电设备历史数据，历史测风测光数据气象数据以及未来0-72h数值天气预报数据等作为输入，通过多种预测算法计得出多种短期预测功率数据，再通过智能统计分析算法对多种短期预测数据进行准确率精度计算和分析对比，选择预测精度更高的结果，及时切换功率预测数据源，从而达到不断提升预测精度效果。

2、该基于多气象源的本地化智能发电功率预测系统，高质量的数值气象源选择是提高预测精度的关键手段，对每个电站项目来说，选取不同的气象源，预测的结果会有很大不同，同时也可以选取不同的预测算法，每种算法又可以与不同的气象源进行动态组合，所以在不能确定哪种算法更适合于某场站的实际环境时，需要对每种算法和多种气象源同时计算运行，不断积累数据，通过一段时间的数据积累来判断到底那种算法更有优势，同时，也需要根据季节变化，来动态使用不同算法和气象源的结果作为最终的预测上报数据，从而达到提升预测准确率，减少电站考核的效果。

3、该基于多气象源的本地化智能发电功率预测系统，通过智能修模和人工修模相结合，短期功率预测需要定期进行模型修订，以往的模式是数据收资后进行人工修模，本地化部署后，通过对历史一段时间内的多种短期功率数据的精度对比，可第一时间发现哪种算法更准确，同时通过人工智能技术，对历史一段时间的预测曲线、发电设备等规律化性能分析，可对每种预测模型参数进行微调，当电站端系统能采集到未来发电设备的检修、限电等时间段时，可这些状态当做算法输入，会使算法对短期预测做到更精确的计算结果。

4、该基于多气象源的本地化智能发电功率预测系统，新能源预测功率本地化服务，即将数据采集、算法计算、自动修模、智能对比等预测相关环节都部署到电场端服务器中，通过配置高性能计算机，搭建人工智能算法修模服务，以及实时数据库和大数据集群服务，使用多种预测算法模型动态组合，生成多种算法类型短期预测数据，并对预测结果进行准确率精度对比，实现高效、准确、及时的短期功率预测结果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明整体系统模块结构示意图；

图2为本发明整体流程结构示意图；

图3为本发明局域网处系统配合结构示意图；

图4为本发明场站、集控间安防设备处系统配合结构示意图；

图5为本发明分布式数据库集群存储模块处系统配合结构示意图。

图中：1、预测云平台；2、实时测风塔；3、天气预报数值模块；4、实时测风塔数据模块；5、III服务器用户；6、防火墙模块；7、反向隔离装置模块；8、气象服务器模块；9、高性能算法服务器；10、数据库服务器模块；11、用户工作站模块；12、WEB服务器；13、场站、集控间安防设备；14、局域网；15、风电场；16、风机监控系统模块；17、调度中心。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1-5，本发明提供一种技术方案：一种基于多气象源的本地化智能发电功率预测系统，包括预测云平台1、实时测风塔2和风电场15，预测云平台1发射端信号连接天气预报数值模块3接收端，实时测风塔2发射端信号连接实时测风塔数据模块4接收端，天气预报数值模块3和实时测风塔数据模块4发射端均信号连接III服务器用户5接收端，III服务器用户5发射端信号连接防火墙模块6接收端，防火墙模块6发射端信号连接反向隔离装置模块7接收端，反向隔离装置模块7发射端信号连接气象服务器模块8接收端、高性能算法服务器9接收端、数据库服务器模块10接收端、用户工作站模块11接收端和WEB服务器12接收端，高性能算法服务器9发射端、数据库服务器模块10发射端、用户工作站模块11发射端和WEB服务器12发射端均信号连接局域网14接收端，风电场15发射端信号连接风机监控系统模块16，局域网16接收端信号连接场站、集控间安防设备13发射端，可以使场站、集控间安防设备13将数据发送至局域网16，风机监控系统模块16发射端信号连接局域网14接收端，局域网14发射端信号连接调度中心17接收端，调度中心17发射端信号连接分布式数据库集群存储模块接收端，可以将调度中心17数据上传至分布式数据库集群存储模块内，调度中心17服务器性能至少满足64G内存，2TGb硬盘存储，8核以上CPU处理器，调度中心17可以运行需要最低的硬件要求，风机监控系统模块16发送数据至局域网14时需要防火墙模块6进行确定，可以通过防火墙模块6进行安全防护，分布式数据库集群存储模块发射端信号连接有数据加密模块接收端，所述数据加密模块发射端信号连接有云数据储存库模块接收端，且所述云数据储存库模块为百度云网盘或微云，场站、集控间安防设备13接收端信号连接有安防机房系统模块发射端、楼宇对讲系统模块发射端、闭路监控系统模块发射端和防盗报警系统模块发射端。

新能源功率预测数据本地化预测算法智能切换，采用多种神经网络、机器学习、时序法、向量法等多种预测算法，以电站端实时采集的有功功率数据、发电设备历史数据，历史测风测光数据气象数据以及未来0-72h数值天气预报数据等作为输入，通过多种预测算法计得出多种短期预测功率数据，再通过智能统计分析算法对多种短期预测数据进行准确率精度计算和分析对比，选择预测精度更高的结果，及时切换功率预测数据源，从而达到不断提升预测精度效果，使用高性能硬件服务器，主要适用于需要对本地存储上的大型数据集进行高性能顺序读写访问的工作负载，例如：建立分布式数据库集群存储，搭建实时数据库集群管理(可使用Redis等内存库)，可对大规模的并行数据进行采集和分析处理应用，可对多种数值气象数据进行算法搭配，计算出不同结果，要求服务器性能至少满足64G内存，2TGb硬盘存储，8核以上CPU处理器，新能源功率预测数据本地化预测算法智能切换，采用多种神经网络、机器学习、时序法、向量法等多种预测算法，以电站端实时采集的有功功率数据、发电设备历史数据，历史测风测光数据气象数据以及未来0-72h数值天气预报数据等作为输入，通过多种预测算法计得出多种短期预测功率数据，再通过智能统计分析算法对多种短期预测数据进行准确率精度计算和分析对比，选择预测精度更高的结果，及时切换功率预测数据源，从而达到不断提升预测精度效果，高质量的数值气象源选择是提高预测精度的关键手段，对每个电站项目来说，选取不同的气象源，预测的结果会有很大不同，同时也可以选取不同的预测算法，每种算法又可以与不同的气象源进行动态组合，所以在不能确定哪种算法更适合于某场站的实际环境时，需要对每种算法和多种气象源同时计算运行，不断积累数据，通过一段时间的数据积累来判断到底那种算法更有优势，同时，也需要根据季节变化，来动态使用不同算法和气象源的结果作为最终的预测上报数据，从而达到提升预测准确率，减少电站考核的效果，智能修模和人工修模相结合，短期功率预测需要定期进行模型修订，以往的模式是数据收资后进行人工修模，本地化部署后，通过对历史一段时间内的多种短期功率数据的精度对比，可第一时间发现哪种算法更准确，同时通过人工智能技术，对历史一段时间的预测曲线、发电设备等规律化性能分析，可对每种预测模型参数进行微调，当电站端系统能采集到未来发电设备的检修、限电等时间段时，可这些状态当做算法输入，会使算法对短期预测做到更精确的计算结果。

功率预测结果满足：

1.风电场次日0-24h日前功率预测准确率应大于等于85％，小于85％时按以下公式考核：

日前准确率日考核电量＝(80％一准确率)×P

式中：P

2.光伏电站次日0-24h日前功率预测准确率应大于等于90％，小于90％时按以下公式考核：

日前准确率日考核电量＝(85％一准确率)×P

式中：P

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。