一种基于人工神经网络的风电功率预测方法及系统与流程

1.本发明涉及风电预测技术领域，尤其涉及一种基于人工神经网络的风电功率预测方法及系统。


背景技术：

2.风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划。这是因为风能属于随机波动的不稳定能源，大规模的风电并入系统，必将会对系统的稳定性带来新的挑战。电力生产调度机构需要对未来数小时的风电输出功率有所了解，人工神经网络从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数。
3.现有的技术中，在对风电功率进行预测的过程中，通常都是采用单一的风速转换进行获取，这一过程中，对于风速的数据获取不够全面，同时对于最终发电机的功率转换也不够精准，导致最终的发电预测结果不够准确，对于前期的发电建设造成误导。


技术实现要素：

4.针对现有技术存在的不足，本发明目的是提供一种基于人工神经网络的风电功率预测方法及系统，能够基于全年风速模型和风力发电机本身的功率转换效率来预测某个区域全年的发电功率，以解决现有的风力发电功率预测较为笼统，预测不够精准的问题。
5.为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于人工神经网络的风电功率预测系统，所述预测系统包括风速模型建立模块、单机功率预测模块以及区域功率预测模块；所述风速模型建立模块用于对预测区域的全年风速数据进行获取并处理；所述风速模型建立模块包括风速分类单元、单日风速处理单元、单月风速汇总单元以及全年风速汇总单元；所述风速分类单元用于对有效风速进行分类；所述单日风速处理单元用于单日的风速时长进行归纳；所述单月风速汇总单元用于基于单日风速处理结果对整月风速进行汇总；所述全年风速汇总单元用于基于单月风速汇总单元的汇总结果对全面风速进行汇总；所述单机功率预测模块用于基于全年风速数据对预测区域内的单机全年发电功率进行预测；所述区域功率预测模块用于基于单机全年发电功率对预测区域内的区域发电功率进行预测。
6.进一步地，所述风速分类单元配置有风速分类策略，所述风速分类策略包括：按照风速的等级将有效风速分为第一级至第十二级；所述单日风速处理单元配置有单日风速汇总策略，所述单日风速汇总策略包括：分别对单日内的第一级至第十二级的有效风速时长进行统计，并对单日内第一级至第十二级的有效风速时长分别标记为vd1至vd12；所述单月风速汇总单元配置有单月风速汇总策略，所述单月风速汇总策略包括：
将单月内每日的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vm1至vm12；所述全年风速汇总单元配置有全年风速汇总策略，所述全年风速汇总策略包括：将全年内每月的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vy1至vy12。
7.进一步地，所述单机功率预测模块包括风速转换单元，所述风速转换单元配置有风速转换策略，所述风速转换策略包括：对单机的全年发电功率进行预测时，将全年的第一级至第十二级的风速时长分别代入到风速功率转换公式中求得第一级至第十二级的风速转换功率；将第一级至第十二级的风速转换功率代入到单机功率累计公式中求得单机标准全年发电功率；所述单机功率预测模块还包括损耗消除单元，所述损耗消除单元配置有损耗消除策略，所述损耗消除策略包括：将单机的风力发电机放置于风力发电实验室内，分别以第一级至第十二级的风速吹向风力发电机，在每一级的风速测试状态下持续发电第一测试时长，获取在第一测试时长下每级风力发电机的实际发电功率；将全年的第一级至第十二级的风速时长与每一级风速对应的实际发电功率代入到损耗消除功率转换公式中求得单机实际全年发电功率。
8.进一步地，所述风速功率转换公式配置为：；所述单机功率累计公式配置为：；其中，wfz为风速转换功率，wfz1至wfz12为第一级至第十二级风速全年的风速转换功率，vi为第一级至第十二级的全年风速时长的代表字符，wbdq为单机标准全年发电功率，a1的取值小于零，b1的取值大于零，且a1的绝对值小于b1，w1为单机全年月份补偿系数；所述损耗消除功率转换公式配置为：；其中，wsdq为单机实际全年发电功率，vc1为第一测试时长，wsi代表第一测试时长下每级风力发电机的实际发电功率。
9.进一步地，所述区域功率预测模块配置有区域功率预测策略，所述区域功率预测策略包括：获取预测区域内需要布置的风力发电机的装机功率，将每台风力发电机的装机功率、单机功率预测模块中风力发电机的测试功率以及单机实际全年发电功率代入到单机功率转换公式中求得每台风力发电机的预测功率；将每台风力发电机的预测功率进行累加得到区域预测发电功率。
10.进一步地，所述单机功率转换公式配置为：；其中，wyc为每台发电机的预测功率，wzjn为每台发电机的装机功率，wyzj为单机功率预测模块中风力发电机的测试功率。
11.一种基于人工神经网络的风电功率预测方法，所述方法包括如下步骤：步骤s1，将风速进行分类，分别对单日的风速时长进行获取，再获取单月的风速时
长，最后再汇总全年的风速时长；步骤s2，基于全年风速数据对预测区域内的单机全年发电功率进行预测；步骤s3，基于单机全年发电功率对预测区域内的区域发电功率进行预测。
12.进一步地，所述步骤s1还包括：按照风速的等级将有效风速分为第一级至第十二级；分别对单日内的第一级至第十二级的有效风速时长进行统计，并对单日内第一级至第十二级的有效风速时长分别标记为vd1至vd12；将单月内每日的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vm1至vm12；将全年内每月的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vy1至vy12。
13.进一步地，所述步骤s2还包括：对单机的全年发电功率进行预测时，将全年的第一级至第十二级的风速时长分别代入到风速功率转换公式中求得第一级至第十二级的风速转换功率；将第一级至第十二级的风速转换功率代入到单机功率累计公式中求得单机标准全年发电功率；将单机的风力发电机放置于风力发电实验室内，分别以第一级至第十二级的风速吹向风力发电机，在每一级的风速测试状态下持续发电第一测试时长，获取在第一测试时长下每级风力发电机的实际发电功率；将全年的第一级至第十二级的风速时长与每一级风速对应的实际发电功率代入到损耗消除功率转换公式中求得单机实际全年发电功率。
14.进一步地，所述步骤s3还包括：获取预测区域内需要布置的风力发电机的装机功率，将每台风力发电机的装机功率、预测的风力发电机的测试功率以及单机实际全年发电功率代入到单机功率转换公式中求得每台风力发电机的预测功率；再将每台风力发电机的预测功率进行累加得到区域预测发电功率。
15.本发明的有益效果：本发明在对全年风速数据获取的过程中，首先对风速的等级进行分类，然后对分类后的风速进行梯级累计，先对单日的风速数据进行获取，再汇总单月的风速数据，最后再汇总全年的风速数据，从而能够得到较为精准的全年风速模型；本发明通过对全年的风速数据进行获取后，首先对单机的发电功率进行预测转换，然后再基于单机全年发电功率对预测区域内的区域发电功率进行预测，从而能够提高对区域内风力发电效率的预测准确性。
附图说明
16.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：图1为本发明的系统原理框图。
17.图2为本发明的方法流程图。
具体实施方式
18.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
19.请参阅图1所示，一种基于人工神经网络的风电功率预测系统，所述预测系统包括风速模型建立模块、单机功率预测模块以及区域功率预测模块；本发明利用人工神经网络计算模型来进行梯级的风力发电功率的累加，从而对该预测区域内风力发电功率进行精准预测。
20.所述风速模型建立模块用于对预测区域的全年风速数据进行获取并处理；所述风速模型建立模块包括风速分类单元、单日风速处理单元、单月风速汇总单元以及全年风速汇总单元；所述风速分类单元用于对有效风速进行分类；所述风速分类单元配置有风速分类策略，所述风速分类策略包括：按照风速的等级将有效风速分为第一级至第十二级；其中，在对风速进行统计的过程中，通过预先在该区域进行风速采样，将某一风向范围内具备一定风速的风划分为有效风速，然后对有效风速的时长进行统计，从而能够提高风速统计数据的有效性。
21.所述单日风速处理单元用于单日的风速时长进行归纳；所述单日风速处理单元配置有单日风速汇总策略，所述单日风速汇总策略包括：分别对单日内的第一级至第十二级的有效风速时长进行统计，并对单日内第一级至第十二级的有效风速时长分别标记为vd1至vd12；先对单日风速数据进行统计，以最小统计基点进行出发。
22.所述单月风速汇总单元用于基于单日风速处理结果对整月风速进行汇总；所述单月风速汇总单元配置有单月风速汇总策略，所述单月风速汇总策略包括：将单月内每日的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vm1至vm12；所述全年风速汇总单元用于基于单月风速汇总单元的汇总结果对全面风速进行汇总；所述全年风速汇总单元配置有全年风速汇总策略，所述全年风速汇总策略包括：将全年内每月的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vy1至vy12。
23.所述单机功率预测模块用于基于全年风速数据对预测区域内的单机全年发电功率进行预测；所述单机功率预测模块包括风速转换单元，所述风速转换单元配置有风速转换策略，所述风速转换策略包括：对单机的全年发电功率进行预测时，将全年的第一级至第十二级的风速时长分别代入到风速功率转换公式中求得第一级至第十二级的风速转换功率；将第一级至第十二级的风速转换功率代入到单机功率累计公式中求得单机标准全年发电功率；所述风速功率转换公式配置为：；所述单机功率累计公式配置为：；w1为单机全年月份补偿系数，w1的取值为0-2之间，其中，wfz为风速转换功率，wfz1至wfz12为第一级至第十二级风速全年的风速转换功率，vi为第一级至第十二级的全年风速时长的代表字符，wbdq为单机标准全年发电功率，a1的取值小于零，b1的取值大于零，且a1的绝对值小于b1；在风速功率转换公式，可以明显获知风速较高或较低时，得到的风速功率也较低，风速在中间区间时会有一个明显的峰值。
24.所述单机功率预测模块还包括损耗消除单元，所述损耗消除单元配置有损耗消除策略，所述损耗消除策略包括：将单机的风力发电机放置于风力发电实验室内，分别以第一级至第十二级的风速吹向风力发电机，在每一级的风速测试状态下持续发电第一测试时长，获取在第一测试时长下每级风力发电机的实际发电功率；将全年的第一级至第十二级
的风速时长与每一级风速对应的实际发电功率代入到损耗消除功率转换公式中求得单机实际全年发电功率。
25.所述损耗消除功率转换公式配置为：；其中，wsdq为单机实际全年发电功率，vc1为第一测试时长，wsi代表第一测试时长下每级风力发电机的实际发电功率。
26.所述区域功率预测模块用于基于单机全年发电功率对预测区域内的区域发电功率进行预测，所述区域功率预测模块配置有区域功率预测策略，所述区域功率预测策略包括：获取预测区域内需要布置的风力发电机的装机功率，将每台风力发电机的装机功率、单机功率预测模块中风力发电机的测试功率以及单机实际全年发电功率代入到单机功率转换公式中求得每台风力发电机的预测功率；将每台风力发电机的预测功率进行累加得到区域预测发电功率；所述单机功率转换公式配置为：；其中，wyc为每台发电机的预测功率，wzjn为每台发电机的装机功率，wyzj为单机功率预测模块中风力发电机的测试功率，装机功率和测试功率属于发电机前期的标准输出功率，没有计算损耗，因此还需要参考实际的输出功率。
27.请参阅图2所示，一种基于人工神经网络的风电功率预测方法，所述方法包括如下步骤：步骤s1，将风速进行分类，分别对单日的风速时长进行获取，再获取单月的风速时长，最后再汇总全年的风速时长；按照风速的等级将有效风速分为第一级至第十二级；分别对单日内的第一级至第十二级的有效风速时长进行统计，并对单日内第一级至第十二级的有效风速时长分别标记为vd1至vd12；将单月内每日的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vm1至vm12；将全年内每月的第一级至第十二级的风速时长分别进行累计，并对单月内第一级至第十二级的风速时长分别标记为vy1至vy12。
28.步骤s2，基于全年风速数据对预测区域内的单机全年发电功率进行预测；对单机的全年发电功率进行预测时，将全年的第一级至第十二级的风速时长分别代入到风速功率转换公式中求得第一级至第十二级的风速转换功率；将第一级至第十二级的风速转换功率代入到单机功率累计公式中求得单机标准全年发电功率；将单机的风力发电机放置于风力发电实验室内，分别以第一级至第十二级的风速吹向风力发电机，在每一级的风速测试状态下持续发电第一测试时长，获取在第一测试时长下每级风力发电机的实际发电功率；将全年的第一级至第十二级的风速时长与每一级风速对应的实际发电功率代入到损耗消除功率转换公式中求得单机实际全年发电功率。
29.步骤s3，基于单机全年发电功率对预测区域内的区域发电功率进行预测，获取预测区域内需要布置的风力发电机的装机功率，将每台风力发电机的装机功率、预测的风力发电机的测试功率以及单机实际全年发电功率代入到单机功率转换公式中求得每台风力
发电机的预测功率；再将每台风力发电机的预测功率进行累加得到区域预测发电功率。
30.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。