一种基于声雷达的多参数短期风电功率预测方法与流程

本发明属于风电功率预测领域，尤其涉及一种基于声雷达的多参数短期风电功率预测方法。

背景技术：

1、风力发电作为可再生能源领域发展最迅速和最具应用价值的技术之一，近年来在全球范围内得到了广泛应用。目前制约风电出力的因素可以总结为以下几点：空间错位。风电场的建设与用电负荷较高地区存在空间距离，导致跨区域联络线拥堵严重；时间错位。风电多具有反调峰特性，夜晚用电负荷处于低谷时段，风电发电出力往往较大；不确定性。风电出力具有随机性、波动性的特点，功率预测精度不高，导致电网调度压力大。以上因素很大程度上制约风电出力，导致“并网难”、“弃风多”。

2、因此，保证风电平滑可靠并网，可通过风电预测技术预测超短期风电功率，为调度部门制定合理的调度计划提供数据支撑。基于风电预测技术的研究对于提升风电预测的精度、促进风电可再生能源的并网消纳等意义重大。风电预测的方法可以分为基于数值天气预报预测、基于统计方法预测和智能算法预测。受数值天气预报下行数据频率影响，基于数值天气预报的预测方法无法完成超短期预测。基于统计方法的预测需要获取大量历史数据以训练模型，新兴风电场历史数据获取困难且运算量大。风电功率的预测精度则主要依赖风电场风速的测量精度，风速测量装置的测量精度与风电功率预测呈现正相关性。

3、测风塔和雷达设备是风能测量领域的常用设备。在风能资源评估、风机选址、风电功率预测过程中测风塔应用广泛，但测风塔安装拆除安全性差、运维成本高、极端天气下稳定性不佳。而测风雷达可以分为风廓线测风雷达、激光测风雷达和测风声雷达，具有时间和空间分辨率高，运维简单等优点。与风廓线测风雷达和激光测风雷达相比，测风声雷达能够对10～200m范围内的风速、风向等数据进行高精度探测，建设成本低、使用寿命长、运行维护方便且极端环境下具有高适应性。因此，测风声雷达可以作为一种有效的风电场测风技术，可以实现风能的测量与采集。

4、在测风过程中，设备故障或者人为因素都可能造成测量数据的异常。所以在风电功率预测模型训练之前，识别剔除风能异常数据保证数据质量非常重要。孤立森林算法(iforest)剔除异常数据的判别依据是分割样本数据，在iforest的数据分割标准下将分布零散并且远离高密度数据簇的点被较早分割孤立，高密度数据簇中的数据点则需要多次分割才被孤立，认定为异常数据点，将分割次数代入异常值检验函数，判定数据是否异常，以此实现对风能原始数据的清洗以保证数据质量。

5、风能采样数据时间序列具有明显的非线性和非平稳性，为提高预测精度，采用信号分解算法对风能采样数据时间序列进行分析以获得若干波动变化较小的固有模态分量。采用集成经验模态分解方法，将白噪声加入经验模态函数中以使其具有二进制滤波器组的特性。将幅值有限的白噪声加入原始信号中得到与原始目标函数参考尺寸分布一致的数据信号。随后分解为固有经验模态函数和残余分量，反复加入白噪声迭代，将最终分解得到的固有模态函数求平均值以确定集成经验模态分解的最终结果。

6、将固有模态分量输入elman神经网络模型中进行训练，凭借其良好的动态性能，以误差最小为目标实现对电力负荷的短期预测。

7、其一，基于数值气象预报的风电功率预测技术，采用风电场所在区域的风速、气压、温度等预报数据预测风电功率；

8、其二，基于统计方法的风电功率预测技术，分析历史风电数据与历史气象数据间的映射关系，基于实测气象数据预测风电功率；

9、其三，基于测风塔的测风技术，通过在测风塔上布设三维超声波测风仪探测不同高度下的风速、温度、湿度、气压等数据，用于风能资源评估、风机选址、风电预测；

10、其四，基于风廓线测风雷达和激光测风雷达测风，技术成熟精度较高，能够完成无塔条件下的风速、风向等参数测量。

11、现有技术中存在以下缺点：

12、(1)受数值天气预报下行数据频率影响，基于数值天气预报的预测方法通常只能完成中长期发电量预测，预测能力有限；

13、(2)基于统计方法的预测需要获取大量历史数据以对模型进行训练，新兴风电场历史数据获取困难且运算量大；

14、(3)测风塔根据设备布设高度，测风高度相对固定，在极端天气下存在倒塌、故障、维护困难等隐患，且征地和维护成本高昂；

15、(4)风廓线测风雷达和激光测风雷达分别采用电磁波与激光技术分析带有多普勒频移的回波信号，但设备成本相较声雷达更为高昂；

16、(5)新型测风声雷达集成风速、风向、气温、气压、湿度等多参数测量功能，现有风电功率预测方法中多未采用多参数精细化的测风声雷达，未充分发挥其集成优势进行风电功率预测。

技术实现思路

1、本发明提供了一种基于声雷达的多参数短期风电功率预测方法。首先选用价格较为低廉的声雷达测风方案实现不架设测风塔条件下精确获取10m-200m高度的风速、风向、垂直气流和距雷达10m范围内的温、湿、压等多种气象参数；其次采用iforest算法和集成经验模态分解得到经数据清洗后的风能采样数据固有模态分量，模态混淆缺陷及噪声敏感问题；最后采用elman神经网络模型对局部特征信号分解后的测风数据进行训练和预测，在规定标准误差条件下输出风电功率预测结果。

2、本发明提出一种基于声雷达的多参数短期风电功率预测方法，包括以下步骤：

3、s1：在不架设测风塔的情况下，采用集成多参数测量功能的声雷达，以较高采样率测量10m-200m高度的风速、风向、垂直气流和距雷达10m的温度、湿度、压强等气象数据，提升风电功率预测数据精度；

4、s2：声雷达采集数据中会包含瞬时突变、设备异动、通信异常、人为干扰等异常数据，采用iforest算法对风速、风向、温度、湿度、压强等异常数据识别并清洗，提升数据精度和稳定性；

5、s3：针对数据存在的非线性和非平稳性，采用将白噪声加入原始信号后进行集成经验模态分解得到固有经验模态函数和残差分量并反复迭代，得到若干个波动变化较小的风速固有模态分量wf1～wfn和残差分量r(t)、温度固有模态分量tf1～tfn和残差分量k(t)、湿度固有模态分量hf1～hfn和残差分量n(t)、压强固有模态分量pf1～pfn和残差分量m(t)；

6、s4：经集成经验模态分解后的固有经验模态和残差分量分别输入elman神经网络模型训练，确定隐含层最佳神经元数，在确定elman神经网络最优参数后进行预测，得到预测参数结果；

7、s5：各预测参数叠加重构得到对应预测值，输出风电功率预测结果。

8、本发明的有益效果：

9、该基于声雷达的多参数短期风电功率预测方法，采用单个声雷达设备同步获取多个风电功率预测相关的风能参数，集成程度提高而降低成本；相较传统测风方式，声雷达可以实现对多个参数的高采样率数据采集，可以实现短期风电功率精确预测；与测风方案相比，声雷达方案环境适应性强、数据获取灵活、运维成本低；此预测方法基于较高数据密度实现风电功率预测，经过iforest算法和集成经验模态分解后的原始数据非线性和非平稳特性得到优化，经动态反馈型elman神经网络预测后，可以以较低成本获得精确程度较高的短期风电功率预测结果。