[发明专利]风力发电预测方法、装置及设备

说明书

本发明提供了一种风力发电预测方法、装置及设备，属于发电预测技术领域。本发明实施例提供了风力发电预测方法、装置及设备，过定时获取待测点的气象数值，并从待测点的气象数值中提取风力数据，然后对风力数据进行处理，以使风力数据转换成多个类数据，再获取该待测点的计算因子，并结合计算因子，对多个类数据进行处理，确定矫正风力数值，最后根据矫正风力数值预测待测点的发电功率，能够准确预测较长时间的风电场的输出功率，提高电网调度任务分配的准确度。

技术领域

本发明涉及发电预测技术领域，具体而言，涉及一种风力发电预测方法、装置及设备。

背景技术

近年来，节能减排、绿色能源、发展低碳经济、可持续发展成为各国关注的焦点，清洁能源和可再生能源在各国能源中所占的比重越来越多，特别是风能已成为当今发展速度位居首位的能源。风力发电的原动力是风能，而风能具有较强的随机性和波动性，使得接入电网的风电呈现剧烈的波动特性。

目前，为了降低风电并网给系统带来的影响，需要提前预测风电场风电功率，风电功率预测方法有两种，第一种是直接预测风电场的输出功率，需要大型风电场中每个风力发电机的电压和电流数据，例如，把每个风力发电机都看作一个“数据采集装置”，这样在整个风电场的发电功率预测模型中，其输入的时间序列数据所包含的信息更全面、更准确，但是这种方法预测的时间较短，不适用于日预报；第二种方法是对风速进行预测，然后根据风电机组或风电场的功率曲线得到风电场功率输出，该方法采用统计学模型。目前，统计学模型预测方法主要有卡尔曼滤波法、随机时间序列法、模糊逻辑法、人工神经网络方法(artificial neural networks，ANN)、混合专家经验法(mixture of experts ME)、最近邻搜索(nearest neighbour search，NNS)、蚁群优化(particle swarm optimization，PSO)和支持向量机(support vector machines，SVM)等。利用这些算法，可以不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报(NWP)的数据对风电场数据功率进行预测，但是该方法对于提前3-4小时的风电功率预测结果是可以满足精度要求的，但对于提前更长时间的预测结果，精度不太准确，因此无法准确进行电网调度任务。

发明内容

针对上述现有技术中存在的风力发电预测方法只能适应短期的预测，但对于更长时间的预测精度不太准确，无法准确进行电网调度任务的问题，本发明提供了一种风力发电预测方法、装置及设备，可以准确的预测较长时间的风力发电功率，能够提高预测的准确度，同时能准确进行电网调度任务分配。

第一方面，本发明实施例提供了一种风力发电预测方法，其中，包括：定时获取待测点的气象数值；

从所述待测点的气象数值中提取风力数据，并对所述风力数据进行处理，以使所述风力数据转换成多个类数据；

获取所述待测点的计算因子；

结合所述计算因子，对所述多个类数据进行处理，确定矫正风力数值；

根据所述矫正风力数值预测所述待测点的发电功率。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述定时获取待测点的气象数值的步骤，包括：

通过Internet网定时获取待测点的气象台网页上的第一气象信息，并将所述第一气象信息显示在屏幕上；

通过电力系统网络定时拍摄显示在屏幕上的第一气象信息，并将所述第一气象信息转化为待测点的气象数值。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述通过电力系统网络定时拍摄显示在屏幕上的第一气象信息，并将所述第一气象信息转化为待测点的气象数值的方法，包括：