[发明专利]基于动力降尺度数据融合和统计模型的风电功率预测方法

说明书

本发明公开了一种基于动力降尺度数据融合和统计模型的风电功率预测方法，具体包括如下步骤：步骤1、通过区域气候模式RegCM对NWP的历史回报风速进行动力降尺度，得到尺度精细风速；步骤2、与历史观测资料的对比，确定动力降尺度前后历史风速数据的可信度权重因子，建立数据融合函数模型；步骤3、根据步骤2建立的数据融合函数模型得到历史风速，并结合历史风力发电功率数据，建立类S型曲线模型；步骤4、根据步骤2建立的数据融合函数模型得到预测风速，并结合步骤3建立的类S型曲线模型，对未来发电功率进行预测，本发明通过将动力降尺度数据融合和统计模型结合，避免了数值天气预报风速的不确定性，使风速与发电功率的对应关系更加准确。

技术领域

本发明属于风电技术领域，具体涉及基于动力降尺度数据融合和统计模型的风电功率预测方法。

背景技术

随着全球经济的快速发展，人们对能源的需求也在逐渐增加。发展可再生绿色能源已成为未来人类能源战略的必然方向。现在的风能被认为是燃烧化石能源的一种基本替代品，并开始在我们的日常生活中广泛使用。然而，对比于化石能源，风能的波动较大。当大规模风电接入电网时，会对电网的安全调度带来很大的影响。因而风电功率预测对电力系统的可靠性至关重要。

目前风电功率预测方法可分为物理方法和统计方法。

物理方法的原理是利用数值天气预报(NWP)和风力涡轮机周围的物理信息来预测风力。例如基于增量自组织神经网络和探索性数据分析技术的发电物理系统生成方法；或是利用NWP模型和人工神经网络预测气象参数。然而，物理方法需要对风电场的气象知识和物理特性有较为深入的了解，而且针对具体的风电场设计的复杂性非常高。因此，大多数风电场使用统计学习方法来预测风电功率。根据历史数据和NWP，采用统计学习方法预测风场的风电功率，统计模型通常采用在线测量，为风力预报提供了一种较好的预测方法。应用于风力发电领域的各种预测模型各有优缺点，单一预测模型所获得的预测性能往往难以达到最佳。结合多个模型的优点，建立组合预测模型，提高预测性能，是风电功率预测研究的一个重要研究方向。

目前这些混合方法可以综合各方法的优点，建立更准确的预测模型。然而，目前的预测方法大多依赖于单一的NWP，并且我国目前能够提供的气象信息的网格分辨率较为粗糙，这就使得我们对预报的风速存在一定的不确定性，从而增加了风电功率预报的不确定性。为此，我们需要通过结合动力降尺度和数据融合技术来提高风速预报的准确性，再耦合到统计模型当中，找出一种预报结果更加可信的风电功率预测方法，以更好地为电力系统安全调度提供有效的指导。

发明内容

本发明的目的在于提供基于动力降尺度数据融合和统计模型的风电功率预测方法，以解决当前在数值天气预报NWP预测风速时准确度低，耦合物理和统计方法预测风速和电功率对应关系时对应关系不准确等问题。

为实现上述目的，本发明提供如下技术方案：基于动力降尺度数据融合和统计模型的风电功率预测方法，其中，具体包括如下步骤：

步骤1、通过区域气候模式RegCM对NWP的历史回报风速进行动力降尺度，得到尺度精细风速；

步骤2、与历史观测资料的对比，确定动力降尺度前后历史风速数据的可信度权重因子，建立数据融合函数模型；

步骤3、根据步骤2建立的数据融合函数模型得到历史风速，并结合历史风力发电功率数据，建立类S型曲线模型；

步骤4、根据步骤2建立的数据融合函数模型得到预测风速，并结合步骤3建立的类S型曲线模型，对未来发电功率进行预测。

优选的，所述步骤1中，具体包括如下步骤：

步骤11、收集数值预报NWP输出的历史回报风速场、气温场、气压场及相对湿度场；

步骤12、将NWP输出场作为区域气候模式RegCM的输入场，利用超级计算机对模式进行运行，输出分辨率更高的风速场；