[发明专利]基于自适应线性逻辑网络的风电功率预测方法

说明书

技术领域

本发明涉及一种基于人工智能技术的风电功率预测方法，尤其涉及一种基于自适应线性逻辑网络的风电功率预测方法，属于风能发电功率预测技术领域。

背景技术

20世纪90年代初期，欧洲国家就已经开始研发风能预测预报系统并应用于预报服务。预报技术多采用中期天气预报模式嵌套高分辨率有限区域模式(或嵌套更高分辨率的局部区域模式)和发电量模式对风电场发电量进行预报，如丹麦Risoe实验室开发的Prediktor预报系统已应用于丹麦、西班牙、爱尔兰和德国的短期风能预报业务，同时丹麦技术大学开发的WPPT(wind power prediction tool)也用于欧洲地区的风能预报。90年代中期以后，美国True WindSolution公司研发的风能预报软件eWind是由高分辨率的中尺度气象数值模型和统计模型构成的预测预报系统，eWind和Prediktor已用于美国加州大型风电场的预报。加拿大风能资源数值评估预报软件West是将中尺度气象模式MC2(mesoscale compressible community)和WAsP(wind atlas analysis and application program)相结合的分辨率为100-200m的风能图谱并进行预报。目前用于风能预报业务的系统还有德国的Previento和WPMS(wind power management system)等。

国内对风电功率预测的研究工作还处于起步阶段。在中国，只有少数地区电网对新入网风电场提出了风能预报这一强制要求。但预报的精度还不高，一般以三天的预报为主，相对误差也较大。这与中国地区风能资源资料的缺乏有关，风能预报技术的开发还处于起步阶段，尤其是在复杂地形条件下，风能预报将变得更加困难。现有的统计法和物理模型法工作量大，工作难度高，预报的精度低，一定程度上制约了风能技术的应用。

中国目前还没有高精度风电功率预测软件系统，只有少数国外公司驻中国办事机构在推介其软件。此外还缺少大量的地区气象资料。国标GB/Z 19963-2005《风电场接入电力系统技术规定》也只是对电能品质作出规定，但对保证其品质的手段和方法，如风能预报技术没有作出具体的要求。

国内风电功率预测理论与系统开发研究及其应用还需要一段时间的积累，现实的情况主要表现在：

1、预测的风速普遍为风电场的平均风速，未考虑风电场地形地貌对风速的影响，预测的不是风电机组处的风速，不能准确定位，且预测的推算一般基于指数函数关系进行切变分析，预测精度差，可置信度欠佳。

2、在用预测的风速计算风机电量过程中，普遍采用简单换算方法，从低处到高处的湍流分析不够，且风速预测时未考虑诸如塔架、风剪差等因素的影响，无法实现高精度的小时段预测。

3、大量风电场区还缺少具有详查功能的原始测风数据，无法有效发挥风电功率预测系统的功能，即使是较好的风能预报软件也需要一个资料积累的过程。

4、由于目前国内较大的风电场是经过多年发展形成的，采用的机型较多。风电功率预测系统与不同类型的风电机组互操作较困难，这也制约了其应用。

发明内容

本发明是针对传统风电功率预测方法中存在的问题，提出一种基于自适应线性逻辑网络的风电功率预测方法，将高效的人工智能方法应用于风电功率预测预报，以提高风电功率预测的精度和效率。

本发明提出的一种基于自适应线性逻辑网络的风电功率预测方法，其特征在于，该方法使用风电场的历史数据，包括风电机组历史出力、历史气象数据，对线性逻辑网络进行自适应训练。在实时预测过程中，系统通过采集数值气象预报数据、实测风数据以及实时发电功率数据对风电场发电功率进行24小时前预报或0-4小时实时预报。

本发明所能达到的有益效果：

首先，自适应线性逻辑网络训练过程易于数学分析，结果稳定可控。从结构上说，自适应线性逻辑网络是由一些线性函数组建构成，且连续可导。自适应线性逻辑网络可以构建多组独立、含噪声数据之间的非线性关系。尽管训练完毕的自适应线性神经网络会包含有成千上万的线性函数单元，但是数据空间可以被分割处理，便于分析。

其次，训练过程从一个单独的线性函数拟合开始，然后将该线性函数不断地分解成若干折线，来逼近要拟合的非线性模型，拟合过程可加以精度要求进行控制，训练的精度可以方便调节。对噪声的处理有独特的方法，可以减低噪声对训练过程的影响。该算法可以用于任意多变量的训练。