本發(fā)明涉及一種風力發(fā)電場風能預測方法和設備。更具體地講，涉及一種使用人工神經(jīng)網(wǎng)絡的風力發(fā)電場短期風能預測方法和設備。

背景技術(shù)：

盡管風力發(fā)電的環(huán)境效益顯著，但是風速的連續(xù)和混亂的波動使得風力發(fā)電場的輸出功率完全隨機。因此，這種發(fā)電機的輸出功率的評估總是與一些不確定性有關。由于這種不確定性，將大量風能連接到電力系統(tǒng)中可能會帶來巨大的挑戰(zhàn)。然而，這個挑戰(zhàn)并不是無法克服的。為了增加風能的經(jīng)濟效益和可接受性，并減少由于對風能的高估或低估而導致的來自現(xiàn)貨市場的懲罰，需要對風能以及風速進行準確預測。

如今，已經(jīng)開發(fā)出幾種預測風能和風速的方法。基于所使用的預測模型，現(xiàn)有方法可被歸納為統(tǒng)計法、物理法和時間序列建模法。這些常規(guī)的預測模型具有3-6小時之間的范圍的預測能力。

然而，為了克服將大量風能連接到電力系統(tǒng)中可能會帶來的挑戰(zhàn)，僅對未來3-6小時的風能進行準確預測是遠遠不夠的。因此存在對未來至少24小時的風能進行精確預測的短期風能預測技術(shù)的需求。

技術(shù)實現(xiàn)要素：

根據(jù)示例性實施例的一個方面，提供一種風力發(fā)電場風能預測方法，所述風力發(fā)電場風能預測方法包括：獲取第一數(shù)據(jù)和第二數(shù)據(jù)，其中，第一數(shù)據(jù)包括歷史風速數(shù)據(jù)，第二數(shù)據(jù)包括與第一數(shù)據(jù)相應的歷史風能數(shù)據(jù)；將第一數(shù)據(jù)作為用于預測風能數(shù)據(jù)的人工神經(jīng)網(wǎng)絡的輸入變量并將第二數(shù)據(jù)作為所述人工神經(jīng)網(wǎng)絡的目標變量，來訓練所述人工神經(jīng)網(wǎng)絡；獲取第三數(shù)據(jù)，其中，第三數(shù)據(jù)包括預測的風速數(shù)據(jù)；通過將第三數(shù)據(jù)輸入到經(jīng)過訓練的所述人工神經(jīng)網(wǎng)絡，來獲得預測的風能數(shù)據(jù)。

所述人工神經(jīng)網(wǎng)絡是前饋反向傳播神經(jīng)網(wǎng)絡，其具有多個相互連接的層的前饋網(wǎng)絡，所述層包括輸入層、多個隱藏層和輸出層；其中，輸入層包括用于描述一個或者多個輸入變量的輸入神經(jīng)元，隱藏層包含多個隱藏神經(jīng)元，輸出層包括用于描述輸出變量的輸出神經(jīng)元。

所述前饋反向傳播神經(jīng)網(wǎng)絡包括前向路徑和修正路徑；所述前向路徑從輸入層的輸入神經(jīng)元開始，依次經(jīng)過每個隱藏層的隱藏神經(jīng)元，到達輸出層的輸出神經(jīng)元；所述前向路徑用于根據(jù)在線監(jiān)測控制和數(shù)據(jù)采集系統(tǒng)監(jiān)測的第一數(shù)據(jù)設置每個輸入神經(jīng)元，依次計算每個隱藏層的隱藏神經(jīng)元的數(shù)值，以及計算輸出神經(jīng)元；該輸出神經(jīng)元表示歷史風能數(shù)據(jù)；所述修正路徑從輸出層的輸出神經(jīng)元開始，反向依次經(jīng)過每個隱藏層的隱藏神經(jīng)元；所述修正路徑用于調(diào)整各層神經(jīng)元的連接權(quán)重值，以構(gòu)建新的前向路徑。

第一數(shù)據(jù)可包括第一時間范圍內(nèi)的具有第一時間間隔的多條數(shù)據(jù)，第二數(shù)據(jù)可包括第二時間范圍內(nèi)的具有第二時間間隔的多條數(shù)據(jù)，第三數(shù)據(jù)可包括第三時間范圍內(nèi)的具有第三時間間隔的多條數(shù)據(jù)。

第一時間間隔、第二時間間隔和第三時間間隔均可為10分鐘。

第一時間范圍和第二時間范圍均可為至少過去1年，第三時間范圍可為至少未來24小時。

第一數(shù)據(jù)還可包括歷史溫度數(shù)據(jù)、歷史風向數(shù)據(jù)和歷史濕度數(shù)據(jù)中的至少一個，第三數(shù)據(jù)還可包括預測的溫度數(shù)據(jù)、預測的風向數(shù)據(jù)和預測的濕度數(shù)據(jù)中的至少一個。

第一數(shù)據(jù)和第二數(shù)據(jù)可以是來自在線監(jiān)測控制和數(shù)據(jù)采集系統(tǒng)的歷史數(shù)據(jù)。

第三數(shù)據(jù)可以是通過使用數(shù)值天氣預報模型預測的數(shù)據(jù)，其中，所述數(shù)值天氣預報模型用于確定在風力發(fā)電機輪轂高度處的風速。

根據(jù)示例性實施例的另一方面，提供一種風力發(fā)電場風能預測設備，所述風能預測設備包括：獲取單元，其用于獲取第一數(shù)據(jù)、第二數(shù)據(jù)和第三數(shù)據(jù)，其中，第一數(shù)據(jù)包括歷史風速數(shù)據(jù)，第二數(shù)據(jù)包括與第一數(shù)據(jù)相應的歷史風能數(shù)據(jù)，第三數(shù)據(jù)包括預測的風速數(shù)據(jù)；訓練單元，其用于將第一數(shù)據(jù)作為用于預測風能數(shù)據(jù)的人工神經(jīng)網(wǎng)絡的輸入變量并將第二數(shù)據(jù)作為所述人工神經(jīng)網(wǎng)絡的目標變量，來訓練所述人工神經(jīng)網(wǎng)絡；預測單元，其用于通過將第三數(shù)據(jù)輸入到經(jīng)過訓練的所述人工神經(jīng)網(wǎng)絡，來獲得預測的風能數(shù)據(jù)。

所述人工神經(jīng)網(wǎng)絡是前饋反向傳播神經(jīng)網(wǎng)絡，其具有多個相互連接的層的前饋網(wǎng)絡，所述層包括輸入層、多個隱藏層和輸出層；其中，輸入層包括用于描述一個或者多個輸入變量的輸入神經(jīng)元，隱藏層包含多個隱藏神經(jīng)元，輸出層包括用于描述輸出變量的輸出神經(jīng)元。

所述前饋反向傳播神經(jīng)網(wǎng)絡包括前向路徑和修正路徑；所述前向路徑從輸入層的輸入神經(jīng)元開始，依次經(jīng)過每個隱藏層的隱藏神經(jīng)元，到達輸出層的輸出神經(jīng)元；所述前向路徑用于根據(jù)在線監(jiān)測控制和數(shù)據(jù)采集系統(tǒng)監(jiān)測的第一數(shù)據(jù)設置每個輸入神經(jīng)元，依次計算每個隱藏層的隱藏神經(jīng)元的數(shù)值，以及計算輸出神經(jīng)元；該輸出神經(jīng)元表示歷史風能數(shù)據(jù)；所述修正路徑從輸出層的輸出神經(jīng)元開始，反向依次經(jīng)過每個隱藏層的隱藏神經(jīng)元；所述修正路徑用于調(diào)整各層神經(jīng)元的連接權(quán)重值，以構(gòu)建新的前向路徑。

第一數(shù)據(jù)可包括第一時間范圍內(nèi)的具有第一時間間隔的多條數(shù)據(jù)，第二數(shù)據(jù)可包括第二時間范圍內(nèi)的具有第二時間間隔的多條數(shù)據(jù)，第三數(shù)據(jù)可包括第三時間范圍內(nèi)的具有第三時間間隔的多條數(shù)據(jù)。

第一時間間隔、第二時間間隔和第三時間間隔均可為10分鐘。

第一時間范圍和第二時間范圍均可為至少過去1年，第三時間范圍可為至少未來24小時。

第一數(shù)據(jù)還可包括歷史溫度數(shù)據(jù)、歷史風向數(shù)據(jù)和歷史濕度數(shù)據(jù)中的至少一個，第三數(shù)據(jù)還可包括預測的溫度數(shù)據(jù)、預測的風向數(shù)據(jù)和預測的濕度數(shù)據(jù)中的至少一個。

第一數(shù)據(jù)和第二數(shù)據(jù)可以是來自在線監(jiān)測控制和數(shù)據(jù)采集系統(tǒng)的歷史數(shù)據(jù)。

第三數(shù)據(jù)可以是通過使用數(shù)值天氣預報模型預測的數(shù)據(jù)，其中，所述數(shù)值天氣預報模型用于確定在風力發(fā)電機輪轂高度處的風速。

根據(jù)示例性實施例的另一方面，提供一種計算機可讀存儲介質(zhì)，存儲有程序，所述程序可執(zhí)行根據(jù)本發(fā)明的風力發(fā)電場風能預測方法。

根據(jù)示例性實施例的另一方面，提供一種計算機，包括存儲有計算機程序的可讀介質(zhì)，所述計算機程序可執(zhí)行根據(jù)本發(fā)明的風力發(fā)電場風能預測方法。

通過使用本發(fā)明提供的風力發(fā)電場風能預測方法和設備，可預測更長時間范圍的風能數(shù)據(jù)，并且預測的結(jié)果可具有更高的魯棒性和準確性。

其他特征和方面從下面的具體實施方式、附圖和權(quán)利要求將是清楚的。

附圖說明

從以下結(jié)合附圖對示例實施例進行的描述，這些和/或其他方面將變得明顯和更容易理解，其中：

圖1是示出根據(jù)本發(fā)明的示例性實施例的風能預測設備的框圖；

圖2是示出根據(jù)本發(fā)明的示例性實施例的風力發(fā)電場風能預測方法的流程圖；

圖3是示出根據(jù)本發(fā)明的示例性實施例的人工神經(jīng)網(wǎng)絡的原理圖；

圖4是示出根據(jù)本發(fā)明的示例性實施例的人工神經(jīng)網(wǎng)絡向前路徑和修正路徑的原理圖；

圖5是根據(jù)本發(fā)明的示例性實施例的使用如圖1和圖2中的風力發(fā)電場風能預測設備和方法進行模擬的試驗數(shù)據(jù)的示圖。

具體實施方式

在下文中，將參照附圖詳細描述一些示例實施例。關于分配給附圖中的元件的參考標號，應注意，在任何可能的情況下，即使相同的元件在不同的附圖中被示出，相同元件也將由相同的參考標號表示。此外，在實施例的描述中，當認為與公知相關的結(jié)構(gòu)或功能的詳細描述將導致本公開的解釋模糊時，將省略與公知相關的結(jié)構(gòu)或功能的詳細描述。

此外，這里可使用諸如第一、第二、a、b、(a)、(b)等術(shù)語來描述組件。這些術(shù)語中的每個術(shù)語不用于限定相應組件的本質(zhì)、順序或次序，而僅用于將相應組件與其它組件進行區(qū)分。在此使用的術(shù)語僅用于描述具體實施例的目的，不意在限制。除非上下文另外明確地指示，否則如在此使用的單數(shù)形式也意在包括復數(shù)形式。還將理解，當在此使用時，術(shù)語“包括”和/或“包含”指定存在敘述的特征、整體、步驟、操作、元件和/或組件，但是不排除存在或添加一個或多個其它特征、整體、步驟、操作、元件、組件和/或它們的組。

還應注意，在一些可選擇的實施例中，提出的功能/動作可不按附圖中示出的順序發(fā)生。例如，連續(xù)示出的兩個附圖實際上可基本同時執(zhí)行或有時可以以相反的順序執(zhí)行，這取決于所包含的功能/動作。

上面已描述了一些示例實施例。然而，應理解，可對這些示例實施例做出各種修改。例如，如果描述的技術(shù)以不同的順序被執(zhí)行，和/或如果描述的系統(tǒng)、構(gòu)架、裝置或電路中的組件以不同的方式被組合和/或被其他組件或他們的等同物替換或補充，則可獲得合適的結(jié)果。因此，其他實施例在權(quán)利要求的范圍內(nèi)。

圖1是示出根據(jù)本發(fā)明的示例性實施例的風能預測設備100的框圖。

風能預測設備100可用于預測風能發(fā)電場在未來幾天內(nèi)的發(fā)電功率。根據(jù)示例性實施例，風能預測設備100包括：獲取單元110、訓練單元120和預測單元130。

獲取單元110為風能預測設備100獲取所需的數(shù)據(jù)。獲取單元110用于獲取第一數(shù)據(jù)、第二數(shù)據(jù)和第三數(shù)據(jù)。其中，第一數(shù)據(jù)和第二數(shù)據(jù)均為歷史數(shù)據(jù)，第三數(shù)據(jù)為預測的數(shù)據(jù)。根據(jù)示例性實施例，第一數(shù)據(jù)可包括歷史風速數(shù)據(jù)，第二數(shù)據(jù)可包括歷史風能數(shù)據(jù)，并且第二數(shù)據(jù)與第一數(shù)據(jù)是相對應的。例如，第一數(shù)據(jù)可以為歷史某一時間點的實際風速數(shù)據(jù)，則第二數(shù)據(jù)可以為該歷史時間點的實際風能數(shù)據(jù)。此外，第三數(shù)據(jù)可包括預測的風速數(shù)據(jù)。例如，第三數(shù)據(jù)可為預測的未來的風速數(shù)據(jù)。

在示例性實施例中，第一數(shù)據(jù)和第二數(shù)據(jù)可以是來自在線監(jiān)測控制和數(shù)據(jù)采集(supervisorycontrolanddataacquisition，scada)系統(tǒng)的歷史數(shù)據(jù)。在線scada系統(tǒng)提供風速和輸出功率以及發(fā)電機可用性的綜合記錄，其可作為短期風力發(fā)電預測的基礎。

第三數(shù)據(jù)(即，預測的風速數(shù)據(jù))的精確程度對風能預測的影響是不可忽略的。獲得風力數(shù)據(jù)有幾種方法：觀測、數(shù)據(jù)挖掘和數(shù)值天氣模擬。獲得風力數(shù)據(jù)的最直接和可靠的方法是通過現(xiàn)場觀察。然而，它們通常無法提供預測值。數(shù)據(jù)挖掘較為靈活，但是其降低天氣數(shù)據(jù)規(guī)模的能力有限。數(shù)值天氣預報(numericalweatherprediction，nwp)模型使用能量方程的物理守恒，這樣允許更現(xiàn)實的數(shù)據(jù)規(guī)?？s減。實際上，風力的高分辨率nwp對風能預測起到關鍵作用。

在示例性實施例中，第三數(shù)據(jù)可以是通過使用nwp模型預測的數(shù)據(jù)。nwp是指根據(jù)大氣實際情況，在一定的初值和邊界條件下，通過大型計算機作數(shù)值計算，求解描寫天氣演變過程的流體力學和熱力學的方程組，預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。在本發(fā)明構(gòu)思中，利用距離地面10米處的氣象數(shù)據(jù)，結(jié)合諸如對數(shù)律和風剪切力法等外推方法對氣象數(shù)據(jù)進行預處理，得到在風力發(fā)電機輪轂高度處的風速(即，第三數(shù)據(jù))。由于各種型號的風力發(fā)電機組的輪轂距離地面的高度不同，采用nwp模型能夠預測每臺機組輪轂位置(例如，70米高度、80米高度等)的風速。

第一數(shù)據(jù)、第二數(shù)據(jù)和第三數(shù)據(jù)均可包括一定時間范圍的具有一定時間間隔的多條數(shù)據(jù)。具體地說，第一數(shù)據(jù)可包括第一時間范圍內(nèi)的具有第一時間間隔的多條數(shù)據(jù)，第二數(shù)據(jù)可包括第二時間范圍內(nèi)的具有第二時間間隔的多條數(shù)據(jù)，第三數(shù)據(jù)可包括第三時間范圍內(nèi)的具有第三時間間隔的多條數(shù)據(jù)。

具體地說，因為第二數(shù)據(jù)與第一數(shù)據(jù)是相對應的，所以第二時間范圍可等于第一時間范圍，第二時間間隔可等于第一時間間隔。例如，第一時間范圍和第二時間范圍可均為至少過去1年，第一時間間隔和第二時間間隔可均為10分鐘。

因此，根據(jù)本發(fā)明的實施例，第一數(shù)據(jù)可以是至少過去1年的以10分鐘為間隔的多條風速數(shù)據(jù)，第二數(shù)據(jù)可以是至少過去1年的以10分鐘為間隔的多條風能數(shù)據(jù)。

此外，第三時間范圍可小于第一時間范圍和/或第二時間范圍。例如，在示例性實施例中，第一時間范圍和第二時間范圍均為至少過去1年，第三時間范圍為至少未來24小時。第三時間間隔可等于第一時間間隔和/或第二時間間隔，例如，在示例性實施例中，第一時間間隔、第二時間間隔和第三時間間隔均為10分鐘。因此，根據(jù)本發(fā)明的示例性實施例，第三數(shù)據(jù)可以是至少未來24小時的以10分鐘為間隔的多條預測的風速數(shù)據(jù)。但是根據(jù)另一示例性實施例，第三時間間隔可不等于第一時間間隔和/或第二時間間隔。例如，第一時間間隔和第二時間間隔均為10分鐘，第三時間間隔為5分鐘。然而，本領域技術(shù)人員應理解，第一時間間隔、第二時間間隔和第三時間間隔，以及第一時間范圍、第二時間范圍和第三時間范圍可不限于這些示例。

除風速數(shù)據(jù)外，第一數(shù)據(jù)和第三數(shù)據(jù)還可包括溫度數(shù)據(jù)、風向數(shù)據(jù)和濕度數(shù)據(jù)中的至少一個。第三數(shù)據(jù)的類型應當與第一數(shù)據(jù)所采用的類型相應。例如，當?shù)谝粩?shù)據(jù)包括歷史風速數(shù)據(jù)時，第三數(shù)據(jù)可包括預測的風速數(shù)據(jù)。當?shù)谝粩?shù)據(jù)包括歷史風速數(shù)據(jù)和歷史溫度數(shù)據(jù)時，第三數(shù)據(jù)可包括預測的風速數(shù)據(jù)和預測的溫度數(shù)據(jù)。當?shù)谝粩?shù)據(jù)包括歷史風速數(shù)據(jù)、歷史溫度數(shù)據(jù)和歷史風向數(shù)據(jù)時，第三數(shù)據(jù)可包括預測的風速數(shù)據(jù)、預測的溫度數(shù)據(jù)和預測的風向數(shù)據(jù)。當?shù)谝粩?shù)據(jù)包括歷史風速數(shù)據(jù)、歷史溫度數(shù)據(jù)、歷史風向數(shù)據(jù)和歷史濕度數(shù)據(jù)時，第三數(shù)據(jù)可包括預測的風速數(shù)據(jù)、預測的溫度數(shù)據(jù)、預測的風向數(shù)據(jù)和預測的濕度數(shù)據(jù)。

訓練單元120訓練用于預測風能數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(artificialneuralnetworks，ann)。具體地說，訓練單元120可通過將第一數(shù)據(jù)作為用于預測風能數(shù)據(jù)的ann的輸入變量并將第二數(shù)據(jù)作為ann的目標變量，來訓練ann，以獲得第一數(shù)據(jù)與第二數(shù)據(jù)的映射關系。

例如，第一數(shù)據(jù)為從在線scada系統(tǒng)獲得的多條實際歷史風速數(shù)據(jù)，第二數(shù)據(jù)為從在線scada系統(tǒng)獲得的多條實際歷史風能數(shù)據(jù)，通過將實際歷史風速數(shù)據(jù)作為ann的輸入變量，將與該實際歷史風速數(shù)據(jù)在時間點上相應的實際歷史風能數(shù)據(jù)作為ann的目標變量，來訓練風速數(shù)據(jù)與風能數(shù)據(jù)的關系，并通過對多條數(shù)據(jù)進行迭代訓練，可最終獲得風速數(shù)據(jù)與風能數(shù)據(jù)之間的映射關系。

這里，ann是一種強大的數(shù)據(jù)建模工具，能夠捕獲和表示復雜的輸入/輸出關系。ann由大量高度互聯(lián)的神經(jīng)元組成，這些神經(jīng)元一致工作以解決具體問題。

如圖3所示，ann是具有多個相互連接的層的前饋網(wǎng)絡，這些層包括輸入層、多個隱藏層和輸出層。其中，輸入層包括用于描述一個或者多個輸入變量的輸入神經(jīng)元x，隱藏層包含多個隱藏神經(jīng)元h，輸出層包括用于描述輸出變量的輸出神經(jīng)元y。

ann的輸入神經(jīng)元xj與輸出神經(jīng)元yi之間的關系由等式1給出：

【等式1】

其中，xj是第j個輸入神經(jīng)元，yi是第i個輸出神經(jīng)元，wij是輸入神經(jīng)元xi和與其連接的輸出神經(jīng)元yi之間的連接權(quán)重，n為輸入神經(jīng)元的數(shù)量，bi是第i個輸出神經(jīng)元的偏差，fi是確定神經(jīng)網(wǎng)絡的性質(zhì)的激活函數(shù)。

ann的均方誤差(meansquareerror，mse)通過等式2定義：

【等式2】

其中，tp是第p組訓練樣本的目標值，yp是在第p組訓練樣本的網(wǎng)絡輸出預測值，n是訓練樣本的數(shù)量。

在示例性實施例中，使用的ann是前饋反向傳播神經(jīng)網(wǎng)絡。

如圖4所示，本示例中的前饋反向傳播神經(jīng)網(wǎng)絡包括前向路徑和修正路徑。

其中，前向路徑從輸入層的輸入神經(jīng)元開始，依次經(jīng)過每個隱藏層的隱藏神經(jīng)元，到達輸出層的輸出神經(jīng)元。

在前向路徑中，根據(jù)在線scada系統(tǒng)監(jiān)測到的歷史風速數(shù)據(jù)(也可以是溫度、濕度、風向等氣象數(shù)據(jù))設置每個輸入神經(jīng)元，依次計算每個隱藏層的隱藏神經(jīng)元的數(shù)值，以及輸出神經(jīng)元。該輸出神經(jīng)元表示歷史風能數(shù)據(jù)。

具體而言，在前向路徑中計算在神經(jīng)網(wǎng)絡中所有的神經(jīng)元的輸出。從第一層隱藏層開始，使用來自訓練數(shù)據(jù)集(本示例為在線scada系統(tǒng)的歷史監(jiān)控數(shù)據(jù))的獨立變量作為輸入值。通過執(zhí)行相關的求和以及激活函數(shù)評估，對第一隱藏層中的所有神經(jīng)元計算神經(jīng)元輸出。將這些輸出作為第二隱藏層中的神經(jīng)元的輸入，再次執(zhí)行相關的求和以及激活函數(shù)計算，以計算第二層神經(jīng)元的輸出。

如圖4所示，修正路徑從輸出層的輸出神經(jīng)元開始，反向依次經(jīng)過每個隱藏層的隱藏神經(jīng)元。在修正路徑中，進行計算誤差的傳播和權(quán)重的調(diào)整。從輸出層中的神經(jīng)元的誤差計算開始。常用的誤差函數(shù)是在某組訓練樣本的輸出神經(jīng)元yp與該神經(jīng)元的目標值tp之間的平方差。在本實施例中，該神經(jīng)元的目標值tp為在線scada系統(tǒng)監(jiān)測到的歷史風能數(shù)據(jù)。對訓練數(shù)據(jù)中的每個數(shù)據(jù)點連續(xù)計算其誤差值，調(diào)整各層神經(jīng)元的連接的權(quán)重wij的新值，直到誤差值達到零或低于特定閾值。此時，得到新的一組權(quán)重值，基于新的權(quán)重值構(gòu)建新的前向路徑。

在訓練的過程中，循環(huán)經(jīng)過前向路徑和修正路徑。

在一個優(yōu)選的實施方案中，風能預測的時間間隔為10分鐘，預測時效為24小時，可以采用每隔10分鐘的歷史氣象數(shù)據(jù)作為一組訓練樣本(共144組訓練樣本)。

當訓練單元120訓練好用于預測風能數(shù)據(jù)的ann時，預測單元130可通過將第三數(shù)據(jù)輸入到經(jīng)過訓練的ann，來獲得預測的風能數(shù)據(jù)。

此外，當?shù)谌龜?shù)據(jù)為來自nwp的距離地面10米處的氣象數(shù)據(jù)時，風能預測裝置100還可包括預處理器(未示出)。預處理器用于利用諸如對數(shù)律和風剪切力法等外推方法對第三數(shù)據(jù)進行預處理，得到在風力發(fā)電機輪轂高度處的適當?shù)娘L力信息(即，經(jīng)預處理的第三數(shù)據(jù))。

根據(jù)本發(fā)明的示例性實施例，當訓練單元120使用至少過去1年的實際風速數(shù)據(jù)和至少過去1年的實際風能數(shù)據(jù)來訓練ann時，預測單元130可使用預測的未來24小時的風速數(shù)據(jù)輸入到訓練好的ann以獲得預測的未來24小時的風能數(shù)據(jù)。

因此，預測的結(jié)果可具有更高的魯棒性和準確性，并可實現(xiàn)對風能的短期(例如，24小時)預測。

圖2是示出根據(jù)本發(fā)明的示例性實施例的風力發(fā)電場風能預測方法的流程圖。部分術(shù)語已參照圖1進行了解釋和說明，因此將省略重復描述。

在步驟s10中，獲取單元110獲取第一數(shù)據(jù)和第二數(shù)據(jù)。第一數(shù)據(jù)包括歷史風速數(shù)據(jù)，第二數(shù)據(jù)包括與第一數(shù)據(jù)相應的歷史風能數(shù)據(jù)。響應于接收到第一數(shù)據(jù)和第二數(shù)據(jù)，獲取單元110將第一數(shù)據(jù)和第二數(shù)據(jù)發(fā)送到訓練單元120。

這里，第一數(shù)據(jù)可包括第一時間范圍內(nèi)的具有第一時間間隔的多條數(shù)據(jù)，第二數(shù)據(jù)可包括第二時間范圍內(nèi)的具有第二時間間隔的多條數(shù)據(jù)。除歷史風速數(shù)據(jù)外，第一數(shù)據(jù)還包括歷史溫度數(shù)據(jù)、歷史風向數(shù)據(jù)和歷史濕度數(shù)據(jù)中的至少一個。

此外，第一數(shù)據(jù)和第二數(shù)據(jù)可以是來自在線scada系統(tǒng)的歷史數(shù)據(jù)。

在步驟s20中，訓練單元120將第一數(shù)據(jù)作為用于預測風能數(shù)據(jù)的ann的輸入變量并將第二數(shù)據(jù)作為ann的目標變量，來訓練ann。

這里，人工神經(jīng)網(wǎng)絡是前饋反向傳播神經(jīng)網(wǎng)絡，其具有多個相互連接的層的前饋網(wǎng)絡，所述層包括輸入層、多個隱藏層和輸出層；其中，輸入層包括用于描述一個或者多個輸入變量的輸入神經(jīng)元，隱藏層包含多個隱藏神經(jīng)元，輸出層包括用于描述輸出變量的輸出神經(jīng)元。

此外，前饋反向傳播神經(jīng)網(wǎng)絡包括前向路徑和修正路徑；前向路徑從輸入層的輸入神經(jīng)元開始，依次經(jīng)過每個隱藏層的隱藏神經(jīng)元，到達輸出層的輸出神經(jīng)元；前向路徑用于根據(jù)在線scada系統(tǒng)監(jiān)測的第一數(shù)據(jù)設置每個輸入神經(jīng)元，依次計算每個隱藏層的隱藏神經(jīng)元的數(shù)值，以及計算輸出神經(jīng)元；該輸出神經(jīng)元表示歷史風能數(shù)據(jù)；修正路徑從輸出層的輸出神經(jīng)元開始，反向依次經(jīng)過每個隱藏層的隱藏神經(jīng)元；所述修正路徑用于調(diào)整各層神經(jīng)元的連接權(quán)重值，以構(gòu)建新的前向路徑。

在步驟s30中，獲取單元110獲取第三數(shù)據(jù)，其中，第三數(shù)據(jù)包括預測的風速數(shù)據(jù)。響應于接收到第三數(shù)據(jù)，獲取單元110將第三數(shù)據(jù)發(fā)送到預測單元130。

此外，當?shù)谌龜?shù)據(jù)是來自nwp的距離地面10米處的氣象數(shù)據(jù)時，步驟s30還可包括利用諸如對數(shù)律和風剪切力法等外推方法對第三數(shù)據(jù)進行預處理，得到在風力發(fā)電機輪轂高度處的適當?shù)娘L力信息(即，經(jīng)預處理的第三數(shù)據(jù))，并將經(jīng)過預處理的第三數(shù)據(jù)發(fā)送到預測單元130。

這里，第三數(shù)據(jù)可包括第三時間范圍內(nèi)的具有第三時間間隔的多條數(shù)據(jù)。在示例性實施例中，第三數(shù)據(jù)可以是通過使用nwp模型預測的數(shù)據(jù)。nwp是指根據(jù)大氣實際情況，在一定的初值和邊界條件下，通過大型計算機作數(shù)值計算，求解描寫天氣演變過程的流體力學和熱力學的方程組，預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。在本發(fā)明構(gòu)思中，利用距離地面10米處的氣象數(shù)據(jù)，結(jié)合諸如對數(shù)律和風剪切力法等外推方法對氣象數(shù)據(jù)進行預處理，得到在風力發(fā)電機輪轂高度處的風速(即，第三數(shù)據(jù))。由于各種型號的風力發(fā)電機組的輪轂距離地面的高度不同，采用nwp模型能夠預測每臺機組輪轂位置(例如，70米高度、80米高度等)的風速。

此外，除預測的風速數(shù)據(jù)外，第三數(shù)據(jù)還包括預測的溫度數(shù)據(jù)、預測的風向數(shù)據(jù)和預測的濕度數(shù)據(jù)中的至少一個。

在示例性實施例中，第一時間間隔、第二時間間隔和第三時間間隔可均為10分鐘。第一時間范圍和第二時間范圍可均為至少過去1年，第三時間范圍為至少未來24小時。

在步驟s40中，預測單元130通過將第三數(shù)據(jù)輸入到經(jīng)過訓練的ann，來獲得預測的風能數(shù)據(jù)。

以下將參照圖5詳細描述應用本發(fā)明的預測風能的方法的模擬試驗數(shù)據(jù)。

圖5是根據(jù)本發(fā)明的示例性實施例的使用如圖1和圖2中的風力發(fā)電場風能預測方法進行模擬的模擬試驗數(shù)據(jù)的示圖。

為了評估本發(fā)明的風力發(fā)電場風能預測方法的性能，使用來自在線scada系統(tǒng)的從2014年3月26日到2015年3月25日被記錄下來的風速和風能分別作為第一數(shù)據(jù)和第二數(shù)據(jù)，對用于預測風能的ann(例如，前饋反向傳播神經(jīng)網(wǎng)絡)進行訓練。利用nwp模型預測的每10分鐘間隔的接下來的4天(2015年3月26日至2015年3月29日)的預測的風速作為第三數(shù)據(jù)，將第三數(shù)據(jù)輸入到經(jīng)過訓練的ann。圖5顯示了2015年3月26日預測的風能。

預測結(jié)果表明，預測的風能幾乎與由在線scada記錄的實際風能相似，表明本發(fā)明的風力發(fā)電場風能預測方法的有效性能。

【表1】

表1列出了2015年3月26日至2015年3月29日每天的預測的風能的預測誤差。為了評估本發(fā)明的風力發(fā)電場風能預測方法的準確性，表1中考慮了平均絕對誤差(meanabsoluteerror，mae)、均方根誤差(rootmeansquareerror，rmse)和平均絕對百分比誤差(meanabsoluteerrorpercentage，mape)。

2015年3月26日，本發(fā)明的誤差值為12.1620％、2015年3月27日為15.5106％、2015年3月28日為12.0655％、2015年3月29日為15.6206％，遠低于上述現(xiàn)有技術(shù)中公開的數(shù)值。

可根據(jù)計算機程序指令來執(zhí)行根據(jù)本發(fā)明的風力發(fā)電場風能預測方法。這些計算機程序指令可被記錄在計算機可讀存儲介質(zhì)上。所述計算機可讀記錄介質(zhì)為任何可存儲其后能由計算機系統(tǒng)讀取的數(shù)據(jù)的數(shù)據(jù)存儲裝置。程序指令和介質(zhì)可以是為本發(fā)明的目的而專門設計并制造的程序指令和介質(zhì)，或它們可以是對計算機軟件方面的技術(shù)人員是公知的并可用的類型。

此外，還可根據(jù)可運行上述指令和/或具有上述計算機可讀存儲介質(zhì)的計算機或硬件來執(zhí)行根據(jù)本發(fā)明的風力發(fā)電場風能預測方法。計算機或硬件可以是為本發(fā)明的目的而專門設計并制造的計算機或硬件，或可以是對計算機或硬件方面的技術(shù)人員是公知的并可用的類型。

如通過上述預測結(jié)果和預測誤差測量所證明的，本發(fā)明的預測風能的方法具有微小的誤差，并且與取自在線scada系統(tǒng)的實際風力發(fā)電功率的數(shù)據(jù)相比具有可接受的一致性，表明了本發(fā)明的ann風能預測模型的魯棒性和準確性。該模型已經(jīng)產(chǎn)生了期望的預測精度，因此，預測的風能可以用作具有高風能滲透的微電網(wǎng)中的提前一天資源調(diào)度的輸入量之一。

盡管已經(jīng)參照特定實施例描述了根據(jù)本發(fā)明的風力發(fā)電場風能預測方法和設備，但是本領域的技術(shù)人員應該理解，在不脫離本發(fā)明的精神或范圍的情況下，可對本發(fā)明做出各種變型和修改，本發(fā)明的范圍由權(quán)利要求及其等同物限定。