一种基于时间序列分析和天气雷达数据的短临风功率预测方法

技术领域

本发明涉及短临风功率预测技术领域，尤其涉及一种基于时间序列分析和天气雷达数据的短临风功率预测方法。

背景技术

短临风功率预测是指对未来几小时内风力发电机组的输出功率进行预测。风力发电机组的输出功率与风速、风向、气温等气象因素密切相关。短临风功率预测的目的是为了在风电场运营和电力调度中提供准确的功率预测结果，以便优化电网的运行和电力市场的调度，并最大限度地利用可再生能源。

短临风功率预测通常使用历史风速和功率数据以及气象数据作为输入，利用统计模型、机器学习或深度学习等方法进行建模和预测。预测结果可以帮助风电场管理者和电力调度员做出合理的决策，如调整发电机组的输出功率、调度其他发电源或购买/售卖电力等，以实现电力系统的平衡和稳定。

短临风功率预测在风电行业中具有重要的意义，可以提高风电场的经济性和可靠性，并促进可再生能源的大规模应用。

但在传统的预测方法中往往只考虑历史风功率数据，且无法适应不断变化的环境条件，同时无法考虑多个因素的综合影响，导致具有精度不高、不适应不稳定环境以及因素考虑不全面的问题。

因此，针对上述缺陷，需要研究一种高精度、高环境适应度、多因素包容度的一种短临风功率预测方法。

发明内容

本发明克服了现有技术的不足，提供一种基于时间序列分析和天气雷达数据的短临风功率预测方法。

为达到上述目的，本发明采用的技术方案为：一种基于时间序列分析和天气雷达数据的短临风功率预测方法，包括：

S1、在风场中选取若干个预测点记录坐标并设置风机，通过雷达对若干风机的风速数据、风向数据进行采集，绘制时间序列风速强度分布图X

S2、对风场范围内进行气压检测并记录气压数据，结合预测点坐标生成时间序列等压线图Y

S3、根据风场地形记录地形数据，结合预测点坐标生成地形图Z；

S4、建立短临风功率预测模型，输入时间序列风速强度分布图X

S5、将三维风速强度分布模型使用聚类算法分为n组，分析每组的风速分布情况，并根据每组的风速强度数据V

本发明一个较佳实施例中，在所述S1中，绘制时间序列风速强度分布图X

S11、设置雷达以相同的时间间隔i采集风机的风速数据和风向数据，并记录时间生成风机时间数据t

S12、将风速数据、风向数据进行处理和清洗，去除异常值和噪声，得到平均风速数据和平均风向数据；

S13、根据平均风速数据、平均风向数据和风机时间数据绘制时间序列风速强度分布图X

本发明一个较佳实施例中，在所述S2中，生成时间序列等压线图Y

S21、通过气象观测站获取相同的时间间隔j内的气压变化，记录气压数据，并记录时间生成气压时间数据T

S22、根据气压数据与气压时间数据T绘制时间序列等压线图Y

本发明一个较佳实施例中，在所述S1中，在设置风机时，需确保所有风机均处于雷达的检测覆盖范围内。

本发明一个较佳实施例中，在所述S5中，使用聚类算法进行分组具体包括以下步骤：

S51、在三维风速强度分布模型中引入聚类算法，对聚类算法内的分组规则自定义；

S52、分组规则为等距离分组、等面积分组以及风能密度分组中的一种。

本发明一个较佳实施例中，在所述S4中，生成三维风速强度分布模型的具体步骤为：

S41、对时间序列风速强度分布图X

S42、对S41中的特征数据进行归一化处理，得到精确特征数据；

S43、通过插值法结合GIS技术对精确特征数据进行拟合，得到初始三维风速强度分布模型；

S44、对初始三维风速强度分布模型使用交叉验证法进行评估优化，得到三维风速强度分布模型。

本发明一个较佳实施例中，在所述S52中，等距离分组为将风机周围的区域按照相同的距离间隔进行分组；等面积分组为将风机周围的区域按照相同的面积进行分组；风能密度分组为根据不同距离处的风能密度进行分组。

本发明一个较佳实施例中，在所述S5中，汇总得到风场内未来的短临风功率包括：

S53、对风机的叶片长度L与宽度D进行测量，得到风轮面积A；

S54、对每组的风速强度数据进行功率预测，通过P＝0.5×ρ×A×C

本发明一个较佳实施例中，在所述S54中，C

本发明一个较佳实施例中，在所述S54中，风速V＝(V

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

(1)本发明提供了一种基于时间序列分析和天气雷达数据的短临风功率预测方法，考虑了风速、风向、气压和地形对风场的影响，通过结合多种数据建立三维风速强度分布模型，可以更准确地预测短临风功率；结合雷达数据和地形数据，可以应对复杂的环境条件，提供更全面、准确的风场信息，从而提高预测准确性。

(2)本发明通过在风场内设置多个风机可以获取风场内多个位置的风速和风向数据，绘制时间序列风速强度分布图，利用时间序列分析方法进行预测，直观地了解风场中各个风机的风速和风向变化情况，可以更准确地预测短临风功率，提高风电场的发电效率；为后续的风功率预测提供基础数据。

(3)本发明通过对风场范围内进行气压检测，可以获取气象要素之一的气压信息，进一步了解气象环境的变化情况，提高预测的准确性；结合风场地形的特征，如山脉、河流等，进一步了解影响风速和风向的分布情况，实时监测风场中的风速和风向变化情况，提高预测的实时性。

(4)本发明通过将风速强度、气压数据与地形数据结合，解决了现有技术中只考虑历史风功率数据无法适应不断变化的环境条件的技术问题，可以更全面地了解风场的特点和变化趋势；也可以根据需要添加其他因素的数据，如温度、湿度等，从而更准确地预测短临风功率；优化了风机的运行策略，提高发电效率，降低运营成本。

(5)本发明将时间序列分析和天气雷达数据与短临风功率预测结合可以提高预测精度，利用更多的信息以适应不稳定环境，利用了包括历史风功率数据和气象因素数据，同时考虑了风力变化、天气变化和设备状况，综合考虑多个因素的综合影响，提供更准确的预测结果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；

图1是本发明中实施例一的短临风功率预测方法的流程图；

图2为本发明中实施例二的时间序列风速强度分布图X

图3为本发明中实施例二的时间序列等压线图Y

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

图1为短临风功率预测方法的流程图，提供了一种基于时间序列分析和天气雷达数据的短临风功率预测方法，包括：

S1、在风场中选取若干个预测点记录坐标并设置风机，通过雷达对若干风机的风速数据、风向数据进行采集，绘制时间序列风速强度分布图X

具体地，首先在风场中安装雷达设备，例如Vaisala WXT520风速风向传感器，雷达设备由一个旋转的天线和一个接收器组成，用于发送和接收雷达波。接着雷达设备通过旋转的天线发送雷达波，设置发送雷达波的时间间隔为i，此时雷达波会向周围环境中传播，在风场内设置风机时，需确保所有风机均处于雷达的检测覆盖范围内。

当雷达波遇到风机时，会发生一部分回波，这些回波会被雷达设备的接收器接收；通过雷达设备对接收到的回波数据进行处理，通过分析回波的强度和频率变化，确定风速数据和风向数据；并同时记录风机时间数据t

根据平均风速数据、平均风向数据和风机时间数据绘制时间序列风速强度分布图X

通过在风场内设置多个风机可以获取风场内多个位置的风速和风向数据，绘制时间序列风速强度分布图，利用时间序列分析方法进行预测，直观地了解风场中各个风机的风速和风向变化情况，可以更准确地预测短临风功率，提高风电场的发电效率；为后续的风功率预测提供基础数据。

S2、对风场范围内进行气压检测并记录气压数据，结合预测点坐标生成时间序列等压线图Y

具体地，使用气压传感器或气象观测站设备，例如Vaisala BAROCAP PTB210气压传感器。该设备可以设置采集气压数据的时间间隔，并记录时间。在风场范围内设置气压检测点，并使用气压传感器或气象观测站设备进行气压检测。设定相同的时间间隔j使设备定期采集气压数据，并记录下来。同时，记录每次采集的时间Tj。

根据风场的布局和预测需求，确定需要生成时间序列等压线图的预测点坐标。预测点坐标可以选择在风场内的特定位置，以获取该位置的气压变化情况。根据气压数据与气压时间数据Tj绘制时间序列等压线图Y

通过对风场范围内进行气压检测，可以获取气象要素之一的气压信息，进一步了解气象环境的变化情况，提高预测的准确性；结合风场地形的特征，如山脉、河流等，进一步了解影响风速和风向的分布情况，实时监测风场中的风速和风向变化情况，提高预测的实时性。

S3、根据风场地形记录地形数据，结合预测点坐标生成地形图Z。

具体地，在风场范围内设置激光雷达设备获取地形的高程数据，在风场范围内设置GPS设备获取地形的坐标数据，生成地形数据，将高程数据和地形数据结合预测点坐标生成地形图Z。

S4、建立短临风功率预测模型，输入时间序列风速强度分布图X

具体地，对时间序列风速强度分布图X

其中，时间序列风速强度分布图X

对以上特征数据进行归一化处理，将不同特征的取值范围映射到相同的区间，接着使用克里金插值法结合GIS技术对归一化后的特征数据进行拟合，生成初始三维风速强度分布模型。

对初始三维风速强度分布模型使用交叉验证法进行评估和优化。并将数据分成训练集和验证集，划分80％的数据作为训练集，20％的数据作为验证集。使用训练集的特征数据进行模型训练。使用多元线性回归模型即表示为：Y＝β

重复进行模型训练、预测、评估和优化的步骤，直到模型可以明确地表示风速与特征之间的关系，即为满意的模型性能。

通过将风速强度、气压数据与地形数据结合，解决了现有技术中只考虑历史风功率数据无法适应不断变化的环境条件的技术问题，可以更全面地了解风场的特点和变化趋势；也可以根据需要添加其他因素的数据，如温度、湿度等，从而更准确地预测短临风功率；优化了风机的运行策略，提高发电效率，降低运营成本。

S5、将三维风速强度分布模型使用聚类算法分为n组，分析每组的风速分布情况，并根据每组的风速强度数据V

具体地，通过聚类算法对三维风速强度分布模型中的数据进行分组，聚类算法内的分组规则为等距离分组、等面积分组以及风能密度分组中的一种。

其中等距离分组的具体分组方法为：对风场中所有风机进行坐标测量，得到(X，Y)，测量雷达坐标得到(A，B)，划分距离D按照nd～(n+1)d来划分，其中n∈N

等面积分组的具体分组方法为：确定风场的边界范围，对风场的面积进行测量，面积为A×B，将A×B划分为M×N个矩形，对若干个矩形进行编号分组，对每组内的风机进行分组。这种方法适用于风机布置密集、风场变化较大的情况。

基于风能密度分组的具体分组方法为：通过P＝0.5ρ×A×V

需要说明的是，对风机的叶片长度L与宽度D进行测量，得到风轮面积A；对每组的风速强度数据进行功率预测，通过P＝0.5×ρ×A×C

实施例二

本实施例在实施例一的基础上通过具体应用例说明：

(1)以某地区一风场为基础，其中包含30台风机，通过Vaisala WXT520风速风向传感器对这30台风机的风速数据和风向数据进行采集，采集间隔为2min，得到了风速数据表，如表1所示。

表1风速数据表

并对表1中风速数据通过滤波处理后得到了平均风速数据，如表2所示，具体滤波处理步骤为y

表2平均风速数据表

根据以上数据生成时间序列风速强度分布图X

(2)通过Vaisala BAROCAP PTB210气压传感器对风场进行气压数据采集，采集间隔为2min，得到气压数据表，如表3所示。

表3气压数据表

根据以上数据生成时间序列等压线图Y

(3)在风场范围内设置激光雷达设备获取地形的高程数据，在风场范围内设置GPS设备获取地形的坐标数据，生成地形数据，将高程数据和地形数据结合预测点坐标生成地形图Z。

(4)建立短临风功率预测模型，输入时间序列风速强度分布图X

将数据分成训练集和验证集，在30组数据中随机划分80％的数据作为训练集，20％的数据作为验证集。使用多元线性回归模型即表示为：Y＝β

(5)基于风能密度分组对三维风速强度分布模型中的数据进行分组，对风机的叶片长度L与宽度D进行测量，得到风轮面积A，如表4所示；

表4风轮面积测量表

(6)通过P＝0.5ρ×A×V

表5风能密度等极表

(7)对以上每组的风速强度数据进行功率预测，通过P＝0.5×ρ×A×C

表6风速强度表

本实施例将时间序列分析和天气雷达数据与短临风功率预测结合可以提高预测精度，利用更多的信息以适应不稳定环境，利用了包括历史风功率数据和气象因素数据，同时考虑了风力变化、天气变化和设备状况，综合考虑多个因素的综合影响，提供更准确的预测结果。

以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。