买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电建集团昆明勘测设计研究院有限公司

摘要：本发明属于风电超短期出力预测领域，公开了一种考虑要素转化及信号降噪的风电场超短期出力过程预测方法，包括以下步骤：基于气象监测信息构建特定密度空气流动相关物理因素的转化公式；基于离散小波变换理论构建风电出力过程降噪计算模型；基于集合理论的非线性回归模型建模及风电场超短期出力过程预测；修正得到误差控制后的风电场超短期出力预测过程，本发明解决了原有方法自变量因子与风电出力过程间物理机制不强、构建预测模型受风电场出力过程随机项干扰以及不具备实时误差校正功能的三大问题，提高了风电场超短期出力过程预测精度和稳定性，可为风电场发电计划上报、多能互补优化调度提供有力的理论及技术支撑。

主权项：1.一种风电场超短期出力过程预测方法，其特征在于，包括以下步骤：S1基于气象监测信息构建特定密度空气流动相关物理因素的转化公式根据分量风速u及变量风速v计算风速w，公式如下： 根据分量风速u及变量风速v计算特征风向d，公式如下：d＝atanuv*180π2再基于下列组式，计算风向dir：当u≠0，且v0时：dir＝d+1803当u0，且v0时：dir＝d+3604当u＝0，且v0时：dir＝05当u＝0，且v0时：dir＝1806当u0，且v＝0时：dir＝907当u0，且v＝0时：dir＝2708当u＝0，且v＝0时：dir＝-9999式3～9中：u为分量风速；v为变量风速，d为特征风向；风切变指数α计算公式如下式所示： 式10中：v2为高度z2的风速；v1为高度z1的风速；湍流强度I计算公式如下： 式11中：σ为某高度上某风速段风速的平均标准偏差；V为某高度上某风速段风速的平均值；空气密度ρ，计算公式如下： 式12中：P为标准大气压；T为热力学温度；Pb为饱和水汽压；为空气相对湿度；S2基于离散小波变换理论构建风电出力过程降噪计算模型假设长度为N的风电出力过程原始信号为w[n]，通过离散小波变换将其分解为S个尺度和频率上不同的新信号；S2-1定义一个长度为D的低通滤波器d[n]和一个长度为G的高通滤波器g[n]，其中D+G＝N；S2-2，在第s级s＝1,2,…，S分解中，将原始信号w[n]分别通过低通滤波器和高通滤波器进行滤波，得到近似系数Js-1和细节系数Xs-1：Js-1＝w[n]*d[n]13Xs-1＝w[n]*g[n]14式1314中：“*”表示卷积运算；对近似系数Js-1进行下采样，得到长度为N2的新信号：Ks＝Js-1[0],Js-1[2],...,Js-1[N-2]15对细节系数Xs-1也进行下采样，得到长度为N2的新信号：Ys＝Xs-1[0],Xs-1[2]，...，Xs-1[N-2]16根据式1516获得第S级分解的近似系数Ks和细节系数Ys；S2-3将所有尺度和频率上的新信号合成为原始信号w[n]：在第s级合成中，基于长度为N2的近似系数Ks和细节系数Ys，并通过低通滤波器d[n]和高通滤波器g[n]进行卷积运算，并将结果相加，计算得到原始信号w[n]的近似系数Js：Js＝Ks+1*d[n]+Ys+1*g[n]17得到的Js包含了信号在尺度s上的低频信息，即降噪后的风电出力过程；S3基于集合理论的非线性回归模型建模预测风电场超短期出力过程采用机器学习中的集合型算法-随机森林算法开展非线性回归建模，设训练期长度为nn，超短期为fp；训练期的自变量矩阵如下，整个训练期物理因素数据的序号为0至nn-1： 式18中：w为风速，dir为风向，ρ为空气密度，I为湍流强度，α为风切变指数，下标代表时间序列序号；构筑因变量训练期风电出力pow向量如下： 式19中：pow为风电出力，下标代表时间序列序号；根据获得的训练期的自变量矩阵和因变量向量，采用随机森林算法进行训练获得RF_F模型；构筑超短期自变量矩阵为： 式20中：w为风速，dir为风向，ρ为空气密度，I为湍流强度，α为风切变指数，下标代表时间序列序号；设超短期时段数为fp，将超短期自变量矩阵代入RF_F模型，即可得到未来超短期的风电出力预测值： 式21中：pow为风电出力，下标代表时间序列序号；根据设定的超短期时间值于超短期fp时段内获得风电场超短期出力过程；S4修正得到误差控制后的风电场超短期出力预测过程过去预测的时段长为m的风电出力预测过程作为自变量，以实测风电出力过程作为因变量，代入随机森林模型中进行训练，构建RF_EC模型，将预测的时段长为fp的风电超短期出力预测过程作为自变量，代入RF_EC模型中，输出结果即为误差控制后的风电超短期出力过程。

全文数据：

权利要求：

百度查询： 中国电建集团昆明勘测设计研究院有限公司 一种考虑要素转化及信号降噪的风电场超短期出力过程预测方法