本發明屬于風力發電短期功率預測技術，尤其涉及一種基于虛擬測風塔技術的風電超短期功率預測方法。

背景技術：

高原山區風電場的風機排布，相比平原風電場要復雜得多。高原山區風電場的風機排布，沒有統一的規律，其排布不但要滿足平原風電場的間距和排距原則，還需要根據地形地貌的具體情況，盡量排布在山脊區域。于是，風機之間的距離沒有規律，一般都比平原風電場的風機間距大，高原山區的風電場所占面積也大。此時，風機尾流的影響往往不是影響風電場出力的重要的因素，而風電場內風速風向的微觀變化，對風電場出力影響很大。

由于高原山區風電場每一個風電機組所處的位置都有一定的特殊性，其湍流與回風的影響都不一樣，導致高原山區同一測風塔不同高度間風速相關性好，而同一風電場各測風塔間的風速相關性不好，使得測風塔不具有足夠的代表性，任何一個或幾個測風塔或風機測風儀數據都無法全面代表復雜地形的整個山地風電場，而且由于高原山區的特殊地理位置和氣象特征使得覆冰災害頻發，已立的測風塔因覆冰或年久失修而損壞或倒塔，或者覆冰造成測風儀器損壞或短時間工作失靈，測風數據明顯異常、不可信。由于以上問題極易造成測風塔數據質量差，而現有技術針對高原山區風電場風電功率超短期功率預測仍然采用測風塔數據來進行，因此導致風電場的風電超短期功率預測精度較低等問題。

技術實現要素：
：

本發明要解決的技術問題：提供一種基于虛擬測風塔技術的風電超短期功率預測方法，以解決現有技術針對高原山區風電場風電功率超短期功率預測仍然采用測風塔數據來進行，因此導致風電場的風電超短期功率預測精度較低等問題。

本發明技術方案：

一種基于虛擬測風塔技術的風電超短期功率預測方法，它包括：

步驟1、采集風電場n臺風機的基礎數據和歷史數據；

步驟2、采集風電場n臺風機實時數據，實時數據包括風電場所在區域內所有風機的風機測風儀測得風速數據Wssrt和風向數據Wdsrt、所有風機的風機溫度傳感器測得溫度數據Tsrt、所有風機的實時出力數據Pwtrt、整個風電場的實時出力數據Pwfrt；

步驟3、根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的風速Wssrtξ和風向Wdsrtξ；

步驟4、根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ；

步驟5、根據步驟3、4的計算結果，計算第ξ個時刻風電場空氣密度、濕度和氣壓；

步驟6、匯總步驟3、4、5計算得到的數據，得到風電場第ξ時刻的虛擬測風塔數據；

步驟7、根據步驟1‐步驟6的方法，得到風電場歷史虛擬測風塔數據集VH；

步驟8、建立風電場超短期功率預測的支持向量機模型；

步驟9、利用步驟7得到的風電場歷史虛擬測風塔數據集VH，來訓練步驟8建立的風電場超短期功率預測的支持向量機模型；

步驟10、將步驟6得到的風電場第ξ時刻的虛擬測風塔數據VAT代入步驟9訓練好的風電場超短期功率預測的支持向量機模型，即可得到風電場第ξ時刻的超短期功率預測值數據集PAT。

步驟1所述基礎數據包括風電場區域內所有風機的輪轂高度、歷史數據包括風電場所在

區域內所有風機的歷史風速數據Wssh和風向數據Wdsh、所有風機的歷史溫度數據Tsh、

所有風機的歷史出力數據Pwth和整個風電場的歷史出力數據Pwfh。

步驟3所述根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的風速Wssrtξ和風向Wdsrtξ的方法包括：

步驟3.1、利用風電場所有風電機組的歷史風速風向數據，以及整個風電場的歷史出力數據，建立所有風電機組風速風向‐風電場風電功率數據樣本庫；

步驟3.2、建立所有風電機組風速風向‐風電場風電功率模型；

步驟3.3、將3.1建立的所有風電機組風速風向‐風電場風電功率數據樣本庫作為訓練集，對風電機組風速風向‐風電場風電功率模型進行訓練，確定模型中n臺風電機組的風速風向數據的權值；其中，第i臺風機的風速風向數據的權值記做Wqzi，則有Wqz1+Wqz2+...Wqzi+...+Wqzn＝1；且有1≤i≤n；

步驟3.4、計算第ξ個時刻整個風電場輪轂高度的風速Wssrtξ和風向Wdsrtξ

第ξ個時刻整個風電場輪轂高度的風速Wssrtξ的計算公式為：

第ξ個時刻整個風電場輪轂高度的風向Wdsrtξ的表達式為：

步驟4所述的根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ的計算方法包括：

步驟4.1、利用風電場所有風電機組的歷史溫度數據，以及所有風機的歷史出力數據和整個風電場的歷史出力數據，建立所有風電機組溫度‐風電場風電功率數據樣本庫；

步驟4.2、建立所有風電機組溫度‐風電場風電功率模型；

步驟4.3、將4.1建立的所有風電機組溫度‐風電場風電功率數據樣本庫作為訓練集，對風電機組溫度‐風電場風電功率模型進行訓練，確定模型中所有風電機組的溫度數據的權值；

其中，第i臺風機的溫度數據的權值記做Tqzi，則有Tqz1+Tqz2+...Tqzi+...+Tqzn＝1；

且有1≤i≤n；

步驟4.4、模擬計算第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ

第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ的表達式為：

步驟5所述根據步驟3、4的計算結果，計算第ξ個時刻風電場空氣密度、濕度和氣壓的計算方法包括：

步驟5.1、根據風電場第ξ個時刻的輸出功率Pwfrtξ與風速Wssrtξ，計算第ξ個時刻的空氣密度ρsrtξ

第ξ個時刻的空氣密度ρsrtξ的計算表達式為：

其中F為風輪葉片旋轉一周的掃掠面積；

步驟5.2、根據大氣壓力和空氣密度計算公式，以及空氣濕度公式，計算得到濕度和氣壓第ξ個時刻的氣壓presrtξ的計算表達式為：

presrtξ＝ρsrtξ×(273.15+Tsrtξ)×R

式中，R為氣體常數，其值為287；

第ξ個時刻的濕度Hsrtξ的計算表達式為：

步驟6所述的風電場第ξ時刻的虛擬測風塔數據表達式為：

VAT＝{Wssrtξ、Wdsrtξ、Tsrtξ、ρsrtξ、Hsrtξ、presrtξ}。

步驟7所述的風電場歷史虛擬測風塔數據集VH表達式為：

VH＝{WsH，WdH，TH，ρH，HH，preH}。

步驟10所述風電場第ξ時刻的超短期功率預測值數據集PAT表達式為：

PAT＝{PAT(ξ+s)，PAT(ξ+2s)，...，PAT(ξ+16s)}

式中：ξ為當前時刻，s為預測步長，超短期功率預測的步長為15min，預測尺度為4h。本發明的有益效果：

本發明提出了基于虛擬測風塔技術的風電超短期功率預測方法，其主要是采集目標風電場整場的風電機組測風系統以及測溫系統的觀測數據，利用熵權法綜合評價模型確定各臺風機的權重系數來構建全場的虛擬測風塔，并給出虛擬測風塔的所有實時物理量的計算值，包括各高層的風速風向、溫度濕度與氣壓等實時信息及歷史信息，通過歷史信息來訓練風電場超短期功率預測的支持向量機模型，以提高模型的適用性和準確性，最后將風電場第ξ時刻的虛擬測風塔數據集作為輸入，代入訓練好的風電場超短期功率預測的支持向量機模型，得到風電場第ξ時刻的超短期功率預測值數據集PAT，以提高風電場風電超短期功率預測精度；解決了在高原山區的特殊地理位置和氣象特征下，任何一個或幾個測風塔或風機測風儀數據都無法全面代表復雜地形的整個風電場，以及覆冰等災害頻發造成測風塔倒塌、測風儀器損壞或短時間工作失靈，造成測風塔數據質量差導致的風電場的超短期功率預測精度較低等問題。

具體實施方式：

一種風電場虛擬測風塔構建方法，它包括：

步驟1、采集風電場n臺風機的基礎數據和歷史數據；步驟1所述基礎數據包括風電場區域內所有風機的輪轂高度、歷史數據包括風電場所在區域內所有風機的歷史風速數據Wssh和風向數據Wdsh、所有風機的歷史溫度數據Tsh、所有風機的歷史出力數據Pwth和整個風電場的歷史出力數據Pwfh。

步驟2、采集風電場n臺風機實時數據，實時數據包括風電場所在區域內所有風機的風機測風儀測得風速數據Wssrt和風向數據Wdsrt、所有風機的風機溫度傳感器測得溫度數據Tsrt、所有風機的實時出力數據Pwtrt、整個風電場的實時出力數據Pwfrt；

步驟3、根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的風速Wssrtξ和風向Wdsrtξ；

步驟3.1、利用風電場所有風電機組的歷史風速風向數據，以及整個風電場的歷史出力數據，建立所有風電機組風速風向‐風電場風電功率數據樣本庫；

步驟3.2、建立所有風電機組風速風向‐風電場風電功率模型；可采用熵權法綜合評價模型，建立所有風電機組風速風向‐風電場風電功率模型；

步驟3.3、將3.1建立的所有風電機組風速風向‐風電場風電功率數據樣本庫作為訓練集，對風電機組風速風向‐風電場風電功率模型進行訓練，確定模型中n臺風電機組的風速風向數據的權值；其中，第i臺風機的風速風向數據的權值記做Wqzi，則有Wqz1+Wqz2+...Wqzi+...+Wqzn＝1；且有1≤i≤n；

步驟3.4、模擬計算第ξ個時刻整個風電場輪轂高度的風速Wssrtξ和風向Wdsrtξ

第ξ個時刻整個風電場輪轂高度的風速Wssrtξ的計算公式為：

式中：Wssrtiξ為第ξ個時刻第i臺風機輪轂高度的風速。

第ξ個時刻整個風電場輪轂高度的風向Wdsrtξ的表達式為：

式中：Wdsrtiξ為第ξ個時刻第i臺風機的輪轂高度的風向。

步驟4、根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ；

步驟4所述的根據風電場n臺風機的歷史數據和實時數據信息，模擬計算第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ的計算方法包括：

步驟4.1、利用風電場所有風電機組的歷史溫度數據，以及所有風機的歷史出力數據和整個風電場的歷史出力數據，建立所有風電機組溫度‐風電場風電功率數據樣本庫；

步驟4.2、建立所有風電機組溫度‐風電場風電功率模型；本發明采用熵權法綜合評價模型，建立所有風電機組溫度‐風電場風電功率模型；

步驟4.3、將4.1建立的所有風電機組溫度‐風電場風電功率數據樣本庫作為訓練集，對風電機組溫度‐風電場風電功率模型進行訓練，確定模型中所有風電機組的溫度數據的權值；

其中，第i臺風機的溫度數據的權值記做Tqzi，則有Tqz1+Tqz2+...Tqzi+...+Tqzn＝1；

且有1≤i≤n；

步驟4.4、模擬計算第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ

第ξ個時刻整個風電場輪轂高度的溫度Tsrtξ的表達式為：

式中：Tsrtiξ為第ξ個時刻第i臺風機輪轂高度的溫度。

步驟5、根據步驟3、4的計算結果，計算第ξ個時刻風電場空氣密度、濕度和氣壓；

步驟5所述根據步驟3、4的計算結果，計算第ξ個時刻風電場空氣密度、濕度和氣壓的計算方法包括：

步驟5.1、根據風電場第ξ個時刻的輸出功率Pwfrtξ與風速Wssrtξ，計算第ξ個時刻的空氣密度ρsrtξ

第ξ個時刻的空氣密度ρsrtξ的計算表達式為：

其中F為風輪葉片旋轉一周的掃掠面積；

步驟5.2、根據大氣壓力和空氣密度計算公式，以及空氣濕度經驗公式，計算得到濕度和氣壓

第ξ個時刻的氣壓presrtξ的計算表達式為：

presrtξ＝ρsrtξ×(273.15+Tsrtξ)×R

式中，R為氣體常數，其值為287；

第ξ個時刻的濕度Hsrtξ的計算表達式為：

步驟6、匯總步驟3、4、5計算得到的數據，形成風電場第ξ時刻的虛擬測風塔數據。其中風電場第ξ時刻的虛擬測風塔數據的表達式為：

VAT＝{Wssrtξ、Wdsrtξ、Tsrtξ、ρsrtξ、Hsrtξ、presrtξ}。

步驟7：根據步驟1‐步驟6的構建虛擬測風塔方法，得到風電場歷史虛擬測風塔數據集VH；其表達式為：VH＝{WsH，WdH，TH，ρH，HH，preH}。

WsH為經步驟1‐步驟6的構建虛擬測風塔方法，得到的風電場歷史風速數據集合；

WdH為經步驟1‐步驟6的構建虛擬測風塔方法，得到的風電場歷史風向數據集合；

TH為經步驟1‐步驟6的構建虛擬測風塔方法，得到風的電場歷史溫度數據集合；

ρH為經步驟1‐步驟6的構建虛擬測風塔方法，得到風的電場歷史空氣密度數據集合；

HH為經步驟1‐步驟6的構建虛擬測風塔方法，得到風的電場歷史濕度數據集合；

preH為經步驟1‐步驟6的構建虛擬測風塔方法，得到的風電場歷史氣壓數據集合。

步驟8：建立風電場超短期功率預測的支持向量機模型。

步驟9：利用步驟7得到的風電場歷史虛擬測風塔數據集VH，來訓練步驟8建立的風電場超短期功率預測的支持向量機模型。

步驟10：將步驟6得到的風電場第ξ時刻的虛擬測風塔數據VAT代入步驟9訓練好的風電場超短期功率預測的支持向量機模型，即可得到風電場第ξ時刻的超短期功率預測值數據集PAT。

其中風電場第ξ時刻的超短期功率預測值數據集PAT的表達式為：

PAT＝{PAT(ξ+s)，PAT(ξ+2s)，...，PAT(ξ+16s)}。

其中，ξ為當前時刻，s為預測步長，超短期功率預測的步長一般為15min，預測尺度為4h。