您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于多尺度分解混沌理论的风电功率短期预测模型研究.pdf61页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
文档加载中...广告还剩秒
需要金币：150 &&
基于多尺度分解混沌理论的风电功率短期预测模型研究
你可能关注的文档：
··········
··········
重庆大学硕士学位论文 中文摘要 摘要 随着全球能源的进一步紧缺，风能作为一种清洁环保、储量丰富的可再生能
源越来越受到人们的重视。大规模风电并网所需解决的首要问题是提高风电出力
的预测精度。现有的风电功率预测研究更多的关注于预测模型本身性能的优劣，
而忽略了对风电功率时间序列的属性分析，造成所选定的预测模型不能充分学习
风电功率时间序列所蕴含的全部信息。基于此，本文运用多尺度分析和混沌理论
对传统的风电功率预测模型予以改进，具体为： 本文利用经验模式法对风电功率时间序列进行多尺度分析，进一步对各频带
映了风电功率时间序列的幅值随频率和时间变化的细节信息。 对各频带信号采用C―C法进行相空间重构，同时估计出各频带信号的延迟时
带分量均具有混沌属性后，可对其进行混沌预测。 在相空间重构的基础上，本文改进了最小二乘支持向量机和混沌径向基函数
神经网络两种风电功率预测模型，算例结果表明：两种预测模型均能很好的反应
风电功率时间序列的未来变化趋势，具有较高的预测精度。上述两种预测模型均
采用粒子群算法进行参数优化，以期降低模型的预测误差。 综合考虑风电功率时间序列中各频带信号的变化特征和单项预测模型的优
点，本文提出了一种风电功率纵向叠加预测模型：对各频带信号的平均瞬时频率
进行计算，区分高频随机分量和低频趋势分量，采用径向基函数神经网络对高频 随机分量进行混沌预测，运用最小二乘支持向量机对低频趋势分量进行混沌预测，
拟合各分量的预测值得最终预测结果。算例结果表明，本文所提出的纵向叠加预
测法优于各单项预测模型，预测结果稳定性
正在加载中，请稍后...　　【摘 要】 本文总结归纳了国内外风电光伏功率预测发展现状、预测方法和分类，通过算例对比验证了三种典型功率预测模型―利用" />
免费阅读期刊
论文发表、论文指导
周一至周五
9：00&22：00
分布式风光功率预测方法的研究与验证
2014年16期目录
&&&&&&本期共收录文章20篇
　　【摘 要】 本文总结归纳了国内外风电光伏功率预测发展现状、预测方法和分类，通过算例对比验证了三种典型功率预测模型―利用ARMA模型、卡尔曼滤波模型和小波神经网络模型分别对某一分布式风光发电区域进行了功率预测。通过对预测结果各项评价指标的综合分析，发现：小波神经网络预测模型的精确度最高，实现了针对小范围分布式光伏、风电的短期和超短期的精确预测。实验运行结果表明：该系统能够较为准确的预测短期和未来4小时超短期的风光发电整体出力，超短期和短期预测的月平均均方根误差达到为7%和9%。满足电网实际运行需要，在分布式发电项目上具备一定的推广和应用价值。 中国论文网 /8/view-6217776.htm　　【关键词】 功率预测 短期预测 均方根误差 　　发电与用电必须实时平衡是电力系统运行的重要特点，只有这样系统才能保证安全和稳定。因而无论在国内还是国外，电网调度部门主要负责电力系统的调频、调峰、安排发电计划和备用容量等业务。对于新能源发电方面，尤其以光伏和风电为代表，当其在电力系统中达到较高透率时，准确预测其输出功率不仅有助于调度部门提前调整调度计划来减轻光伏风电间歇性对电网的影响，而且还可减少备用容量的安排，从而降低系统运行成本。因此，新能源功率预测在电网调度领域占有举足轻重的地位，更精确的预测风能、太阳能发电功率有利于制定合理的电力调度计划。 　　1 国内外研究现状 　　对新能源发电功率预测技术的研究较早起源于国外，尤其以丹麦、德国、瑞士、西班牙和日本等国的相关大学和科研机构为代表。上世纪90年代丹麦开始大力发展风电，促使了其不同公司或高校开始研究新能源功率预测问题。[1]相继产生了多个产品，如Riso实验室开发了Prediktor系统，丹麦技术大学开发出WPPT（Wind Power Prediction Tool）系统，而后的用于风电功率预测的Zephry系统就是由Prediktor和WPPT整合而来，另外由ENFOR公司研发的用于光伏功率预测的SOLARFOR系统也比较有代表性；作为国际上较早大面积应用新能源的德国，其Oldenburg大学开发了Previento系统，德国太阳能研究所开发了风电功率管理系统（WPMS）；西班牙Joen大学建立了19kW的光伏发电站验证其发电预报准确率[2]，通过人工神经网络算法，以实测的光伏板温度、日照辐射强度为输入值，以其I/V曲线为目标函数，训练神经网络的多层传感器，求解出逼近实际工况的I/V曲线，建立了发电功率日照强度、板温之间的函数关系，经过验证，该系统2003年发电量预测值与实测值的历史相关系数高达0.998。国内方面光伏发电量预测技术研发起步较晚。华北电力大学[3]结合光伏组件数学模型和保定地区气象资料，模拟了30MW光伏电站发电量数据，利用支持向量机回归分析方法进行功率预测，但该方法无实际光伏电站的实况发电量数据，缺乏实验验证，对实际光伏电站发电量预报的指导意义有限。华中科技大学[4]利用该校屋顶光伏并网发电系统资料进行研究，通过年不同季节气象因素与发电量之间的相关分析，得出光伏发电量与辐照度的相关性最大、温度次之、风速再次之。 　　2 功率预测方法及分类 　　为提高功率预测精度，国内外研究机构都在尝试各种新的预测方法，主要的功率预测方法分类如（图1）。 　　时间序列分析是持续预测法中的一种，其认为风速、辐照强度预测值等于最近几个风速、辐照强度历史数据的滑动平均值，通常只是简单地把最近一点的观测值作为下一点的预测值。该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型法、卡尔曼滤波法。 　　人工神经网络方法被广泛用来解决非线性问题的建模方法。它由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作的非线性关系。其具有很多优良性能，如非线性映射能力、自组织性和自适应性能力、记忆联想能力、容错能力等。 　　按照风电或光伏功率预测的时间尺度可分为中长期、短期和超短期预测。对于中长期预测或更长时间尺度，主要用于风光电场或电网的检修维护计划安排等的预测。对于30分钟～72小时的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等称为短期功率预测。一般认为不超过30分钟的预测为超短期预测。从预测模型建立角度考虑，不同时间尺度的预测有本质区别：0～3小时的预测主要由大气条件的持续性决定，所以如果不通过数值天气预报也能得出较好的预测结果，如采用可得到更好结果。对于时间尺度超过3小时的预测，不考虑数值天气预测无法反应大气运动的本质，所以难以得到较好的预测结果，所以通常的预测方法都采用数值天气预报的数据。 　　基于物理方法的功率预测流程示意图如下（以风功率预测为例）。首先通过数值天气预报得到风速、风向等气象数据，再根据电场周围的地理信息参数（等高线、粗糙度、障碍物、温度分层等）采用软件计算得到风机轮毂高度的风速、风向、气温、气压等参数，最后根据风机功率曲线计算得到风电场输出功率。因为在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线，同时还应考虑风电机组故障和检修的情况。对整个区域进行风电功率预测时，可对所有的风电场输出功率进行预测，然后求和得到区域总功率。 　　基于统计方法的风电/光伏的功率预测不考虑风速/辐照变化的物理过程，根据历史统计数据找出天气状况与风光电场出力的关系，然后根据实测数据和数值天气预报数据对电场输出功率进行预测。 　　两种方法各有优缺点。物理方法无需大量的测量数据，但对大气的物理特性及风/光电场特性的数学描述要求较高，这些描述方程求解困难、计算量大。统计方法无需对求解方程，计算速度快，但需要大量历史数据，采用机器学习方法对数据进行挖掘与训练，得到气象参数与风/光电场输出功率的关系。目前的趋势是将两种方法混合使用，称之为综合方法。 　　3 三种预测方法的对比
　　通过应用三种统计预测算法于某案例中对其预测精度进行了对比。案例以某岛屿上的分布式风光电站发电量为检验对象，该电站由25台30kw并网光伏逆变器、5台50kw风机组成，合计1000kw。选取2013年4月份的历史功率数据和历史数值天气预报数据作为模型建立依据，5月份发电量作为预测对象（因为该区域4，5月份天气变化相对最小），并采用同时段的历史功率数据对模型的预测结果进行验证。 　　3.1 ARMA预测模型 　　3.1.1 ARMA模型的基本原理 　　ARMA模型也称为自回归滑动平均模型，是研究时间序列的重要方法之一，是由自回归与滑动平均两种模型“混合”而成。常用于长期追踪资料的研究和用于具有季节变动特征数据的预测中，所以可将其应用于风电光伏功率预测领域。 　　3.1.2 预测结果及误差分析 　　运用ARMA模型分别对5月1日9时0分至5月31日18时00分进行预测，得到原始风电光伏总功率和预测功率。预测结果如（图3、4）所示。 　　常见的预测误差的评估方法有平均绝对误差，均方根误差，相关系数等。均方根误差放大了出现较大误差的点，能更好的反映光伏电站预测模型的准确度，因此本文采用均方根误差RMSE对模型的误差进行评估。 　　其中，N-测试样本数；P-装机容量。 　　通过Matlab的计算，我们得到各项指标结果如表1。 　　3.2 卡尔曼滤波预测模型 　　3.2.1 模型基本原理 　　卡尔曼滤波法运用了滤波的基本思想，利用前一时刻预报误差的反馈信息及时修正预报方程，以提高下一时刻的预报精度。要实现卡尔曼滤波法预测风光功率，首先必须推导出正确的状态方程和测量方程。因已通过时间序列分析建立了风电功率时间序列的ARMA模型，故可将ARMA模型转换到状态空间，建立卡尔曼滤波的状态方程和测量方程。 　　3.2.2 预测结果及误差分析（如图5、图6） 　　通过Matlab的计算，我们得到各项指标结果如（表2）。 　　3.3 小波神经网络预测模型 　　对于上文的ARMA模型和卡尔曼滤波模型都属于线性模型，都必须先对模型结构做出假设，然后对模型参数的估计得到预测值。因此，模型结构的合理与否，直接影响到最终预测的精度。由于风光电场功率具有高度的不确定性，因而单一的线性预测模型不足以挖掘其功率数据中的所有信息。而神经网络具有自学习、自组织和自适应性，可以充分逼近任意复杂的非线性关系，所以本文选择小波神经网络方法对风光功率进行非线性预测研究。 　　3.3.1 小波神经网络法基本原理 　　小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。小波神经网络的拓扑结构如图7。 　　3.3.2 模型建立 　　首先采集四月份一整月的光伏风电功率数据，每隔15min记录一个时间点，共有960个时间节点的数据，用前四月份30天的功率数据训练小波神经网络，最后用训练好多的神经网络预测之后的功率数据。基于小波神经网络的功率预测算法流程图如图8所示。 　　小波神经网络的拓扑结构如图9所示。 　　小波神经网络训练：通过数据训练小波神经网络，网络反复训练100次。 　　神经网络网络测试：用训练好的神经网络预测风光功率，并对预测结果进行分析。 　　3.3.3 预测结果 　　利用Matlab处理数据并进行计算，我们得到基于小波神经网络的功率预测结果（图10、11）。 　　预测结果分析： 　　本文采用了ARMA模型、卡尔曼滤波预测算法和小波神经网络算法对该岛的分布式风光电功率数据样本进行了预测。分析表1～表3预测效果评价指标，我们得到以下认识：小波神经网络模型中我们得到预测结果：超短期预测精确度误差最小达到到7%，短期预测精确度误差最小达到到9%，表明小波神经网络的预测结果已经相当精确。对小波神经网络预测曲线与线性预测模型的预测曲线进行对比，可以看到：神经网络对于光伏风电功率的描绘更加平缓。 　　4 结论与展望 　　在对国内外文献广泛调研的基础上，较为全面地论述了风电、光伏功率预测技术的研究现状和最新动态，对当前功率预测技术方法进行了总结归纳，建立了针对某岛屿分布式风光互补示范工程的高精度发电功率预测模型，成功实现了分布式电源总输出（光伏风电）的精确预测，实验运行结果表明：该系统能够准确预测次日短期和未来4小时超短期光伏发电出力，短期和超短期预测的月平均均方根误差分别为9%和7%。 　　为了进一步提高功率预测精度还需要提高数值天气预报质量，从而得到精度更高更丰富的区域气象数据。因此需要尽快建立我国数值天气预报商业化服务，进一步完善风电光伏功率预测系统，提高预测精度。 　　参考文献： 　　[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， ）：1-8. 　　[2]Almonacid F， Rus C， Perez P J，et al.Estimation of the energy of a PV generator using artificial neural network [J]. Renewable Energy， 2009， 34（12）：. 　　[3]粟然，李广敏.支持向量机回归的光伏发电出力预测[J].中国电力，）：74-78. 　　[4]陈昌送，段善旭，殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报，）：153-158.
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。文档分类：
下载后只包含 1 个 PDF 格式的文档，没有任何的图纸或源代码，
下载前请先预览，预览内容跟原文是一样的，在线预览图片经过高度压缩，下载原文更清晰。
您的浏览器不支持进度条
下载文档到电脑，查找使用更方便
还剩?页未读，继续阅读
播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表短期风电功率预测误差综合评价方法.pdf
文档介绍：
短期风电功率预测误差综合评价方法徐!曼!乔!颖!鲁宗相!电力系统国家重点实验室&清华大学电机系&北京市&###0*#摘要!对短期风电功率预测误差进行综合评价是改进预测精度!指导预测结果合理应用的前提&当前风电功率预测误差评价主要采用均值类指标#无法全面!准确反映预测系统的运行情况&文中总结了风电功率预测误差的主要存在形式#提出了一套包含纵向误差!横向误差!相关因子与极端误差等在内的综合评价方法&基于内蒙古某风电场实际数据#采用该方法对不同预测方法!预测系统的不同误差环节进行了较为全面的评价#验证了评价指标的指导价值&关键词!短期风电功率预测$误差评价$误差指标$数值天气预报收稿日期%$#&&#&#0$修回日期%$#&&#!$(&国家自然科学基金资助项目&(&#%%#%0’&!!引言有效利用短期风电功率预测技术可以减轻风能波动对电力系统调度的不利影响&是实现风电常规化$规模化并网的关键%对短期风电功率预测误差进行综合评价是风电功率预测理论研究的一项重要内容%根据评价指标&可以从各方面了解预测系统的运行情况&深入挖掘有价值的信息&对不同预测方法$预测系统进行对比评价&从而提高预测精度和算法效率&更好地利用预测结果服务生产实际%目前各类短期风电功率预测方法&如时间序列法&&’$神经网络法&$’$小波分析法&!’等&所使用的误差评价指标多直接采用常规统计学指标&结合预测曲线的图像对比&便构成了预测结果的分析评价依据%已有研究中常用的误差评价指标主要有绝对误差均值!1:@9!:??3?&RZ#$绝对值平均误差!1:@9@A;348F:!:??3?&RIZ#$均方根误差!?33F!1:@9;_8@?:B!:??3?&LRUZ#$平均相对误差!1:@9?:4@F&P:!:??3?&RLZ#$误差频率分布指标等&其中LRUZ&RIZ&RLZ是现行企业标准&*’和推荐的行业标准&(’&也为多数文献采用&!&-%’%文献&0)’兼用多个上述指标来对比预测结果&每种指标数值排序相同&得出的最优方案结论也一致%文献&&#’除了采用指标RIZ和LRUZ外&还利用误差频率分布指标给出了误差小于$#f装机容量的概率%I6ZRKU预测系统的一项分析报告肯定了制定预测误差综合评价方法的重要性&&&’&但所给指标也是预测领域的通用指标&没有体现风电功率预测自身特点%总的来讲&目前全面评价风电功率预测误差的研究还很少&缺乏长期大量的数据分析&难以用来研究风电功率预测系统的误差产生机理%在欧美商业化风电功率预测应用中&电网使用综合预测或多个预测产品已经成为一种趋势&&$&!’%上述指标虽然统计方法有所不同&但都是对预测结果偏差的平均化&指标所隐含的信息是类似且单一的&指标相近的风电功率预测模型之间个体差异可能很大&对工程应用或者算法改进的指导意义也较小%此外&与负荷预测相比&风电功率预测结果波动性更强$误差带更宽&与实际结果具有时间相关性&很多在负荷预测中广泛应用的指标并不能充分体现风电功率预测的特性%本文的目的在于结合风速波动性特点及相应的输出风电功率变化特点&提出一套针对短期风电功率预测系统的误差综合评价指标%该指标由横向误差$纵向误差与极端误差!类评价指标构成&可以对预测误差的平均化水平$分布情况$相关因子和极端案例作出较为全面的评判&有利于预测系统用户和预测算法研究人员合理判别和使用预测结果%为了贴近实际工程应用&本文选取内蒙古某风电场$#&#年上半年的实测数据和数值天气预报!981:?&=@4!N:@FY:?!E?:B&=F&39&6MH#数据进行详细误差分析&并在此基础上给出了若干借助误差评价指标提高预测水平的案例%&!预测误差的综合评价体系&5&!预测误差的存在形式风电功率预测的误差可以划分为纵向误差和横向误差&&*’&如图&所示&其中纵向误差主要描述了某一时段的预测结果在竖直方向与实际结果的差别&往往可以用偏大或偏小概括(而横向误差则主要描述预测结果在水平的时间轴上与实际结果的差)#$)第!(卷!第&$期$#&&年-月$(日2345!(!635&$789:!$(&$#&&别!概括地说就是预测序列峰值的超前或滞后&单纯的纵向误差可以通过系统误差修正或误差时间序列统计等手段得到明显改善&从概念上讲!纵向误差的单位是预测量本身的单位!横向误差的单位是时间!但在很多误差指标中!如RZ!RIZ!LRUZ!RLZ等!横向误差往往被归算至纵向误差中&图!!风电功率预测误差的存在形式&#$%!!MVA8)//#*’!*-!K#’,!A*K)8!A8),#7.#*’!)88*8对于短期风电功率预测!由于风的波动性!预测序列包含多个峰值和谷值!$种误差往往伴随着出现!其综合作用在视觉上带来的直观感受主要有以下!种情况#%预测序列比实测序列整体偏大或偏小$&预测序列中峰%谷值的位置比实测序列超前或滞后$’预测序列漏报或错报峰%谷值&对误差存在形式进行区分!有助于探讨误差的成因及其修正方法&在风电功率预测中导致这!种误差的机理是不一样的#情况%往往是输入6MH模式或风电场功率输出模型的系统误差$情况&和’的产生机理在本质上是一样的!主要是6MH模式的资料同化工作不充分!数值模式的初值设定不准!使得预测结果对冷暖气团锋面的到达时间判断有误!严重的情况下发生漏%错报气团的现象&情况&可借助实时监测数据在超短期预测尺度校正!而情况’的处理则相对复杂!需要在预测网格设置更加准确的测量点或者采用更加精确的插值方法!提高数值模式初值设定的精度!同时可采用热启动模式的6MH数据!保证资料同化的及时性&总的来讲!由于天气预报的精度限制及本身难以定量分析的特点!直接修正横向误差目前仍是一个难题&在实际应用中!往往将横向误差归算至纵向误差&&5#!常用误差评价指标及其存在的问题一般地!用S*表示实测数据序列!S*T表示预测数据序列!预测绝对误差定义如下#B*,S*T+S*&&’!!常见的误差指标有以下*种(*()#&’RZ!指标定义如下式所示!可以用来衡量预测结果是否无偏&BRZ,#B*5$&$’式中#$为风电场额定容量$5为样本数量&需要说明的是!文献(*)中$采用平均开机容量!由于该数值难以准确计算!本文采用额定容量来替代&一般来讲!如果某一段预测结果中同时存在较大的正误差和负误差!由于正负相抵!反映在RZ上!将是一个较小的数值&这种情况的存在!有可能导致对预测效果的错误判断!因此RZ一般不会作为单独的误差指标!需要与其他误差评价指标配合使用(&()&$’RLZ!指标定义如下式所示!该指标将误差除以相应的真值进行规范化!以便相互比较&BRIZ,#B*S*5&!’!!RLZ指标需要将绝对误差逐点与实测值相比!这种处理方法一直应用于电力系统负荷预测的误差评价!也曾为一些标准意见稿(()所沿用!但该指标在风电功率预测中的实用性有待商榷&这种评价方式在负荷预测中是可行的!因为作为基值的负荷实测值最低至负荷谷值$而在风电功率预测中!由于风的间歇性!实际出力可能低至#!即使较小的绝对误差也会得出很大的相对误差!将导致RLZ太大而丧1
内容来自淘豆网转载请标明出处.木联能软件公司
木联能软件公司
IT+行业解决方案专家
您现在的位置： &&
木联能软件公司
木联能软件公司
CFD风力发电工程-风电场功率预测系统(WPFS)
&&&&◆ 系统概述
&&&&做好风力发电预测工作，可有效的提高整个电力系统运行的可靠性和安全性，对我国未来更好地开发利用风力发电具有十分重要的意义。国能新能〔号文中明确要求所有并网运行的风电场均应具备风电功率预报的能力，并按要求开展风电功率预报。同时，国家电网〔号文颁布了《风电功率预测功能规范》。鉴于此,北京木联能软件股份有限公司和水电水利规划设计总院在多年功率预测研究的基础上联合研制和开发了一套具有自主知识产权的系统软件：CFD风力发电工程-风电场功率预测系统。
&&&&系统登陆界面如下：
&&&&◆ 系统特点
&&&&可自动从风电场运行管理系统和测风塔实时采集系统中自动获取风机数据和测风塔相关数据，并提供手动补充录入；
&&&&可自动或手动导入数值天气预报数据；
&&&&可设置数据检验规则,数据存入数据库前可进行完整性和合理性检验，并对缺测和异常数据进行补充和修正并标识；
&&&&可对入库的数据可进行查看和编辑维护；
&&&&可根据实际情况对计划维修或出现故障的风机设置停机台数等功能；
&&&&可实现超短期预测和短期预测，支持预测曲线的人工修改，并支持自动和手动两种预测执行方式；支持设备故障、检修等出力受限情况下的功率预测功能；
&&&&可实现历史测风数据、数值天气预测数据和风电场运行参数的数据统计查询、导出、打印功能; 可实现预测功率的查询、导出功能；
&&&&可支持不同预测结果的同步显示功能，及各种数据图表的展示等功能;
&&&&可实现误差统计功能；
&&&&可实现预测结果上报功能。
&&&&◆ 系统功能
&&&&本系统功能丰富，操作便捷，包括用户、基础信息、数据、自动数据服务、功率预测、统计分析、对比查看、帮助八个主菜单。系统登陆后，主界面显示整个风场过去24h逐15min的实际总功率和预测功率,以及未来48h逐15min的预测功率值，预测结果支持自动更新。登陆后主界面如下:
&&&&◆ 用户
&&&&包括:重新登录、用户管理、密码修改、用户注销、日志管理、打印设置和退出。
&&&&其中：【用户管理】主要用来实现对用户权限的使用和划分；【日志管理】记录每个用户进行的操作，以及操作时间等，并可将操作记录结果保存为Excel文件。以【日志管理】界面示例如下：
&&&&◆ 基础信息
&&&&包括:风电场、测风塔、风机
&&&&其中【风电场】用于描述风电场的名称、地理位置、海拔高度、地形、粗糙度等描述信息。【测风塔】用于添加、修改和删除测风塔信息,以及对测风塔进行数据库通道匹配。【风机】下面分为【风机列表】【风机类型】【风机字段匹配】三个子菜单, 【风机列表】【风机类型】分别用于添加、修改、删除、导入以及导出风机和风机类型数据, 【风机字段匹配】用于数据库字段配置。示例【风机列表】界面如下：
&&&&◆ 数据
&&&&数据包括：风机数据、测风塔数据、天气预报数据。
&&&&其中：【风机数据】包括【风机运行状态数据】【检测规则设置】【数据编辑】三个子菜单。【风机运行状态数据】主要实现对自动导入和手动添加的风机运行状态数据的查看、修改、删除和导出功能,以及手动添加风机运行状态数据的功能；【检测规则设置】实现对未入库前的风机数据设置检测规则的功能；【数据编辑】：主要用于对导入的风机数据进行查询、添加、修改、删除、导出和检验的功能，检验后违反规则数据以不同颜色显示。示例【风机运行状态数据】界面如下：
&&&&示例【数据编辑】界面如下：
&&&&【测风塔】和【天气预报数据】均包括【检测规则设置】【数据编辑】两个子菜单,功能和【风机数据】下的子菜单功能相似。
&&&&◆ 自动数据服务
&&&&包括: 【启动】【停止】【数据源配置】【自动服务日志查看】,主要实现启动和停止自动导入风机数据、测风数据和天气预报数据,其中【数据源配置】用于数据库连接配置, 【自动服务日志查看】可监视自动导入情况,并支持日志导出功能。
&&&&◆ 功率预测
&&&&包括【风机停机设置】【超短期预测】【短期预测】【误差统计】四个子菜单, 其中【风机停机设置】用于一段时间内的停机设置,【超短期预测】用于实现未来0-4h的功率预测。包括【参数设置】、【手动预测】和【历史查看】。【参数设置】中可以设置开始预报起点时刻、每小时预测次数以及模型设置。【历史查看】中可以查看历史预测总功率数据和实际总功率数据. 参数设置界面如下：
&&&&【短期预测】的用于实现未来72h的功率预测。同样包括【参数设置】、【手动预测】和【历史查看】。
&&&&【误差统计】中实现指定时间内的超短期和短期的功率预测的误差统计。
&&&&◆ 统计分析
&&&&该部分主要实现数据的统计分析。包括：【功率数据统计】、【测风数据统计】、【天气预报数据统计】、【风电场运行参数统计】、【相关性分析】。每个菜单中都包括若干子菜单,实现全面的数据统计。例如功率频率分布表界面分别如下图所示：
&&&&◆ 对比查看
&&&&实现数据的对比查看功能。包括:【数值天气预报与测风数据对比图】【超短期预报与实际功率对比图】【短期预报与实际功率对比图】。如:数值天气预报与测风数据对比图的界面如下:
&&&&该软件给某风电场部署后的预测结果与实际结果对比图如下:
无标题文档