风电场输出功率短期预测研究

《风电场输出功率短期预测研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、风电场输出功率短期预测研究彭怀午杨晓峰内蒙古电力勘测设计院呼和浩特010020[摘要]：本文采用人工神经网络方法对内蒙古某风电场10台风机的输出功率进行了预测研究。分别利用不同输入变量和隐层参数的四种网络模型进行了预测分析，发现采用采用风速、风向和温度作为输入变量，4-8-1型的网络结构，预测精度较高，平均绝对误差小于250kw，正规化均方根误差小于5%。[关键词]：风电；功率；短期预测；人工神经网络1引言风力发电成为了近几年发展最为迅速的可再生能源，未来风电将占世界电力供应的12%[1]。中国风电自

2、2005年以来，装机容量连续三年增长超过100％，国家发展和改革委员会规划在2010年中国风电装机容量将达到10GW[2]。但是，由于风的波动性和间歇性，风电的典型特征就是不可控，大容量风电场的接入会对电网运行产生很大的负荷甚至危险[3]。我国现在还处于无条件地要求电网企业全部接受风电电量的阶段，但是随着风电容量不断加大、电量需求逐渐饱和，电力市场将逐步要求风电企业竞价上网和提前进行发电量预报。为提升电网接纳风电的能力，保障电网安全，对风电场发电功率进行预测十分必要并且意义重大。国外已经比较成熟地开发

3、出了风功率预测和管理系统，特别是风力发电比例比较高的国家。例如丹麦Riso国家实验室开发的Prediktor系统[4]，德国ISET开发的WPMS系统[5]，以及美国AWSTurewind公司开发的ewind系统[6]等。但是，国内对风电功率预测的研究还较少，并且不太成熟。目前，主要集中在风电场风速短期预测研究[7-9]，真正意义上的发电功率研究更少[10-11]。国内风电功率预测的研究主要受限于两方面：（1）数值气象预报系统在一些风电发达地区没有建立起来，并且已有的系统对风速、风向等气象因素在时间分

4、辨率和空间分辨率上精度不高；（2）有些风电场数据采集与监视控制系统（SCADA）还不够健全，无法实时提供每10分钟或每1小时的出力数据，需要时间进行相应的统计分析。风电机组出力预测的前提是风速、风向等气象因素，由于内蒙古地区暂时还没有成熟的数值气象预报系统，本文只能采用内蒙古某风场SCADA系统采集的风速、风向和温度数据暂时替代数值气象预报数据。根据风电场历史实际出力数据，采用人工神经网络进行学习，并对风电场的发电功率进行预测研究。2风电功率预测的基本原理风电功率预测方法一般分为物理方法和统计方法。物

5、理方法的优点是不需要历史运行数据，风场投产就可以进行预测，缺点是需要风场详细的地形图、风机布置坐标和风机功率曲线等数据，程序比较多，典型系统是丹麦RISO实验室的Predictor预测系统[4]。统计方法的优点是程序简明，一般采用人工智能方法进行预测，对风场具体布置资料没有要求，缺点是要求风场历史运行数据（SCADA数据），并且为保证预报精度至少要求有4个月左右风场运行数据进行学习，典型系统是德国ISET开发的WPMS系统[5]。两种方法的预测精度在不同风电场环境下各有所长，下面介绍典型的预测流程。2

6、.1物理方法采用物理方法进行风功率预测步骤主要分三步[12]：（1）缩小(downscaling)，采用中尺度模型或微尺度模型，将数值气象预报（NWP）高度的风速和风向换算到风机轮毂高度；（2）功率转换（convertedtopower），采用风机制造厂家提供的功率曲线或在风电场长期测量得到的经验功率曲线，将风速和风向数据转化为发电功率数据；（3）倍增(upscaling)，将单个风电场的预测结果进行综合，得到整个地区的发电功率预测结果。2.2统计方法采用统计方法进行风电功率预测一般分为三步：（1）学

7、习，选择一年左右的历史统计数据，采用统计模型分析出发电功率与风速、风向、温度、气压等天气数据的关系；（2）检验，基于上一步中求得的非线性关系，将某一段时间的风速、风向等天气数据进行输入，得到一组发电功率值，与实测结果进行比较和误差分析。如果结果达到要求的误差精度，进入下一步；如果达不到要求的精度，将修改模型，调整输入变量，重新学习；（3）预测，基于上面二步得到的合适的非线性关系，固定了预测模型，输入风速、风向等气象数据，得到预测结果，并进行误差分析。常用的统计预测方法有自回归移动平均(ARMA)算法[

8、7]、人工神经网络（ANN）[8]、支持向量机（SVM）[9]等。3人工神经网络算法3.1算法的基本原理神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。本文采用的学习规则是梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。人工神经网络由非线性函数f组成，而f由一系列不同权重的线性过滤器组合而成，表达式如下[8]：其中，是输入变量，为权值，代表输出值，本文中是预测时刻t时的功率。以实测功