风电功率预测文献综述

风电功率预测方法的研究风电功率预测方法的研究 摘要摘要 由于风能具有间歇性和波动性性等特点， 随着风力发电的不断发展风电并网对电 力系统的调度和安全稳定运行带来了巨大的挑战。 进行风电功率预测并且不断提 高预测精确度变得越来越重要。通过对国内外研究现状的了解，根据已有的风电 功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技 术进行分类， 着重分析几种短期风电功率预测方法的优缺点及其使用场合。根据 实际某一风电场的数据， 选取合适的风电预测模型进行预测，对结果予以分析和 总结。 关键词：风电功率预测；电力系统；风力发电；预测方法； 引言引言 随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可 再生， 以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清 洁能源代替传统化石能源。风能是清洁的可再生能源之一，大力发展风力发电成 为各国的选择。根据相关统计，截止至2015 年，全球风电产业新增装机 63013MW， ，同比增长 22%[1]。其中，中国风电新增装机容量达 30500MW，占 市场份额 48.4%。全球累计装机容量为 432419MW，其中中国累计装机容量为 145104,占全球市场份额的 33.6%。 目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能 量密度等特点， 因而风电功率也是波动的。 当接入到电网的风电功率达到一定占 比时， 风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统 的调度和安全平稳运行带来严峻挑战。 根据风速波动对风力发电的影响按照时间 长度可分为三类： 一种是在几分钟之内的超短时波动，该时段内的波动影响风电 机组的控制； 另一种是几小时到几天内的短时波动，该时段内的波动影响风电并 网和电网调度； 最后一种是数周至数月的中长期波动，该时段内的波动影响风电 场与电网的检修和维护计划。 本文主要研究不同的风电功率短期预测方法的优缺 点。 通过对短期风电功率预测， 能够根据风电场预测的出力曲线优化常规机组出 力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市 场竞价能力。 课题国内外现状课题国内外现状 国外对于风电功率预测的研究起步早，始于 80 年代，随着其研究的不断深 入，其预测技术越来越完善、预测精度不断提升。目前发达国家像美国、德国、 西班牙、 丹麦等风电功率预测技术较为成熟。丹麦国家研发的典型的风电功率预 测系统有 Prediktor、WPPT、Zephyr。其中 Prediktor 系统是全球第一个风电功率 预测软件、 其采用物理预测模型， 其能够根据高空的数值天气预报的风速得到某 一地面的风速；WPPT 系统使用自回归统计算法，功率被认为是一个随时间变化 的非线性随机过程；而 Zephyr 则是将上述两种预测模型结合起来，其集中了两 种预测模型的优点。美国研发的 eWind 系统组合了多个统计模型像多元线性回 归、支持向量回归、人工神经网络等集合生成预测结果。该系统基于高分辨率的 数值天气预报模型， 具有先进的统计预测技术， 目前为 CAISO、 ERCOT、 NYISO 等电网运营商提供预报服务。德国研发的 Previento 系统通过对气象部门提供的 数值天气预报结果进行空间细化， 结合风电场当地具体的地形、 海拔高度等条件， 根据其风电机组相应的功率曲线把预测的风速转化为预测的输出功率。 其他典型 的风电功率预测系统还有西班牙的 AWS Trewind系统、法国的 AWPPS系统、欧 盟的 ANEMOS 项目。 国外发达国家较为成熟的风电功率预测技术是其更高的风电功率普及率的 保障。这些发达国家往往有很好的数值天气预报系统为风电功率预测提供支持， 但从全球范围上看数值天气预报技术不够完善普及。 现发达国家研究的重点在于 通过人工智能算法研发出更精确的预测模型、 寻找更好的将统计模型与组合模型 结合起来的方式方法以及开发相应的技术与工具对预测结果的不确定性进行评 估。 我国在风电功率预测技术方面的研究起步较晚， 很多研究只停留在理论方面 而实际应用方面的工作相对滞后。 但目前很多风电功率预测预报系统已被国内的 一些科研机构和高校开发出来。例如湖北气象中心的 WPPS 系统、中国气象局 公共服务中心的 WINPOP 系统、中国电科院的 WPFS 系统、华北电力大学的 SWPPS 系统等。WPPS 系统使用 C#做为开发语言，其具有根据实际风电场情况 采用合适的算法模型的优点， 目前已投入湖北省的九宫山风电场和新疆的乌兰达 布森风电场使用。 WINPOP 系统采用 C/S 结构， 以全球天气分析服务系统为基础 进行开发，运用了 SVM、人工神经网络、自适应最小二乘法等多种算法进行风 电功率预报。WPFS 采用 B/S 结构，使用 Java 语言进行开发，其能够对单独风 电场或者特定区域的集群预测。该系统不仅可以设置每日预测的时间和次数，还 能够对风机故障与限电等特殊情况进行功率预测。 总体来说， 我国风电功率预测方面的研究取得了一定的成果，一些学者也提 出了不同于传统方法的新型研究方法和技术 [22]。但是在中国，并没有针对这个 方面的数值天气预报，这将严重的制约我国在风电功率预测方面的进一步发展。 目前在预测的精确度方面有待提升， 根据其预测结果安排发电计划有相当大的风 险。预测时长尺度还不能满足要求。 预测方法概述预测方法概述 风电功率预测方法从时间上可划分为超短期预测、 短期预测、中长期预测三 类。超短期预测预测时长为未来几个小时内，用于风电的实时调度；短期预测预 测时长为未来三天内， 主要用于机组组合和备用安排；中长期预测时长为未来三 天至一周及一周以上，用于风资源评测和检修安排等。 从预测模型上可以划分为物理方法、统计方法、及组合模型方法三类。物理 模型主要是根据气象部门提供的数值天气预报结果来模拟风电场范围内天气， 并 将预测到的风电场内风向、风速、大气压、空气密度等天气数据结合风机周围物 理信息与风电机组轮毂高度等信息建立物理预测模型， 最后利用风电机组功率曲 线得到预测功率。物理法预测风电功率时，往往要考虑尾流效应的影响。从空间 角度来看，风速序列表现出无规律、大幅度的波动；从时间角度来看，风速包含 的趋势分量取决于大气分量的持续性而随机分量取决于大气运动情况， 因此难以 建立普适性的物理模型进行分析和预测，给预测结果带来了无法避免的误差。由 于物理方法是建立在数值天气预报之上， 因而预测结果往往取决于数值天气预报 结果的准确性。 统计方法是通过一种或多种数学工具建立历史数据、天气预报数 据、预测数据之间的函数关系，其本质是挖掘出蕴含在大量数据下的规律，并根 据规律来进行预测。 风电功率预测中常用的统计算法有时间序列算法和机械学习 算法。 时间序列算法主要有： 自回归模型、 滑动回归模型、 自回归滑动平均模型。 其主要建立输入与输出之间线性的映射关系，并要求时间序列为平稳时间序列， 对于非平稳时间序列要进行处理得到平稳、正态、零均值的时间序列。机械学习 算法主要有：遗传算法、人工神经网络、模糊逻辑、支持向量机等。其理论上可 以对任意非线性