復(fù)雜地形風(fēng)電場(chǎng)的風(fēng)功率預(yù)測(cè)技術(shù)研究

1、    復(fù)雜地形風(fēng)電場(chǎng)的風(fēng)功率預(yù)測(cè)技術(shù)研究    寧德正朱向東摘 要 本文介紹了當(dāng)前風(fēng)功率預(yù)測(cè)理論的各種模型，結(jié)合復(fù)雜地形下風(fēng)資源和風(fēng)功率特點(diǎn)，提出了滿足預(yù)測(cè)精度要求的復(fù)雜地形條件下的風(fēng)功率預(yù)測(cè)方法。【關(guān)鍵詞】風(fēng)功率預(yù)測(cè) 復(fù)雜地形條件 人工智能模型隨著全球能源高速增長(zhǎng)，氣候變化和生態(tài)環(huán)境問(wèn)題日益突出，風(fēng)能作為一種可再生能源，受到各國(guó)重視。2013年，中國(guó)新增裝機(jī)容量16088.7mw，累計(jì)裝機(jī)容量91412.89mw，新增裝機(jī)和累計(jì)裝機(jī)均居世界第一，風(fēng)電已成為我國(guó)繼火電、水電后的第三大能源。風(fēng)能具有獨(dú)特的波動(dòng)性、間歇性和反調(diào)峰特性，大量風(fēng)電場(chǎng)并網(wǎng)為電網(wǎng)的

2、安全、穩(wěn)定及正常運(yùn)行帶來(lái)挑戰(zhàn)。通過(guò)風(fēng)功率預(yù)測(cè)系統(tǒng)的預(yù)測(cè)結(jié)果，可提供電網(wǎng)的安全性和可靠性和電網(wǎng)接納風(fēng)電的能力。風(fēng)電場(chǎng)接入電力系統(tǒng)技術(shù)規(guī)定（gb19963-2011）中對(duì)風(fēng)電場(chǎng)功率預(yù)測(cè)做了強(qiáng)制性規(guī)定，風(fēng)電場(chǎng)并網(wǎng)標(biāo)準(zhǔn)中也對(duì)風(fēng)速及風(fēng)功率預(yù)測(cè)的分辨率和準(zhǔn)確性提出了要求，風(fēng)電場(chǎng)應(yīng)向電網(wǎng)調(diào)度部門(mén)提供未來(lái)15分鐘4 小時(shí)、次日24 小時(shí)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)值（時(shí)間分辨率為15分鐘），預(yù)測(cè)誤差（平均相對(duì)誤差）應(yīng)不大于25%?，F(xiàn)階段國(guó)外內(nèi)學(xué)者提出了各種理論來(lái)進(jìn)行風(fēng)功率預(yù)測(cè)，典型的預(yù)測(cè)模型有統(tǒng)計(jì)模型、物理模型、動(dòng)態(tài)時(shí)空的相關(guān)模型以及基于人工神經(jīng)網(wǎng)絡(luò)的智能模型。1 各預(yù)測(cè)模型評(píng)價(jià)1.1 統(tǒng)計(jì)模型統(tǒng)計(jì)模型也稱為時(shí)間序列

3、模型，主要基于測(cè)風(fēng)歷史數(shù)據(jù)，依據(jù)統(tǒng)計(jì)學(xué)的參數(shù)估計(jì)的方法并結(jié)合模式識(shí)別來(lái)建立數(shù)學(xué)模型，該模型適合小時(shí)尺度的短期（6h以內(nèi)）預(yù)測(cè)。1.2 物理模型典型的物理模型為數(shù)值天氣預(yù)報(bào)，主要依據(jù)取得的大氣風(fēng)向、風(fēng)速數(shù)據(jù)，通過(guò)給定初始、邊界條件，依據(jù)流體力學(xué)和熱力學(xué)的方程，進(jìn)行數(shù)據(jù)計(jì)算后的結(jié)果，該方法比較適合中期（一般大于6h）的風(fēng)速預(yù)測(cè)。1.3 動(dòng)態(tài)時(shí)空模型該模型需要考慮風(fēng)電場(chǎng)與周邊測(cè)風(fēng)點(diǎn)的風(fēng)速時(shí)間序列情況，依據(jù)周邊測(cè)風(fēng)點(diǎn)風(fēng)速與風(fēng)電場(chǎng)的相關(guān)性進(jìn)行預(yù)測(cè)。一般需要在風(fēng)電場(chǎng)周?chē)O(shè)置幾個(gè)遠(yuǎn)程監(jiān)測(cè)點(diǎn)，依據(jù)風(fēng)速和風(fēng)向的相關(guān)性結(jié)果，預(yù)測(cè)誤差更小，一般在短時(shí)間（14h）內(nèi)預(yù)測(cè)效果較好。事實(shí)上，其誤差主要和風(fēng)電場(chǎng)的監(jiān)測(cè)點(diǎn)的數(shù)

4、量有關(guān)。1.4 人工神經(jīng)網(wǎng)絡(luò)的智能模型人工智能的發(fā)展得益于人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯及向量計(jì)算技術(shù)的發(fā)展。通過(guò)模糊邏輯與向量機(jī)學(xué)習(xí)理論的方法，以歷史數(shù)據(jù)、氣壓、溫度作為輸入，對(duì)風(fēng)速建立預(yù)測(cè)模型，結(jié)果表明，預(yù)測(cè)值與實(shí)測(cè)值基本一致。構(gòu)建的風(fēng)速預(yù)測(cè)結(jié)果比時(shí)間序列法更好。1.5 組合預(yù)測(cè)模型各預(yù)測(cè)模型都有理論上的局限，為了優(yōu)化預(yù)測(cè)流程和提供預(yù)測(cè)精度，組合預(yù)測(cè)在實(shí)際應(yīng)用中越來(lái)越廣。如優(yōu)化的物理模型和人工智能模型組合的雙模型，采用cfd方法，結(jié)合風(fēng)電場(chǎng)信息數(shù)據(jù)，將數(shù)值天氣預(yù)報(bào)作為輸入，進(jìn)行計(jì)算的物理模型，并利用人工智能模型中系統(tǒng)主動(dòng)自適應(yīng)的捕捉電場(chǎng)風(fēng)電機(jī)組的運(yùn)行模式，輸出結(jié)合現(xiàn)實(shí)運(yùn)行情況和未來(lái)風(fēng)資源情況的功率

5、預(yù)報(bào)。該雙模型可以實(shí)現(xiàn)未來(lái)72小時(shí)短期預(yù)測(cè)精度大于80%；未來(lái)4小時(shí)超短期預(yù)測(cè)精度大于90%；未來(lái)168小時(shí)中期預(yù)測(cè)精度大于75%。2 復(fù)雜地形條件下的風(fēng)功率預(yù)測(cè)特點(diǎn)復(fù)雜地形風(fēng)電場(chǎng)，以山地風(fēng)場(chǎng)為例，因地形復(fù)雜，風(fēng)機(jī)標(biāo)高差別較大，風(fēng)速、風(fēng)向差別顯著，尾流影響更無(wú)規(guī)律，湍流影響結(jié)果也不同，從而導(dǎo)致風(fēng)速和發(fā)電量的差異變化較大，這些因素使復(fù)雜地形下的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)難度更大。一般預(yù)測(cè)模型在地形相對(duì)簡(jiǎn)單的地區(qū)，效果較好，但在復(fù)雜地形地區(qū)，需要針對(duì)風(fēng)電場(chǎng)進(jìn)行優(yōu)化調(diào)整。一般在大型山地風(fēng)電場(chǎng)中，由于各機(jī)位所處微觀環(huán)境差別較大，各機(jī)位高度也不同，風(fēng)速差別較大，上網(wǎng)電量最高的機(jī)位比最低的機(jī)位高出約50%80%。

6、受微地形影響，風(fēng)向差別可在2090度，風(fēng)向差別較大。而山區(qū)地形湍流強(qiáng)度更易受地形和地表粗糙度影響，各機(jī)位湍流強(qiáng)度差別也較大，在風(fēng)電場(chǎng)設(shè)計(jì)時(shí)，采用cfd模擬結(jié)果看，從iec c級(jí)到a級(jí)都有，加上運(yùn)行后各位尾流影響，風(fēng)速和風(fēng)功率更呈現(xiàn)出無(wú)規(guī)律性。如在高海拔地區(qū)，特有的條件（海拔高、雷暴頻繁、風(fēng)密度低、平均風(fēng)速偏低、風(fēng)向變化頻繁、山地風(fēng)電場(chǎng)地形條件復(fù)雜）使風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)難度更大。3 復(fù)雜地形條件下的風(fēng)功率預(yù)測(cè)方法無(wú)論采用單一模型方法還是組合模型預(yù)測(cè)方法，均需對(duì)復(fù)雜地形條件下的風(fēng)電場(chǎng)進(jìn)行專(zhuān)門(mén)優(yōu)化，以適應(yīng)風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)精度的要求。以優(yōu)化的物理模型+人工智能模型為例，采用微觀氣象學(xué)和計(jì)算流體力學(xué)（cf

7、d）分析軟件，以風(fēng)電場(chǎng)的地理數(shù)據(jù)（地形、地表粗糙度）、風(fēng)電機(jī)組坐標(biāo)和輪轂高度、風(fēng)廓線、熱效應(yīng)、風(fēng)機(jī)功率曲線作為邊界條件；建立包含湍流、尾流、風(fēng)速、發(fā)電量結(jié)果的預(yù)測(cè)物理模型，再以數(shù)值天氣預(yù)報(bào)作為輸入數(shù)據(jù)，通過(guò)數(shù)學(xué)方法外推，得出每一臺(tái)風(fēng)機(jī)輪轂處的風(fēng)速，進(jìn)而得到每一臺(tái)風(fēng)機(jī)的輸出功功率。此外，如風(fēng)電場(chǎng)處于限負(fù)荷運(yùn)行狀態(tài)，系統(tǒng)會(huì)主動(dòng)自適應(yīng)的捕捉電場(chǎng)風(fēng)電機(jī)組的運(yùn)行模式，從而給出結(jié)合了現(xiàn)實(shí)運(yùn)行情況和未來(lái)風(fēng)資源情況的功率預(yù)報(bào)。一般，設(shè)置在風(fēng)場(chǎng)主導(dǎo)風(fēng)向上的即使位于3公里范圍內(nèi)的單獨(dú)測(cè)風(fēng)塔的數(shù)據(jù)也無(wú)法代表整個(gè)風(fēng)場(chǎng)的風(fēng)資源情況，為提供準(zhǔn)確的預(yù)測(cè)結(jié)果，不僅需要采集實(shí)時(shí)測(cè)風(fēng)塔數(shù)據(jù)，也要采集各風(fēng)機(jī)的scada數(shù)據(jù)，對(duì)每臺(tái)

8、風(fēng)機(jī)，結(jié)合cfd計(jì)算模型，經(jīng)過(guò)數(shù)據(jù)修正算法消除了尾流、湍流、風(fēng)向等影響因素。在建立針對(duì)山區(qū)的優(yōu)化的風(fēng)電場(chǎng)物理模型后，還需要人工智能模型進(jìn)行修正，根據(jù)現(xiàn)場(chǎng)的發(fā)電情況，需要根據(jù)現(xiàn)場(chǎng)是否限電、各風(fēng)機(jī)的運(yùn)行狀況，對(duì)各臺(tái)風(fēng)機(jī)進(jìn)行計(jì)算，從而得出全場(chǎng)的預(yù)測(cè)功率。另外，還要考慮到檢修計(jì)劃，電網(wǎng)調(diào)度以及其他受限情況進(jìn)行人工輸入已知邊界情況，對(duì)風(fēng)電場(chǎng)上網(wǎng)預(yù)測(cè)功率實(shí)時(shí)調(diào)整。通過(guò)人工智能和優(yōu)化物理模型，即可滿足電網(wǎng)對(duì)測(cè)風(fēng)數(shù)據(jù)以及其他氣象數(shù)據(jù)的采集和上傳要求，時(shí)間分辨率可以根據(jù)計(jì)算模型要求選取，從而使預(yù)測(cè)精度大幅提高。4 結(jié)論復(fù)雜地形條件下，風(fēng)功率預(yù)測(cè)需要根據(jù)復(fù)雜地形下風(fēng)況特點(diǎn)、風(fēng)功率變化情況，結(jié)合cfd計(jì)算方法，采用優(yōu)化的物理模型，結(jié)合人工智能模型，滿足復(fù)雜地形條件下預(yù)測(cè)精度的要求。參考文獻(xiàn)1肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究j.中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（1i）：1-5.2周海，王文鵬等.風(fēng)電場(chǎng)輸出功率超短期預(yù)測(cè)結(jié)果分析與改進(jìn)j.電力系統(tǒng)自動(dòng)化，2011，35（15）：30-33.4張臻.風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究d.廣州：華南理工大學(xué)，2010.作者單位云南省電力設(shè)計(jì)院 云南省昆明市 650051endprint電子技術(shù)與軟件工程2