風力發(fā)電功率預測

報告人：班級：學號：風電功率預測

風電功率預測背景及意義預測方法介紹國內外發(fā)展現(xiàn)狀實例分析

——灰色神經網(wǎng)絡預測總結

背景及意義

一、背景：

隨著全球石化資源儲量的日漸匱乏以及低碳、環(huán)保概念的逐步深化，風能等可再生能源的開發(fā)與利用日益受到國際社會的重視。但是，由于風能的隨機波動性、不可控性等，其大規(guī)模并入電網(wǎng)，將給電力系統(tǒng)的生產和運行帶來極大的挑戰(zhàn)。因此，將風力發(fā)電功率從未知變成已知，對電力系統(tǒng)的運行有著重大的意義。背景及意義

二、意義：

服務于電力系統(tǒng)：有利于運行調度人員合理安排應對措施、調整和優(yōu)化常規(guī)電源的發(fā)電計劃，改善電網(wǎng)調峰能力，提高電網(wǎng)的安全性和穩(wěn)定性。服務于風電場：可以合理安排風電場的檢修計劃，減少棄風，提高風電場的盈利、減少運行成本，提高風力發(fā)電在電力市場中的競爭力。背景及意義

三、

按時間分類：

（0h~3h）應用于風電機組自身的控制。

（0h~48或72h）應用于電網(wǎng)合理調度，保證供電質量，為風電場參與競價上網(wǎng)提供保證。

（以天、周或月為單位）主要用于檢修安排或調試等。目前，中長期預測還存在比較大的困難。超短期預測短期預測中長期預測預測方法介紹

風電功率預測1、按預測物理量分類：先預測風速直接預測輸出功率預測輸出功率風機功率曲線2、按數(shù)學模型分類：持續(xù)預測方法ARMA預測方法卡爾曼濾波方法智能方法，如神經網(wǎng)絡3、按輸入數(shù)據(jù)分類：時間序列法采用數(shù)值天氣預報數(shù)據(jù)物理方法統(tǒng)計方法綜合方法預測方法介紹

一、時間序列法

該類方法通過尋找各歷史數(shù)據(jù)在時序上的相關性來對風電功率進行預測。常見的時序模型有：自回歸模型（AutoRegressive，AR）滑動平均模型（movingaverage，MA）自回歸滑動平均模型（AutoRegressiveMovingAverage，ARMA）差分自回歸滑動平均模型（AutoRegressiveIntegratedMovingAverage，ARIMA）等。時間序列法優(yōu)點：不必深究信號序列的產生背景，序列本身所具有的時序性和自相關性已經為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立起相當高精度的預測模型。缺點：但其存在低階模型預測精度低、高階模型參數(shù)估計難度大的不足?？赡苡龅匠耙徊筋A測有延時或某些預測點精度不能滿足要求的問題，此時可借助卡爾曼濾波法、滾動時間序列或引入經驗模式分解來改進原有預測模型。預測方法介紹二、基于數(shù)值天氣預報（NWP）的預測：

數(shù)值天氣預報（NumericalWeatherPrediction，NWP）根據(jù)大氣實際情況，在一定的初值和邊值條件下，通過大型計算機作數(shù)值計算，求解描寫天氣演變過程的流體力學和熱力學方程組，預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。數(shù)值天氣預報預測優(yōu)點：較為成熟準確的風電中長期預測方法，國內外風電場預測系統(tǒng)多基于物理方法。不需要風電場的歷史數(shù)據(jù)，風電場投產就可以進行預測。缺點：要求對大氣的物理特性及風電場特性有準確的數(shù)學描述。模型復雜、計算量大，較少用于短期預測。常結合神經網(wǎng)絡、支持向量機等來提高預測精度。預測方法介紹三、統(tǒng)計方法預測：

統(tǒng)計方法不考慮風速變化的物理過程而是根據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與風電場發(fā)電功率間的關系然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預測數(shù)據(jù)對風電場未來的發(fā)電功率進行預測。目前我國采用的統(tǒng)計方法有使用統(tǒng)計方法修正風電場尾流效應對預測結果的影響，從而改進多層前饋神經網(wǎng)絡模型的預測精度；根據(jù)數(shù)值氣象預報的風速和風向數(shù)據(jù)，采用粒子群優(yōu)化的前向神經網(wǎng)絡模型進行短期風電功率預測統(tǒng)計方法預測優(yōu)點：該類方法需要一定量的歷史數(shù)據(jù)對初始數(shù)據(jù)的質量要求比較高，經過經驗模式分解，局域波分解后可得到平穩(wěn)數(shù)據(jù)列，此類情況預測比較準確。缺點：需要大量歷史數(shù)據(jù)，對于陣風、突變風等非平穩(wěn)情況的預測精度較差，且隨時間增加而越來越差。目前主要還通過卡爾曼濾波法和時間序列相結合滾動時間序列法以及混沌理論等不斷改進和提高模型的精確性和適用性。預測方法介紹三、智能方法預測：

能夠更加準確地擬合非線性關系，提高預測精度這是改善風電預測的研究熱點之一。目前已經用于風電功率預測的學習方法有RBF神經網(wǎng)絡、遞歸多感知神經網(wǎng)絡、BP神經網(wǎng)絡、遺傳算法、自適應模糊神經網(wǎng)絡、粒子群優(yōu)化算法、支持向量機、小波分析法等。其中尤以神經網(wǎng)絡及其改進方法取得了較好的預測效果。預測方法介紹三、組合預測：

由于預測方法各有優(yōu)勢，多種預測方法組合使用成為發(fā)展趨勢。1、預測模型融合組合a、卡爾曼濾波法對數(shù)據(jù)進行預處理，再采用NWP法進行風電預測.b、將神經網(wǎng)絡的局部尋優(yōu)與遺傳宏觀搜索相融合。c、粒子群優(yōu)化的神經網(wǎng)絡法、小波改進的神經網(wǎng)絡法等。2、預測模型加權組合a、BP神經網(wǎng)絡、徑向基神經網(wǎng)絡、支持向量機進行風電功率加權組合預測等。國內外發(fā)展現(xiàn)狀國家開發(fā)商模型名稱特點投運時間德國ISETWPMS在線監(jiān)測、日前風電功率預測和超短期預測（15分鐘-8小時）三部分，根據(jù)數(shù)值天氣預報，使用神經網(wǎng)絡計算輸出功率2001德國OldenBurg大學Previento使用物理模型，在較大的區(qū)域內給出2天的預測結果2002丹麥Ris?實驗室Prediktor使用物理模型，考慮了尾流等的影響1994丹麥科技大學WPPT利用自適應最小平方根法和指數(shù)遺忘算法相結合給出0.5-36h的預測1994丹麥科技大學聯(lián)合Ris?實驗室Zephry集合了上邊兩個模型，可以提供0-4h和36-48h的預測,加入了HIRLAM等氣象模型，長期預測精度提高2003西班牙西班牙可再生能源中心（CENER）與西班牙能源、環(huán)境和技術研究中心（CIEMAT）聯(lián)合開發(fā)LocalPred-RegioPredLocalPred模型用于復雜地形風電場的預測，采用CFD算法，使用MM5中尺度氣象模式作為數(shù)值天氣預報生產模式。MM5可以預測未來72小時所有相關氣象要素，空間分辨率為1km2。RegioPred在LocalPred模型單個風電場預測的基礎上，預測區(qū)域的功率輸出。2001西班牙卡洛斯三世大學siperólico統(tǒng)計模型2002美國AWSTruewindeWind包括一組高精度的三維大氣物理數(shù)學模型、適應性統(tǒng)計模型、風電場輸出模型和預測分發(fā)系統(tǒng)1998國內外發(fā)展現(xiàn)狀國內：2008年11月，我國首套具有自主知識產權的風電功率預測系統(tǒng)WPFS由中國電力科學研究院研發(fā)完成，各風電場的全年預測均方根誤差為16-19%，全省每月的平均誤差在11-13%之間。2010年華北電力大學與龍源風力發(fā)電有限責任公司合作開發(fā)了風電場發(fā)電功率預測系統(tǒng)，該系統(tǒng)整體技術達到國際先進水平，其中超短期預測算法與技術處于國際領先水平。2011年由中國節(jié)能環(huán)保集團公司(簡稱中國節(jié)能)和中國氣象局共同研發(fā)的風電功率預測預報系統(tǒng)正式落戶中節(jié)能張北滿井風電場，2012年10月，甘肅成為中國第一個覆蓋全省的風電功率超短期預測的省份，甘肅省電力公司研發(fā)的實時監(jiān)測與超短期風電功率預測系統(tǒng)通過實時采集測風塔監(jiān)測的風能數(shù)據(jù)、風電基地所有風機運行數(shù)據(jù)，采用多套數(shù)值天氣預報數(shù)據(jù)源，實現(xiàn)對風電預測。2013年5月2日，國電科環(huán)所屬北京華電天仁電力控制技術有限公司基于云平臺的遠程集中式風電功率預測系統(tǒng)正式投入運行。實例分析——灰色神經網(wǎng)絡預測數(shù)據(jù)來源：甘肅橋灣某風場數(shù)據(jù)一：2013年8月1日18:00-21:15間隔15min前10個點作樣本數(shù)據(jù)，預測未來4個點。數(shù)據(jù)二：2013年8月6日