风电场风速及功率预测系统研究.docx

《风电场风速及功率预测系统研究.docx》由会员分享，可在线阅读，更多相关《风电场风速及功率预测系统研究.docx（81页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 独创性声明 本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方 外，论文中不包含其他人已经发表 和撰写的研究成果，也不包含为获得华 东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢 -tV. 本人签名 _ 日期 关于论文使用授权的说明 本人完全了解华东交通大学有关保留、使用学位论文的规定， 5卩：学 校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论 文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 保密的论

2、文在解密后遵守此规定，本论文无保密内容。 本人签名 _ 导师签名 _ 日期 摘要 风电场风速及功率预测系统研究 摘要 风能作为一种无污染的可再生能源，近年来受到了世界各国越来越多的重视。但风 速具有激烈的波动性和随机性，从而也导致了风机出力的不稳定性，随着风力发电在电 网中所占的比例逐渐增加，大规模的风电并网势必会给电力系统的运行带来了一定的困 难和挑战。通过对风电场的风速和风电功率进行较为准确的预测，可为含风电并网的电 力系统调度提供必要的技术支持和指导，有效地减轻风电对电力系统带来的不利影响。 此外，还可以根据风速预测结果让风电场工作人员避开有效风速时段来进行风电机组的 检修与维护，减少风

3、电企业的运营成本和损失。在此背景下，很有必要对风电场风速及 风电功率的预测问题展开深入的研究。 本文首先简要介绍了国内外风速及风电功率预测的研究现状、风电功率预测的种类 划分，分析并介绍了风速、风电功率的基本特性和实现风电功率预测的基本流程。其次 是介绍了一些实现风电功率预测的常用方法 (包括时间序列法、 BP神经网络法和递归神 经网络法 )，阐述了以上 3种方法的基本原理和实现步骤。在指出了以上 3种方法的一 些缺点后， 提出了本文的核心预测方法一基于小波分解和微分进化支持向量机的风速及 风电功率多步预测，该方法先将风速数据进行 3层小波分解，并采用微分进化算法来自 动寻找支持向量机的参数，

4、针对分解后的各层风速数据分别建立支持向量机预测模型， 每个模型只预测下一时刻的风速，将各模型的预测结果叠加后作为最终的预测结果，接 着把当前预测风速值添加到历史数据库中并重复上面的步骤来预测下下一时刻的风速， 这样的循环预测就实现了风速的多步预测，然后根据风速与功率的关系式就可将风速预 测值转换为功率预测值。 在 Matlab环境下本文对上述多步预测模型进行了仿真实验，并将本文方法与时间 序列法、BP神经网络法等方法进行了对比，结果显示了本文方法的优越性。最后，基 于微软的 ASP.Net技术，本文设计出了一个可实用化的风电场功率预测系统，该系统能 实现对风速和风电功率的多步预测，并根据预测结

5、果生成曲线图，也可实现对风电历史 数据进行查询等功能。以上研究对风电企业和含风电并网的电力系统具有一定的理论意 义和现实意义，为国家新能源技术发展和能源结构调整贡献出一分微薄的力量。 关键词：风电场风电功率预测支持向量机小波分解微分进化算法多 步预测 ASP.Net Abstract RESEARCHES ON WIND SPEED AND WIND POWER FORECASTING SYSTEM FOR WIND FARM ABSTRACT Wind power, as a kind of clean renewable energy, nowadays has received more

6、 and more attention from all over the world. However, wind speed presents strong randomness and fluctuation which will lead to unstable wind power output, alongwith the increasing percentage of wind power in the electricity grid, wind power will bring some challenges and difficulties for the operati

7、on of electric power system. Therefore, wind power forecasting plays a very important role. Accurate wind power and wind speed prediction can provide necessary technical support and guidance for dispatch of the power system incorporated with wind power, thus to lower or eliminate the adverse effect

8、brought by incorporating wind power. It also can help wind farm workers implement wind turbine maintenance while avoiding valid wind speed so that wind farm operation cost and loss can be reduced. Under such circumstance, we launched a profound research on the problem of wind speed and wind power fo

9、recasting. In this paper, firstly, we briefly introduce the study situation of wind speed and wind power prediction at home and abroad, the classification of wind power prediction, analyse the characteristics of wind speed and wind power, and further propose the basic flow of realizing wind power fo

10、recasting. Secondly, three frequently used forecasting methods(time series, BP neural network and Elman neural network) are introduced, and their basic principle and implementation procedures have been elaborated. However, the aforementioned three algorithms have many drawbacks, so the core method o

11、f this paperwind speed and wind power forecasting based on wavelet decomposition and differential evolution optimized support vector machine (WD&DE-SVM) is proposed. According to this method, we use differential evolution algorithm to searching the optimal parameters of SVM(DE-SVM), and wind speed s

12、eries is decomposed into several scales by wavelet analysis, for each scale a one step wind speed forecasting model is established based on DE-SVM, and the predicted value of each model was summed as the forecasted wind speed of next time. The forecasting wind speed value of current time is added in

13、to the history database, and repeat the previous forecasting procedure based on the forecasting value to predict next-next wind speed value, through this circulation prediction method, the multi-steps wind speed forecasting is achieved. Then, according to the wind speed-output calculation formula, w

14、e can obtain the forecasted wind power ouput value. Simulations have been done in Matlab to test the proposed wind power multi-step forecasting model. And the proposed model is also compared with other methods such as Time series, BP and Elman neural network through cases, the results demonstrate th

15、e II Abstract superiority of our method. In the end, a practical wind power forecasting system is developed based on ASP.Net technology, this system can provide function such as short-term wind speed and wind power prediction, produce curve based on predicted results and history data enquiry etc. Th

16、e above researches have important theoretical and realistic significance to the power system incorporated with wind power, and can provide a small contribution to the National new energy technology development and the energy structure adjustment. Key Words: wind farm, wind power forecasting, support

17、 vector machine, wavelet decomposition, differential evolution algorithm, multi-step forecasting, ASP.Net. Ill 目录 目录 m-# 親 . 1 1.1课题的背景、目的和意义 . 1 1.2风电功率预测的分类 . 2 1.2.1风电功率预测的空间范围 . 2 1.2.2风电功率预测的时间尺度 . 2 1.2.3风电功率预测的分类 . 2 1.3 国内外研究现状 . 3 1.3.1国内风速或风电功率预测研究现状 . 3 1.3.2国外风电功率预测研究现状 . 4 1.4我国风电功率预测面临

18、的主要问题 . 5 1.5 论文的主要工作及结构 . 6 1.6 . 7 第二章风速、风电特性及风电功率预测流程 . 8 2.1风能与风速特性 . 8 2.1.1 K的形成与 K能 . 8 2.1.2 K速的分布特性 . 8 2.1.3 实际 K电场的 K速分布 . 9 2.2 jxL电特性 . 10 2.2.1 K力发电的特点 . 10 2.2.2 K速 -功率的关系模型 . 11 2.2.3 K电场 K机功率特性曲线 . 12 2.3 K电功率预测的一般流程 . 13 2.4 小结 . 14 第二章常见的 K速和 K电功率预测方法 . 15 3.1时间序列法 . 15 3.1.1几种时间序

19、列模型 . 15 3.1.2 时间序列法的建模步骤 . 17 3.2 神经 M络法 . 18 3.2.1 人工神经 M络概述 . 18 3.2.2 BP 神经 M络 . 20 3.2.3 BP神经 M络的优缺点 . 21 3.3 递归神经 M络 . 22 IV 3.3.1 递归神经 M络概述 . 22 3.3.2 Elman 神经 M络 . 23 3.4 吉 . 24 第四章基于小波分解和微分进化 -支持向量机的 K速和 K电功率预测模型 . 25 4.1 支持向量机 . 25 4.1.1 理论背景 . 25 4.1.2 回归支持向量机 . 28 4.1.3支持向量机的核函数 . 30 4.1

20、.4支持向量机的参数确定 . 31 4.2微分进化算法优化支持向量机参数 . 31 4.2.1 微分进化算法及其改进 . 31 4.2.2微分进化算法优化支持向量机参数 . 33 4.3 小波变换及小波多尺度分解 . 33 4.3.1 小波变换基本理论 . 34 4.3.2多尺度小波分解原理 . 35 4.4基于小波分解和 DE-SVM的 K速及 K电功率预测模型 . 36 4.5 . 37 第五章实例仿真与结果分析 . 38 5.1实例仿真 . 38 5.1.1 数据预处理 . 38 5.1.2模型输入量选择 . 40 5.1.3 K电功率预测流程 . 41 5.1.4误差评价指标 . 42

21、 5.1.5预测结果与模型比较 . 42 5.2结果分析与讨论 . 51 5.3 吉 . 52 第 六 章 基 于 ASP.NET的 K电功率预测系统开发 . 53 6.1 ASP.NET 简介 . 53 6.1.1 .NET框架介绍 . 53 6.1.2 ASP.NET 简介 . 54 6.2预测系统功能及系统架构 . 55 6.2.1 预测系统要实现的功能 . 55 6.2.2 系统架构 . 55 6.3预测系统的实现 . 56 6.3.1系统开发环境 . 56 _ _ 6.3.2数据库方案 . 57 6.3.3 Matlab与 .Net的混合编程 . 57 6.3.4 系统主要功能界面

22、. 59 6.4 小结 . 64 第七章结论与展望 . 65 7.1会吉 i仑 . 65 7.2展望 . 66 0Jcm . 67 个人简历在读期间发表的学术论文 . 71 隨 . 72 VI 第一章绪论 第 一 章 绪 论 1.1课题的背景、目的和意义 风能作为一种环境友好的可再生能源，世界各国对其开发利用都非常重视，我国有 关部门也出台了一系列的方针政策来鼓励和支持风能的开发和利用，这对我国能源供应 的增加、能源结构的调整和生态环境的保护将起到积极的作用 1。 我国拥有丰富的风能资源，根据有关部门对我国的风能资源的统计，初步探明陆地 10米高度风能资源总储量为 43.5亿千瓦，其中约有 3

23、亿千瓦可被开发利用，若推算到 风电机组的轮毂高度，则约有 6亿千瓦的可开发量，主要分布在我国西北地区、华北北 部、东北北部、青藏高原腹地以及沿海地区 2。据有关资料统计，截至 2010年底，我国 全年风力发电新增装机容量达 1600万千瓦，累计总装机容量达到 4182.7万千瓦，超过 美国跃居为装机容量第一的风力发电国家 3。 相对于传统的水、煤发电方式而言，风力发电存在的最大一个问题是风机出力的波 动性和不稳定性。由于风力发电是将风能转换为电能，其特性会直接受到风速的影响， 风速的波动性和间歇性也决定了风机出力的波动性。这种波动性对含风电并网的电力系 统调度、风电场风电机组自身的运行与控制等

24、都将产生不利的影响。 在含风电并网的电力系统中，通常会遇到电网的短路 容量比较薄，电网电压的波动 性比较大和风力发电机频繁掉线等问题 4。在风电容量较小时，电力系统由风电并网所 造成的影响并不明显。然而，随着风电容量在电网中所占比例逐渐増加，风电对电力系 统的影响就会越来越明显。为了保证电网运行的稳定性，很有必要对风电功率进行较为 准确的预测。根据风电功率预测结果并实时调整电网调度计划，可以有效减轻风电对电 网的不利影响，减少电力系统运行成本和旋转备用，也有利于提高风电场经济效益和增 加风电在电网中的穿透极限。 同时，风电机组的工作有效风速段一般介于 3m/s-25m/s之间 ，若要保证风机能

25、在有 效风速时段正常运行，需要对风机进行定期的预防性检查，对风机主要零部件进行清洗 或更换磨损部件等维护。而对风机的维护需要避开有效风速时段，这就要求能对风电场 的风速或功率进行较为准确的预测。另外，对风电场来说大风虽然能带来良好的收益， 但是当风速超过切出风速时，风机会从额定出力状态退出运行，而且还可能会造成风机 损坏，给风电企业造成一定的损失；如果风电场的所有机组在同一时间动作，就会给电 网带来较为明显的冲击，很容易形成电压闪变与电压波动。若事先对风速和风电功率进 行一定提前量的预测，则 电网企业就可根据风速和风电功率预报，提前做好停机或调压 准备。 设计一个较准确的风电场风速及功率的预报

26、系统是解决上述问题的最佳办法，而目 第一章绪论 前我国大多数关于风电功率预报的研究仍主要是对预测方法进行仿真和验证，国内也未 见较准确且应用较广的风电功率预测系统出现。本课题的主要研究内容有两个：一是对 更为准确的风速和风电功率预测方法和模型进行研究与探索；二是设计出一个能提供多 种预测模块的风电场功率短期预测系统。为含风电并网的电力系统调度、风电场风电机 组的运 行与维护提供一定的参考和工程应用价值，为国家调整能源结构和保护生态环境 供献一份微薄的力量。 1.2风电功率预测的分类 1.2.1风电功率预测的空间范围 就预测范围而言，风电功率预测可分为以风电场为单位的小范围功率预报，和以电 网调

27、度为主的区域预测 5。小范围功率预报一般针对省级调度，如江西省电网调度，而 区域预测则主要针对网级调度，例如华东电网调度。另外，根据风电场所处的地理位置 不同，还可将风电功率预测分为内陆风电功率预测和离岸风电功率预测。对离岸风电功 率预测来说，需要考虑到海面上特殊的气象条件，如由海浪引起的海面粗糙变化对不同 高度的风速变化的影响问题，及海陆不连续引起的海陆风对风电场出力的影响问题等 5。 1.2.2风电功率预测的时间尺度 从预测的时间尺度上来说，风电功率预测主要可分为长期预测、短期预测和超短期 预测。长期风电功率预测是指对未来 10天以上的风能进行预测，可划分为月、季和年 度预测等，一般用于为

28、风电企业的长期生产计划制定提供参考依据；短期预测是指对未 来 3天 (72小时 )以内的风电功率进行预测，可为电力部门制定合理的调度计划和风电场 安全生产提供 科学的指导和技术支持；而超短期预测并无具体标准 ，一 般可认为 30mm 内的风电功率预测为超短期预测，主要是用于发电机控制和对已做出的短期风电功率预 测进行补充和修正 6。另外，国家电网风电场接入电网技术规定 (试行 )也明确要求风 电场应当研究并积累风电场输出功率的日变化及小时变化规律，在电力部门制定日运行 方式时，规定了风电场应提供该日的输出功率预测曲线，以及在风电并网运行时，风电 场应提供未来 lh-2h的功率预测 7。 此外，

29、还有以分钟为单位的风电功率预测，主要目的是为了满足风电机组的控制需 要，一般是采用持续法来预测 8。 1.2.3风电功率预测的分类 风电功率预测，根据其预测模型的输入量来分可分 2类，一类是采用数值天气预报 (Numerical Weather Prediction, NWP)数据的预测，一类是不采用数值天气预报数据的预 测。若按其预测物理量的不同来分，也可以分为 2类，一类是直接根据风电功率历史数 据建立回归预测模型进行预报，另一类是先预测得到风机轮毂处的风速，然后根据风电 2 第一章绪论 机组或风电场的功率特性曲线得到风电场的输出功率。 此外，还有按照风速预测技术来进行划分的，同样也分为

30、2类，一类是物理方法， 另一类是统计方法。物理方法需要考虑风电场具体地理环境 (如风电场地形、地貌、粗 糙度、障碍物等信息 )， 首先根据 NWP的预测结果得到风速、风向、气压、气温等气象 数据，米用与 WAsP9(Wind Atlas Analysis and Application Program)程序类似的计算方法， 将 NWP的气象数据转换为风电机组轮毂高度的气象数据，然后根据风电场或风电机组 的功率特性曲线计算出相应的风电功率；而统计方法不用考虑风速变化的具体过程，仅 根据风电场风速、输出功率等历史数据进行统计分析，找出其内在规律并建立回归预测 模型。常见的统计方法有时间序列法、神经

31、网络法、支持向量机法等 1_12。另外还有就 是综合了物理方法和统计方法的混合预测方法 13_16。 1.3国内外研究现状 1.3.1国内风速或风电功率预测研究现状 相比西文发达国家，我国在风电功率预测领域的研究起步较晚，目前也还未发现有 成熟且广泛投入业务应用的风电功率预报系统出现。但是，针对风电场风速或风电功率 预测的研究已有不少，不过大多数研究仅局限于统计方法，如持续预测法、卡尔曼滤波 法、时间序列法、人工神经网络法、模糊逻辑法、空间相关性法、支持向量机法等。从 预测原理上来讲，基于统计方法的风速预测和功率预测是相同的，因此在对下面各种预 测方法介绍时，本文不做特别的区分。 持续预测法是

32、进行风速或风电功率预测的最简单方法，该方法只是简单地把最近一 点的测量值作为下一点的预测值，预测精度比较差，通常只是将其用来与其它预测方法 进行比较 17。 卡尔曼滤波法把风速或功率值当作状态变量来推导出状态方程和预测递推方程， 从 而实现对风速和功率的预测 18。卡尔曼滤波法可根据最新的测量值来修正前一时刻的估 计值，具有动态加权修正的优点，仅依靠预测递推方程就可获得较高的精度。然而，该 方法需要对噪声数据的统计特性进行估计，而估计噪声的统计特性通常是比较困难的， 这也是该方法应用的难点所在。 时间序列法是预测领域中最经典的方法，它基于大量的历史数据，经过数据检验、 模型识别、参数估计和模型

33、检验等一系列步骤就可建立一个能够描述所研究的时间序列 的回归预测模型 19。目前最常用的时间序列法是 Box-Jenking方法，该方法只需 知道风 电场单一的风速或功率数据序列就可建立回归预测模型，建模比较简单且也能得到一定 的预测效果，其中最常用的时间序列模型是累积式自回归一滑动平均模型 (ARIMA)。 人工神经网络 (ArtificalNeuralNetwork， ANN)法旨在模仿人脑结构及其功能，其由 大量的神经元以某种拓扑结构连接而成，通过对已知数据信息的学习就可建立实现某种 3 第一章绪论 功能的学习机 (模型 )， 是一门涉及生物、电子、计算机等多个领域的科学。 ANN具有自

34、 学习、并行处理、分布式存储和容错性等优点，可实现联想记忆、非线性映射、分类与 识别、优化计算等功能，可有效求解大规模的复杂问题，在负荷、电价、风速预测领域 已有诸多应用 2Q_22。 然而，神经网络法 (如 BP算法 )是用梯度下降法导出的，容易陷入 局部最优，且神经网络的结构设计只能依靠设计者的先验知识，没有严格的理论依据。 模糊逻辑法实现风速预测的基本思想是：将预报工作者的专业知识和模型逻辑结合 起来，根据数据和语言形成模糊规则库，然后选择一个线性预测模型来逼近非线性变化 的风速23。但是单纯使用模糊逻辑 法来预测风速或功率，得到的预测效果不是很好，主 要原因是模糊逻辑预测模型的学习能力

35、很弱，因此人们常常将模糊逻辑法与其它方法结 合起来使用，以达到提高预测性能的目的。 空间相关法需要考虑风电场及其附近多个区域或地点的风速数据，并根据多个地点 风速之间的空间相关性来实现对风电场风速的预测。为了获得风电场附近区域地点的多 组风速数据，需要在这些区域建立多个远程风速测量站，各站收集到的风速数据经过计 算机处理得到其与风电场风速之间的相关性，并以此来实现对风电场风速的预测 24。该 方法对原始数据的收集量很大，但由 于在预测过程中考虑了较多影响因素，所以能获得 较好的预测效果。 支持微量机 (Support Vector Machine, SVM)是由 Vapnik提出的一种统计学习方法， 是在统计学习理论的 VC维理论和结构风险最小化原理的基础上发展起来的一种机器学 习方法，在函数拟合领域已有诸多应用 25_27。 SVM的特点是通过引入内积核函数，将低 维的输入空间非线性变换到一个高维空间，再从这个空间中来寻找输入变量和输出变量 之间的非线性关系。SVM拥有严格的理论基础，它采用的结构风险最小化原则可在模型 复杂度和学习能力之间寻求最佳折衷，且其优化问题被当作一个凸二次优化问题来求 解，不存在神经网络容易陷入局部极值的缺点，能较好地解决