风电场风电功率短期预测技术.docx

《风电场风电功率短期预测技术.docx》由会员分享，可在线阅读，更多相关《风电场风电功率短期预测技术.docx（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、风电场风电功率短期预测技术风电场风电功率短期预测技术摘要:风电功率预测是确保电网平衡风电波动，减少备用容量和经济运行的重要技术保障，减少系统的备用容量，降低电力系统运行成本，知足电力市场交易需要，为风力发电竞价上网提供有利条件。本文基于对常见预测方法的研究和对风速数据的分析，并且针对目前存在的预测方法单一、预测准确度不高等问题，拟使用先进的智能化方法、多种方法综合以到达提高预测精度的目的。关键词：风电功率预测方法matlab建模时间序列模型1.文献综述1.1国内外风电功率预测现状国外从事风电功率研究工作起步较早，早在1990年Landberg就采用类似欧洲风图集的推理方法开发了一套预测系统1，

2、其主要思想是把数值天气预报提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。这个系统采用了丹麦气象研究院的高精度有限区域模型(highresolutionlimitedareamodel，HIRLAM)作为数值天气预报的输入，丹麦里索国家实验室的WAsP模型把风速、风向转换到轮毂高度的风速、风向；Ris?的PARK模型考虑尾流的影响。19931999年，这个模型分别用在丹麦东部、爱尔兰电力供给委员会和爱荷华州。风电功率预测工具(windpowerpredictiontool，WPPT)由丹麦科技大学开发2。1994年

3、以来，WPPT一直在丹麦西部电力系统运行，从1999年开场WPPT在丹麦东部电力系统运行。最初这个系统将适应回归最小平方根法与指数遗忘算法相结合，给出了0.536h的预测结果。Prediktor是Ris?开发的风电场功率预测系统，它尽可能使用物理模型。大范围的空气流动数据是由数值天气预报系统高精度有限区域模型(highresolutionlimitedareamodel，HIRLAM)提供的。根据地心自传拖引定律和风速的对数分布图，把高空的风速转换为地面的风速。对于一个特定的地点，需要更详尽的数据，因而能够用WAsP程序来分析，WAsP能够考虑障碍物和粗糙度的影响、粗糙度的变化、山头的加速和山

4、谷的减速等。PARK模型能够考虑风电场尾流的影响。最后还有2个统计模块来表示未能在物理模型中表示出来的其它因素。Zephry是Ris?和丹麦科技大学的信息和数学建模学院(informaticsandmathematicalmodeling，IMM)联合开发的新一代短期风功率预测程序3。Zephry集合了预测程序Prediktor和WPPT的功能，能进行短期预测(09h)和天前预测(3648h)。IMM使用了在线实测数据和先进的统计方法，能够给出很好的短期预测结果，IMM还使用了如HIRLAM的气象模型，较大提高了天前预测的精度。Previento是一个德国OldenBurg大学开发的预测系统，

5、它能够对一个较大的区域给出2d内的功率预测结果4-5，其预测方法和Prediktor类似。AWPT是德国太阳能研究所开发的风功率管理系统(windpowermanagementsystem，WPMS)的一部分6。风功率管理系统包括在线监视系统、短期预测系统(18h)和天前预测系统。该模型的特点如下：根据德国气象局提供的准确数值天气预报进行预测；用人工神经元网络计算风电场的功率输出；用在线外推模型计算注入到电网的总风电功率。eWind是美国AWSTruewind公司开发的风功率预测系统7-8。它主要包括一组高精度的三维大气物理数学模型、适应性统计模型、风电场输出模型和预测分发系统。国内对风电功率

6、预测的研究工作主要是理论探索9-10，目前还未提出高精度风电功率预测系统。1.2预测方法的分类预测方法分类见图1。根据使用数值天气预报numericalweatherprediction，NWP与否，短期预测能够分为两类：一类是使用数值天气预报的预测方法，一类是不使用气象预报的预测方法，或者叫做基于历史数据的预测方法。1.2.1基于历史数据的风电功率预测基于历史数据的风电场功率预测，是只根据历史数据，来预测风电场功率的方法，也就是在若干个历史数据包括功率、风速、风向等参数和风电场的功率输出之间建立一种映射关系，方法包括：卡尔曼滤波法11、持续性算法12、ARMA13算法、线性回归模型、自适应模

7、糊逻辑算法等。另外还有采用人工神经网络artificialneuralnetwork，ANN方法等人工智能方法。遭到预测精度的限制，这中预测方法的时间一般不会太长，例如6h或8h。1卡尔曼滤波法卡尔曼滤波法的基本原理是从噪声污染的信号中提取真实的信号，估计系统的真实状态信息，然后利用此真实的状态信息对系统进行有效的控制14。卡尔曼状态方程：111,11,-+=kkkkkkkkWuPxx(1-1)式中：k=1，2，n为卡尔曼滤波的阶数由卡尔曼滤波原理,能够得到卡尔曼滤波递推公式。预测误差协方差：111,-+=kkkkQPP(1-2)最优滤波增益：)(1,1,kkkkkkPPPK+=-1(1-3)

8、滤波误差协方差：1,)1(-=kkkkPKP(1-4)预测算法：11,1-+=kkkkkuPxx(1-5)最优滤波值：)(kkkkkxZKxx-+=(1-6)其最大特点是能够剔除随机干扰噪声,进而获取逼近真实情况的有用信息,在变形分析与预报中应用效果明显,预测误差小。该法递推算法严密,不需要保留使用过的观测值序列,而且可把模型的参数估计和预报结合在一起,是一种变形的动态几何分析方法15。2ARMA算法ARIMA由三部分组成：自回归项autoregressiveAR、差分项integratedI和滑动平均项movingaverageMA16。ARIMA是在ARMA的基础上提出来的，ARMA的数学

9、表达式是Xt=-pjjtjXa1+=-qkktkeb0(1-7)其中，Xt表示时间序列，例如风速序列：=-pjjtjXa1表示自回归项AR，aj为常数，Xt-j为t-j时刻的观测值，=-pjjtjXa1即为过去观测值的线性组合；bk为常数，et为白噪声序列，=-qkktkeb0表示白噪声序列的滑动平均项MA。该方程表明，AR模型描绘的是系统对过去本身状态的记忆，MA模型描绘的是系统对过去时刻进入系统的噪声随机扰动项的记忆，而ARMA模型则是系统对过去本身状态以及进入系统的噪声的记忆。一个时间序列在某时刻的值能够用p个历史观测值的线性组合加上一个白噪声序列的q项滑动平均来表示，则该时间序列即为ARMAp，q经过17-18。其中需要对时间序列的参数进行了解，大致根据9个流程：a从文件读取数据，定义读取参数data；b显示数据的整体函数曲线；c抽取数据的趋势项；d显示整体自相关函数曲线；e显示整体偏相关函数曲线；f由de判定模型的类型AR，MA，ARMA，多项式，选择适宜的模型及参数，以ARMA模型为例其他方法类似，继续；g计算分段数据的ARMA模型参数；h显示分段数据的ARMA模型拟合曲线；i计算预测的残差值e，若e阀值，则结束；否则跳至g；其中还需要预留的参数有：a数据的长度；b数据分段的长度L；