风电场短期功率混合预测.pdfVIP

风电场短期功率混合预测 杨晓峰，彭怀午 内蒙古电力勘测设计院，内蒙古呼和浩特010020 【摘要】本文对内蒙古某风电场短期输出功率进行了混合预测研究，给出了较详细的实现过程， 并比较了单一ANN预测方法和基于物理方法与统计方法的混合预测方法的预测精度。计算结果 表明，单一ANN预测方法能快速给出预测结果，但是预测精度较低，均方根误差为10．67％；而 混合预测方法步骤较多且较费时，但是预测精度较高，均方根误差为2．01％，不到单一ANN法 的1／5。同时，针对预测过程中小于5m／s的小风速段和大于15a／s的大风速段所呈现的预测 误差较小的原因进行了深入分析。 【关键词】短期功率预测人工神经网络混合预测 引言 由于风的波动性和间歇性，风电的典型特征就是不可控，大容量风电场的接入会对 电网运行产生较大的冲击甚至危害…。国外已经开发出较成熟的风功率预测和管理系统， 德国ISET开发的WPMS系统口1，以及美国AWSTurewind公司开发的ewind系统H3等。但是， 国内对风电功率预测的研究还相对较少，并且还不成熟。目前，主要集中在风电场风速 短期预测研究晦11，真正意义上的发电功率研究更少旧叫¨。其中范等人n0’¨3采用数值气象 预报数据基于人工神经网络方法进行了风电功率短期预测，取得了比较满意的结果。国 内风电功率预测的研究主要受限于两方面：(1)数值气象预报系统在一些风电发达地区 没有建立起来，并且已有的系统对风速、风向等气象因素在时间分辨率和空间分辨率上 精度不高；(2)有些风电场数据采集与监视控制系统(SCADA)还不够健全，无法实时 提供每10分钟或每1小时的出力数据，需要时间进行相应的统计分析。 风电机组出力预测的前提是风速、风向等气象因素，由于内蒙古地区暂时还没有成 熟的数值气象预报系统，本文只能采用内蒙古某风电场实际采集的风速、风向和温度数 据暂时替代数值气象预报数据。根据风电场历史实际出力数据，采用人工神经网络进行 学习，并对风电场的发电功率进行预测研究。 1．风电功率预测的基本方法 风电功率预测方法一般分为物理方法和统计方法。物理方法的优点是不需要历史运行 数据，风电场投产就可以进行预测，缺点是需要风电场详细的地形图、风电机组布置坐 预测系统。21。统计方法的优点是程序简明，一般采用人工智能方法进行预测，对风电场 具体布置资料没有要求，缺点是要求风电场历史运行数据(SCADA数据)，并且为保证预 报精度至少要求有4个月左右风电场运行数据进行学习，典型系统是德国ISET开发的 WPMS系统㈨。 风电机组的输出功率受风速的影响最大，因此风速是必须的输入变量；同时风向将 影响风电机组尾流的大小，进而影响整个风电场的出力，因此风向也是重要的输入变量。 风电机组的功率曲线还受空气密度的影响，不同的月份风电机组的功率曲线不同。而空 气密度将受温度、气压、湿度等气象因素的影响。 本文中只采集到风速、风向和温度三个关键因素，并且只有2009年3月至2009年 5月共3个月的数据。单台风电机组额定功率为1250KW，共统计到40台风电机组的发 月份的lOmin平均输出功率。 为了提高人工神经网络的学习精度和效率，需要首先对原始数据进行预处理，并剔 出错误数据(主要包括风电机组测风仪器故障数据、风电机组正常或非正常停机数据、 通信故障数据等)。其次，因为神经元存在饱和问题，需要对输入数据进行归一化处理： (1)风速归一化，采用历史最大风速对输入风速数据进行归一化处理； (2)风向归一化，因为风向为O至360度的数据，通过分别取正弦值和余弦值， 换算到[-1，13区间； (3)温度归一化，采用历史最高温度和最低温度绝对值的最大值，对输入温度数 据进行归一化。 2．预测方法 为了定量地判断最佳输入模型，本文采用国际上通用的两种预测误差指标来进行模 型间的相互评价和比较：一种是平均绝对误差(MAE)，一种是正规化均方根误差(NRMSE)。 其中平均绝对误差(MAE)定义为旧1： 1盟． ． MAE=音∑l己。。。一厶。。一 (1) 正规化均方根误差(NRMSE)定义为： 斤—丁1厂—■：F—一 NRMSE