智能电网风电功率预测研究.docVIP

智能电网风电功率预测研究摘要：智能电网建设是未来国内外电力系统投资和建设的主要目标，智能电网需要大量的可再生资源新电源，风能是最有发展前景的新能源技术之一，高精度的风电功率预测能够提高电力系统的经济效能。针对风电功率预测的不同模型，详细介绍了风电功率预测的分类及预测方法，分析了风电功率预测中存在的问题，对于未来风电功率预测系统的建设有很好的指向性作用。 关键词：智能电网 风电功率预测 预测方法 中图分类号：TM315 文献标识码：A 文章编号：1007-9416（2012）09-0206-01 1、引言 智能电网在电源、电力负荷和信息流的传输方面均有区别于传统电网之处。由于传统用来发电的化石燃料储量的有限性以及传统燃料利用过程中对环境的严重危害性，智能电网需要大量的可再生能源作为新的电源。 风能因其清洁和取之不竭的特点已经被广泛应用于发电产业，随着风电的大规模发展，风电的波动性及间歇性也给风电的大规模利用带来了挑战。在实际应用中，电网必须预留大量的备用出力容量来平衡风电波动的影响，所以，必须通过风电功率预测技术逐步提高预测精度、减小风电接入对系统备用容量的需求，从而增加电网消纳风电的能力，提高系统整体运行的经济效能[1]。 2、风电功率预测方法 2.1 风电功率预测分类 2.1.1 按预测的时间尺度分类 风速波动在时间尺度上对风电有不同影响，风电功率预测按不同的时间尺度可以分为长期预测、中期预测、短期预测和超短期预测[2]。 长期预测以“年”为预测单位，主要用于预测风电场建成之后的年发电量，该方法是根据气象站过去几十年的长期观测资料和风电场测风塔保存的至少一年的测风数据，经过统计分析，再结合规划装设的风力发电机组的功率曲线，来测算风电场每年的发电量。 中期预测以“天”、“周”或“月”为预测单位，主要是基于数值气象预报进行预测，用于风场安排检修、风机大修或调试。 短期预测以“小时”为预测单位，一般为提前1-48小时对每小时的功率进行预测，该方法可基于数值气象报模型，也可以是基于历史数据的方法。用于电网的合理调度、保证供电质量等。 超短期预测以“分钟”为预测单位。超短期时间范围涵盖标准不一，一般采用30分钟时间跨度作为超短期预测范围，主要用于风力发电控制、电能质量评估及风电机组机械部件的设计等，一般采用持续法。 2.1.2 按预测对象范围分类 按预测对象范围的不同，可以分为：（1）对单台风机的功率出力预测，主要用于研究风机出力特性；（2）对小范围内的独立风场整体出力预测，主要用于省级电网调度和市场；（3）对较大区域内多座风场的出力预测，主要针对网级调度和跨区域调度。根据气象条件不同，还可以分为陆地风场风电功率预测及海上风场风电功率预测，海上风场的变化非常复杂，预测难度也更大。 2.2 风电功率预测方法 不同的风电功率预测模型对应的预测方法也不同，针对不同时间尺度进行风电预测采用的方法也不尽相同。风电功率预测的主要方法可分为物理方法和统计方法两大类[3]。 2.2.1 物理方法 物理方法主要通过物理方程对风电场所在位置的地理信息和风机信息进行建模。应用物理方法进行风电预测的前提是数值天气预报系统（NWP）。NWP根据大气实际情况，在一定的初值和边界条件下，通过数值计算，求解描述天气变化过程中的流体力学和热力学方程组，预测未来一段时间的大气运动状态和天气现象。风电功率预测对预报的局部性要求很强，对预报的时空分辨率要求也较高，一般要求数值模式的水平分辨率为1km，并根据风电场风机位置进行进一步细化，对时间分辨率要求一般为1小时或更低，时间长度为提前48-72小时。利用NWP系统得到气象数据作为输入，综合物理信息，得到风机的风速风向等气象信息，最后再利用风机的功率曲线拟合得到预测的风电输出功率。 2.2.2 统计方法 统计方法是在预测系统的输入（NWP、历史/实测数据）和风电功率之间建立一种映射关系。用函数表达式计算风电功率作为预测值，典型的方法有时间序列法、指数平滑法、回归分析法、卡尔曼滤波法、灰色预测法、持续法以及人工智能学习方法。时间序列法通过大量的历史数据建模，推导出一个能够描述所研究时间序列的数学模型，进而进行预测；持续法方法简单不需建模但精度较差，主要作为各种方法的对比模型。 人工智能方法通过对大量影响风电功率的输入数据（风速、风向、温度、湿度、气压、等）和输出（风电功率）进行训练和学习，得到输入和输出的非线性模型，利用该模型对已知数据进行未来风电功率的预测。该类方法有神经网络法，支持向量机、小波分析法等，其中，神经网络因其在非线性处理中的优良特性得到了较为广泛的应用，预测效果也较好。 3、预测方法分析及展望 采用统计学方法进行风电