短期风电功率预测模型的研究综述.docVIP

短期风电功率预测模型的研究综述 　　【摘要】短期风电功率预测对于电力系统调度运行和电能质量具有重要的意义。而预测性能提高的关键在于预测模型选择和模型优化。本文对目前国内外几种主流风电场功率预测模型（物理预测模型、统计预测模型和组合预测模型）的建模原理和研究现状进行了综述性分析，对每种模型的优缺点和适用性进行了一些总结。并对风电功率预测模型的误差分析和预测的不确定性研究做了探讨，最后对短期风电功率预测领域的研究前景提出了一些可行性的展望。 　　【关键词】风电场；功率预测；物理；统计；组合；综述 　　1.引言 　　随着风力发电机组单机容量的提高和自动化技术的发展，风力发电系统也从原来的用户分布式能源向集中式大规模风电场发展。根据规划，我国将在内蒙、甘肃、河北、吉林、新疆、江苏沿海等地区建设7个千万千瓦级风电基地。预计2010-2020年，七大风电基地的开发规模将占全国风电开发总规模的68%至78%。这将使得风电在电网中比例不断增大，大量并网的风电对电力系统的调度运行和安全稳定带来了严峻挑战。有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本、减轻风力发电对电网造成的不利影响、提高风电在电力系统中的比例[1]。 　　而风电功率预测的关键在于预测模型的合理选择和模型性能优化，本文对风电场功率预测模型的建模原理和模型适用情况做了一些综述性的分析。在此基础上对风电功率预测模型的误差分析和预测的不确定性研究做了一些探讨，最后对目前研究中面临的问题和未来的研究方向做了一些可行性展望。 　　2.国内外研究现状 　　国外（主要是欧洲）经过数十年的技术积累，目前已经拥有了多套较为成熟的风电功率预测模型和预测工具[2]，如基于物理学方法的Prediktor、LocalPred-RegioPred等，基于统计学方法的WPPS、GH-FORECASTER等。基于物理-统计学方法组合的Previento、ANEMOS等。这些预测系统已经成为欧美很多大型并网风电场系统管理和控制的基本组成部分。虽然如此，由于风能的间歇性和不确定性，国外相关科研工作者仍在不断探索。 　　我国对风电场功率预测的研究显得尤为紧迫。虽然国外已有一些相对成熟的预测模型，但是由于我国的风电场与欧洲风电发达国家的风电场风况、容量等情况不同。而风电场功率预测模型的优势往往与风况和容量等因素密切相关。虽然国内已有一些预测效果较好的风电场功率预测系统[3]问世，但是总体上来说，目前我国在风电功率预测领域尚处于探索和发展阶段。 　　3.风电场功率预测模型 　　目前从大的研究方向上来说，风电场功率预测模型可以分为三类：1）物理预测模型；2）统计预测模型；3）组合预测模型。 　　3.1 物理预测模型[4.5] 　　物理预测模型是基于数值天气预报（NWP）的预测模型。数值天气预报是指根据大气实际情况，在一定的初值和边界条件下，预测未来一定时段的大气运动状态和天气现象的方法。 　　物理预测模型的一般建模步骤如图1所示：首先利用数值天气预报（NWP）系统得到风电场的风速、风向、气温、气压等天气信息，然后根据风电场的物理和地理信息，在充分考虑风电机组群集聚效应（塔影效应、尾流效应等）的基础上，得到每个风力发电机组轮毂高度处的天气信息（风速、风向、气温、气压等），再使用单个风机的功率曲线计算计算出风电机组的输出功率，进而累加得到整个风电场的输出功率。物理预测模型的关键是准确地得到风电机组在轮毂高度处的天气信息。 　　物理模型的优点是不需要大量的历史数据，只需要从实时的数据出发进行预测，是新建风电场的首选预测模型。然而，这也带来了许多新的问题，如如何实现数据的高精度采集和实时快速传输等，这些都对数据采集装置和数据传输网络提出了很高的要求。并且物理预测模型的建模过程比较复杂，在一定程度上降低了预测精度。 　　3.2 统计预测模型 　　统计预测模型的实质是在输入（历史数据、天气预报信息等）和输出（风电场功率）之间建立一种映射模型。然后应用这个模型进行预测。目前的统计预测模型主要有：自回归（ARMA）模型[6]、时间序列（Time Serises）模型[7]、灰色模型（Grey Model）[8]、数据挖掘（Data Mining）模型[9]、人工神经网络（ANN）模型[10]和支持向量机（SVM）模型[11，]，最小二乘支持向量机（LSSVM）模型[12]等。 　　统计预测模型的一般建模步骤如下： 　　1）建立历史数据学习映射模型。选取合适的输入输出建立相关映射预测模型。 　　2）进行检验。对第一步建立的映射进行检验。检验结果（误差大小）满意模型用于预测，不满意则进行再学习。 　　3）进行预测。把检验结果满意的映射用于对风电场功率的预测研究。 　　相对于物理预测模型来说，统计预测模型建模相对简单，提高了