智能电网风电功率预测分析.PDFVIP

智能电网风电功率预测分析 邱革非 白春涛 杨晓龙 李 超 杨 娜 昆明理工大学，电力工程学院 云南 昆明 650500 摘要：风电预测有着独特的随机性、波动性和突变性。借鉴已有的各类预测方法模型，需要 着重改进和创新模型来更好地适应风电预测的特殊性。当然相比于常规的火电类负荷预测， 风电预测还处于起步发展阶段，预测精度还不够。需要强化预测结果的风险意识，关注对于 预测结果的不确定性分析和风险分析；加大区域风电负荷预测模型研究力度，提高预测精度， 服务电网安全调度。 关键词：智能电网；风电功率；预测 中图分类号：TM7 文献标识码：A 引言： 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。 一、风电功率预测方法 1.单一预测方法 目前风电预测模型种类繁多，根据不一样的分类标准，可以归结成如图1 所 图1 风电预测方法分类 （1）物理方法 物理方法主要是指基于数字天气预报 （NWP）的风电功率预测，根据气象预测值 （包括 风向､风速､大气压､空气密度等）和风机周围的物理信息 （包括地形､等高线､地表特征情况 等）计算风电机组轮毂高度的风速风向信息的最优估计值，进而代入模型给出风电功率预测 ｡该方法是较为成熟准确的风电中长期预测方法，国内外风电场预测系统多基于物理方法， 同时在具体预测过程中，结合相应的样本分析和学习方法来优化NWP 数据，提高预测的准确 性｡由于物理方法不需要大量历史数据积累，目前主要运用于新建风电场，但计算过程比较 复杂，需要大型计算机进行辅助，因此对于大范围实际应用具有一定的局限性｡ （2）统计方法 统计方法不考虑风速变化的物理过程，而是根据历史统计数据找出天气状况与风电场发 电功率间的关系，然后根据实测数据和数值天气预测数据对风电场未来的发电功率进行预测 ｡常见的统计方法有时间序列法､卡尔曼滤波法､自回归滑动平均法､空间相关法､灰色预测法 ､自回归条件异方差法等，其中以时间序列法为最具典型代表性｡该类方法需要一定量的历史 数据，对初始数据的质量要求比较高｡经过经验模式分解､局域波分解后可得到平稳数据列， 此类情况预测比较准确，而对于阵风､突变风等非平稳情况的预测精度较差｡同时随着时间增 加，预测精度会下降｡该方法适用于超短期､短期预测，目前主要还通过卡尔曼滤波法和时间 序列相结合､滚动时间序列法以及混沌理论等不断改进和提高模型的精确性和适用性｡ （3）学习方法 学习方法主要是指人工智能算法，能够更加准确地拟合非线性关系，提高预测精度，这 是改善风电预测的研究热点之一｡目前已经用于风电功率预测的学习方法有：RBF 神经网络､ 递归多感知神经网络､BP 神经网络､遗传算法､自适应模糊神经网络､粒子群优化算法､支持 向量机､小波分析法等｡其中尤以神经网络及其改进方法取得了较好的预测效果，但学习方法 需要大量原始数据，训练速度较慢，存在过学习､维数灾难､局部极值和泛化能力较差等问题 ｡目前学习方法被不断整合入预测软件的开发，有利于提升对阵风､非平稳风等突变类型的预 测研究｡ 2.组合预测方法 （1）不同预测模型融合组合 目前纯粹单一的模型很难取得良好的预测效果，而结合多种模型优势的融合方法更易提 高预测的精确度｡利用卡尔曼滤波法对数据进行预处理，再采用NWP 法进行风电预测；将BP 神经网络的局部寻优与遗传宏观搜索相融合｡当然还包括粒子群优化的神经网络法､小波改 进的神经网络法､EMD 与支持向量机相结合法､混沌时间序列分析等，都在特定情况下表现出 良好的预测能力｡这类模型结构复杂､成本较高，需要针对不同情况进行不一样的融合处理｡ （2）不同预测模型加权组合 此处组合预测法是将不同的预测方法以权重形式组合起来，由Bates 和Granger 在1969 年首次提出｡利用BP 神经网络､径向基神经网络､支持向量机进行风电功率加权组合预测；将 ARIMA 时间序列和RBF 神经网络用非负的可变加权系数法进行组合预测；通过时变权系数来 滚动计算权值，更能提高预测精度｡