基于气象因子修正的风电场短期风速预测.docVIP

PAGE PAGE 1 基于气象因子修正的风电场短期风速预测 　　摘要：为了提高风电场短期风速预测的精度，提出了基于当地气象因子和支持向量机（MF-SVM）的模型。以风场所在地的气象台所测物理因子为输入，用BP神经网络预测出未来3天的平均风速，作为风场短期风速预测的修正参考值；基于风场单台风机的历史风速，用支持向量机（SVM）方法预测出未来4小时风速值，并加以修正，实例证明模型具有较强的预测能力。此外，对模型所产生的误差来源也进行了分析。 　　Abstract：Toimprovetheaccuracyinpredictingshort-termwindspeed，amodelbasedonmeteorologicalfactorsandsupportvectormachine（MF-SVM）isproposed.Settingthemeteorologicalfactorsoflocalobservatoryastheinput，thewindspeedpredictionin3dayswouldbepredictedthroughusingthemethodofBPneuralnetwork，andtheresultshouldbetreatedasthereferencevalueofthewindspeedpredictioninfarm.Basedonthehistorywindspeedofsingleturbine，thewindspeedinfuture4hoursispredictedbythemethodofSVMandtheamendingthevaluewiththereference.Thestrongcapabilityofthemethodproposedhasbeenverifiedwithexperiments.Moreover，theerrorsourcewhichiscausedbythemodelhasalsobeenanalyzed. 　　关键词：风速预测；气象因子；MF-SVM；误差分析 　　Keywords：windspeedprediction；meteorologicalfactors；MF-SVM；erroranalysis 　　中图分类号：TK8文献标识码：A文章编号：1006-4311（2013）09-0056-03 　　0引言 　　风力发电是风能的主要利用形式。作为清洁、无污染的可再生资源，在世界范围内，风电占电网的比例日益增长，然而，由于风能的波动性使得预测困难，在并网的风电容量达到或超过极限穿透功率时，电网的稳定性与安全性严重受到威胁。为了解决这一问题，必须要对风电功率进行准确的预测。 　　风力发电主要是由风机吸收风能并将其转化成电能，因此，对风电功率的预测终究还是对风速的预测。目前，国内外学者进行了大量的研究，且大都集中于风速短期预测的研究，预测误差范围为25%～40%[1]，其预测很大程度上都基于新算法的应用或更新，而没有从物理因素上进行根本的改进及修正。本文通过对实际风场的考察，采集相关数据，与风场所在地的气象台信息结合，并加以修正，提出了基于气象因子（MeteorologicalFactors）和支持向量机（SupportVectorMachine）的风电场短期风速预测模型（MF-SVM），实例证明，该模型可以提高风速的预测能力。 　　1气象因子修正的短期风速预测模型原理 　　风速的大小由m/s或km/h来描述，即每秒的传输距离或每小时的传输距离，因此，对于一定点的风速，在经过一定时间段后，其所处的位置是可以求得的。但是，在实际情况下风能从一定点传递到另外一点时，风速的大小并不会保持不变，而是存在不同程度的损耗。这是因为在风能的传播过程中，周围障碍物会吸收部分风能，使得能量在传递过程中存在衰减，而并不能保证100%的传递，因此，在解决实际问题时，必须要对能量损失的部分进行补偿及修正。 　　对于短期风速预测，为了减小数据的存储容量，降低数据运算的复杂度，风速的时间采集均是以min为单位进行存储的（通常为存储时间为5min或10min），而在风场规划阶段，为使风机能够最大的吸收风能，同时又不浪费空间地理资源，每相邻两台风机之间的距离通常为500m-700m。风速的传输速度一般不会超过60m/s，因此，从传递时间来考虑，由于传输时间间隔较大，同时风机之间的距离较小，在现有的条件下，此处选取当地的日气象信息为参考，预测出未来的日风速，继而在气象信息测点与风场风速测点之间建立相应的传输关系模型，进行短期风速的修正预测，模型框图如图1所示。 　　预测步骤如下： 　　①采集风场所在地的历史气象数据，为日风速预测提供资料来源，由于日气象数据测点时间间隔较大，且在此处的