第4章 新能源资源监测与发电预测20180208.docx

新能源发电预测 新能源发电预测用于提高新能源电场/站的出力可预见性，为发电计划制订与电网调度提供决策支持，缓解电力系统调峰、调频压力，使得电网能够在安全稳定运行的前提下，增强新能源发电的竞争力，提高新能源发电的消纳水平。同时，新能源发电预测在电站发电量评估、检修计划制订以及智能运维等方面都将发挥重要作用。 根据预测的时间尺度，新能源发电预测可分为超短期和短期，超短期预测的时效为未来15分钟至4小时，短期预测的时效为未来0至72小时。随着预测技术发展和应用场景的丰富，新能源发电预测有了新的需求，延伸出中长期电量预测、爬坡预测等。 超短期功率预测 常用的预测方法有卡尔曼滤波法、自回归滑动平均法（ARMA）、指数平滑法、人工神经网络、支持向量机、模糊逻辑法等，其中卡尔曼滤波法是利用有限时间内的观测数据进行预测建模，这种方法适用于噪声信号服从高斯分布的情况；ARMA方法可以利用风电场单一风速或功率的时间序列建立预测模型；指数平滑法建立的模型较简单，需要存贮的数据少，预测结果依赖于平滑初值和平滑系数；人工神经网络方法应用最为广泛，具有较强的容错性以及自组织和自适应能力，对非线性问题的求解十分有效，但存在训练速度慢，容易陷入局部极小等缺点。支持向量机具有全局收敛性，样本维数不敏感，不依赖于经验信息等优点，但最佳核变换函数及其相应的参数确定较为复杂。单纯的模糊逻辑法用于风电功率预测，效果往往不佳，通常要与其他方法配合使用，如遗传算法、人工神经网络等。 在超短期预测技术的实用化方面，德国太阳能技术研究所(ISET，Institute for Solar Energy Supply Technology)开发的WPMS (Wind Power Management System)中包括了基于人工神经网络(ANN)的超短期预测模型，丹麦科技大学开发的WPPT (Wind Power Prediction Tool)使用自回归(AR)预测模型实现风速和功率的预测建模。 目前，国内外的风电场超短期功率预测主要是基于历史数据来预测风电场功率，也就是在若干个历史数据( 包括功率、风速、风向等参数)和风电场的功率输出之间建立一种映射关系，主要包括: 持续法、线性法、人工神经网络法等。 （1）持续法 这是最简单的预测方法，是把最近一点的风速或功率观测值作为下一点的预测值，该法适用于3 ～ 6 h 以下的预测． 该法通常采用时间序列模型，其预测误差较大且预测结果不稳定。其改进后的方法为卡尔曼滤波法，这一预测法具有可以动态修改预测权值的优点，且预测精度较高，但是建立卡尔曼状态方程和测量方程较为困难，此算法只适用于在线风力发电功率预测。 采用时间序列法可以对风速进行时间序列分析，然后将其转换成风电场输出功率，也可直接对风电场的输出功率进行时间序列分析。 输入数据通常包含风速、风向、气温、气压等SCADA实时数据。 （2）线性法 在线性预测法中，应用较为广泛的是ARMA法。ARMA 法优于持续法，通常采用一组不同阶数的ARMA 的模型组合，对提前1 ～ 6 h 的风速及风电场功率进行研究。该法利用大量的历史数据来建模，经过模型识别、参数估计、模型检验来确定一个能够描述所研究时间序列的数学模型，再由该模型推导出预测模型。该法计算精度较高，其中训练数据和验证数据的选取很重要。 根据Box-Jenkins 方法，可将随机时间序列的模型分为4 类: 自回归模型( AR)；滑动平均模型( MA)；自回归-滑动平均模型( ARMA)；累积式自回归-滑动平均模型( ARIMA)。对于AR 模型当前时刻的观测值由过去几个历史时刻的观测值和一个当前时刻的随机干扰来表示；对于MA 模型，当前时刻的观测值由称作随机干扰的白噪音序列的线性组合来表示；将AR 模型与MA 模型结合起来，就可以得到ARMA 模型。 （3）人工神经网络法 人工神经网络是模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成的，对复杂问题的求解比较有效，已有人将其用于风电场风速和发电功率预测。目前广泛应用于风电场风速及功率预测的神经网络为多层前馈神经网络，即BP 神经网络，它包括一个输入层、一个或多个隐层和一个输出层，层间的神经元进行单向连接，层内的神经元则相互独立。隐层神经元的映射函数常采用S 型函数，输出层采用线性函数。网络的学习训练过程就是权值的调整过程，由信号的正向传播与误差的反向传播两个步骤来实现。经过良好训练的网络，对于不是训练集中的输入也能给出合适的输出，具有泛化能力，这种能力为预测提供了可能性。神经网络法的优点在于能并行计算、有自适应性，可充分逼近复杂的非线性关系。 短期功率预测 由于国外的风力发电开发较早以及其电力市场较为成熟，风功率预测相关软件亦得到广泛的应用。20世纪80年代