风电功率预测系统功能规范 （试行） 国家电网公司调度通信中心
目次 前言...................................................................... III 1范围. (1) 2术语和定义 (1) 3数据准备 (2) 4数据采集与处理 (3) 5风电功率预测 (5) 6统计分析 (6) 7界面要求 (7) 8安全防护要求 (8) 9系统输出接口 (8) 10性能要求 (9) 附录A 误差计算方法 (10)
前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。 本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。 本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 本规范由国家电网公司国家电力调度通信中心提出并负责解释； 本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。 本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。
风电功率预测系统功能规范 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1 风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2 数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3 风电功率预测 Wind Power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4 短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5 超短期风电功率预测 ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。
浅谈风电功率预测系统的必要性 随着我国风电、光伏发电等新能源的发展，并网难的问题也逐渐显现。但由于电能的储存难题一直没能有效解决，新能源并网问题仍处于探索状态。由于新能源发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好新能源发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。 应对以上问题，国能日新研发了SPWF-3000风电功率预测系统。该系统具有高精度数值天气预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。风电功率预测系统短期预测精度超过80%，超短期预测精度超过90%。使风电场可以向电网公司提供准确的天发电功率，电网调度可以有效利用风电资源，提高风电发电上网小时数。并且由于对未来一段时间的发电功率有所了解，电网调度也可以合理的安排个风电场的发电情况，防止由于天气变化引起电场出力的突然增大或减小对电网造成的损失。 在欧洲发达国家，电网公司会优先购买预测准确的风电场电力，限制预测不准的风电场电量或采取处罚措施。而在我国，由于风电发展迅速，历史数据少，风电场地形复杂，气候类型多样。国外已有统计预测方法无法全面满足国内风电预测的要求。而国能日新风功率预测产品采用多元化智能自适应数据建模。建立优化的物理模型与人工智能模型相结合的功率预测双模型。短期预测精度超过80%，超短期预测精度超过90%。风电场可以根据预测结果以及调度的指令，合理的安排风电场运行，增加发电量。 因此，风电功率预测无论对风电场还是电网来说都是很有必要的。在为风电场增加发电量的同时，还减小了对电网的冲击。而功率预测最重要的就是精确度，高精度的功率预测可以起到很大的正面作用，而如果预测精度不够也会造成很多不必要的损失。国能日新风电功率预测系统以高精度的测量目标要求自己，为用户提供高精确度的预测结果。
风电功率预测系统简介
目录 1目的和意义 (3) 2国内外技术现状 (3) 2.1国外现状 (3) 2.2国内现状 (4) 3风电功率预测系统技术特点 (5) 3.1气象信息实时监测系统 (5) 3.2超短期风电功率预测 (5) 3.3短期风电功率预测 (6) 3.4风电功率预测系统软件平台 (8)
1目的和意义 风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响,以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。 对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划，从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次，从发电企业(风电场)的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。 2国内外技术现状 2.1 国外现状 在风电功率预测技术研究方面，经过近20年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。 德国太阳能技术研究所开发的风电管理系统（WPMS）是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris?国家可再生能源实验室与丹麦技术大学联合开发了风电功率预测系统Zephyr，
—————————————————— —基金项目：福建省教育厅科技项目（JA08024）；福建省自然科学基金计划资助项目（2008J0018）。 第27卷第1期2011年1月 电网与清洁能源 Power System and Clean Energy Vol.27No.1 Jan.2011文章编号：1674-3814（2011）01-0060-07 中图分类号：TM614 文献标志码：A 风电场风速及风电功率预测方法研究综述 洪翠，林维明，温步瀛 （福州大学电气工程与自动化学院，福建福州350108） Overview on Prediction Methods of Wind Speed and Wind Power HONG Cui,LIN Wei-ming,WEN Bu-ying （College of Electrical Engineering and Automation ，Fuzhou University ，Fuzhou 350108，Fujian Province,China ） ABSTRACT ：Due to the intermittency of wind energy and the non -linearity of power system,there exist many uncertain variables which should be considered in the wind power prediction.The current prediction methods include the physical method, statistical method, learning method and the comprehensive one combining all the other methods.Based on accurate numerical weather prediction （NWP ）,the physical method is seldom used in the short term prediction,as its model is complicated and deals with large quantities of calculations.The model of the statistical method is simple and requires a small amount of data.It can be applied in those situations where data acquisition is difficult.The AI method is suitable in the random or non —linear system as it does not rely on the accurate mode of the objective.The comprehensive method maximizes favorable factors and minimizes unfavorable ones as contained in above-mentioned methods.This paper presents a brief overview on prediction methods of wind speed and wind power,and raises further issues worth further research on the basis of summarizing the previous studies.KEY WORDS:wind power prediction;statistical methods; learning methods;combinatorial prediction 摘要：由于风能的随机性以及电力系统的非线性等原因，预测风电功率时需要考虑众多的不确定因素影响。 现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报（NWP-numerical weather prediction ） 的物理预测方法模型复杂、计算量大，较少用于短期预测；统计预测方法模型简单，数据需求量少， 较适合于数据获取有一定困难的情况；人工智能预测方法不依赖于对象的精确模型，适合于随机非线性系统；综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述，并在总结前人研究的基础上提出了一些可进一步研究的问题。 关键词：风电预测；统计方法；学习方法；综合预测 随着全球石化资源储量的日渐匮乏以及低碳、 环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。2007年初欧盟曾提出，2020年其可再生能源消费将占到全部能源消费的20%，可再生能源发电量将占到全部发电量的30%[1]。风力发电是风能的主要利用方式之一。2009年，全球风电装机总量已达157.9GW ，较上年增加了37.5GW [2]。中国风能资源仅次于美国和俄罗斯，可利用风能资源共计约10亿kW 。近些年来风电在中国获得了飞速发展，2000年至2009年十年时间，中国风电装机容量从0.34GW 增至25.8GW [3]；2020年，预计全国风电总装机容量将达到30GW [1]。除部分采用离网运行方式外[4]，大容量风电机组多数采用并入电网的运行方式。随着规模越来越 大、数量越来越多的风力发电功率注入电网， 风能具有的随机性对电力系统的影响越来越不可忽视。 1风电预测的意义 准确有效地预测出风电场的输出功率不但可 帮助电力系统调度运行人员做出最有效决策， 还
短期风电功率预测误差综合评价方法 徐 曼，乔 颖，鲁宗相 （电力系统国家重点实验室，清华大学电机系，北京市１０００８４ ）摘要：对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提。当前风电功率预测误差评价主要采用均值类指标，无法全面、准确反映预测系统的运行情况。文中总结了风电功率预测误差的主要存在形式，提出了一套包含纵向误差、横向误差、相关因子与极端误差等在内的综合评价方法。基于内蒙古某风电场实际数据，采用该方法对不同预测方法、预测系统的不同误差环节进行了较为全面的评价，验证了评价指标的指导价值。关键词：短期风电功率预测；误差评价；误差指标；数值天气预报 收稿日期：２０１１－０１－０８；修回日期：２０１１－０３－２５。国家自然科学基金资助项目（５１０７７０７８ ）。０ 引言 有效利用短期风电功率预测技术可以减轻风能 波动对电力系统调度的不利影响， 是实现风电常规化、规模化并网的关键。对短期风电功率预测误差进行综合评价是风电功率预测理论研究的一项重要 内容。根据评价指标，可以从各方面了解预测系统的运行情况，深入挖掘有价值的信息，对不同预测方 法、 预测系统进行对比评价，从而提高预测精度和算法效率，更好地利用预测结果服务生产实际。目前各类短期风电功率预测方法，如时间序列 法［１］、神经网络法［２］、小波分析法［３］等，所使用的误差评价指标多直接采用常规统计学指标，结合预测 曲线的图像对比，便构成了预测结果的分析评价依据。已有研究中常用的误差评价指标主要有绝对误差均值（ｍｅａｎ ｅｒｒｏｒ，ＭＥ）、绝对值平均误差（ｍｅａｎａｂｓｏｌｕｔｅ ｅｒｒｏｒ，ＭＡＥ）、均方根误差（ｒｏｏｔ ｍｅａｎｓｑ ｕａｒｅｄ ｅｒｒｏｒ，ＲＭＳＥ）、平均相对误差（ｍｅａｎｒｅｌａｔｉｖｅ ｅｒｒｏｒ，ＭＲＥ）、误差频率分布指标等，其中ＲＭＳＥ，ＭＡＥ，ＭＲＥ是现行企业标准［４］ 和推荐的行 业标准［５］，也为多数文献采用［３，６－ ７］。文献［８－ ９］兼用多个上述指标来对比预测结果，每种指标数值排序 相同，得出的最优方案结论也一致。文献［１０］除了采用指标ＭＡＥ和ＲＭＳＥ外，还利用误差频率分布指标给出了误差小于２０％装机容量的概率。ＡＮＥＭＯＳ预测系统的一项分析报告肯定了制定预 测误差综合评价方法的重要性［１１］ ，但所给指标也是预测领域的通用指标，没有体现风电功率预测自身 特点。总的来讲，目前全面评价风电功率预测误差 的研究还很少，缺乏长期大量的数据分析，难以用来 研究风电功率预测系统的误差产生机理。 在欧美商业化风电功率预测应用中，电网使用 综合预测或多个预测产品已经成为一种趋势［１２－ １３］。上述指标虽然统计方法有所不同，但都是对预测结 果偏差的平均化， 指标所隐含的信息是类似且单一的，指标相近的风电功率预测模型之间个体差异可 能很大，对工程应用或者算法改进的指导意义也较小。此外，与负荷预测相比，风电功率预测结果波动性更强、误差带更宽，与实际结果具有时间相关性，很多在负荷预测中广泛应用的指标并不能充分体现风电功率预测的特性。 本文的目的在于结合风速波动性特点及相应的 输出风电功率变化特点， 提出一套针对短期风电功率预测系统的误差综合评价指标。该指标由横向误 差、纵向误差与极端误差３类评价指标构成，可以对预测误差的平均化水平、分布情况、相关因子和极端案例作出较为全面的评判，有利于预测系统用户和预测算法研究人员合理判别和使用预测结果。为了 贴近实际工程应用， 本文选取内蒙古某风电场２０１０年上半年的实测数据和数值天气预报 （ｎｕｍｅｒｉｃａｌ ｗｅａｔｈｅｒ ｐｒｅｄｉｃｔｉｏｎ，ＮＷＰ）数据进行详细误差分析，并在此基础上给出了若干借助误差评价指标提高预测水平的案例。 １ 预测误差的综合评价体系 １．１ 预测误差的存在形式 风电功率预测的误差可以划分为纵向误差和横向误差［ １４］ ，如图１所示，其中纵向误差主要描述了某一时段的预测结果在竖直方向与实际结果的差 别，往往可以用偏大或偏小概括；而横向误差则主要描述预测结果在水平的时间轴上与实际结果的差 — ０２—第３５卷 第１２期２０１１年６月２５日
关于实时预测风电机组功率的研究 摘要 能源、环境是当今人类生存和发展所要解决的紧迫问题。风力发电由于清洁无污染，施工周期短，投资灵活，占地少，具有较好的经济效益和社会效益， 己受到世界各国政府的高度重视，成为当今世界增长最快的可再生能源，许多国家已把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的一种措施。 电力系统调度部门必要时及时调整调度计划，这样便可有效的减轻风电对整个电网的影响。所以，风速和风力发电功率的准确预测对于负荷管理和系统运行便显得十分重要，而且还可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在电力市场环境下正确制定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。 本文针对风电功率的预测问题进行了一系列的研究建模。对于风电功率的预测建立了三种不同的模型，然后将其进行误差分析，得出误差最小的人工神经网络模型，并对模型进行进一步的探讨，得出更高精度的模型。同时，也将单台风电机的输出功率的预测数据与多台风电机的输出功率预测数据进行比较。得出了相关规律。 对于问题一，我们利用ARIMA模型、灰色模型和人工神经网络模型对风电功率进行了实时预测，并将预测数据与事先准备好的实际数据进行比较，然后分析误差，得出了人工神经网络模型为最优模型的结论。对于ARIMA模型我们主要采用SPSS软件对数据进行预处理，然后建立。而灰色模型主要利用EXCEL软件。至于人工神经网络模型主要利用的MATLAB软件进行模型的建立。最后利用最小二乘法原理，预测数据并将数据进行拟合修正。分析误差，得出结论及相应的预测数据。 对于问题二，我们将但台风电机的预测数据与多台风电机的预测数据进行比较，得出多台风电机输出功率并不是单台风电机的输出功率单纯的叠加，而需要利用加权算法进行运算得出总功率，并进行修正，才能得出精度较高的结果。 对于问题三，我们在问题一的得出人工神经网络模型的精度最高，根据此启示，我们再次利用MATLAB建立了小波神经网络模型，然后对数据进行预测，拟合修正，得出最优解。 关键词：风电功率最小二乘法数据拟合 Matlab 人工神经网络模型 §1 问题的重述
关于短期及超短期风电功率预测的分析 发表时间：2020-03-14T14:01:00.437Z 来源：《福光技术》2019年32期作者：张俊林徐元中[导读] 风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。 湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室湖北省武汉市 430068 摘要：风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。风电功率预测（WPP）根据风速及相关因素的历史数据和当前状态，定性或定量地推测其此后的演化过程。本文就对短期及超短期风电功率预测相关内容展开分析。 关键词：短期；超短期；风电功率；预测 引言 WP 的整体不确定性由其随机性及模糊性构成。有效的 WPP 虽然不会减少 WP 的随机性，但是可以降低其模糊性，从而使 WP 的整体不确定范围降低到WPP 的最大误差区间，减小了WP 对电力系统及电力市场的扰动。 分析影响 WPP 精度的因素第一，气象的历史数据与实时数据的缺失，风电场数据采集、传输与处理设施的缺陷，都会影响WPP 的精度。数据预处理技术包括数据同步、异常数据的识别与处理、缺失数据的替代等。第二，预测策略。例如，直接预测 WP 或通过风速预测；直接预测整个风电场的WP 或根据部分风机的预测值及空间相关性推算；采用逐一累加方式或统计升尺度方式推算区域风电场群功率。一般来说，能反映更多具体数据的预测策略可以得到更高的精度，但需要更多的数据与计算量。第三，数值天气预报（NWP）在大气实际的初值和边值条件下，数值求解天气演变过程的流体力学和热力学模型，根据空间网格中的平均值推算实际风电场地表风速的非均匀分布，并预测其动态变化。由于计及了等高线与等地形信息，以及地表粗糙度等地貌信息，通过微观气象学方法可以得到各风机轮毂高度的风速、风向等信息。然后将风速的推算值转换为风能，其精度与 NWP 的精度、网格大小、刷新周期等密切相关。第四，预测方法。物理计算法、时序外推法、人工智能（AI）法分别从空间、时间与样本分类的观点推算。它们依据的数据源、预测模型、误差特性都有所不同。若能巧妙地互补不同方法的优点，可更好地反映风速的时空演变特性。 分析 WPP 方法的研究现状基于 NWP 的物理模型计算 NWP 将天气的物理过程概括成一组物理定律，并表达成数学方程组。然后在已知的初始值及边界条件下，逐个时间段地往前联立求解描述天气演变过程的热力学和流体力学方程组，预测未来的气象数据，再结合风电场周围的地形地貌，计算风电机组轮毂高度处的风速与风向等，最后通过该机的功率 TC 得到 WPP。其技术要点包括：采用高性能计算机求解偏微分方程组的数值解；采用网格嵌套的方法减少计算量；为目标区域定制预报模型；通过观测数据的同化提高预报质量。基于 NWP 的物理模型预测方法除了能够充分考虑风电场的物理和环境因素以外，其最大的优势在于不需要积累大量的历史数据，因此特别适合新建风电场的 WPP。但由于 NWP 的更新频率较低，难以满足超短期预测的要求，仅适合短期及中长期预测。 基于统计观点的外推模型时序外推法通过归纳风速（或 WP）历史数据的时间序列之间的统计规律，建立WPP 值与最近期WP 时间序列之间的线性或非线性映射。由于历史数据序列反映了流体、热力、地形地貌等因素的影响，故基于统计观点的外推模型可以回避对物理机理掌握不够的困难。但是外推法隐含下述假设：第一，连续性，即影响事物未来轨迹的那些因素及规律，与该时刻之前一段时间基本保持不变；第二，渐进性，即事物以缓慢而渐进的方式演化，短期内不会突变。这些假设不但会使外推法在系统结构或边界条件于预测时效内发生突变时失效，即使在系统缓慢变化期间，其预测误差也会随着预测时效的增加而迅速增加，影响外推法的适用性及强壮性。 时间序列预测法经典的时间序列预测法。时间序列预测法根据目标变量本身随时间变化的趋势外推，较适用于气象信息有限的风电场进行超短期预测。由于无需考虑更多的气象信息，故具有建模简单且计算量少的优点。但输入数据单一的特点也使其难以考虑其他信息的影响，无法按不同的边界条件来修正预测模型，故除了建模时需要大量历史数据外，其强壮性更差，难以应对突变状况；且预测精度也随着预测时效的增加而迅速降低。经典的时间序列预测法，包括持续法、移动平均法和自回归移动平均（ARMA）法。持续法将最近一点的实测值作为下一时刻的预测值，简单并常被用做新算法的比较基准。移动平均法随着时间序列移动一个宽度不变的窗口，将其中各项的动态平均值作为下一时刻的预测值，仅适用于系统平稳或小幅波动时。ARMA 法利用滞后的自身数值和随机误差项来解释当前值，并以此预测未来。对于非平稳的 WP 时间序列，通过差分来消除部分不平稳分量。自回归求和移动平均（ARIMA）模型扩展了 ARMA 模型，将时间序列视为随机过程，并被广泛应用于超短期WPP 和短期WPP。 与其他数学分析法的结合。一些学者引入了其他数学分析法来弥补时间序列预测法的不足。例如，分数—自回归求和移动平均（ARIMA）模型通过降低时间序列高阶模型参数估计的难度来提高模型精度。马尔可夫预测法将时间序列看做一个随机过程，通过系统在不同状态下的初始概率以及状态之间的转移概率建立随机型的时序模型。 AI 预测法 AI 算法借助自然界规律或生物智能的启发，设计求解问题的计算机程序。包括模仿人类思维中模糊性概念的模糊算法，主要用于图像处理及模式识别；模仿生物进化和群体智能的进化算法，主要用于决策支持及优化问题；模仿大脑结构及其对信息的处理过程的 ANN 算法，可实现仿真、图像识别等任务。由于 AI 算法不需要按机理建立预测对象的数学模型，而是通过大量实测数据或仿真算例来训练 AI 模型，在其输出与输入变量之间直接建立非线性映射关系，故可用于机理不清楚的场合。 2.2.3ANN
风电功率预测方法的研究 摘要 由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。进行风电功率预测并且不断提高预测精确度变得越来越重要。通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。 关键词：风电功率预测；电力系统；风力发电；预测方法； 引言 随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。其中，中国风电新增装机容量达30500MW，占市场份额48.4%。全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。 目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。本文主要研究不同的风电功率短期预测方法的优缺点。 通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。
风电功率预测系统功能规范（试行） 前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。本规范由国家电网公司国家电力调度通信中心提出并负责解释；本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1风电场Wind Farm由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报Numerical Weather Prediction根据大气实际情况，
在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3风电功率预测Wind Power Forecasting以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测Short term Wind Power Forecasting未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。 3数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据风电场的历史功率数据应不少于1a，时间分辨率应不小于5min。 3.2历史测风塔数据a）测风塔位置应在风电场5km范围内；b）应至少包括10m、70m及以上高程的风速和风向以及气温、气压等信息；c）数据的时间分辨率应不小于10min。 3.3历史数值天气预报历史数值天气预报数据应与历史功率数据相
风电功率预测的发展现状与展望 范高锋，裴哲义，辛耀中 （国家电力调度通信中心，北京100031） 摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文从电力调度运行的角度，在风电功率预测技术的发展现状、系统建设情况、预测误差、预测评价指标和预测的主体等方面展开了论述，对目前存在的基础数据不完善、预测精度不高、预测的时间尺度较短和风电场普遍没有开展预测的问题进行了分析，提出了加强电网侧和风电场侧风电功率预测系统建设、加快超短期预测功能建设、继续深化预测技术研究、加强标准体系建设和开展跨行业合作等发展建议。 关键词:风电场；功率；预测；系统 中图分类号：TM614 文献标志码：A 文章编号： Wind power prediction achievement and prospect FAN Gao-feng , PEI Zhe-yi , XIN Yao-zhong (National Power Dispatching& Communication Center，Beijing 100031) Abstract: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. This paper summarized the current situation of wind power prediction technology, wind power prediction system construction, prediction error, assessment index, and main market body of prediction from the power dispatch perspective. The main problems includes basic data incomplete, prediction precision relatively low, prediction time scale short and wind farm no wind power system are analyzed. Suggestions of enforcing grid side and wind farm side wind power prediction system construction, speeding up ultra-short term wind power prediction system construction, deepening wind power prediction technology study, strengthening prediction technical standard system and cooperation of different industry are proposed. Keywords: wind farm; power; prediction; system 0引言 电力系统是一个复杂的动态系统。维持发电、输电、用电之间的功率平衡是电网的责任。在没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，以满足次日的电力需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电对电力系统的调度运行带来巨大挑战。 目前风电对全网的电力平衡已经带来很大的影响[1-3]。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。经过多年的科研攻关与技术创新，我国具有自主知识产权的风电功率预测系统已在电力调度机构获得了广泛应用，12个网省调建立了预测系统，覆盖容量超过12GW，在电网调度运行中发挥了一定作用。本文对近年来风电功率预测方面完成的工作进行了总结，对存在的问题进行了论述，并提出了下一步的发展建议。 1 风电功率预测发展现状 1.1 风电功率预测技术的发展情况 电网调度部门对风电功率预测的基本要求有2个：一是短期预测，即当天预测次日0时起72h的风电场输出功率，时间分辨率为15 min，用于系统发电计划安排；另一个是超短期预测，即实现提前量为0~4h的滚动预测，用于电力系统实时调度[4]。 风电功率预测方法主要分为统计方法、物理方法[5-6]。统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有时间序列、神经网络、支持向量机等。物理方法是指风电功率预测的物理方法根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电
2014高教社杯全国大学生数学建模竞赛 承诺书 我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。 我们参赛选择的题号是（从A/B/C/D中选择一项填写）： B 我们的参赛报名号为（如果赛区设置报名号的话）： 所属学校（请填写完整的全名）：东北电力大学 参赛队员(打印并签名) ：1. 张盛梅 2. 齐天利 3. 孔晖 指导教师或指导教师组负责人(打印并签名)：张杰 日期2014 年 8 月 20日赛区评阅编号（由赛区组委会评阅前进行编号）：
2014高教社杯全国大学生数学建模竞赛 编号专用页 赛区评阅编号（由赛区组委会评阅前进行编号）： 全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：
风电功率波动性的分析 摘要 风电机组的发电功率主要与风速有关，由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。研究风电功率的波动特性，不论对改善风电预测精度还是克服风电接入对电网的不利影响都有重要意义。 对于问题1a，我们利用MATLAB软件做出了3日内的功率波动图，发现功率的波动曲线上下不断震荡，所以我们采用一段数据来进行分析（即从波谷到波峰再到波谷），利用MATLAB软件拟合工具箱中的dfittool对数据进行曲线拟合，并选出几种较为符合的概率分布，根据对数似然函数值的大小确定最佳的概率分布。 对于问题1b,利用MATLAB软件编程，将数据每天筛选出一个数据，利用SPSS软件对数据绘制P-P图，并与选出的最好的概率分布图作比较，求出其分布参数。 对于问题2，将数据每隔12个数据筛选出一个数据，并用问题1a的方法绘制曲线拟合和概率分布的比较，选出最好的概率分布，并计算每种分布下的数值特征。 对于问题3，首先利用MATLAB软件绘制出时间窗宽分别为5s和1min时的功率波动图，发现两者的概率的波动情况基本相同，分别计算两种情况下的信息波动率以及信息波动损失率，得出结论为两者的波动基本相同，但是时间窗宽为5s时会有局部信息损失。 对于问题4，我们筛选出时间窗宽为1min、5min、15min的数据，并利用MATLAB软件进行曲线拟合以及概率分布的拟合，并计算出每种概率分布下的特征值，用相同的方法求1min和5min时的信息波动率，计算得出信息波动损失率为0.27%。 对于问题5，采用灰色预测模型对数据进行预测。利用5min和15min的功率预测之后的功率走向，并分析方法的优缺点。 论文的创新之处有： 模型中利用MATLAB软件编程的方法进行数据的筛选，可以筛选出任意时间窗宽的数据。 关键词：风电机组；概率分布；功率预测；SPSS
第一页 答卷编号：论文题目： 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人） 第二页 答卷编号：
风功率预测问题设计 摘要 未来风力发电可能成为和太阳能比肩的新能源行业。随着全球经济的发展和人口的增长，人类正面临着能源利用和环境保护两方面的压力。一方面煤炭、石油和天然气等化石燃料的储量由于大量开采而日益减少：另一方面是大量使用化石燃料对自然环境产生了严重的污染和破坏。这两方面的问题已经引起世界各国政府和人民的高度重视，并在积极寻求一条可持续发展的能源道路，以风能首当其冲。风速的随机性，给，和风电场的功率输Hj带来很大的困难。本文旨在研究分电功率在一段时间的变化规律，本文组建三个模型来解决风电功率的预测问题通过对历史数据的分析，挖掘5月31号到6月6日风电功率的变化趋势，以便直观的检验模型与实际数据是否相吻合。 在问题一中考虑天气变化的随机性，分析不同时间点的数据，将Pa,Pb,Pc,Pd,P58表中5月30日第81时间点到96时间点的数据提取出来运用灰色理论作为预测2006年5月31日开始前四个小时内的16个时间点的数据预。同理以表中已给出的5月31日1-16时间点的数据预测出17-32时间的数据，然后运用此模型得出时间范围a,b内各时间点的风电功率。然后可与题目中以给的数据相比较得出误差。第二种预测方法运用指数平滑模型得出时间范围a,b内各时间点的风电功率。第三种预测方法运用移动平均模型，预测出时间范围a,b内各时间点的风电功率。通过三种预测方法的误差分析我们推荐指数平滑预测法。 在问题二中，通过比较分析问题一的预测结果，比较单台风电机组功率（P A ，P B ，P C ， P D ）的相对预测误差与多机总功率（P 4 ，P 58 ）预测的相对误差，得出风电机组的汇聚程 度越高，对于预测风电功率结果误差影响越小。 在问题三中，选用了BP神经网络的预测方法，加入了更多的自变量，使得预测结果更精确。 （关键词：风速的随机性，风速的预测，风电功率数值，灰色理论，指数平滑模型，移动平均模）
1 基于卡尔曼滤波原理的风电功率预报 林可薇 (西安交通大学电气工程学院，陕西省，西安市，710000) Prediction of wind power based on the principle of Calman filter LIN Ke-wei (School of Electrical Engineering, Xi'an Jiaotong University, Xi'an710000, Shanxi Province, China) ABSTRACT:focuses on the principle of Calman filter and Calman filter algorithm,Understanding both based applications in the wind power forecast.Wind power forecasting system based on digital weather forecast meteorological parameters related to output close to the ground can not accurately predict the output power,Departure from the principle of Kalman filtering,Kalman filter algorithm can take advantage of wind capacity to be corrected digital output weather forecast,Improve forecast accuracy. KEY WORD:Kalman filter;Power prediction;Accuracy 摘要：本文重点介绍卡尔曼滤波原理和卡尔曼滤波算法，了解基于两者在风电预测的应用。风电预测系统根据数字天气预报输出的贴近地面的相关气象参数不能精确预测输出功率，从卡尔曼滤波的原理出发，利用用卡尔曼滤波算法可以对数字天气预报输出的风速量进行修正，提高预测精确度。 关键词：卡尔曼滤波；功率预测；精确度 1 引言 由于常规能源的日益枯竭及人们对改善生存环境的迫切需求, 清洁、可再生的风能资源受到了世界各国的广泛关注.在众多绿色能源中，风能逐步成为新能源电力的主力军。世界风能协会统计，2012年中国新增风电机组装机容量13200MW(其中海上风电装机容量127MW)，累计风电机组装机容量75564MW，均位居世界第一，美国紧随其后[1]。风电已超过核电，成为继煤电和水电之后中国的第三大主力电源。按照 GWEA《世界风电展望》报告的分析预测，风电在 2030年将占到全球电力供应的5%。结果显示风电不但能够满足全球未来30年对于清洁电力的需求，而且对供电系统的渗透还将持续增长。然而风的间歇性会带来不稳定电参量，严重时，小故障就可引发电网电压较大波动造成大面积风电机组脱网。解决这一难题对风电事业的良好发展具有非常重要的意义。本文将着眼于关键技术问题之一的风电功率预测，对卡尔曼原理及其算法进行简单介绍。 2 卡尔曼滤波原理 卡尔曼于1960年发表了关于递归解决线性离散数据滤波器的论著, 自此卡尔曼滤波器得到了广泛的研究与应用. 卡尔曼滤波器是一个最优化自回归数据处理算法，主要用于于解决大部分随机量估计问题，所应用的方法属于统计学中的估计理论，最常用的是最小二乘法，最小方差估计等等。主要能根据一系列的对随机状态的观测值进行定量的推断，通过最小均方误差使估计值尽可能准确的接近真实值。 3 卡尔曼滤波算法 卡尔曼滤波算法是一种有效的以小均方误差来估计系统状态的计算方法, 即通过将前一时刻预报误差反馈到原来的预报方程中, 及时修正预报方程系数, 以提高下一时刻的预报精度.在卡尔曼滤波算法中, 描述系统的数学模型是状态方程和量测方程, 分别为 t t t t w x F x+ = -1 （1） t t t t v x H y+ =（2） 式中: t x为未知过程在t时刻的状态向量； t y 为t 时刻的观测向量； t F和 t H分别为系统矩阵 及观测矩阵, 且必须在滤波器应用之前确定； t w 和 t v分别为系统噪声和量测噪声, 均假定为高斯白噪声且相互独立, 与其相对应的协方差矩阵分别为t w和 t v卡尔曼滤波算法提供了一种在观测向量更 新为 t y基础上的递归来估计未知状态的算法。假定 现有系统状态为 t x, 则在上一状态 1-t x及其协方差 矩阵 1-t P的基础上, 可以得到t 时刻的预测状态及其协方差矩阵的预测方程, 即