第39卷第2期2012年3月
华北电力大学学报
Journal of North China Electric Power University
Vol.39，No.2Mar．，2012
基于多尺度小波分解和时间
序列法的风电场风速预测
李东福1
，董
雷1，礼晓飞1
，廖
毅
2
（1.华北电力大学电气与电子工程学院，北京102206；2.中国南方电网超高压输电公司广州局，广东广州510663）
摘要：针对目前风电场风速预测精度较低的问题，提出一种基于多尺度小波分解和时间序列法的混合风速预测模型，通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列，然后把分解后的各层序列重构回原尺度，再应用自回归滑动平均模型对平稳时间序列进行预测，最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中，采用基于贝叶斯理论的SBC 定阶准则，改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析，结果表明，本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。关键词：风速预测；小波分解；时间序列法；定阶准则；预测精度中图分类号：TM74
文献标识码：A
文章编号：1007－2691（2012）02－0043－06
A wind speed forecasting method for wind farms based on different
scales wavelet decomposition and time series analysis
LI Dong-fu 1，DONG Lei 1，LI Xiao-fei 1，LIAO Yi 2
（1.School of Electrical and Electronic Engineering ，North China Electric Power University ，Changping District ，102206，China ； 2.Guangzhou Bureau of EHV transmission ，China Southern Power Grid Company ，Guangzhou ，510663，China ）
Abstract ：Because the low precision of wind speed forecasting for wind farm．The paper proposes a hybrid algorithm integrating wavelet decomposition and time series analysis．Decompose the non-stationary time series into stationary time series of different scales by wavelet decomposition．Then refactoring it to original scale and forecasting wind speed of each layer by time series analysis．Finally combine the forecast value that is the forecast wind speed．Moreover in the process of checking model effectiveness used SBC criterion that based on the Bayes theory．It improves the astringency compare with previous model．In the example analysis the paper using this method and other method to forecast the wind speed of reality wind farm．The results show that this method has higher precision and stronger adaptability for non-stationary wind series forecasting．
Key words ：wind speed forecasting ；wavelet decomposition ；time series analysis ；fix order criteria ；forecast precision
收稿日期：2011－08－06．
0引言
由于目前世界能源紧张，电力供需矛盾突出，而常规能源难解燃眉之急，风能作为一种重要的可再生自然能源具有蕴量巨大，可再生性和
无污染等优点，所以被公认为是一种理想的可再
生能源发电方式。风力发电的输出功率与风电场风速有很大关系，呈现出很强的随机性。对风电场风速进行较为准确的预测，对于电力部门及时调整调度计划，衡量风电场的容量可信度，进而确定合适的风电上网价格，具有重要的现实意义
［1 2］
。
近年来风电场风速预测的方法较多：神经网
华北电力大学学报2012年
络法、时间序列法、卡尔曼滤波法、遗传算法、
小波分析［3，4］及其它算法。这些预测方法各有优
优势，但也存在一定不足之处，如神经网络法样
本训练困难［5，6］，时间序列模型（ARMA）的适
应性和预测精度问题［7，8］。由于风电场风速序列
本身的时序性和自相关性为建模提供了足够的信
息，这里的时间序列模型只需要有限的样本序
列，就可以建立预测模型，所以得到了广泛的应
用，但存在低阶模型预测精度低、高阶模型参数
估计难度大的问题［7］，尤其是对于不平稳风序列
的预测精度较差；为此本文提出一种基于小波分
解和时间序列法的混合建模方式。利用小波分解
将各序列分量分别投影到不同尺度上，逐层分解
到不同的频率通道上。由于分解后的序列在频率
成分上比原始序列单一、平滑，因此分解后序列
的平稳性比原始序列好得多。对于非平稳风速时
间序列，其小波分解后的重构时间序列就可以考
虑用平稳时间序列来处理，对其建立自回归滑动
平均模型，很大程度改善了时间序列法对非平稳
序列的预测效果。为进一步提高预测精度，模型
参数估计和模型定阶过程中分别采用精度较高的
最小二乘法与适应性更强的SBC定阶准则［9］。
1时间序列的小波分解与重构理论
小波分解与重构实质上是通过不同带通滤波
器将含有综合信息的一组原始序列分解成多组不
同特征的时间序列，一组信号反应原时间序列的
内在变化趋势，即逼近信号；其余组的序列反映
随机扰动带来的影响，即细节信号［10］。针对不
同特征的信号选择不同的参数进行预测。
多尺度小波分解可以通过式（1）Mallat算
法实现。
c j+1=Hc
j
d j+1=Gc
{
j
j=0，1，…，J（1）式中：H和G分别为低通滤波器和高通滤波器［8］，
小波分解的过程如图1所示。将c
定义为原始序列
｛V｝，于是通过式（1）可以将｛V｝分解为c
1，c
2
，…，
c J 和d
1
，d
2
，…，d
J
（J为最大分解层数），c
j
和d
j
分别
称为原始信号在分辨率2－j下的一组逼近信号和多组细节信号。细节信号和逼近信号都是原始序列｛V｝在相邻的不同频率段上的成分。
经过小波分解后得到的细节序列和逼近序列比分解前的序列点数相应减少，
点数的减少会影
图1小波分解示意图
Fig.1Wavelet decomposition schemes
响最后的预测结果。所以经Mallat算法分解后的各组序列应分别重构回原尺度以增加信号点数，重构算法描述如下：
C
j
=H*C
j+1
+G*D
j+1
j=J－1，J－2，…，0（2）
其中H*和G*分别是H和G的对偶算子。对c
1
，c
2
，
…，c
J
和d
1
，d
2
，…，d
J
分别进行重构，得到C
1
，C
2
，
…，C
J
和D
1
，D
2
，…，D
J
，它们和原始信号X的点数一样，并且有：
X=C
1
+C
2
+…+C
J
+D
1
+D
2
+…+D
J
（3）2时间序列预测理论
风电场每小时风速数据是随机的动态数据，数据有序性和大小反映了数据内部的相互联系和变化规律，而它们所具有的依存关系或自相关性表征了数据序列发展的延续性，根据时间序列的过去值及当前值来预测未来值［11 13］，可以采用自回归滑动平均模型对平稳风速进行预测。
2.1自回归滑动平均模型
本文采用ARMA模型对平稳时间序列建模［14 15］，为保证计算精度，减小舍入误差，首先对原始风速序列差分处理消除风速序列的趋势性，同时为适应标准化模型的形式，须对差分后
序列｛V（0）
t
｝标准化处理。
V
t
=
V（0）
t
－μ
V
σ
V
（4）
式中：V
t
是标准化处理后的新序列｛V
t
｝在t时刻
的元素，μ
V
与σ2
V
分别为原序列｛V（0）
t
｝的均值与
方差的估计值，可由以下两式求得：
μ
V
=
1
N
ΣN
t=1
V（0）
t
（5）
σ2
V
=
1
N－1
ΣN
t=1
（V（0）
t
－μ
V
）2（6）
根据标准化处理后的风速数据序列｛V
t
｝，可以建立如下的自回归滑动平均模型ARMA（n，m）：
V
t
=φ
1
V
t－1
+φ
2
V
t－2
+…+φ
n
V
t－n
+ε
t
－
44
第2期李东福，等：基于多尺度小波分解和时间序列法的风电场风速预测
θ1εt －1－θ2εt －2－…－θm εt －m （7）式中：φi （i =1，
2，…，n ）为自回归（Autoregres-sive ）参数；θi （j =1，2，…，m ）为滑动平均（Mov-ing Average ）参数；
｛εt ｝为残差，当模型合适
时它是一个均值为零、方差为σ2
α的正态白噪声
过程，即εt ∈N （0，σ2
α）。
按式（7）计算的风速预测序列｛V t ｝，还应将其按下式还原成原始预测风速序列｛SV t ｝：
SV t =σV V t +μV
（8）
定义V ^t （l ）为在t 时刻对其后l 时刻V t +l
的预测值，
e t （l ）为预测误差，即e t （l ）=
V t +l －V ^t
（l ）（9）
当预测误差的方差值达到指定精度时即认为
预测可靠。2.2
ARMA 模型参数估计和适应性检验模型参数估计和适应性检验是应用时间序列分析法进行建模的关键过程，该过程的适当与否直接影响到模型参数的计算精度和风速预测的好坏。通常模型中的未知参数越多，即自变量越多，模型变化越灵活，模型拟合的准确度就会越高，但未知参数也会增多，未知风险增加，参数估计的难度增大，估计精度反而下降。所以一个好的拟合模型应该是拟合精度和未知参数个数的总和最优配置。2.2.1
参数估计
模型参数估计的方法很多如：矩估计、最大似然估计、先后估计法等，本文采用最小二乘估计进行参数估计，由于其估计过程充分利用了时间序列观测值的信息，因此估计精度较高。在ARMA （n ，m ）模型中，即
珘β=（φ1，…，φn ，θ1，…，θm ）'
（10）F t （珘β）=φ1V t －1+φ2V t －2+…+φn V t －n －
θ1αt －1－θ2αt －2－…－θm αt －m
（11）
残差项为
αt =V t －F t （珘β）
（12）
残差平方和为Q （珘β）=ΣN
t =1α
2
t
=
Σ
N
t =1
（V t －φ1V t －1－φ2V t －2－…－
φn V t －n +θ1αt －1+θ2αt －2+…+
θm αt －m ）
2
（13）
使残差平方和达到最小的那组参数值即为珘β的最小二乘估计值。
2.2.2模型定阶
常用的建模方法有Box．Jenkins 法、Pandit-WuS．M 法以及自回归法等，本文采用Pnadit-wuS．M 建模方案［9］，即模型定阶时用ARMA （n ，n －1）
（n =2，3，4…），取代ARMA （n ，
m ）（n =1，2，3…；m =1，2，3…）模型来进行逐步拟合，缩短建模时间。模型选优过程采用SBC 定阶准则，充分考虑到参数个数的惩罚因子和样本容量的关系，避免以往AIC 准则在观察值序列越长，相关信息分散时出现的不收敛于真实模型的现象。SBC 准则定阶函数
［9］
定义为
SBC （p ）=N ln （σ2α）+2ln （N ）p
（14）
式中：σ2
α是残差的方差；p 是模型的阶数，对于
ARMA （n ，m ）模型，p =n +m 。
其中当公式（14）函数值SBC （p ）达到极小值时所对应的模型阶次p 为适用模型阶次。至此，已经确定了时间序列模型的适当阶数与参数，在此基础上就可以对时间序列的未来值进行预测。
3基于小波分解的ARMA 建模
因为风速序列为非平稳时间序列，不利于直
接利用ARMA 进行建模，所以本文利用小波分析和时间序列法对风速序列进行混合建模，利用小波分解将原始时间序列逐层分解到不同尺度的频率通道上
［10，16］
，然后分别将其重构回原尺度进行
预测，其基本原理如图2所示［14］
。
图2
小波分解重构原理图
Fig.2
Wavelet decomposition and reconstruction principle diagram
令V ：｛v 1，
v 2，v 3…｝是一非平稳时间序列，对其进行小波分解，并且对分解后各层时间序列分别进行重构，可以得到：
V =V B +G 1+G 2+G 3+…+G N
（15）
式中：V B =｛v B1，v B2，v B3…｝为逼近信号的重构结果，
G 1：｛g 11，g 12，g 13…｝G 2：｛g 21，g 22，g 23…｝…G N ：｛g N 1，g N 2，g N 3…｝分别为第一层至第N 层细节信号的重构结果。因此i 时刻的原始风速为
5
4
华北电力大学学报2012年
v i =v Bi +g 1i +g 2i +…+g 3i
（16）现已知
t i
|i ≤{}M 时刻的值，
要预测t M +l 时刻的值，即v M +l 由式（16）得：
v M +l =v BM +l +g 1M +l +g 2M +l +…+g NM +l （17）v BM +l 为t M +l 时刻逼近风速信号的预测值，g 1M +l ，g 2M +l …g NM +l 为各层细节信号t M +l 时刻的预测值。对上述逼近风速信号和细节风速信号的预测方法与步骤如下：
（1）对G j （1≤j ≤N ）和V B 建立式（7）所表示的ARMA 模型，并且根据已知的g ji （i ≤M ）和V Bi （i ≤M ）对模型进行参数估计。
（2）对步骤（1）中建立的ARMA 模型应用式（14）SBC 准则进行适用性检验。
（3）根据式（7），采用适应性检验后的AR-MA 模型对逼近信号v BM +l 和各层细节信号g jM +l 进
行预测，得到v BM +l 和g jM +l 的预测值^v BM +l 和^g jM +l 。设v BM +l 和g 1M +l ，
g 2M +l …g NM +l 预测值为^v BM +l 和^g 1M +l ，^g 2M +l …^g NM +l 由式（16）可得原始风速时间序列V 的预测值为
V ^M +l =^v BM +l +^g 1M +l +^g 2M +l +…+^g NM +l （18）预测算法流程如图3所示
。
图3
预测算法流程图
Fig.3
Prediction algorithm flow chart
4算例分析
以某实际风电场200组风速数据中前150组
作为样本序列｛V t ｝建立预测模型，利用该模型预测其后50组风速值。4.1
基于常规时间序列分析法的预测
首先对原始风速序列进行差分和标准化处理，图4为前150组原始风速序列二阶差分和标准化处理后的结果，该处理一定程度上消除了原始风速的趋势性，有利于提高预测精度
。
图4原始风速序列二阶差分和标准化处理结果Fig.4
Second-order difference and standardized treatment results of original wind speed se-quence
对标准化处理后的风速序列根据AIC 和SBC 准则进行模型定阶，由表1可以看出两种计算方式的结果基本一致，ARMA （7，6）模型的AIC 值最小，ARMA （6，5）模型的SBC 值最小。由于SBC 准则相对AIC 准则在模型选优过程更具优势，故选用ARMA （6，5）为适用模型。模型定阶后通过式（10 13）最小二乘法估计ARMA （6，5）的参数，由表2列出。
表1
模型阶数与对应的SBC 值与AIC 值Tab.1
Model orders and corresponding SBC and AIC value
模型阶数AIC SBC （2，1）412.42419.00（3，2）
402.85412.72（4，3）395.25408.41（5，4）392.72409.17（6，5）
384.10403.83（7，6）383.61406.63（8，7）
384.73
411.04
6
4
第2期李东福，等：基于多尺度小波分解和时间序列法的风电场风速预测
表2ARMA （6，5）模型的参数估计值Tab.2
ARMA （6，5）parameters estimation value
AR 参数
φ1φ2φ3φ4φ5φ6
估计值－0.6858－0.6169－0.5153－0.4064－0.2662－0.0807MA 参数θ1θ2θ3θ4θ5
σ2α
估计值
0.6477
0.1826
0.0448
0.0259
－0.00110.7118
为验证拟合模型的准确性，本文根据该预测模型计算后50组的风速值，并与相应的实测风速相比较，结果见图5
。
图5
预测风速与实际风速比较结果
Fig.5
Forecast wind speed compared with the actual value
由图5可以看出，虽然预测结果一定程度上反映的了风速的变化趋势，但由于差分处理不能很好的消除风速本身的不平稳性，所以预测误差较大，同时预测值也存在不同程度的滞后现象，所以该模型用于不平稳风速分布特性的预测存在一定缺陷。4.2
多尺度小波分解和时间序列分析的混合预测
首先对原始风速序列进行多尺度小波分解，同时对分解后的逼近信号与细节信号分别重构回原尺度，本文采用Matlab 中Biorthogonal 小波系的bior3.3小波对风速进行分解重构，分解重构后的风速序列如图6所示：
由图6可以看出多尺度小波分解与重构后的风速序列平稳性与平滑行更好，相似的细节信息更集中，充分体现了风速序列的各尺度详细信息。对分解与重构后的逼近序列与细节序列利用4.1中时间序列分析法进行分层预测，结果如图7所示。
对各层风速序列的预测结果进行叠加合成最后的预测结果，
同时将预测结果和原始风速序列
图6原始风速的小波分解与重构图
Fig.6
Wavelet decomposition and refactoring of the original
speed
图7
各层风速序列的预测结果
Fig.7
Forecast result of wavelet decomposition and refactoring series
进行对比，如图8所示。
由图8可以看出，基于小波分解和时间序列法的混合预测法精度更高，预测误差均在5%以内，预测效果较好，证明了模型的有效性。
原始风速小波分解过程中，还存在着分解层数如何确定的问题，小波分解的特性是越往下分解，风速序列划分得越细，逼近信号和细节信号的平滑性和平稳性也越好，但是由于在分解过程中必然会存在计算上的误差，分解层数越多，误差累积的越大，该误差会带到预测的误差中，使预测精度下降。因此选择风速序列分解层数应适宜。表3给出了不同小波分解层数（2 8），本
7
4
华北电力大学学报2012
年
图8混合法预测值与原始风速对比结果Fig.8The forecast result of hybrid method com-
pared with the actual value
文方法的风速预测误差。
表3不同分解层数误差比较
Tab.3Error comparison of different decomposition layers
层数2345678
误差/% 6.78 5.12 4.20 4.27 5.56 6.899.67
由表3可以看出，当分解层数为4 5时，预测误差基本达到最小，因此在选择分解层数时，如果风速时间序列数据量不是很大，则分解层数一般可以选择4 5层。
5结论
（1）混合预测方法将不平稳风速序列分解为不同尺度的平稳序列，既弥补了风速不平稳性对预测精度的影响，也充分利用了时间序列分析法对平稳序列的预测优势，一定程度上提高了预测精度。
（2）采用SBC准则的模型定阶方法，考虑了参数个数的惩罚因子和样本容量的关系，避免了观察值序列越长，相关信息分散时出现的不收敛于现象，提高了模型的适应性。
（3）为更好的保证预测准确性，应选择适宜的小波分解层数，同时考虑到在较长时间下时间序列相关性减弱与相关信息分散的特性，预测时间也不宜过长。
（4）本文方法也同样具有风电场风功率预测与分析的应用前景。
参考文献：
［1］张硕，李庚银，周明．含风电场的发输电系统可靠
性评估［J］．中国电机工程学报，2010，30（7）：
8－14．
［2］孙建锋．风电场建模和仿真研究［D］．北京：清华大学，2004．
［3］邰能灵，候志俭，李涛，等．基于小波分析的电力系统短期负荷预测方法［J］．中国电机工程学报，
2003，23（1）：45－50．
［4］谢宏，陈志业，牛东晓，等．基于小波分解与气象因素影响的电力系统日负荷预测模型研究［J］．中
国电机工程学报，2001，21（5）：5－10．
［5］韩爽．风电场功率短期预测方法研究［D］．北京：华北电力大学，2008．
［6］杨秀媛，肖洋，陈树勇．风电场风速和发电功率预测研究［J］．中国电机工程学报，2005，25（11）：
1－5．
［7］潘迪夫，刘辉，李燕飞．基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型［J］．电网
技术，2008，32（7）：82－86．
［8］杨叔子，吴雅．时间序列分析的工程应用［M］．武汉：华中科技大学出版社，1991．
［9］王燕．应用时间序列分析［M］．北京：中国人民大学出版社，2005．
［10］张贤达，保铮．非平稳信号分析与处理［M］．北京：北京国防工业出版社，1998．
［11］Daniel A R，Chen A A．Stochastic simulation and forecasting of hourly average wind speed sequences in
Jamaica［J］．Solar energy，1991，46（1）：1－11．［12］Lalarukh Kamal，Yasmin Zhara Jarfi．Time series models to simulate and forecast hourly averaged wind
speed in Quetta［J］.Pakistan Solar energy，1997，
61（l）：23－32．
［13］Billinton R，Chen H，Ghajar R．Time series models of reliability evaluation of Power systems including wind
energy［J］．Microelectronics and Reliably，1996，36
（9）：1253－1261．
［14］吴义纯．含风电场的电力系统可靠性与规划问题的研究［D］．合肥：合肥工业大学，2006．
［15］杨位钦，顾岚．时间序列分析与动态数据建模［M］．北京：北京工业学院出版社，1986．
［16］程正兴．小波分析算法与应用［M］．西安：西安交通大学出版社，1998.
［17］Ingrid Daubechies．Orthonormal bases of compactly supported wavelets［J］．Communication on Pure and
Applied Mathematics，1988，41（11）：909－996．［18］Ashikhmin M．Synthesizing natural textures［J］．2001ACM Symposium on Interactive3D Graphics，
2001，（3）：217－226．
作者简介：李东福（1986－），男，硕士研究生，研究方向为计及风电场的电力系统可靠性分析；董雷（1967－），女，副教授，研究方向为电力系统分析、运行与控制。
84
发电量计算梳理 发电量计算部分，我们所要做的工作是这样的： 当拿到标书（可研报告）等资料后，我们首先要提澄清（向业主索要详细发电量计算所需的资料）；然后选择机型（确定该风电场适合用什么类型的风机）；最后进行发电量计算。 一、澄清 下面列出了发电量计算需要的所有内容，提澄清的时候，缺什么就列出来。 风电场详细发电量计算所需资料汇总 （1）请业主提供风电场的可研报告； （2）请业主提供风电场内的测风塔各高度处完整一年实测风速、风向、风速标准偏差数据，以及测风塔的地理位置坐标； （3）请业主提供测风塔测风数据的密码； （4）风电场是否已确定风机布置位置，若已确定风机位置，请提供相应的固定风机点位坐标； （5）请业主提供风电场的边界拐点坐标； （6）请业主提供风电场内预装轮毂高度处的50年一遇最大风速； （7）请业主提供风电场场址处的空气密度； （8）请业主提供预装轮毂高度处15m/s湍流强度特征值； （9）请业主提供风电场的海拔高度以及累年极端最低温度； （10）请业主提供风电场内测风塔处的综合风切变指数； （11）请业主提供风电场影响发电量结果的各项因素的折减系数。
https://www.doczj.com/doc/0212846375.html,/SELECTION/inputCoord.asp 第二步：打开Global Mapper软件，将.dxf和.zip地形文件拖入。 设置“投影”：Gauss Krueger(3 degree zones)\Gauss Krueger(6 degree zones)； 设置“基准”：XIAN 1980(CHINA)\BEIJING 1954； 设置“地区”：Zone x(xxE-xxE)。 1 将.dxf拖入Global Mapper并设置好投影及基准后，将鼠标放于地图任意位置，软件右下角会显示点位坐标。完整坐标表示应该为横坐标8位，纵坐标7位。而横坐标的前两位经常被省去，如果你看到的是横坐标6位，纵坐标7位，那么横坐标的前两位就是被省略的。此时要人为对地图进行整体偏移。偏移量为“地区”Zone后的数值，见下图。
—————————————————— —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
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。
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
风电场风速预测研究综述 【摘要】随着经济的发展，对清洁能源的需求越来越迫切。风能作为一种清洁、可再生能源具有很大的发展潜力。由于风力发电的间歇性和时变性，随着风电并网，精确的风速的预测尤为重要。本文就目前存在的风速的预测方法进行了归纳和总结，分析和比较了各类方法的特点，并进一步说明他它们的运用范围。 【关键词】风速预测；预测模型；综述 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。风能作为一种清洁、可再生能源具有很大的发展潜力。它作为一个解决能源生产和生活的需要方法，特别是对沿海岛屿，难以到达的偏远地区，地广人稀的草原，农村和边疆传统电源难以发展，具有重要的意义。最近，不仅在发达国家，而且在中国这样的发展中国家也越来越关注风能资源的开发与利用。 风力发电最重要的因素之一是风速。功率曲线特征与风速风力发电生产的链接。风速是不可控的，不可调节的，导致间歇性风能。这影响电能质量，危害电力系统稳定和电力调度。出于这个原因，准确有效地预测出风电场的输出功率可帮助电力系统调度运行人员做出最有效决策。 目前，许多研究人员已经就风速预测问题进行了研究，并且提出了许多预测方法，大体可以分为3类：物理方法、时间序列方法和人工智能算法。当然，这种分类方法并不绝对，现在已经很少存在只用单一的物理方法或者统计方法来进行风速预测的模型，在许多高效的预测方法中这几种模型都同时得到应用。并且，近些年随着人工智能的不断发展，诸如人工神经网络（ANN）和模糊逻辑等方法都已广泛应用到风速预测的模型中。 本文论述的侧重点是风速预测的方法，按一下4类进行论述：物理模型、时间序列模型、智能算法以及新方法。 1.风速预测方法 1.1物理方法 数值天气预报（NWP）作为典型的物理模型，依据大气实际情况，如不同高度上的风向、风速、气压、湿度等气象要素值，在一定的初值和边界条件下.通过大型计算机做数值计算，求解描写天气演变过程的流体力学和热力学方程组，最后逐步计算出大气未来的气象要素分布状况，从而制作出天气预报。研究发现，在超短期中NWP方法预测效果比较理想。其次物理模型是预测风速的第一步，作为其他统计模型的辅助输入量。 1.2时间序列方法
各风电场基本资料 一、大唐北架风电场基本情况 大唐北架风电场位于黑龙江省桦南县阎家镇，东经130°28′6.72″，北纬46°05′7.86″。 电场分一、二期工程。其中一期工程为33台1.5MW风力发电机，装机容量49.5MW，二期工程同样为33台1.5MW 风力发电机，装机容量49.5MW，总装机容量99MW。 一、二期工程公用一个220KV升压站通过一条220KV线路，即芦北线接入佳木斯电业局芦家一次变220KV系统。具体情况如下：
二、古力风电场基本情况 古力风电场位于黑龙江省富锦市大榆树镇，东经：132°15′北纬，47°13′。 电场分一、二、三期工程。其中一期工程为18台1.5MW 风力发电机，装机容量27MW，二期工程同样为22台1.5MW
风力发电机，装机容量33MW，总装机容量60MW，三期工程目前尚在规划中，预计建设33台1.5MW风力发电机。 一、二期工程公用一个66KV升压站通过两条66KV线路，即锦乌甲线、锦乌乙线接入佳木斯电业局富锦一次变66KV 系统。具体情况如下：
三、富裕风电场基本情况 富裕风电场位于黑龙江省齐齐哈尔市东北富裕县城西南嫩江东岸塔哈乡，东经：124°0′-125°2′，北纬：47°18′-48°1′。 电场一期工程为33台1.5MW风力发电机，总装机容量49.5MW，二期工程尚在规划中。 一期工程由一个110KV升压站通过一条110KV线路，即北裕甲线接入齐齐哈尔电业局北郊一次变110KV系统。具体情况如下：
四、瑞好风电场基本情况 瑞好风电场位于黑龙江省大庆市杜尔伯特蒙古族自治县巴彦查干乡，东经：124°02′北纬：46°32′。 电场装有26台1.5MW风力发电机和10台1.0MW风力发电机，总装机容量49.0MW。 由一个110KV升压站通过一条110KV线路，即傲瑞线接入大庆电业局110KV傲林变，再由110KV锋傲线接入大庆电业局先锋一次变110KV系统。具体情况如下：
龙源期刊网 https://www.doczj.com/doc/0212846375.html, 风电场的风速以及风功率变化规律的研究 作者：李东阳高阳 来源：《山东工业技术》2017年第08期 摘要：随着风电场的大规模建设，弃风电量的评估得到越来越多的关注。本文主要研究 风电场的风速以及风功率变化规律，旨为弃风电量评估模型建立打下坚实的基础。提前掌握风速和风功率变化规律的情况，可以减少旋转备用容量，减小风力发电系统成本，并且为电网运行调度提供可靠的依据。 关键词：风电场；风速；风功率；变化规律 DOI：10.16640/https://www.doczj.com/doc/0212846375.html,ki.37-1222/t.2017.08.151 1 引言 风能作为一种可再生、洁净的能源，近年来在全世界范围内得到了突飞猛进的发展。由于风能具有波动性、间歇性、低能量密度、不可控性等特点，大规模风电的接入对电力系统的安全稳定运行带来了很大的挑战。因此在弃风电量评估模型建立以前，对风电场的风速以及风功率变化的统计规律的研究显得至关重要，提前掌握风速和风功率变化规律的情况，可以减少旋转备用容量，减小风力发电系统成本，并且为电网运行调度提供可靠的依据。 2 风速-风功率特点 通过大量文献的查阅和参考，总结出风速变化主要表现为以下两种特点：（1）由于风能的能量密度较低，气温、阴晴、降水等都会引起风速的变化，因此风速变化将存在很大的波动性，呈现为非平稳的随机信号。（2）由于风速的变化跟太阳的照射有密切关系，所以在一天中风的强弱在某种程度上又呈现周期性。 风功率变化主要表现为以下两种特点：（1）由于风的能量密度低，气温、多云的天气，降水会引起风速变化，所以风功率变化会有很大波动，呈现出非平稳随机信号。（2）影响风功率变化的因素很多，包括风速、风向、空气湿度、大气密度等气象信息和风电场的位置、风机布局、地表粗糙度、海拔高度等物理信息。 因此，为了更好研究弃风电量评估模型，本文重点研究风速与风功率的变化规律，为研究弃风电量评估模型建立打好坚实的基础。 3 风速及风电功率变化的统计规律的数据指标 根据风电场测风塔实测历史数据和风电场风力发电历史运行数据，研究该风电场的风速以及风功率变化的统计规律，确定各项数据指标的基本范围，为数据的预处理工作奠定基础。数
风电综合统计指标计算公式 1、平均风速 平均风速是指统计周期内风机轮毂高度处瞬时风速的平均值。取统计周期内全场风机或场内代表性测风塔的风速平均值，即 1 1n i i V V n ==∑ 单位：米/秒（/m s ） 式中： V —统计周期内的风电场平均风速，/m s ； n —统计周期内的全场风机的台数或代表性测风塔的个数； i V —统计周期内的单台风机或单个代表性测风塔的平均风速，/m s 。 2、平均温度 平均温度是指统计周期内风机轮毂高度处环境温度的平均值，即 1 1n i i T T n ==∑ 单位：摄氏度（o C ） 式中： T —统计周期内的风电场平均温度，o C ； n —统计周期内的记录次数； i T —统计周期内的第i 次记录的温度值，o C 。 3、平均空气密度 平均空气密度是指统计周期内风电场所处区域空气密度的平均值，即 P RT ρ= 单位：千克/立方米(3/kg m )
式中： ρ—统计周期内的风电场平均空气密度，3/kg m ； P —统计周期内的风电场平均大气压强，a P ； R —气体常数，取287/J kg K ?； T —统计周期内的风电场开氏温标平均绝对温度，K 。 4、 平均风功率密度 平均风功率密度是指统计周期内风机轮毂高度处风能在单位面积上所产生的平均功率，即 31 12n i wp i D V n ρ==∑()() 单位：瓦特／平方米（ 2 /W m ） 式中： wp D —统计周期内的风电场平均风功率密度，2 /W m ； n —统计周期内的记录次数； ρ—统计周期内的风电场平均空气密度，3/kg m ； 3 i V —统计周期内的第 i 次记录平均风速值的立方。 5、有效风速小时数 有效风速小时数是指统计周期内风机轮毂高度处介于切入风速与切出风速之间的风速累计小时数，简称有效风时数，即 n i i V V V V T T == ∑有效风时数 单位：小时（h ） 式中： T 有效风时数—统计周期内的风电场有效风时数，h ； 0V —风机的切入风速，/m s ；
1 风能资源中国风能资源丰富 ,具有良好的开发前景 ,发展潜力巨大。据最新风能资源普查初步统计成果 ,中国陆上离地 10 m高度风能资源总储量约 43. 5亿 kW ,居世界第 1位。其中 ,技术可开发量为 2. 5亿kW ,技术可开发面积约20万 km 2 ,此外 ,还有潜在技术可开发量约 7 900万 kW。另外 ,海上 10 m 高度可开发和利用的风能储量约为 7. 5亿 kW。全国 10 m高度可开发和利用的风能储量超过 10亿 kW, 仅次于美国、俄罗斯居世界第 3位。陆上风能资源丰富的地区主要分布在三北地区 (东北、华北、西北 )、东南沿海及附近岛屿。 1. 1 “三北”(东北、华北、西北 )地区风能丰富带包括东北三省、河北、内蒙古、甘肃、青海、西藏和新疆等省 /自治区近 200 km宽的地带 ,风功率密度在 200～300 W /m 2 以上 ,有的可达 500 W /m 2 以上 ,可开发利用的风能储量约 2亿 kW ,占全国可利用储量的 80%。另外 ,该地区风电场地形平坦 ,交通方便 ,没有破坏性风速 ,是中国连成一片的最大风能资源区 ,有利于大规模开发风电场。但是 ,建设风电场时应注意低温和沙尘暴的影响 ,有的地方联网条件差 ,应与电网统筹规划发展。 1. 2 东南沿海地区风能丰富带东南沿海受台湾海峡的影响 ,每当冷空气南下 到达海峡时 ,由于峡管效应使风速增大。冬春季的冷空气、夏秋的台风 ,都能影响到沿海及其岛屿 ,是中国风能最佳丰富区。中国有海岸线约 1 800 km, 岛屿 6 000多个 ,是风能大有开发利用前景的地区。沿海及其岛屿风能丰富带 ,年有效风功率密度在 200 W /m2以上 ,风功率密度线平行于海岸线 ,沿海岛屿风功率密度在 500 W /m2以上 ,如台山、平潭、东山、南麂、大陈、嵊泗、南澳、马祖、马公、东沙等 ,年有效风速 (4～25 m /s)时数约在 7 000～8 000h。
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，
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，预算未来一定时间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-4hd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及以上搞成的风速和风向以及气温、气压等信息； C）数据的时间分辨率不小于10min。 3.3历史数值天气预报
风速概率分布估计和风能评估2016 摘要 风能的统计特征以及合适的风力发电机组的选择对于有效评估风力发电潜 力和设计风电场至关重要。本研究以中国中部四个地点为例，对风速概率分布的流行参数和非参数模型以及这些模型参数的估计方法（广泛使用的方法和随机启发式优化算法）进行了比较。仿真结果表明，非参数模型在拟合精度和操作简便性方面优于所有选定的参数模型，随机启发式优化算法优于广泛使用的估计方法。本研究还回顾和讨论了文献提出的六个功率曲线以及风能潜在评估过程中涡轮 机之间相互唤醒效应引起的功率损耗。评估结果表明，功率曲线的选择影响风力涡轮机的选择，考虑相互唤醒效应可能有助于优化风能评估中的风电场设计。
目录 1 介绍 (1) 2 以前的工作概述 (2) 2.1 风速分布函数概述 (2) 2.2估计方法概述 (4) 3 数据收集和简要分析 (5) 4 风速分布突变试验 (5) 4.1 Mann-Whitney U检验 (5) 4.2 双样本Kolmogorov-Smirnov检验（K-S检验） (6) 5 参数模型和非参数模型 (6) 5.1 常规分布 (6) 5.2 用于估计参数的方法 (6) 5.2.1 时刻法（MM） (6) 5.2.3 最小二乘估计（LSE）法 (6) 5.2.4 最大熵原理法（MaxE） (6) 5.3非参数模型 (7) 5.4杜鹃搜索（CS）算法 (7) 6 仿真比较结果 (7) 6.1 评价标准 (7) 6.2 突变试验分析 (8) 6.3 分析估算结果 (8) 6.3.1 分析参数模型 (8) 6.3.2 参数和非参数建模的比较 (9) 7 风能评估 (10) 7.1 风力密度的计算 (10) 7.2 风力发电机效率 (10) 7.3 计算因素 (10) 7.4 风电场风电损耗估算 (10) 7.5 风能计算与分析 (11) 8 结论 (12)
风电场短期功率预测建模案例解析 2011-08-30 15:31:52 来源：中国风电产业网 1.引言 广州飒美旭能源科技有限公司作为“创建美丽新生活”的“新能源与能效技术与服务 解决方案供应商”，致力于发展新能源生产管理、控制、并网技术和服务，积极参与构建低碳环保能源体系，缔造绿色世界，创建美丽生活。 本文以2010年广州飒美旭能源科技有限公司签约的辽宁大唐国际风电有限责任公司下属的大唐昌图风电场风电功率预测系统项目，详述其风电场短期功率预测建模所采用的方法及思路，与读者共享。该项目采用的“风电功率预测智能管理系统”是飒美旭依托自主知识产权开发成功的集电网侧和风电场侧于一体的风电功率预测系统。系统集先进性、实用性、可靠性为一体，在实践中以其预测的高精确度及实用性获得用户的一致赞扬。 2. 风电场短期功率预测建模方法研究 飒美旭风电功率预测智能管理系统，以历史气象数据（数值天气预报数据NWP）和风电场历史功率数据为基础，同时考虑具体风力发电机组的功率特性、机组效率和设备运行情况，采用BP神经网络建模后，输出0-72小时的短期预测功率。 2.1BP神经网络模型方法的采用 人工智能的方法近年来在预测领域中应用较多，其中在电力行业又以人工神经网络的应用研究最为常见。利用神经网络进行预测研究的基础是它具有强大的非线性拟和与映射能力，在函数逼近、模式识别和状态预报等方面有着独特的优势，同时具有一定的泛化能力。BP 神经网络具有较强的非线性学习能力，是目前国际上风电功率预测领域广泛采用的一种比较成熟的方法。神经网络神经网络的训练过程其实质是旨在模仿人脑的结构及功能，不断调整网络内部权值和系统的输入输出关系的过程。
电力技术标准汇编水电水利与新能源部分第13册 12 GB/T 18710-2002 风电场风能资源评估方法
目次 前言 1围 2引用标准 3定义 4测风数据要求 5测风数据处理 6风能资源评估的参考判据 附录A（提示的附录）数据订正的方法 附录B（标准的附录）风况参数的计算方法 附录C（提示的附录）订正后的风况数据报告格式（示例）附录D（提示的附录）风况图格式（示例）
前言 本标准是在总结我国风电场项目选址过程中评估风能资源的经验基础上，参考力争国外有关标准和规编制的。主要有美国风能协会标准AWEA8.2—1993《推荐的风能转换系统选址方法（RECOMMENDED PRACTICE FOR THE SITING OF WIND ENERGY CONVERSION SYSTEMS）》，以及美国国家可再生能源实验室规NREL/SR-440-22223《风能资源评估手册（WIND RESOURCE ASSESSMENT HANDBOOK）》。 本标准的附录B是标准的附录，附录A、附录C和附录D是提示的附录。 本标准由科学技术部、国家电力公司提出。 本标准由全国能源基础与管理标准化技术委员会新能源和可再生能源分技术委员会归口。 本标准由中国水利水电建设工程咨询公司负责起草。 本标准主要起草人：施鹏飞、朱瑞兆、娄慧英、易跃春、文峰、宏文。 中华人民国国家标准
风电场风能资源评估方法 GB/T18710-2002 Methodlogy of wind energy resource assessment for wind farm 1围 本标准规定了评估风能资源应收集的气象数据、测风数据的处理及主要参数的计算方法、风功率密度的分级、评估风能资源的参考判据、风能资源评估报告的容和格式。 本标准适用于风电场风能资源评估。 2 引用标准 下列标准所包含的条文，通过在本标准中引用而构成为本标准的条文。在标准出版时，所示版本均为有效。所有标准都会被修订，使用本标准的各方应探讨使用下列标准最新版本的可能性。 GB/T 18709-2002 风电场风能资源测量方法 3 定义 本标准采用下列定义。 3．1 风场 wind site 拟进行风能资源开发利用的场地、区域或围。 3．2 风电场 wind farm
评估风电场的风能资源情况、风电功率、容量系数等，是开发风力发电项目的基础工作。评估关心的内容包括平均风速、极限风速。对一给定地区及给定时间段而言，平均风速的概率分布决定了本地区的风能资源情况。用于拟合平均风速概率分布的模型有双参数Weibull分布、Rayleigh分布、LogNormal分布等[1,2]，其中双参数Weibull分布模型应用最为广泛。用于估计双参数Weibull分布参数的方法有线性回归法、最小二乘法、矩估计法等[1,3]。1极限风速(Extreme wind)是指在一段时间(3 s、10 min…)内的最大风速，被用来衡量风能资源对风电场的破坏作用，同时极限风速的研究对于天线、雷达安装以及高建筑抗风能力等问题也有一定意义[4,5]。极限风速分布是风电场设计以及安全运行的一个重要参数。有多种描述极限值分布的分布形式，其中第一类极值分布或称为Gumbel分布是一种拟合极值分布的经典、常用形式。风力发电机容量系数CF(Capacity Factor)[6,7]为某特定时间段内(年、月)风力发电机预测输出能量与其按额定功率运行输出能量的比值。它等价于这台风力发电机在一段时间内满负荷工作的时间，可以用来衡量总的发电情况。风力发电机容量系数是用来进行风电场选址、风力发电机设计的重要参数，对于风电场建设规划也有一定指导意义。计算容量系数的方法有两种：其一是通过风分布概率密度函数以及风速功率曲线进行积分；其二是通过风速序列以及风速功率曲线求出风力发电机功率序列而后进行累加。影响容量系数的因素有风力发电机参数、风速分布情况等。本文用Gumbel分布对国内某风电场2006年实测三处极限风速数据进行最小
风电场风电功率短期预测技术 摘要:风电功率预测是确保电网平衡风电波动，减少备用容量和经济运行的重要技术保障，减少系统的备用容量，降低电力系统运行成本，满足电力市场交易需要，为风力发电竞价上网提供有利条件。 本文基于对常见预测方法的研究和对风速数据的分析，并且针对目前存在的预测方法单一、预测精确度不高等问题，拟使用先进的智能化方法、多种方法综合以达到提高预测精度的目的。 关键词：风电功率预测方法matlab建模时间序列模型 1.文献综述 1.1 国内外风电功率预测现状 国外从事风电功率研究工作起步较早，早在1990 年Landberg 就采用类似欧洲风图集的推理方法开发了一套预测系统[1]，其主要思想是把数值天气预报提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。这个系统采用了丹麦气象研究院的高精度有限区域模型(high resolution limited area model ，HIRLAM)作为数值天气预报的输入，丹麦里索国家实验室的WAsP 模型把风速、风向转换到轮毂高度的风速、风向；Ris?的PARK 模型考虑尾流的影响。1993—1999 年，这个模型分别用在丹麦东部、爱尔兰电力供应委员会和爱荷华州。 风电功率预测工具(wind power prediction tool，WPPT)由丹麦科技大学开发[2]。1994 年以来，WPPT一直在丹麦西部电力系统运行，从1999 年开始WPPT 在丹麦东部电力系统运行。最初这个系统将适应回归最小平方根法与指数遗忘算法相结合，给出了0.536 h 的预测结果。 Prediktor 是Ris?开发的风电场功率预测系统，它尽可能使用物理模型。大范围的空气流动数据是由数值天气预报系统高精度有限区域模型(high resolution limited area model，HIRLAM)提供的。根据地心自传拖引定律和风速的对数分布图，把高空的风速转换为地面的风速。对于一个特定的地点，需要更详尽的数据，因此可以用WAsP程序来分析，WAsP 可以考虑障碍物和粗糙度的影响、粗糙度的变化、山头的加速和山谷的减速等。PARK 模型可以考虑风电场尾流的影响。最后还有2 个统计模块来表示未能在物理模型中表示出来的其它因素。 Zephry 是Ris?和丹麦科技大学的信息和数学建模学院(informatics and mathematical modeling，IMM)联合开发的新一代短期风功率预测程序[3]。Zephry 集合了
第一页 答卷编号： 论文题目：A题风电功率预测问题 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：
A 题 风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA 三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为： 11(1),01,3 t t t s x S t ααα--=+-<≤≥，通过调整平滑参数α来优化预测精度；小波 神经网络采用的小波基函数为Morlet 母小波基函数，小波神经修正采用梯度修正法；ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结 进行归一化处理，所得权值向量为(0.3246,0.3344,0.341)w =，得到一组基于以上三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假 机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA 模型，对ARMA 模型的阶数进行优化。定义平均相对变动值（ARTD ），并令遗传算法的适应度函数为： 1 ()f x = 。最后得到具有更高预测精度的模型。具体指标值如下表： 至工程预测、股票分析、生产计划等问题上。
关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法 1 问题重述 1．1 问题背景 根据百度百科，“风”是“跟地面大致平行的空气流动，是由于冷热气压分布不均匀而产生的空气流动现象”。风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。现今风力发电主要利用的是近地风能。近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。 根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。在附件1国家能源局颁布的风电场功率预测预报管理暂行办法中给出了误差统计的相应指标。并得知某风电场由58台风电机组构成，每台机组的额定输出功率为850kW。附件2中给出了2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组（A、B、C、D）输出功率数据（分别记为PA，PB，PC，PD;另设该四台机组总输出功率为P4）及全场58台机组总输出功率数据（记为P58）。 1．2 需要解决的问题 问题一：风电功率实时预测及误差分析 请对给定数据进行风电功率实时预测并检验预测结果是否满足附件1中的关于预测精度的相关要求。具体要求： 1）采用不少于三种预测方法（至少选择一种时间序列分析类的预测方法）； 2）预测量： a．PA, PB, PC, PD；b．P4；c．P58。 3）预测时间范围分别为（预测用的历史数据范围可自行选定）： a. 5月31日0时0分至5月31日23时45分；
风电场的风速以及风功率变化规律的研究 摘要：随着风电场的大规模建设，弃风电量的评估得到越来越多的关注。本文主要研究风电场的风速以及风功率变化规律，旨为弃风电量评估模型建立打下坚实的基础。提前掌握风速和风功率变化规律的情况，可以减少旋转备用容量，减小风力发电系统成本，并且为电网运行调度提供可靠的依据。 关键词：风电场；风速；风功率；变化规律 DOI：10.16640/https://www.doczj.com/doc/0212846375.html,ki.37-1222/t.2017.08.151 1 引言 风能作为一种可再生、洁净的能源，近年来在全世界范围内得到了突飞猛进的发展。由于风能具有波动性、间歇性、低能量密度、不可控性等特点，大规模风电的接入对电力系统的安全稳定运行带来了很大的挑战。因此在弃风电量评估模型建立以前，对风电场的风速以及风功率变化的统计规律的研究显得至关重要，提前掌握风速和风功率变化规律的情况，可以减少旋转备用容量，减小风力发电系统成本，并且为电网运行调度提供可靠的依据。 2 风速-风功率特点 通过大量文献的查阅和参考，总结出风速变化主要表现
为以下两种特点：（1）由于风能的能量密度较低，气温、阴晴、降水等都会引起风速的变化，因此风速变化将存在很大的波动性，呈现为非平稳的随机信号。（2）由于风速的变化跟太阳的照射有密切关系，所以在一天中风的强弱在某种程度上又呈现周期性。 风功率变化主要表现为以下两种特点：（1）由于风的能量密度低，气温、多云的天气，降水会引起风速变化，所以风功率变化会有很大波动，呈现出非平稳随机信号。（2）影响风功率变化的因素很多，包括风速、风向、空气湿度、大气密度等气象信息和风电场的位置、风机布局、地表粗糙度、海拔高度等物理信息。 因此，为了更好研究弃风电量评估模型，本文重点研究风速与风功率的变化规律，为研究弃风电量评估模型建立打好坚实的基础。 3 风速及风电功率变化的统计规律的数据指标 根据风电场测风塔实测历史数据和风电场风力发电历 史运行数据，研究该风电场的风速以及风功率变化的统计规律，确定各项数据指标的基本范围，为数据的预处理工作奠定基础。数据指标包括：（1）测风塔气象数据（十米处风速、风向、气压、温度、湿度，二十米处风速、风向，四十米处风速、风向，风机轮毂高度处风速、风向）：每小时均值、每小时最大值、每小时最小值、日均值、日最大值、日最小