2011年7月电工技术学报Vol.26 No. 7 第26卷第7期TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Jul. 2011
风场短期风速预测研究
罗文王莉娜
（北京航空航天大学自动化科学与电气工程学院北京 100191）
摘要提出一种基于支持向量机的短期风速预测模型，并通过小波分解和遗传算法实现模型中的数据预处理和参数寻优。模型包括数据处理单元、参数寻优单元和支持向量机单元，以历史风速值作为输入，输出未来时间段的风速值。同时，通过引入模型的可调参数，提高模型对应不同风场风速数据的普遍适应性。实验结果表明，模型的预测效果良好，并具有较好的适应性，可适应不同地区的风场数据。
关键词：风速预测小波分解遗传算法支持向量机可调参数
中图分类号：TM614
Short-Term Wind Speed Forecasting for Wind Farm
Luo Wen Wang Lina
（Beijing University of Aeronautics and Astronautics Beijing 100191 China）Abstract A wind speed forecasting model for wind farm based on support vector machine is proposed. Through wavelet decomposition and genetic algorithm, the data are preprocessed and the parameters are optimized. The model includes data processing unit, parameter optimization and support vector machine unit. The historical wind speed data is input to the model, and the model outputs the future wind speed data. Meanwhile, the adjustable parameters of the model is introduced, in order to improve the general adaptability for the different wind speed data. The simulation results show that the forecast wind speed is following the true value, what’s more, the model can adapt to different wind data.
Keywords：Wind speed forecast, wavelet decomposition, genetic algorithm, support vector machine, adjustable parameters
1引言
开发和利用风能的主要形式是现代大规模并网风力发电，但随着风电比例的增加，风电在带来多方利益的同时，也带来了一些不利影响，尤其是风电穿透功率超过一定值后[1]，可能会严重影响电能质量和电力系统的运行，并可能会危及常规发电方式，主要表现在电压和频率会有较大幅度的波动。因此，人们对风力发电功率预测进行了大量的研究[2-3]。
文献[4]根据美国电力市场规则，指出若短期风速预测的准确率在10%以内，将能提高发电量30～100MW，并获得较高的利润。因此，对风电场的风速和发电功率做到比较准确的预测，有利于电力系统及时调整调度计划，减轻风电对整个电网的影响，同时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。目前风电场短期风速预测的方法[5-7]主要有统计法、物理法和学习法，绝对平均误差为25%～40%，还未到达一定的满意程度，这不仅与预测方法有关，还与预测周期和所预测地点的风速特性有关。其中，关键的问题在于现有的风速预测常用方法受很强的地域性限制。
本文克服现有技术的不足，提出一种基于支持向量机（Support Vector Machine，SVM）的短期风
国家自然科学基金（50807002），北京市科技新星计划（2008B13）和航空科学基金（2008ZC51045）资助项目。
收稿日期 2010-10-13 改稿日期 2011-02-10
第26卷第7期罗文等风场短期风速预测研究 69
速预测模型，并通过小波分解（Wavelet Decomposition）和遗传算法（Genetic Algorithm）完成模型中的数据预处理和参数寻优。模型包括：数据处理单元、参数寻优单元和支持向量机单元，并提供可调参数，通过改变可调参数从而适应不同风场的风速数据信息。算例表明，模型在提高短期风速数据预测精度的同时，增强了对应于不同风场风速数据的普遍适应性。
2小波变换的原理
S.Mallat在著名的用于图像分解的金字塔算法（Pyramidal algorithm）的启发下，结合多分辨分析，提出了信号的塔式多分辨分解与综合算法，常简称为Mallat算法[8-9]。
若将c0理解为待分解的离散信号，根据分解算法，有
c j+1=Hc j；
d j+1=Gd j（1）式中，j=0～J，其中J为最大的分解层数；H为低通滤波器；G为高通滤波器；c j和d j分别为原始信号在分辨率2?j下的低频信号和高频信号，是原始信号在相邻不同频率段上的成分。最终将待分解信号c0分解为d1，d2 ，d3，…，d J和c J。该分解算法利用二抽取，使每层分解比分解前的信号数据长度减半，而使总输出数据长度与输入数据c0长度保持一致。信号个数的减少对预测是不利的，但经Mallat算法分解后的信号可采用重构算法进行二插值重构。
重构算法表达式为
c j=H*c j+1+G*
d j+1（2）式中，j=J?1，J?2，…，0；H*和G*是对偶算子。采用上式对小波分解后的信号进行重构可以增加信号个数。对d1，d2，d3，…，d J和c J分别进行重构，得到D1，D2，D3，…，D J和C J，则
X=D1+D2+D3+…+D J+C J（3）式中，D1，…，D J为第1～J层重构的高频信号；
C J为第J层重构的低频信号。在Mallat重构算法中，在输入数据序列每相邻数据之间补一个0，以使数据长度增加1倍，从而恢复二抽取前的数据长度。
3遗传算法的原理
遗传算法是由美国的J.Holland教授于1975年首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法[10-11]。
遗传算法与传统搜索算法不同，遗传算法从一组随机产生的称为“种群（population）”的初始解开始搜索过程。种群中的每个个体是问题的一个解，称为“染色体（chromosome）”。染色体是一串符号，比如一个二进制字符串。这些染色体在后续迭代中不断进化，称为遗传。在每一代中用“适值（fitness）”来测量染色体的好坏，生成的下一代染色体称为后代（offspring）。后代是由前一代染色体通过交叉（crossover）或者变异（mutation）运算形成的。在新一代形成过程中，根据适值的大小选择部分后代，淘汰部分后代。从而保持种群大小是常数。适值高的染色体被选中的概率较高，这样经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。其主要步骤为：编码、初始群体的生成、适应性值评估检测、选择、交叉、变异。
4支持向量机的原理
20世纪90年代，Vapnik提出了新的学习机器：支持向量机（SVM）[12-14]。通过采用结构风险最小化准则，SVM模型不仅使样本训练误差最小化，而且缩小了模型泛化误差的上界，从而提高了模型的泛化能力。并且，从理论上已经证明，通过将求解的机器学习问题转化为二次规划问题，SVM可以得到惟一的全局最优解。此外，SVM仅需确定敏感系数e、惩罚因子C以及核函数宽度系数（采用高斯核函数）3个参数。本文采用回归估计的支持向量机算法。
函数拟合问题，即存在一个未知函数y=f *(x)，x∈R d为d维的样本输入，x∈R为样本输出，要求函数f：R d→R，使得函数f和f*之间的距离R(f，f*)= L(f，f*)d x最小，其中L为惩罚函数。由于函数f*未知，因此只能根据采样（或测量）所得的样本（x1，y1），（x2，y2），…，（x k，y k），x i∈R d，通过回归分析来求f。
首先采用线性回归函数f(x)=wx+b拟合样本数据，假设所有训练样本在精度下可无误差地用线性函数拟合，即
y i?wx i?b≤ε；wx i+b?y i≤εi=1，2，···，k
（4）根据统计学习理论，优化目标为最小化2
1
2
w（?表
示向量的模）。考虑到允许误差的情况，引入松弛因子ξi*≥0和ξi≥0，则式（4）变成
y i?wx i?b+ξi≤ε；wx i+b?y i+ξi*≤εi=1，2，···，k
（5）优化目标为最小化：
70
电 工 技 术 学 报 2011年7月
()
2
*1
1+2k
i i i J w C ξξ==+∑
其中，C ＞0为平衡因子，表示对超出误差ε 的惩罚程度。
采用优化方法可以得到其对偶问题： ()(
)
(
)()
**,1**1
1
1Max ,2k
i i j j
i j i j k
k
i i i
i i i i x x y ααααααεα
α===??????
??
?
++
??
??
∑∑∑ （6）
()1
s t 0,k
**i i i i i C αααα?=∑=..
０≤ ≤ （7）
式中，,??
表示内积。
由式（6）和式（7），得到支持向量机拟合函
数
()
1
(),k
*i i i i f x x x b αα==
?+∑ （8）
式中，αi 和*i α只有少部分不为0，它们对应的样本 就是支持向量。
对于非线性问题，通过非线性变换可将原问题映射为某个高维空间中的线性问题。在高维特征空间中，线性问题的内积计算可用核函数代替，即K (x i ，x j )=Φ(x i )Ф(x j )。这样，式（6）和式（7）变为 ()()
()()
**,1
**111Max ,2k
i i j j i j i j k k i i i i i i i K x x y ααααααεαα===??????
???
++????
∑∑∑ （9）
()1
s t 0,k
**i i i i i C αααα?=∑=..
0≤ ≤
（10）
支持向量机的非线性拟合函数为
(
)
1
(),k
*i i i i f x K x x b αα==
?+∑ （11）
本文采用的核函数为最常用的高斯径向基函数：2
2
(, )exp i
i j x x
K x x σ??
???=????
?
。 5 基于WD -GA -SVM 的风速预测
结合WD 、GA 和SVM 的优点，本文提出基于
WD-GA-SVM 的短期风速预测模型，并提供模型的
可调参数以适应不同风场的风速数据。其中，与现在常用的最小二乘支持向量机相比，支持向量机有着比前者更高的预测精度[13-14]，更有利于风速的预测。
模型包括数据处理单元、参数寻优单元和数据预测单元，如图1所示，其中，参数寻优单元的虚
线框代表参数寻优的过程不仅有一个独立的单元，还充分体现在数据处理单元和支持向量机单元的运算过程中。
图1 模型结构简图
Fig.1 Schematic model structure
数据处理单元基于小波分解，对输入模型的风速数据进行多层分解，得到原始数据的近似系数和细节系数，分别供模型后续单元进行分析处理；参数寻优单元，负责对数据处理单元处理后的数据进行分析判定，从而得到模型中可变参数的全局最优解，供模型使用；支持向量机单元，在参数设置完成的基础下，对进入预测单元的数据进行预测，计算得到数据组未来时刻的数据值。 5.1 模型数据样本
模型运用历史风速数据作为输入，预测未来时刻的风速数据。由于SVM 单元为多输入单输出，则模型的数据输入输出结构见表1，
X i 表示i 时刻的风速值。
表1 模型输入输出数据结构简表
Tab.1 Model input and output data structure table
SVM 单元输入数据 SVM 单元输出数据 {X 1，X 2，X 3，…，X n } {X 2，X 3，X 4，…，X n +1}
#
{X 1+n ，X 2+n ，X 3+n ，…，X n +m }
{X n +1} {X n +2}
#
{X n +m +1}
其中，输入数据的维数n 直接影响了风速预测模型的效果，为模型的可调参数。风速数据的周期是一天，设每天的风速数据有N 个，通过实验表明，n 可在N /6、N /3、N /2左右进行选取，并以数据拟
合的均方误差为依据，对n 进行择优选择。 5.2 模型的小波分解
模型对风速数据进行小波J 层分解。含噪声的
第26卷第7期罗文等风场短期风速预测研究 71
一维风速信号的模型可以表示成如下的形式：s(k)= f(k)+εe(k)，k=0，1，···，n?1，式中s(k)为含噪信号；
f (k)为原始信号；e(k)为噪声信号；ε为噪声强度[15]。首先对风速信号进行小波分解，由于噪声信号通常包含在高频部分，进而可以利用门限阈值对小波系数进行处理，然后对信号进行重构即可达到降噪的目的。如果进行J层小波分解，则分解后s=a j+d1+d2+…+d j。其中s为被检测的信号，a j为细节系数，d j为近似系数。由于信号的噪声部分通常包含在d1，d2，···，d j中，因此可以使用门限阈值等形式对小波系数进行处理，然后对信号s(k)进行重构，即可以达到降噪的目的。
5.3遗传算法参数寻优
模型中，利用遗传算法（GA）对支持向量机惩罚参数c和核函数参数g进行全局的寻优，并且将对训练集进行交叉验证意义下的准确率作为GA中的适应度函数值。步骤如下：
（1）编码并产生初始种群。采用训练集的输入和输出作为控制量，进行仿真产生N个个体构成第一代母体。
（2）确定适应度函数。将对训练集进行交叉验证意义下的均方误差作为遗传算法中的适应度函数。
（3）计算适应度函数并标定适应度。
（4）进行选择、交叉、变异操作。从当前种群中选择出适值好的作为母体，母体之间进行交叉操作使新后代组合了母体特性，改变个体基因串得到新的控制变量，继续进行仿真得到新的母体。
（5）解码后输出最优解。对得到的最优解进行解码，得到支持向量机单元需要的惩罚参数c和核函数参数g。
5.4模型的可调参数
本文建立模型的同时，引入模型的可调参数，通过参数寻优单元调节可调参数提高模型对应不同风场风速数据的普遍适应性，为以往风速模型对不同风场适应性较低的缺点提供了有效的解决方案。
模型的可调参数包括：小波分解层数J、模型输入数据维数n、支持向量机惩罚参数c和核函数参数g，见表2。
表2模型可调节参数表
Tab.2 Model adjustable parameter table 模型可调节参数参数调节范围
小波分解层数J3～6层
模型输入数据维数n N/6、N/3、N/2
支持向量机参数c、g交叉验证意义下通过GA算法全局寻优
参数J，经实验表明对于风速数据一般在3～6之间选择，太大或太小都会导致预测结果精度下降；参数n一般在N/6、N/3、N/2附近进行选取，N为每天的风速数据总数；参数c、g则是利用输入模型的数据在交叉验证意义下通过GA算法全局寻优，每组输入数据对应一组参数c和g。在模型寻优的过程中，参数c、g通过GA算法得到，同时以数据回归拟合后的均方误差为标准，判断参数J和n是否合适，具体过程如图2所示。
图2 模型参数寻优过程简图
Fig.2 Model parameter optimization process diagram 均方误差定义为
*2
1
1
[()()]
N
i
y i y i
N
=
?
∑
式中，N为预测样本数；y(i)为真实值；y*(i)为预测值；模型中均方误差标准控制在小于1%。
5.5WD-GA-SVM模型的预测步骤
采用WD-GA-SVM算法，得到风速数据近似系
数和细节系数的预测值，即*
j
a和*i d（i=1，2，···，j），重构各部分预测值得到最终预测结果，即
**
1
()
j
j i
i
x t a d
=
=+∑（12）
建立WD-GA-SVM模型的步骤如图3所示，其中省略了模型参数寻优的过程。
图3 WD-GA-SVM模型的步骤
Fig.3 The modeling step of the WD-GA-SVM
6模型预测结果及分析
实验中，利用模型预测风场的风速数据，检验模型的预测精度；同时，提供两组不同风场的风速
72
电 工 技 术 学 报 2011年7月
数据，通过改变可调节参数使模型适应不同的风场，从而验证模型的适应性。本论文采用绝对百分比误差（Absolute Percentageerror ，APE ）、平均绝对百分比误差（Mean Absolute Percentage Error ，MAPE ）来对预测点进行评价，即有
R F
APE R
100%W W E W ?=× （13）
MAPE APE 1E E N
=
∑ （14）
式中，W R 是实际风速；W F 是预测风速；N 是样本数。其中，在进行以往文献中测试集拟合的同时，实验进行了真正的预测。
用于实验的数据为河北某风场2009年7月的风速数据和华东地区某风场2006年1月的风速数据，两组数据在地点和时间上均不同，用于测试模型的预测精度和适应性。每组数据中风速数据时间间隔均为10min 。
首先对数据进行训练集和测试集的划分，初选参数J 和n ，通过GA 算法对c 和g 进行全局寻优，然后观察数据拟合效果，效果满意后进行预测。对于河北某风场的风速，将已有的2250个风速数据进行划分：训练集1725个数据，测试集500个，预测第2226～2237共12个数据点，
即后2h 数据。其中，测试集是SVM 固有的测试数据组，对于回归预测，测试集并不是真正的预测结果，而是对已建立模型进行数据的拟合测试。
经数据拟合比较，得到J =4，n =24时拟合均方误差较小：训练集方均误差为0.014%，测试集均方误差为0.77%，
故对此风场风速采用参数设置如下：J =4，n =25，c 和g 由GA 算法寻参而得，其中c 近似系数=22.627 4，g 近似系数=0.004 648。在此参数设置
下，采用Daubechies4（db4）小波基对该原始风速时间序列进行4级分解，分解后得到近似系数和细节系数，然后利用门限阈值对分解后的小波细节系数进行处理，再对信号进行重构，即可达到模型小波处理的目的。河北某风场原始风速数据及4层小波分解重构后结果如图4所示。
对分解后数据进行基于GA 算法的参数寻优，然后进行数据拟合（训练集拟合和测试集拟合），其中，拟合情况如图5所示，训练集、测试集拟合结果分别为0.014%和0.77%，两组数据基本重合。
然后分别对近似系数和细节系数进行数据预测，根据式（12）将它们的预测结果进行叠加即为模型最终的预测结果，如图6和图7所示。
图4 河北某风场原始风速时间序列及4层
小波分解重构后结果
Fig.4 The original series and decomposed series
of the wind speed data in Hebei province
图5 河北某风场原始风速近似系数训练集与
测试集的拟合图
Fig.5 The fitting result of the training set and the
testing set for the approximate coefficients
图6 预测的风速数据、近似系数及细节系数 Fig.6 The predicted results of the wind speed data
第26卷第7期
罗 文等 风场短期风速预测研究
73
图7 预测风速值与真实值比较 Fig.7 Predicted wind speed data and real data approximate coefficients and detail coefficients
预测与真实风速数据的数值比较见表3。
表3 河北某风场风速预测结果对比 Tab.3 Predicted wind speed data and
real data in Hebei area
风速/(m/s)
预测点
预测值
真实值
E APE （%）
1 5.802
2 5.9 1.6576 2 6.1934 6.2 0.1065
3 5.5401 5.
4 ?2.595
4 5.5046 5.6 1.7042
5 5.5790 5.9 5.44
6 5.5971 5.
7 1.8053 7 5.3546 5.7 11.3224
8 5.0478 5.3 4.7581
9 4.6436 5 7.1276 10 3.7301 3.7 ?0.8122
11 5.0739 5.4 6.0383 12 4.2037 4.1 ?2.5303 E MAPE （%） 3.0（预测长度2h ）
从图7和表3中可以清楚地观察模型对该风场风速数据的预测情况。模型预测了后2h 的风速数据，平均绝对百分比误差E MAPE =3.0%，和以往模型25%～40%的误差相比精度有了较大的提高。
为了进一步验证模型对于不同风场的普遍适应性，现对华东地区某风场2006年1月的风速数据进行测试，此数据在时间和地点上与已测的河北某风场数据均不同。
实验进行如下改动：①将数据更换为华东地区某风场数据，验证模型适应性；②将预测时间延伸到4h ，检验模型预测精度。
按照已述方法进行，在参数J =5，n =24，c 近似系数
=32，g 近似系数=0.03125下，华东地区某风场风速数据
预测结果如图8所示。
如图8和表4所示，WD-GA-SVM 模型对华东地区某风场短期风速预测的平均绝对百分比误差
E MAPE =3.42%。实验表明，在更换为华东地区数据
和延伸预测时间为4h 后，
模型同样具有较高的预测精度，证明了模型的高精度和在引入可调参数后具有较高的普遍适应性。
图8 华东地区某风场预测风速值与真实值比较图
Fig.8 Predicted wind speed data and
real data in East China
表4 华东地区某风场风速预测结果对比 Tab.4 Predicted wind speed data and real
data in East China
风速/(m/s)
预测点
预测值
真实值
E APE （%）
1 7.26 7.19 ?0.974
2 7.39 7.38 ?0.136
3 7.36 7.51 1.9973
4 7.51 7.86 4.4529
5 7.78 7.85 0.8917
6 7.85 8.44 6.9905
7 8.10 8.36 3.1100
8 8.21 8.05 ?1.988
9 8.16 8.03 ?1.619 10 8.17 7.80 ?4.744 11 8.09 7.87 ?2.795 12 8.07 7.94 ?1.637 13 8.01 7.38 ?8.537 14 7.9 7.22 ?9.418 15 7.66 7.39 ?3.654 16 7.52 7.25 ?3.724 17 7.48 7.42 ?0.809
18 7.36 7.43 0.9421 19 7.40 7.62 2.8871 20 7.22 7.25 0.4138 21 7.18 6.57 ?9.285 22 7.36 7.04 ?4.545 23 7.66 7.64 ?0.262 24 8.03 7.55 ?6.358 E MAPE （%）
3.42（预测长度4h ）
74 电工技术学报 2011年7月
7结论
本文将统计学理论中的支持向量机和小波变换应用与遗传算法相结合，建立短期风速预测模型并应用到非平稳风速时间序列预测的研究中，同时模型引入可调参数，通过调节参数使模型适应不同的风场风速数据。通过引入河北某风场和华东地区某风场不同时间的风速数据进行模型实验，表明了模型在短期风速预测上具有较高的精度，并且通过调节模型可调参数可使模型具有普遍适应性。实验表明，模型在提高短期风速预测精度和普遍适应性的同时，对进一步解决实际工程问题具有很好的应用前景。
参考文献
[1] 陈树勇, 戴慧珠, 白晓民, 等. 风电场的发电可靠
性模型及其应用[J]. 中国电机工程学报, 2000,
20(3): 26-29.
Chen Shuyong, Dai Huizhu, Bai Xiaomin. Reliability
model of wind power plants and its application[J].
Proceedings of the CSEE, 2000, 20(3): 26-29.
[2] 孙春顺, 王耀南, 李欣然. 小时风速的向量自回归
模型及应用[J]. 中国电机工程学报, 2008, 28(14):
112-117.
Sun Chunshun, Wang Yaonan, Li Xinran. A vector
autoregression model of hourly wind speed and its
applications in hourly wind speed forecasting[J].
Proceedings of the CSEE, 2008, 28(14): 112-117. [3] 潘迪夫, 刘辉, 李燕飞. 风电场风速短期多步预测改
进算法[J]. 中国电机工程学报, 2008, 28(26): 87-91.
Pan Difu, Liu Hui, Li Yanfei. Optimization algorithm
of short-term multi-step wind speed forecast[J].
Proceedings of the CSEE, 2008, 28(26): 87-91.
[4] Damousis I G, Dokopoulos P. A fuzzy expert system
for the forecasting of wind speed and power generation in wind farms[C]. IEEE Power Industry
Computer Applications Conference, 2001.
[5] Alexandre C, Antonio C, Jorge N, et al. A review on
the young history of the wind power short-term
prediction[J]. Renewable and Sustainable Energy
Reviews, 2008(12): 1725-1744.
[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.
Yang Xiuyuan, Xiao Yang, Chen Shuyong. Wind
speed and generated power forecasting in wind
farm[J]. Proceedings of the CSEE, 2005, 25(11): 1-5. [7] 王承煦, 张源. 风力发电[M]. 北京: 中国电力出版
社, 2003.
[8] 邓乃扬, 田英杰. 数据挖掘中的新方法—支持
向量机[M]. 北京: 科学出版社, 2004.
[9] Vapnik V. 统计学习理论的本质[M]. 张学工, 译.
北京: 清华大学出版社, 2000.
[10] 张学工. 关于统计学习理论与支持向量机[J]. 自动
化学报, 2000, 26(1): 32-42.
Zhang Xuegong. Introduction to statistical learning
theory and support vector machines[J]. Acta Automatica Sinica, 2000, 26(1): 32-42.
[11] 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.
[12] Stephane G M. A theory for multiresolution signal
decomposition: the wavelet representation[J]. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 1989, 11(7): 674-693.
[13] Mitchell R J, Chambers B, Anderson A P. Array
pattern synthesis in the complex plane optimized by a
genetic algorithm[J]. Electronics Letters, 1996, 32(20): 1843-1845.
[14] 张文修, 梁怡. 遗传算法的教学基础[M]. 西安: 西
安交通大学出版社, 2000.
[15] 石钧. 多小波: 理论和应用[J]. 信号处理, 1999,
15(4): 25-27.
Shi Jun. Multiwavelets: an introduction and appli-
cations[J]. Signal Processing, 1999, 15(4): 25-27.
作者简介
罗文男，1985年生，硕士研究生，主要研究方向为风电场发
电功率预测算法研究。
王莉娜女，1977年生，博士，副教授，主要研究方向为电力系统
自动化和电力电子及电力传动。
—————————————————— —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
Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction Hui Liu a ,b ,?,Hong-qi Tian a ,Yan-fei Li a ,b a Key Laboratory for Traf?c Safety on Track of Ministry of Education,School of Traf?c and Transportation Engineering,Central South University,Changsha 410075,Hunan,China b Institute of Automation,Faculty of Informatics and Electrical Engineering,University of Rostock,Rostock 18119,Mecklenburg-Vorpommern,Germany a r t i c l e i n f o Article history: Received 29December 2011 Received in revised form 29March 2012Accepted 2April 2012 Available online 28April 2012Keywords: Wind speed forecasting Hybrid algorithm ARIMA Arti?cial Neural Networks Kalman Recursive Prediction a b s t r a c t Wind speed prediction is important to protect the security of wind power integration.The performance of hybrid methods is always better than that of single ones in wind speed prediction.Based on Time Series,Arti?cial Neural Networks (ANN)and Kalman Filter (KF),in the study two hybrid methods are proposed and their performance is compared.In hybrid ARIMA-ANN model,the ARIMA model is utilized to decide the structure of an ANN model.In hybrid ARIMA-Kalman model,the ARIMA model is employed to initial-ize the Kalman Measurement and the state equations for a Kalman model.Two cases show both of them have good performance,which can be applied to the non-stationary wind speed prediction in wind power systems. ó2012Elsevier Ltd.All rights reserved. 1.Introduction Wind energy as an ideal alternative energy source is developing fast in the world [1].Just in China,the current total capacity of wind farms is 25805.3MW,with a growth rate of 114%in 2009[2–4].With the increasing applications of wind energy,it is impor-tant for power utilities to plan the integration of wind power and other traditional powers.So an accurate wind speed prediction is desired [5–7]. Due to the chaotic ?uctuations of wind speed,to make an accu-rate prediction is dif?cult [8].In recent decades,many studies on wind speed prediction have been reported,which can be divided into four categories [9]:(a)physical models;(b)statistical models;(c)spatial correlation models;and (d)arti?cial intelligence models.Every category has its advantages and disadvantages.Physical models need more parameters,such as geographic and geomorphic conditions,temperature and pressure,to build multi-variable forecasting models.So it is good at long-term calculation and is applied in weather prediction [10,11].Statistical models employ mathematic equations to make wind speed prediction based on a number of historical data [5].In statistical models,the time series models are popular in practice because their computation is simple [12–15].As for spatial correlation methods,they use multi dimen-sional data from different measurement stations to forecast the fu-ture wind speed [16].Besides intelligent methods have been mushrooming,namely Arti?cial Neural Networks [8,17–19],Fuzzy Logic Methods [20],Support Vector Machine [4],etc.At the same time hybrid methods mixing several algorithms are proposed to obtain better performance [13,14,20,21]. In intelligent models,the Arti?cial Neural Network (ANN)[17–19]and the Kalman Filter [22,23]are popular due to their good nonlinear performance.In this study they are chosen to do multi-step prediction for two sections of non-stationary wind speed series from a wind farm in China.This paper is organized as follows:Section 2states the hybrid modeling framework;Section 3displays the measurement of wind speed;Section 4presents the computational steps of a proposed ARIMA-ANN model;Section 5demonstrates the calculation steps of a presented ARIMA-Kalman model;Section 6demonstrates two real cases;and Section 7concludes the results of this work.2.Frameworks of hybrid models The framework of the proposed hybrid models [ARIMA-ANN and ARIMA-Kalman]is demonstrated in Fig.1.Its details are given as follows: (1)Build an ANN forecasting model for a section of wind speed sample.During ANN modeling process,a time series ARIMA is used to decide its best structure. 0306-2619/$-see front matter ó2012Elsevier Ltd.All rights reserved.?Corresponding author at:Key Laboratory for Traf?c Safety on Track of Ministry of Education,School of Traf?c and Transportation Engineering,Central South University,Changsha 410075,Hunan,China.Tel.:+8673182655294;fax:+8673182656374. E-mail address:csuliuhui@https://www.doczj.com/doc/3b1111471.html, (H.Liu).
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。
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
龙源期刊网 https://www.doczj.com/doc/3b1111471.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/3b1111471.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，
基于等效平均风速的风力发电功率预测 井天军,阮 睿,杨明皓 (中国农业大学信息与电气工程学院,北京市100083) 摘要:目前应用风速气象数据预测风力发电功率的方法存在较大误差,难以满足工程应用的精度要求。文中基于能量守恒原理提出了风力发电机组等效平均风速的概念,并通过为期1年的现场实验分析得到等效平均风速与最大风速和平均风速的函数关系,由此提出了基于等效平均风速的风力发电功率预测方法,并与以往基于平均风速的风力发电功率预测方法进行了工程应用效果对比,表明基于等效平均风速的预测方法较基于平均风速的预测方法在预测精度方面有明显提高。关键词:等效平均风速;风速预测;风力发电功率中图分类号:TM614 收稿日期:2009204215;修回日期:2009209207。 /十一五0国家科技支撑计划重点项目(2006BAJ04B03)。 0 引言 随着能源与环保问题日益突出,近年来风力发电在全球迅速发展。由于风能是一种间歇性、随机性和波动性很大的一次能源,大规模风力发电的接入对电力系统的规划与运行、调度与控制都带来了新问题。通常解决此问题所采用的方法是在原电力系统基本方法中加入风速或风力发电功率预测环节,因此对随机的、波动很大的、不可调度的风速或风力发电功率的预测方法成为研究的热点。 根据研究目的的不同,风速或风力发电功率预测可以分为3类:1以功率平衡控制为目的的风速、风向预测方法或模拟方法[125],主要用于风力发电控制系统、风力发电机组保护系统和控制器或风轮机机械部件设计等方面,预测所产生风速序列的时间间隔为秒级或分钟级;o以电力系统能量调度为目 的的风速或风力发电功率预测方法[6218] ,预测所产生风速序列的时间间隔为几分钟到数十分钟,预测各时段的平均风速和相应的平均风力发电功率;?用于中长期发电规划和备用发电容量计划的风速或风力发电功率预测方法[19223],此类方法通常预测全年12个月代表日的小时平均风速或月平均风速,利用风速的概率分布函数和统计特征产生相应的模拟风速序列。本文研究主要涉及第2类。 以电力系统能量调度为目的的风速或风力发电功率预测方法可归为2类:1采用时间序列法或时间序列法与人工神经网络等智能方法相结合来预测平均风速,然后根据风力发电机组的功率特性计算 得到相应的输出功率预测值[6210];o采用人工神经网络法、模糊逻辑法、支持向量机法等人工智能算法,以平均风速、风向等气象数据作为输入量,直接预测风力发电机组输出功率[11218]。前者把研究重点放在对风速的预测上,但是尽管风速预测精度非常 高,但风力发电功率预测误差仍然很大[9,17] 。后者用黑匣子原理直接将风速、风向等气象学预测的物理量与风力发电机组输出功率相关联,采用人工智能方法建立输入与输出间的映射关系,使功率预测精度能够满足能量调度的要求,但是这类方法不能给出输入与输出间关系的解析表达式,每次应用都需要大量的样本进行学习。 事实上,即使风速预测数据准确,基于现有风力发电机功率特性也不可能得到符合工程应用精度要求的风力发电功率预测值,其根本原因是电力系统能量调度所预测的风力发电功率是某时段的平均功率,而风力发电机功率特性描述的是发电机输出功率关于任意风速的变化关系。为此,本文提出基于等效平均风速的风力发电功率预测方法,主要用于10min 级超短期风力发电功率预测,统计给出了等效平均风速与平均风速及最大风速的解析表达式。 1 等效平均风速 1.1 等效平均风速的概念与测量 风力发电机组的风速功率曲线表明,当实际风速小于切入风速或大于切出风速时,输出功率为0;当实际风速在切入风速与额定风速之间时,输出功 率与风速间成三次函数曲线关系[24] ;当实际风速超过额定风速而小于切出风速时,输出功率近似为恒功率输出。 称电力系统能量调度最小时间间隔为统计时 ) 83 ) 第33卷 第24期2009年12月25 日Vol.33 No.24Dec.25,2009
风功率预测系统使用手册(v2.0)
精品文档 风电场风能预报智能管理系统 使用手册 北京国能日新系统控制技术有限公司 2011 年11 月16 日
目录 目录................................................................................................................................................. I 第一章系统操作 (1) 1.1 主界面 (1) 1.2 用户管理 (2) 1.2.1 用户登录 (2) 1.2.2 用户设置 (3) 1.2.3 用户注销 (5) 1.3 系统设置 (5) 1.3.1 风场设置 (6) 1.3.2 机组型号设置 (7) 1.3.3 测风塔设置 (9) 1.3.4 预测设置 (11) 1.4 状态监测 (13) 1.4.1 系统状态 (13) 1.4.2 风机状态 (14) 1.5 预测曲线 (14) 1.5.1 短期预测曲线 (14) 1.5.2 超短期预测曲线 (16) 1.5.3 风速预测 (17) 1.6 气象信息 (19) 1.6.1 风速曲线 (19) 1.6.2 风廓线 (20) 1.6.3 直方图 (20) 1.6.4 玫瑰图 (21) 1.7 统计分析 (22) 1.7.1 完整性统计 (22) 1.7.2.频率分布统计 (23) 1.7.3 误差统计 (24) 1.7.4 事件查询 (26) 1.7.5 综合查询 (27) 1.8 报表 (28) 第二章系统维护 (30) 2.1 数据库连接不上 (30) 2.2 短期预测数据不显示 (30) 2.3 超短期预测数据不显示 (30) 2.4 接收实发功率异常 (30)
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
CSC-800W功率优化控制子站后台操作说明 目录 CSC-800W功率优化控制子站后台操作说明 (1) 1 系统运行 (2) 2 系统介绍 (2) 2.1标题栏 (2) 2.2有功监控 (3) 2.3 主接线图................................................................................ 错误！未定义书签。 2.4 历史曲线 (6) 2.5 定值管理 (10) 2.6 报表统计 (13) 2.7 历史事件 (14) 2.8 系统日志 (14) 2.9 系统状态 (15) 2.10 实时报警 (15)
1 系统运行 在桌面上双击图标，进入工程管理器 点击运行工程，进入运行态。 点击标题栏右侧图标，弹出用户登录窗口 选择用户名，输入密码登录,密码为空 2 系统介绍 2.1标题栏
用鼠标停留在标题栏中的图标上，会显示图标名称，点击图标可以打开相应的画面，其中有功显示、无功显示、历史曲线画面为覆盖式窗口，定值管理、曲线管理、报表统计、历史事件、操作日志、系统状态为弹出式窗口。当前用户显示当前登录的用户。 2.2有功监控 参数监视：显示有功控制功能的工作模式和风电场相关数据。 状态监视：显示系统的运行的状态和报警。 控制方式设置：有功调节压板、工作模式、指令方式、一次调频和联合动力AGC状态的显示及对其进行操作。 风场功率曲线：显示风电场的实际有功、目标有功和理论有功实时曲线。 机群功率曲线：显示风机机群的实际有功、目标有功和理论有功实时曲线。 2.2.1 参数监视 工作模式：对有功调节功能处于调试还是运行模式的显示。在调试方式下，只是运行逻辑，不向风机下发有功控令；在运行模式下，既运行逻辑，也向风机下发有功控令。 指令方式：对控制方式设置中相应状态的显示。 在人工指令方式下，可点击参数监视区的人工设定，人工手动输入目标有功； 在计划指令方式下，目标有功为有功计划中96个有功计划值的相应时段的数值； 在遥控指令方式下，调度对风场进行功率控制，目标有功为调度实时下发的有功功率值。 在自由指令方式下，调度不对风场功率做限制，目标有功为风场装机容量的1.2倍。 目标有功：显示当前指令方式下设定的想让风电场调节到的有功功率值。 人工设定：在人工指令方式下对目标有功进行设置，有权限限制，满足权限时才可操作。 风场实际有功：风电场实际上网有功功率。 风场理论有功：华锐风机上送点，代表风场当前气候条件下可发有功功率。 有功死区：有功调节死区设定值的显示，如图显示有功死区是0.1MW，表示目标有功功率与风机实际有功功率的差值在0.1 MW之内，不对风机有功出力进行调节，当目标有功功率与风机实际有功功率的差值超过0.1 MW时，对风机出力进行调节。