基于非参数回归模型的短期风电功率预测
王彩霞,鲁宗相,乔 颖,闵 勇,周双喜
(电力系统国家重点实验室,清华大学电机系,北京市100084)
摘要:随着风电接入规模的增加,风电功率预测日益重要。非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用。文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测。首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间。以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性。关键词:风力发电;功率预测;点预测;概率区间预测;非参数回归
收稿日期:2010 02 13;修回日期:2010 06 17。
0 引言
近年来,并网型风电发展迅猛,风电的波动性已给电网调度带来严峻的挑战。风电功率预测是解决风电波动、实现风电与电力系统传统电源联合优化运行的关键技术之一。
风电功率预测按照预测的时间尺度划分一般分为超短期、短期和中长期预测[1]。超短期预测一般指6h 以内的预测,预测结果用于电力系统的在线优化运行,常采用基于历史风电功率数据的时间序列分析方法进行预测,例如自回归滑动平均(ARM A)模型[2 3]、Kalman 滤波[4]等。短期预测一般指对未来6h~48h 风电功率输出的预测,预测结果是电网安排日发电计划或进行电力市场交易的基础。中长期预测一般指未来几天的预测,预测结果主要用于安排风电机组的检修计划等。在实际应用中,短期预测和超短期预测应用较多。本文的研究对象为短期预测。
由于天气状况在未来6h~48h 内一般有较大的变化,因此,短期预测主要依赖于数值天气预报(numeric w eather predictio n,NWP ),通过建立NWP 的气象信息与风电功率输出之间的关系模型,将预测时段内的气象信息转换为风电功率输出。按建模方法的不同,短期风电功率预测可进一步分为物理方法和统计方法[5]。本文研究方法属于统计方法的范畴。
经过多年的积累,欧洲和美国已经有多款商业化的风电功率预测软件[6],如丹麦的WPPT 和Prediktor 、西班牙的SIPREOLICO 等。由于中国
的气候条件与欧美相比差异较大,因此有必要研究
适合中国风电场的风电功率预测方法。近几年,中国的风电功率预测研究也在逐步发展,但受气象服务条件的影响,预测方法大多基于历史数据和时间序列方法[7 9],对超短期预测较为有效,但对短期(如日前24h)风电功率的预测效果往往较差。随着风电的大规模接入,为电网安排发电计划服务的短期风电功率预测亟需展开。中国电力科学研究院开发
的基于NWP 的短期风电功率预测软件[10 11]
,采用的预测方法为反向传播(BP)神经网络,是一种在风电功率预测中应用广泛的典型方法。但是,神经网络方法对模型训练的时间较长,并且需要不断调试合适的隐含层神经元个数、合适的隐含层输出函数及合适的输出层输出函数等,才能得到收敛性较好的神经网络。非参数回归方法也是模型估计的典型方法之一,在国外已有采用基于统计模型的风电功率预测方法的范例[12]。非参数统计模型只需调整合适的窗宽即可应用模型进行预测,实用性比神经网络模型更佳。
本文以内蒙古某风电场为例,研究将非参数回归方法应用于国内短期风电功率预测的有效性。内蒙古气象局引进了美国国家大气研究中心(NCAR)和美国宾州大学(PSU)开发研制的第5代中尺度模式M M5(M esoscale Mo del 5),直接提供风机轮毂高度的NWP 信息,如风速、风向等。本文采用内蒙古气象局提供的NWP 数据,建立NWP 与风电功率输出之间的转换模型,得到风电功率的点预测值;基于经验分布模型和非参数回归方法,建立风电功率预测误差的概率分布函数,进而得到风电功率预测值的概率区间,辅助电网运行决策。
78 第34卷 第16期2010年8月25日V o l.34 No.16A ug.25,2010
1 非参数估计的基本原理
统计与计量的前沿研究领域是半参数与非参数方法[13 14]。相对于参数估计,非参数估计方法并不假定函数的形式已知,也不设置参数,函数在每一点的值都由数据决定,从而避免模型分布形式选择不当带来的误差。非参数估计方法在天气预报领域应用较为广泛[15 17]。使用非参数估计方法进行预报时,不需要建立预报方程,而是直接根据训练数据(历史样本)建立非参数估计模型,利用训练数据中蕴含的输入输出关系进行预报。核函数估计是非参数回归模型中的基本方法之一,其主要思想是在大量历史数据的基础上,应用核函数和一定窗宽范围内的历史数据对某一数据点对应的函数值进行估计或预报。
非参数估计的基本原理[14]如下:对n个给定样本(Y1,X1),(Y2,X2),,(Y n,X n),其中,Y为被解释变量,X为解释变量,假定Y1,Y2,,Y n独立同分布,可建立如下非参数回归模型:
Y i=g(X i)+ i i=1,2,,n(1) 根据核函数估计的思想,X=x对应的Y值按下式进行估计:
g(x)=!n
i=1
K
x-X i
h
Y i
!n
i=1
K
x-X i
h
(2)
式中:K(?)为核函数,用以确定样本点Y i(i=1,2, ,n)在估计g(x)中的权重,常用的核函数有均匀核K0(u)=0.5I(|u|#1),高斯核K1(u)=
(2 )-12ex p-1
2
u2和抛物线核K2(u)=0.75(1-
u2)+等;h为控制局部邻域大小的窗宽,是控制估计精度的重要参数。
最佳的窗宽应既不过小也不过大。窗宽过小会放大随机误差,窗宽过大则会得到过分光滑的曲线,使估计失去意义。常采用交错鉴定法
[13]选择最佳窗宽。
2 基于NWP的短期风电功率预测
前已提及,NWP是短期风电功率预测的关键信息,其中,风速预报是影响风电功率输出的关键因素,本文主要考虑将风速预报作为风电功率预测的输入,采用统计方法进行预测。本文的短期风电功率预测分为预报数据校正、风电功率点预测和风电功率概率区间预测3个环节。短期风电功率预测基本流程如图1所示。
图1 短期风电功率预测流程
Fig.1 Flow chart for short term wind power f orecast 2.1 NW P数据校正
针对风电场的气象服务是风电大规模发展和并网运行对气象服务部门提出的新挑战。目前国内外的NWP服务中,针对风电场轮毂高度的风速预报
精度较差。因此,使用N WP进行风电功率预测时有必要对预报数据进行校正。由于风速对风电功率预测的影响较大,本文以风速预报作为风电功率预测的输入,采用线性回归方法对NWP提供的风速预报数据进行校正,校正模型如下:
v c NWP,t=v N WP,t-e NWP,t(3)式中:v NWP,t为校正前的t时刻NWP风速;v c N WP,t为校正后的t时刻NWP风速;e NWP,t=a+bv N WP,t,a和b为参数,可采用最小二乘法,由历史NWP风速预报及其误差样本进行估计,
a=e NWP-bv NWP
b=
N c!
N
c
i=1
e NWP,i v NWP,i-!
N
c
i=1
e NWP,i!
N
c
i=1
v NWP,i
N c!
N
c
i=1
v2NWP,i-!
N
c
i=1
v N WP,i
2
N c为样本数量;e NWP,i=v N WP,i-v meas,i,为历史NWP 风速预报误差;v meas,i为风电场实测风速。
2.2 风电功率点预测
风电功率点预测的主要思想是通过风速 风电功率转换模型将预报风速转换为风电功率值。根据非参数估计的思想,建立风速 风电功率转换模型如下:
P pred t|t+k=f p(v c NWP,t+k)(4)
式中:P pred
t|t+k为t时刻得到的t+k时刻的风电功率预测值;k为预测尺度,即待预测的风电功率提前于预测执行时刻t的时间;f p为表征风速与风电功率之间关系的函数;v c NWP,t+k为经校正的t+k时刻的预报风速。
采用样本点(v meas,i,P meas,i)(i=1,2,,N p)作为式(4)的样本数据,其中,P meas,i为风电场实测风电功率数据,N p为样本数量。
79
?绿色电力自动化? 王彩霞,等 基于非参数回归模型的短期风电功率预测
2.3 风电功率概率区间预测
概率区间预测[18 19]是描述真实值相对于预测值的不确定性的常用方法之一。由于针对风电场的NWP精度较差,风电功率预测的误差较大,因此有必要对风电功率预测的不确定性进行描述,辅助电网运行决策。
定义风电功率预测误差为某一时间点的风电功率预测值与风电功率实测值之间的偏差,即有:
e t|t+k=P pred t|t+k-P meas t+k(5)式中:P meas
t+k为t+k时刻的风电功率实测值。
设预测误差e t|t+k的概率分布函数为F t|t+k(),
其中,为表示预测误差的随机变量,则真实值P meas
t+k 的一个1-!概率预测区间为:
[P pr ed t|t+k+G^t|t+k(!1),P pred t|t+k+G^t|t+k(!2)](6)式中:!2-!1=1-!,本文取对称概率区间,即!1= !/2,!2=1-!/2;G^t|t+k(q)为概率分布函数F t|t+k()的反函数,有Pr{#G^t|t+k(q)}=q。
风电功率预测误差的分布特性是建立风电功率预测区间的基础。关于风电功率预测误差的分布特性已有多篇文献进行探讨。文献[20]指出风速预测误差服从正态分布,但风电功率预测误差不服从正态分布;文献[21 22]认为采用Beta分布描述风电功率预测误差更加合理;Pinso n在文献[23]中采用经验分布函数对风电功率预测误差的特性进行描述。经验分布函数[24]不对模型的概率分布函数形式作任何的假设,而是基于历史值计算得到变量的概率分布模型。由于风电功率预测误差受多种因素的影响,尚无一种特定的分布形式可对其进行准确描述,因此,本文采用经验分布模型建立风电功率预测误差的概率分布函数,并在此基础上采用非参数回归技术建立风电功率预测区间。
设?t(j)表示时刻t之前的最近n个历史预测误差值的集合,对 j,即有:
?t(j)={e t-i|t-i+k|i=1,2,,n;k=1,2,,K}
(7)式中:K为n个历史预测误差中的最大预测尺度。
集合?t(j)的经验分布函数F^t()定义如下:设集合?t(j)的各元素的概率为1/n,则
F^t()=1
n
Num{e i#|e i??t(j),i=1,2,,n}
(8)式中:函数N um用于求取集合?t(j)中满足给定条件的元素的数量。
设F^t()的反函数为G^t(q),按式(6),t+k时刻的风电功率P t+k对应的一个1-!概率预测区间为:
P
pred
t|t+k+G
^
t
!
2
,P pred t|t+k+G^t1-
!
2
(9)
采用非参数估计方法分别对G^t(q)进行模型估计,建立估计模型如下:
=H(q)(10)式中:H为G^t(q)的非参数估计模型。
3 算例分析
以内蒙古某风电场(以下简称风电场A)为例,采用该风电场的N WP数据、实测风速和功率数据验证非参数回归方法在风电功率预测中的有效性。以2010年1月1日 1月27日的数据作为模型训练数据,2010年1月28日 1月31日的数据作为模型测试数据。风电场容量P A=100M W。
分别采用平均绝对误差(MAE)和均方根误差(RMSE)对预测效果进行评价,计算公式如下:
V MAE=
1
n
!K
k=1
|x^-x|(11)
V RM SE=1
n
!K
k=1
(x^-x)2(12)式中:x为预测量的真实值;x^为预测量的预测值。3
.1 NW P数据校正结果
采用式(3)对NWP风速预报数据进行校正,图2为2010年1月28日 1月31日校正前后的NWP风速预报数据与风电场实测风速数据的对比曲线。
图2 校正前后风速预报数据与实测风速数据对比
Fig.2 Comparison betw een NWP wind speed,corrected NWP wind speed and measured wind speed
校正前NWP风速预报数据的M AE和RM SE 分别为V M AE=1.98m/s,V RMSE= 2.44m/s;校正后分别为V M AE=1.85m/s,V RMSE=2.30
m/s。可见,
对NWP风速预报数据进行校正只能在一定程度上
降低预报误差,真正提高风速预报精度仍有待于
NWP精度的提高。
3.2 风电功率点预测结果
选择抛物线核函数,采用式(4)进行风电功率点
80
2010,34(16)
预测,分别以如下3种不同的风速作为输入:%风电场实测风速;&未经校正的NWP 风速;?经校正的NWP 风速。不同输入风速下的风电功率预测曲线如图3
所示。
图3 不同输入风速下的风电机组功率预测曲线Fig.3 Wind pow er forecast curves with dif ferent
wind speed inputs
不同输入风速下风电机组功率预测的M AE 与RM SE 对比如表1所示。表中的M AE 与RM SE 均以风电场容量的百分比表示。
表1 不同输入风速下风电机组功率预测的
MAE 与RMSE 对比
Table 1 Comparison on MA E and RMSE for power
forecast of a wind power generator under
different wind speed inputs
风速输入V M AE /(%)V RM SE /(%)未经校正的NWP 风速13.8618.35经校正的NWP 风速13.5417.49风电场实测风速
1.74
2.38
由表1可见,风电场实测风速输入对应的风电功率预测误差最小,未经校正的NWP 风速输入对应的风电功率预测误差最大,即NWP 误差是风电功率预测的主要误差来源,决定风电功率预测水平。风速向风电功率转换的模型误差较小。采用统计方法对NWP 风速进行校正后,风电功率预测精度有所改善,但改善幅度较小。
3.3 风电功率概率区间预测结果
由于风电功率预测误差与风电功率预测值大
小、风速等多种因素相关[20,23]
,因此,本文以预测功率水平作为预测误差的影响因素,将风电场A 的风电功率按预测值等分为13个功率等级,分别建立不同预测功率水平下的风电功率预测误差分布。图4为2010年1月1日 1月27日所有处于[0.5P A ,0.6P A ]功率段的风电功率预测值对应的功率预测误差经验概率密度函数。图4中,直方图为误差样本直方图,曲线为应用非参数回归技术拟合得到的预测误差经验概率密度函数。
分别取!=10%与!=30%,由式(9)得到风电
场A 在2010年1月28日 1月31日的风电功率90%预测区间和70%预测区间分别如图5和图6
所示。
图4 [0.5P A ,0.6P A ]功率段的预测误差经验
概率密度函数
Fig.4 Forecast error empirical probability distribution
function for power level of [0.5P A ,0.6P A
]
图5 风电场A 风电功率的90%预测区间Fig.5 90%wind power prediction interval for
wind farm
A
图6 风电场A 风电功率的70%预测区间
Fig.6 70%wind power prediction interval for
wind farm A
可见,采用经验分布函数和非参数回归方法建立的风电功率预测区间反映了其对实际风电功率的覆盖概率。实际应用中,对于预测区间的覆盖概率,一般取较为适中的值,如80%,避免因预测区间过大而失去参考意义和因预测区间过小而难以包含较大的风电功率预测误差。
4 结语
随着风电的大规模发展,短期风电功率预测成为调度运行的关键环节之一。本文将非参数回归技
81
?绿色电力自动化? 王彩霞,等 基于非参数回归模型的短期风电功率预测
术用于短期风电功率预测,建立了短期风电功率点预测模型和概率区间预测模型,并采用内蒙古某风电场的NWP数据和风电功率实测数据验证了所建立的非参数回归模型在短期风电功率预测中的可行性和有效性。分析结果表明,除风电功率点预测外,采用非参数回归模型和经验分布函数得到的风电功率预测区间可以描述风电功率预测的不确定性,进一步辅助电网运行决策。此外,NWP精度是影响短期风电功率预测精度的主要因素。采用统计方法对NWP数据进行校正对于改善风电功率预测精度的作用十分有限。提高针对风电场的NWP精度对于提高短期风电功率预测精度有重要意义。
目前,基于本文模型研发的短期风电功率预测系统已在内蒙古部分风电场投入使用。随着风电场运行数据的积累和NWP水平的提高,进一步分析风向、气温、天气类型等气象因素对风电功率预测及预测误差的影响将在后续工作中进行。
参考文献
[1]GIEBEL G.T he state of the art in short term prediction of w ind
pow er:a literature overview[R].Ros kilde,Denmark:Ris Nation al Laboratory,2003.
[2]H UANG Z,CH ALABI Z https://www.doczj.com/doc/b811569473.html, e of time series analys is to
model and forecast w ind speed.J ournal of Wind E ngineering and Industrial Aer odyn amics,1995,56(2/3):311 322.
[3]M ILLIGAN M,SCH W ART Z M N,WAN Y.Statistical w ind
pow er forecasting for U.S.w ind farm s//Proceedin gs of2004 American M eteorological Society(AM S)Annual M eeting, January11 15,2004,S eattle,WA,USA.
[4]LOUKA P,GALANIS G,S IE BE RT N.Im provements in w ind
sp eed for ecasts for w ind pow er prediction purposes u sing Kalman filterin g.Journal of W ind Engin eering and Industrial Aerodynamics,2008,96(12):2348 2362.
[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]ACKERM ANN T.W ind pow er in pow er systems.Chiches ter,
UK:John W iley&Sons Ltd,2004:365 380.
[7]丁明,张立军,吴义纯.基于时间序列分析的风电场风速预测模
型.电力自动化设备,2005,25(8):32 34.
DING M ing,ZH ANG Liju n,W U Yichun.Win d sp eed forecast model for w ind farms based on time s eries analysis.Electric Pow er Automation Equipm ent,2005,25(8):32 34.
[8]吴兴华,周晖,黄梅.基于模式识别的风电场风速和发电功率预
测.继电器,2008,36(1):27 32.
W U Xingh ua,ZH OU H ui,H UANG M ei.W ind speed and generated pow er forecastin g bas ed on pattern recogn ition in w ind farm.Relay,2008,36(1):27 32.
[9]杨秀媛,肖洋,陈树勇.风电场风速和发电功率预测研究.中国电
机工程学报,2005,25(11):1 5.
YANG Xiu yuan,XIAO Yang,CH EN S huyong.Win d speed and generated pow er forecasting in w ind farm.Proceedings of the CS EE,2005,25(11):1 5.
[10]范高锋,王伟胜,刘纯.基于人工神经网络的风电功率短期预测
系统.电网技术,2008,32(22):72 76.
FA N Gaofeng,WANG W eish eng,LIU Chun.Artificial neu ral netw ork based win d pow er short term pr ediction system.
Pow er Sy stem T ech nology,2008,32(22):72 76.
[11]范高锋,王伟胜,刘纯,等.基于人工神经网络的风电功率预测.
中国电机工程学报,2008,28(34):118 123.
FA N Gaofeng,W ANG Weish eng,LIU Chun,et al.Win d power prediction based on artificial n eural network.
Pr oceedings of the CSEE,2008,28(34):118 123.
[12]SANCH EZ I.S hort term prediction of w ind energy
production.International J ournal of Forecasting,2006, 22(1):43 56.
[13]KRZYZAK A,WALK H.A distribution free theory of
nonparametric r egression.New York,NY,US A:Springer Verlag,2002:70 80.
[14]叶阿忠.非参数计量经济学.天津:南开大学出版社,2003.
[15]胡邦辉,张惠君,杨修群,等.基于非参数回归模型的局部线性
估计云量预报方法研究.南京大学学报:自然科学版,2009, 45(1):90 97.
HU Banghui,ZH ANG Huijun,YANG Xiuqun,et al.A clou d amoun t forecasting m ethod based on local linear estimation of non parametric regr ess ion model.J ournal of Nanjin g University:Natural S cience,2009,45(1):90 97.
[16]邵明轩,刘还珠,窦以文.用非参数估计技术预报风的研究.应
用气象学报,2006,17(增刊1):125 129.
SH AO M ingxuan,LIU Huanzh u,DOU Yiw https://www.doczj.com/doc/b811569473.html, ing non parametric estimation techniqu e to predict w ind.J ou rnal of Applied M eteorological Science,2006,17(Sup plem ent1): 125 129.
[17]翟宇梅,赵瑞星,肖仁春,等.K近邻非参数回归概率预报技术
及其应用.应用气象学报,2005,16(4):453 460.
ZH AI Yum ei,ZH AO Ruixing,XIAO Renchun,et al.
K nearest neighbor nonparam etric reg ress ion for probability forecasting w ith its application s.Journal of Applied M eteorological S cien ce,2005,16(4):453 460.
[18]CHAT FIELD C.Calculating interval forecasts.Journal of
Bu siness&Economic S tatistics,1993,11(2):121 135. [19]OLIVE D J.Prediction intervals for regression m odels.
Com putational Statis tics&Data Analysis,2007,51(6): 3115 3122.
[20]LANGE M.Analysis of the un certainty of w ind pow er
prediction s[D].Odenb urg,Germ any:University of Oldenbu rg,2003.
[21]LUIG A,BOFINGER S,BEYER H G.Analysis of confidence
intervals for th e prediction of regional win d pow er output// Pr oceedings of th e Eur opean W ind Energy Conference,June
2 6,2001,Copenhagen,Denmark.
[22]BLU DSZUW EIT H,DOM INGUEZ NAVARRO J A,
LLOM BART A.Statistical analysis of win d pow er forecast error.IEE E T ran s on Pow er Sys tems,2008,23(3):983 991.
[23]PINSON P.Estimation of th e un certainty in w ind pow er
forecasting[D].Paris,France:Ecole des M ines de Paris, 2006.
[24]EFRON B,T IBSH IRANI R J.An introduction to the
boots trap.New York,NY,US A:Chapman&H all,1993:
31 37.
(下转第91页 continued on pag e91)
82
2010,34(16)
响.电网技术,2009,33(9):78 83.
H U Dong,SH I Gang,CAI Xu,et al.Impact of w ind pow er
generator on stability of offsh or e oil platform power systems.
Pow er System Technology,2009,33(9):78 83.
[9]ANDERSON P M,BOSE A.S tability simulation of w ind
turbin e s ystems.IEE E Trans on Pow er Apparatus and Sys tems,1983,102(12):3791 3795.
[10]ROW EN I.Simplified mathematical represen tations of h eavy
duty gas turbines.ASM E Journal of Engineering for Pow er, 1983,105(4):865 869.
[11]昆德.电力系统稳定与控制.北京:中国电力出版社,2002.
[12]IEEE421.5 1992 IEEE recom men ded practice for ex citation
sys tem modeled for pow er system stability.1992.
[13]IEEE1547 2003 IEEE standard for interconnecting
distributed resources w ith electric pow er systems.2003.
施 刚(1984 ),男,博士研究生,主要研究方向:大规模风力发电的系统接入问题。E mail:renzhegang@gmail. com
蔡 旭(1965 ),男,通信作者,教授,博士生导师,风力发电研究中心主任,主要研究方向:风力发电技术、配网安全技术、大功率电力电子在电力系统中的应用、电力传动控制。
E mail:x ucai@https://www.doczj.com/doc/b811569473.html,
程孟增(1981 ),男,博士研究生,主要研究方向:兆瓦级风力发电的并网问题。
Simulation on Wind Power Grid Integration Capacity and Low Voltage Ride through
Characteristics in an Isolated Power System
S H I Gang,CA I X u,CH E N G M eng z eng
(Wind Po wer Resear ch Center&St ate Key Labor ator y o f Ocean Eng ineer ing,
Shang hai Jiaoto ng U niver sity,Shang hai200240,China)
Abstract:T he main o bject ive o f this paper is to investig ate w ind pow er integ rat ion capacity and low v oltage ride thro ug h char acter istics in an isolated pow er system.T aking the first do mest ic o ffsho re w ind po wer stat ion as the research backg round, a dy namic model of t he o ffsho re o il plat form is built based on P SCA D/EM T DC,including dir ect dr iven wind turbine w ith per manent magnet synchronous generato r,gas turbine generato r,lo ad,etc.T he max imum w ind pow er integ ratio n capacity o f the iso lated pow er system is obtained by simulation.U nder this config ur atio n,the fault r ide throug h capabilit y of this iso lated po wer sy stem is studied when a sho rt cir cuit fault happens at the point of commo n co upling.Simulatio n results show that the maximum w ind pow er integ rat ion capacity is21.6%o f the lo ad,which pr ov ides a reference fo r future application of this kind.
T his wo rk is suppor ted by Shanghai Science Develo pment Fo undation(No.08DZ1200504,08DZ2210502).
Key words:w ind pow er integ ratio n capacity;low vo ltag e ride throug h;isolated pow er system;w ind g as hybr id g ener atio n; dy namic mo deling;PSCA D/EM T DC
(上接第82页 continued fr om page82)
王彩霞(1985 ),女,通信作者,博士研究生,主要研究方向:风电功率预测、含风电的电力系统优化运行。E mail: Wangcx06@https://www.doczj.com/doc/b811569473.html,
鲁宗相(1974 ),男,博士,副教授,主要研究方向:电力系统可靠性、新能源及分布式发电、风力发电及微电网。
E mail:L uzo ng x iang98@https://www.doczj.com/doc/b811569473.html,
乔 颖(1981 ),女,博士,主要研究方向:新能源及分布式发电、电力系统安全与控制。
Short term Wind Power Forecast Based on Non parametric Regression Model
W A N G Caix ia,L U Zo ngx iang,Q I A O Ying,M I N Yong,ZH O U Shuangx i (St ate Key Lab of P ow er Systems,D epar tment o f Electrical Eng ineering,T sing hua U niv ersity,Beijing100084,China)
Abstract:W ith the increasing penet ratio n o f w ind pow er into pow er systems,w ind pow er for ecast beco mes increasing ly import ant.N on par ametric reg ression,one o f ty pical mo del evaluation and predictio n methods,has no t been used in the do mestic shor t term w ind po wer fo recast.T his paper applies no n parametr ic reg ression model to the shor t term w ind po wer forecast of po int value and pro bability interv al.Fir st,the for ecast mo del for t he point w ind po wer with the wind speed as the input var iable is developed based on the non par ametric reg ression.T hen,the pro bability distributio n functio n of w ind po wer forecast er ro r is deduced fro m an empir ical distributio n model and non parametr ic r egr ession technique to analy se the pro bability interva l of point for ecast v alue.A w ind fa rm in Inner M o ng olia is cho sen as an example to verify the effectiv eness of the mo del in the shor t term w ind po wer fo recast.
Key words:w ind po wer generation;pow er fo recast;point fo recast;probability int erval for ecast;no n par amet ric r eg r essio n
91
?绿色电力自动化? 施 刚,等 孤立系统的风电接入容量及低电压穿越特性的仿真分析
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。
非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为： ()()()()K t V t V g t V K i i ∑=+==+111
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
非参数回归模型
精品资料 仅供学习与交流，如有侵权请联系网站删除 谢谢2 非参数回归模型 非参数回归模型也叫多元回归模型，它是一种脱离于混沌理论的多条路段分析方法。它是对当前路段和几条相邻路段的交通流信息对当前路段进行交通流预测的单条路段分析的扩展。它不需要先验知识，只需要有足够的历史数据即可。它的原理是：在历史数据库中寻找与当前点相似的近邻，并根据这些近邻来预测下一时间段的流量。该算法认为系统所有的因素之间的内在联系都蕴含在历史数据中，因此直接从历史数据中得到信息而不是为历史数据建立一个近似模型。非参数回归最为一种无参数、可移植、预测精度高的算法，它的误差比较小，且误差分布情况良好。尤其通过对搜索算法和参数调整规则的改进，使其可以真正达到实时交通流预测的要求。并且这种方法便于操作实施，能够应用于复杂环境，可在不同的路段上方便地进行预测。能够满足路网上不同路段的预测，避免路段位置和环境对预测的影响。随着数据挖掘技术左键得到人们的认可和国内外学者的大量相关研究，使得非参数回归技术在短时交通流预测领域得到广泛应用。 非参数回归的回归函数()X g Y =的估计值()X g n 一般表示为： ()()∑==n i i i i n Y X W X g 1 其中，Y 为以为广策随机变量；X 为m 维随机变量；（Xi,Yi ）为第i 次观测值，i=1,...,n ；Wi(Xi)为权函数.非参数回归就是对g(X)的形状不加任何限制，即对g （X ）一无所知的情况下，利用观测值（Xi,Yi ），对指定的X 值去估计Y 值。由于其不需要对系统建立精确的数学模型，因此比较适合对事变的、非线性的系统进行预测，符合对城市交通流的预测，同时可以与历史平均模型实现优缺点的互补。 K 近邻法 Friedman 于1977年提出了K 近邻法。其并不是让所有的数据都参与预 测，而是以数据点到X 点的距离为基础，甲醛是只有离X 最近的K 个数据被用来估计相应的g(X)值。可以引入欧式空间距离d ，然后按这个距离将X1，X2，...,Xn 与X 接近的程度重新排序：Xk1,...,Xkn,取权值如下： Wki(X:X1,...,Xn)=ki,i=1,..,n 将与X 最近的前K 个观测值占有最大的权K=1，其余的观测值赋予权值k=0.最终得到应用于短时交通流预测的K 近邻法可表示为：
短期风电功率预测模型研究综述 作者：崔垚王恺 来源：《电子世界》2012年第23期 【摘要】短期风电功率预测对于电力系统调度运行和电能质量具有重要的意义。而预测性能提高的关键在于预测模型选择和模型优化。本文对目前国内外几种主流风电场功率预测模型（物理预测模型、统计预测模型和组合预测模型）的建模原理和研究现状进行了综述性分析，对每种模型的优缺点和适用性进行了一些总结。并对风电功率预测模型的误差分析和预测的不确定性研究做了探讨，最后对短期风电功率预测领域的研究前景提出了一些可行性的展望。 【关键词】风电场；功率预测；物理；统计；组合；综述 1.引言 随着风力发电机组单机容量的提高和自动化技术的发展，风力发电系统也从原来的用户分布式能源向集中式大规模风电场发展。根据规划，我国将在内蒙、甘肃、河北、吉林、新疆、江苏沿海等地区建设7个千万千瓦级风电基地。预计2010-2020年，七大风电基地的开发规模将占全国风电开发总规模的68%至78%。这将使得风电在电网中比例不断增大，大量并网的风电对电力系统的调度运行和安全稳定带来了严峻挑战。有效的风电功率预测可以减少电力系统备用容量、降低系统运行成本、减轻风力发电对电网造成的不利影响、提高风电在电力系统中的比例[1]。 而风电功率预测的关键在于预测模型的合理选择和模型性能优化，本文对风电场功率预测模型的建模原理和模型适用情况做了一些综述性的分析。在此基础上对风电功率预测模型的误差分析和预测的不确定性研究做了一些探讨，最后对目前研究中面临的问题和未来的研究方向做了一些可行性展望。 2.国内外研究现状 国外（主要是欧洲）经过数十年的技术积累，目前已经拥有了多套较为成熟的风电功率预测模型和预测工具[2]，如基于物理学方法的Prediktor、LocalPred-RegioPred等，基于统计学方法的WPPS、GH-FORECASTER等。基于物理-统计学方法组合的Previento、ANEMOS等。这些预测系统已经成为欧美很多大型并网风电场系统管理和控制的基本组成部分。虽然如此，由于风能的间歇性和不确定性，国外相关科研工作者仍在不断探索。 我国对风电场功率预测的研究显得尤为紧迫。虽然国外已有一些相对成熟的预测模型，但是由于我国的风电场与欧洲风电发达国家的风电场风况、容量等情况不同。而风电场功率预测模型的优势往往与风况和容量等因素密切相关。虽然国内已有一些预测效果较好的风电场功率预测系统[3]问世，但是总体上来说，目前我国在风电功率预测领域尚处于探索和发展阶段。
非参数统计第二次作业 ——局部多项式回归与样条回归 习题一： 一、本题是研究加拿大工人收入情况，即年龄（age）和收入(income)的关系。 此次共调查了205个加拿大工人的年龄和收入，所有工人都是高中毕业。且本题设定因变量为log.income,协变量为age，运用统计方法来拟合log.income 与age之间的函数关系。 二、模型的建立 1.估计方法的选取 拟合两个变量之间的函数关系，即因变量和协变量之间的关系，用回归估计的方法，回归估计包括参数回归估计和非参数回归估计。参数估计是先假定某种数学模型或已知总体的分布，例如总体服从正态分布，其中某些参数未知，如总体均值、方差等，然后利用样本去估计这些未知参数，常用的方法有极大似然估计，Ｂａｙｅｓ估计等，线性模型可以用最小二乘法估计。 非参数估计是不假定具有某种特定的数学模型，或总体分布未知，直接利用样本去估计总体的数学模型，常用的方法有局部多项式回归方法和样条函数回归方法。 本题调查了205个加拿大工人的年龄和收入，但是加拿大工人年龄和收入的具体分布未知，即这两个变量所能建立的数学模型未知，而且由协变量和因变量所形成的散点图可以看出它不符合某种特定的已知模型，需要进一步研究，然后拟合它们之间的函数关系。因此本题选用非参数回归估计的方法，来拟合因变量和协变量之间的关系。 针对此问题分别采用非参数估计中的局部多项式回归和样条函数回归方法对log.income 与age之间的函数关系进行估计。 ２.局部多项式回归方法 局部多项式的思想是在某个点x附近，用一个多项式函数来逼近未知的光滑函数g(x)。选定局部邻域的大小h,对于任意给定某个点x 0，在其小邻域内展开泰勒公式，用一个p阶多项式来局部逼近g(x)，然后再用极大似然估计。 （1）加拿大工人的收入（log.income）与年龄（age）之间的散点图如下所示：
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：s t x t 1 (1 )S t 1,0 1,t 3，通过调整平滑参数来优化预测精度；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 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型 进行归一化处理，所得权值向量为w (0.3246,0.3344,0.341) ，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设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。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： f(x) ARTD。最后得到具有更高预测精度的模型。具体指标值如下表： 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、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
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。 对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。 对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。 对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。 关键词：风功率实时预测 BP网络神经 matlab 时间序列
问题的重述 一、背景知识 1、风功率预测概况 风功率预测是指风电场风力发电机发电功率预测。 风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。 由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。因而，风力发电具有波动性、间歇性和随机性的特点。 这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。同时，这些波动性、间歇性和随机性的特点，也会严重影响风机的发电效率和使用寿命。 2、风功率原理介绍 风功率预测系统技术，是根据风电场气象信息有关数据，利用物理模拟计算和科学统计方法，对风电场的风力风速进行短期预报，而预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求。 二、具体试验数据 PA、PB、PC、PD、P4和P58数据 附件1：风电场功率预测预报管理暂行办法 附件2：风功率数据P A 风功率数据P B 风功率数据P C 风功率数据P D 58台机总风功率数据P 58
自回归模型的参数估计案例 案例一： 建立中国长期货币流通量需求模型。中国改革开放以来，对货币需求量(Y)的影响因素，主要有资金运用中的贷款额(X)以及反映价格变化的居民消费者价格指数(P)。 长期货币流通量模型可设定为 120e t t t t P Y X βμββ=+++ （1） 其中，e t Y 为长期货币流通需求量。由于长期货币流通需求量不可观测，作局部调整: 11()e t t t t Y Y Y Y δ---=- （2） 其中，t Y 为实际货币流通量。 将（1）式代入（2）得短期货币流通量需求模型： 0121(1)t t t t t Y X P Y δβδβδβδδμ-=+++-+ 表1中列出了1978年到2007年我国货币流通量、贷款额以及居民消费者价格指数的相关数据。 表1 年份 货币流通量Y （亿元） 居民消费者价格指数P （1990年=100） 贷款额X （亿元） 1978 212.0 46.2 1850.0 1979 267.7 47.1 2039.6 1980 346.2 50.6 2414.3 1981 396.3 51.9 2860.2 1982 439.1 52.9 3180.6 1983 529.8 54.0 3589.9 1984 792.1 55.5 4766.1 1985 987.8 60.6 5905.6 1986 1218.4 64.6 7590.8 1987 1454.5 69.3 9032.5
1988 2134.0 82.3 10551.3 1989 2344.0 97.0 14360.1 1990 2644.4 100.0 17680.7 1991 3177.8 103.4 21337.8 1992 4336.0 110.0 26322.9 1993 5864.7 126.2 32943.1 1994 7288.6 156.7 39976.0 1995 7885.3 183.4 50544.1 1996 8802.0 198.7 61156.6 1997 10177.6 204.2 74914.1 1998 11204.2 202.6 86524.1 1999 13455.5 199.7 93734.3 2000 14652.7 200.6 99371.1 2001 15688.8 201.9 112314.7 2002 17278.0 200.3 131293.9 2003 19746.0 202.7 158996.2 2004 21468.3 210.6 178197.8 2005 24031.7 214.4 194690.4 2006 27072.6 217.7 225347.2 2007 30375.2 228.1 261690.9 对局部调整模型0121(1)t t t t t Y X P Y δβδβδβδδμ-=+++-+运用OLS 法估计结果如图1： 图1 回归估计结果 由图1短期货币流通量需求模型的估计式： 1202.50.03577.45570.7236t t t t Y X P Y -=-+++
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）
风电功率预测问题数学建模全国一等奖0000
答卷编号：论文题目：风电功率预测问题 指导教师：金海 参赛学校：北京理工大学 报名序号：1550 证书邮寄地址：北京理工大学中关村校区徐厚宝（学校统一组织的请填写负责人）
风电功率预测问题 摘要： 本文着力研究了风电功率的预测问题。根据相关要求，本文中我们分别利用ARMA模型、卡尔曼滤波预测模型和小波神经网络预测模型对该风电场的风电功率进行预测。通过对预测结果各项评价指标的综合分析，发现：小波神经网络预测模型的精确度最高；单台风电机组预测误差与总机组预测误差成正相关性；多个风电机组的汇聚会使得总体的预测误差减小。另外，从神经网络的训练过程中，我们发现突加扰动是阻碍风电功率实时预测精度进一步改善的主要因素，风电功率的预测精度不可能无限提高。 对于问题一，我们分别建立了ARMA、卡尔曼滤波、小波神经网络三种预测模型对指定的发电机组的输出功率进行了预测，取得了较为理想的结果。ARMA 模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为 81.3%-95%，小波神经网络模型的预测精确度为92.1%—94.7%，故小波神经网络的预测效果最好。 对于问题二，我们分析比较了三种模型下单台机组和多机组5月21日至6月6日的平均相对预测误差，得知风电机组的汇聚会使得总体的预测误差减小。 针对问题三，我们在问题一小波神经网络模型的基础上建立了遗传神经网络模型。经过仿真，我们发现该模型能显著减小峰值误差，有力地抑制时间延迟现象，有效地提高了预测的精确度。对仿真误差进行分析，我们指出突加的扰动是阻碍风电功率实时预测精度进一步改善的主要因素，预测的精度不可能无限提高。 关键词：ARMA，卡尔曼滤波，小波神经网络，遗传神经网络
基于核估计的多变量非参数随机模型初步研究 王文圣1，丁晶1 (1.四川大学水利水电学院，四川成都 610065) 摘要：本文基于核估计理论构造了多变量非参数模型。该模型是数据驱动的、不需识别和假定序列相依形式和概率分布形式的一类随机模型，克服了多变量参数模型的不足。实例统计试验表明，建议的多变量非参数模型是有成效的，为随机水文学发展提供了一些新思路。 关键词：核估计；多变量非参数模型；随机模拟；实用性检验 中图分类号：P333.9文献标识码：A 流域水资源的开发利用，不仅需要单站水文信息，而且需要流域内各站的水文信息。进行多站水文序列模拟的一个重要手段就是建立多站(变量)随机模型。目前，多变量随机模型[1]比较成熟的有自回归模型和解集模型。这两类模型的共同点是用有限个参数的线性函数关系描述水文现象。因此简便实用，能表征水文序列的统计特性和一般变化规律，但缺点也明显：①水文序列是一时间不可逆过程，而参数模型描述的是可逆过程，因此大多数参数模型难以反映其涨落不对称性；②水文现象受流域下垫面、人类活动、气候等多因素影响而变化错综，是一个高度复杂的非线性系统，而多数参数模型仅能表征变量及变量之间的线性相依结构，忽略了占据重要位置的非线性性；③水文变量概率密度函数复杂且未知，某一指定概率分布与真实分布存在着差异。如图1、2所示，正态分布、P-Ⅲ型分布都与直方图相差甚远，但χ2检验并不拒绝P-Ⅲ型分布和正态分布；而核估计和k最近邻估计与直方图比较接近。即概率分布具有不确定性；④模型参数由于抽样误差和估计方法不同具有不确定性。 为克服参数模型之不足，文献[2]提出了单变量非参数模型，径流模拟表明是满意的。在此基础上，本文基于核估计理论构造了多变量非参数模型。该模型避开了序列相依形式和模型结构的假设，不涉及模型参数估计，能反映各种复杂关系，较参数模型优越。以中国金沙江流域屏山站和宜宾—屏山区间两站日流量过程随机模拟为例，对建议模型进行了应用研究。 1 核估计理论[3] 1.1 多维核估计定义设X为d维随机变量，X1，X2，……X n为X的一样本。X的概率密度函数f(X)的核估计定义如下： (1)
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。
国家能源局关于印发风电功率预报与电网协调运行实施细则(试行)的 通知 国能新能[2012]-12文件 各省(区、市)发展改革委、能源局、中国气象局，国家电网公司、南方电网公司、华能集团公司、大唐集团公司、华电集团公司、国电集团公司、中电投集团公司、神华集团公司、中广核集团公司、三峡集团公司、中国节能环保集团公司、水电水利规划设计总院、各相关协会: 为促进风电功率预测预报与电网调度运行的协调，根据《风电场功率预测预报管理暂行办法》的有关要求，现将〈风电功率预报与电网协调运行实施细则~(试行)印发你们，请参照执行。 附:风电功率预报与电网协调运行实施细则(试行) 风电功率预报与电网协调运行实施细则(试行) 第-章总则 第一条根据《中华人民共和国可再生能源法》和《节能调度管理办法}，为贯彻落实国家能源局《风电场功率预测预报管理暂行办法}C国能新能(2011 ) 177号)，制定本实施细则。 第二条中国气象局负责建立风能数值天气预报服务平台和业务运行保障体系，为风电功率预测提供数值天气预报公共服务产品和相关技术支持系统。 第三条风电开发企业负责风电场发电功率预报工作，按照要求上报风电场发电功率预报曲线，并执行电网调度机构下发的发电功率计划曲线。 第四条电网调度机构负责电力系统风电发电功率预测工作，建立以风电功率预测预报为辅助手段的电力调度运行机制，保障风电优先调度，落实风电全额保障性收购措施。 风电功率预测预报和并网运行的有关考核办法另行制定。 第五条各有关单位应保证安全接收、传送、应用气象和电力运行等信息，确保涉密信息的获取和使用符合国家相关保密规定。 第二章气象数据服务及功率预测
第七章 非参数回归模型与半参数回归模型 第一节 非参数回归与权函数法 一、非参数回归概念 前面介绍的回归模型，无论是线性回归还是非线性回归，其回归函数形式都是已知的，只是其中参数待定，所以可称为参数回归。参数回归的最大优点是回归结果可以外延，但其缺点也不可忽视，就是回归形式一旦固定，就比较呆板，往往拟合效果较差。另一类回归，非参数回归，则与参数回归正好相反。它的回归函数形式是不确定的，其结果外延困难，但拟合效果却比较好。 设Y 是一维观测随机向量，X 是m 维随机自变量。在第四章我们曾引进过条件期望作回归函数，即称 g (X ) = E (Y |X ) （7.1.1） 为Y 对X 的回归函数。我们证明了这样的回归函数可使误差平方和最小，即 22)]([min )]|([X L Y E X Y E Y E L -=- （7.1.2） 这里L 是关于X 的一切函数类。当然，如果限定L 是线性函数类，那么g (X )就是线性回归函数了。 细心的读者会在这里立即提出一个问题。既然对拟合函数类L (X )没有任何限制，那么可以使误差平方和等于0。实际上，你只要作一条折线(曲面)通过所有观测点(Y i ，X i )就可以了是的，对拟合函数类不作任何限制是完全没有意义的。正象世界上没有绝对的自由一样，我们实际上从来就没有说放弃对L(X)的一切限制。在下面要研究的具体非参数回归方法，不管是核函数法，最近邻法，样条法，小波法，实际都有参数选择问题(比如窗宽选择，平滑参数选择)。 所以我们知道，参数回归与非参数回归的区分是相对的。用一个多项式去拟合(Y i ，X i )，属于参数回归；用多个低次多项式去分段拟合(Y i ，X i )，叫样条回归，属于非参数回归。 二、权函数方法 非参数回归的基本方法有核函数法，最近邻函数法，样条函数法，小波函数法。这些方法尽管起源不一样，数学形式相距甚远，但都可以视为关于Y i 的线性组合的某种权函数。也就是说，回归函数g (X )的估计g n (X )总可以表为下述形式： ∑==n i i i n Y X W X g 1 )()( （7.1.3）
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)
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。
答卷编号：论文题目：风电功率预测问题 指导教师：金海 参赛学校：北京理工大学 报名序号：1550 证书邮寄地址：北京理工大学中关村校区徐厚宝（学校统一组织的请填写负责人）
风电功率预测问题 摘要： 本文着力研究了风电功率的预测问题。根据相关要求，本文中我们分别利用ARMA模型、卡尔曼滤波预测模型和小波神经网络预测模型对该风电场的风电功率进行预测。通过对预测结果各项评价指标的综合分析，发现：小波神经网络预测模型的精确度最高；单台风电机组预测误差与总机组预测误差成正相关性；多个风电机组的汇聚会使得总体的预测误差减小。另外，从神经网络的训练过程中，我们发现突加扰动是阻碍风电功率实时预测精度进一步改善的主要因素，风电功率的预测精度不可能无限提高。 对于问题一，我们分别建立了ARMA、卡尔曼滤波、小波神经网络三种预测模型对指定的发电机组的输出功率进行了预测，取得了较为理想的结果。ARMA 模型的预测精确度为75.4%—79.3%，卡尔曼滤波模型的预测精确度为 81.3%-95%，小波神经网络模型的预测精确度为92.1%—94.7%，故小波神经网络的预测效果最好。 对于问题二，我们分析比较了三种模型下单台机组和多机组5月21日至6月6日的平均相对预测误差，得知风电机组的汇聚会使得总体的预测误差减小。 针对问题三，我们在问题一小波神经网络模型的基础上建立了遗传神经网络模型。经过仿真，我们发现该模型能显著减小峰值误差，有力地抑制时间延迟现象，有效地提高了预测的精确度。对仿真误差进行分析，我们指出突加的扰动是阻碍风电功率实时预测精度进一步改善的主要因素，预测的精度不可能无限提高。 关键词：ARMA，卡尔曼滤波，小波神经网络，遗传神经网络
风功率预测系统
一、风功率预测的目的和意义 1. 通过风电功率预测系统的预测结果，电网调度部门可以合理安排发电计 划，减少系统的旋转备用容量，提高电网运行的经济性。 2. 提前预测风电功率的波动，合理安排运行方式和应对措施，提高电网的 安全性和可靠性。 3. 对风电进行有效调度和科学管理，提高电网接纳风电的能力。 4. 指导风电场的消缺和计划检修，提高风电场运行的经济性。 5.应相关政策要求。 二、设备要求 提供的设备应满足《风电功率预测系统功能规范》中所提出的各项要求。
陆丰宝丽华新能源电力有限公司
四、设备介绍 可能涉及到的设备： 以下出自北京中科伏瑞电气技术有限公司的FR3000F系统 数据采集服务器： 运行数据采集软件，与风电场侧风电综合通信管理终端通信采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果等数据。 数据库服务器： 用于数据的处理、统计分析和存储，为保证数据可靠存储，配置了磁盘阵列。应用工作站完成系统的建模、图形生成显示、报表制作打印等应用功能。 风电功率预测服务器： 运行风电功率预测模块，根据建立的预测模型，基于采集的数值天气预报，采用物理和统计相结合的预测方法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测。 数据接口服务器： 负责从气象局获得数值天气预报，为保证网络安全在网络边界处配置反向物理隔离设备。同时向SCADA/EMS系统传送风电功率预测的结果。 测风塔： 测风塔测量数据（实时气象数据）是用来进行超短期功率预测的。测风塔有两种类型，一是实体测风塔，一是虚拟测风塔。一个风塔造价占系统的的20~30%左右。 实体测风塔：变化频繁的自然条件和复杂的地形地貌给预测系统增加了困难，实体测风塔的安装台数应根据风场的实际地理条件等情况进行安装，以保障预测的准确性。实体测风塔应安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据。