风电场输出功率的组合预测模型

风电功率预测模型与优化研究随着全球能源需求的不断增长和环境问题的日益严重，可再生能源作为一个清洁、可持续的能源选择，受到了越来越多的关注。

风能作为其中一种重要的可再生能源，正逐渐成为国内外能源应用的主流之一。

而针对风电开发和运营过程中的可靠性和经济性问题，风电功率预测模型与优化研究变得格外重要。

1. 风电功率预测模型风电功率预测模型是指通过分析历史风速、风向、温度、湿度等气象参数数据，结合风电场实际发电数据，建立起对未来一段时间内风电场功率输出的预估模型。

根据不同的需求和数据可用性，风电功率预测模型可以分为基于统计学方法、基于物理学方法和基于机器学习方法等多种类型。

基于统计学方法的风电功率预测模型使用历史数据的统计特征来进行预测。

这种方法的优点是简单易实现，但对于风电机组输出功率具有明显季节性和周期性的情况下，预测结果可信度较低。

基于物理学方法的风电功率预测模型则基于风能转换过程的物理方程来进行建模与预测。

这种方法需要精确的风力学和气象学知识，并能较好地根据现场环境参数和风电机组特性进行建模。

但由于模型的复杂性，需要大量的参数和计算资源，并且对于复杂地形和变化环境下的精确预测存在一定困难。

基于机器学习方法的风电功率预测模型是近年来研究的热点之一。

通过训练算法来获得数据之间的潜在关系，并将其泛化到未知数据上，以实现对未来风电功率的预测。

常用的机器学习方法包括支持向量机、神经网络、决策树等。

这些方法可以灵活地适应不同的数据特征，且在较长时间尺度上具有较高的准确性。

2. 风电功率预测优化风电功率预测的准确性对于风电场的运营和规划至关重要。

在实际应用中，预测误差将会导致发电计划的违约、成本的增加以及供电系统的不稳定等问题。

因此，针对风电功率预测的优化研究也变得十分重要。

首先，对于风电功率预测模型本身的优化是一个关键问题。

通过对现有模型进行改进或结合不同的模型方法，可以提高预测的准确性和鲁棒性。

例如，可以引入多种模型的组合方法，使其具备更好的适应性和可靠性；还可以结合其他数据特征，如风能资源的空间分布和设备状态参数等，以提高预测效果。

《电气自动化》2020年第42卷第3期电控制The New Energy Power Control Technology一种短期风电功率组合预测方法曹权，李岩，李双明(南京理工大学与动力工程学院，江苏南京210094)摘要：为提高风电功率的短期预测精度，对组合预测进行了研究。

选用差分自回归移动平均模型(ARIMA)与埃尔曼神经网络(El­man)模型，建立新的组合预测模型。

首先，用单一的ARIMA预测模型和Elan预测模型对风电功率进行预测;然后，在单独模型预测的结果上，再次利用Elman神经网络预测;最后，将组合预测的结果与两单一模型的预测结果析比较。

结果表明，组合预测模型比各自单一预测模型有更高的预测精度。

关键词：风电短期预测；自回归移动平均;埃尔曼神经网络法;组合预测模型;预测精度DOI：10.3969//j.issn.1000-3886.2020.03.009［中图分类号］TM614［文献标志码］A［文章编号］1000-3886(2020)03-0028-03A Combined Short-term Wind Power Pmdiction MethodCao Quan，Li Yan，Li Shuangming(College of Energy and Power Engineering,Nanjing University o*Science and Technology,Nanjing Jiangsu210094，China$ Abstract:Combined forecosting was studied to improvv the short-term wind poweT prediction accuTacy.A new combined prediction model was established by using the autorearessivv intearated moving average model(ARIMA)and the Elman neural network model.Firstly, wind powee was predicted through a single ARIMA prediction model and Elan neural network prediction model.Secondly,on the basosooondovoduaBmodeBpeedoctoon eesu ts，theEman neueaBnetwoek wasused agaon ooepeedoctoon.Fonay，theeesu tsoothe comboned peedoctoon weeecompaeed woth thoseootwoondovoduaBmodes.Theeesu tsshowed thatthecomboned peedoctoon modeBhad hogheeooeecastongaccueacythan thesongepeedoctoon mode.Keyword-:short-term wind poweT prediction;autorearessive intearated moving averaae(ARIMA);Elman neural network method;combination forecosting model;prediction accuTacy0引言当下,风电发展迅速，开始大规模并网。

基于小波分解的风电场短期功率混合预测模型陈国初;王鹏;徐余法;俞金寿【摘要】为提高预测前1h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机（LS-SVM）相结合的预测方法.通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果.利用该方法对东北某风电场提前1h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25％下降到5.62％.【期刊名称】《上海电机学院学报》【年(卷),期】2011(014)003【总页数】6页(P163-168)【关键词】小波分解;人工神经网络;最小二乘支持向量机;风电功率;预测【作者】陈国初;王鹏;徐余法;俞金寿【作者单位】上海电机学院电气学院,上海200240;上海电机学院电气学院,上海200240;华东理工大学信息科学与工程学院,上海200237;上海电机学院电气学院,上海200240;华东理工大学信息科学与工程学院,上海200237【正文语种】中文【中图分类】TM614;TM71风能属于可再生能源，无污染，对环境基本没有影响，在世界各地区储量相当丰富。

风力发电在可再生能源利用技术中较为成熟。

2009年全球风能发电装机容量达到37.5GW，增长了31%。

近几年，我国的风电建设突飞猛进，表现出强劲的发展态势。

截止2009年底，我国风电装机总容量达到25.80GW，同比增长114%［1］。

众所周知，风的波动性、随机性和间歇性都很大，这就给风电电网的安全运行带来极大困难。

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，有利于电力调度部门提前根据风电功率变化及时调整调度计划，保证电能质量，减少系统的备用容量，降低电力系统运行成本。

研究显示，当风电穿透功率不超过8%时，不会对电网造成重大技术问题［2］。

电力系统中的风电功率预测模型一、引言电力系统是现代社会的重要基础设施之一，风电作为可再生能源的重要组成部分，具有环保、可持续等特点。

然而，风能的不稳定性和变化性给电力系统的运行带来了一定的挑战。

因此，准确预测风电功率对电力系统的规划、运行和调度具有重要意义。

本文将介绍电力系统中的风电功率预测模型。

二、数据预处理在建立风电功率预测模型之前，首先需要对数据进行预处理。

由于风力的不稳定性，风速、风向和风能之间存在一定的关联关系。

因此，需要采集历史风速、风向和风能数据，并进行清洗、对齐和归一化处理，以便用于后续建模。

三、基于统计方法的预测模型基于统计方法的预测模型是最常见的风电功率预测方法之一。

其中，基于时间序列分析的模型是较为常用的方法之一。

该方法使用历史风电功率数据，并结合多种统计技术和算法，通过拟合历史数据的趋势和周期性，来预测未来一段时间内的风电功率。

常用的时间序列分析方法包括ARIMA模型、回归模型等。

四、基于人工智能的预测模型近年来，随着人工智能技术的迅速发展，基于人工智能的风电功率预测模型也得到了广泛的研究和应用。

其中，基于神经网络的模型是较为常见的方法之一。

该方法通过建立多层神经网络，将历史风电功率数据作为输入，通过网络的训练和学习，得到一个能够较为准确预测未来风电功率的模型。

此外，还可以利用支持向量机、遗传算法等人工智能技术进行风电功率预测。

五、模型评估与改进模型的评估是模型建立的一个重要环节，它可以评估模型的预测能力和准确性。

常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。

在评估模型的基础上，可以对模型进行改进。

例如，可以引入外部因素（如天气状况、季节变化等）来改进预测模型的准确性，也可以通过提高数据质量和模型参数调整等方法来改进模型的性能。

六、模型应用与展望风电功率预测模型在电力系统中具有广泛的应用前景。

它可以为电力系统提供可靠的风电功率预测结果，为电力系统的运行和调度提供决策支持，同时也可以为电力市场的交易和电价的制定提供参考。

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。

基于组合预测模型的风电场输出功率短期预测陈波涛;任力;黄智成【摘要】为了进一步提高风电场输出功率的预测精度,文中提出基于最小方差法的风电场输出功率短期组合预测模型.针对国内某99 MW风电机组一年历史功率数据,分别利用灰色预测模型GM(1,2)和时间序列预测模型实现风电场输出功率的短期预测,仿真结果表明,组合预测模型克服了各单项预测模型的不足,有效地提高了风电功率预测精度.【期刊名称】《应用能源技术》【年(卷),期】2015(000)012【总页数】2页(P48-49)【关键词】风电功率波动;灰色预测、时间序列法、组合预测模型【作者】陈波涛;任力;黄智成【作者单位】国网长春供电公司,长春130021;国网长春供电公司,长春130021;国网长春供电公司,长春130021【正文语种】中文【中图分类】TM614电力系统运行的稳定性和供电可靠性是衡量电力系统的重要指标，然而由于风电间歇性与随机性[1]的特点造成大规模风电场的并网运行会对电力系统的稳定性和供电可靠性造成影响。

风电功率预测技术有利于调度部门及时调整计划，减少风电对电网的不利影响，保证电网的功率平衡和安全运行[2]。

文中研究了基于灰色预测模型GM(1,2)和时间序列预测模型的风电输出功率短期预测方法，分析比较了各自方法的不足。

为了进一步提高预测精度，提出了基于组合预测模型的风电场输出功率短期预测方法。

通过MATLAB仿真对比分析了组合预测模型和单项预测模型的对风电功率预测精确度的影响。

灰色系统理论是基于关联空间、光滑离散函数等概念定义灰导数与灰微分方程，进而利用离散数据列建立微分方程形式的动态模型，称为灰色模型(Grey Model)，简称GM[3]。

文中采用GM(1,2)模型实现风电场输出功率的短期预测。

文中选用某99 MW风电场全年风电功率数据，利用上述GM(1,2)模型滚动预测未来30 min的输出功率，采样时间为10 min。

GM(1,2)模型所选用的两个输入量是相关的，这里选用功率数据和风速数据作为输入。

第1期2023年1月江苏科技信息Jiangsu Science &Technology InformationNo.1January,2023作者简介:刘志兵(1992 ),男,江苏南通人,助理工程师,学士;研究方向:风电技术开发与利用㊂风电场风功率预测模型准确性探究刘志兵(江苏龙源风力发电有限公司,江苏南通226500)摘要:风电场输出功率预报的准确性需要风功率的精准预测来支持,不断提高风电场输出风功率预测的准确度是风功率精准预报的关键㊂为准确预测风功率,使风电场输出风功率保持较高的稳定性,提高风能利用效率及电力系统的稳定性,文章选用了3种最常见的模型进行风电输出功率预测研究:自回归求和滑动平均模型(ARIMA )预测㊁灰色系统GM (1,1)预测和BP 神经网络预测;选取某风电场4月份某天的风电输出功率数值作为样本进行超短期预测;随后计算出这3种预测模型的均方根误差E rms ㊁平均绝对误差E av 以及准确率r 来对比它们的预测准确度㊂通过对比,发现利用自回归求和滑动平均模型对风功率进行短期预测能得到比较高的预测精度㊂关键词:风功率预测;灰色系统;BP 神经网络;自回归求和滑动平均模型中图分类号:TK89㊀㊀文献标志码:A 0㊀引言㊀㊀随着 双碳 目标的稳步推进,以风能为代表的新型清洁能源正发挥着越来越重要的作用㊂近年来,我国风电装机容量迅速增加,但是风能具有波动性和不确定性的特点,这就导致风电场的输出功率也是非常不稳定,这样对电力系统的稳定㊁安全㊁经济运行造成一定的影响㊂因此需要对风功率进行精准预测预报,配合功率平滑技术的应用,从而提高风电场输出功率的稳定性,保障电力系统的安全㊁稳定㊁高效运行㊂1㊀风电场功率预测预报指标㊀㊀国家能源局早在2011年就对风电场输出功率的预测与预报做出明确的规范要求㊂按照相关规定,日预报是需要在特定时间前及时向当地电网调度部门提交第二天0点到24点按15min 单次的频次预测预报数据㊂实时预报指的是按照每15min 为一个时间节点对将来15min 到4h 的风电场输出风电功率的预测和预报㊂同时,规定了全天预测预报的结果,其均方根误差应当控制在20%以下,日预报的最大误差也要控制在25%以下,此外规定实时预报误差应控制在15%以下㊂2㊀灰色系统预测㊀㊀灰色系统其实就是指信息不能完全显示的系统,灰色系统预测就是对同时包含已知信息和不知信息的灰色过程建模并进行预测㊂灰色预测模型GM(1,1)的优点是对数据量的需求不大,可以利用常见的微分方程来探析灰色系统深层次的本质,其优点还包括精度高㊁运算方便㊁检验容易㊂但是,该模型的缺点也很明显,它仅仅适用在中短期的预测中和对呈现出指数增长趋势模型的预测,这就使得该模型只有相对较窄的适用范围㊂风功率的变化具有一定的可变性和不确定性,但是其变化过程又可以找到一定的规律㊂因此风电输出功率符合灰色系统的特征,因而可以在此基础上构建风电输出功率的灰色预测模型GM(1,1)[1]㊂灰色系统预测仅需要少量的数据,所以本文结合某风电场现场实际选取当天0点0分至3点45分4h 每15min 1个数据,总计16个原始数据来作为样本数据,预测该风电场4h 的输出风功率㊂建立模型步骤包括级比检验㊁使用GM(1,1)建模以及计算平均绝对误差进行模型检验最后得到预测结果㊂使用建模软件MATLAB 构建灰色系统GM(1,1)的预测模型,对该风电场4h 风电场的输出功率进行建模预测并展开分析㊂3㊀BP 神经网络预测㊀㊀BP 神经网络预测的基本原理主要是通过对误差的逆向传播算法来反复多次地训练多层前馈网络,其学习的规则通常是采用最速下降的方法,并且通过不断地反向传播来调整BP神经网络系统的阈值和权值,从而逐步减小误差平方和,使得计算到的误差平方和逐步到达最小的数值㊂BP神经网络预测模型作为风电场输出功率预测的模型㊂该系统基本的拓扑结构包含了输入层㊁隐含层和输出层3个层次[2]㊂BP神经网络通过不断的训练来调节从输入层到隐含层再到输出层之间的连接权值,这样该模型误差值的平均值会逐渐减小到最小㊂该模型预测的顺序包括: (1)网络初始化;(2)随机选择输入样本及期望输出;(3)计算隐含层各神经元的输入和输出;(4)计算误差函数对隐含层各神经元的偏导数;(5)修正连接权值㊁计算全局误差;(6)与预设精度进行比较;(7)选取下一个学习样本及期望输出;(8)重复(3)~(7)的步骤㊂BP神经网络模型在学习过程中需要充足的原始数据才能分析,在建模软件MATLAB建立仿真预测模型时,本文选取了同一风电场两天的风功率数值总计768个实测数据作为样本数据来进行训练,对同时间段4h的风电场风电输出功率进行预测分析㊂通过多次反复训练进而预测得到预测结果㊂4㊀自回归求和滑动平均模型㊀㊀㊀自回归求和滑动平均模型是一种常见的基于时间序列的模型,因此被称为ARIMA(p,d,q)模型,其基本的思想就是将预测得到的对象随着时间的分布排列成数列,并将这样的数列看成一个随机的序列,用自回归求和滑动平均模型来表达这个序列{X t},从而依照这个时间序列的原始数值来预测将来值[3]㊂自回归求和滑动平均预测模型不需要大量的样本数据来预测将来的风电场风电输出功率,本文采用同一风电场同一天全天采集到的96个风电功率P作为最原先的时间序列{X t},随后对时间序列进行分析并建立ARIMA模型,进而预测次日0点0分至3点45分的风电场输出功率㊂预测的流程包括以下6个方面㊂(1)利用ADF单位根检验的方式对时间序列散点图的方差㊁趋势,自相关函数的方差㊁趋势及其季节性变化的规律和偏自相关函数图的方差㊁趋势,以及其季节性变化的规律进行初步检测,从而判断时间序列的平稳性[4]㊂(2)对模型进行平稳化的处理:当模型检测到的时间序列出现不稳定时,这时需要对数据进行差分化处理,接着再次进行适当检测,直到时间序列趋于稳定的状态㊂(3)对模型进行进一步识别:根据自相关函数(ACF)的 拖尾 与 截尾 和偏自相关函数(PACF)的 拖尾 与 截尾 来对模型做进一步识别[3],其中 拖尾 是指自相关函数(ACF)或者偏自相关函数(PACF)在运算到某一步骤之后将以震荡衰减或者指数衰减的形式渐渐趋向于零; 截尾 是指自相关函数(ACF)或者偏自相关函数(PACF)在运算到某步之后变为零或变为不显著的非零㊂(4)对参数进行估计和对该模型进行定阶:该模型首先利用最小二乘法的方法来求能够使得残差平方和到达最小值的自回归参数p与滑动平均参数q,进而来对参数进行估计;随后采用AIC准则对模型进行定阶,最后选择Z值最小的模型来建模[4]㊂(5)对模型进行检验:若残差的序列呈现非自相关性的特征,那么该模型建设就是有效的㊂(6)利用自回归求和滑动平均函数对风电场输出功率进行预测,利用MATLAB编写相对应的函数,从而完成预测㊂5㊀预测方法对比分析㊀㊀㊀从图1可以看出,灰色系统预测模型的结果能够预测出样本数据的基本变化趋势,预测得到的结果对模型变化趋势的判断具有指导意义,但是从准确性的角度出发,该预测模型预测到的数值与样本数值之间依然存在不小的误差㊂在BP神经网络仿真计算过程中,该模型设定了16个隐含层的单元,通过反复多次训练,但是由于BP神经网络模型不太理想的收敛性,该模型得到的结果出现了不太稳定的现象㊂本文选取了相比较而言较为理想的预测结果,但是该预测得到的曲线与原始数据曲线的重合度并不高,个别的预测点相较于原始数据依然存在比较大的误差,如图1所示㊂通过对图像进行对比可以直观地看出,自回归求和滑动平均(ARIMA)模型预测到的风功率曲线和实际的风功率数据曲线具有最高的重合度,因此该模型的预测结果也最为准确㊂图1㊀3种预测得到的输出功率与实际输出功率的对比预测的精准度是判断风电场风电输出功率预测模型准确性最为重要的方式,本文分别计算出这3种风电输出功率预测模型的均方根误差E rms㊁平均绝对误差E av和准确率r,以此作为评价这3种预测模型准确性的标准,从而从其中选择最优的预测模型[5]㊂国家能源局也将准确率r作为风电场风电输出功率重要的考核指标㊂计算得到3种预测模型的均方根误差E rms㊁平均绝对误差E av和准确率r,如表1所示㊂表1㊀3种预测模型对比指标GM(1,1)BP神经网络ARIMA 平均绝对误差0.24960.32750.2022均方根误差0.07520.10620.0604准确率0.92480.89380.9396 6㊀结语㊀㊀从表1得到的数据可知,灰色预测GM(1,1)模型虽然不需要大量的样本数据,但是在风功率的预测应用中,仅仅适用于中短期的预测,存在使用范围相对较窄的缺陷,且主要适用在指数模型预测中,若风电场风电输出功率的样本数据不是呈现出指数变化,则灰色预测模型便不适用㊂BP神经网络预测模型虽然具有一定的自学习能力和自适应能力,但是在风功率预测模型的应用中需要进行大量的训练和学习,不一样的训练和学习次数会对训练结果产生不一样的影响,所以这样预测出来的结果不能让人满意㊂㊀㊀而本文采用的自回归求和滑动平均模型(ARIMA)则可利用历史数据进行建模分析,该预测模型需要的信息少,而且运算也非常方便,在风功率预测方面相比于其他两种预测模型具有准确性较高的特点,在风电场现场风电输出功率预测的应用中可以使用㊂参考文献[1]佘昊龙,曹晓宇,赵桓锋.灰色模型预测风电功率[J].无线互联科技,2012(7):177.[2]史博明.基于组合模型的短期风电功率预测研究[D].石家庄:河北科技大学,2021.[3]麻常辉,冯红霞,蒋哲,等.基于时间序列和神经网络法的风电功率预测[J].山东大学学报(工学版),2014(1):85-89.[4]党睿,张俊芳.基于自回归滑动平均模型的风电功率预测[J].安徽工业大学学报(自然科学版), 2015(7):274-275.[5]孟岩峰,胡书举,邓雅,等.风电功率预测误差分析及预测误差评价方法[J].电力建设,2013(7):6-9.(编辑㊀李春燕)Research on the accuracy of wind power prediction model in wind farmLiu ZhibingJiangsu Longyuan Wind Power Co. Ltd. Nantong226500 ChinaAbstract The accuracy of wind farm output power prediction needs the support of accurate wind power prediction therefore continuously improving the accuracy of wind power prediction is the key to accurate wind power prediction. In order to predict wind power accurately keep the output wind power of the wind farm stable and improve the efficiency of wind energy utilization and the stability of power system.In this paper three most common models are used to predict wind power output auto regressive summation moving average module ARIMA gray system GM1 1 and BP neural network module.In this paper we select the wind power output value of a wind farm on a certain day in April as a sample for ultra short-term prediction.And then calculate the root mean square error E rms the mean absolute error E av and the accuracy r of this three prediction models to compare their predictions.By force of contrast it is found that using auto regressive summation moving average model to predict short-term wind power can obtain relatively high prediction accuracy.Key words wind power prediction gray system BP neural network auto regressive summation moving average model。

94科技资讯 SC I EN C E & TE C HN O LO G Y I NF O R MA T IO N动力与电气工程1 风电短期功率预测对短期功率预测可分为两种,一种是预测风速,然后依据风电机组或者风电场功率曲线获得风电场的功率输出;另一种是直接预测风电场的输出功率。

短期风电功率预测算法分析:短期预测中考虑到粗糙度、地形等因素,进行预测时采用物理方程的方法称为物理方法,依据历史数据统计,进行预测时,分析找出其内在规律的方法称为统计方法。

若同时采用两种方法称为综合方法。

(1)物理方法。

它以天气预报系统的预测数值结果为根据,获得风向、风速、气温、气压等数据。

采用计算流体力学法或者微观气象学理论,计算出风电机组轮毂高度的风向、风速、气温、气压等数据,然后以风电场的功率曲线为依据计算风电场的输出功率。

(2)统计方法。

不将风速变化的物理过程考虑在内,统计方法以历史统计数据为依据找出天气状况和风电场出力的关系,进而以实测数据和天气预报数值数据为依据预测风电场输出功率。

(3)综合方法。

组合模型基本原理采用以计算流体力学方法或者微观气象学理论为基础建立风电场的物理模型,预测风电场的输出功率。

建立风电功率预测系统的统计模型,以天气预报数值数据以及物理模型的输出作为输入,预测风电场输出功率。

组合模型的应用可使预测精度和模型的适用性得到有效提高。

2 风电场输出功率统计模型影响因素分析2.1输出功率和风速的关系风影响风电场的输出功率,即随风波动。

而风力机得出风功率计算式如下式:312pP C A V (2-1)式中:P-风轮输出功率(kW); p C -风轮的功率系数;A－风轮扫掠面积(m 2);ρ－空气密度(kg/m 3);V－风速(m/s)。

某变速型风电机组的功率曲线在标准空气密度下如图1所示。

见图1,处于功率曲线较陡的区域间,风速变化虽然很小,但却能引起很大的功率变化,另外,风速变化为2.5m/s,功率变化约为200kW。

基于融合模型的风电场输出功率短期预测方法王凌云;夏展鹏;许弘雷;周璇卿【摘要】风电场功率短期预测对并网风力发电系统的运行有着重要意义,在考虑风速、温度、海拔等影响风电功率的主要因素的基础上,为提高风电场短期输出功率的预测精度,提出基于风速与风电功率的融合预测模型.首先针对风电功率的直接预测,采用自回归时间序列和广义回归神经网络的组合模型来预测;然后再利用该组合模型预测风速,根据风速与风电功率的关系间接求出预测的风电功率;最后将前两种组合预测模型进行再次组合,得到融合预测模型.以吉林洮北风电场的短期功率预测为例,运用Matlab软件编程实现本文所提出的算法,验证模型的准确性与可行性,得到融合预测模型的预测相对误差为7.156％,可有效提高大型风电场输出功率的预测精度.【期刊名称】《电源技术》【年(卷),期】2015(039)010【总页数】4页(P2259-2262)【关键词】风速预测;功率预测;自回归时间序列;广义回归神经网络;融合预测模型【作者】王凌云;夏展鹏;许弘雷;周璇卿【作者单位】三峡大学电气与新能源学院,湖北宜昌443002;三峡大学电气与新能源学院,湖北宜昌443002;华中科技大学能源与动力工程学院,湖北武汉430074;三峡大学电气与新能源学院,湖北宜昌443002【正文语种】中文【中图分类】TM614由于风能的随机性和间歇性会造成风电场输出功率频繁波动，给含风电场的电力系统调度带来新的困难，使得运行和调度人员难以像对待常规机组那样准确给出系统内各台发电机组的调度计划，导致系统的运行情况可能发生恶化，因此风能的预测对电网的平稳安全运行具有十分重要的意义。

风电功率预测方法主要分为统计方法和物理方法。

文献[1]指出统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，再根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有自回归时间序列、神经网络、支持向量机[2-3]等。