风电功率的预测
- 格式:doc
- 大小:1.07 MB
- 文档页数:13
电力系统中的风电功率预测与出力优化研究随着可再生能源的快速发展和应用,风力发电作为一种绿色、可再生的能源形式在电力系统中的重要地位日益突出。
然而,风电的不稳定性和随机性给电力系统的运行和调度带来了一系列挑战。
为了更好地利用风电资源,电力系统中的风电功率预测和出力优化研究成为了当下的热点和挑战。
一、风电功率预测风电功率预测是指通过对风速、风向、温度等气象因素的监测和分析,利用数学模型和算法来预测未来一段时间内风电的发电功率。
准确的风电功率预测对电力系统的运行和调度具有重要意义。
针对风电功率预测的研究,目前主要采用的方法有物理模型法、统计模型法和混合模型法。
1. 物理模型法:物理模型法是基于风机工作原理和轴流理论建立的模型,通过对风场和风机的物理过程进行建模和仿真,来预测风机的出力。
该方法需要大量的气象数据和风机的具体参数,预测效果较好,但对数据要求较高,且计算复杂度较高。
2. 统计模型法:统计模型法是基于历史数据对风电功率进行预测,通过对历史风速和风电数据的分析和建模,来预测未来一段时间内的风电出力。
常用的统计模型包括回归模型、ARIMA模型和时间序列模型等。
该方法计算简单、易于实施,但对历史数据的可靠性和准确性要求较高。
3. 混合模型法:混合模型法是综合利用物理模型法和统计模型法来进行风电功率预测的方法。
该方法通过将两种模型的优势相结合,可以改善预测的准确性和稳定性。
混合模型法要求对多种模型进行有效的组合和集成,涉及到模型的参数调整和优化。
二、风电出力优化风电出力优化是指通过电力系统的调度和运行方式,最大限度地提高风电场的出力利用率,并能够平稳地将风电功率注入电网。
通过对电力系统的运行状态、负荷需求和风电场的特性进行分析和建模,可以制定出合理的出力优化策略。
风电出力优化的研究主要包括风电场布置优化、风电与传统电源的协调调度、风电与储能设备的协同调度等方面。
1. 风电场布置优化:风电场的布置优化是指通过合理的选择和配置风机的位置,来最大限度地提高整个风电场的发电效率。
《风电功率预测关键技术及应用综述》篇一一、引言随着全球能源结构的转型和环境保护意识的提升,可再生能源的开发与利用日益受到重视。
其中,风电作为清洁、可再生的能源形式,已经成为全球能源发展的重要方向。
然而,由于风能的随机性、间歇性和不可预测性,风电功率的准确预测成为风电并网运行和调度管理的重要问题。
本文旨在综述风电功率预测的关键技术及其应用,以期为相关研究提供参考。
二、风电功率预测关键技术(一)数据驱动型预测技术数据驱动型预测技术主要依靠历史数据和统计方法进行预测。
其中,时间序列分析、机器学习和人工智能等方法被广泛应用于风电功率预测。
时间序列分析通过分析历史风电功率数据,建立时间序列模型进行预测。
机器学习和人工智能则通过训练大量的样本数据,学习风能的时空分布规律和风速、风向等气象因素对风电功率的影响,从而提高预测精度。
(二)物理驱动型预测技术物理驱动型预测技术基于风能产生的物理过程和气象学原理进行预测。
该技术利用气象学模型、大气数值预报模型等工具,对风速、风向等气象因素进行预测,进而推算出风电功率。
物理驱动型预测技术的优点在于考虑了风能的物理特性,能够提供更准确的长期预测。
(三)组合预测技术组合预测技术将数据驱动型预测技术和物理驱动型预测技术的优点相结合,通过组合不同的预测方法和模型,提高预测精度。
该技术可以充分利用历史数据和气象信息,同时考虑风能的随机性和可预测性,从而实现对风电功率的准确预测。
三、风电功率预测的应用(一)电网调度与管理风电功率预测在电网调度与管理中具有重要作用。
通过准确预测风电功率,可以合理安排电网调度计划,平衡电力供需,减少电网运行风险。
同时,风电功率预测还可以为电网运行优化提供支持,提高电网运行效率和可靠性。
(二)风电机组控制与维护风电功率预测对于风电机组的控制和维护具有重要意义。
通过预测风电功率,可以实现对风电机组的优化控制,提高风能利用率和发电效率。
同时,还可以根据预测结果合理安排风电机组的维护计划,延长设备使用寿命,降低运维成本。
短期风电功率的预测方法短期风电功率预测是指对未来1-48小时内的风速变化进行预测,并从中推导出未来的风电功率。
在风电发电方面,预测未来的风电功率具有重要意义,这有助于降低风电发电的成本,优化风电发电的规划,增强风电系统的运行效率。
以下是短期风电功率预测的几种常用方法。
1.统计学方法先将历史气象数据和风电功率数据表格化,再进行数据处理和分析。
通过建立一个统计模型来预测未来的风速,并通过这个模型得到未来的风能利用率和风电功率。
2.神经网络方法神经网络是一种模拟大脑的计算方法,该方法可以处理大量数据,发现数据中的未知关系,进而进行预测。
首先,通过历史气象数据和风电功率数据训练神经网络的参数,然后将训练好的神经网络应用于新的预测场景。
3.时间序列方法时间序列法是一种通过观察历史数据来进行未来预测的方法。
首先将历史数据统计分析,得到趋势、季节性等信息。
然后建立数学模型进行预测。
例如,可以使用ARMA模型,预测未来的风速。
4.物理模型方法这种方法是基于风能转换的物理原理进行预测的。
先将历史数据与风机性能和气象条件相关的物理模型相结合,再运用一些经验公式和气象学规律,建立预测模型。
最终,计算模型可以给出未来1-48小时的风能利用率和风电功率。
短期风电功率预测方法的选择取决于多种因素,如该地区风电系统的规模、历史数据可靠程度、气象条件等。
对于较小规模的风电系统,统计学方法和时间序列方法是最适合的预测方法。
但是针对以太阳能和风能资源为主的多元可再生能源电力系统,结合多模型综合预测可能更加完善,同时可以包括多个子模型的结果,以提高预测精度。
无论选用哪种方法,关键是要收集足够可靠的历史数据,建立准确的预测模型,以确保风电系统在未来的发电中能够更有效率、高效稳定。
《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的日益重视和清洁能源需求的增加,风电作为一种绿色、可再生的能源,正逐渐成为能源结构中的重要组成部分。
然而,由于风能的间歇性和不确定性,风电场的风电功率预测成为了提高风电利用率和并网安全的关键问题。
本文旨在探讨风电场风电功率预测的方法及其应用。
二、风电功率预测的意义与重要性1. 优化电网调度:通过准确的预测风电功率,电力公司可以更有效地调度其他电源,减少备用容量的浪费,实现电力系统的优化运行。
2. 提高风电利用率:准确的预测有助于提高风电场的运行效率,减少因风力波动导致的弃风现象,从而最大化利用风能资源。
3. 降低运维成本:预测有助于提前发现并处理潜在的设备问题,降低因设备故障带来的损失。
三、风电功率预测的主要方法1. 物理模型法:基于风速、风向、大气压力等物理因素构建数学模型进行预测。
该方法考虑了风能的物理特性,但受限于气象数据的准确性和实时性。
2. 统计学习法:利用历史数据和统计方法进行预测。
包括时间序列分析、机器学习算法等。
该方法对历史数据要求较高,但在数据处理和模式识别方面有显著优势。
3. 混合预测法:结合物理模型法和统计学习法的优点,同时考虑风能的物理特性和历史数据信息,以提高预测的准确度。
四、具体应用方法及实例分析1. 时间序列分析法:该方法利用历史风电功率数据建立时间序列模型,通过分析时间序列的规律性来预测未来的风电功率。
例如,基于ARIMA模型的短期风电功率预测。
2. 机器学习算法:利用神经网络、支持向量机等机器学习算法进行预测。
如深度学习模型在风电功率预测中的应用,通过对大量历史数据进行训练,建立复杂的非线性关系模型,提高预测精度。
3. 混合模型应用:结合物理模型法和统计学习法的混合模型在风电功率预测中的应用。
例如,结合风速物理模型和神经网络算法的混合模型,既能考虑风能的物理特性,又能充分利用历史数据的规律性。
五、挑战与未来展望尽管现有的风电功率预测方法取得了一定的成果,但仍面临一些挑战:1. 数据质量问题:气象数据的准确性和实时性对预测结果有重要影响。
《风电功率预测的发展现状与展望》篇一一、引言随着全球能源结构的转型和环境保护意识的提升,可再生能源的开发与利用成为世界各国关注的焦点。
其中,风电作为清洁、可再生的能源,其发展潜力巨大。
风电功率预测技术作为风电产业的重要组成部分,对于提高风电并网效率、优化电力调度以及降低运行成本具有重要意义。
本文将详细探讨风电功率预测技术的发展现状及未来展望。
二、风电功率预测的发展现状1. 技术进展风电功率预测技术经过多年的发展,已经从初期的简单模型预测逐步发展到复杂的数据驱动模型预测。
目前,常用的预测方法包括物理模型法、统计模型法以及混合模型法等。
这些方法在不断优化和改进中,提高了预测精度和可靠性。
物理模型法主要依据风电场的地理位置、气象条件等因素,通过物理规律进行功率预测。
统计模型法则主要依据历史数据,通过机器学习、神经网络等方法建立模型进行预测。
混合模型法则结合了物理模型法和统计模型法的优点,既考虑了风电场的物理特性,又利用了历史数据进行训练和预测。
2. 应用领域风电功率预测技术在电力系统、风电机组控制、电力市场等领域得到广泛应用。
在电力系统中,通过风电功率预测可以优化电力调度,减少能源浪费;在风电机组控制中,可以通过预测结果调整机组运行状态,提高发电效率;在电力市场中,风电功率预测可以为电力交易提供参考依据,帮助市场主体做出决策。
三、风电功率预测的挑战与问题尽管风电功率预测技术取得了显著进展,但仍面临一些挑战和问题。
首先,风电功率受气象条件影响较大,如风速、风向等变化都会对预测结果产生影响。
其次,风电场的地形、地貌等因素也会对预测结果产生影响。
此外,数据质量和数据获取也是影响预测精度的关键因素。
此外,如何将多种预测方法进行融合,提高预测精度和可靠性也是亟待解决的问题。
四、风电功率预测的未来展望1. 技术创新未来,随着人工智能、大数据等技术的发展,风电功率预测技术将不断创新和优化。
一方面,可以通过引入更多维度的数据信息,如卫星遥感数据、气象预报数据等,提高预测精度和可靠性;另一方面,可以通过深度学习等方法对模型进行优化和改进,使其能够更好地适应不同的风电场和环境条件。
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。
电力系统中的风电功率预测算法及性能分析随着可再生能源的快速发展,风能作为一种清洁、可持续的能源形式越来越受到关注和应用。
然而,由于风能的不稳定性和不可控性,风电预测成为实现可靠电力系统运行的关键技术之一。
本文将探讨电力系统中的风电功率预测算法,并进行性能分析。
一、风电功率预测算法1. 天气预测模型天气状况对风力发电的影响非常显著。
天气预测模型通过分析气象数据、风速、风向、温度等参数,预测未来一段时间内的风力状况。
根据预测结果,可以对未来风电功率进行估计。
2. 基于统计学的方法统计学方法通过对历史风速数据进行分析,建立概率模型来预测未来的风速和风电功率。
这些方法通常采用回归分析、时间序列分析等技术,其中常见的算法有ARIMA、GARCH等。
3. 人工智能算法人工智能算法,特别是机器学习方法,在风电功率预测中得到广泛应用。
这些算法通过对大量历史数据的学习和训练,建立模型来预测未来风电功率。
常用的机器学习算法包括支持向量机(SVM)、神经网络、随机森林等。
二、风电功率预测算法性能分析1. 精度评估预测模型的精度是评估算法性能的重要指标。
常用的评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)等。
通过与实际风电功率数据进行比较,可以评估预测算法的精度。
2. 实时性分析风电功率预测需要在实时性要求下进行,因此实时性分析也是一个重要的指标。
实时性分析要考虑算法的计算速度和处理能力,以确保预测模型可以在规定的时间内完成预测任务。
3. 鲁棒性测试风力发电场的环境和运行条件存在一定的不确定性,因此预测模型的鲁棒性也是需要考虑的因素。
通过引入不同的干扰和扰动,可以测试算法在不同条件下的预测能力。
4. 长期性能评估风力发电的长期性能评估是衡量风电功率预测算法可靠性的重要标准。
通过对预测结果的长期跟踪和分析,可以评估算法在实际运行中的稳定性和准确性。
根据以上算法和性能分析,可以看出不同的风电功率预测算法在精度、实时性、鲁棒性和长期性能等方面存在差异。
电力系统中的风电功率预测随着可再生能源的不断发展,风力发电已成为世界各地广泛使用的一种清洁能源。
但是,由于风场的风速和方向的不稳定性,风力发电的功率输出具有较大的波动性,这就给电网运行带来了一定的影响。
因此,风电功率预测已成为电力系统管理和调度的重要手段之一。
一、风电功率预测的意义风电功率预测是针对风电场内风速和风向变化情况,利用数学模型和统计方法预测未来一定时间内风机的输出功率,从而实现电力系统对风电的调度和管理。
在电网运行中,风电功率占比越来越大,如果不能对其进行准确的预测,就会影响电网的稳定性和运行效率。
因此,风电功率预测的意义在于:1.为电力系统安全稳定运行提供支持风电场不断输出的功率变化给电网运行带来了巨大的挑战,为了保证电力系统的安全稳定运行,需要实时监测和预测风电场的功率输出变化,从而及时调整电网的负荷和发电机输出。
2.优化风电分布式发电行业运营效益对于分布式风电发电场而言,精准的风电功率预测可以让发电场的运营者做出相应的策略,调整风机的功率输出,实现最优化运营。
3.提高电力系统对风电的接受度和可靠性一方面,准确的风电功率预测可以降低风电波动给电网带来的不良影响;另一方面,风电功率预测的准确性也是提高电力系统对风电接受度和可靠性的关键。
二、风电功率预测的方法风电功率预测的方法主要可分为基于物理模型的方法和基于统计学方法的方法两类。
1.基于物理模型的方法基于物理模型的方法是利用风机的结构与性能参数以及附器的测量数据,采用风力机理论进行预测功率的方法。
该方法依赖于风电场的物理模型,利用风速、风向和温度等气象数据进行预测,因此对模型的精度有很高的要求。
2.基于统计学方法的方法基于统计学方法的方法则是基于历史数据或其他影响因素进行预测的方法,通常是通过建立一个统计模型,综合考虑多个相关的气象和运行参数因素,预测未来的风电功率变化。
目前应用比较广泛的统计方法包括人工神经网络(ANN)、支持向量机(SVM)等。
《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的关注日益增长,风电作为清洁、可持续的能源来源,其在能源结构中的地位逐渐提升。
然而,风能的间歇性和不稳定性给电力系统的稳定运行带来了挑战。
因此,对风电场的风电功率进行准确预测,对于电力系统的调度和优化运行至关重要。
本文将探讨风电场风电功率预测的方法,并对其有效性进行分析。
二、风电功率预测的重要性风电功率预测不仅对于电力系统的稳定运行具有重要意义,也对风力发电的经济效益有着重要影响。
通过准确预测风电功率,可以合理安排风电场维护计划、制定电力市场策略、优化电力系统调度等。
此外,准确的预测还可以为电力系统提供更多的灵活性,以应对风能的间歇性和不稳定性。
三、风电功率预测方法目前,风电功率预测方法主要分为两大类:物理方法和统计方法。
(一)物理方法物理方法基于大气动力学和气象学原理,通过分析风速、风向、温度、气压等气象因素的变化规律,来预测风电场的功率输出。
这种方法通常需要大量的气象数据和复杂的计算模型。
物理方法的优点是考虑了风能的物理特性,能够较为准确地预测风电场的功率输出。
然而,由于气象因素的复杂性和不确定性,物理方法的预测精度往往受到限制。
(二)统计方法统计方法则是通过分析历史数据,建立风电功率与气象因素之间的统计关系模型,以实现风电功率的预测。
常用的统计方法包括时间序列分析、机器学习等。
统计方法的优点是简单易行,对数据的依赖性较小。
然而,由于风能的复杂性和不确定性,统计方法的预测精度也受到一定影响。
四、本文研究内容本文将重点研究基于机器学习的风电功率预测方法。
首先,收集历史风电功率数据和气象数据,对数据进行预处理和特征提取。
然后,利用机器学习算法建立风电功率预测模型,如支持向量机、神经网络等。
最后,通过对比实验验证模型的预测性能,并分析模型的优缺点及适用范围。
五、实验与分析通过实验对比发现,基于机器学习的风电功率预测方法在一定的条件下能够取得较好的预测效果。
风电功率预测引言随着清洁能源的重要性日益凸显,风能作为一种重要的可再生能源得到了广泛应用。
然而,由于风力资源存在时空变化性和不确定性,风电场的风电功率预测成为提高风电发电效率和可靠性的关键问题。
准确预测风电功率有助于优化风电场的运行调度和供电规划,提高风电场的发电效益。
风电功率预测的意义风电功率预测是在给定的时间段内,对未来某一特定时间点的风电功率进行估计。
准确的风电功率预测可以帮助风电场优化能源分配、制定合理的消纳计划以及进行风机控制和维护计划。
具体而言,风电功率预测的意义如下:1.助力风电场的运行调度:准确的功率预测可以帮助风电场根据未来的供需情况制定合理的风机控制策略,实现风电场的运行调度优化。
2.增强电网的供电可靠性:风电场的风电功率波动性较大,准确预测风电功率可以帮助电网公司更好地进行负荷预测和供电计划,提高电网供电可靠性。
3.优化风电发电效益:准确的预测结果有助于风电场制定合理的发电计划,实现对发电能力的充分利用,从而优化风电的发电效益。
风电功率预测方法基于统计方法的风电功率预测基于统计方法的风电功率预测是通过统计历史风速与功率数据的关系,建立数学模型来预测未来的风电功率。
常用的统计方法包括ARIMA模型、支持向量回归(SVR)、随机森林(Random Forest)等。
1.ARIMA模型:ARIMA模型是一种经典的时间序列预测模型,可以用于风电功率时间序列数据建模和预测。
ARIMA模型通过分析时间序列的自回归、滑动平均和差分属性,构建自回归差分滑动平均模型来捕捉时间序列数据的规律性,进行功率预测。
2.支持向量回归(SVR):SVR是一种基于支持向量机(SVM)的非线性回归算法,可以用于风电功率预测。
通过在高维特征空间中构建最优超平面,SVR可以有效地处理多维非线性关系,适用于风电功率的复杂预测问题。
3.随机森林(Random Forest):随机森林是一种集成学习算法,通过组合多个决策树来进行预测。
摘要本文针对风电场的功率问题,以预测功率为目标函数,建立了目标预测求解模型,通过对已有数据的处理得到了较为理想的预测结果。
针对问题一,进行较为合理的预测,关键在于选用较为合理的数据处理方法。
方法一为灰色预测法,灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的模型,从而预测事物未来发展趋势的状况。
其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量。
方法二为加权序时平均法,该方法为一种历史资料延伸预测,以时间为序列,综合事物的各个因素,反应事物发展过程及规律性,并预测其发展规律。
采取10天的数据,建立模型,用matlab求解。
方法三为二次移动平均法,是对一次移动平均数再进行第二次移动平均,再以一次移动平均值和二次移动平均值为基础建立预测模型,计算预测值的方法。
为了消除滞后偏差对预测的影响,在此基础上建立线性趋势模型,利用线性模型求解。
该方法既提高了精度,又降低了波动预测的难度。
针对问题二,对问题一所得数据进行简单分析即可得到结果,所测得的数据与实际数据越接近,则该测量方法越准确。
由概率论中相关结论可知,当数据较多时(P58)比数据单一时(P1)要稳定。
故而有P58的预测相对容易些。
单个机组的预测波动情况较大。
此外,(P1)与(P58)又有极强的线性关系,因为58个机组外界环境相同,个机组大体情况相同,不同是因为个别机组的个别问题造成的。
针对问题三,我们采用自适应滤波法。
它要寻找一组“最佳”的权数,其办法是先用一组给定的权数来计算一个预测值,然后计算预测误差,再根据预测误差调整权数以减少误差。
这样反复进行,直至找出一组“最佳”权数,使误差减少到最低限度。
当数学模型不准确时,人们采用自适应滤波来代替常规卡尔曼滤波以防止滤波精度下降。
至今人们已经提出来许多自适滤波方案。
在许多领域中得到广泛的推广和应用。
关键词灰色预测法加权序时平均法二次移动平均法自适应滤波法二问题的提出根据百度百科,“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。
问题1: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;4)试根据附件1中关于实时预测的考核要求分析你所采用方法的准确性; 5)你推荐哪种方法?问题2:试分析风电机组的汇聚对于预测结果误差的影响。
在我国主要采用集中开发的方式开发风电,各风电机组功率汇聚通过风电场或风电场群(多个风电场汇聚而成)接入电网。
众多风电机组的汇聚会改变风电功率波动的属性,从而可能影响预测的误差。
在问题1的预测结果中,试比较单台风电机组功率(PA,PB,PC,PD)的相对预测误差与多机总功率(P4,P58)预测的相对误差,其中有什么带有普遍性的规律吗?从中你能对风电机组汇聚给风电功率预测误差带来的影响做出什么样的预期?问题3:进一步提高风电功率实时预测精度的探索。
提高风电功率实时预测的准确程度对改善风电联网运行性能有重要意义。
请你在问题1的基础上,构建有更高预测精度的实时预测方法(方法类型不限),并用预测结果说明其有效性。
通过求解上述问题,请分析论证阻碍风电功率实时预测精度进一步改善的功率的主要因素。
风电功率预测精度能无限提高吗?三问题的分析题目所要求解决的是风电功率的预测,由于风电场的输出功率在极大程度上受天气影响(主要是风),而风的变化极难预测,故而风功率的预测也较难。
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。
电力系统最大的特点是实时动态平衡,也就是要保证每一个时刻所发出来的电与所消耗的电刚好平衡,才能保证电力系统的稳定和安全。
在风力发电接入电力系统之前,电力系统面对的是可以预测的负荷和可以控制的电源,在负荷预测的基础上,通过对发电的调度控制来保证电力系统的实时动态平衡。
对于问题一,由于风的较大的波动性,使得输出功率极不稳定。
故而,如何准确地预测风电功率,是电力调度部门最关心的。
以预测功率为目标函数,用不同的方法对已知数据进行处理。
在三种预测方法中,分别用不同的路径处理数据。
三种预测都存在一定的误差,然而,三种方法中肯定有一种是误差最小的。
而且,预测误差越小,预测结果越精确,该方法性能越好,这就是最为合适的预测方法。
对于问题二,由概率论知识可有,对总体P58的预测应该较为容易,整体的的波动情况主要受外界环境影响,受自身影响较小,从而测量应该较为容易。
而单个机组从很大程度上受自身因素影响(故而会有负输出的情况)。
集中开发的方式开发风电使得风电输出功率的波动性大大降低,预测结果误差变小。
对于问题三,要进一步提高风电功率的预测,就需要建立更为精确地模型,目标函数不变,只需改变路径。
对已知数据进行更为精确的分析,使得新的预测结果,较问题一中的三种预测值更接近真实值。
而在P4,P58,PA,PB,PC,PD 的预测中,我们更为重视P58的值。
四符号的说明Sⁿit′————表示第n机组第i时点第t-N+1~t天的平均功率。
(n=1,表示A机组;n=2,表示B机组;n=3,表示C机组;n=4,表示D机组;n=5,表示ABCD四个机组;n=6,表示58总机组。
)Sⁿit″————表示二次移动平均值。
m————超前期数。
————预测计划曲线准确率。
————k时段的实际平均功率。
————为k时段的预测平均功率。
————风电场开机容量。
A(0)——风电机组A的时序功率。
————为第t +1期的预测值。
————为第t −i +1期的观测值权数。
y t-i+1————为第t −i +1期的观测值.N————为权数的个数。
n————为序列数据的个数。
————为调整前的第i 个权数。
————'为调整后的第i个权数。
k————为学习常数。
————为第t +1期的预测误差。
a,b————模型参数。
五模型的假设1.机组的功率为连续变化的曲线。
2.58个机组的数据可以同一时点收集,不存在先后性。
3. 风功率的输出部分与自然因素无关。
4. 只考虑发电充裕度,不考虑线路约束。
5. 不考虑负荷预测误差与机组停运。
6. 功率需求永远大于输出。
六模型的建立与求解第一部分:准备工作(一)数据的处理1、已知数据全部为实测数据,无缺失数据。
2、由图表(见附件四)可知数据并未出现周期性的规律。
3、对数据特点(后面将会用到的特征)进行提取。
(二)聚类分析(进行采样)根据第一,二,三问的需要,采样P58,PA,PB,PC,PD,P4,共5组采样。
将采样所对应的特征值以图表方式列出(见附件四)。
由图像可知,风电机组功率变化并无可直接观测到的特殊规律。
第二部分:问题一求解问题一求解方法一(GM模型)灰色系统理论认为任何随机过程都是在一定幅值范围、一定时区变化的灰色量,在处理技术上,灰色过程是通过原始数据整理来寻找规律,宣称为数的生成,而基于概率统计的随机过程则是按统计规律、先验规律来处理问题的,所以要求数据越多越好,或者说它是建立在大样本的基础上的,但也不一定有效,即大样本也不一定能找到规律,找到的统计规律也不一定是典型规律,而灰色过程则无此限制,这是因为尽管客观系统表象复杂,数据杂乱,但它往往是具有整体功能的,总是有序的,因此必然暗藏某种规律,关键在于用适当方式挖掘它。
灰色理论预测风电功率的基本原理在于两个方面:(1)风电机组功率内难以发生剧烈变化,这使风电机组功率的超短期预测具有可行性;(2)灰色理论不同于其他预测理论和方法的区别在于:在样本数据很少、信息量极少的情况下也可以有效预测。
本文取十天的数据作为数据长度:风电机组A的时序功率为A(0)=[A(0)1, A(0)2,A(0)3,A(0)4,…,A(0)n]对数列按照GM(1,1)模型去进行计算生成一个累加数列A(1)=[ A(1)(1),A(1) (2),A(1) (3),A(1) (4) ,…,A(1) (n)]…其中) A(1)(K)= A(0)(1) +A(0)(2) +……+A(0)(K)构造GM(1,1)模型的一阶微分方程:d A(1)/dt+a A(1)=b令V(0)=A(0),V(1)=A(1);模型系数a 和b 可以用最小二乘法求得,即误差分析公式:为预测计划曲线准确率,为k 时段的实际平均功率;为k 时段的预测平均功率;N 为日考核总时段数(取96点—免考核点数);为风电场开机容量。
其中:为合格率。
1.2问题一求解方法二(加权序时平均法)风电机组的输出功率变化比较大,考虑到时点前功率对时点功率有影响,采用将时点前的功率进行加权,再采用平均的方法,求得要求预测的功率。
本方法使用前十天的数据,其具体方法如下:Sⁿit ′=(P t + P t-1+ P t-2+…+ P t-N+1 )/NSⁿit ″=(S it ′/1+S ′it-1 /2+S ′it-2/3+…+S ′it-N +1 /N )/(N*(1+1/2+…+1/N ))a t=2*Sⁿi t′-Sⁿit″b t=2(Sⁿit′-Sⁿit″)/(N-1)F t+m= a t +mb t m为超前期数其中Sⁿit′表示第n机组第t-N+1~t时点的平均功率。
Sn it″表示第n机组的二次移动平均值。
误差分析公式,同GM模型(即问题一求解方法一)1.3问题一求解方法三(二次移动平均法)由于风电机组的功率输出功率变化较大,并且临近时点的功率值变化较大,这时用加权平均法,不能很好的反应数据的变化趋势。