下载文档原格式
德国海上风电发展分析及启示中国新能源网2011-11-4 15:23:000 引言德国是风电发展最快的国家之一。
经过几十年的发展，德国陆上风电逐渐饱和，这直接催生了海上风电的发展。
德国海上风电发展及并网方面的经验对促进我国风电发展具有借鉴意义。
1 德国海上风电场发展情况1.1 海上风电发展概况2009年，全球海上风电呈现快速增长态势[1]。
全球海上风电新增装机68.9万kW，同比增长100％，远高于30.1％的陆上风电增长速度。
欧洲是海上风电的主要市场，2009年新增8个海上风电场共计199台风机，合计装机容量达57.7万kW，累计总装机容量为205.6万kW，占世界海上风电装机容量的90％。
图1为2000—2009年世界海上风电装机情况。
2009年德国新增风电装机191.7万kW[2]，位于世界第4，前3位为中国、美国、西班牙；累计装机2577.7万kW，位于世界第3，仅次于美国和中国。
目前风力发电占德国可再生能源发电总量的近40％，占发电总量的8％。
图1 2000—2009年世界海上风电装机情况由于德国陆上风能资源开发程度较高，继续建设陆上大型风电场的可能性很小，因此，德国风电开发重点由陆地分散开发转向海上大规模开发，如北海和波罗的海的海上风电。
2008年之前，德国在领海范围的堤坝和港口附近较浅的位置建造了3台风电机组[1]，包括2004年在北海地区Emden的1台4.5MW的风机，2006年在波罗的海Rostock的1台2.5 MW 的风机，2008年在北海地区Hooksiel的1台5 MW风机。
2010年德国建成投运了第1个海上风电场Alpha Ventus，位于Borkum岛西北45 km处的北海，装有12台5 MW风电机组。
该工程于2010年4月全部投入运行，8月正式发电，是世界上第1个已并网的使用5 MW 风电机组的海上风电场。
这是德国迈出海上风电的第一步，工程历时超过10年，参与的公司超过20家。
《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可再生能源的快速发展，风电作为清洁、可再生的能源形式，越来越受到各国的重视。
风电功率预测作为风电并网和运行的关键技术之一，对于提高风电的利用率、减少弃风现象、优化电网调度等具有重要意义。
本文旨在综述风电功率预测的关键技术及其应用现状，以期为相关研究与应用提供参考。
二、风电功率预测的关键技术1. 数据采集与预处理技术数据采集与预处理是风电功率预测的基础。
通过对风电场的历史数据、气象数据、地形数据等进行采集和预处理，提取出对风电功率预测有用的信息。
此外，还需要对数据进行清洗和校正，以消除异常数据和噪声干扰。
2. 预测模型构建技术预测模型是风电功率预测的核心。
目前，常用的预测模型包括物理模型、统计模型和机器学习模型等。
物理模型基于气象学原理和风电场特性进行预测，统计模型则通过分析历史数据找出风电功率与气象因素之间的统计关系，而机器学习模型则通过学习大量数据找出风电功率的规律和趋势。
3. 预测算法优化技术针对不同的预测模型，需要采用相应的优化算法来提高预测精度。
常见的优化算法包括支持向量机、神经网络、集成学习等。
这些算法可以通过对历史数据进行学习和训练，找出风电功率的变化规律和趋势，从而提高预测精度。
三、风电功率预测的应用现状1. 风电并网与调度风电功率预测技术可以帮助电力系统调度中心准确掌握未来一段时间内的风电功率变化情况，从而合理安排电网调度，提高风电的利用率和电网的稳定性。
此外，还可以通过预测结果对风电场进行调度优化，减少弃风现象。
2. 风电场规划与设计风电功率预测技术可以为风电场的规划和设计提供重要依据。
通过对历史数据和气象数据的分析，可以找出风电场的最优布局和风电机组的配置方案，从而提高风电场的发电效率和经济效益。
3. 电力市场交易在电力市场交易中，风电功率预测技术可以帮助电力生产商和电力交易商准确掌握未来一段时间内的电力供需情况，从而制定合理的电力交易策略，提高电力市场的竞争力和效益。
风电功率预测技术综述风电功率预测技术综述一、引言随着全球能源需求的增长和对可再生能源的关注度上升，风电作为一种清洁、可持续的能源形式受到了广泛关注。
然而，由于风能的不稳定性和不可控性，风电发电的波动性给电网的稳定运行和电力市场的管理带来了一定的挑战。
因此，准确预测风电功率成为提高风电系统经济性和可靠性的关键技术之一。
本文将综述风电功率预测技术的研究现状和发展趋势。
二、风电功率预测的重要性风电功率预测对电力系统的安全运行和规划具有重要意义。
准确的风电功率预测可以帮助电力系统运营商做出合理调度决策，优化电力资源的配置，降低电网的运行成本。
同时，风电功率预测也对电力市场的管理和规划起到了积极的促进作用，有利于高效利用风能资源，提高市场竞争力。
三、风电功率预测的方法与模型风电功率预测方法主要可以归纳为统计学方法、数学模型方法和人工智能方法。
1. 统计学方法统计学方法是基于历史数据的统计分析，通过时间序列分析、自回归移动平均模型(ARIMA)和指数平滑等方法进行风电功率预测。
这些方法简单易行，但在解释非线性关系和处理时间序列中的噪声方面存在一定的限制。
2. 数学模型方法数学模型方法采用物理学原理和数学方程来描述风电场的发电过程。
基于气象学和风力学模型，如Weibull分布模型、韦伯分布模型和功率曲线模型等，可以实现相对较准确的预测。
3. 人工智能方法人工智能方法包括神经网络、遗传算法、模糊理论等，通过对大量的历史数据进行学习和挖掘，建立预测模型。
这些方法可以处理非线性、非稳态、多变量等问题，具有较高的预测准确度和自适应能力。
四、风电功率预测的挑战与发展趋势尽管已经取得了一定的研究成果，但风电功率预测仍面临一些挑战。
首先，风能的不确定性和波动性导致预测误差较大，限制了预测的准确度。
其次，风电场的复杂多变性增加了预测模型的复杂性和难度。
此外，缺乏高质量的历史数据和标准化的评价指标也限制了预测模型的发展。
为了克服这些挑战，风电功率预测技术将会朝着以下方向进行发展：1. 集成多源数据：利用气象数据、风电场历史数据、机器学习算法等多种数据信息，提高预测精度和稳定性。
基于风力发电的风功率预测综述随着风力发电的快速发展，风电的穿透功率不断增加，随之带来的系统安全性和电能质量问题也日益凸显。
可靠的风功率预测可以有效地提高电力系统的运行稳定性，改善电能质量。
本文综述了当前各种风功率预测的方法包括物理方法、统计方法、学习方法等以及他们各自的适用场合，并展望了未来风功率预测的发展方向。
标签：风功率预测；预测方法；发展方向前言由于风能是清洁、安全的可再生能源，风力发电在全世界已经进入大规模发展阶段。
但由于风电的间歇性和随机性等缺点，随着风电装机容量的逐年增加，风电场穿透功率不断加大，无疑会对电力系统的电能质量造成一定的影响，尤其是大规模风电入网对系统的电能质量，诸如线路的潮流、无功补偿电压和频率带来很多不利影响[1]，并且影响系统旋转备用容量的大小，从而限制了风电的进一步发展。
有效的风功率预测方法可以方便调度进行合理的用电安排，提高系统运行的可靠性，一定程度上可以改善风电并网后的系统运行。
1风电场功率预测分类按照不同的分类标准，风电场功率预测方法分类方式不同。
1.1按预测时间尺度分类风电场功率的预测，按时间分为长期预测、中期预测、短期预测和特短期预测。
（1）长期预测：以“年”为单位，主要应用于风电场设计的可行性研究，可预测风电场建成之后每年的发电量。
这种方法主要是根据气象站提前20年或30年的长期观测资料和风电场测风塔至少一年的测风数据，经过统计分析，再结合风机的功率曲线来预测风电场每年的发电量。
（2）中期预测：以“天”为预测单位。
中期预测主要是提前一周对每天得功率进行预测，主要用于安排检修。
一般是利用数值天气预报系统的数据进行预测。
主要用于安排检修或调试。
（3）短期预测：以“小时”为预测单位。
一般是提前1-48小时对功率进行预测，目的是便于电网合理调度，保证供电质量。
一般是基于数值天气预报模型和历史数据进行预测。
1.2按预测模型对象分类按照预测对象的不同，一般可以分為基于风速的预测和基于功率的预测。
风电功率预测技术综述与改进建议张文秀;武新芳;陆豪乾【摘要】With large scale wind power integrated into power system,in order to ensure the safe operation of power grid,it is necessary to predict the wind power generation.This paper introduces the prediction methods of wind power generation generally according to different classification criterion,then analyzes the wind power generation technologies based on historical and numerical weather respectively,and summarizes the main mod-els of wind power generation and its advantages and disadvantages,analyzes the predition evaluation index. Draws the conclusion that choosing the reasonable prediction model and optimizes its performance is the key to the wind power generation .After reviewing the status of the predition technologies at home and abroad,some existing problems in the current is pointed out,finally some advice about wind power generation research and development is proposed.%随着大规模风电接入电力系统，为了保证电网安全、稳定运行，需要对风电功率进行预测。
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。
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开展风电并网对电力系统的调度和平安稳定运行带来了巨大的挑战。
进展风电功率预测并且不断提高预测准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展分类，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，选取适宜的风电预测模型进展预测，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；引言随着社会不断开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，大力开展风力发电成为各国的选择。
根据相关统计，截止至2021 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到达一定占比时，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平安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方案。
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，降低运行本钱；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。
报告03-德国风电功率预测简介国家电力调度通信中心华北电力调度通信中心吉林电力调度通信中心中国电力科学研究院新能源研究所无论是在欧洲还是中国,电网调度部门主要负责电力系统的调频、调峰以及安排发电计划和备用容量等业务。
对于风电穿透率高的电力系统，准确预测风电输出功率不仅有助于调度部门提前调整调度计划，从而有效减轻风电对电网的影响，而且还可减少备用容量安排，降低系统运行成本。
因此，风电功率预测在电网调度领域占有举足轻重的地位。
第一节风电功率预测的意义风电功率预测的核心价值主要体现在以下几个方面:(1) 风电大规模利用的必要条件电力系统的运行特点是发电与用电必须实时平衡，这样才能保证系统的安全和稳定。
风电具有间歇性、随机性和波动性，这就给电网调度、调峰、安全等带来一系列问题，准确的风电功率预测是解决以上问题的有效方法。
根据风电功率预测结果及时掌握风电出力变化规律，从而可增强系统的安全性、可靠性和可控性。
(2) 优化电网运行成本传统的发电计划基于电源的可控性和负荷的可预测性，这样制定和实施发电计划才有可靠的保证。
随着风电的大规模开发，风电在电源中比例明显增加。
如果不能提供风电功率预测，风电作为电源其出力的波动性会使发电计划难于制定，电网调度部门还必须预留与风电容量相当的备用容量进行调峰。
目前，以利用风电功率预测技术为基础的系统调度管理是最为有效、经济的的解决办法，根据风电功率预测结果优化常规机组出力，可以有效降低系统运行成本。
(3) 满足风电并网技术标准发展要求在即将由中国国家标准化管理委员会发布的中华人民共和国国家标准《风电场接入电力系统技术规定》中，提出风电场需要具备风电功率预测等功能。
风电功率预测系统使风电场可以向电网公司提供准确的日前发电曲线，这使得调度部门可有效利用风电资源，提高风电发电上网小时数。
在欧洲一些发达国家，电网公司会优先购买预测准确的风电场电量，限制预测不准的风电场电量或采取处罚措施。
(4) 提高风电场发电效率建立风电功率预测系统对于风电场的日常运营有着重要意义，它可以为风电场的运行维护提供有益的参考。
如在风机需要停机检修时，可以选择在风速较低、风电功率输出较小时进行，以减小风电场电量损失；在出现可能对风电场产生破坏作用的大风时，可以提前做好防护准备，及时调整风电场运行状态，减少风电场内部线路和变压器损耗，提高风电场上网电量。
根据德国、丹麦等欧洲风电发达国家的经验，如果风机检修全部在小风期或者无风期完成，风电场每年的发电量将提高2%，以5万千瓦的风场为例，每年直接经济效益将超过120万元。
(5) 优化风电市场价值在风电参与电力市场的系统中，风电场对风电功率进行预测，参与电力市场竞价，可以优化风电在电力市场中的电力价值。
另外，应用风电功率预测系统所带来的好处还高度依赖于管理、技术和风电场的具体情况。
风电功率预测对利益相关方的益处如表1所示。
表1 风电功率预测对利益相关方的益处世界各国市场环境的不同决定了投资于风电功率预测的利益相关方的不同。
在荷兰，电力供应商作为平衡负责方，通常为小规模风电生产商承担责任，支付任何的不平衡费用。
因此，其电力供应商具有动力投资风电预测工具。
在英国，电力生产商必须根据新电力交易安排保持在商定的输出功率。
如果风电场输出功率不能控制在这一出力范围内，风电场运营商将会被处以罚款。
因此，风电场运营商有兴趣投资风电预测工具。
在西班牙，用于计算不平衡罚款的预测误差表达为平衡相对误差，这是每小时预测和实际生产电量的相对偏差。
实际风电产量与计划产量的偏离根据整个系统的偏差支付，约为目前市场价格（0.9欧分/kWh）的30%。
平衡罚金只适用于高于或低于超过预定发电20%的电量。
因此，风电运营商可以从投资风电预测工具获益。
在德国和丹麦，输电系统运营商（TSO）和配电系统运营商（DSO）负责系统平衡，并且有义务接收任何风电场，购买所有的上网风电。
因此，在这些国家的系统运营商收益于投资风电预测工具。
在美国加利福尼亚州，最近提出一个新的方案——间歇性能源参与计划，方案规定系统运营商负责整个系统的风电预测，而风电生产者向它支付预测费用。
不平衡费用根据每月净不平衡进行结算，这样会使风电每小时的不平衡电量大部分都相互抵消。
我国拥有丰富的风能资源，但风电功率预测技术却远远不能满足生产、运行的需要。
为了保证电力系统的电力、电量平衡，有效减轻风电对整个电网的不利影响，减少系统运行成本和备用容量，亟须进一步研究和建设适应我国风电开发状况的风电功率预测系统。
第二节风电功率预测基础一、风电功率预测方法风电功率预测方法可划分成不同的类别，如图1所示。
图1 风电功率预测方法分类持续预测法是最简单的预测方法, 可建立一种时间序列模型。
其认为风速预测值等于最近几个风速历史值的滑动平均值，通常只是简单地把最近一点的风速观测值作为下一点的风速预测值。
该模型的预测误差较大，且预测结果不稳定。
改进的方法有ARMA模型法、卡尔曼滤波法。
人工神经网络法（Artificial Neural Networks，ANN）旨在模仿人脑结构及其功能，由大量简单处理元件以某种拓扑结构大规模连接而成。
ANN具有并行处理、分布式存储与容错性等特征，具有自学习，自组织和自适应能力，对复杂问题的求解十分有效。
根据时间尺度预测方法又可分为超短期预测、短期预测和中长期预测。
一般认为不超过30min的预测为超短期预测。
而对于时间更短的数分钟内的预测主要用于风力发电控制、电能质量评估及风机机械部件的设计等。
这种分钟级的预测一般不采用数值天气预报数据。
短期预测一般可认为是30min～72h的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等。
对于更长时间尺度的中长期预测，主要用于风电场或电网的检修维护计划安排等。
目前，中长期预测还存在较大困难。
从建模的观点来看，不同时间尺度有本质区别。
对于0～3h的预测，因其变化主要由大气条件的持续性决定，因此不采用数值天气预报也可得到较好的预测结果，如采用数值天气预报，可得到更好的预测结果。
对于时间尺度超过3h的预测，不考虑数值天气预测无法反应大气运动的本质，因此难以得到较好的预测结果，所以现在常用的预测方法都采用了数值天气预报的数据。
基于物理方法的风电功率预测示意图如下所示。
该方法是根据数值天气预报系统的预测结果得到风速、风向、气压、气温等天气数据，然后根据风电场周围等高线、粗糙度、障碍物、温度分层等信息，采用WAsP（Wind Atlas Analysis and Application Programs）软件计算得到风机轮毂高度的风速、风向、气温、气压等信息，最后根据风电场的功率曲线计算得到风电场的输出功率。
因为在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线，同时还应考虑风电机组故障和检修的情况。
对整个区域进行风电功率预测时，可对所有的风电场输出功率进行预测，然后求和得到风电功率；也可只对几个风电场进行预测，然后用一种扩展算法得到整个区域的风电场输出功率。
图2 基于物理方法的风电功率预测示意图基于统计方法的风电功率预测不考虑风速变化的物理过程，根据历史统计数据找出天气状况与风电场出力的关系，然后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。
物理方法和统计方法各有优缺点。
物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场特性有准确的数学描述，这些方程求解困难，计算量大，计算时间较长。
统计方法不需要求解物理方程，计算速度快，但需要大量历史数据，采用智能方法从数据中学习，得到气象参数与风电场输出功率的关系。
目前的趋势是将物理方法和统计方法混合使用，称之为综合方法。
二、数值天气预报由于目前常用的预测方法都采用数值天气预报（Numerical Weather Prediction，NWP）的数据，因此NWP在风电功率预测中占有重要地位。
NWP是根据大气实际情况，在一定初值和边界条件下，通过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，来预测未来一定时段的大气运动状态和天气现象的方法。
它需要有一定密度的地面、高空气象观测网来提供大气实时的气象要素数据作为方程组的初始输入值。
由于构成气象模型的方程组非常复杂，节点数目非常庞大，因此模型必须在高性能计算机上运行。
图3说明了一个NWP产品制作的过程。
通常NMP模型每6h或12h运行一次，预测时间可达48h，从收到初始化数据到计算出预测结果通常需要2～4h的计算时间。
图3 数值天气预报制作过程在风功率预测中，实用的NWP模型有DMI-HIRLAM、NMSE模型，以及能够描述复杂地形或海陆边界的中尺度模式，如MM5、WRF、KAMM及RAMS等模式。
另外，集合预报是一种常用的有效预报手段。
其可以用同一模式和不同的初始场产生预报结果，或用同一种初始场和不同的模式产生预报结果，或用同一模式不同的物理过程产生预报结果，最后再通过不同的技术从不同的预报结果中产生最佳预报的统计模型。
这种用不同的方法产生预报的集合模型，可以使不同方法之间的随机误差得以相互抵消，从而提高预报准确率。
所以集合预报的效果优于任何一种独立预报的效果，这是未来风能预报发展的必然趋势，但目前用于风电预测的集合预报方法并不成熟。
三、风电功率预测流程风电功率预测的一般流程包括以下几个步骤:1.运行NWP模型，并发现最优的NWP高度等级2.缩小尺度经过缩尺度可以得到风机轮毂高度的风速和风向。
物理方法使用中小尺度模型来缩小尺度，小尺度和中尺度的区别主要是区域大小和分辨率。
如果NWP预测已经足够好，则不需要使用中尺度模型。
3.将风速转换为风电出力研究表明，利用风机制造商提供的功率曲线将风速转换为风电出力并不可靠。
如果可以获得在线数据，将实测的出力数据用作附加的输入，再利用预测的风速、风向构成自我矫正预测误差的回归模型，这对改善预测误差是十分有利的。
4.扩尺度如果只需预测一个风电场，可以执行到以上第三步为止。
然而，电网通常需要预测整个地区的风电，则需要执行第四步——从单个风电场的预测扩展到整个地区。
如果一个地区的所有风电场都参与预测，那么进行简单的加和就可以。
如果一个地区有数以百计的风电场，对所有风电场都进行预测是不切实际的，一般选择有代表性的风电场作为扩尺度算法的输入数据。
通常情况下分布风电场的预测误差比单个风电场的预测误差要小得多。
然而，并不是所有的风电功率预测模型都包括所有的步骤。
有的预测模型就是将输入变量向风电出力进行直接转换，它可以通过使用黑匣子或灰匣子统计模型来实现，将NWP风速、风向、温度等输入数据与在线测量的风电出力、风速、风向等结合起来。
事实上，在某些情况下忽略一些步骤反而是优势。
