风力发电功率预测

报告人：班级：学号：风电功率预测

风电功率预测背景及意义预测方法介绍国内外发展现状实例分析

——灰色神经网络预测总结

背景及意义

一、背景：

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。但是，由于风能的随机波动性、不可控性等，其大规模并入电网，将给电力系统的生产和运行带来极大的挑战。因此，将风力发电功率从未知变成已知，对电力系统的运行有着重大的意义。背景及意义

二、意义：

服务于电力系统：有利于运行调度人员合理安排应对措施、调整和优化常规电源的发电计划，改善电网调峰能力，提高电网的安全性和稳定性。服务于风电场：可以合理安排风电场的检修计划，减少弃风，提高风电场的盈利、减少运行成本，提高风力发电在电力市场中的竞争力。背景及意义

三、

按时间分类：

（0h~3h）应用于风电机组自身的控制。

（0h~48或72h）应用于电网合理调度，保证供电质量，为风电场参与竞价上网提供保证。

（以天、周或月为单位）主要用于检修安排或调试等。目前，中长期预测还存在比较大的困难。超短期预测短期预测中长期预测预测方法介绍

风电功率预测1、按预测物理量分类：先预测风速直接预测输出功率预测输出功率风机功率曲线2、按数学模型分类：持续预测方法ARMA预测方法卡尔曼滤波方法智能方法，如神经网络3、按输入数据分类：时间序列法采用数值天气预报数据物理方法统计方法综合方法预测方法介绍

一、时间序列法

该类方法通过寻找各历史数据在时序上的相关性来对风电功率进行预测。常见的时序模型有：自回归模型（AutoRegressive，AR）滑动平均模型（movingaverage，MA）自回归滑动平均模型（AutoRegressiveMovingAverage，ARMA）差分自回归滑动平均模型（AutoRegressiveIntegratedMovingAverage，ARIMA）等。时间序列法优点：不必深究信号序列的产生背景，序列本身所具有的时序性和自相关性已经为建模提供了足够的信息，只需要有限的样本序列，就可以建立起相当高精度的预测模型。缺点：但其存在低阶模型预测精度低、高阶模型参数估计难度大的不足。可能遇到超前一步预测有延时或某些预测点精度不能满足要求的问题，此时可借助卡尔曼滤波法、滚动时间序列或引入经验模式分解来改进原有预测模型。预测方法介绍二、基于数值天气预报（NWP）的预测：

数值天气预报（NumericalWeatherPrediction，NWP）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。数值天气预报预测优点：较为成熟准确的风电中长期预测方法，国内外风电场预测系统多基于物理方法。不需要风电场的历史数据，风电场投产就可以进行预测。缺点：要求对大气的物理特性及风电场特性有准确的数学描述。模型复杂、计算量大，较少用于短期预测。常结合神经网络、支持向量机等来提高预测精度。预测方法介绍三、统计方法预测：

统计方法不考虑风速变化的物理过程而是根据历史统计数据找出天气状况与风电场发电功率间的关系然后根据实测数据和数值天气预测数据对风电场未来的发电功率进行预测。目前我国采用的统计方法有使用统计方法修正风电场尾流效应对预测结果的影响，从而改进多层前馈神经网络模型的预测精度；根据数值气象预报的风速和风向数据，采用粒子群优化的前向神经网络模型进行短期风电功率预测统计方法预测优点：该类方法需要一定量的历史数据对初始数据的质量要求比较高，经过经验模式分解，局域波分解后可得到平稳数据列，此类情况预测比较准确。缺点：需要大量历史数据，对于阵风、突变风等非平稳情况的预测精度较差，且随时间增加而越来越差。目前主要还通过卡尔曼滤波法和时间序列相结合滚动时间序列法以及混沌理论等不断改进和提高模型的精确性和适用性。预测方法介绍三、智能方法预测：

能够更加准确地拟合非线性关系，提高预测精度这是改善风电预测的研究热点之一。目前已经用于风电功率预测的学习方法有RBF神经网络、递归多感知神经网络、BP神经网络、遗传算法、自适应模糊神经网络、粒子群优化算法、支持向量机、小波分析法等。其中尤以神经网络及其改进方法取得了较好的预测效果。预测方法介绍三、组合预测：

由于预测方法各有优势，多种预测方法组合使用成为发展趋势。1、预测模型融合组合a、卡尔曼滤波法对数据进行预处理，再采用NWP法进行风电预测.b、将神经网络的局部寻优与遗传宏观搜索相融合。c、粒子群优化的神经网络法、小波改进的神经网络法等。2、预测模型加权组合a、BP神经网络、径向基神经网络、支持向量机进行风电功率加权组合预测等。国内外发展现状国家开发商模型名称特点投运时间德国ISETWPMS在线监测、日前风电功率预测和超短期预测（15分钟-8小时）三部分，根据数值天气预报，使用神经网络计算输出功率2001德国OldenBurg大学Previento使用物理模型，在较大的区域内给出2天的预测结果2002丹麦Risø实验室Prediktor使用物理模型，考虑了尾流等的影响1994丹麦科技大学WPPT利用自适应最小平方根法和指数遗忘算法相结合给出0.5-36h的预测1994丹麦科技大学联合Risø实验室Zephry集合了上边两个模型，可以提供0-4h和36-48h的预测,加入了HIRLAM等气象模型，长期预测精度提高2003西班牙西班牙可再生能源中心（CENER）与西班牙能源、环境和技术研究中心（CIEMAT）联合开发LocalPred-RegioPredLocalPred模型用于复杂地形风电场的预测，采用CFD算法，使用MM5中尺度气象模式作为数值天气预报生产模式。MM5可以预测未来72小时所有相关气象要素，空间分辨率为1km2。RegioPred在LocalPred模型单个风电场预测的基础上，预测区域的功率输出。2001西班牙卡洛斯三世大学siperólico统计模型2002美国AWSTruewindeWind包括一组高精度的三维大气物理数学模型、适应性统计模型、风电场输出模型和预测分发系统1998国内外发展现状国内：2008年11月，我国首套具有自主知识产权的风电功率预测系统WPFS由中国电力科学研究院研发完成，各风电场的全年预测均方根误差为16-19%，全省每月的平均误差在11-13%之间。2010年华北电力大学与龙源风力发电有限责任公司合作开发了风电场发电功率预测系统，该系统整体技术达到国际先进水平，其中超短期预测算法与技术处于国际领先水平。2011年由中国节能环保集团公司(简称中国节能)和中国气象局共同研发的风电功率预测预报系统正式落户中节能张北满井风电场，2012年10月，甘肃成为中国第一个覆盖全省的风电功率超短期预测的省份，甘肃省电力公司研发的实时监测与超短期风电功率预测系统通过实时采集测风塔监测的风能数据、风电基地所有风机运行数据，采用多套数值天气预报数据源，实现对风电预测。2013年5月2日，国电科环所属北京华电天仁电力控制技术有限公司基于云平台的远程集中式风电功率预测系统正式投入运行。实例分析——灰色神经网络预测数据来源：甘肃桥湾某风场数据一：2013年8月1日18:00-21:15间隔15min前10个点作样本数据，预测未来4个点。数据二：2013年8月6日