风电场超短期风功率预测问题研究
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
96 宰葬贼藻则 孕燥憎藻则 灾 燥造援 猿9 晕燥援 7
统尧 结合了 Predictor 和 WPPT 的 Zephyr 系统尧 德国 Previento 和 WPMS 系统尧 欧洲多个研究院所和咨询 机构联合开发的 ANEMOS 系统等遥 根据各个研究机 构发布的成果显示袁 各系统的平均预测误差约为 20豫遥 目前应用较为广泛的风功率预测方法主要为 物理方法和统计方法遥 物理方法主要利用数值天气 预报数据袁 考虑地形尧 气象等因素对风电场的风速 和风能进行预测曰 统计方法则基于统计模型的方法 利用风电场的实测历史数据袁 用线性或非线性方法 在历史数据和未来风速/风能之间建立映射关系袁 常 用方法包括卡尔曼滤波法尧 自回归最小平方算法尧 持续性算法尧 时间序列法尧 线性回归模型尧 人工神 经网络法等遥 其中最简单的方法是持续法袁 即把前
2 预测结果及对比分析
2.1 预测结果
本文进行建模时应用 3 个月数据进行训练袁 第 4 个月数据进行验证遥 通过改变输入层因子袁 输入 层向量考虑风机历史风速尧 功率以及天气预报风速尧 风向后袁 得到预测功率如图 2 所示遥 每 15 min 为一 个测量点袁 图 2a 为第 1 个测量点的预测功率和实际 功率的对比结果曰 图 2b 是第 16 个测量点的预测功 率和实际功率的对比结果曰 图 2c 是 3 个评估预测结 果的指标遥 随着预测时长的增加袁 预测结果的误差 随之增加袁 均方根误差和绝对误差均在 15%以内袁 最大均方根误差为 0.124 4遥
Preal
籽real
的功率极大相对误差可以近似为院 密度极大误差/
样本最小密度遥 在所有样本中袁 大气密度的范围
自 20 世纪 90 年代起袁 欧洲一些国家开始逐步 重视风电场风功率预测技术研究遥 至今欧洲国家风 功率预测技术已经比较成熟袁 且有多个风电功率预 测系统已应用于风力发电领域遥 目前应用较为广泛 的风电功率预测系统主要包括丹麦 Riso 国家实验室 研发的 Predictor 预测系统尧 丹麦技术大学数学建模 系 渊 IMM冤 和 哥 本 哈 根 大 学 共 同 研 发 的 WPPT 系
图 1 神经网络示意
度计算得到的 10 m 高度大气密度因子遥
1.3 误差评估指标
按照国家电网公司发布的 叶风电功率预测系统 功能规范曳袁 本文以均方根误差尧 平均绝对误差以及 相关系数 3 个物理量作为评估预测结果的指标遥
姨移 均方根误差 RMSE=
n 蓸 PMi原PPi 蔀 2
i=1
Cap窑姨 n
输入层向量考虑天气预报的风速尧 风向后袁 得 到预测功Biblioteka Baidu如图 3 所示袁 与图 2 对比袁 结果显示利 用人工神经网络法进行超短期预测时袁 输入向量中 考虑风机历史数据能够提高预测的精度袁 尤其是第 1 个测量点遥 对比图 2c 和图 3c袁 在 3 h 以后误差指
宰葬贼藻则 孕燥憎藻则 灾 燥造援 猿9 晕燥援 7 97
Study on Very Short-Term Power Forecasting of Wind Farm YI Yuechun1, MA Yue2, WANG Jixue1, LI Guimin2, QIN Xiao1, CHEN Wenkai1
渊1. China Renewable Energy Engineering Institute, Beijing 100120, China; 2. Beijing Millennium Software Technology Co., Ltd., Beijing 100096, China冤 Abstract: Taking a wind farm in Hebei Province as case study, the very short-term forecasting of wind power is studied by using artificial neural network method, in which, the historical output of wind turbine, actual wind speed and the wind speed and direction obtained from Numerical Weather Prediction 渊NWP冤 are taken as input factors. The results show that the difference between input factors has greater impact on wind power prediction, the impact of historical output of wind turbine on wind power prediction is gradually decreased with the increase of operation time, and the forecasting accuracy of wind power in next 3 h and more mainly depends on the accuracy of NWP data. Key Words: very short-term power forecasting; artificial neural network; wind power
n
移 网络模型权值 W ij尧 阈值等参数遥 图 1 中 oi=f1渊 j =1
wi窑 j xj+兹i冤袁 i=1袁2袁噎袁m袁 i为隐结点层所计算的结果遥 输入层向量设置是影响预测结果质量的关键遥
本文主要考虑以下 3 种不同输入以对比分析影响功 率预测的因素院 淤输入层包含天气预报风速尧 风向 因子以及风机历史风速尧 功率因子曰 于输入层只包 含天气预报风速尧 风向因子曰 盂输入层除了包含天 气预报风速尧 风向因子以及风机历史风速尧 功率因 子以外袁 还包含利用天气预报的气温尧 气压以及湿
中图分类号院TK81曰 TK89
文献标识码院A
文章编号院园缘缘怨原怨猿源圆渊圆园13冤07原园096原园4
根据国家风电信息管理中心统计数据袁 截至 2011 年底 袁 我国风电累计并网容量达到 4 784 万 kW袁 居世界第一遥 随着我国风电行业的快速发展袁 风电机组并网问题日渐突出遥 由于风能具有随机性 和不可控性袁 风力发电机组出力亦具有随机性遥 大 型风电场并网时风力发电机组出力的随机性易引起 电压尧 频率不稳定等问题袁 进而对电力系统平衡造 成一定的冲击遥 有效的电网调度对保障电力系统安 全稳定地运行具有重要意义袁 风功率预测结果的准 确性是进行有效电网调度的基础遥
98 宰葬贼藻则 孕燥憎藻则 灾 燥造援 猿9 晕燥援 7
图 3 风电场功率超短期预测结果
预测的因子包括院 预测风速尧 大气密度以及与风机
相关的参数遥 预测误差为驻P=|Preal原Ppredict|袁 其中Preal为
实际功率袁 Ppredict为预测功率遥 可计算得出相对误差
3
3
为 驻P = |籽predic窑 t V predict-籽rea窑l V | real 袁
在我国袁 多数风功率预测技术研究尚在进行中袁 只有少数进入成果转化应用阶段遥 此外袁 我国地形 复杂袁 一些国外较成熟的预报系统可能无法直接在 我国应用遥 因此研究适用于我国风电场特点的风电 功率预测技术对我国风电产业发展具有重要意义遥
1 预测方法
1.1 选用数据
以河北省某风电场为例袁 选用 2011 年 6 月 23 日至 2011 年 10 月 18 日该风电场 33 台华锐风机的 历史风机功率数据尧 历史测风数据以及数值天气预 报数据遥 历史风机功率数据包括每台风机逐 15 min 的平均风速尧 平均功率尧 功率均方差以及风机运行 状态等袁 均来自风电场风机数据采集系统曰 测风数 据包括 10尧 30尧 50尧 70 m 高度逐 5 min 风速尧 风向 以及风速均方根误差数据袁 均来自测风数据采集系 统曰 天气预报数据提供来自当地省气象局的测风塔 位置处的 10尧 30尧 50尧 60尧 70 m 等高度的风速尧 风 向尧 气温尧 气压尧 湿度等数据遥
速尧 风向和大气密度因子中袁 风速尧 风向是影响预
测功率的主要因素袁 大气密度相对风速尧 风向而言
对预测功率的影响较小遥
2.2 对比分析
根据上述成果袁 进一步从理论上分析风速尧 大
气密度因子对风电功率预测精度的影响遥
根据风电机组的功率 P=
1 2
籽CpA V 3
渊其中 P为功
率袁 籽为大气密度袁 Cp为风能利用系数袁 A 为叶片扫 风面积袁 V 为风速冤袁 可知影响单个风电机组的功率
水力发电
第圆圆园猿园19133卷年年第7 7月7 期月
风电场超短期风功率预测问题研究
易跃春 1袁 马 月 2袁 王霁雪 1袁 李桂敏 2袁 秦 潇 1袁 陈文凯 1
渊1. 水电水利规划设计总院袁 北京 100120曰 2. 北京木联能软件技术有限公司袁 北京 100096冤
摘 要院 以河北省某实际风电场为例袁 选取风电机组历史功率数据尧 风速以及数值天气预报的风速和风向作为输入 因子袁 采用人工神经网络法对风电场超短期功率预测问题进行研究遥 研究结果显示袁 输入因子的差异性对风功率预 测结果影响较大遥 另外袁 风电机组历史数据对功率预测结果的影响随时间增加而减小袁 进行 3 h 以上风电场功率预 测时预测结果精度在很大程度上依赖数值天气预报数据精度遥 关键词院 超短期功率预测曰 人工神经网络法曰 风力发电
水力发电
圆园13 年 7 月
图 2 风电场功率超短期预测结果
标差异变得不明显袁 这表明预测结果受历史数据的
影响正在变小袁 此时影响预测结果的主要因素是天
气预报风速尧 风向数据质量遥
图 4 为考虑天气预报 10 m 高度大气密度后的结
果袁 两种不同的输入因子得到的结果没有明显的差
异袁 图 4 中最大均方根误差为 0.118 8袁 可见袁 风
1.2 预测方法
超短期功率预测指对未来 4 h 以内逐 15 min 的 风速或风电场风功率预测进行预测袁 本文预测结果 为风电场总功率遥
本文采用人工神经网络方法进行超短期预测遥 图 1 为 3 层前馈型神经网络示意图遥 该网络包括输 入层尧 隐结点层和输出层遥 本研究中袁 输入层向量 为影响风电场功率预测因子袁 输出层向量为风电场 预测功率袁 隐结点层为两层遥 各层之间的传递函数 分别选取 tan-sigmoid 型函数袁 log-sigmoid 型函数以 及纯线性函数遥 应用充足的输入尧 输出向量样本进 行网络训练 渊设定合适的隐层结点数尧 传递函数尧 学习函数以及训练函数冤袁 建立输入层到输出层合理 的映射关系院 渊x1袁x2袁噎袁xn冤寅 net 渊y1袁y2袁噎袁yq冤袁 得到
收稿日期院 2012-12-19 作者简介院 易跃春渊1972要冤袁 男袁 湖南宁乡人袁 教授级高工袁 从事风力发电规划尧 风电场工程设计等工作.
第 39 卷第 7 期
易跃春，等：风电场水超力短期发风电功率预测问题研究
一时刻的风速观测值作为下一时刻的预测值袁 该方 法适用于短期和超短期预测袁 一般作为参照性算法遥
Preal
3
籽rea窑 l V real
其中籽 predict为预测大
气密度袁 籽real 为实际大气密度袁 V predict 为预测风 速袁
V real为实际风速遥
分离空气密度和风速对相对误差的贡献遥 假设
预测风速和实际风速完全一致袁 此时误差全部来源
于大气密度袁 相对误差 驻P = |籽predict-籽real| 遥 该项带来
n
移 PMi原PPi
平均绝对误差 MA E= i=1 Cap窑n
相关性系数 r越
n
移i=1 蓘 蓸 PMi原PM 蔀窑蓸 PPi原PP 蔀 蓡
姨移 移 n
2n
2
i=1
蓸
PMi原PM
蔀
窑 i=1
蓸 PPi原PP 蔀
式中袁 PMi为 i 时刻实际功率袁 PPi为 i 时刻预测功率袁
PM为所有样本实际功率的平均值袁 PP为所有预测功 率样本的平均值袁 Cap 为平均开机容量袁 n 为样本个数遥
统尧 结合了 Predictor 和 WPPT 的 Zephyr 系统尧 德国 Previento 和 WPMS 系统尧 欧洲多个研究院所和咨询 机构联合开发的 ANEMOS 系统等遥 根据各个研究机 构发布的成果显示袁 各系统的平均预测误差约为 20豫遥 目前应用较为广泛的风功率预测方法主要为 物理方法和统计方法遥 物理方法主要利用数值天气 预报数据袁 考虑地形尧 气象等因素对风电场的风速 和风能进行预测曰 统计方法则基于统计模型的方法 利用风电场的实测历史数据袁 用线性或非线性方法 在历史数据和未来风速/风能之间建立映射关系袁 常 用方法包括卡尔曼滤波法尧 自回归最小平方算法尧 持续性算法尧 时间序列法尧 线性回归模型尧 人工神 经网络法等遥 其中最简单的方法是持续法袁 即把前
2 预测结果及对比分析
2.1 预测结果
本文进行建模时应用 3 个月数据进行训练袁 第 4 个月数据进行验证遥 通过改变输入层因子袁 输入 层向量考虑风机历史风速尧 功率以及天气预报风速尧 风向后袁 得到预测功率如图 2 所示遥 每 15 min 为一 个测量点袁 图 2a 为第 1 个测量点的预测功率和实际 功率的对比结果曰 图 2b 是第 16 个测量点的预测功 率和实际功率的对比结果曰 图 2c 是 3 个评估预测结 果的指标遥 随着预测时长的增加袁 预测结果的误差 随之增加袁 均方根误差和绝对误差均在 15%以内袁 最大均方根误差为 0.124 4遥
Preal
籽real
的功率极大相对误差可以近似为院 密度极大误差/
样本最小密度遥 在所有样本中袁 大气密度的范围
自 20 世纪 90 年代起袁 欧洲一些国家开始逐步 重视风电场风功率预测技术研究遥 至今欧洲国家风 功率预测技术已经比较成熟袁 且有多个风电功率预 测系统已应用于风力发电领域遥 目前应用较为广泛 的风电功率预测系统主要包括丹麦 Riso 国家实验室 研发的 Predictor 预测系统尧 丹麦技术大学数学建模 系 渊 IMM冤 和 哥 本 哈 根 大 学 共 同 研 发 的 WPPT 系
图 1 神经网络示意
度计算得到的 10 m 高度大气密度因子遥
1.3 误差评估指标
按照国家电网公司发布的 叶风电功率预测系统 功能规范曳袁 本文以均方根误差尧 平均绝对误差以及 相关系数 3 个物理量作为评估预测结果的指标遥
姨移 均方根误差 RMSE=
n 蓸 PMi原PPi 蔀 2
i=1
Cap窑姨 n
输入层向量考虑天气预报的风速尧 风向后袁 得 到预测功Biblioteka Baidu如图 3 所示袁 与图 2 对比袁 结果显示利 用人工神经网络法进行超短期预测时袁 输入向量中 考虑风机历史数据能够提高预测的精度袁 尤其是第 1 个测量点遥 对比图 2c 和图 3c袁 在 3 h 以后误差指
宰葬贼藻则 孕燥憎藻则 灾 燥造援 猿9 晕燥援 7 97
Study on Very Short-Term Power Forecasting of Wind Farm YI Yuechun1, MA Yue2, WANG Jixue1, LI Guimin2, QIN Xiao1, CHEN Wenkai1
渊1. China Renewable Energy Engineering Institute, Beijing 100120, China; 2. Beijing Millennium Software Technology Co., Ltd., Beijing 100096, China冤 Abstract: Taking a wind farm in Hebei Province as case study, the very short-term forecasting of wind power is studied by using artificial neural network method, in which, the historical output of wind turbine, actual wind speed and the wind speed and direction obtained from Numerical Weather Prediction 渊NWP冤 are taken as input factors. The results show that the difference between input factors has greater impact on wind power prediction, the impact of historical output of wind turbine on wind power prediction is gradually decreased with the increase of operation time, and the forecasting accuracy of wind power in next 3 h and more mainly depends on the accuracy of NWP data. Key Words: very short-term power forecasting; artificial neural network; wind power
n
移 网络模型权值 W ij尧 阈值等参数遥 图 1 中 oi=f1渊 j =1
wi窑 j xj+兹i冤袁 i=1袁2袁噎袁m袁 i为隐结点层所计算的结果遥 输入层向量设置是影响预测结果质量的关键遥
本文主要考虑以下 3 种不同输入以对比分析影响功 率预测的因素院 淤输入层包含天气预报风速尧 风向 因子以及风机历史风速尧 功率因子曰 于输入层只包 含天气预报风速尧 风向因子曰 盂输入层除了包含天 气预报风速尧 风向因子以及风机历史风速尧 功率因 子以外袁 还包含利用天气预报的气温尧 气压以及湿
中图分类号院TK81曰 TK89
文献标识码院A
文章编号院园缘缘怨原怨猿源圆渊圆园13冤07原园096原园4
根据国家风电信息管理中心统计数据袁 截至 2011 年底 袁 我国风电累计并网容量达到 4 784 万 kW袁 居世界第一遥 随着我国风电行业的快速发展袁 风电机组并网问题日渐突出遥 由于风能具有随机性 和不可控性袁 风力发电机组出力亦具有随机性遥 大 型风电场并网时风力发电机组出力的随机性易引起 电压尧 频率不稳定等问题袁 进而对电力系统平衡造 成一定的冲击遥 有效的电网调度对保障电力系统安 全稳定地运行具有重要意义袁 风功率预测结果的准 确性是进行有效电网调度的基础遥
98 宰葬贼藻则 孕燥憎藻则 灾 燥造援 猿9 晕燥援 7
图 3 风电场功率超短期预测结果
预测的因子包括院 预测风速尧 大气密度以及与风机
相关的参数遥 预测误差为驻P=|Preal原Ppredict|袁 其中Preal为
实际功率袁 Ppredict为预测功率遥 可计算得出相对误差
3
3
为 驻P = |籽predic窑 t V predict-籽rea窑l V | real 袁
在我国袁 多数风功率预测技术研究尚在进行中袁 只有少数进入成果转化应用阶段遥 此外袁 我国地形 复杂袁 一些国外较成熟的预报系统可能无法直接在 我国应用遥 因此研究适用于我国风电场特点的风电 功率预测技术对我国风电产业发展具有重要意义遥
1 预测方法
1.1 选用数据
以河北省某风电场为例袁 选用 2011 年 6 月 23 日至 2011 年 10 月 18 日该风电场 33 台华锐风机的 历史风机功率数据尧 历史测风数据以及数值天气预 报数据遥 历史风机功率数据包括每台风机逐 15 min 的平均风速尧 平均功率尧 功率均方差以及风机运行 状态等袁 均来自风电场风机数据采集系统曰 测风数 据包括 10尧 30尧 50尧 70 m 高度逐 5 min 风速尧 风向 以及风速均方根误差数据袁 均来自测风数据采集系 统曰 天气预报数据提供来自当地省气象局的测风塔 位置处的 10尧 30尧 50尧 60尧 70 m 等高度的风速尧 风 向尧 气温尧 气压尧 湿度等数据遥
速尧 风向和大气密度因子中袁 风速尧 风向是影响预
测功率的主要因素袁 大气密度相对风速尧 风向而言
对预测功率的影响较小遥
2.2 对比分析
根据上述成果袁 进一步从理论上分析风速尧 大
气密度因子对风电功率预测精度的影响遥
根据风电机组的功率 P=
1 2
籽CpA V 3
渊其中 P为功
率袁 籽为大气密度袁 Cp为风能利用系数袁 A 为叶片扫 风面积袁 V 为风速冤袁 可知影响单个风电机组的功率
水力发电
第圆圆园猿园19133卷年年第7 7月7 期月
风电场超短期风功率预测问题研究
易跃春 1袁 马 月 2袁 王霁雪 1袁 李桂敏 2袁 秦 潇 1袁 陈文凯 1
渊1. 水电水利规划设计总院袁 北京 100120曰 2. 北京木联能软件技术有限公司袁 北京 100096冤
摘 要院 以河北省某实际风电场为例袁 选取风电机组历史功率数据尧 风速以及数值天气预报的风速和风向作为输入 因子袁 采用人工神经网络法对风电场超短期功率预测问题进行研究遥 研究结果显示袁 输入因子的差异性对风功率预 测结果影响较大遥 另外袁 风电机组历史数据对功率预测结果的影响随时间增加而减小袁 进行 3 h 以上风电场功率预 测时预测结果精度在很大程度上依赖数值天气预报数据精度遥 关键词院 超短期功率预测曰 人工神经网络法曰 风力发电
水力发电
圆园13 年 7 月
图 2 风电场功率超短期预测结果
标差异变得不明显袁 这表明预测结果受历史数据的
影响正在变小袁 此时影响预测结果的主要因素是天
气预报风速尧 风向数据质量遥
图 4 为考虑天气预报 10 m 高度大气密度后的结
果袁 两种不同的输入因子得到的结果没有明显的差
异袁 图 4 中最大均方根误差为 0.118 8袁 可见袁 风
1.2 预测方法
超短期功率预测指对未来 4 h 以内逐 15 min 的 风速或风电场风功率预测进行预测袁 本文预测结果 为风电场总功率遥
本文采用人工神经网络方法进行超短期预测遥 图 1 为 3 层前馈型神经网络示意图遥 该网络包括输 入层尧 隐结点层和输出层遥 本研究中袁 输入层向量 为影响风电场功率预测因子袁 输出层向量为风电场 预测功率袁 隐结点层为两层遥 各层之间的传递函数 分别选取 tan-sigmoid 型函数袁 log-sigmoid 型函数以 及纯线性函数遥 应用充足的输入尧 输出向量样本进 行网络训练 渊设定合适的隐层结点数尧 传递函数尧 学习函数以及训练函数冤袁 建立输入层到输出层合理 的映射关系院 渊x1袁x2袁噎袁xn冤寅 net 渊y1袁y2袁噎袁yq冤袁 得到
收稿日期院 2012-12-19 作者简介院 易跃春渊1972要冤袁 男袁 湖南宁乡人袁 教授级高工袁 从事风力发电规划尧 风电场工程设计等工作.
第 39 卷第 7 期
易跃春，等：风电场水超力短期发风电功率预测问题研究
一时刻的风速观测值作为下一时刻的预测值袁 该方 法适用于短期和超短期预测袁 一般作为参照性算法遥
Preal
3
籽rea窑 l V real
其中籽 predict为预测大
气密度袁 籽real 为实际大气密度袁 V predict 为预测风 速袁
V real为实际风速遥
分离空气密度和风速对相对误差的贡献遥 假设
预测风速和实际风速完全一致袁 此时误差全部来源
于大气密度袁 相对误差 驻P = |籽predict-籽real| 遥 该项带来
n
移 PMi原PPi
平均绝对误差 MA E= i=1 Cap窑n
相关性系数 r越
n
移i=1 蓘 蓸 PMi原PM 蔀窑蓸 PPi原PP 蔀 蓡
姨移 移 n
2n
2
i=1
蓸
PMi原PM
蔀
窑 i=1
蓸 PPi原PP 蔀
式中袁 PMi为 i 时刻实际功率袁 PPi为 i 时刻预测功率袁
PM为所有样本实际功率的平均值袁 PP为所有预测功 率样本的平均值袁 Cap 为平均开机容量袁 n 为样本个数遥