风电功率预测问题

第一页

答卷编号：论文题目：

指导教师：

参赛学校：

报名序号：

证书邮寄地址：

（学校统一组织的请填写负责人）

第二页

答卷编号：

风功率预测问题设计

摘要

未来风力发电可能成为和太阳能比肩的新能源行业。随着全球经济的发展和人口的增长，人类正面临着能源利用和环境保护两方面的压力。一方面煤炭、石油和天然气等化石燃料的储量由于大量开采而日益减少：另一方面是大量使用化石燃料对自然环境产生了严重的污染和破坏。这两方面的问题已经引起世界各国政府和人民的高度重视，并在积极寻求一条可持续发展的能源道路，以风能首当其冲。风速的随机性，给，和风电场的功率输Hj带来很大的困难。本文旨在研究分电功率在一段时间的变化规律，本文组建三个模型来解决风电功率的预测问题通过对历史数据的分析，挖掘5月31号到6月6日风电功率的变化趋势，以便直观的检验模型与实际数据是否相吻合。

在问题一中考虑天气变化的随机性，分析不同时间点的数据，将Pa,Pb,Pc,Pd,P58表中5月30日第81时间点到96时间点的数据提取出来运用灰色理论作为预测2006年5月31日开始前四个小时内的16个时间点的数据预。同理以表中已给出的5月31日1-16时间点的数据预测出17-32时间的数据，然后运用此模型得出时间范围a,b内各时间点的风电功率。然后可与题目中以给的数据相比较得出误差。第二种预测方法运用指数平滑模型得出时间范围a,b内各时间点的风电功率。第三种预测方法运用移动平均模型，预测出时间范围a,b内各时间点的风电功率。通过三种预测方法的误差分析我们推荐指数平滑预测法。

在问题二中，通过比较分析问题一的预测结果，比较单台风电机组功率（P

A ，P

B

，P

C

，

P D ）的相对预测误差与多机总功率（P

4

，P

58

）预测的相对误差，得出风电机组的汇聚程

度越高，对于预测风电功率结果误差影响越小。

在问题三中，选用了BP神经网络的预测方法，加入了更多的自变量，使得预测结果更精确。

（关键词：风速的随机性，风速的预测，风电功率数值，灰色理论，指数平滑模型，移动平均模）

一问题重述

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．P A, P B, P C, P D；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；

b. 5月31日0时0分至6月6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（P A，P B，P C，P D）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主要因素。风电功率预测精度能无限提高吗？

二模型的假设

（1）原题中各机组各个日期不同时间点的风功率数据均真实可靠；

风功率预测方法可以分为 2 类：一种方法是根据数值天气预报的数据，用物理方法计算风电场的输出功率；另一种方法是根据数值天气预报与风电场功率输出的关系、在线实测的数据进行预测的统计方法。考虑了地形、粗糙度等信息，采用物理方程进行预测的方法则称之为物理方法，根据历史数据进行统计分析，找出其内在规律并用于预测的方法称之为统计方法(如神经网络方法、模糊逻辑方法等)。如果物理方法和统计方法都采用则称之为综合方法。

风电功率预测方法根据预测的物理量来分类，可以分为2类：第1类为对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场功率输出；第2类为直接预测风电场的输出功率。

根据所采用的数学模型不同可分为持续预测法、自回归滑动平均(auto regressive

moving average,ARMA)模型法、卡尔曼滤波法和智能方法等。持续预测方法是最简单的预测模型，这种方法认为风速预测值等于最近几个风速值的滑动平均值，通常认为最近1点的风速值为下1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模型和向量自回归模型、卡尔曼滤波算法或时间序列法和卡尔曼滤波算法相结合。另外还有一些智能方法，如人工神经网络方法等。

根据预测系统输入数据来分类也可以分为2类：1类不采用数值天气预报的数据，1类采用数值天气预报的数据。

根据预测的时间尺度来分类，可分为超短期预测和短期预测。所谓的超短期并没有一致的标准，一般可认为不超过30 min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、电能质量评估及风电机组机械部件的设计等。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30 min~72 h的预测，主要用于电力系统的功率平衡和调度、电力市场交易、暂态稳定评估等。对于更长时间尺度的预测，主要用于系统检修安排等。目前，中长期预测还存在较大的困难。因为风速、风向等天气情况是由大气运动决定的，不考虑数值天气预报数据无法反映大气运动的本质，因此也难以得到较好的预测结果，所以现在研究的风电场输出功率预测都把数值天气预报数据作为1组重要输入数据。

三符号说明

1.P A，P B，P C，P D代表单台风电机组功率；

2.P58代表58台机组总输出功率；

3.P4代表该四台机组总输出功率；