风电功率的预测

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。