风力发电功率预测
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)。
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。
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。
风电功率预测
报告人： 班 级： 学 号：
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。
背景及意义
三、 按时间分类：
超短期预测 （0h~3h） 应用于风电机组自身的控制。
短期预测
（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。
中长期预测 （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。
预测方法介绍
风机功率曲线
先预测风 1、按预测物理量分类： 速
直接预测输出功率
预测输出功率
风 电
持续预测方法
功 2、按数学模型分类： ARMA预测方法
率
卡尔曼滤波方法
预 测
智能方法，如神经网络
时间序列法
3、按输入数据分类：
物理方法
采用数值天气预报数据 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。
实例分析 ——灰色神经网络预测
数据二结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
90 实际功率
80
GM预 测 值
BP神 经 网 络 预 测 值
70
GM-BP预 测 值
60
功 率 -KW
50
40
30
20
10
0
0
2
4
6
8
10
12
14
16
2013年 8月 6日 （ 2:00-5:45） -t/15min
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
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。
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（Numerical Weather Prediction，
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。
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，
实例分析 ——灰色神经网络预测
数据一结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
145
实际功率
140
GM预 测 值
135
BP神 经 网 络 预 测 值 GM-BP预 测 值
130
125
功 率 -KW
120
115
110
105
100
95 0
2
4
6
8
10
12
14
2013年 8月 1日 （ 18:00-21:15） -t/15min
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。
国内外发展现状
国 开百度文库商 家
模型名称 特点
投运时间
ISET 德 国
WPMS
德国OldenBurg大学 Previento
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
使用物理模型，在较大的区域内给出2天的预测结 果
2001 2002
1994 2003
西班牙可再生能源
LocalPred 模型用于复杂地形风电场的预测，采用
中心（CENER）与
CFD 算法，使用 MM5 中尺度气象模式作为数值天
西班牙能源、环境 西 和技术研究中心 班 （CIEMAT）联合 牙 开发
LocalPredRegioPred
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
siperó lico 统计模型
2002
美 国 AWS Truewind
eWind
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
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 2:00-5:45 间隔15min 前12个点作样本数据，预测未来4个点。
分别用灰色理论、BP神经网络、灰色神经网络进行预 测。
Risø 实验室
Prediktor 使用物理模型，考虑了尾流等的影响
1994
丹 丹麦科技大学 麦
丹麦科技大学联合 Risø 实验室
WPPT Zephry
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
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
常见的时序模型有： 自回归模型（Auto Regressive，AR）
滑动平均模型（moving average，MA）
自回归滑动平均模型（AutoRegressive Moving Average，ARMA）
差分自回归滑动平均模型（Auto Regressive Integrated Moving Average，ARIMA）等。
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。
结束
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
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
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。
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。
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。
风电功率预测
报告人： 班 级： 学 号：
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。
背景及意义
三、 按时间分类：
超短期预测 （0h~3h） 应用于风电机组自身的控制。
短期预测
（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。
中长期预测 （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。
预测方法介绍
风机功率曲线
先预测风 1、按预测物理量分类： 速
直接预测输出功率
预测输出功率
风 电
持续预测方法
功 2、按数学模型分类： ARMA预测方法
率
卡尔曼滤波方法
预 测
智能方法，如神经网络
时间序列法
3、按输入数据分类：
物理方法
采用数值天气预报数据 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。
实例分析 ——灰色神经网络预测
数据二结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
90 实际功率
80
GM预 测 值
BP神 经 网 络 预 测 值
70
GM-BP预 测 值
60
功 率 -KW
50
40
30
20
10
0
0
2
4
6
8
10
12
14
16
2013年 8月 6日 （ 2:00-5:45） -t/15min
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
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。
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（Numerical Weather Prediction，
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。
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，
实例分析 ——灰色神经网络预测
数据一结果：超 短 期 功 率 预 测 （ 未 来 四 步 ） 结 果 对 比 图 ：
145
实际功率
140
GM预 测 值
135
BP神 经 网 络 预 测 值 GM-BP预 测 值
130
125
功 率 -KW
120
115
110
105
100
95 0
2
4
6
8
10
12
14
2013年 8月 1日 （ 18:00-21:15） -t/15min
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。
国内外发展现状
国 开百度文库商 家
模型名称 特点
投运时间
ISET 德 国
WPMS
德国OldenBurg大学 Previento
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
使用物理模型，在较大的区域内给出2天的预测结 果
2001 2002
1994 2003
西班牙可再生能源
LocalPred 模型用于复杂地形风电场的预测，采用
中心（CENER）与
CFD 算法，使用 MM5 中尺度气象模式作为数值天
西班牙能源、环境 西 和技术研究中心 班 （CIEMAT）联合 牙 开发
LocalPredRegioPred
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
siperó lico 统计模型
2002
美 国 AWS Truewind
eWind
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
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 2:00-5:45 间隔15min 前12个点作样本数据，预测未来4个点。
分别用灰色理论、BP神经网络、灰色神经网络进行预 测。
Risø 实验室
Prediktor 使用物理模型，考虑了尾流等的影响
1994
丹 丹麦科技大学 麦
丹麦科技大学联合 Risø 实验室
WPPT Zephry
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
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
常见的时序模型有： 自回归模型（Auto Regressive，AR）
滑动平均模型（moving average，MA）
自回归滑动平均模型（AutoRegressive Moving Average，ARMA）
差分自回归滑动平均模型（Auto Regressive Integrated Moving Average，ARIMA）等。
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。
结束
人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。
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
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。