短期风电功率预测技术.doc

短期风电功率预测技术作者摘要：由于自然风具有随机性、波动性和不可控性，风电场的发电功率波动较大。随着大量风电并入电网中，为了合理制定发电计划，保证电力系统稳定运行，需要对风电输出功率进行预测。本文分类介绍了目前用于风电功率预测的基本方法和意义，简要概括了国内外的风电功率预测技术研究和应用现状，对风电功率预测技术发展趋势进行了展望。关键词：风力发电；功率预测；基本方法abstract ：due to the random and uncontrollable nature of the natural wind,the output of the wind farm power fluctuations.as more and more wind power is integrated into power grids，it is very important to predict the wind power generation in order to make a reasonable scheme and ensure stability of the power system. the basic methods and meaning to predict wind power is introduced. the status of research and application of wind power prediction technology at home and abroad is also summarized briefly. at last, the development trend of wind power prediction is prospected.key words：wind power；power prediction；basic method0 引言从20世纪70年代发生世界性能源危机以来，能源问题和环境问题日益突出，而开发利用可再生能源为应对全球性能源危机和环境污染开辟了新的途径 ，对改善能源结构、保证国民经济可持续发展具有重要的战略意义。风能是目前最具大规模商业化开发利用潜力的可再生能源，风力发电是规模利用风能的有效途径，也是我国能源和电力可持续发展战略的最现实选择。2005年以来，风电一直是全球增长最快的能源。20052009年，全球风电累计装机容量年均增长率为27.3，新增装机容量年均增长率为 36.1。截至 2012年底，全球风电累计装机容量达到282.6gw，其中2012年全球风电新增装机容量为44.8gw，同比增长19%。2008年底全球风电机组发电量达260twh，超过全球电力消费总量的1.5%。19962012年全球累计及新增装机容量如图0.1所示：图0.1 19962012年全球累计及新增装机容量我国风电资源与负荷中心呈逆向分布，采用“大规模(数万千瓦至数千万千瓦)连片集中开发”、“远距离高电压外送”为主的风电开发利用方式。2010年，我国风电累计装机容量达到4182.7万千瓦，新增装机容量达到1600万千瓦，“双居”世界第一。2012年世界前十位新增及累计风电装机容量的国家对比如表0.2所示：国家 新增mw % 国家累计mw % 美国13124 29.3 中国75324 26.7 中国12960 28.9 美国60007 21.2 德国2415 5.4 德国31308 11.1 印度2336 5.2 西班牙227968.1英国1897 4.2 印度18421 6.5 意大利1273 2.8 英国8445 3.0 西班牙1122 2.5 意大利8144 2.9 巴西1077 2.4 法国7564 2.7 加拿大935 2.1 加拿大6200 2.2 罗马尼亚 923 2.1 葡萄牙 4525 1.6 其他 6737 15.0 其他 39853 14.1 前十名总计 38062 85 前十名总计 242734 85.9 全球总计 44799 100.0 全球总计 282587 100.0 表0.2 2012年世界前十位新增及累计风电装机容量的国家对比1 风电功率预测的意义传统电力系统是通过一套“有功功率频率”平衡控制机制，实现发电功率对负荷功率的追踪，维持电网的功率平衡和频率稳定。该机制基于可预测的系统负荷，通过发电机组组合、经济调度、自动发电控制(automaticgenerationcontrol，agc)、一次调频等调控策略来实现。当电网接人大规模风电后，从国内外的研究以及应用来看，电力系统的运行调度体系并未发生根本改变，传统电力系统采用的“有功功率频率”平衡控制机制仍被电网调度继续沿用。这一体系依赖于较高精度(通常小于10)的负荷功率预测技术和可调度的发电出力。而与常规电源不同，风力发电几乎完全取决于实时的天气条件，随机变化的天气导致风力发电具有波动性、间歇性、随机性的特点，因此，大规模风电并网运行削弱了电力系统中发电功率的可控性，进而影响着电力系统中发电功率对负荷功率的可追踪能力。此外，由于电力系统的发电、输电、用电需要实时保持平衡，风力发电大规模并网将给电网运行带来越来越大的压力。为了应对风力发电的随机性和间歇性问题，电力系统在运行中必须留有足够的备用电源和调峰容量，以保证风力发电出力不足时能够正常向用户供电，这必然会造成系统的备用容量增大；而在风力发电出力大、而负荷不足时，又必须采取压低火电机组出力的方式来保证平衡，这不仅增加了系统的运行成本，同时当大规模风电功率波动超过电力系统的平衡能力时，可能引发电力系统频率越限，威胁电力系统的运行安全。风电发达的国家经过长期的研究和探索发现：建设较高预测精度、功能较为完备的风电功率预测系统，是解决风电大规模并网运行问题的关键措施之一。风电输出功率预测技术，尤其是超短期预测，有助于预判风电功率变化趋势，进而有助于降低风电功率不可控性对电力系统的影响，减少常规电源调度计划安排的偏差，降低系统备用容量和运行成本，进一步提高电力系统运行安全性和经济性，提高系统的风电接纳能力，促进风能的大规模开发利用。2 风电功率预测的基本方法风电功率预测是指采用数值天气预报或者数学统计方法来预估未来某段时间内的风电功率值。目前主要分3类：(1) 按照预测时间划分，可分为：以年为单位的长期预测；以月、周为单位的中期预测；以日、小时为单位的短期预测；以分钟为单位的超短期预测。其中，长期预测主要用于风电场设计的可行性研究，用来预测风电场建成之后每年的发电量。这种预测一般要提前数年进行，主要根据气象站20或3o年的长期观测资料和至少一年的风电场测风塔测风数据，经过统计分析，再结合待装风电机组的功率曲线，来测算风电场每年的发电量；中期预测一般提前数月进行预测，主要用于安排大修或调试；短期预测一般是提前148(或72)小时对每小时的功率进行预测，目的是便于电网合理调度，保证供电质量，为风电场参与竞价上网提供保证；超短期预测一般是提前几小时或几十分钟进行预测，目的是为了风电机组控制的需要。(2) 按照预测模型的对象不同，可分为：基于风速的预测方法(间接法)和基于功率的预测方法(直接法)。其中，间接法是通过预测风速，再根据机组风功率曲线来间接获得风电机组场输出功率的风电功率预测方法；直接法就是不考虑风速的变化过程，利用统计方法或智能类方法，根据历史功率序列建立模型，并利用实时数据对风电功率进行预测，该类预测方法一般只适用于超短期风电功率预测，或者根据历史数据找出天气和输出功率间的关系，并利用实时数据和数值气象预报(numerical weather predication，nwp)信息对风电功率进行预测的风电功率预测方法。(3) 按照采用预测模型划分，可分为：采用统计模型预测和采用物理模型预测。本文主要从采用的预测模型角度开展风电功率预测方法论述。2.1 统计模型预测方法不考虑风速变化的物理过程，采用一定的数学统计方法，在历史数据与风电场输出功率之间建立一种映射关系，以此来对风电功率进行预测的方法称为统计预测方法。此方法可以简单分为2类：第1类是基于确定性时序模型的预测方法。该类方法通过找出风电功率历史数据本身在时间上的相关性来进行风电功率预测，常用方法有：卡尔曼滤波法、时间序列法(autoregressiveandmoving averagemodel，arma)、指数平滑法等。其中卡尔曼滤波法仅需要有限时间内的观测数据，递推算法简单，但只能用于线性的信号过程，而且需要噪声信号必须服从高斯分布；arma法只需知道风电场的单一风速或功率时间序列即可建立预测模型，但需要大量的历史数据；指数平滑法建立的模型较简单，计算简便、需要存贮的数据少，但预测结果依赖于平滑初值和平滑系数，而二者的确定较复杂，没有统一方法。第2类是基于智能类模型的预测方法。其实质是根据人工智能方法提取风电功率变化特性，进而进行风电功率预测。常用的方法有：人工神经网络法 、小波分析法、支持向量机(supportvector machine，svm)回归法、模糊逻辑法等。其中人工神经网络法应用的最为广泛，具有并行处理、分布存储与容错性等特征，具有自学习、自组织和自适应能力，对复杂问题的求解十分有效，但存在训练速度慢等问题；小波分析法能有效地从信号中提取信息，但小波基不好选取；svm回归法具有全局收敛、样本维数不敏感、不依赖于经验信息等优点，但最佳核变换函数及其相应的参数确定较为复杂，且需要的数据量较大；单纯的模糊逻辑法用于风电功率预测，效果往往不佳，通常要与其他方法配合使用，如遗传算法、人工神经网络法等。统计方法不需要考虑大气运动特性，所用数据单一，对于34h的短期或超短期的风电功率预测，结果可以满足精度要求。但对于提前更长时间的预测，预测结果精度往往是不够的，而且其需要长期的测量数据和大量的数据处理工作以及额外的训练。另外，其对突变信息处理不好，在训练阶段很少出现的罕见天气状况，其也很难准确预测。2.2 物理模型预测方法物理预测方法是指根据nwp提供的气象预测值，得到诸如风向、风速、大气压、空气密度等天气数据，然后根据风机周围的物理信息(包括地形、等高线、地表粗糙程度、周围障碍物等)得到风电机组轮毂高度的风速和风向信息的最优估计值，最后根据已建立的风速与风电功率的统计模型给出风电功率预测 。nwp数据是物理预测方法的重要依托。nwp是指根据大气实际情况，在一定的初值和边界条件(风速、风向、气压、温度等 )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的方程组，预测未来一定时段的大气运动状态和天气现象。nwp分辨率一般都在数十平方公里 (如6o km、30km或20km)，不能直接用于预测风电机组的输出功率，只能满足预测风电场输出功率的要求。物理预测方法预测流程图如图2.1所示 。数值天气预报(风速、风向、气压、温度等 )转换到轮彀高度(等高线、粗糙度、障碍物等)风电场功率曲线风电场输出功率预测图 2.1 物理预测方法预测流程图物理预测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，但需要准确的nwp数据和风电场所在地的详细物理信息，输入参数较多，而且nwp数据的采集和处理也较为繁琐。由于nwp每日只更新几次，故物理预测方法更适合于6h以上的短期和中期预测。在实际应用中，单纯使用某一种方法进行预测得到的结果往往不是很理想，因此常常会将上述方法中的某几种方法结合使用以得到更好的预测结果。3 国内外风电输出功率预测技术研究现状3.1国外风电功率预测技术研究现状相对而言，国外的风电预测技术的研究工作起步较早，目前已开发出多套商业应用软件，较有代表性的预测系统有：1994年开始运行的丹麦ris国家实验室的prediktor系统、1998年开始运行的美国aws truewind公司的ewind系统、2001年开始运行的西班牙可再生能源中心的localpred系统和2001年开始运行的德国iwes学院开发的wpms预测系统等。其主体思想均是利用数值天气预测提供风机轮毂高度的风速、风向等预测信息，然后利用风电功率预测模块提供风电功率预测。其中，丹麦的prediktor预测系统采用高精度有限区域模型作为数值天气预报的输入，并将数值天气预报输出的风速、风向信息通过相应公式转化到风机轮毂高度的风速、风向，进而利用风机输出功率特性曲线计算出风机的输出功率。该模型在计算中考虑了风机的尾流效应。美国的ewind系统也是利用数值天气预报方法进行风电场输出功率预测的。该系统中包括高精度三维大气物理数学模型、适应性统计模型以及风电场输出功率预测模型。localpred系统通过数值天气预报物理模型与统计方法相结合的方式进行风电场输出功率的预测。其利用高分辨率的mm5模式或nwp模型协同流体力学软件计算风电场的风速等气象信息，进行风电场风速的初步预测，再通过系统中的统计模块对预测风速进行修正，最后通过风电场输出功率、风速的历史数据建立统计模型进行风电场输出功率的预测。此外，对于短期预测，该系统还提供了一种可用的时间序列方法。wpms系统根据德国气象局提供的数值天气预报进行预测，用人工神经元网络法计算风电场的功率输出，其预测均方根误差rmse（root meansquare error）能达到装机容量的7%19%。3.2 我国风电功率预测技术研究现状目前，我国推出的风电预测系统主要有由中国电力科学研究院研制的wpfs ver1.0预测系统和由华北电力大学研制的风电功率预测系统 11 。由中国电力科学研究院研制的wpfs ver1.0预测模型以物理模型、统计模型或物理统计混合模型为基础，针对不同风电场采用不同模型，对于新建的风电场可实现预测模型与风电场同步投运。该模型的预测精度达到了单个风电场预测均方根误差为16%19%，多个风电场总出力预测均方根误差为11.67%，预测精度国内领先，达到国外同类产品水平（20%）。华北电力大学研发的风电场发电功率预测系统，是继wpfs ver1.0后的又一风电预测系统。系统利用国内专业气象预报进行预测，系统主要技术指标达到或超过了国家电网公司颁布的 风电功率预测系统功能规范（试行） 中给出的性能要求，实现了6 h内超短期预测均方根误差在10%以内的精度。该系统目前已相继在国电龙源川井风电场和巴音风电场投入运行。4 风电功率预测技术的发展趋势随着风电装机容量的快速增长，尤其对于海上大型风电场以及我国千万千瓦级风电基地，由于风电场都集中布置，为保证风电场所接人电力系统运行的安全性与经济性，需要提高风电功率预测的精度。近年来，国内外学者在此方面做了各种研究，提出了很多改进方法，具体如下：(1)物理模型预测方法依赖nwp数据。目前国内外已投运的风电功率预测系统大多依赖单一模型的nwp数据，这使得风电功率预测精度对nwp预报精度非常敏感。如果将多个nwp模型组合起来，以提高气象信息的预测精度，不仅可以克服单一气象数据引起的预测偏差，也有助于物理模型的进一步建立，从而提高风电功率预测的精度。(2)对目前国内外已经投运的风电功率预测系统的预测误差分析来看，预测误差主要来自nwp环节。因此，利用遥感技术和高性能计算机技术，改善nwp模型的分辨率(一般能从数十km (如60km、30km或20km )提高到lkm或2km)，可提高局域天气预报的准确度，有助于提高预测精度。(3)由于目前nwp的更新频率较低，限制了风电预测系统输人数据的更新速度，降低了风电功率预测精度。因此提高天气预报的更新频率，将有利于风电预测模型输人数据的改善，也将有助于提高风电功率预测精度；如果能采用实时的气象信息，可以对风电功率预测起到根本性的改善。(4)除了改善nwp系统的性能外，对不同预测方法的预测结果进行组合和优化，也将是提高风电功率预测精度的途径。从长远的风电功率预测角度来看，首先，提高nwp的预报精度将会有效改善风电功率预测的精度；其次，结合气象信息、物理模型的预测方法会更具发展前景；再次，多种模型相互结合以提高风电功率预测精度将成为风电预测的发展趋势。5结语风电场输出功率预测对接入大量风电的电力系统调度及安全稳定运行具有重要意义。本文首先介绍了风电发展和风电功率预测技术研究的全球背景，接着给出了风电功率预测的意义，然后概述了风电功率预测技术的分类，并重点介绍了统计模型预测方法和物理模型预测方法。统计模型预测方法只利用历史数据来建立映射关系，需要大量的历史数据；物理模型预测方法需要获取丰富、有效的 nwp数据和风机周围的物理信息，并且对风电场周围建模的具体情况要求也颇为严格，实际应用中这两种方法通常结合进行。最后，本文对风电功率预测技术的发展趋势进行了展望。参考文献1 李庚银。新能源电力系统分析。华北电力大学专题课程。2013。2 李智，韩学山，韩力等。地区电网风电场功率超短期预测方法。电力系统自动化。2010，34(7):9094。3 陈颖，周海，王文鹏等。风电场输出功率超短期预测结果分析与改进。电力系统自动化。2011，35(15)：3033。4 王凤霞。风电功率预测技术。云南电力技术。2011，39：5860。5 陈茜。关于