已阅读5页,还剩4页未读, 继续免费阅读
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
风电场输出功率短期预测研究彭怀午 杨晓峰内蒙古电力勘测设计院 呼和浩特 010020摘要:本文采用人工神经网络方法对内蒙古某风电场10台风机的输出功率进行了预测研究。分别利用不同输入变量和隐层参数的四种网络模型进行了预测分析,发现采用采用风速、风向和温度作为输入变量,4-8-1型的网络结构,预测精度较高,平均绝对误差小于250kw,正规化均方根误差小于5%。关键词:风电;功率;短期预测;人工神经网络1 引言风力发电成为了近几年发展最为迅速的可再生能源,未来风电将占世界电力供应的12%1。中国风电自2005年以来,装机容量连续三年增长超过100,国家发展和改革委员会规划在2010年中国风电装机容量将达到10GW 2。但是,由于风的波动性和间歇性,风电的典型特征就是不可控,大容量风电场的接入会对电网运行产生很大的负荷甚至危险3。我国现在还处于无条件地要求电网企业全部接受风电电量的阶段,但是随着风电容量不断加大、电量需求逐渐饱和,电力市场将逐步要求风电企业竞价上网和提前进行发电量预报。为提升电网接纳风电的能力,保障电网安全,对风电场发电功率进行预测十分必要并且意义重大。国外已经比较成熟地开发出了风功率预测和管理系统,特别是风力发电比例比较高的国家。例如丹麦Riso国家实验室开发的Prediktor系统4,德国ISET开发的WPMS系统5,以及美国AWS Turewind公司开发的ewind系统6等。但是,国内对风电功率预测的研究还较少,并且不太成熟。目前,主要集中在风电场风速短期预测研究7-9,真正意义上的发电功率研究更少10-11。国内风电功率预测的研究主要受限于两方面:(1)数值气象预报系统在一些风电发达地区没有建立起来,并且已有的系统对风速、风向等气象因素在时间分辨率和空间分辨率上精度不高;(2)有些风电场数据采集与监视控制系统(SCADA)还不够健全,无法实时提供每10分钟或每1小时的出力数据,需要时间进行相应的统计分析。风电机组出力预测的前提是风速、风向等气象因素,由于内蒙古地区暂时还没有成熟的数值气象预报系统,本文只能采用内蒙古某风场SCADA系统采集的风速、风向和温度数据暂时替代数值气象预报数据。根据风电场历史实际出力数据,采用人工神经网络进行学习,并对风电场的发电功率进行预测研究。2 风电功率预测的基本原理风电功率预测方法一般分为物理方法和统计方法。物理方法的优点是不需要历史运行数据,风场投产就可以进行预测,缺点是需要风场详细的地形图、风机布置坐标和风机功率曲线等数据,程序比较多,典型系统是丹麦RISO实验室的Predictor预测系统4。统计方法的优点是程序简明,一般采用人工智能方法进行预测,对风场具体布置资料没有要求,缺点是要求风场历史运行数据(SCADA数据),并且为保证预报精度至少要求有4个月左右风场运行数据进行学习,典型系统是德国ISET开发的WPMS系统5。两种方法的预测精度在不同风电场环境下各有所长,下面介绍典型的预测流程。2.1物理方法采用物理方法进行风功率预测步骤主要分三步12:(1)缩小(downscaling),采用中尺度模型或微尺度模型,将数值气象预报(NWP)高度的风速和风向换算到风机轮毂高度;(2)功率转换(converted to power),采用风机制造厂家提供的功率曲线或在风电场长期测量得到的经验功率曲线,将风速和风向数据转化为发电功率数据;(3)倍增(upscaling),将单个风电场的预测结果进行综合,得到整个地区的发电功率预测结果。2.2统计方法采用统计方法进行风电功率预测一般分为三步:(1)学习,选择一年左右的历史统计数据,采用统计模型分析出发电功率与风速、风向、温度、气压等天气数据的关系;(2)检验,基于上一步中求得的非线性关系,将某一段时间的风速、风向等天气数据进行输入,得到一组发电功率值,与实测结果进行比较和误差分析。如果结果达到要求的误差精度,进入下一步;如果达不到要求的精度,将修改模型,调整输入变量,重新学习;(3)预测,基于上面二步得到的合适的非线性关系,固定了预测模型,输入风速、风向等气象数据,得到预测结果,并进行误差分析。常用的统计预测方法有自回归移动平均(ARMA)算法7、人工神经网络(ANN)8、支持向量机(SVM)9等。3 人工神经网络算法3.1 算法的基本原理神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。本文采用的学习规则是梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。人工神经网络由非线性函数 f 组成,而 f 由一系列不同权重的线性过滤器组合而成,表达式如下8:其中,是输入变量,为权值,代表输出值,本文中是预测时刻 t 时的功率。以实测功率与预测功率的最小平方差作为目标函数,训练网络,寻找最优的权值,即其中,为预测值,为实测值,N为训练数据个数。3.2人工神经网络模型风力发电机的输出功率受风速的影响最大,因此风速是必须的输入变量;同时风向将影响风机尾流的大小,进而影响整个风电场的出力,因此风向也是重要的输入变量。风力发电机的功率曲线还受空气密度的影响,不同的月份风机的功率曲线不同。而空气密度将受温度、气压、湿度等气象因素的影响。本文中只采集到风速、风向和温度三个关键因素,并且只有2008年10月至2008年12月共3个月的数据。风机额定功率为750KW,共统计到10台风机的发电功率数据,总额定功率为7500KW。学习阶段采用10月和11月的小时平均数据,预测12月份的小时平均输出功率。为了提高人工神经网络的学习精度和效率,需要首先对原始数据进行预处理,并剔出错误数据(主要包括风机测风仪器故障数据、风机正常或非正常停机数据、通信故障数据等)。其次,因为神经元存在饱和问题,需要对输入数据进行归一化处理:1) 风速归一化,采用历史最大风速对输入风速数据进行归一化处理;2) 风向归一化,因为风向为0至360度的数据,通过分别取正弦值和余弦值,换算到-1,1区间;3) 温度归一化,采用历史最高温度和最低温度绝对值的最大值,对输入温度数据进行归一化。神经网络的基本结构如图1所示,本文选择了三层神经网络结构,因为三层网络理论上可以逼近任何非线性函数。第一层为输入层,输入变量有多少,输入节点就有多少;第二层为隐层,隐层节点个数没有太明确的取法,一般采用试验法取不同节点个数进行预测结果比较,择优选择;第三层为输出层,本文只有一个输出,风电场发电功率。图1 人工神经网络的基本结构图4 预测结果为了定量地判断最佳输入模型,本文采用国际上通用的两种预测误差指标来进行模型间的相互评价和比较:一种是平均绝对误差(MAE),一种是正规化均方根误差(NRMSE)。其中平均绝对误差(MAE)定义为11:正规化均方根误差(NRMSE)定义为:其中,、分别表示风场实际发电功率测量值、功率预测值和所有预测风机的额定功率,N为预测数据的个数。4.1 不同输入变量和网络结构考虑到采集到的数据不足一年,并且10月到12月平均温度逐渐降低,温度数据作为可选择的输入变量。学习数据采用10月至11月的数据,温度变化范围为-10,20,而预测的12月数据,温度变化范围为-27,2,因为温度数据范围的不一致,将增加预测结果的不确定性。如果有完整一年的历史数据,预测精度将提高。人工神经网络的隐层节点数的选取,还没有很好的理论根据。Kolmogrov13通过对三层网络的研究,认为隐层节点数应为2N+1,其中N为输入层的节点数;Lippmann14基于对多层网络功能的几何解释,指出第二隐层节点数应为2M,其中M为输出层的节点数。本文基于上面的考虑,分别采用了四种神经网络模型,进行对比研究,具体配置如表1所示。表1四种人工神经网络模型的具体配置网络模型ID输入参数网络结构1风速风向正弦风向余弦温度4-9-12风速风向正弦风向余弦温度4-8-13风速风向正弦风向余弦3-7-14风速风向正弦风向余弦3-6-1模型1:输入参数为4个,分别为风速、风向正弦和余弦值以及温度,隐层节点数为9个,取为2N+1,输出为10台风机的总发电功率;模型2:输入参数为4个,分别为风速、风向正弦和余弦值以及温度,隐层节点数为8个,取为2N,输出为10台风机的总发电功率;模型3:输入参数为3个,分别为风速、风向正弦和余弦值,隐层节点数为7个,取为2N+1,输出为10台风机的总发电功率;模型4:输入参数为3个,分别为风速、风向正弦和余弦值,隐层节点数为6个,取为2N,输出为10台风机的总发电功率。四种模型的预测结果如图2所示,可以看出10台风机的发电功率随着时间变化比较剧烈,主要归因于风速的随机变化。四种模型基本都能及时追踪发电功率的变化,预测曲线和实测曲线比较接近。为了更清楚地观测各种模型的预测精度,取了预测开始的最初72小时的预测曲线和实测曲线,如图3所示。四种模型在前48小时的预测精度较高,预测曲线和实测曲线非常接近,最后面的24小时,预测曲线和实测曲线能明显看出差别。因此,一般预测精度和预测的时间长度相关,预测时间越长,预测精度越低。四种模型对于风场12月份的整体预测结果如表2所示,模型1的平均绝对误差(MAE)和正规化均方根误差(NRMSE)均为最大,MAE超过350kw,NRMSE约为8%;模型3和模型4的预测误差非常接近,MAE约为316kw,NRMSE约为6%;精度最高的是模型2,MAE小于250kw,NRMSE小于5%。如果学习一年完整的风速、风向和温度数据,预测精度还能进一步提高。图2 四种网络模型的预测值和实测值的12月数据比较图3 四种网络模型的预测值和实测值的未来72小时的比较表2四种人工神经网络模型的预测结果对比网络模型IDMAE(kw)NRMSE(%)1371.447.93%2248.824.90%3315.625.99%4316.286.00%4.2预测误差分析发电功率预测的精度不仅依赖于预测模型的选择,而且与下面三种因素密切相关15:(1)风速、风向和空气密度(温度)的预测精度;(2)风机非线性功率曲线对风速等预测误差的放大或衰减效应;(3)风电场运行效率,包括风机的运行表现和实际利用率。根据前面所建立的预测模型,将风电场的预测值和实测值进行逐点比较,并对误差序列做进一步分析,得到误差概率分布图4。图中黑色曲线是对直方图进行高斯分布拟合的结果,R-square高达0.95,充分说明误差分布符合高斯分布规律。同时,误差大于20%的概率小于3%,误差大于10%的概率小于5%。如果设置20%的误差带,这意味着误差带的置信区间为97%,大约有3%的可能在误差带之外。通过对不同风速对应的预测误差进行分析,发现预测误差的大小和风速的大小存在一定的关系。如图5所示,在风速为5至15 m/s的区间,预测误差较大;而在大于15 m/s的风速区间,预测误差明显减小,基本低于10%。造成这一结果的主要原因是风机功率曲线的非线性,风机厂家给定的功率曲线如图6所示。风机切入风速为4 m/s,切出风速为25 m/s。在5至15 m/s的区间,曲线斜率较大,非线性较强,风速误差在这个阶段将被放大,导致预测误差较大;而当风速大于15 m/s,功率曲线斜率较小,处于风机功率对风速的饱和阶段,风速误差在这个阶段将被衰减,导致预测误差较小。图4 误差概率分布图图5 误差随风速的分布图图6 风机厂家给定的功率曲线5 结论本文对内蒙古某风电场10台额定功率为750kw的风机进行了1个月的发电功率预测分析,结果表明采用人工神经网络模型能很好的对风场输出功率进行预测,在97%的置信区间内预测误差带为20%。采用风速、风向和温度作为输入变量,4-8-1的网络结构,平均绝对误差小于250kw,正规化均方根误差小于5%。由于内蒙古地区还没有成熟可用的数值气象预报系统,无法提前获取未来72小时内每10min或每1h的风速、风向、温度和气压等数据,因而,只能在有限的范围内进行研究,即采用风机自带的测风数据对风电场发电功率预测进行了多种尝试。同时,随着历史数据的增加和未来气象预报数据的不断完善,仍有进一步提升预测精度的可能性。参考文献:1 Wind Force 12 R. Report by the European Wind Energy Association ( EWEA), 2002.2 施鹏飞. 2007 年国内外风电发展情况J. 可再生能源, 2008,26(3): 710.3刘永前,韩爽,胡永生. 风电场出力短期预报研究综述J. 现代电力,2007,24(5):6-11.4 Landberg LPrediktor: An on-line prediction systemC.Wind Power for the 21st Century,EUWEC Special Topic Conference,Kassel,2000.5 Lange B,Rohrig K,Ernst B, et al. Wind power prediction in Germany: Recent advances and future challengesCEuropean Wind Energy Conference,Athens,2006.6 Zack J W,Brower M C,Bailey B H. Validating of the for ewind model in wind forecasting applicationC. EUWEC Special Topic Conference Wind Power for the 21st Century, Kassel Germany,2000.7 潘迪夫,刘 辉,李燕飞. 基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型J. 电网技术,2008,32(7):82-86.8 Erasmo Cadenas, Wilfrido Rivera, Short term wind speed forecasting in La Venta, Oaxaca, Mexico, using artificial neural networks J. Renewable Energy 2009,34:274-27.9 杜 颖,卢继平,李 青,邓颖玲,基于最小二乘支持向量机的风电场短期风速预测J.电网技术,2008,32(15):62-66.10
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- (2026)汽车驾驶员(技师)考试题及答案
- (完整版)2026年二建《建筑实务》真题及答案解析
- 【2025年】山东省潍坊市辅警协警笔试笔试真题(含答案)
- (新版)电梯维修人员资格(特种作业)考试题库(含答案)
- 《草坪建植与养护》期末试卷含答案
- 2025党校培训试题及答案
- (2025)急救知识试题库(含答案)
- (2025年)饲料企业从业人员法规考核试题带答案与解析
- 2021年度产前筛查及产前诊断题库带全部参考答案解析
- 2026年注册建筑师简析技术题库带答案
- 2026-2030年中国出租车行业发展趋势及发展前景研究报告
- 2026年中级注册安全工程师《安全生产管理》真题及答案
- 2026年宠物食品用品批发行业发展趋势及投资前景报告及未来五至十年新兴市场与增量突破
- 2026年中国电信笔试题库
- 2026年6西格玛绿带试题及答案
- 小学四年级英语沪教牛津版上册期末综合复习教案
- DB 61∕T 5121-2025 建筑工程资料管理规程
- PCR上岗证考试题库及答案
- 2026秋新教科版科学四年级上册教学课件:第三单元 第1课 声音是怎样产生的 含多个微课视频
- SYT 6649-2025《油气管道管体缺陷修复技术规范》
- 2026师德师风工作自查报告及自查总结(3篇)
评论
0/150
提交评论