（电工理论与新技术专业论文）风电场输出功率预测的研究.pdf

士= r l明明 本人郑重声明：此处所提交的硕士学位论文风电场输出功率预测的研究，是本 人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究工作和取得的研究成 果。据本人所知，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得华北电力大学或其他教育机构的学位或证书而使 用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说 明并表示了谢意。 学位论文作者签名：丛圣& 毖 日期：卫塑! 丝。歹 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权保管、 并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或其它复制手 段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交流为 目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同媒体上发表、传播 学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名： 卢 飞；， 华北电力大学硕士学位论文摘要 摘要 风电场输出功率预测对风电系统的调度运行管理具有十分重要的意义。本文主 要采用时间序列分析方法对风电场功率短期预测进行研究。首先，对风电场历史风 速数据进行分析，平稳化处理，建立时间序列预测的a r i m a 模型；利用该模型对 未来时刻的风速进行超前六步预测，并给出了残差序列预测方法对结果进行修正， 以提高预测精度。在风速短期预测结果的基础上，综合考虑风电机组的输出功率特 性和风电场的尾流效应，建立了风电场输出功率的短期预测模型。最后，以某风电 场的实际历史数据为例，运用m a t l a b7 1 编程对该算法进行了仿真，达到了预期的 效果。 关键词：风电功率预测，a r i b l a ，残差序列预测，尾流效应 a b s t r a c t w i n dp o w e rf o r e c a s t i n gi sv e r yi m p o r t a n tt ot h ed i s p a t c h 、t h eo p e r a t i o na n dt h e m a n a g e m e n to fp o w e rs y s t e m sw i t hw i n dp o w e r u s i n gt i m es e r i e sm e t h o d s ，t h i sp a p e r s t u d i e st h ew i n dp o w e rs h o r t f o r e c a s t i n g f i r s t l y ，u s et i m es e r i e sa n a l y s i st h e o r yt o a n a l y s i st h eh i s t o r yw i n ds p e e ds i g n a lo fw i n df a r m ，c o n v e r ti tt os t a t i o n a r ys e r i e sa n d b u i l dt h em a t h e m a t i c a lm o d e lb yt i m es e r i e sm e t h o dw h i c hc a na c q u i r et h ew i n ds p e e d o fs i x s t e pf o r e c a s t t oi m p r o v et h ef o r e c a s t i n ga c c u r a c y ，w ea l s ob u i l de r r o rf o r e c a s t i n g m o d e lb yi t e r a t i v em e t h o da n du s et h em o d e lt ou p d a t et h ef o r e c a s t e dw i n ds p e e d b a s e d o nt h ef o r e c a s t e dw i n ds p e e d ，a no u t p u tp o w e rf o r e c a s t i n gm o d e lo fw i n df a r mw a sb u i l t b yc o n s i d e r i n gw i n dt u r b i n eo u t p u tp o w e rc h a r a c t e r i s t i c sa n dw a k ee f f e c t a tl a s t ，a n e x a m p l eo fs h o r t t e r mw i n dp o w e rp r e d i c t i o nw a sp r o v i d e da n di ta c h i e v e dt h ed e s i r e d r e s u l t m a t l a b7 1w a sa l s ou s e dt od e m o n s t r a t et h ev a l i d i t yo ft h i sm e t h o d s u nj i n s o n g ( t h e o r ya n dn e w t e c h n o l o g yo fe l e c t r i c a le n g i n e e r i n g ) d i r e c t e db yp r o f l i uj i a n x i n k e yw o r d s ：w i n dp o w e rf o r e c a s t i n g ，a r i m a ，e r r o rt i m es e r i e s f o r e c a s t i n g ， w a k ee f f e e t s ，kfw0p a ! 声 华北电力大学硕士学位论文目录 目录 中文摘要 英文摘要 第一章绪论1 1 1 引言1 1 1 1 课题研究的背景1 1 1 2 课题研究的目的和意义3 1 2 风电场功率预测国内外研究现状3 1 2 1 国外研究现状3 1 2 2 国内研究现状6 i 3 风电场功率预测的分类7 1 4 本文的主要工作8 1 5 本章小结9 第二章预测的基本理论。10 2 1 预测的基本原理1 0 2 2 预测的基本过程1 l 2 3 风电场功率预测的方法1 3 2 4m a t l a b 语言及其在预测算法研究中的应用1 5 2 5 本章小结1 5 第三章含残差序列预测修正的风速短期预测方法1 6 3 1 时间序列法1 6 3 1 1 时间序列1 6 3 1 2 时间序列分析1 7 3 2 时间序列模型1 9 3 3 含残差序列预测修正的风速短期预测模型2 1 3 3 1 基于历史数据的时间序列预测模型2 1 3 3 2 基于残差序列预测修正的风速预测j 2 6 3 4 本章小结2 7 第四章风电场输出功率模型2 8 4 1 风能资源2 8 4 1 1 风能资源参数2 8 4 1 2 风速模型3 1 4 2 风电机组输出功率特性3 2 i 华北电力大学硕士学位论文目录 4 3 尾流效应3 3 4 4 风电场等效模型3 5 4 5 本章小结3 6 第五章风电场输出功率短期预测3 7 5 1 风电场风速短期预测3 7 5 1 1 基于历史数据的时间序列预测模型3 7 5 i 2 基于残差序列预测修正的风速预测4 1 5 2 基于风速预测的风电场输出功率计算4 4 5 3 本章小结4 7 第六章结论与研究展望4 8 参考文献5 0 致谢5 3 在学期间发表的学术论文和参加科研情况5 4 i i j ：- l 一 唯 一 华北电力大学硕士学位论文 1 1 引言 1 1 1 课题研究的背景 第一章绪论 进入2 0 世纪以来，随着化石燃料的日益枯竭和环境危机的日益突出，可再生 能源的开发利用已经得到了世界各国的高度重视【j l 。风能是一种取之不尽、用之不 竭、环境友好的可再生能源，从古老的风车到现在的风力发电，充分体现了人类科 技进步的历史。风能是太阳能的一种转换形式，据估计，到达地球的太阳能中虽然 只有大约2 转化为风能，但其总量仍十分可观，比地球上可开发的水能总量还要 大1 0 倍。据中国气象科学研究院估计，在中国，1 0 m 高度可开发的风能为1 0 亿 k w 以上( 其中陆地2 5 亿k w ，海上7 5 亿k w ) 【2 1 。风力发电是风能利用的主要 形式，是继水力发电之后最为成熟的可再生能源发电技术，也是最具规模化开发条 件和商业化发展前景的发电方式之一，近年来一直保持着很高的年增长速度。1 9 9 0 年以来，世界风力发电飞速发展，风力发电累计装机容量年增长率平均超过2 0 ， 其在电网中所占的比例不断提高。其中，欧洲和北美的风力发电发展速度最快，德 国、西班牙、丹麦和美国的风力发电发展都处于世界领先地位。在亚洲，印度可开 发的风能资源不及中国的1 5 ，但是截至到2 0 0 7 年底，印度的风电总装机容量为 7 8 4 5 m w ，领先于中国的总装机容量5 9 0 6 m w ，被称为亚洲风力发电的领跑者。国 际能源机构( i e t ) 预测，到2 0 2 0 年底，风力发电将占世界发电总量的1 2 ，到 2 0 4 0 年风力发电将占世界发电总量的2 3 t 3 1 。 中国风力发电装机容量自2 0 0 3 年以来进入了快速增长期。2 0 0 3 年底，中国风 力发电累计总装机容量为5 6 7 m w ，2 0 0 4 年底为7 6 4 m w ，2 0 0 5 年底为1 2 6 6 m w ， 2 0 0 6 年底则为2 5 9 9 m w ，2 0 0 7 年底约为5 9 0 6 m w ，到2 0 0 8 年底，全国累计装机容 量为1 2 1 5 2 m w ，占世界累计总装机容量的1 0 1 ，超过印度的9 6 4 5 m w ，排在美 国、德国和西班牙之后，成为世界第四、亚洲第一大风力发电国家。2 0 0 8 年仅新增 装机容量6 2 4 6 m w ，占世界新增装机容量的2 3 ，仅次于美国的8 3 5 9 m w ，居世界 第二位。图1 1 和图1 2 分别为中国和世界近几年风力发电装机容量的统计，风力 发电进入一个快速发展的阶段1 4 1 。 风能具有波动性、间歇性、低能量密度等特点，使得风电场输出功率也具有波 动性和间歇性。当风力发电在整个电网中所占的比例较小时，风电场输出功率的波 动性和间歇性对电网的影响并不明显。随着风力发电装机容量的迅猛发展，风力发 电在电网中的比例不断增加，当风电穿透功率( 风电并网功率占整个电网总功率比 华北电力大学硕士学位论文 例的大小) 超过一定值后，并网的风力发电会影响电力系统的安全、稳定运行以及 电能质量，严重时可能使系统失去稳定。有关学者对这方面进行了大量的研究，指 出我国电网能够接受的风电穿透功率不能超过8 ，如果超过这一数值，会严重影 响电力系统的安全、稳定运行和电能质量【5 7 1 。 l q o u o 1 2 ，1 5 2 1 2 0 0 0 v 曼1 0 0 0 0 岫i 壁8 0 0 0 崧 篓6 0 0 0 5 ，9 0 6 嚓 黝 罂4 0 0 0 2 ，5 9 9 2 0 0 0 m 嘟圜豳。幽 v 2 0 0 32 0 0 42 0 0 52 0 0 62 0 0 72 0 0 8 年份 图1 i2 0 0 3 2 0 0 8 年中国风力发电累计装机容量统计柱状图 舍1 2 0 0 0 0 1 2 0 ，7 9 】 弓 霆 蛔 1 0 0 ，0 0 0 o q 口q 墼8 0 , 0 0 0 7 矗n 置o飘 鬟 窭 蓊 蜊4 6 0 o 5 9 ，0 9 1 隰 4 ，6 ：2 0 黼 哦- -00400 0 0 3 9 ，4 3 1 露 田惫 6 0 。7 篁，1 公。曩一圈，冒豳豳。2 f 爵 垂12 0 ，0 0 0 v 1 9 9 61 9 9 7 1 9 9 81 9 9 92 0 0 02 0 012 0 0 22 0 0 32 0 0 42 0 0 52 0 0 62 0 0 72 0 0 8 年份 图1 - 21 9 9 6 - 2 0 0 8 年世界风力发电累计装机容量统计柱状图 虽然风能是“免费的 ，但开发和利用风能的费用却很高昂。由于风能无法直 接储存，因而并网风电不可调度。风电场输出功率的波动性很大，而且很难准确预 测，因此，并网风力发电会给电力系统带来额外的运行费用。建造合适的储能设施 2 华北电力大学硕士学位论文 可以解决风能无法直接储存、风电波动性大等问题，但这意味着要增加另一笔费用， 增加并网风力发电的成本。风电场输出功率预测也可以解决此问题，而且不会增加 发电成本。因此，人们对风电场输出功率短期预测进行了大量的研究。 1 1 2 课题研究的目的和意义 对风电场输出功率进行短期预测，具有重要的经济意义和学术价值，主要体现 在以下几个方面： ( 1 ) 优化电网调度，减少旋转备用容量【8 】。调度部门可以根据风电场输出功率 预测得到的出力曲线及时调整调度计划，优化常规机组的出力，从而减少系统的备 用容量，降低电网的运行成本。同时，通过合理调度，减轻风电并网对电网造成的 不利影响，在保证电能质量和电网安全、稳定运行的前提下，尽可能利用风力发电， 提高电网的风电穿透功率。 ( 2 ) 在电力市场中，一旦风力发电参与竞价上网，与其它可控的发电方式相比， 风力发电的波动性和间歇性将大大削弱风电的竞争力。通过风电场输出功率短期预 测，可以提高风力发电在电力市场中的竞争力，满足电力市场交易需求，为风力发 电竞价上网提供了有利条件，使风能能够得到充分合理的利用。 ( 3 ) 便于安排机组维护和检修，提高风电场容量系数。风电场可以根据预测结 果，选择风电场输出功率较小的时间，对设备进行维护和检修，从而提高发电量， 更好的利用风能。 1 2 风电场功率预测国内外研究现状 目前，国内外对风力发电各种课题的研究越来越深入，其中，风电场输出功率 预测成为人们研究的一个重要课题。国外对风电场输出功率预测的研究比较早，开 发了一些风电功率预测系统【9 j 。而国内主要的研究集中在理论探索方面，部分学者 已经着力于风电功率预测系统的研究开发【l 们。风电场输出功率预测采用的方法主要 有时间序列法、人工神经网络法、卡尔曼滤波法、模糊逻辑法、专家系统法等。 1 2 1 国外研究现状 国外从事风电场输出功率预测的研究工作起步比较早，美国、丹麦、德国等风 电发展较快的欧美国家，由于风电场规模的不断增大，已经开发了风电功率预测系 统，应用于风电场中。 早在1 9 9 0 年，l a n db e r g 就建立一种基于机理推导的短期预测模式，采用类似 欧洲风图集的推理方法开发了一套预测系统【l l 】。其主要思想是把数值天气预报 ( n w p ) 提供的风速、风向，通过一定的方法转换到风电机组轮毂高度的风速、风向， 3 华北电力大学硕士学位论文 然后根据功率曲线得到风电场的出力，并根据风电场效率进行修正。这个统计学改 进模块可以在转换为本地风之前进行，也可以在转换成能量前进行，或者在模式链 最终开始改变能量时进行，在这些步骤中穿插进行也是可以的。经过改进后，突发 性风暴能被更好的预测。1 9 9 3 1 9 9 9 年，这个模型分别用在丹麦东部、爱尔兰电力 供应委员会和爱荷华州。 风电功率预测工具( w i n dp o w e rp r e d i c t i o nt o o lw p p t ) 由丹麦科技大学的信息与 数学建模学院开发1 1 2 1 。1 9 9 4 年，w p p t 在丹麦东部投入实际运行，1 9 9 9 年在丹麦 西部电力系统投入运行。最初，这个系统将适应回归最小平方根法与指数遗忘算法 相结合，用来提前0 5 小时至3 6 小时进行预测，但由于更大范围的预测值无法保证 质量，实际只能提前1 2 小时进行预测。研究人员在随后的版本中加入了h i r l a m 预测，这一改进使得有效预测范围扩大到了提前3 9 小时。通过综合考虑某一特定 区域内选定的风电场中所有风力发电机产生的能量的实时测量值，以及对风速和风 向的数字天气预报预测结果，w p p t 可以良好的预测出一大片区域内的总风能产量。 如果需要，这片总区域可以被划分为若干子区域。运用两分支法对总体区域预测结 果进行评估：在第一个分支模式以风能预测的实时测量数据和数字天气预测值为输 入，估计大量风动场产生的风能。而该区域能量输出总量通过放大各个独立风动场 预测值之和的比例来估计。第二个分支模式预测该地区的能量输出值是区域能源产 量的非实时测量数据与数字天气预测值的耦合值。这两个分支模式都将全区的能量 预测估计为各子区域预测值之和。而全区总能量的最终预测值是这两个分支模式预 测值的加权平均值。 这个系统的核心部件是对风动场群或一个区域内风能值的短期预测统计学模 型。近来的研究表明条件变量模式的预测性能比传统的参数模型有明显的改进。条 件模型是非线性模型，运用变量平滑的方法将他们表示成线性模型，但也许不知道 的是，这些函数包含一个或者多个解释性变量，这种函数被称为系数函数。在在线 应用时，系数函数的优点在于其将数据转换成了变量，允许函数估计被修改。进一 步来说，随着时间的推移系统速度将减慢，观察资料将因年代久远而失去价值。因 此，需要引入时域适应和恢复性估计的方法。当这种方法应用于全系统由风动场或 空地组成时，模式参数的时间适应性成为一个重要特性参数。周围的环境和数字天 气预测n w p 模型都会随时间的变化而变化。这是很多因素的作用造成的，如风动 机老化、周围植被的改变或者最主要的是天气服务机构所用的n w p 模式的改变， 以及风动场或风区内风动机数目的改变。 p r e d i k t o r 1 3 1 是r i s o e 开发的风电场输出功率预测系统，它使用的是物理模型。 大范围的空气流动数据是由数值天气预报系统高精度有限区域模型( h i g hr e s o l u t i o n l i m i t e da r e am o d e lh i r l a m ) 提供的。根据地心自传拖引定律和风速的对数分布图， 4 华北电力大学硕士学位论文 把高空的风速转换为地面的风速。对于一个特定的地点，需要更详尽的数据，因此 可以用w a s p 程序来分析，w a s p 可以考虑障碍物和粗糙度的影响、粗糙度的变化、 山头的加速和山谷的减速等。p a r k 模型可以考虑风电场尾流的影响。最后还有两 个统计模块来表示未能在物理模型中表示出来的其它因素。 z e p h r y 是r i s o e 和丹麦科技大学的信息与数学建模学院( i n f o r m a t i c sa n d m a t h e m a t i c a lm o d e l i n g ，i m m ) 联合开发的新一代短期风功率预测程序【1 4 】。z e p h r y 集 合了预测程序p r e d i k t o r 和w p p t 的功能，能进行短期预测( 0 9 h ) 和天前预测 ( 3 6 - - - 4 8 h ) 。i m m 使用了在线实测数据和先进的统计方法，能够给出很好的短期预 测结果，i m m 还使用了如h i r l a m 的气象模型，较大提高了天前预测的精度。 z e p h r y 模型最初被应用于丹麦西部地区，在2 0 0 3 年底前应用在丹麦所有主要效能 机构内。 p r e v i e n t o 是一个德国o l d e n b u r g 大学开发的预测系统，它可以对一个较大的区 域给出两天内的功率预测结果【l5 1 ，其预测方法和p r e d i k t o r 类似。 w p m s ( w i n dp o w e rm a n a g e m e n ts y s t e mw p m s ) 是德国太阳能技术研究( i n s t i t u t e f u rs o l a re n g e r g i e n e r s o r g u n g s t e c h n i ki s e t ) 所开发的风电管理系统【1 6 】。i s e t 组织从 2 0 0 0 年开始利用d w d 和人工神经网络进行实际的短期风能预测工作，它源自德国 联邦监控计划w m e p ( w i s s e n s c h a f e l i c h e sm e s s 。u u de v a l u i e r u n d sp r o g r a m m e ) ，对德 国风能情况进行详细监控。该模型的特点如下：根据德国气象局提供的精确数值天 气预报进行预测；用人工神经网络计算风电场的功率输出；用在线外推模型计算注 入到电网的总风电功率。w p m s 已经覆盖了德国绝大多数风电机组，能够对7 2 h 内 的风电功率进行预测，误差约6 左右；提前4 h 、2 h 的预测误差进一步可降低至3 6 和2 6 ；并且随着技术进步，预测精度还有进一步提高的趋势。风功率管理系 统包括在线监视系统、短期预测系统( 1 8 h ) 和天前预测系统。w p m s 的成功应用， 已基本实现了大区域范围内的风电功率预测，对确保电网平衡风电波动、减少各用 容量和经济运行都发挥了极其重要的作用。 a n e m o s 是欧盟资助的一个研究项目 1 7 - 1 8 】，共有7 个国家的2 3 家科研机构参 与。a n e m o s 将物理方法和统计方法结合在一起，目的是开发用于陆地和海上的 风电功率预测系统。 e w i n d 是美国a w st r u e w i n d 公司开发的风功率预测系统【1 9 之0 1 。它主要包括 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。这个模式将f o r e w i n d 数字天气模块视为以某地区天气模型为边界条件的中 间尺寸模式，替代用一成不变的参数代表区域影响的做法。这样处理可以引入更加 的物理处理过程，并且预测值与实际值更加切合。在e w i n d 系统的最初机构中，研 究人员采用的是m a s s 模块( m e s o s e a l ea t m o s p h e r i cs i m u l a t i o ns y s t e m ) 。现在，加 5 华北电力大学硕士学位论文 入了额外的中尺度模块、f o r e w i n d 、m m 5 、w r f 、c o a m p s 、w o r k s t a t i o n e t a 和 o m e g a 模块。研究人员采用适应性统计学方法来消除系统误差，或者是传统的乘 法射线线性衰减模块，或者是贝叶斯神经网络。该系统能够预测未来4 8 小时内的 情况，他们公布的由r m s e 系统对宾夕法尼亚州的5 个风堡范围内持续1 2 3 6 小 时的预测值表明该系统性能提高了5 0 。 近期，e w i n d 系统和p r e d i k t o r 系统在加利福尼亚投入使用，分别对两个大的风 动场区域进行预测。一个位于a l t a m o n t 关口，拥有9 0 0 台风动机可输出9 0 m w 能 量，另一个位于s a ng o r g o g n i o 关口，拥有1 1 台风动机可输出6 6 6 m w 能量。最初 二十八天的结果报告公布在本文中。e w i n d 系统对当天的预测值的m a e 达到了安 装能力l o 8 ，对次天的预测值的m a e 则达到了1 1 7 。p r e d i k t o r 系统( 使用e t a 模式下，由美国n o a a 组织运行) 对未来4 8 小时的预测值的m a e 为2 4 m s ，但 是这个应用很不乐观。 风电功率预测系统主要还有西班牙马德里卡洛斯三世大学开发的s i p r e o l i c o 工 具2 1 1 。在m a d e i r a 岛和c r e t e 岛运行的m o r e c a r e 系统【2 2 1 和爱尔兰开发的h o n e y m o o n 系统。 1 2 2 国内研究现状 目前，国内对风电场输出功率预测的研究较少，主要是理论探索，还未提出高 精度风电功率预测系统【2 3 1 。因为我国目前还没有专门用于风电场发电量短期预报的 n w p ，所以己有的研究集中在用时间序列法、人工神经网络等方法进行提前几小时 的预报【2 4 1 。现在，国内从事这方面研究的有华北电力大学、中国电力科学研究院、 金风科技股份有限公司等高校和科研机构。 文献【2 4 】采用了基于时间序列的神经网络法对风速进行预测。用时间序列法进 行建模，得到对预测值影响最大的几个量，将时间序列法的研究结果运用到神经网 络法，为了提高预测精度和保持预测精度的稳定性，提出了滚动式权值调整手段， 提高了预测的精度。然后由风速和风电机组特性曲线得到了风电场的输出功率。 文献【2 5 】利用时间序列神经网络对风电场的风速提前- - d , 时进行预测，为电力 调度提供参考，并为更长时间( 半天，一天或两天) 的风速预测提供理论基础。 文献 2 6 】采用b o x j e n k i n s 时间序列分析方法，通过m a t l a b 软件，利用风电场的 风速数据，建立a r m a 模型，阐述了数据预处理、模型参数识别及模型诊断、检验。 实现提前1 h 的风速预测，为更长时间( o 5 , - - , 2 d ) 的风速预测提供理论基础。 文献 2 7 】文章提出了一种时间序列分析和卡尔曼滤波相结合的混合算法。首先 利用时间序列分析理论，对风电场风速信号进行非平稳建模，得到符合其变化规律 的模型方程；其次通过得到的模型方程推导出卡尔曼滤波法的状态方程和观测方 6 华北电力大学硕士学位论文 程；然后根据卡尔曼预测递推方程进行预测；最后，对某实测风速信号进行预测。 采用该混合算法可以提高预测精度，而且较好地解决了预测延时问题。 文献 2 8 】根据风的形成机理、影响因素及变化规律，提出了一种基于模式识别 技术选取风速样本，利用自适应模糊神经网络法( a n f i s ) 进行风速预测的方法， a n f i s 利用混合学习算法训练网络的前件参数和结论参数，然后输入选取的风速 样本于训练好的自适应模糊神经网络中进行风速预测，进而计算风电场输出功率。 文献 2 9 】给出了尾流效应的模型，考虑了风电机组间的尾流效应对风电场输出 功率的影响，提出了等效风电场输出功率特性，在很大程度上提高了风电场输出功 率的预测精度。 1 3 风电场功率预测的分类 风电场输出功率的预测，不同学者的划分依据不尽相同，主要有以下几种分类 形式。 1 、按预测时间尺度分类【2 4 1 。 ( 1 ) 超短期预测( v e r ys h o r tt e r mf o r e c a s t i n g ) 所谓的超短期预测并没有统一的标准，一般可认为不超过3 0 分钟的预测为超 短期预测。超短期预测主要用于风力发电机组控制、电能质量评估及风电机组机械 部件的设计等，预测方法一般采用持续法。 ( 2 ) 短期预钡1 ( s h o r tt e r mf o r e c a s t i n g ) 短期预测一般可认为是提前3 0 分钟到7 2 小时对每小时功率的预测。短期预测 主要用于电力系统的功率平衡和合理调度、电能质量控制、电力市场交易、暂态稳 定评估等，方法一般是基于数值气象预报模型，对于提前几个小时，如l 小时到6 小时，也可以采用单纯的基于历史数据的方法。 ( 3 ) 中期预钡, l j ( m e d i u mt e r mf o r e c a s t i n g ) 中期预测一般可认为提前数周或数月对每天的功率进行预测。中期预测主要用 于安排风电机组的检修、调试和维护，主要方法是基于数值气象预报( n w p ) 。 ( 4 ) 长期预钡l j ( l o n gt e r mf o r e c a s t i n g ) 长期预测一般是以年为预测单位对某个地区的风能资源进行评估，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的年发电量。这种预测需要考虑 风速、风向、大气运动等气象情况，存在较大的困难，一般要提前数年进行数据收 集或测量。方法主要是根据气象站2 0 年或3 0 年的长期观测资料和风电场测风塔至 少一年的测风数据，经过统计分析，再结合预装风电机组的功率曲线，来测算风电 场每年的发电量。 7 华北电力大学硕士学位论文 2 、按预测物理量分类。 风电功率预测按照预测的物理量来分类可分为以下两类： ( 1 ) 对风速进行预测，然后根据风电机组或风电场的功率曲线得到功率。 ( 2 ) 直接预测风电场的输出功率。 目前，大部分文献都是按照第一类对风电功率进行预测。 3 、按预测数据输入类型分类 风电功率预测按照预测系统输入数据类型可分为以下两类： ( 1 ) 采用数值气象预报的数据。 ( 2 ) 不采用数值气象预报的数据。 4 、按预测对象范围分类 风电功率预测按照对象范围可分为以下两类： ( 1 ) 对单台风电机组的输出功率进行预测。 ( 2 ) 对整个风电场的输出功率进行预测或对一个区域内的数个风电场总输出功 率的预测。 1 4 本文的主要工作 本文首先介绍了国内外风力发电发展概况，对国内外风电场输出功率预测进行 了论述，并分析了各种预测方法的优缺点及适用环境。本文主要运用时间序列分析 方法对风电场风速短期预测进行研究，并将风速预测结果用于风电场输出功率预测 中。主要包括以下几个方面的内容： 第一章中，首先研究了风力发电在国内外的发展情况和风电场输出功率预测研 究的目的和意义，然后分析了现阶段国内外对风电场输出功率预测的研究情况，最 后介绍了风电场输出功率预测根据不同原则的分类。 第二章研究了预测的基本理论，包括预测的基本原理、预测的基本过程，对各 种预测方法的优缺点进行比较，为后面的预测工作奠定了理论基础。 第三章研究了时间序列法的基本知识，包括时间序列法的基本思想、特点、方 法以及模型。本章还建立了基于时间序列分析的风速短期预测模型，详细分析了建 模的基本过程以及模型参数的确定。在该模型的基础上，对所选取的风速样本值进 行预测。最后给出了基于残差预测的修正方法，对预测结果进行修正。 第四章主要研究了风电场建模的基本过程。首先介绍了风能资源的一些基本知 识，包括风能资源参数、风速模型等，然后分析了风电机组输出功率特性以及风电 场的尾流效应，得出风电场建模的一些基本原则。 8 华北电力大学硕士学位论文 第五章主要运用时间序列法对风电场输出功率进行短期预测研究，本章主要包 括风速短期预测和风电场输出功率的计算。以某风电场的历史风速数据为基础，建 立时间序列预测模型。利用该模型对未来时刻风速进行超前六步预测，给出了基于 残差预测的修正方法，对风速预测结果进行修正。在风速预测的基础上，综合考虑 风电机组输出功率特性和风电场尾流效应的影响，建立风电场模型，对风电场输出 功率进行短期预测。 第六章，对本文工作进行了总结，并对本文的研究课题进行了展望。 1 5 本章小结 本章首先表明了本课题的研究背景、意义和目的。本章详细介绍了国内外风力 发电的发展情况，指出了风力发电的良好发展前景，同时，提出了风电场输出功率 预测的重要性。对国内外风电功率预测的研究情况进行了较为详细的归纳，对课题 的研究现状掌握的越详细，越有利于对课题研究工作的展开，采用先进的预测技术 来提高我们的预测精度。本章最后概括了论文的结构安排。 9 华北电力大学硕士学位论文 2 1 预测的基本原理 第二章预测的基本理论 预测工作是根据预测对象的基本特点，预计或判断未来的发展趋势的活动。因 此必须科学的总结出预测工作的基本原理，用于指导实际预测工作。近年来，针对 不同的环境，预测理论的研究者提出了大量的方法，目前已有近2 0 0 种预测方法， 这些预测方法都是建立在预测的基本原理之上的，主要包括：可知性原理、可能性 原理、连续性原理、相似性原理、反馈性原理、可控性原理和系统性原理 3 0 1 。 ( 1 ) 可知性原理 又称规律性原理，是关于预测对象服从某种发展规律的原理。也就是说，预测 对象的发展规律，其未来的发展趋势和状况是可以为人们所知道的，客观世界是可 以被认识的，人们不但可以认识它的过去和现在，而且可以通过总结它的过去和现 在推测其未来。这是人们进行预测活动的基本依据。 ( 2 ) 可能性原理 由于预测对象的发展变化是在内因和外因共同作用下进行的，内因的变化及外 因的作用力大小不同，会使结果具有不同的可能性，而常常不是只存在单一的可能 性，但是不同结果的可能性大小不同。所以，对所研究的对象进行预测，就是对它 的未来发展的可能性进行预测。这一原理是建立在预测对象发展变化的结果与内外 因共同作用有一定关系的基础上。 ( 3 ) 连续性原理 又称惯性原理，是指预测对象的发展是一个连续统一的过程，其未来发展是这 个过程的继续。该原理强调了预测对象总是从过去发展到现在，再从现在发展到未 来。它认为事物发展变化过程中会将某些原有的特征保持下来，延续下去，如果没 有预测对象的过去和现在，就没有它发展变化的未来。因此，了解预测对象的过去 和现在，并掌握其变化规律，就可以利用连续性原理对其未来的发展情况进行预测。 ( 4 ) 相似性原理 尽管客观世界中各种事物的发展各不相同，但一些事物发展之间还是存在着相 似之处，人们就利用这种相似性进行预测。在很多情况下，作为预测对象的一个事 物，其现在的发展过程和发展状况可能与另一事物过去一定阶段的发展过程和发展 状况相类似，人们就根据后一事物的已知发展过程和状况，来预测所研究对象的未 来发展过程和状况，这就是相似性原理。例如，当我们预测一个新风电场的输出功 率时，由于其建成时期较短，没有很多历史数据可以利用，这时，就很难以趋势外 1 0 华北电力大学硕士学位论文 推、回归分析等方法建模预测。这种情况下，我们可以参考一个早已建成的、规模 和条件具有可比性的其它风电场，以其发展时期相对应的输出功率，作为预测新经 风电场功率的基础，从而可以做出相应的预测结果。应用该原理来分析和预测研究 对象，又被称为类推法或历史类比预测方法。 ( 5 ) 反馈性原理 反馈就是利用输出返回到输入端，再调节输出结果。预测的反馈性原理实际上 是为了不断提高预测的准确性而进行的反馈调节。我们在进行预测和研究事物的未 来发展趋势时，预测结果和预测目的往往存在着不同程度的差距，这时，可以利用 这个差距进行反馈调节，以提高预测的准确性。在进行反馈调节时，首先要认真分 析预测值和实际值之间的差距及产生差距的原因，然后根据已经查明的原因，适当 改变输入数据，进行反馈，调节远期预测结果。反馈性预测，实质上就是将预测的 理论值与实际值相结合，在实践中检验，然后进行修改、调整，使预测精度进一步 提高。 ( 6 ) 系统性原理 系统性原理认为预测对象是一个完整的系统，它的未来发展是系统整体发展的 连续，强调该对象内在与外在的系统作用，需要对其进行综合考虑，主要从以下三 个方面：第一，它把预测对象分为内外两个系统，在预测对象未来发展时，需要同 时考虑它的内在系统和外在系统；第二，它把预测对象作为动态的、系统的发展过 程来对待，预测对象的未来发展是系统整体的动态发展，而且整个系统的动态发展 与它的各个组成部分和影响因素之间的相互作用和相互影响密切相关；第三，系统 性原理还很强调预测对象的系统整体的属性与功能大于各个组成部分的总和，即整 体最佳，只有系统整体最佳的预测，才是效果最好的预测，才能为决策者提供最佳 的预测方案。 2 2 预测的基本过程 在具体的预测过程中，应尽量采用距离预测时间近的历史数据，可以赋予距离 较近的历史数据较大的权重，距离较远的则赋予较小的权重，这就是所谓的“近大 远小的原则。由于风速的波动性和随机性比较强，特别是当风速波动比较大的时 候会出现较大的误差，这是短期风速预测中的一个难点。要对风电场输出功率进行 科学预测，不但要选择适当的预测方法和技术，还要注意预测工作从历史数据的调 查和选取到数据的预处理等都需要考虑。 ( 1 ) 历史数据的收集和整理 选择历史资料的标准是：直接相关、可靠最新。对收集的风电场风速数据要进 华北电力大学硕士学位论文 行相关的统计和审核，保证数据的质量，既要注意资料的完整无缺，数字准确无误， 还要注意资料的补缺，对不可靠的资料加以核实和调整，得到数据样本。 ( 2 ) 数据预处理 在经过对数据的初步整理之后，需要对历史风速数据进行分析和处理，对其中 的异常值的平稳化、缺失数据的修补。如果某一时刻的数据出现缺失或为不良数据， 为了保持风速数据的连续性，我们可以利用相邻几个时刻的风速数据对该时刻的缺 失数据进行修补。由于所选风速数据对缺失时刻的数据影响程度不同，因此在修补 数据时可以考虑给不同时刻的数据赋予不同的权值。 ( 3 ) 建立风速预测模型进行预测工作 对于具体的预测对象需要选择恰当的预测模型，这是风速预测过程中至关重要 的一个环节。如果预测模型选择不当，对预测结果造成的误差过大时，就需要考虑 改换模型，必要时，还可以同时采用几种模型进行预测，以便进行对比和选择。 在选择好适当的预测技术以后，就可以建立预测模型进行预测工作。得到风速 的预测结果后，通过风电机组功率特性关系，利用风速得到风电场功率。此外，还 需要对影响对象的因素进行分析，对预测模型进行恰当的修正。 ( 4 ) 误差分析 风速预测是对未来时刻风速大小的预测，因此，不可避免的会与客观之间存在 一定的误差，关键在于如何缩小误差，提高预测的精度。常用的误差指标有以下几 种： 1 ) 绝对误差( a b s o l u t ee r r o r ) i i 彳e ( r ) = i x ( r ) 一x ( ，) i ( 2 1 ) 2 ) 相对误差( r e l a t i v ee r r o r ) 叫沪吲圳。 3 ) 平方和误差( s u mo fs q u a r e se r r o r ) s s e ：窆) 一x ( ，) 2 t = l 4 ) 平均绝对误差( m e 锄a b s o l u t ee r r o r ) 1 2 ( 2 - 2 ) ( 2 - 3 ) 华北电力大学硕士学位论文 刎e = 矧札坪) r 喜叫，) ( 2 4 ) 5 ) 均方误差( m e a ns q u a r ee r r o r ) m s e = 去喜( 三( r ) 一x ( f ) ) 2 6 ) 平均绝对百分l 愀( m e a n a b s o l u t ep e r c e n te r r o r ) 刎朋：丢喜掣圳。 7 ) 均方百分比误差( m e 锄s q u a r ep e r c e n te r r o r ) 1 m s p e = 二 ，2 ( 2 - 5 ) ( 2 - 6 ) ( 2 - 7 ) 在以上各式中，x ( f ) ( f = l ，2 ，刀) 为观察到的某个时间序列的刀个值， x ( f ) ( ，= 1 ，2 ，n ) 为某模型对时间序列的预测值。 2 3 风电场功率预测的方法 风电场的输出功率与风速密切相关，而风速又受到温度、气压、地形、纬度、 海拔等诸多因素的影响，具有很强的随机性和不确定性，预测的难度比较大。目前 风速预测的方法主要有以下几种。 ( 1 ) 持续预测法 这是用于预测的最简单的方法，该方法认为风速预测值等于最近几个风速历史 值的滑动平均值。通常，只是简单地把最近一个时刻的风速观测值作为下一点的风 速预测值【3 1 1 ，该模型的预测误差较大，且预测结果不稳定，只使用与超短期预测。 ( 2 ) 时间序列预测法 时间序列预测方法中因变量和自变量均可以是随机变量，而风速是一个具有明 显随机性的时间序列，所以该方法中因变量为待预测时刻的风速值，自变量是风速 序列的历史值。时间序列法利用大量的历史数据来建模，经过模型识别、参数估计、 模型检验来确定一个能够描述所研究时间序列的数学模型，进而推导出预测模型， 对未来某个时刻的风速进行预测。目前，该方法只需要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，并可以达到较好的预测效果，适用于短期风速预测。 该方法使用最多的是累积式自回归滑动平均模型【3 2 1 。 1 3 华北电力大学硕士学位论文 ( 3 ) 卡尔曼滤波法 该方法把风速作为状态变量建立状态空间模型，用卡尔曼滤波算法实现风速预 测。这种算法在假定噪声的统计特性己知的情况下得出，事实上估计噪声的统计特 性是该方法应用的难点。卡尔曼滤波的计算过程是一个不断的预测、修正过程，求 解时不需要存储大量数据，一旦观测到新的数据，随时可算得新的估计