【《基于气象数据分析的新能源发电预测方法分析案例》9400字】

基于气象数据分析的新能源发电预测方法分析案例目录TOC\o"1-3"\h\u13408基于气象数据分析的新能源发电预测方法分析案例 1294481.1新能源发电预测数据的获取 122441.1.1新能源现场气象数据采集 1121361.1.2气象数据采集及录入 3115541.1.3气象数据存储 690731.2基于概率分析法的风力新能源出力模型 6257901.2.1风电出力概率模型 771961.2.2基于条件概率的风电波动模型 1031711.1.1风电场集群效应分析建模 1181491.3基于气象数据和集群效应的风电场出力预测 126051.1.2对于气象数据的预测分析 12264001.1.3基于气象数据误差修正风电场出力预测流程 14109951.4算例分析 179171.4.1风电集群效应的影响 17240751.4.2风电场出力分析 191.1新能源发电预测数据的获取1.1.1新能源现场气象数据采集国际电信联盟为了便于国际各国之间气象通信的互不干扰，为气象卫星分配了专用的频带，也即1波段｡但是这一频段在设置的时候由于频段范围只有40兆赫兹，只能达到几兆字节/秒级距离，所以传输数据的速率很慢。随着气象卫星的增加，目前的频段范围已经远远不够满足现在对气象信号传输速率的需求。为了提高传输速率，信号传输渠道需要更高的带宽。例如，当前5G技术的应用，可以实现更快的传输速度，从而保证了数据通讯的时效性，同时提高了传输时的数据质量，降低了数据丢失的风险，从而保证了气象卫星与地面接收装置之间的数据交换的可靠性。高带宽的通信技术可以同一时间传输大量的数据，为数据的分析提供了丰富的资料。气象观测站以及遥测数据的采集为本文的数据的采集来源奠定基础，结合研究结果，反演气候，水源和生态的遥测遥感数据[5]。结合遥测的多种功能，开发多重独立的插件，试下年多种模块的结合和对气象以及环境的监测[31]｡如图3-1所示的具体气象系统，这个系统主要被划分为4个级别｡图3-1风电场气象数据采集系统可以看出，该遥测数据录入系统主要包括了以下几个部分：数据采集器、通信渠道、网关､以及MCU平台开发等[9]。该系统可以对气候的光照强度，气温高低，湿度以及风力的风向、强度等相关气象内容进行监测，通过5G通信技术将这些环境信息传输到上位机，网关模块对数据进行分类，然后通过不同的IP地址分配到MCU相对应的位置。最终，MCU通过特定的数据框架进行气象和环境数据的发送和接收，并将其储存在硬盘中,并通过相应的APP软件或者应用在终端上显示和处理。随着气象监测技术的逐渐成熟，我国建立了完善的气象卫星数据接收与处理系统，能够及时、准确地提供气象预报与环境变化监测。常用的卫星数据传输方式为CCSDS标准方式，这种传输方式对系统设计要求较高。数据接收系统需要具备良好的信号编码特性适应性，还需要根据不同的信号射频频率进行接收装置与跟踪系统的设计安排。因此，现有的数据监测结果具有一定的偏离性。数据监测系统依据其大容量的带宽优势，能够进行大规模的数据采集，但也因此导致了存在遗漏欠缺关键数据的情况。基于上述情况，研究者通过软硬件分析与实验过程，借助5G通信技术，设计了5G传输的气象监测站监测系统。该设计为接收卫星数据提供了新的可靠路径与工具｡1.1.2气象数据采集及录入一般情况下，气象数据采集器的核心是一个中央处理器，用于进行数据处理。处理器上的数据是由各种气象数据通过输入端口以及数据降噪电路处理后得到的，一般有两种物理数据传输方式有线和无线传输方式，其中有线方式传输稳定且数据传输速率快，但是其弊端在于传输距离有限，成本高且建设周期长；本文采取的是无线传输方式，利用5G传输无线传输方式，气象数据可以远距离低延迟地进行交换处理。气象站的数据采集功能的实现主要由两部分组成，一方面是由气象传感器，处理器，内存，数据硬盘，数据传输接口，显示器，电源等内容组成的硬件电路部分，另一部分是有数据接收和处理软件和数据库维护软件等内容组成的软件部分，这两部分最终共同构成一个数据采集站。（1）影响光伏发电的气象数据处理由于有大气层遮蔽的影响，太阳光照经过大气层外传送到地表的过程中，有书收到折射的作用，会有一定的衰减，具体的衰减强度可以通过设定的衰减系数定义。根据不同的气象条件，设置不同的衰减系数，从而对太阳辐射强度进行准确计算。通过对不同时间，气象以及光照直射角度等因素可以定义出太阳辐射强度与衰减系数之间的关系。将我国有关部门对天气气象的定义，将气象氛围大致四类典型的天气，分别是光照充足的晴天、光照遮蔽的多云天气、还有对光照影响较大的小雨和大雨。通过对数据进行描点绘制可以得到，这四种天气与光照辐射强度的关系，如图3-2中所示。图3-2四种天气类型所对应的地表辐照度与地外辐照度变化规律由于天气的种类多种多样，在进行分析前应对气象天气进行合理的分类。如果按照气象部门制定的气象类型来表示不同情况下的光照强度会产生大量的数据样本难以归类，并且有些极端的天气历史数据少，无法进行合适地处理，所以为了便于后续计算的方便，利用上面四种基本天气来对气象数据进行划分，对于除此之外的天气类型与太阳光照辐射强度的关系，可按表3-1进行归一化处理。类型包含天气类型A晴、多云间晴、晴间多云B多云、阴、阴间多云、多云间阴、雾C小雨、阵雨、雷阵雨、雷阵雨伴冰雹、雨夹雪、阵雨、小雪、冻雨、小到中雨、小到中雪D大雨、中雨、暴雨、大暴雨、特大暴雨、中雪、大雪、暴雪、中到大雨、大到暴雨、暴雨到大暴雨、大暴雨到特大暴雨、中到大雪、大到暴雪、沙尘暴表3-1天气聚类后天气对应模型由图3-2的辐照度对应关系，通过MATLAB拟合上述曲线可得到相应的辐照度与天气类型之间的关系，如下图3-3所示。图3-3各类天气类型辐照度曲线设定EA、EB、EC和ED分别为四种典型的天气出力，各类天气类型下的拟合公式为：(3-1)(3-2)(3-3)(3-4)定义上述衰减系数为ε，通过研究可以知道晴天的衰减系数为0.9，多云的衰减系数为0.74、小雨天气的衰减系数为0.23、大雨天气的衰减系数为0.09。所以，基于各种天气类型辐照度预测修正公式为：(3-4)对于一些其他的天气类型再通过设置的修正因数来加强其适应性，对历史数据中的异常数据，通过较大幅度的修正来使其符合运算模型。即使对待同一天气时的光照辐射强度，也应该通过修正因子来优化数据的处理。（2）影响风力发电数据处理风力发电近年在世界各地得到了广泛应用。风电因其无污染与可再生的特性而大受欢迎。但因为各个地区自然条件不同，而风无法控制。如果整体风速太小，无法给涡轮机足够的动力，而如果整体风速太快，电机很容易受到损害，因此各地是否可以建立风电厂需要进行严格的、基于气象数据进行的评估。根据国家标准《风力等级》，风力共分为十八级。风力划分情况如下表3-2所示。风力名称平均离地10米处风速（m/s）0无风0.0-0.21软风0.3-1.52轻风1.6-1.33微风1.4-5.44和风5.5-7.95劲风8.0-10.76强风10.8-11.87疾风11.9-17.18大风17.2-20.79烈风20.8-24.4表3-2风力等级与相应风速除了风力强度是影响风力发电的一个关键数据，风向也同样重要，通过SCADA系统等测算出来自不同方向的风。为了方便记录，以正北风为正方向，自上向下看，以顺时针依次记录的设定风向顺序[30]。风电的输出功率与风轮机经过面积具有相关性。同时风轮机经过面积与叶片受力方向具有相关性。所以考虑将风向也纳入模型，作为主要的自变量。其中风向表示如图3-4所示。图3-4风向角度表示图环境存在的温度差导致的近地面气压差，从而产生的空气对流是风力产生的最大原因。也即随着地区温差增大，空气越容易发生对流运动，进而影响电机输出功率。而且，除了上述影响风电输出功率的因素外，湿度也是影响输出功率的因素之一。当湿度较高时，大量地水蒸气会附着在风机叶片表面，从而影响风力对叶片的最用力。同时，不同海拔的空气密度也不相同，风机的输出功率也就各不相同。风速和空气密度影响了风力机的输出功率，但不能直接评估其他因素与输出功率之间的关系。如果把所有的影响因素都作为模型的输入，这就会大大增加计算的复杂度；但时，如果在模型中仅输入认为选择的某些因素，那么又难以保证预测的准确度。因此，需要采用一些方法筛选出对原始数据的影响因素。1.1.3气象数据存储由于气象数据十分庞大，而且实时更新，不能以传统的数据存储方式来对气象数据进行储存，为了将气象数据进行合理的保存，应分为不同的存储方式来对不同的数据来进行储存，这就是用了分布式储存技术。分布式储存技术可以根据数据种类的不同，来满足各种储存需求。1.2基于概率分析法的风力新能源出力模型本文充分学习了国内外已有研究成果，选择了地区电网作为主要的应用对象，建立了三级层次、双向传递、模块互联、层层细化、功能开放系统架构的日前负荷曲线智能预测系统。该系统的基本结构如下图3-5所示。图3-5基于气象数据分析的新能源调控系统架构设计1.2.1风电出力概率模型风电机的标准功率特性曲线指的是在标准空气密度下，风电机组的输出功率与风速之间的关系曲线。一般情况下，对应风速下的风电出力P可以根据制造商的功率特性曲线或使用以下公式计算。 （3-5）上式中，是额定风速，单位：米每秒（m/s）；Pr是额定转矩，单位：牛每米（N·m）；是切入速度，单位：米每秒（m/s）；是切出风速，单位：米每秒（m/s）。则可得到常数： ，（3-6）考虑大气变化的尾流效应，若有台正常工作的机组，则得到风电场的输出功率为： （3-7）式中，表示风电场的输出功率，单位：兆瓦（MW）；表示尾流效应系数；表示正常工作的风机台数；表示风机的输出功率，单位：兆瓦（MW）。根据文昌风电场（50MW）2019~2020年的运行数据，可以得到有功功率分布直方图如下图3-6。图3-6风电场有功功率直方图分布由上图可以发现，风电场的出力中，低出力水平出现概率最大，随着出力增大概率不断减小，但并不是单调减小的，分界点一般出现在0.8p.u.附近，之后先增大，最后再迅速减小到0。所以，该风电场有功功率的分布并不属于常见的简单概率分布模型。导致上述现象的原因可以从风机的功率特性曲线中得到：当风速超过额定风速时，风机并不能输出超过额定功率的出力，而是维持在额定功率。因此，不同功率的风机将会分时分阶段逼近额定功率，出现在1之前的极大值的直方图后半部分。但是，当风电场群组的规模变大时，风电出力的直方图将变为图3-7中所示，可以看出，趋势呈现单调递减。图3-7多个风电场集群的有功功率直方图若某个风电场集群中有n个风电场，那么各个风电场中的风速和有功功率之间存在如下关系： （3-8）式中，表示各电场风机台数；表示尾流效应。如果有： （3-9）式中，表示该电场群的等效风速，单位：米每秒（m/s）。若风电场集群中的等效风速正好处于风机功率曲线单调递增的范围内（即满足），那么就可以通过韦布尔分布（WeibullDistribution,WD）得到该集群的功率分布概率的拟合规律。因此根据随机变量函数的分布定理，得到如下的风电场群有功功率的概率密度函数： （3-10）式中，v表示等效风速，单位：米每秒（m/s）；Pwind表示风机出力，单位：兆瓦（MW）；b表示风速-风电出力参数；c表示韦布尔分布的尺度参数；k表示韦布尔分布的形状参数；风电机组的出力概率分布为： （3-11）1.2.2基于条件概率的风电波动模型相较于之前的运行记录，风电功率预测和系统运行的环境更关心某一时刻之后的功率变化趋势，所以，本文研究的是基于条件概率的风电波动模型，具体说来就是，在反映风电场一段时间内风电出力水平的整体分布下，再考虑风电数据的时间特性，可反映风电出力水平在某时刻或其下一时刻的出力的变化情况。所谓条件功率概率密度是指：在统计时间范围内，选定一个条件功率，将采样数据里所有与条件功率相等或者在条件功率区间内数据点的下一时刻数据挑选出形成新的子集，条件功率对应的概率密度分布就是该数据子集的概率密度分布。所谓条件功率区间内数据点，即功率数据点落入以条件功率值为中心的某一区间时，认为其是符合该条件功率值的样本。1）条件功率波动置信区间通常情况下，当某一条件的风电功率已知时，往往想获得下一时刻的风电功率波动范围（一定的置信水平下）。已知条件功率概率密度，设和为2个功率值，且，若满足： （3-12）则定义为的置信度为的条件置信区间。该区间反映风电功率围绕上下波动的范围及其概率。2）条件功率概率偏度定义P1,P2,P3为出力P小于、等于和大于Pc的概率： （3-13）由公式可以计算得出，风电输出功率偏离条件功率的概率为P1与P3之和；概率分布左偏或右偏的程度为P1与P3相对大小。其中，左偏表示风电出力呈减小趋势，右偏表示风电出力呈增大趋势。定义概率相对（右）偏度为： （3-14）当时，左偏占优；当时，右偏占优；当时，左右偏度相等。表3-3是峨蔓风电场风功率波动在置信区间为0.95下，统计的了5min、15min和1h时间间隔的相对偏度。表3-3风功率波动置信范围及其概率相对偏度当已知某个时刻的功率所在的功率区间内，那么就能够查表获得下一时刻的功率区间。例如，若某个风电场在某时刻的出力为1.0p.u.时，则5min后以0.95的置信区间落在[0.88~1.13]内。继续查表可得，15min后将落入[0.93~1.16]区间，1h后则为[0.92~1.16]。从中还可以知道，置信度为0.95的风电场的功率区间随着时间尺度的增加也逐渐增大，与风电波动随时间变化的趋势相似。1.1.1风电场集群效应分析建模因为风电的出力波动具有很强的随机性，所以描述风电规模的集群效应指标应该随着时间改变变成不同的值。要想定量分析风电集群效应，就应该建立集群效应指标的概率分布模型。在计算集群效应指标时，时间长度为一天，即最大出力比应为日最大出力比。同样的，对应的其他指标分别为日最大波动比、日峰值同时率、日峰谷差比。 （3-15）式中，表示某一天的集群效应指标值，它表示0~24h中的最大值；n表示不同的日期。集群效应指标的概率分布模型就是集合S的分布模型。 （3-16）式中，S表示长期的统计值组成的集合。目前，很多研究更喜欢直接假定集群效应指标的概率密度函数服从正态分布。但是，通过对现场数据的拟合检验，可以看出该假设没有足够的精度。本文为了提高集群效应指标的分布规律的准确性，使用了混合高斯分布模型进行拟合。通过对几个高斯分布加权就得到了如公式（3-17）所示的混合高斯分布模型的概率密度函数。 （3-17） （3-18）这样就可以衡量风电集群效应的大小，但不能直接给出风电集群效应的变化规律。为此，引入置信区间， （3-19）式中，是需要求解的概率；是衡量集群效应大小的指标；是给定的概率值。的具体取值通常根据研究的需求确定；R表示风电集群的指标X在概率p的条件下不大于R。1.3基于气象数据和集群效应的风电场出力预测1.1.2对于气象数据的预测分析基于气象数据的新能源发电预测不只是可以通过模型进行分析，也可以将其看成一种历史数据归化的问题。因此，可以利用回归模型进行数据的拟合得到下一次进行预测的负荷值。但是无论是将发电量视为时序问题来分析还是归化问题来拟合，都避免不了外部因素对预测的影响。由于外部因素是多种多样的，如果能够有效的处理和利用这些因素，就可以得到更加准确的预测结果。基于气象信息的新能源发电预测修正，其关系图如下图3-8所示。图3-8新能源发电与气象数据间的关系构建图在实际电力运营过程中，电力调度系统是电力系统中重要的部门之一。该部门主要的工作内容就是通过快速而精准的电力系统发电预测，从而实时指导电厂、变电系统的控制和电力的分配；同时，该部门在电网安全稳定运行方面发挥了重要的作用。随着国家对电网企业的改革，电网效益的要求越来越高，调度部门对电力的准确预测将极大程度的决定了电网的效益运行。因此，进行精准的负荷预测愈显重要。考虑到二维坐标系中的运动目标(定义为风力发电预测轨迹坐标系，ICS)，所需的运动轨迹被标记为曲线C。假设有一个移动点试图跟踪所需的目标点沿曲线C移动，预测负荷轨迹坐标系的示意图如图3-9所示。定义点的移动速度和y轴的正方向之间的角度为，即 （3-20）ICS中的点的移动速度可以写成 （3-21）考虑另一个二维坐标系(定义为实际负荷轨迹坐标系，TCS)：使用所需的目标位置作为原点，轴沿切线方向，轴垂直于轴并指向右，实际负荷轨迹坐标系的示意如图3-10所示。因此，TCS和ICS之间的旋转角度可以通过以下方式确定: （3-22）图3-9预测负荷轨迹坐标系的示意图图3-10实际负荷轨迹坐标系的示意图1.1.3基于气象数据误差修正风电场出力预测流程风电场的发电功率主要与风速以及风向等内容有关。而影响风速的因素主要有：不同的温度，湿度甚至海拔高度等。因为这些影响因素的变化具有极大的随机性，所以风速也是随机变化，具有很强的随机性，进而导致发电功率的变化也是没有规则的。因此，为了能够准确的分析各因素对风力发电功率产生的影响，就需要建立与实际相符的预测模型，并通过改变各种因素的条件来判断预测模型的准确性。目前常用的负荷预测方法可分为两类：传统预测方法和智能预测方法。其中，传统预测方法包括回归分析法、自回归滑动平均模型、灰色模型等。智能预测方法包括人工神经网络、支持向量机、粒子群优化算法和模糊逻辑等。其中有一种自回归移动平均模型在风电预测中比较通用：该模型基于时间序列，并考虑自回归和移动平均模型。这种预测方法的优点在于在有限集合的历史数据中就可以进行预测。该方法的基本思想就是在无序的组中找到有序的排列关系。通过应用ARMA等技术模型在最小变化梯度上找到最优的预测值。该预测方法主要应用于平稳性序列，而对于其他非平稳性序列而言，ARMA可以通过转换来进行求解。基于此种思路可以对风能进行预测，基于气象数据分析的新能源预测模型，主要步骤如下图3-9所示。步骤1：对历史数据进行整合处理。使用历史数据建立预测模型，历史数据的采集并不仅限于气象数据、发电数据的收集，同样的针对当地电网运行情况以及受经济发展的并网小时数等因素进行相应的记录和整理。步骤2：对量测数据进行初步分析和处理。收集到的数据也并不是所有都可以使用的，在这些数据中存在着异常甚至偏差非常大的数据，要将这些异常数据剔除，以免对大样本的曲线拟合分析造成偏差影响。步骤3：结合皮尔逊相关系数分析法分析各气象因素与风电输出功率的相关性，选取关键气象参数。本环节可采用多变量气象因素数据集，结合皮尔逊相关系数分析法分析各气象因素与风电输出功率的相关性，选取关键气象参数作为修正模型的输入。相关系数R2计算公式如下所示： （3）式中，N为采样总数，Xi为第i时刻气象参数，Xmean为该气象参数的平均值，Yi为第i时刻风电输出功率，Ymean为风电输出功率的平均值。值得注意是，新能源发电的运行不只是受到正常负荷运行的影响，在实际运行中还有许多非正常停电停运现象。譬如，北方冬天供暖需求，需要保障热电厂出力，导致弃风弃光现象严重，或者由于电网外送电能力的影响，也是开展预测前需要关注内容。步骤4：利用现有的其他负荷预测方法（如时间序列模型、神经网络模型等）建立短期电力负荷的初步预测模型，设定t=1。说明：误差收敛性的判断及修正与负荷预测模型无关，负荷预测方法可以是现有的任何方法，甚至是高精度的混合预测方法。模型参数的辨识，可以模型本身的特点以及地区本身的风电场特征进行整定。通过多次整定模型当中的关键参数，保证预测模型的准确度。步骤5：利用建立的模型以及选取的数据对新能源发电水平进行预测。在采样时间x，应用初步预测模型，得到下一时刻x+1的预测值。在采样时间x，应用预测值和实际值计算误差。步骤6：根据预测值和，由最后一个预测点到当前预测点的直线与y轴正方向之间的夹角可用公式(3-18)计算。步骤7：根据实际值和，由最后一个实际点到当前实际点的直线与y轴正方向之间的夹角可用公式(3-20)计算。步骤8：利用定理判断是否满足误差收敛条件。如果满足，则保留由初步预测模型获得的预测值，然后转到下一步。否则，转到第5步。步骤9：判断是否完成预测时段发电功率预测，如果否，修正下一时刻预测值，转到步骤6。说明：对预测结果进行修正。如利用切线函数的单调性，校正电力负荷的预测值以修正发散的误差。当然也可以利用稳定性分析方法，判断电力系统短期负荷的误差是否满足收敛条件。如果考虑到有限数量的时间样本，变量时间x被假定为离散的，则表示采样时间x处的实际负荷值，表示采样时间x的相应预测负荷值。在相同的采样时间x中，ICS中和之间的水平跟踪误差必须满足。步骤10：确保电力负荷预测误差收敛得到最终的预测结果。在进行不断的模型参数估计后对模型进行修改并通过适应性检验。若通过检验，则模型可以被用于预测。若未通过检验，则返回步骤2重新进行参数修正。图3-9ARMA模型建模流程图1.4算例分析1.4.1风电集群效应的影响图3-10所示为计算得到整个区域的风电场集群效应指标的概率分布情况：图3-10集群效应指标的直方图不同规模风电场的集群效应指标（置信度为0.95）的计算结果见表3-4。表3-495%置信度下不同规模风电场的集群效应指标对于不同指标，采用混合高斯模型拟合的结果如图3-11所示。由图可知，日最大出力比、最大波动比、峰值同时率三项指标符合二分量高斯分布，而日峰谷差比则符合简单高斯分布。各项指标在上述模型中都可以得到较好的拟合效果。详细的拟合参数见表3-5。图3-11集群效应指标的混合高斯分布表3-5混合高斯分布拟合参数1.4.2风电场出力分析1）风电的年度波动性风电年利用小时是一种常用的风电场出力分析的指标。其定义是指在发电设备额定功率下，发电设备年发电量所需的小时数，即风电设备的全年实际发电量比上该设备的额定功率。表3-6中统计了各个风电场在2019年和2020年的年利用小时。从中可知，年利用小时数在1473～2340h范围内，平均值为1940h。可以发现同一风电场在这两年的年利用小时数波动幅度非常剧烈，这是因为年利用小时数的变化主要受长期的气候条件影响。\2）风电的月度、季度波动性分别对这4个风电场在2019年和2020年的出力进行统计，选择统计指标为有功功率和容量因数。表3-7月平均有功功率（MW）月平均有功功率如表3-7所示。可以看出，11月、12月、1月的月平均有功功率的值相较于其它月份较大，这是因为冬季的平均风力较大；而在夏季时，6月份左右也会出现较大风力，所以6月份的风电出力相较于4月和5月有较大值；相对于上述四个月份而言，其他月份的月平均有功功率值都较小，这是因为春季和秋季一般风力较小。图3-12显示了2020年各个月份下的文昌、峨蔓、感城和四更风电场的风电容量因数波动。从图中可知，在11月、12月和1月，各个风电场的出力都达到了一年中的峰值；在春秋两季中，四个风电场的风电出力都比较低；但是在夏季中，四个风电场的风电出力的规律不同。其中，四更和感城风电场相距较近，因此两者具有类似的风电出力波动规律，整个曲线呈“W”状，有双峰特征；而其他两个风场曲线则呈“U”型，是单峰特征。图3-122020年风电场容量因数月度曲线3）风电的日波动性图3-13所示为四个风电场的日平均出力曲线的平均值，从中可以看出它们的容量规律相同。24小时内的风电出力曲线较为平缓，并没有陡峭的变化。详细看来，上午的风电的出力水平较低，变化缓慢。随着时间