風力發(fā)電功率預測

1、報告人：報告人： 班班 級：級： 學學 號：號：風電功率預測風電功率預測 風電功率預測風電功率預測n背景及意義背景及意義n預測方法介紹預測方法介紹n國內(nèi)外發(fā)展現(xiàn)狀國內(nèi)外發(fā)展現(xiàn)狀n實例分析實例分析 灰色神經(jīng)網(wǎng)絡(luò)預測灰色神經(jīng)網(wǎng)絡(luò)預測n總結(jié)總結(jié) 背景及意義背景及意義 一、背一、背 景：景： 隨著全球石化資源儲量的日漸匱乏以及低碳、環(huán)保隨著全球石化資源儲量的日漸匱乏以及低碳、環(huán)保概念的逐步深化，風能等可再生能源的開發(fā)與利用日概念的逐步深化，風能等可再生能源的開發(fā)與利用日益受到國際社會的重視。益受到國際社會的重視。 但是，由于風能的隨機波動性、不可控性等，其大但是，由于風能的隨機波動性、不可控性等，其大

2、規(guī)模并入電網(wǎng)，將給電力系統(tǒng)的生產(chǎn)和運行帶來極大規(guī)模并入電網(wǎng)，將給電力系統(tǒng)的生產(chǎn)和運行帶來極大的挑戰(zhàn)。的挑戰(zhàn)。 因此，將風力發(fā)電功率從未知變成已知，對電力因此，將風力發(fā)電功率從未知變成已知，對電力系統(tǒng)的運行有著重大的意義。系統(tǒng)的運行有著重大的意義。背景及意義背景及意義 二、二、意意 義：義： 服務(wù)于服務(wù)于電力系統(tǒng)電力系統(tǒng) ： 有利于運行調(diào)度人員合理安排應(yīng)對措施、調(diào)整和優(yōu)有利于運行調(diào)度人員合理安排應(yīng)對措施、調(diào)整和優(yōu)化常規(guī)電源的發(fā)電計劃，改善電網(wǎng)調(diào)峰能力，提高電網(wǎng)化常規(guī)電源的發(fā)電計劃，改善電網(wǎng)調(diào)峰能力，提高電網(wǎng)的安全性和穩(wěn)定性。的安全性和穩(wěn)定性。服務(wù)于服務(wù)于風電場風電場： 可以合理安排風電場的檢修計

3、劃，減少棄風，提高可以合理安排風電場的檢修計劃，減少棄風，提高風電場的盈利、減少運行成本，提高風力發(fā)電在電力市風電場的盈利、減少運行成本，提高風力發(fā)電在電力市場中的競爭力。場中的競爭力。背景及意義背景及意義 三、三、 按時間分類：按時間分類： （0h3h） 應(yīng)用于風電機組自身的控制。應(yīng)用于風電機組自身的控制。 （0h48或或72h） 應(yīng)用于電網(wǎng)合理調(diào)度，保應(yīng)用于電網(wǎng)合理調(diào)度，保 證供電質(zhì)量，為風證供電質(zhì)量，為風電場參與競價上網(wǎng)電場參與競價上網(wǎng) 提供保證。提供保證。 （以以天、周或月為為單位）主要用于檢修安排）主要用于檢修安排 或調(diào)試等。目前，中長期預測還存在比較或調(diào)試等。目前，中長期預測還存在

4、比較 大的困難。大的困難。超短期預測超短期預測短期預測短期預測中長期預測中長期預測預測方法介紹預測方法介紹 風電功率預測風電功率預測1、按預測物理量分類：、按預測物理量分類：先預測風先預測風速速直接預測輸出功率直接預測輸出功率預測輸出功率預測輸出功率風機功率曲線風機功率曲線2、按數(shù)學模型分類：、按數(shù)學模型分類：持續(xù)預測方法持續(xù)預測方法ARMA預測方法預測方法卡爾曼濾波方法卡爾曼濾波方法智能方法，如神經(jīng)網(wǎng)絡(luò)智能方法，如神經(jīng)網(wǎng)絡(luò)3、按輸入數(shù)據(jù)分類：、按輸入數(shù)據(jù)分類：時間序列法時間序列法采用數(shù)值天氣預報數(shù)據(jù)采用數(shù)值天氣預報數(shù)據(jù)物理方法物理方法統(tǒng)計方法統(tǒng)計方法綜合方法綜合方法預測方法介紹預測方法介紹

5、一、一、時間序列法時間序列法 該類方法通過尋找各歷史數(shù)據(jù)在時序上的相關(guān)性來對風電功率進行預測。 常見的時序模型有： 自回歸模型（Auto Regressive，AR） 滑動平均模型（moving average，MA） 自回歸滑動平均模型（AutoRegressive Moving Average，ARMA） 差分自回歸滑動平均模型（Auto Regressive Integrated Moving Average，ARIMA）等。時間序列法時間序列法優(yōu)優(yōu) 點：點： 不必深究信號序列的產(chǎn)生背景，序列本身所具有不必深究信號序列的產(chǎn)生背景，序列本身所具有的時序性和自相關(guān)性已經(jīng)為建模提供了足夠的信息

6、，的時序性和自相關(guān)性已經(jīng)為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立起相當高精度的只需要有限的樣本序列，就可以建立起相當高精度的預測模型。預測模型。缺缺 點：點： 但其存在低階模型預測精度低、高階模型參數(shù)估但其存在低階模型預測精度低、高階模型參數(shù)估計難度大的不足。計難度大的不足。 可能遇到超前一步預測有延時或某些預測點精度可能遇到超前一步預測有延時或某些預測點精度不能滿足要求的問題，此時可借助不能滿足要求的問題，此時可借助卡爾曼濾波法卡爾曼濾波法、滾滾動時間序列動時間序列或或引入經(jīng)驗?zāi)Ｊ椒纸庖虢?jīng)驗?zāi)Ｊ椒纸鈦砀倪M原有預測模型。來改進原有預測模型。預測方法介紹預測方法介紹二、基于數(shù)值

7、天氣預報（二、基于數(shù)值天氣預報（NWP）的預測：）的預測： 數(shù)值天氣預報數(shù)值天氣預報（Numerical Weather Prediction，NWP）根據(jù)大氣實際情況，在一定的初值和邊值條）根據(jù)大氣實際情況，在一定的初值和邊值條件下，通過大型計算機作數(shù)值計算，求解描寫天氣件下，通過大型計算機作數(shù)值計算，求解描寫天氣演變過程的流體力學和熱力學方程組，預測未來一演變過程的流體力學和熱力學方程組，預測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。數(shù)值天氣預報預測數(shù)值天氣預報預測優(yōu)優(yōu) 點：點： 較為成熟準確的風電中長期預測方法較為成熟準確的風電中長期預測方法 ，國

8、內(nèi)外，國內(nèi)外風風電場預測系統(tǒng)多基于物理方法。不需要風電場的歷史電場預測系統(tǒng)多基于物理方法。不需要風電場的歷史數(shù)據(jù)，風電場投產(chǎn)就可以進行預測。數(shù)據(jù)，風電場投產(chǎn)就可以進行預測。缺缺 點：點： 要求對大氣的物理特性及風電場特性有準確的數(shù)要求對大氣的物理特性及風電場特性有準確的數(shù)學描述。模型復雜、計算量大，較少用于短期預測。學描述。模型復雜、計算量大，較少用于短期預測。常結(jié)合常結(jié)合神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)、支持向量機支持向量機等來提高預測精度。等來提高預測精度。預測方法介紹預測方法介紹三、統(tǒng)計方法預測：三、統(tǒng)計方法預測： 統(tǒng)計方法統(tǒng)計方法不考慮風速變化的物理過程而是根不考慮風速變化的物理過程而是根據(jù)歷史統(tǒng)計數(shù)

9、據(jù)找出天氣狀況與風電場發(fā)電功率間據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與風電場發(fā)電功率間的關(guān)系的關(guān)系 然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預測數(shù)據(jù)對然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預測數(shù)據(jù)對風電場未來的發(fā)電功率進行預測。風電場未來的發(fā)電功率進行預測。 目前目前我國我國采用的統(tǒng)計方法有使用統(tǒng)計方法采用的統(tǒng)計方法有使用統(tǒng)計方法修修正風電場尾流效應(yīng)正風電場尾流效應(yīng)對預測結(jié)果的影響，從而改進對預測結(jié)果的影響，從而改進多層前饋神經(jīng)網(wǎng)絡(luò)模型的預測精度；根據(jù)多層前饋神經(jīng)網(wǎng)絡(luò)模型的預測精度；根據(jù)數(shù)值數(shù)值氣象預報的風速和風向氣象預報的風速和風向數(shù)據(jù)，采用粒子群優(yōu)化的數(shù)據(jù)，采用粒子群優(yōu)化的前向神經(jīng)網(wǎng)絡(luò)模型進行短期風電功率預測前向神經(jīng)網(wǎng)絡(luò)模型

10、進行短期風電功率預測統(tǒng)計方法預測統(tǒng)計方法預測優(yōu)優(yōu) 點：點： 該類方法需要一定量的歷史數(shù)據(jù)對初始數(shù)據(jù)該類方法需要一定量的歷史數(shù)據(jù)對初始數(shù)據(jù) 的的 質(zhì)量要求比較高，經(jīng)過經(jīng)驗?zāi)Ｊ椒纸?，局域波分解后質(zhì)量要求比較高，經(jīng)過經(jīng)驗?zāi)Ｊ椒纸?，局域波分解后可得到可得到平穩(wěn)數(shù)據(jù)列平穩(wěn)數(shù)據(jù)列，此類情況預測比較準確。，此類情況預測比較準確。缺缺 點：點： 需要大量歷史數(shù)據(jù)，對需要大量歷史數(shù)據(jù)，對于陣風、突變風等于陣風、突變風等非平穩(wěn)非平穩(wěn)情況情況的預測精度較差，且隨時間增加而越來越差。的預測精度較差，且隨時間增加而越來越差。 目前主要還通過目前主要還通過卡爾卡爾曼濾波法和時間序列相結(jié)合曼濾波法和時間序列相結(jié)合 滾動時間

11、序列法滾動時間序列法以及以及混沌理論混沌理論等不斷改進和提高模型等不斷改進和提高模型的精確性和適用性。的精確性和適用性。預測方法介紹預測方法介紹三、智能方法預測：三、智能方法預測： 能夠更加準確地擬合非線性關(guān)系，提高預測精能夠更加準確地擬合非線性關(guān)系，提高預測精度這是改善風電預測的度這是改善風電預測的研究熱點之一研究熱點之一 。目前已經(jīng)用。目前已經(jīng)用于風電功率預測的學習方法有于風電功率預測的學習方法有RBF神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、遞歸多感知神經(jīng)網(wǎng)絡(luò)、多感知神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、遺傳算法、自適應(yīng)神經(jīng)網(wǎng)絡(luò)、遺傳算法、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化算法、支持向量機、小模糊神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化算法、

12、支持向量機、小波分析法波分析法等。等。 其中尤以其中尤以神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)及其改進方法取得了較好的及其改進方法取得了較好的預測效果。預測效果。預測方法介紹預測方法介紹三、組合預測：三、組合預測： 由于預測方法各有優(yōu)勢，多種預測方法組合由于預測方法各有優(yōu)勢，多種預測方法組合使用成為發(fā)展趨勢。使用成為發(fā)展趨勢。 1、預測模型、預測模型融合融合組合組合 a、卡爾曼濾波法對數(shù)據(jù)進行預處理，再采用、卡爾曼濾波法對數(shù)據(jù)進行預處理，再采用NWP法進行風電預測法進行風電預測. b、將神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)與遺傳宏觀搜索相融、將神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)與遺傳宏觀搜索相融合合 。 c、粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)法、小波改進的神經(jīng)、

13、粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)法、小波改進的神經(jīng) 網(wǎng)絡(luò)法等。網(wǎng)絡(luò)法等。 2、預測模型、預測模型加權(quán)加權(quán)組合組合 a、 BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、支持向量神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、支持向量機進行風電功率加權(quán)組合預機進行風電功率加權(quán)組合預 測等。測等。國內(nèi)外發(fā)展現(xiàn)狀國內(nèi)外發(fā)展現(xiàn)狀國國家家開發(fā)商開發(fā)商模型名稱模型名稱特點特點投運時間投運時間德德國國ISETWPMS在線監(jiān)測、日前風電功率預測和超短期預測在線監(jiān)測、日前風電功率預測和超短期預測（15 分鐘分鐘-8 小時）三部分，根據(jù)數(shù)值天氣預報，小時）三部分，根據(jù)數(shù)值天氣預報，使用使用神經(jīng)神經(jīng)網(wǎng)絡(luò)計算輸出功率網(wǎng)絡(luò)計算輸出功率2001德國德國OldenBurg大

14、學大學Previento使用物理模型，在較大的區(qū)域內(nèi)給出使用物理模型，在較大的區(qū)域內(nèi)給出2天的預測結(jié)天的預測結(jié)果果2002丹丹麥麥Ris實驗室實驗室Prediktor使用物理模型，考慮了尾流等的影響使用物理模型，考慮了尾流等的影響1994丹麥科技大學丹麥科技大學WPPT利用自適應(yīng)最小平方根法和指數(shù)遺忘算法相結(jié)合給利用自適應(yīng)最小平方根法和指數(shù)遺忘算法相結(jié)合給出出0.5-36h的預測的預測1994丹麥科技大學聯(lián)合丹麥科技大學聯(lián)合Ris實驗室實驗室Zephry集合了上邊兩個模型，可以提供集合了上邊兩個模型，可以提供0-4h和和36-48h的預的預測測,加入了加入了HIRLAM等氣象模型，長期預測精度

15、提高等氣象模型，長期預測精度提高2003西西班班牙牙西班牙可再生能源西班牙可再生能源中心（中心（CENER）與）與西班牙能源、環(huán)境西班牙能源、環(huán)境和技術(shù)研究中心和技術(shù)研究中心（CIEMAT）聯(lián)合）聯(lián)合開發(fā)開發(fā)LocalPred-RegioPredLocalPred 模型用于復雜地形風電場的預測，采用模型用于復雜地形風電場的預測，采用 CFD 算法，使用算法，使用 MM5 中尺度氣象模式作為數(shù)值天中尺度氣象模式作為數(shù)值天氣預報生產(chǎn)模式。氣預報生產(chǎn)模式。MM5 可以預測未來可以預測未來 72 小時所有小時所有相關(guān)氣象要素，空間分辨率為相關(guān)氣象要素，空間分辨率為 1km2。RegioPred 在在

16、LocalPred 模型單個風電場預測的模型單個風電場預測的基礎(chǔ)上，預測區(qū)域的功率輸出?；A(chǔ)上，預測區(qū)域的功率輸出。2001西班牙卡洛斯三世西班牙卡洛斯三世大學大學siperlico統(tǒng)計模型統(tǒng)計模型2002美美國國AWS TruewindeWind包括一組高精度的三維大氣物理數(shù)學模型、適應(yīng)性包括一組高精度的三維大氣物理數(shù)學模型、適應(yīng)性統(tǒng)計模型、風電場輸出模型和預測分發(fā)系統(tǒng)統(tǒng)計模型、風電場輸出模型和預測分發(fā)系統(tǒng)1998國內(nèi)外發(fā)展現(xiàn)狀國內(nèi)外發(fā)展現(xiàn)狀n國內(nèi)：n2008年11月，我國首套具有自主知識產(chǎn)權(quán)的風電功率預測系統(tǒng)WPFS由中國電力科學研究院中國電力科學研究院研發(fā)完成，各風電場的全年預測均方根誤

17、差為 16-19%，全省每月的平均誤差在 11-13%之間。n2010年華北電力大學與龍源風力發(fā)電有限責任公司華北電力大學與龍源風力發(fā)電有限責任公司合作開發(fā)了風電場發(fā)電功率預測系統(tǒng)，該系統(tǒng)整體技術(shù)達到國際先進水平，其中超短期預測算法與技術(shù)處于國際領(lǐng)先水平。n2011年由中國節(jié)能環(huán)保集團公司中國節(jié)能環(huán)保集團公司(簡稱中國節(jié)能簡稱中國節(jié)能)和中國氣象和中國氣象局局共同研發(fā)的風電功率預測預報系統(tǒng)正式落戶中節(jié)能張北滿井風電場，n2012年10月，甘肅成為中國第一個覆蓋全省的風電功率超短期預測的省份，甘肅省電力公司甘肅省電力公司研發(fā)的實時監(jiān)測與超短期風電功率預測系統(tǒng)通過實時采集測風塔監(jiān)測的風能數(shù)據(jù)、風電

18、基地所有風機運行數(shù)據(jù)，采用多套數(shù)值天氣預報數(shù)據(jù)源，實現(xiàn)對風電預測。n2013年5月2日，國電科環(huán)所屬北京華電天仁電力控制技術(shù)有北京華電天仁電力控制技術(shù)有限公司限公司基于云平臺的遠程集中式風電功率預測系統(tǒng)正式投入運行。實例分析實例分析 灰色神經(jīng)網(wǎng)絡(luò)預測灰色神經(jīng)網(wǎng)絡(luò)預測數(shù)據(jù)來源數(shù)據(jù)來源：甘肅橋灣某風場甘肅橋灣某風場數(shù)據(jù)一：數(shù)據(jù)一：2013年年8月月1日日 18:00-21:15 間隔間隔15min 前前10個點作樣本數(shù)據(jù)，預測未來個點作樣本數(shù)據(jù)，預測未來4個點。個點。數(shù)據(jù)二：數(shù)據(jù)二：2013年年8月月6日日 2:00-5:45 間隔間隔15min 前前12個點作樣本數(shù)據(jù)，預測未來個點作樣本數(shù)據(jù)，預測未來4個點。個點。分別用分別用灰色理論灰色理論、BP神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)灰色神經(jīng)網(wǎng)絡(luò)進行預進行預測。測。數(shù)據(jù)一結(jié)果：數(shù)據(jù)一結(jié)果： 灰色神經(jīng)網(wǎng)絡(luò)預測灰色神經(jīng)網(wǎng)絡(luò)預測實例分析實例分析02468101214951001051101151201251301351401452013年 8月 1日 （