摘要：现阶段来看，由于我国日益严重的环境污染和能源污染，促进了新能源的应用，新能源发电所占比重日益增加风能是一种清洁、没有污染、可再生并且获取方便的能源，这一特点让其快速发展。虽然风力资源取之不尽用之不竭，但是风能也是一种不稳定、间歇性的能源。当风电大规模接入电网时，电力系统的电能稳定性与安全性将会受到影响。对风电场进行短期风速与风电功率预测是解决风电并网稳定性与安全性的有效手段。
关键词：风电场；短期风速；风电功率；预测
引言
自步入21世纪以来，科学技术的进步带动经济风速发展，人们的生活水平也随之大幅提高。因此，截至2014年，世界人口数量已超过74亿。人口的快速增加的同时。能源危机与环境污染现状致使我们去发展可再生能源。而风能的清洁、无污染、取之不尽，用之不竭的特性符合可再生能源发展的要求。
2017年2月10日，全球风能理事会（Groble Wind Energy Council，GWEC）发布了上一年全球风力发电的统计数据：从2001到2016年，全球风力发电发展迅速。仅2016年新增装机容量达到54.60GW[1]。全球的风力发电在这16年内的累计装机容量翻了20倍。GWEC预测，到2020年风电年新增市场将达到100GW，累计市场达到879GW；到2030年风电年新增市场达到145GW，累计市场达2，110GW；到2050年，年新增市场达到208GW，累计市场容量达5，806GW。
1国内外研究现状
早在20世纪90年代初期，欧洲部分国家开始从事风电场风速和风电功率预测相关研究工作，随着科学技术的进步，积累的经验也越来越多，研究技术越来越成熟。至今已有许多国家拥有自己成熟独立的预测系统，例如，第一套用于预测风电功率的预测系统早在1990年就被丹麦研发出来了。后来，德国开发了两个系统，分别是Previento系统和风电功率管理系统（WPMS）；美国的eWind风电功率预测系统为美国风电事业做出了重大的贡献。
近十年来，我国风电事业发展迅速，其背后是由于我国也开发出了属于自己成熟独立的风电功率预测系统。在国家相关电力部门的精心组织下，各大高校与电力公司联合研发风电功率预测系统，2008年将研发的预测系统正式投入运行。现已开发出来的预测模型有智能预测模型、物理预测模型。其中智能预测模型以基于人工神经网络、支持向量机等为主。物理预测模型大多采用时间序列法进行预测。如今，将智能模型与物理模型相结合进行风力发电功率预测研究日益增加。当前，我国一些地区的风电功率预测系统已得到有效运行，国内一些科研机构和高校也相继开展了一系列相关项目的深入研究，并取得了丰硕的研究成果。
随着风电装机容量的大幅增加，风电在电网中的比重日益增大，为人类提供清洁能源的同时，也严重威胁着电力系统的安全稳定运行。传统的发电模式是消耗化石燃料，而风电的产生依赖于自然界的风，风是一种不稳定的物质，时小时大，影响其变化的因素主要有气压、空气密度等气象数据。风具有随机性、间歇性，所以风电功率不稳定，不可控。
2预测方法
准确的风功率预测对电力系统安全、稳定运行具有重要意义，而风速预测是风功率预测的关键。
2.1持续法
持续法是最简单的一种预测方法，即把最近一点的风速观测值作为下一点的预测值，该方法适用于3~6h以下的预测，即
其中，wt+k′为t+k时刻的风速预测值；wt为t时刻的风速观测值。
方法虽然简单，却十分有效，在1h以内的预测，持续法的准确度非常高。现在的预测技术一般都把持续法作为比较基准，来评价该技术的精确度。
2.2BP神经网络
误差反向传播BP神经网络是一种按误差反向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络之一。它采用有导师的训练方式，能够逼近任意非线性映射。
设训练样本集X=[X1，X2，…，Xk，…，XN]，其中任一训练样本Xk=[xk1，xk2，…，xkm，…，xkM]（k=1，2，…，N）；对应的实际输出为Yk=[yk1，yk2，…，ykj，…，ykJ]（k=1，2，…，N）；期望输出为dk=[dk1，dk2，…，dkj，…，dkJ]（k=1，2，…，N）。输出层第j个神经元的误差信号为：
定义神经元j的误差能量为ekj（n）/2，则输出层所有神经元的误差能量总和为：
根据Delta学习规则，计算权值修正量Δwij（n）和Δwmi，对权值进行更新，即
其中，n为迭代次数。
直到误差能量总和满足要求或者迭代次数达到设定的最大值停止训练。
2.3SVM算法
SVM是由Vapnik首先提出的，像多层感知器网络和径向基函数网络一样，可用于模式分类和非线性回归。SVM的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。SVM的理论基础是统计学习理论，更精确地说，SVM是结构风险最小化的近似实现。
规定的数据样本集合为{（xi，yi），…，（xt，yt）}。其中，xi∈R；yi∈R；i=1，2，3，…，l。寻找R上的一个函数f（x），以便用y=f（x）来推断任意输入x所对应的y值。
SVM估计回归函数的基本思想就是通过一个非线性映射，将输入空间的的数据x映射到高维空间G中，并在这个空间进行线性回归。一般采用（6）式来估计函数，即
因此优化目标为
，取极值有：
3结论
风电大规模发展及其并网后会引起电网安全稳定性问题，风电场的短期风速和风电功率预测是解决这个问题的有效途径。其主要意义主要有以下方面：
1）对电网调度优化作用，及有效降低旋转备用容量。若风电功率预测足够准确，调度部门可以根据风电厂预测出的风电功率进行及时调整计划，从而可以减少电力系统运行成本和旋转备用。
2）能合理规划维护和检修，增大风电设备在一定时间内的有效利用率。依据对风电场预测的结果，可以把相关的设备检修时间合理安排在低风速时段、无风时间、风机出力较小的时段，或者在同一时间对出力较小的风电设备进行检修维护，这样可以有效地减少风电设备检修带来的发电经济损耗，提高风电设备的有效利用时间。
3）达到电力市场交易供求比。而相对于传统的发电技术而言，风力发电的不可控性让其在市场占有率上处于劣势，这也是目前为何风力发电不能取代火力发电的原因之一。此外，为了避免风力发电不可控性带来不可靠的电能质量而遭受经济惩罚。风电场短期风速和功率预测在此起到了关键作用，为风电的市场竞价上提供有利条件。
4）能达到中国风力发电产业发展要求。随着不断提高的风电并网比例。我国采用集中式风力发电方式，区域集中，并且装机容量较大，由于风电所集中的区域不能完全消纳风电，使远距离的输送损耗大量产生，使风电不稳定性对电网造成的影响明显增加。所以，进行准确的风速预测是促进我国风电行业发展的必要条件。
参考文献：
[1]段学伟，王瑞琪，王昭鑫，等，风速及风电功率预测研究综述[J].山东电力技术，2015（7）：26-32.
论文作者:孙俊青
论文发表刊物:《基层建设》2018年第6期
论文发表时间:2018/5/23
标签：风电论文; 风速论文; 功率论文; 风力发电论文; 误差论文; 电功率论文; 系统论文; 《基层建设》2018年第6期论文;