李志杰1 张路1 朱超平2
1国网新疆电力有限公司电力科学研究院;1国网新疆送变电有限公司
摘要:近几年来,风力发电正在大规模发展,越来越多的风电并入电网。但风电具有间歇性和随机性大的固有弊端,在很大程度上限制了风电的快速发展。风功率预测技术的不断快速发展,已经成为提高电网调峰能力、更好地保障电力系统安全、稳定运行的关键技术之一。本文简单的介绍了风电功率预测系统的构成和预测方法,并对风功率预测算法进行简要的解析,希望对相关部门有所帮助。
关键词:风电功率;预测系统;设计
引言:
随着风功率预测技术的不断快速发展,能够对风电功率作出准确的预测已经成为提高电网调峰能力、更好地保障电力系统安全、稳定运行的关键技术之一。因此,从电网调度的角度出发,准确地进行风电场风电功率预测对电网顺利调度起着重要作用。对发电企业来讲,准确的风功率预测可以帮助发电企业更好地参与调度、提升风电上网小时数,争取并网优先权,尽量减少弃风,合理安排风电机组的检修,最大限度地提高风电场的经济效益。
在此背景下,对风功率预测系统的研究、设计与实现成为当前一个热点,在风电场部署一套预测准确率高、功能完善、运行简洁方便的风功率预测系统对保障电网安全稳定运行具有重要的现实意义。
1系统构成与预测方法
1.1系统构成
风电功率预测系统包括数据采集子系统、功率预测子系统及软件平台等几部分,主要由风功率预测主机、用户工作站、数据采集服务器、网络设备及应用软件等组成。
数据采集子系统负责接受由测风塔传输的实测气象数据、由风电场传输的风机机组实时信息和由气象部门通过网络传输的数值天气预报数据,解析处理后存人数据库。
功率预测子系统是风电功率预测系统的核心部分,根据预测时间尺度的不同和实际应用的具体需求,采用最优的预测策略和模型,计算获得功率预测数据。
通过软件应用平台可以从数据库中查询风机机组信息、测风塔数据、预测功率数据,对监测和预测的数据结果以直观的方式展示并分析。
1.2预测方法
1.2.1物理预报方法
物理预报方法是基于风速与风功率的公式:
式中:P为风轮输出功率,单位为kW;Cp为风轮的功率系数;ρ为空气密度,单位为kg/m3;A为风轮扫掠面积,单位为m2;v为风速,单位为m/s。由上式可见,功率P与风速为3次方的关系,物理方法不受历史数据的限制,可用于新建风电场的功率预测。
1.2.2统计预报方法———自适应偏最小二乘回归法
自适应偏最小二乘回归法是一种具有强非线性表达能力回归方法,采用自适应偏最小二乘回归方法,一方面根据各个样本与预测对象的相似度自适应地确定它们参与建模的程度,分配给适当的权值;另一方面又从加权的样本自变量数据中提取成分,并选定参与回归的成分数消除自变量间的复共线性。偏最小二乘回归分析最大的特点是将多元线性回归分析、变量的主成分分析和变量之间的典型相关分析有机地结合起来,在一个算法下,同时实现了回归建模、数据结构简化和两组变量间的相关分析。
本系统利用功率预报统计模型和风机轮毂高度的风速、风向、气温、湿度、气压预报数据,分别计算出风电场中每一台风机的单机预报功率。
根据风电场中所有风机的编号,检索出指定时刻每一台风机的功率预报数据并进行相应计算,最终得到风电场在同一时刻的总功率预报结果。
期刊文章分类查询,尽在期刊图书馆计算过程中考虑到风电场可能出现某些风机并不处在正常工作状态的情况,通过获取异常风机数量,总功率计算过程中会自动排除对应风机的功率数据。
1.2.3三维地理信息技术
随着计算机技术的发展和地理信息系统(GIS)技术逐渐走向成熟,三维地理信息(3DGIS)技术发展非常迅速。本系统利用三维地理信息技术中最重要的三维仿真技术来展现风电场三维实景。三维仿真更为直观地表现物体的真实外观与形状。相比二维GIS,三维GIS为空间信息的展示提供了更丰富、逼真的平台,使人们将平面空间信息可视化和直观化。三维地理信息技术在二维空间分析的基础上增加了高度(Z)信息,它能实现二维GIS渲染场景所无法实现的功能,让人们真正看到了一个计算机里“立体化”、“逼真化”的世界。
2风功率预测算法
2.1以持续预测法为基础的超短期风功率预测
超短期风功率预测的预测单位一般是分钟或小时,指的是提前0~4h对风电场的风电输出功率进行预测。风功率的超短期预测主要用于对风电场的运行进行控制和稳定电能质量,并可以补充和订正对短期的风电功率预报结果。
超短期风功率预测模型的建立主要是基于风电场的历史数据,将采集到的历史数据作为模型的输入,通过建立统计模型或者是学习模型来进行预测,获取功率预测值。当前比较流行的超短期功率预测模型主要有自回归滑动平均模型、人工神经网络模型和支持向量机。其中,自回归活动平均模型属于统计方法,人工神经网络模型和支持向量机属于学习方法,不论是统计预测模型还是学习模型都是模型的输入输出数据关系的建立方法,可以不考虑风速变化的物理过程,而是根据统计的历史数据找出风功率的历史值和预测值之间的关系,确定预测模型。然后将在风电场获取的实测数据作为模型的输入,对风电场的功率进行预测。
然而,不管是自回归滑动平均模型、人工神经网络模型还是支持向量机模型,运算过程都相对复杂,而且预测精度也没有达到一个特别好的水平。在阅读了大量文献并做了一定研究后发现,统计学模型中的持续预测法是一种非常简单高效的预测方法。持续预测法的主要思想是假定在一段时间内风速的值是保持不变的,由于风功率与风速有密切关系,当风速不变时可以得知风功率的值也是不会变的。因此,在持续预测模型中,可以假设风电场当前时刻风能的预测值等于上一时刻的风能的实际观测值。
2.2以WRF模型为基础的短期风功率预测
WRF模式主要工作由三个模块来完成。分别是为模式的运行准备输入场和初始参数设置的前处理模块、通过软件方程和物理方案完成预测工作的核心部分以及通过GRADS将预测结果进行格式转换的后处理模块。
运用WRF模式进行风速的短期预测的过程主要包括地形静态数据的下载、WPS模块的运行、WRF核心模块的运行以及模式后处理模块的运行。
3发展趋势
近年来,国际风电功率预测研究涌现出大量新的预测方法,如结合统计法与物理法的混合预测法、小气候模型与中尺度气象模型的结合、多个中尺度模式的集合预报等。新预测方法的提出对提高预测结果的精度,拓宽预测方法的适应性具有重要意义。
未来风电功率预测的研究重点将转向开发更高级的预测模型,强调研发适用于复杂地形、极端天气条件以及海上风电场的预测技术。
4结束语
目前,国内风电功率预测预报系统正处于一个不断更新和完善的阶段,但缺乏真正实用的风电功率预测预报系统,因此研制开发风电功率预测预报系统具有十分重要的现实意义。
参考文献:
[1]张贺民. 基于BP神经网络与WRF模式的风电功率预测系统设计与应用[D].中国科学院大学(中国科学院工程管理与信息技术学院),2017.
[2]刘旭. 基于大数据的风功率预测模型优化研究与实现[D].华北电力大学,2016.
[3]穆跃宏. 短期风力发电功率预测的研究[D].太原理工大学,2014.
论文作者:李志杰1,张路1,朱超平2
论文发表刊物:《防护工程》2018年第25期
论文发表时间:2018/12/3
标签:功率论文; 模型论文; 风电论文; 风速论文; 方法论文; 风电场论文; 数据论文; 《防护工程》2018年第25期论文;