风电在时空尺度上的描述

李赢，潘艳红，杜兴科

（1.浙江舟山电力局电力调度控制中心，浙江舟山 316000；2.广西大学电气工程学院，广西南宁 530004；3.江西科技师范大学，江西南昌 330013）

风能是一种不稳定的能源，受气象条件的影响，风速发生随机性的变化，其具有不可控、不可调的特征，即风力发电的间歇性。而大型的风电机组不具有强大的电存储的功能，很多情况下只能进行短期的存储，而风电场又是在人烟比较稀少的地区，当地自身的消纳能力有限，经升压以后进行的远距离输送将会有大量的电能损耗，并且风电机组的电能输出也是随机变动的。

由于风的波动性和间歇性，风电具有显著的不可控性，大容量风电场的接入会对电网运行产生较大的冲击甚至危险。为保障电网安全，对风电场发电功率进行预测十分必要[1-2]。然而，由于风速的间歇性以及风力发电机的非线性，使得风电场的出力很难精确预测[2-4]。对风电预测的方法有基于数值天气预报的预测模型（统计模型、物理模型），时间序列模型，见图1。基于物理方法的风电功率预测方法有：WAsP模型；考虑了地形、粗糙度等地理信息，并且考虑了风电场的布局信息，不同时间尺度下，单个风电场或区域风电进行的功率联合预测[5-8]。

图1 风电预测模型方法分类Fig.1 Classification of wind power prediction models

本文从风电场的时间尺度和空间尺度对风电进行描述。风电场模型重构，当风电场发生故障，比如脱网事故，电网电压不稳定时，风机保护系统会使风机脱离并网状态。但电网电压的瞬间波动其实很常见，这就是国网要求并网风机必须具有低电压穿越功能的原因。脱网可能是电缆头故障、风机低电压穿越能力和动态无功补偿等方面出现问题[9]。其中低电压穿越能力缺失是比较关键的一个愿原因，以致电网的安全稳定性受到影响。

1 风电在时间尺度上的描述

1.1 风电功率预测总体方法

图1是风电预测模型方法分类:

1）物理方法（见图2）。考虑地形、粗糙度等信息的预测方法。

图2 基于物理方法的风电功率预测示意图Fig.2 Wind power prediction diagram based on physical methods

2）统计方法。从历史数据分析，用一定的数学模型来预测未来，如神经网络方法、模糊逻辑方法以及SVM，即支持向量机方法[10-11]。

1.2 BP神经网络和RBF神经网络对风电进行预测的比较

本文介绍了2种神经网络方法对风电进行预测，分别为BP神经网络和RBF神经网络。

基于RBF预测的均方误差MSE=0.0595534，基于BPNN预测的风电预测的均方误差MSE=0.1338，可知，RBF预测精度高于BPNN。

1.2.1 基于BP神经网络的风电功率预测

BP网络的学习由模式顺传播、误差逆传播、记忆训练、学习收敛4个过程组成。BP神经网络的重要优势在于学习性和自动调整性，目前主要用于：特征的提取、过程的控制和状态的预测、非线性问题。本文利用神经网络具有的较强的非线性映射特性，来预测风电场的功率。网络中间层的神经元传递函数采用S型正切函数tan sig，输出层神经元传递函数采用S型对数函数log sig[12]。

1.2.2 基于RBF的风电功率预测

与多层前向网络类似，RBF网络的结构是一种3层前向网络。第一层为输入层，由信号源结点组成；第二层为隐含层，隐单元数视所描述问题确定，隐单元的变换函数是RBF，它是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输人模式的作用作出响应。从输人空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间变换是线性的。

RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可将输入矢量直接（即不需要通过权连接）映射到隐空间。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。从总体上看，网络从输人至输出的映射是非线性的，而网络输出对可调参数却又是线性的。这样网络的权就可由线性方程组直接解出，因此大大加快学习速度并避免局部极小问题。

归纳起来就是：用RBF作为隐单元的“基”构成隐含层空间，将输入矢量直接（即不需要通过权连接）映射到隐空间。当RBF的中心点确定后，映射关系也就确定。隐含层空间到输出空间的映射是线性的。

见图3，RBF网络主要包含隐含层和输出层，其中隐含层的传递函数为radbas，输出层的传递函数为纯线性函数pureline。如图4所示，RBF网络的隐含层有S1个神经元，输出层有S2个神经元。

图3 RBF网络结构图1Fig.3 RBF network structure diagram 1

图4 RBF网络结构图2Fig.4 RBF network structure diagram 2

1.2.3 2种方法的比较

本文章提出了BPNN和RBF预测方法，BP神经网络与RBF神经网络比较如下:

1）结构。BPNN实行权连接，RBF神经网络输入层到隐层单元间是直接相连接的，隐含层到输出层实行权连接。BPNN是3层或3层以上的静态前馈神经网络，其隐含层和隐含层节点数不容易确定，没有普遍适用的规律可循，一旦网络的结构确定，在训练阶段网络结构不再改变；RBF神经网络可以根据具体的问题，在训练阶段自适应地调整，适用性好于BPNN。

2）训练算法。BPNN需要确定的参数是连接权值，主要的训练算法为BP算法和改进的BP算法。它的不足之处是易于陷入局部极小值，收敛速度慢，隐含层和隐含层节点数很难确定。

3）网络资源上。RBF网络原理、结构和学习算法的特殊性，决定了其隐含层单元的分配可以根据训练样本的容量、类别和分布来决定。在隐含层单元分配的基础上，输入与输出之间的映射关系，通过调整隐含层单元和输出单元之间的权值来实现，这样不同的任务之间的影响就比较小，网络的资源就可以得到充分的利用。

1.2.4 预测结果

基于RBF预测的均方误差MSE=0.0595534，根据风电预测结果中可知，基于BPNN预测的风电预测的均方误差MSE=0.1338，可知，RBF预测精度高于BPNN。

共260个数据，前180组数据用来做训练，后面的80组数据用来做预测，用BP神经网络训练500次。所用的RBF神经网络有3个层，第一个输入层有5个节点，隐含层有10个节点，输出层有5个节点，使用前90%的数据做训练数据，后10%的数据做测试，见图5~8。

图5 用RBF方法的结果拟合程度Fig.5 Results fitting degree of RBF method

当误差指标是0.01的时候，采用不同的方法逼近同一个函数，其性能对比表如表1所示。

2 空间尺度上对风电场进行分析

本文提出三维协调的风电场管理系统，该系统包括：风电场模型重构模块，风电场安全评估与预警模块，暂态稳定分析模块，动态稳定分析模块，操作控制平台模块5大模块，见图9。

图6 用BPNN方法的功率数据预测图Fig.6 Wind power prediction map using BPNN

图7 RBF中最佳验证表现是第5点为328.1047Fig.7 The best verification performance in RBF is 328.1047 at 5

图8 RBF中最佳验证表现是第18点为312.458Fig.8 The best verification performance in RBF is 312.458 at 8

表1 2种不同方法的性能的比较Tab.1 Performance comparison of different two methods

图9 风电三维协调系统在空间尺度上的描述Fig.9 Description of wind power three-dimensional coordination system in spatial scales

2.1 风电场模型重构模块

属于故障处理模块，充分发挥继保定值配合等方面的在线安全分析作用。暂态稳定分析模块，动态稳定分析模块把信号传输给总控制平台，风电场发生故障时，经过系统的作用，总控制平台会给风电场重构模块发出重构信号，风电场重构模块运行，把重构后的运行信号传送给暂态稳定分析模块、动态稳定分析模块、风电场安全评估与预警模块，整个信号的传送与控制过程类似于多控制层的反馈网络。

利用数据采集与监控系统从风电场实时采集设备的运行状态，对下发的上级电网的等值模型与本辖区的电网合并形成全局电网模型并得到匹配的全网潮流分布。

以上讨论的是单个风电场的情况，其实现实中还应当考虑多个风电场模型重构模块与外部电网的跟踪等值和全局电网模型的自动重建。即本文说的空间尺度上的三维协调。

2.2 风电场安全评估与预警模块

未来的风电场的容量将会越来越大，由此产生对系统的影响也会是越来越大，谐波污染、电压波动、闪变等对电网造成影响和损失。有必要对风电场进行电能质量分析，其中主要包括电压波动与闪变[15]。电力系统出现电压波动，可能是由各类大功率波动性负荷投运引起，也可能是电网的短时间承载过负荷引起，并且馈电终端电压调节能力很弱。这些原因难以保证电压的稳定。风电是非周期性质，它是间歇的，无法高精度进行预测。

电压波动会产生很多恶果，电压的高频繁变动会使风电机组转动不均匀，不仅会影响风机自身的旋转，而且会影响整个电力系统的运作。

闪变水平估计与干扰限制值，对于风电的闪变，只能进行短期的预测，需要计算风电短期间的闪变水平值。

收到重构信号后的安全评估与预警模块会把经过安全评估的信号传递给暂态稳定分析模块和动态稳定分析模块。

基于该风电场全局的实时运行模型，对电网运行的安全和经济水平进行实时的评估，识别出电网运行的安全状态。如果电网处于紧急状态，则自动对电网进行校正控制，若电网处于正常不安全状态，则自动给出对电网的预防控制方案。

2.3 暂态稳定分析模块

暂态稳定分析模块可以等效为一个联合控制系统[13]：暂态SVC与桨距角联合控制[14]，提高风电运行的暂态稳定性，这是间接地对无功电压的控制。它是利用风电场安全评估与预警模块中的评估结果，对风电场的电压和无功进行调节控制，降低网损，提高电压稳定域度。

2.4 动态稳定分析模块

动态稳定分析模块也可以等效为一个联合控制系统：频率偏差信号引入桨距角的控制系统[15]，提高风电运行的动态稳定性，这是间接地对有功频率的优化控制。

2.5 操作控制平台

总控制平台主要是各种信息的交汇处，后台计算子系统和系统前台服务与显示，所见即所得，接受暂态稳定分析模块和动态稳定分析模块的信号，类似于SCADA系统或者EMS能量管理系统[16]。处理后的信号通过数据采集与监控系统下发给风电场的执行。

[1] 彭怀午，刘方锐，杨晓峰.基于人工神经网络的风电功率短期预测研究[J].华东电力，2009，37（11）:1-4.PENG Huai-wu，LIU Fang-rui，YANG Xiao-feng.Wind power prediction based on neural network in short term[J].East China Electricity，2009，37（11）:1-4（in Chinese）.

[2]刘永前，韩爽，胡永生.风电场出力短期预报研究综述[J].现代电力，2007，24（5）:6-11.LIU Yong-qian，HAN Shuang，HU Yong-sheng.The research conclusion on short term forecasting of wind power[J].Modern Electricity， 2007，24（5）:6-11 （in Chinese）.

[3] CIORNEI I，KYRIAKIDES E.Heuristic solution for the nonconvex dispatch of generation in power systems with high wind power share[C].Power and Energy Society General Meeting，2009:1-7.

[4]WANG L F，SINGH C.Trade off between risk and cost in economic dispatch incl uding wind power penetration using particle swarm optimization[C].International Conference on Power System Technology，2006.

[5] 杨秀媛，肖洋，陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报，2005，25（11）：1-5.YANG Xiu-yuan，XIAO Yang，CHEN Shu-yong.Prediction research on wind speed and wind power on wind farm[J].Proceedings of the CSEE，2005，25（11）：1-5（in Chinese）.

[6] 杜颖，卢继平，李青，等.基于最小二乘支持向量机的风电场短期风速预测[J].电网技术，2008，32（15）：62-66.DU Ying，LU Ji-ping，LI Qing，et al.Short term wind speed predicition based on ls-svm in wind farm[J].Grid Technology，2008，32（15）：62-66（in Chinese）.

[7]ERASMO CADENAS，WILFRIDO RIVERA.Short term wind speed forecasting in La Venta，Oaxaca，Mexico，using artificial neural networks[J].Renewable Energy，2009，34（1）：274-277.

[8] 潘迪夫，刘辉，李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J].电网技术，2008，32（7）：82-86.PAN Di-fu，LIU Hui，LI Yan-fei.Wind speed forecasting optimization model based on time series analysis and Kalman filtering in wind farm[J].Grid Technology，2008，32（7）:82-86（in Chinese）.

[9] 寇兴魁.酒泉风电脱网事故原因及应对措施[J].上海电力学院学报，2011，27（4）：323-326.KOU Xing-kui.The reasons and measures to accidents of wind power off grid in Jiuquan[J].Transaction of College of Shanghai Electricity，2011，27（4）:323-326（in Chinese）.

[10]吴国，肖洋，翁莎莎.风电场短期风速预测探讨[J].吉林电力，2005（12）：21-24.WU Guo，XIAO Yang，WENG Sha-sha.Discussion on short term wind speed prediction in wind farm[J].Jilin Electricity，2005（12）:21-24（in Chinese）.

[11]BERNHARD L，KURT R，BERNHARD E，et al.Wind power prediction in Germany—recent advances and future chal2 lenges[C].European Wind Energy Conference，Athens，2006.

[12]韩爽，杨勇平，刘永前，等．风电场功率短期预测方法研究[M].北京:华北电力大学，2008.

[13]薛峰，常康，汪宁渤.大规模间歇式能源发电并网集群协调控制框架[J].电力系统自动化，2011，35（22）：45-53.XUE Feng，CHANG Kang，WANG Ning-bo.Large-scale intermittent energy generation and network cluster coordinated control framework[J].Automation of Electric Power System，2011，35（22）:45-53（in Chinese）.

[14]迟永宁，关宏亮，王伟胜，等.SVC与桨距角控制改善异步机风电场暂态电压稳定性[J]．电力系统自动化，2007，31（3），95-100.CHI Yong-ning，GUAN Hong-liang，WANG Wei-sheng，et al.SVC and the pitch angle control to improve the asynchronous machine wind electric field transient voltage stability[J].Automation of Electric Power System，2007，31（3），95-100（in Chinese）.

[15]雷亚洲.与风电并网相关的研究课题[J].电力系统自动化，2003，27（8）:84-89.LEI Ya-zhou.Research topics relate to wind power grid[J].Automation of Electric Power System，2003，27（8）:84-89（in Chinese）.

[16]魏磊，张琳，姜宁，等.包含风电的电力系统调峰能力计算方法探讨[J].电网与清洁能源，2010，36（8）:59-63.WEI Lei，ZHANG Lin，JIANG Ning，et al.Discussion on computing methods for peak load regulation ability of power system connected with large-scale wind farms[J].Power System and Clean Energy，2010，36（8）:59-63（in Chinese）.