卡尔曼滤波修正的风电场短期功率预测模型
2018-02-08赵攀戴义平夏俊荣
赵攀,戴义平,夏俊荣,等
目的:风电功率的精确预测有助于优化电力系统调度,降低电力系统运行成本及提高风电并网容量。数值天气预报NWP(Numerical Weather Prediction)为风电功率统计预测方法提供气象预报数据,但由于 NWP模型在处理次网格现象方面的能力不足及物理参数初始化存在缺陷,将导致 NWP模型提供的近地气象参数存在系统误差,从而影响风电功率预测精度。本文利用卡尔曼滤波技术消除 NWP预报数据中的系统误差,达到提高风电功率预测精度的目的。方法:风电功率短期预测的统计方法主要是利用历史数据建立风电场区域气象数据与输出功率之间的非线性映射关系,进而利用NWP输出的气象数据预测未来功率输出。本文以统计方法中常用的逆向传播(BP)神经网络为基础建立预测模型,通过卡尔曼滤波技术消除 NWP预报数据中存在的误差,从而提高风电功率预测精度。具体方法为:首先使用卡尔曼滤波算法对风电功率起主导作用的风速数据进行动态修正,消除 NWP风速输出数据中的存在的系统误差;进而采用3层BP神经网络方法建立修正风速、风向正弦、风向余弦及空气密度与实际功率之间的非线性映射关系作为风电场实际功率预测的数学模型;最后使用NWP输出的未来的修正风速、风向正弦、风向余弦及空气密度作为 BP神经网络预测模型的输入,获取未来的风电功率输出。结果:以江苏某沿海风电场作为试验风场来验证本文所提出的基于卡尔曼滤波修正的风电场短期功率预测模型。该风场装有 33台额定功率为 1.5 MW的变桨距风力机组,轮毂高度为80 m。首先对2009年由NWP反推获得的测风塔位置全年风速数据进行了卡尔曼滤波修正,从试验风场的NWP输出风速修正前后数据及测风塔实测风速数据对比发现,由于误差,特别是系统误差的存在,NWP模式输出的原始预测风速变化较为平缓,不能实时跟踪实际风速的变化趋势。然而,通过卡尔曼滤波算法修正的风速数据能够跟踪实测风速的变化且误差较小,表明卡尔曼滤波算法能够有效地消除风速数据中的系统误差,但滤波数据与实测数据之间存在差异,这是风速数据中的随机误差决定的。其次,采用上述反推数据及修正数据分别建立原始预测模型和修正预测模型,对比实际风电场输出功率、原始模型输出及修正模型输出发现,经卡尔曼滤波修正后的风电功率预测模型不仅能够有效预测实际功率的变化趋势,而且其均方根误差从原始模型的17.73%降至了修正模型的11.32%,表明卡尔曼滤波对预测模型的修正在提高风电功率预测精度上是有效的。结论:本文提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型。通过采用卡尔曼滤波算法对 NWP输出的风速数据进行动态修正,能够有效消除 NWP预测风速数据中含有的系统误差。利用原始 NWP数据及修正NWP数据分别建立了BP神经网络预测模型,并在同一测试时间段评估了卡尔曼滤波修正前后的风电场功率预测模型的均方根误差,结果表明经修正的预测模型能够有效预测实际功率的变化趋势。
来源出版物:西安交通大学学报, 2011, 45(5): 47-51
入选年份:2015