风力发电功率预测的技术进展与展望

刘浩

摘要：风力发电是目前世界上增长最快的可再生能源发电方式。风力发电是使用风力发电机，将风能转化为电能。随着人们对电力需求的不断提高，相关风力发电场规模也进一步扩大。我国是能源需求大国，随着各大型风电场建立风电装机容量也逐年上升。较传统能源发电方式风力发电会因为风的不稳定性对电力系统稳定运行产生威胁，大规模风电并网也给电网带来冲击。为减少大规模风电并网对电力系统运行带来的危害，风电场功率预测技术的研究及风电预测系统的开发就显得尤为重要。

关键词：风力发电;功率预测;技术

引言

随着能源危机日趋严峻，保障能源供应已是重要问题。风能是一清洁能源，有低成本、可再生优点。但风电本身的不确定性会影响其并网后电网的安全稳定。特别是当风电穿透率较高时，更要电网有大量调峰备用容量。我国风电场多集中式和大容量的风电场，風电不稳定性对于电网影响明显，因此目前存在许多弃风行为。若能准确预测风电功率，便可解决问题。

1风力发电的基本特征

风力发电机组种类繁多，根据不同的划分标准可以分为以下几种类型：按照机组容量来划分：机组容量为0.1千瓦～1千瓦的为小型机组，1千瓦～1000千瓦为中型机组，1兆瓦～10兆瓦为大型机组，10兆瓦以上的为特大或巨型机组。

根据风力发电机的运行特征和控制方式分为：恒速恒频风力发电系统和变速恒频风力发电系统。恒速恒频风力发电系统中，当风速发生变化时，风力机的转速不变，导致输出功率下降，浪费了风力资源，发电效率大大降低。而变速恒频风力发电系统的转速可变化，根据风速可适时调节风力机转速，实现对风能最大限度的捕获，系统的发电效率也大为提高。目前，国内外已建或新建的大型风电场中的风电机组多采用这种运行方式。

根据地域划分，风力发电分为两种：内陆风电和海上风电。相对于陆地，海上风力发电系统有更多优势，发展空间几乎没有限制，可节约大量的土地资源;风切度小，可有效降低机组塔架高度，海上风电建设成本更低;海上的风能资源远比陆上丰富，风速更高，发电量也相应显著提升;同时，海平面摩擦力小，作用在机组上的荷载小，机组使用寿命可长达50年;噪声、鸟类、景观以及电磁干扰等问题对海上风电影响也相对较小;对生态环境基本无影响，绿色环保。

2风力发电功率预测的方法

2.1物理方法

风电功率预测的物理方法主要指基于数字天气预报（NWP）的预测方法。目前这种方法已较成熟，适用于较长时间风电功率预测。该方法将天气数据代入NWP的预测数学模型，计算分析出风电场位置的现场状况。天气条件越稳定，基于NWP的预测方法结果就越准确。由于模型复杂性，该方法要用超级计算机来运行，应用有局限性，短期预测有效性不如持续型预测，因此基于NWP的预测方法通常不应用于超短期风电功率预测。

2.2统计方法

统计方法是据历史统计数据找出天气状况与发电功率间的关系后，据实测数据和数值天气预测数据对场未来发电功率进行预测。统计预测方法的代表是时间序列法，其是将各个时间点的风电场气象数据输入SCADA系统中进行计算分析。自回归滑动平均（ARMR）是时间序列法中常用模型。ARMR模型可描述线性动态过程，但仅限于零均值的平稳随机序列。而风速和风电功率的时间序列都有非平稳随机序列的特点，故建立风电功率预测的ARMR模型时要对数据进行非平稳化处理。

2.3学习方法

学习方法主指人工智能算法。用经典的数学统计方法可较快、简易地预测风电功率。但电力系统及风速都处于复杂的非线性动态过程，因此采用经典的数学统计方法必影响精度。人工智能算法可更准确地拟合非线性关系，提高预测精确度，从而弥补传统方法单纯依靠数学求解带来的不足。BP（Back-propagation）神经网络是最常用的神经网络。这种神经网络中每个神经元有三个——输入、判断和输出。每一层神经元内部无关联，相邻层的神经元点间互相连接。每条神经线可赋予不同的权重，权重分配的合理性将直接影响模型输出结果的准确性。

3风力发电机发电能力评估

风力发电机的等效风能利用小时数是衡量项目发电性能的重要指标，它就是风力发电机年发电量与容量的比值。对于单台机组，它是单台风机年发电量与机组容量的比值。所以可以从分析单台风机的等效风能利用小时数入手。统计单台机组的发电量，将单台机组发电量加上限电、故障、检修等损失电量折算为等效利用小时数，对风电场同型号机组的等效利用小时数进行排序，并将实际风速与等效利用小时数进行对照分析，可以筛选出相同风速条件下等效利用小时数低于平均值的机组。

风机功率曲线是风力发电机组发电能力的最直接体现。所以用功率曲线可以有效地分析风机的健康水平和发电能力。由于受到机组尾流、空气密度、湍流强度等环境因素的影响，风力发电机组在运行过程中的实际运行功率曲线与设计功率曲线可能并不完全匹配，通过综合判断单台风机实际功率曲线与标准功率曲线之间的差异，能有直观地反映出风机发电能力的优劣。我们可以取单台风力发电机一年10分钟风速和有功功率，结合机组实际功率曲线，推算单台机组的年理论发电量;利用10分钟平均风速和合同保证的功率曲线，推算单台机组的实测风速年保证发电量，并绘制分布图。分析风电机组实际运行功率曲线计算发电量与合同保证功率曲线计算发电量之间的比值为功率曲线符合度。对机组功率曲线符合度进行排序分析，可以筛选出功率曲线符合度异常机组。

4风力发电功率预测的展望

自然界的风，来无影去无踪。在太阳光的照射下，各个地方的空气因受热不均匀而发生流动，便产生了风，风能实际上就是空气的动能，是一种取之不尽的能源。风能是一种清洁无公害的可再生能源，很早就被人们利用，主要是通过风车来抽水、磨面等。风力发电是除水力发电技术外，新能源发电技术中最成熟、最具大规模开发和最有商业化发展前景的发电方式。通过本文可以有以下想法，一是单机风电功率人工智能预测模型，阐述模糊逻辑等人工智能方法如何应用于单机风电功率预测及特点;二是基于二次模式分解和级联式深度学习的超短期风电功率预测，提出一基于EEMDWPD二次模式分解和级联式CNN GRU深度学习的风电功率预测模型;三是基于降噪时序深度学习网络的风电功率短期预测方法，提出使用SSALSTM预测模型，可分析并处理低维度风能历史数据。

结束语

风电功率预测技术是指对未来一段时间风电场能输出的功率大小进行预测以安排调度计划，得到精准预测结果后可制定合理的调度、检修计划，从而提高风能利用率。风能是一清洁能源，准确的预测结果有利于解决风电输出功率控制、经济调度及风电竞价交易等问题，从而提高上网电价。对发电企业，风电功率的精准预测有助于企业检修、减少弃风，提高经济效益。

参考文献

[1]刚毅凝，金成明，等.深度神经网络在风电功率预测中的应用研究[J].信息技术，2020，1.

[2]曹有为，闫双红，等.基于降噪时序深度学习网络的风电功率短期预测方法[J].电力系统及其自动化学报，2020，1.

[3]刘世江，刘作广，傅杰敏.风力发电机组综合改造技术验证[J].应用能源技术，2020（12）：48-52.

[4]熊弦，彭郎军.风力发电机组功率曲线状态评估方法[J].电子元器件与信息技术，2020，4（04）：152-153+157.

[5]吴重仲.海上风力发电管理模式研究分析[J].科技视界，2019，000（011）：231-232.