风力发电功率预测的技术进展与展望

李翠英

摘要：当前整个世界都处在一种能源枯竭的状态当中，所以开发各种各样的新能源正是当务之急，作为新能源的主要内容之一，风能正被越来越多的国家所正是，国内外关于风力发电的研究已经越来越深入，但是对于风电场风速以及功率进行研究的相关效果并不能够达到我们的预期，这个主要是由于风力资源本身的产生以及大小都具有极强的随机性，所以如果风电的穿透效果超过了一定的范围，最终就会对电能的质量以及风力发电系统的运行造成极大的影响。

关键词：风电场;风速预测;发电功率预测

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，风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。风力发电功率的准确预测靠科学的预测理论方法和合理的预测模型，国内外学者进行了系列广泛的理论探索并提出许多预测方法。按不同建模机理，风力发电功率预测模型可分物理模型、统计模型、空间相关性模型及人工智能模型等。当前世界范围内已研发出一些成熟的风电预测系统，如丹麦的Zephry系统、德国的WPMS以及我国电力科学研究院研发的WPFS等。

1风电功率预测的意义

与常规电源不同，风力发电和光伏发电几乎完全取决于实时的天气条件，随机变化的天气导致风力发电和光伏发电具有波动性、间歇性、随机性的特点。由于电力系统的发电、输电、用电需要实时保持平衡，风力发电和光伏发电等新能源的大规模并网将给电网运行带来越来越大的压力。为了应对风力发电和太阳能发电的随机性和间歇性问题，电力系统在运行中必须留有足够的备用电源和调峰容量，以保证风力发电和太阳能发电出力不足时能够正常向用户供电，这必然会造成系统的备用容量增大;而在风力发电和太阳能发电出力大、而负荷不足时，又必须采取压低火电机组出力的方式来保证平衡，这不仅增加了系统的运行成本，同时还会给系统的安全稳定运行带来隐患。随着甘肃、内蒙古、吉林等风电基地的不断建设，风力发电穿透功率的不断提高，风力发电的随机波动已经给电网安全稳定运行带来巨大困难。

2风力发电功率预测的技术进展与展望

2.1光伏发电功率预测系统结构设计

在进行光伏发电功率预测系统的涉及过程中主要从空间和时间两个方面进行考虑，光伏发电的最小单位包括单台变流器及开关设备，由光伏电站的地理位置及所属区域的不同，设计预测系统中的空间尺度会存在差异。光伏发电功率预测系统的时间尺度是指根据时间长短不同可以将其分为长期型、中期型、短期型及超短期型。根据目前电力能源的行业标准将光伏发电功率预测系统分为短期预测和超短期预测。加强光伏发电功率预测可以未调度人员提供决策依据，实现常规发电与光伏发电的协调配合。通过对外部数据进行采集和处理，基于改进POS-BP神经网络的方法设计光伏发电功率预测系统。外部采集系统将气象数据等信息通过辐射预测子系统传输给主站，此外还需要采集光伏电站的实时数据以提高预测系统的准确性。对于复杂的非线性系统采用神经网络，其间需要考虑矩阵計算、微分方式求解等复杂的数值计算问题。设计基于改建PSO优化的神经网络模型来设计光伏发电预测系统，建立四个子模型存储四个不同季节信息，并考虑晴天、雨天及雪天等典型天气状况，设计相应的输人变量。在不同的季节中，也需要构建不同的神经网络输人量，例如在春夏季里光伏发电的时间段与冬季光伏发电的时间段存在差异，输人变量包括光伏发电阵列所处环境中温度或湿度等，另外令初始权重为随机数范围为一1至1之间，基于改建PSO优化的神经网络模型中不涉及惯性权重，因此可以有效提高系统的全局收索能力。

2.2风力发电功率预测

在风电场多年的发展过程当中，除了对于风速的预测，我们对于风力发电功率的预测是其一个重要的发展目标，一般我们风速会与发电的功率呈现出一定的关系，我们在进行预测时，根据切入风速以及切出风速的大小，然后再加上风速的相关原始数据和我们进行风力发电的仪器特性，就可以得到风电功率的时间序列的一些原始数据，而与风速的预测相同，我们在进行功率的预测时，也需要首先建立一个合适的分析模型，然后根据对我们建立的模型的分析、识别以及参数估计，最终确定一个风力发电的最终完整的预测模型，在我们确定好一个合适的模型以后，对功率再进行预测，一般最终可以将误差稳定在一个比较小的数值上，而且根据实践的相关检验和比对，采用人工神经网络法的误差要略低于时间序列法的误差，而且虽然采用基本相同的预测方法，但是对于功率预测的总体误差还是要高于对于风速预测的误差，而造成这个误差的原因是风速与发电功率之间本身就存在有一定的关联。

2.3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。

2.4时间序列法

我们采用时间序列法进行预测的时候，由于风速以及发电功率都是未知变量，对于这种情况，采用时间序列分析法是最好的选择，我们在使用这种方法进行预测时，前提应该是由许多之前的数据用来建立时间序列模型，然后在模型建好以后，通过进行模型的识别、相关参数的估计以及最终模型的检验等一系列的步骤，然后最终确定一个对于风电场风速以及发电功率的预测确实可行的时间序列模型，然后我们对这个模型进行进一步的推导，最终实现相应的预测模型的建立。我们在进行时间序列模型的研究的时候，一般会将时间序列的模型分成以下几种，分别是回归模型、滑动平均模型以及自回归-滑动平均模型等等，这些模型最终描述的都是时间序列，而且一般都比较稳定，如果在建模时发现其不平稳，那么一定要对其进行一定的转换和计算然后使其成为平稳序列然后再进行下一步的分析，对于我们实际的风速预测时，一般都是不平稳的序列，所以我们非常有必要在分析之前进行一次序列的转换，而进行序列转换的最常用方法就是差分计算法。

结语

随着环境污染问题的日益严重，新能源及可再生能源发电技术逐渐兴起，但由于风能、太阳能受季节、环境及天气等因素影响较大，造成新能源发电功率的无规律变化，其发电不规律性严重影响着整个电力系统的安全稳定运行。设计准确科学的新能源发电规律预测系统，对于保证电力系统的安全有效及稳定供电具有重要意义。

参考文献

[1]毕宇飞.风电场风速和发电功率预测研究[J].中国电子商务，2014（24）：55-55.

[2]柯拥勤.风电场风速及风电功率预测研究[D].华北电力大学，2015.

[3]王丽伟.风电场风速及发电功率预测与经济效益研究[D].华北电力大学（北京），2016.