1. 网站地图
  2. 设为首页
  3. 关于我们


考虑风电场功率爬坡的超短期组合预测研究

发布时间:2022-11-21 14:54
目录
I
Abstract II
IV
第 1 章 绪 论 1
1.1课题的研究背景和意义 1
1.1.1课题的研究背景 1
1.1.2课题的研究意义 2
1.2课题的研究现状 3
1.2.1风电功率预测方法研究现状 3
1.2.2风电爬坡事件研究现状 4
1.3主要研究内容 6
第 2 章 考虑源相关性的超短期风电功率预测研究 8
2.1NWP 风速及预测准确率 8
2.1.1滚动预测框架 8
2.1.2切比雪夫距离 9
2.2组合预测方法 11
2.2.1反向传播神经网络模型 11
2.2.2考虑源相关性的超短期风电功率预测研究 12
2.3算例分析 13
2.3.1数据描述及评价指标 13
2.3.2算例分析 14
2.4本章小结 17
第 3 章 考虑爬坡事件的超短期风电功率预测方法 18
3.1风电爬坡事件分析 18
3.1.1爬坡事件定义 18
3.1.2数值天气预报分析 19
3.1.3灰色关联法提取相关天气因素 20
3.2风电爬坡预测模型的建立 21
3.2.1考虑风电场功率爬坡的超短期组合预测模型 21
3.2.2评价指标 22
3.3算例分析 23
IV
3.4本章小结 28
第 4 章 风电功率超短期预测误差来源分析及其修正 29
4.1误差来源分析 29
4.2误差修正算法 29
4.2.1TVTW 算法 29
4.2.2爬坡事件修正参数 30
4.3算例分析 30
4.4本章小结 35
结 论 36
参考文献 37
附录 42
攻读硕士学位期间发表的论文及其它成果 48
东北电力大学学位论文原创性声明和使用权限 49
《中国优秀博硕士学位论文全文数据库》和《中国学位论文全文数据库》投稿声明 50
致 谢 5 1
-V-
第 1 章 绪 论
1.1课题的研究背景和意义
1.1.1 课题的研究背景
随着化石燃料的不断枯竭以及环境问题的日益尖锐,如今世界各国都已经意识到了发 展新能源的重要性。可再生能源作为清洁、环保的自然资源,已经成为目前重点开发的对 象。而风力发电正是可再生能源领域中发展程度最高、开发条件最具规模且发展前景最具 商业化的发电方式之一,由于其在全球范围内储量巨大且分布广泛,与风电相关的技术手 段又不断地成熟、应用设备不断地升级,全球的风力发电行业正处于一个高速发展的阶段 [1-3]。
根据全球风能协会(Global Wind Energy Council, GWEC)的统计,截至2019年底, 全球风电累计装机容量为651GW,年均复合增长率为20.12%。2019年全球风电新增装机 容量为60.4GW,较2001年增长超过8倍,年均复合增长率为13.18%。作为现阶段发展 最快的可再生能源之一,在全球的电力生产结构中,风力发电的占比正在逐年上升,拥有 着极为广阔的发展前景。全球已有近百个国家建设了风电项目,主要集中在亚洲、欧洲、 美洲。从各国分布来看,截至2019 年底,中国、美国、印度、西班牙和瑞典为全球陆地 风电累计装机容量排名前五的国家,陆地风电累计装机容量占全球陆地风电装机容量的 37%、17%、9%、6%和 4%,合计占比为 73%。根据中国风能协会的统计,截至2019年 底,全国风电累计装机容量已经达到了2.1 亿千瓦,其中陆上风电累计装机2.04亿千瓦、 海上风电累计装机593 万千瓦,风电装机占全部发电装机的10.4%。 2019全年,全国风电 新增并网装机2574万千瓦,其中陆上风电新增装机2376万千瓦、海上风电新增装机198 万千瓦。 2019 年我国风电发电量为 4057亿千瓦时,占全国发电量的 5.54%。无论是累计 装机容量还是新增装机容量,中国都已经成为世界上规模最大的风电市场,开发利用规模 稳居世界第一,为能源绿色低碳转型提供强大支撑。
在 2021 年,国家能源局认真贯彻落实习近平生态文明思想和“四个革命、一个合作” 能源安全新战略,锚定碳达峰碳中和目标任务,大力推动可再生能源实现跨越式发展,加 强行业顶层设计,加快推进大型风电基地等重大项目建设,关注能源民生保障,全力增强 清洁电力供应,努力推动可再生能源高质量跃升发展,实现了“十四五”良好开局。 2021 年,我国可再生能源装机规模突破了10亿千瓦,风电、光伏发电装机均突破3 亿千瓦, 海上风电装机跃居世界第一。 2021 年全年,我国可再生能源新增装机1.34亿千瓦,占全 国新增发电装机的 76.1%。其中,风电新增 4757万千瓦,占全国新增装机的 27%,为“十 三五”以来年投产第二多,其中陆上风电新增装机3067万千瓦、海上风电新增装机1690 万千瓦。从新增装机分布看,中东部和南方地区占比约 61%,“三北”地区占 39%,风电 -1-
开发布局得到了进一步的优化。截至2021 年底,我国可再生能源发电装机达到 10.63 亿千 瓦,占总发电装机容量的 44.8%。其中,风电装机 3.28 亿千瓦,占全国总发电装机容量的 13.8%;陆上风电累计装机3.02亿千瓦、海上风电累计装机 2639万千瓦。
同时,可再生能源发电量稳步增长。2021年,全国可再生能源发电量达 2.48万亿千 瓦时,占全社会用电量的29.8%。其中,水电 13401亿千瓦时,同比下降 1.1%;风电 6526 亿千瓦时,同比增长 40.5%;光伏发电 3259亿千瓦时,同比增长 25.1%;生物质发电 1637 亿千瓦时,同比增长 23.6%。水电、风电、光伏发电和生物质发电量分别占全社会用电量 的 16.1%、7.9%、3.9%和 2%。可以看出,风电发电量同比增长趋势强劲,已经成为可再 生能源中发展最为迅速的能源之一。不仅如此,风电依旧保持着其高利用率的水平。2021 年全年,全国风电平均利用率为96.9%,较上年同期提高 0.4个百分点;尤其是湖南、甘 肃和新疆,风电利用率同比显著提升,湖南风电利用率 99%、甘肃风电利用率 95.9%,新 疆风电利用率 92.7%、同比分别提升4.5、2.3、3.0个百分点。从中国近年来的可再生电力 能源来看,风力发电的地位显著提高,风电已经成为仅次于水电的第二大可再生电力来源 [4-6]。
1.1.2 课题的研究意义
目前我国大力发展可再生能源,计划在 2050年实现“高比例可再生能源发展”,在 高比例可再生能源背景下,到 2050 年达到可再生能源占能源消耗的 65%以上,占发电总 量的 85%以上[7-8]。而经过数十年的快速发展,我国的风电产业已经逐渐走向完善,具备了 强大的市场竞争力。2020 年9 月22 日,习近平总书记宣布,中国二氧化碳排放力争在 2030 年前达到峰值,努力争取在 2060 年前实现碳中和。这不仅关乎全球环境的治理,同时也 是向绿色能源结构发展转型的必由之路,这标志着我国将进入碳约束时代,进一步推进发 展绿色化进程,逐步提高能源、工业等重点领域的绿色电力消费比重。因此,“双碳目标” 的提出明确了风电发展的方向,风电将是未来实现“双碳”目标的主力,即将迎来高速发 展的机遇期。
而风力发电的稳定性对于大规模风电并网是至关重要的。风力发电的本质是将风能转 换为电能,而风固有的随机性和波动性则使得风力发电的输出功率同样具有随机性和波动 性。当其波动情况较为严重时,会导致风电功率在较短时间内发生大幅度的出力变化,即 为风电功率爬坡事件。风电功率爬坡事件会给电网的安全稳定运行带来潜在的威胁,类似 的事件在各国都屡见不鲜[9]。为了应对风电功率爬坡事件给电网安全稳定运行带来的挑战, 我们有必要研究其特征属性,这不仅可以有效地提高风电功率预测的准确率,有助于电网 调度对各风电场站发电量的提前规划,提前应对可能发生的爬坡事件以保证电网的安全 性;而且能够提高电网中常规机组的调控效率,从而提高风力发电的经济价值。因此,考 虑风电场功率爬坡的超短期预测对实现未来高比例可再生能源电力系统具有重要意义,本 文主要针对风电场功率爬坡的情况,对风电功率的超短期预测进行分析和规划[10]。
-2-
1.2 课题的研究现状
1.2.1风电功率预测方法研究现状
准确的风电功率预测是有效提高风电并网率的前提,根据是否考虑地理环境和天气等 因素,可将风电功率的预测方法分为物理模型和统计模型。
物理模型主要是利用气象信息来分析和预测复杂的大气物理变化特征,以地理和气象 因素作为输入变量,结合气象学和动力学理论,将降低的中尺度数值天气预报尺度转化为 轮毂高度处的风速,并利用风速功率曲线实现风力转换。其输入变量通常选取灰色关联度 等方法来分析其与风速序列的相关性,而选择相关性较高的参数作为输入变量可以在一定 程度上简化模型。在影响风电功率的各个因素中,风速因素是和功率强相关的,同一位置 的风速在一定的时间区间内通常会呈现一定的规律性,因此实测风速因素同样重要。风电 功率预测按照预测的物理量一般可分为:直接预测得到其输出功率;或是先预测风速,再 根据风电场的功率曲线转换为输出功率。在风电预测领域利用数值天气预报来进行预测是 一种经典的物理方法,有着较高的预测精度。目前,大多数的物理预测会作为统计预测的 一个辅助输入,而其中最常用的物理模型就是是数值天气预报,这种方法能够根据实际的 大气环境状况来预测天气及大气的运动变趋势,因而在欧美各国家都得到了广泛的使用。 该方法的优点是只需要从天气因素和物理特性入手而不需要大量的历史数据,但它需要丰 富的气象知识和庞大的气象数据,这不仅意味着保存困难而且需要强大的算法支持,因此 大幅限制了物理方法的应用。
统计模型是根据历史统计数据,即历史输出功率、风速、风向等数据以建立风电场输 出功率与气象数据或历史输出功率之间的映射关系。然后根据数值天气预报数据中影响风 力发电和风资源特征的数据以及风电场历史输出功率来预测未来时刻该风电场的输出功 率。统计模型在风电功率预测的起步阶段应用十分广泛,时序预测模型即是其中一种,该 模型是通过建立历史时刻数据与预测时刻数据之间的关系从而预测未来时间点的数据。目 前,国内外比较常用的统计预测方法包括持续法、自回归滑动平均法(auto-regressive moving average model, ARMA)、最小二乘拟合法、灰色系统等。
风电功率的预测问题按照数学模型可分为时序预测方法、机器学习方法、人工智能方 法。目前应用较为广泛的人工智能方法为人工神经网络模型( artificial neural network, ANN),该模型是一种数据驱动运算方法,其依赖于历史数据,能够在提供大量数据集的 情况下对模型的输入输出关系进行拟合,使得预测结果具有较高的准确率。风电功率的预 测问题按照预测时间尺度可分为:中长期预测,以星期、月份或年份为周期,主要用于风 电场的维护和建造;短期预测,预测周期一般是在未来1至 72小时,包括日前预测,预 测未来一天内的风电机组或场站的出力值;超短期预测,即滚动预测未来 4h 内的风电功 率。超短期预测一般是基于风电场出力的历史数据来进行预测,在各种物理、统计和人工 智能模型中,混合了预处理或后处理方法的模型在风电应用中有着较好的预测结果。参考
-3- 文献[11]对超短期和短期风电功率预测方法进行了详细的综述,并从信息流的角度对风电 功率预测过程进行了解释。参考文献[12]结合了超短期风力发电的预测方法,利用经验模 态分解(empirical mode decomposition,EMD)将原始的风能数据分解成子集,然后采用 极限学习机(extreme learning machine,ELM)模型跟踪每一个子集,最终获得的组合预 测模型的结果。该方法在一定程度上提高了超短期预测的精度,但计算过于复杂。在参考 文献[13]中,提出了一种新的风电功率超短期概率预测方法,将长短期记忆神经(long short-term memory,LSTM)网络、小波分解(wavelet transform,WT)和主成分分析(principal component analysis,PCA)相结合,对风电功率进行超短期概率预测。但是,该方法未曾 考虑到未来的气象信息,导致了预测的局限性。文献[14-16]提出了几种考虑高维历史风速 信息的预测模型,降低了风电输出的随机性和不确定性,提高了预测的效率和准确性。文 献[17-18]基于我国某风电场的实测功率数据,将局部混沌预测方法应用于风电场功率预 测。参考文献[19]详细研究了一种提高风电功率预测精度的方法,提出了一种基于多源数 据的组合预测模型。文献[20-21]对各风电场的历史数值天气预报数据进行主成分分析降 维,将提取出的主成分与历史数据中的实测功率建立一个线性回归模型。当更新数值天气 预报数据时,计算相应的主成分并引入线性回归模型,从而得到风电场功率预测的输出。 因此,数值天气预报往往与风电短期或长期预测相结合,而现有的超短期预测方法过于复 杂。
1.2.2 风电爬坡事件研究现状
国外对于风电爬坡事件已经有了多年的研究经验,其主要研究方向集中在爬坡事件的 定义及识别预测上,然而国际上有关爬坡事件的定义仍各有不同,目前各国家以及科研机 构尚未有一个统一的标准。随着风电场规模和数量的不断地增加,风电爬坡事件已经严重 影响了电网的稳定运行。风电爬坡事件是指在极端的天气条件下,风电机组的输出功率急 剧上升或下降的现象。当雷暴、阵风等类似的极端天气条件出现时,风力机组的发电功率 会显著增加,导致一次上爬坡事件;而当风速大于切断风速时,部分风力涡轮机就会停止 运转,从而导致发电量下降,从而出现下爬坡事件。目前较为广泛的定义是风电功率爬坡 事件可以通过爬坡幅值、爬坡持续时间和爬坡变化率三个参考量纲来确定[22-24]。爬坡幅值 可以表示风力发电的变化幅度,一般认为一小时内整个风场输出功率的变化幅度至少大于 装机的15%时发生爬坡事件;而爬坡变化率和持续时间则反映了风力发电的坡度变化过程。 从理论上来讲,只要选择较小的爬坡幅值阈值,那么基本上所有的爬坡事件都可以被检测, 但这将导致极小的功率波动也会影响模型的运算,从而形成数据冗余,影响识别精度,最 终导致对爬坡事件的低报。目前,爬坡幅值的阈值设定标准也尚未有定论[25],但适当的阈 值可以提高爬坡事件的预测精度。一种定义是通过在一定时间区间内的风电功率平均变化 量是否超过阈值来判定是否发生爬坡事件,但该定义容易受到噪声干扰,又未能考虑到爬 坡方向的问题,因此未能得到推广。由此可见,影响爬坡事件因素的特征分析将是未来研
-4- 究的方向。目前,风电爬坡功率事件的预测研究较少,文献[26]阐述了爬坡事件的一种定 义,提出了一种超短期风电功率爬坡事件的检测方法,并从爬坡持续时间、爬坡变化率和 爬坡幅值这三个特征参数方面对上爬坡事件和下爬坡事件两种爬坡类型进行了分析。文献 指出,上爬坡事件和下爬坡事件的爬坡持续时间、爬坡变化率和爬坡幅值三个爬坡特征在 具有一定的对称性的同时,也表现出明显的时序分布特征。文献[27]提出了一种基于气象 背景选取邻近点的风电功率爬坡事件预测方法,由于风电功率容易受到多种因素的影响, 在研究中需要考虑其他因素对风力发电功率的影响。因此,如何利用少量的数据集来进行 更高精度的预测是目前亟待解决的问题之一。
我国的地理环境及气候条件与欧美等国家相差较大,国内对于风电功率爬坡事件的识 别技术尚未趋于完善,因此,准确合理的爬坡定义对风电功率爬坡事件的识别及其预测技 术的进一步发展有着十分重要的意义[28-30]。由于风能自身的间歇性及波动性等特征, 风电 场的功率呈现出了一种高度的不确定性, 具体表现为风电功率的爬坡事件,这给大规模风 电并入电力系统以及电能质量都带来了严峻挑战,因此考虑风电场功率爬坡的预测方法成 为了当前研究的重点[31-32]。
风电功率爬坡事件是指在较短时间尺度内风功率出现较大幅度波动的情况,这会对区 域电能质量及电力调度计划产生一定的消极影响。在我国风电大规模并网的发展模式大前 提下,受到地理位置及不规律的自然气候影响的风电功率爬坡现象对电力系统所产生的影 响日益突出,考虑风电场功率爬坡的预测是其中的关键环节。目前各风电场站的自然条件、 实际运行状况和所接入系统的要求各不相同,因而目前的爬坡定义很难直接应用在条件多 变的实际风电场站。在复杂的实际应用需求下,不同区域的风电场要结合运行中的具体要 求来建立适用于实际场站的爬坡事件定义和标准是实现有效识别爬坡事件的前提。文献 [33-34]中详细介绍了爬坡事件的几类定义,分别采用了支持向量机(support vector machine, SVM)、均值聚类算法等方法对历史数据集中的爬坡事件进行了分类,并分析了不同类型 爬坡事件的各自特征以及危害。参考文献[35]中提出了一种具有自适应选择特征的小波深 度置信算法。这种方法在一定程度上可以提高超短期预测的精度,但计算过于复杂并且在 风电爬坡事件的漏捕率及误捕率指标上表现不佳。参考文献[36]中提出了提出了一种考虑 风电场爬坡事件的基本模式及其自相关统计特性的模型,建立了一种关于爬坡事件的日前 预测算法。该方法尽管有效减少了预测过程中误报及漏报的情况,但其仅包含了风电场的 历史功率数据,同样没有考虑未来的天气因素,导致了预测的局限性。
目前,超短期风电功率预测更多的是直接使用功率时间序列来构建预测模型[37-39],但 这类预测模型无法很好地追踪风电功率的波动情况。而风速因素是引起功率出力变化的主 要因素,当风速在短时间内变化较大时,仅根据历史功率信息无法对未来的变化趋势进行 判断,从而导致较大的预测误差。文献[40-41]是在考虑风电功率爬坡事件和识别难度等条 件的情况下,建立了考虑风电爬坡事件约束的精确线性化的机组组合模型,但其模型受爬 坡波动速率的约束。文献[42-43]所运用的是基于时间序列法的风电功率波动分析及预测, -5-
该方法具有一定的实用价值,能够对超短期的风电功率进行预测,但其无法从宏观角度去 分析风电功率的波动特性。文献[44-45]提出在一个合理的时间区间内进行风电功率预测和 爬坡事件识别的方法,主要研究如何选取合理的预测时间区间,最终通过多个评价指标验 证了该预测时间区间对爬坡事件识别的重要性,这为后续预测爬坡事件奠定了重要的基 础。但是风电功率爬坡预测的预测精度仍有待于进一步提高,且对结合了气象因素的爬坡 预测研究较少。目前,含统计模型和物理模型的综合预测模型已经成为了爬坡预测的主要 研究内容,而如何从大量包含复杂不确定因素的历史数据和气象数据中提取爬坡事件特 征,满足爬坡预测的精度要求是目前的主要发展方向[46-47]。
1.3 主要研究内容
由于目前我国对风电功率爬坡预测的研究正处于快速发展阶段,因此将数值天气预报 数据应用到风场功率爬坡预测系统中的研究已逐步成为研究的热点。本文在国家重点研发 计划“促进可再生能源消纳的风电/光伏发电功率预测技术及应用”项目(项目号: 2018YFB0904200)、国家电网有限公司科学技术项目“考虑电/热负荷及新能源不确定性 的概率优化调度技术研究与示范”(项目号:52230020002J)以及中国电力科学研究院项 目“吉林省调新能源场站数据处理服务” (xx2018079)的支持下,选取大型风电场的实 际运行的历史功率数据,并结合数值天气预报中的诸多气象信息,对风电场的超短期功率 爬坡预测进行分析研究,本文研究内容的逻辑框架如图 1-1 所示。
 
图 1-1 研究内容逻辑框架示意图
-6-
第一章对风电功率爬坡预测的研究背景及意义进行描述,并对当前风电功率的预测方 法及风电爬坡事件的国内外研究现状进行概述。
第二章对数值天气预报进行分析,提出了考虑源相关性的超短期风电功率预测方法。 首先,利用NWP信息和时间窗对滚动超短期风电功率预测精度较低的时间点进行近似定 位,然后提出神经网络和持续性方法相结合的混合方法对未来风电输出进行预测。
第三章介绍了爬坡事件的几种定义;分析并提取出对风电功率爬坡预测影响力最强的 几个天气因素,作为预测模型的部分输入数据;同时对历史的风电场运行数据和数值天气 预报数据进行分析;并对风电功率爬坡事件的识别方法进行分析处理。从而提出了一种考 虑爬坡事件的超短期组合预测方法。由于风电功率爬坡量具有较强的波动性和非规律性, 将NWP数据应用到风电功率爬坡预测的研究中,对NWP数据中的天气因素进行相关性分 析,建立一种基于极限学习机算法的风电功率爬坡预测模型,并采用目前常用的预测模型 及误差评价指标进行分析说明。
第四章对产生误差的来源进行了分析,并采用相似的风电功率爬坡事件修正预测模 型。利用基于元组向量时间扭曲算法寻找相似的风电功率爬坡段与预测段的风电功率爬坡 事件进行匹配,得到相似度高的匹配集,从而得到进一步的修正预测结果。
-7-
第 2 章 考虑源相关性的超短期风电功率预测研究
风电功率预测在一定程度上可以将随机波动的风电出力状况变为已知,是将大规模风 电安全接入电网的有效方式之一。风电场功率预测又分为长期预测、短期预测以及超短期 预测。由于超短期预测一般只基于风电场的历史数据而缺乏新的信息,因此同风电功率长 期、短期预测相比超短期预测效果较差,其精度仍然不能令人满意。为此,提出了一种基 于日前数值天气预报定位技术的组合预测方法。首先,利用 NWP 信息和时间窗对滚动超 短期风电功率预测(wind power prediction,WPP)精度较低的时间点进行近似定位,然后 提出神经网络和持续性方法相结合的混合方法对未来风电输出进行预测。实例分析结果表 明,与其他经典预测方法相比,该方法能有效提高风电超短期预测精度,验证了该方法的 有效性。
2.1NWP 风速及预测准确率
2.1.1滚动预测框架
风电超短期预报主要是利用风电场自身系统记录的风速、功率等历史数据,对风电场 未来4小时内出力进行建模和预测。数值天气预报是根据天气的实际情况,在一定的初始 条件和边界条件下,以当前天气条件为输入数据,预测未来某一时期大气运动和天气现象 的一种方法。因此基于NWP信息与风电场输出功率的映射关系,以NWP信息为主要输入 变量,建立风电场功率预测模型。风电场建设配套NWP系统,其数据由省气象局提供。 NWP数据的时间分辨率通常为15分钟,包括多个地区不同高度的风速、风向、温度和湿 度。同时,时间窗的概念是每次滑动一个点,一个窗口是16个点,在超短期预测中向前 滚动。因此,采用NWP预测数据和时间窗技术来逼近滚动预测时间,并对超短期滚动预 报精度较低的时间进行了逼近。
超短期风电预测是指一个周期为15分钟,并滚动报告未来15分钟至4小时的风电功 率数值。其步长为 16步,相当于测量了 16个时间序列。具体步骤如图 2-1 所示。
预测起始[00 第一次预测结束4:00
,I \ 第二次预测结束4:15
・ 第十六次预测结束8:00
预测结束4:00
图 2-1 滚动预测框架图
目前,风电功率预测的方法有几种,如持续法、支持向量机法、人工神经网络法等。
其中持续法预测简单,易于实现。该方法将最近点的观测风速作为下一个点的预测风速。
-8-
该方法预测精度高,是评价风电功率预测中其他预测方法的一个标杆算法。
2.1.2 切比雪夫距离
在预测风电功率的众多方法中,持续法不仅可以用作标杆算法,而且持续法的预测精 度与风电功率的波动大小存在较强的依赖关系。因此,本文首先研究持续法预测精度与 NWP 风速之间的关系。
在分类中,常常需要估计不同数据集之间的相似度。在欧几里德空间中,若X=(Xl,…, xQ且y=(yi,…,yn),则切比雪夫距离如下所示:
d(X,y) = lim(^ |x.-订)" (2-1)
以东北某风电场 2014年3 月31 日至4月15日的实测功率数据,以及 2014年4月1 日至15日的NWP数据为例,采样间隔为15min。首先,利用持续法滚动预测风电场未来 n天的出力;同时利用时间窗分离出每一次滚动预测对应的NWP风速。将相邻时间窗内的 风速曲线的相似度作为衡量NWP风速波动状况的指标。将衡量NWP风速波动状况的指标 按照时序排列构成的时间序列称为定位曲线。计算第k -1次滚动预测和第k次滚动预测对 应的NWP风速曲线之间的相似度得到定位曲线,其中k = 2,3,4,…,96xn。通过对比发现, 预测准确率曲线的波动情况同定位曲线存在一定的关系。利用动态时间弯曲距离、曼哈顿 距离、切比雪夫距离、闵式距离、夹角余弦距离、马氏距离以及相关距离进行相似度的判 定。经过统计发现计算第k -1次滚动预测对应的NWP风速曲线与第k次滚动预测对应的 NWP风速曲线之间的切比雪夫距离效果最佳,定位效果如图2-2所示。
 
10 20 30 40 50 60 70 80 90
采样点(15-min)
图2-2定位曲线与准确率曲线图
从图 2-2 中可以直观地看出,定位曲线可以近似地找到持续法滚动预测准确率的最低 点。但是波动起伏较多的定位曲线是难以应用到实际中来的,因此在预测精度较低的情况 下,需要对定位曲线作一些技术上的处理,使得计算机更易定位其滚动预测准确率较低的 时刻。
规定:相似度曲线的上下限分别为 50和 20,即大于50的值赋值为 50,小于20的值 赋值为20;且落在区间(7,k]内的值赋值为k。
经过上述的处理后,则可以很容易地利用代码实现定位滚动预测准确率较低的时刻。 近似定位的方法描述如下:
-9-
 
(1)提取定位曲线中所有值等于20的点对应的滚动预测时刻⑺i二1,2,…,k,并将其存储 在集合T = {t1,12,…,tk}中。
(2)剔除集合T中所有的离散值,那么集合T中所有的值都是属于某一连续的区间,即 T = {tQ1, %1 ] 1^2, %2 | • ••, |匕,%k |}。
(3)取区间屹,%」i = 1,2,…k中的心为滚动预测准确率较低的近似时刻。
为了方便将处理后的定位曲线仍然称为定位曲线,即切比雪夫距离曲线。下面给出取 不同历史值时,定位曲线与持续法预测准确率曲线之间的关系图,如图 2-3 所示。附录中 给出了全部 15 天的定位曲线和精度曲线图,如图 A 所示。
 
C: Day 5 D: Day12
图 2-3 不同历史值情况下的定位曲线与准确率曲线图
图 2-3 中的历史值从左到右,从上至下依次为表 2-1 中的历史值。在表 2-1 中给出了 不同历史值下持续法滚动预测准确率较低的定位时刻。
综上所述,可以得到依据日前 NWP 预测数据定位滚动预测准确率较低时刻的方法, 具体步骤如下:
Step1:利用时间窗分离出每一次滚动预测对应的NWP风速。
Step2:计算第k -1次滚动预测对应的NWP风速曲线和第k次滚动预测对应的NWP 风速曲线之间的切比雪夫距离,得到长度为95的定位曲线,其中k = 2,3,4,…,96。
Step3:对定位曲线进行技术处理。
- 10 -
 
Step4:通过定位方法近似定位滚动预测准确率较低的时刻。
表 2-1 持续法滚动预测定位统计表
历史值 预测最低时刻 近似定位时刻
1 89 21,86
96 2 62,89
192 91 15,42
288 23 20,61
384 66 67,96
480 86 37,55,84
576 21 29,81
672 11 18
768 66 12,72
864 30 23
960 62 70
1056 80 12,78
1152 80 75
1248 94 9,55,60
1344 77 22,74
 
2.2 组合预测方法
2.2.1 反向传播神经网络模型
经过大量的对比分析,在滚动预报精度较低的情况下,由于天气及风机运行等原因, 风电场的出力波动较大。显然,在滚动预测精度较低的情况下,使用持续法对风电场出力 进行预测是不合理的。因此考虑采用神经网络模型来对出力进行预测,神经网络是一种类 似人类的神经系统的信息处理技术,具有良好的非线性拟合能力、鲁棒性和容错等优点, 在风电功率预测中得到了广泛应用。
反向传播神经网络(backpropagation,BP)是一种多层馈源正向神经网络,由输入层、 隐含层和输出层组成,其基本结构如图 2-4所示。
输入层 隐含层 输出层
 
图 2-4 BP 神经网络模型基本结构图
 
- 11 -
BP神经网络具有较强的非线性映射能力,能较好地拟合非线性函数。通过信号的正向 传输和误差的反向传输,使其输出的误差满足一定的条件。网络训练的过程就是寻找合适 的权值和偏差,使代价函数最小化。在误差的反向传播过程中,其主要工作是根据实际结 果与预测结果的差值所形成的代价函数,得到参数的梯度,并通过下降的梯度来更新权值 和偏移量,代价函数应尽可能快地减小,使其能够完成网络训练。网络训练越好,预测精 度越高。同时,BP神经网络具有自学习、分布式存储、自适应、并行处理、容错及自组织 能力等特点,在解决复杂问题时非常有效。因此,采用BP神经网络对定位时间及其邻近 时间进行预测,其余时间仍采用持续法进行预测。
本文提出的风电功率预测模型框架如图 2-5 所示。
 
图 2-5 算法流程图
2.2.2考虑源相关性的超短期风电功率预测研究
在图 2-3 中可以发现在持续法滚动预测准确率较低时刻,其相邻的滚动时刻准确率也 相对较低,因此本文提出了三种不同的BP预测方式,即BP单次滚动预测、BP三次滚动 预测以及BP五次滚动预测。
BP单次滚动预测是指只仅在定位滚动时刻采用BP预测。例如表2-1中取历史值为1, 定位出的滚动预测时刻为第 21 次和第 86次滚动预测,因此在第21 次和第86次滚动预测 时采用BP神经网络,其余滚动预测时刻仍然采用持续法。
BP三次滚动预测是指在定位滚动预测时刻以及该时刻的前后时刻采用BP神经网络。 例如取历史值为 1 时,当定位滚动预测时刻为 21 时,在第 20、 21、 22次滚动时采用 BP 神经网络;当定位滚动预测时刻为86时,在第85、86、87次滚动预测时采用BP神经网 络。
同样地,BP五次滚动预测是指在定位滚动预测时刻以及该时刻的前后两个时刻采用
- 12 -
 
BP 神经网络。例如取历史值为 1 时,当定位滚动预测时刻为 21 时,在第 19、 20、 21、 22、 23次滚动时采用BP神经网络;当定位滚动预测时刻为86时,在第84、85、86、87、88 次滚动预测时采用BP神经网络。
2.3 算例分析
2.3.1 数据描述及评价指标
算例使用吉林省某风电场2014年3月31日至4月16日的实测数据,以及2014年4
月1日至16日的NWP预测数据为例,风电场总装机容量为399MW,数据的采样间隔为
15分钟。评价指标采用国家能源局规定的考核指标,即日平均预测计划曲线准确率和日平
均预测结果的均方根误差。各个指标的计算公式如下所示:
(1)准确率的计算公式:
 
式中,r为第i次实时预测的准确率;PM为第i次实时预测中第k时刻的实际风电功率;pp 为第i次实时预测中第k时刻的预测风电功率;PCp为风电场的总装机容量。
其相似度由动态时间弯曲距离、曼哈顿距离、切比雪夫距离、闵式距离、角余弦距离、
马氏距离和相关距离进行判定。具体精度如表2-2所示。
表 2-2 不同位置距离下具体准确率表
位置距离类型 准确率
动态时间弯曲距离 35.34%
曼哈顿距离 28.66%
切比雪夫距离 74.75%
闵式距离 34.56%
角余弦距离 56.57%
马氏距离 35.77%
结果表明,第k — 1次滚动预测对应的NWP风速曲线与第k次滚动预测对应的NWP 风速曲线之间的切比雪夫距离最好。
- 13 -
2.3.2算例分析
以持续法+BP单次滚动预测为例。假设取一个历史值,采用持续法滚动预测4月1日 00:00至23:45的风电功率,预测步长为16,预测准确率为77.95%, RMSE为18.48%。通 过日前NWP预测数据和定位技术可以看出,对于第21次和第86次滚动预报,持续法效 果并不理想。因此,第21次和第86次滚动预测均采用BP神经网络,预测步长仍为16步, 神经元个数为20个。经过10次试验求平均后可以得出,持续法+BP单次滚动预测的准确 率为 78.22%,均方根误差为 16.77%。
采用不同历史值时持续法和BP预测模型的准确率和RMSE误差统计结果如表2-3所 示。
表 2-3 不同历史值时持续法和 BP 预测的准确率和 RMSE 统计表
历史值 PM PM-BP-1 PM-BP-3 PM-BP-5
r1 r2 r1 r2 r1 r2 r1 r2
Day1 1(1-95) 77.95% 18.48% 78.22% 16.77% 85.56% 9.72% 71.85% 12.19%
Day 2(96-191) 83.44% 19.64% 83.43% 15.64% 88.94% 9.64% 82.75% 14.41%
Day 3(192-287) 83.83% 18.27% 83.89% 15.10% 93.80% 11.57% 83.04% 15.35%
Day 4(288-383) 82.25% 17.31% 82.73% 14.57% 93.44% 11.27% 80.84% 15.62%
Day 5(384-479) 78.18% 18.36% 80.81% 14.47% 87.40% 12.71% 79.24% 15.52%
Day 6(480-577) 75.03% 14.67% 76.31% 13.42% 84.22% 11.74% 75.76% 14.90%
Day 7(578-671) 87.54% 18.11% 87.74% 12.80% 88.92% 9.47% 87.41% 11.54%
Day 8(672-767) 85.99% 12.58% 89.80% 11.39% 90.08% 9.36% 89.21% 12.84%
Day 9(768-863) 86.90% 16.00% 87.09% 13.10% 89.26% 10.27% 86.72% 13.43%
Day 10(864-959) 90.95% 19.39% 90.86% 14.59% 93.93% 10.05% 89.74% 12.36%
Day 11(960-1055) 88.47% 15.23% 93.53% 11.23% 93.52% 9.83% 91.21% 12.96%
Day 12(1056-1151) 90.04% 19.66% 93.98% 12.85% 95.74% 10.96% 93.45% 11.31%
Day 13(1152-1247) 81.54% 18.31% 82.26% 15.81% 83.53% 11.23% 83.19% 13.13%
Day 14(1248-1343) 87.53% 19.93% 87.18% 15.05% 89.81% 10.34% 86.40% 12.53%
Day 15(1344-1439) 81.01% 18.30% 78.42% 14.52% 83.18% 12.62% 82.15% 13.48%
 
表2-3中,PM为持续法预测,PM-BP-1为持续法+BP单次滚动预测,PM-BP-3为持 续法+BP三次滚动预测,PM-BP-5为持续法+BP五次滚动预测。通过对比可知持续法+BP 三次滚动预测的效果最佳。相较于传统持续法,该组合预测方法的准确率提高了 7.61%, 均方根误差降低了 8.76%,显示出了明显的优越性。
本文所提超短期风电功率预测是根据定位曲线的结果绘制的,具体结果如图2-6所示。 在附录中,不同历史值下滚动位置时间的预测图如图B所示。
为了进一步说明持续法+ BP三次滚动预测方法的有效性,采用BP神经网络和支持向
- 14 -
 
 
 
 
 
 
 
 
 
 
B: DAY1-86
 
 
8 10 采样点(15-min)
220: r 1 1 r r
8060402000806C
{MW?*®
40
20LO
采样点(15-min)
140120100806040200
32)褂亦
 
 
 
 
 
 
 
 
 
D: DAY3-42
 
 
6 & 10 12 14 16
采样点(15-min)
实际风电功率
•— ■ PM
 
200
Gws)ifre
00
50
 
 
 
 
 
 
 
 
 
F: DAY5-96
 
 
2 4 6 8 10 12 14 16
采样点(15-min)
908070605040302010
£2)褂亦
150
Gws)ifre
50
8 10 12
采样点(15-min)
 
 
 
 
 
 
 
 
 
G: DAY12-12
图 2-6 实际风电功率与 PM 、PM- BP -1、
-15
H: DAY12-78
PM- BP -3、PM- BP -5 的结果对比图
量机两种对比方法,来实现不同历史值下风电功率的滚动预测。由于BP模型是一种监督 式的学习方法,历史值从96开始,即首先滚动预测 4月 2日 00:00至23:45 的风电功率, 然后预测4月3日00:00至23:45的风电功率,并以此类推。此外,BP网络的结构与其在 持续性+BP预测中的结构相同。
BP神经网络和支持向量机经过10次试验后的滚动预测结果如表2-4所示。
表 2-4 BP 和 SVM 滚动预测结果统计表
历史值 BP SVM
r1 r2 r1 r2
96 88.17% 10.37% 89.76% 10.24%
192 89.94% 11.53% 87.44% 11.56%
288 92.63% 11.07% 88.78% 11.22%
384 87.48% 10.08% 89.46% 11.54%
480 87.17% 9.64% 87.69% 9.31%
576 86.45% 10.27% 87.12% 12.88%
672 88.61% 6.38% 85.35% 8.65%
768 87.39% 9.19% 85.76% 10.24%
864 91.22% 10.06% 90.95% 11.68%
960 92.53% 11.14% 89.92% 12.46%
1056 92.87% 9.73% 89.86% 10.97%
1152 85.90% 9.37% 88.67% 10.25%
1248 84.55% 8.44% 86.05% 9.76%
1344 85.10% 8.54% 89.53% 9.14%
从表2-4可以看出,支持向量机的预测准确率在85%至90%之间,但其预测效果从总 体上来讲不如BP神经网络,在超短期滚动预测中存在不稳定性。造成这种现象的原因有 两个:其一是风电场自身系统的数据采集和监控中会引入一些误差;其二则是由于当前的 技术限制,NWP预测存在误差。
与表2-3和表2-4相比,PM-BP-3方法的精度和均方根误差分别提高了 4.73%和9.27%, 该方法也优于相同网络结构的BP神经网络模型。
为了比较所提方法的适用性,以吉林省某大型风电场2015 年7月共31 天的风电场出 力数据为研究对象。风电场装机容量为249.9 MW,风机型号为MY1.5 SE-1.5MW,前30 天的数据作为训练集,最后一天的风电出力数据作为测试集。采用上述三种方法即 PM、 PM- BP -3及SVM对此数据集进行预测对比分析,其预测结果对比如图2-7所示。
从图2-7中可以看出,本文所采用的SVM、PM和PM-BP-3方法在预测过程中均能较 好地对特征进行跟踪,准确率分别为 76.23%、 65.88%和 88.95%。
- 16 -
 
 
2 4 6 8 10 12 14 16
采样点(15-min)
图2-7实际风电功率与PM、PM-BP-3、SVM的结果对比图
对比可知 PM-BP-3 方法的预测精度仍高于其他方法,展现出了其优越性,同时也表明 该方法同样适用于大型风电场,为不同规模的风电场功率预测提供了一种新的预测方式。
2.4 本章小结
本章主要提出了一种超短期风电功率组合预测方法,并通过实际算例结果进行了验 证。
首先,利用时间窗和日前NWP预报数据来近似定位滚动预测准确率较低的时刻,实 例验证表明,该定位技术能够比较准确地定位滚动预测准确率较低的时刻,为后续组合预 测模型提供准确数据。
其次,通过定位技术,将滚动预测分为定位滚动时刻和非定位滚动时刻,并在不同的 滚动时刻采用不同的预测方法。实例分析表明,本文提出的组合预测方法与传统持续法相 比,准确率提高了 5.38%,均方根误差降低了 6.90%。结果表明,该方法优于传统的持续 法、单一 BP神经网络模型及支持向量机模型。
本文提出的组合预测方法可以充分利用NWP信息,并在不同条件下选择不同的预测 方法,具有较强的实用性。
- 17 -
第 3 章 考虑爬坡事件的超短期风电功率预测方法
目前,超短期风电功率预测更多的是直接使用功率时间序列来构建预测模型,但这类 预测模型无法很好地追踪风电功率的波动情况。第二章提出的组合预测模型未能考虑到由 风速因素引起的功率出力波动变化的情况,当风速在短时间内变化较大时,仅根据历史功 率信息无法对未来的变化趋势进行判断,从而产生预测误差。因此针对风电功率爬坡预测 的预测准确率仍待进一步提升,且结合数值天气预报中的气象因素的爬坡预测研究较少。
为此,针对此问题本章提出了一种采用极限学习机理论,弓I入NWP中的有效信息, 考虑风电场功率爬坡的超短期功率组合预测方法。根据已知的数值天气预报序列,利用灰 色关联识别出与风电功率相关性较强的几个天气因素,对其中相关性最强的天气因素根据 爬坡事件的定义进行划分,在其发生爬坡事件时弓入数值天气预报信息作为输入变量,并 采用极限学习机算法预测未来的风力发电量。最后,采用吉林省内某风电场的实际测量数 据进行验证,计算结果表明,本文所提出的方法可准确识别风电的爬坡事件并削弱其给预 测结果带来的影响,同时能够有效地提高风电场功率超短期预测精度,验证了该方法的有 效性。
3.1风电爬坡事件分析
3.1.1爬坡事件定义
目前相对较为常见的风电爬坡事件定义有3种,本文所使用的定义是目前应用相对广 泛的一种。假设风电功率数据在某时间区间的开始时刻增加或减少的幅值大于预先设 定的阈值参数久。』寸,则认为在此AZ时间区间内发生了风电功率爬坡事件,计算方法如式 (3-1)所示:
\P(t + AT) — P(t)| > Trval (3-1)
本定义考虑了该时间区间内首端及末端的风电功率,可以囊括大部分的风电爬坡事 件,故而得以广泛应用。此定义仅忽略了在时间区间内也有可能发生爬坡事件,因此提出 爬坡事件的第二类定义。
定义2:当在某时间区间AT内的风电功率最大值与最小值的差值大于预先给定的阈值 参数Pi时,则认为在此时间区间AT内发生了爬坡事件,即:
max(P”, t + AT ]) - min(P [/, t + AT ]) > Pval (3-2)
当出现风电功率的最大值的时间滞后于出现最小值的时间时,定义该爬坡事件为上升 爬坡事件,否则即为下降爬坡事件。该公式考虑了 AT区间内所有风电功率的波动幅值, 但并没有考虑到风电功率增加或是减少的速度及风电功率曲线的斜率。阈值参数Pal不能 仅是绝对值,而应该是与时间变化相关的相对值。因此,爬坡定义3考虑了一定时间窗口
-18- 
内的风电功率变化率。为了准确地表达该定义,引入爬坡速率(power ramp rate, PRR)的 概念,爬坡速率是风电功率相对于爬坡时间区间的变化率,单位为兆瓦每分钟。
定义3:当某时间区间AZ的首末端对应的风电功率变化率(即功率差值与区间AT的 比值)大于预先给定的阈值参数Pval时,认为在此AT区间内发生了爬坡事件,即:
(3-3)
根据公式(3-1)和公式(3-3), 可以很容易地得到风电功率爬坡事件的方向。 当 P(t)<P[t + AT),该爬坡事件为上升爬坡事件,当P[t)>P[t + AT),该爬坡事件为下降爬坡 事件。
上述三种定义均为直接针对风电功率数据,本文所使用的定义1 能够涵盖大部分的风 电爬坡事件,是目前应用最为广泛的一种。
3.1.2 数值天气预报分析
风电功率预测模型主要是通过建立风电功率与数值天气预报信息之间的对应关系来 进行预测,其输入变量主要是数值天气预报信息。NWP数据是由第三方预报平台的产品提 供的,时间分辨率通常是15min,包含多个区域不同高度的风速、风向、湿度和温度等信 息,数据量十分庞大,但在预测模型中输入过多的气象信息会导致模型的信息冗余和训练 难度大大增加。因此,在输入预测模型之前需要对NWP信息进行分析,提取出与风电功 率数据强相关的特征因素作为预测模型的输入,从而降低冗余度,提升精度。
(1)风速对输出功率的影响 风电功率受风速变化的影响,不计机组损耗,风机输出功率与风速的关系如下:
(3-4)
式中:P为风电机组输出的有功功率(kW); Cp为风能利用系数;p为空气密度,受气压、 湿度、温度等因素影响;A为风电机组叶轮的扫风面积,与风向等因素相关;K为轮毂高 度处的风速。根据风机的功率曲线特性,风速在一定范围内的变化能够引起相对较大的功 率变化,因此风速是影响风功率输出最重要的气象因素。
(2)风向对输出功率的影响
风向与输出功率的关系应从两个方面来描述。一方面,风机可以通过偏航装置改变其 与风的相对方向,即用风速计和风向标测得的数据以调节风机的转动,而对风向特性曲线 研究可知,风向作用在风机叶面的情况是时刻变化的,因此风机的功率输出将受到风机叶 片上不同位置不同高度风向的影响。而且由于其装置具有滞后性,导致风机常常与实际风 向存在着一定的误差。另一方面,大型风电场往往由多台风机组成,其空间位置各不相同, 因此,由变化的风向所产生的尾流效应对风电场输出功率也会产生不同的影响。
风向和风功率输出的关系可以用风电场效率系数表示:
- 19 -
P
q =-m (3-5)
P
式中,Pm为对应某一风速和风向下的风场输出功率;Pf为没有尾流效应时的对应风速和 风向下的风电场输出功率。如果风电场的风速提高,则其尾流效应对输出功率的影响就相 对降低,风电场的效率系数就会得到提升;而当风速足够大时,其下风向的风机接收到的 风速也同样升高,那么风场的风机便几乎不会被尾流效应影响,即使在不同的风向下,风 电场的输出效率系数都可以达到100%;但是当风电场风速降低时,风电场的效率系数就 会随之而下降。
(3)空气密度对输出功率的影响
风电场风机吸收风能的强弱情况要受到空气密度。的影响。在高海拔地区,空气密度 会对风机捕获风能产生较大的影响。因此,若是忽略空气密度进行功率预测会产生不必要 的误差,所以在不同的空气密度条件时,风功率预测需要考虑空气密度的影响。空气密度 的计算公式为:
山 % P-。378几 (3-6)
1 + 0.00366/ 1000
式中,P为气压(hPa),t为气温(°C),Pw为水气压(hPa)。根据公式可知,空气密度随气压、 气温、湿度等气象因素的变化而变化,因此气压、温度和湿度均为风场输出功率变化的影 响因素。
综上所述,以上气象因素的变化和风场功率爬坡情况具有相关性,从而能够直接影响 风电场输出功率的波动。因此,本文将数值天气预报系统中提供的气象预测数据(包括风 速、风向、温度、气压、湿度等信息)作为风电功率爬坡预测模型的输入参数。
3.1.3灰色关联法提取相关天气因素
在数值天气预报数据中,不同的天气因素对风电功率预测的影响程度不尽相同。为了 提取出数值天气预报中与风电功率相关性较高的天气因素来作为输入变量,采用灰色关联 分析(gray relation analysis,GRA)方法来提取数据,计算其中的各个特征与风电功率的 关联度,并选取关联度较高的几个天气因素作为输入建立爬坡预测模型。
灰色关联分析法是将相关因素的数据集排成序列,用数学模型来分析各因素之间的对 应关系。该方法能得到各个因素的变化曲线,通过对比分析这些曲线的形状来判断其关联 度,其形状越相似则关联度就越大; 反之则越小。由于影响风电预测功率的因素众多,采 用灰色关联分析法对数据集进行关联分析,可筛选出与风电功率关系密切的一些因素作为 预测模型的输入。
灰色关联分析法的基本步骤如下:
(1)确定参考序列和比较序列。设参考序列为X0 =(X0(k)|k = 1,2,…,n};比较序列为
X = X (k )1 k = 1,2,…,n}, i = 1,2,…,m。
(2)首先处理原始数列,使之归一化。本文利用如下方式处理数据:
- 20 -
Xi (k) = X’ (k)X (1) (3-7)
式中,k = 1,2,…,n; i = 0,1,2,…,m。从每个主要因素中选出最优样本定为参考序列,将比 较序列与参考序列进行比较,其相似程度越大,说明和对象的相关性越强。
(3)求%0 (k)和X’ (k)的灰色关联系数Q。
min min |x0 (k) — xi (k )| + p max max]x0 (k) — xi (k )|
i k k i k
|x0 (k) — xt (k ) + p maxmax] x0 (k) — xt (k )|
式中,k = 1,2, —, n; i = 0,1,2,…,m ;取分辨系数 p=0.5。
本文采用 2018年全年吉林省二十个风电场集群的实际测量数据作为样本来进行分析, 其采样间隔统一为15分钟,风场的总装机容量为2854.31MW。对功率数据及NWP数据 分析其灰色关联度。
表 3-1 为 NWP 中的各特征的名称和含义及其与风电功率的灰色关联度。
表 3-1 NWP 特征及其对应灰色关联度
NWP 特征名称 NWP 特征含义 灰色关联度 NWP 特征名称 NWP 特征含义 灰色关联度
T 温度 0.6739 dir30 30m 风向 0.7431
ws100 100m 风速 0.7984 dir10 10m 风向 0.6982
ws30 30m 风速 0.7913 Ps 压强 0.6429
ws10 10m 风速 0.7864 clc 分数云 0.6134
ws10s 10m 海上风速 0.7235 RH 2m 相对湿度 0.6527
从表3-1 中可以看出 100米风速与风电功率的相关性最高,因此采用 100米风速数据 作为判断爬坡事件的输入;同时采用关联度较高的几个天气因素作为风电功率爬坡段的输 入,以更好地跟踪风电功率的波动趋势。
3.2风电爬坡预测模型的建立
3.2.1考虑风电场功率爬坡的超短期组合预测模型
极限学习机算法可随机产生隐含层神经元的阈值以及输入层与隐含层间的连接权值, 其值无需在训练过程中调整,只要设置好隐含层神经元的个数,即可获得唯一的最优解。 因此与其它人工神经网络算法相比,极限学习机算法的学习速度更快、泛化性能更好。因 此本文基于极限学习机理论,提出了一种考虑风电场功率爬坡的超短期组合预测模型,具 体步骤如下:
1)读取风电功率数据及数值天气预报数据,利用灰色关联分析方法提取与风功率相 关性较强的多维气象因素数据。
2)选取NWP数据中相关性最强的100米风速数据,利用式(3-1)所示的爬坡事件的定 义判断其是否发生爬坡事件;
3)如果未发生爬坡事件,则输出其对应风功率段作为预测输入,采用ELM方法进行
- 21 -
 
预测得到预测值;
4) 如果发生爬坡事件,则输出其对应风功率段,同时将与其相关性较强的风速、风 向等多种气象因素数据一起作为预测输入,建立 ELM-NWP-C 预测模型进行预测得到预测 值。
5) 将预测值进行组合加权,并采用国家能源局文件风电功率预测功能规范中的评价 指标进行结果分析;得到最终的风电功率预测值 P。
详细的建模流程图如图 3-1 所示。
 
图 3-1 组合预测模型流程图
 
3.2.2评价指标
本文采用国家能源局文件《风电功率预测功能规范》中的评价指标: 日平均准确率 r1 、
日平均合格率r、日预测均方根误差r来对预测结果进行评价分析。各个指标的计算公式
- 22 -
 
 
式中,丫2为第i次实时预测的合格率。 日预测均方根误差y
 
式中,r,为第i次实时预测的准确率;PMi为第i次实时预测中第k时刻的实际风电功率;P: 为第i次实时预测中第k时刻的预测风电功率;Cap为风电场的装机容量。
3.3 算例分析
本文采用 2018年吉林省 20个风电场集群的实际测量数据作为样本来进行分析,其采 样间隔统一为15分钟,风电场的总装机容量为2854.31MW。算例选取2018年1月1日至 6月30日共181天的实测数据作为训练集, 2018年7月1日至7月31日共31天的数据 作为测试集,对所提方法进行验证。
本文为了对比验证所提ELM-NWP-C模型对超短期风功率预测的精准性和有效性,分 别选取极限学习机神经网络模型、反向传播神经网络模型、长短期记忆神经网络模型作为 对比模型来进行分析,其神经元个数均为90个。由于靠近预测开始的时段时,仅以功率 特征作为输入进行预测的方法具有更大的优势,对于每次滚动预测的 16 个点全部进行误 差统计就无法合理地比较各方法的优劣,因此本文仅对第16个时点的预测精度进行统计, 不同方法的预测误差如表3-2所示。
- 23 -
 
表 3-2 7 月平均预测误差对比
预测模型 r1 r2 r3
ELM-NWP-C 0.9257 0.9509 0.0743
ELM 0.9002 0.8813 0.0997
BP 0.8925 0.8410 0.1074
LSTM 0.9044 0.8768 0.0955
从上述指标的统计结果可以看出,相比于只考虑历史功率的分析方法,本文所提出的 方法在预测数值的准确程度上要高于其他方法,准确率平均提高了 2.67%,合格率平均提 高了&45%。采用NWP作为输入特征的方法准确率普遍高于仅输入功率进行预测的方法, 即其在风电功率趋势的跟踪上要更具优势,说明考虑风电场功率爬坡过程能够有效地提高 预测精度。
本文所提 ELM-NWP-C 模型与三种常见预测模型的预测值与实际值进行对比分析,预 测对比结果如图 3-2所示。
 
图 3-2 2018 年 7 月各模型预测值与实际值对比结果
由图3-2对比可以看出基于ELM-NWP-C模型的超短期风功率预测结果曲线与实测值 的拟合效果最好,其预测准确率最高,且预测效果最佳。考虑了天气因素的功率爬坡预测 模型曲线精准度优于未加入天气因素的ELM模型,说明天气因素对发生功率爬坡时的优 化有明显的促进作用。
为了更直观地分析其对比效果,仅截取其中三天的预测曲线与实际曲线进行对比,其 结果如图 3-3 所示。可以看出本文所提方法可以有效识别并跟踪风电功率的波动变化。
 
 
- 24 -
由于每天的风速分布都不尽相同,因此以大风日,中风日和小风日来对预测结果进行 分类分析,以保证所提方法的严谨性。利用NWP中的100米风速数据将预测数据集划分 为大风,中风,小风出力场景,再对各场景的精度进行分析。根据日平均风速对天气类型 进行划分,分为大风日,中风日,小风日。对风速数据区间进行划分,将日平均风速区间 在7-10 m/s的日期定义为大风日,日平均风速区间在4-7 m/s的日期定义为中风日,日平 均风速区间在1-4m/s的日期定义为小风日。本文选取的数据集中大风日为11天,中风日 为8天,小风日为12天。几种建模方式在不同风期的评价指标如表3-3所示。
表 3-3 预测模型平均对比分析
预测模型 R1 大风日 中风日 小风日
R2 R3 R1 R2 R3 R1 R2 R3
ELM-NWP-C 0.9132 0.9190 0.0868 0.9204 0.9453 0.0796 0.9436 0.9884 0.0564
ELM 0.8994 0.8373 0.1006 0.8996 0.8554 0.1004 0.9018 0.9513 0.0982
BP 0.8725 0.7732 0.1275 0.8706 0.7737 0.1294 0.9346 0.9761 0.0654
LSTM 0.8988 0.8186 0.1012 0.9039 0.8590 0.0961 0.9107 0.9529 0.0893
 
由表3-3可以看出,本文所提方法的预测效果最佳,在不同风期下,均能得到较高的 准确率和拟合效果。在大风日,相对于ELM、BP及LSTM模型,ELM-NWP-C准确率分 别提高 1.38%, 4.07%, 1.44%;合格率分别提高 8.17%, 14.58%, 10.04%;中风日时相对 于ELM、BP及LSTM模型,ELM-NWP-C均方根误差分别降低2.08%,4.98%,1.65%, 合格率分别提高了 8.99%, 17.16%, 8.63%;小风日时普遍表现较好,所有方法在小风日 预测准确率均大于90%,但ELM-NWP-C模型仍然具有明显优势,相对于ELM、BP及LSTM 模型准确率分别提高了 4.18%, 0.90%, 3.29%,合格率分别提高了 3.71%, 1.23%, 3.55%。 从表3-3中可以看出本文所提方法可以显著提高预测精度,且合格率均满足要求,可以更 好地追踪爬坡趋势。
为了更清晰地体现出本文所提方法的优势,分别选取大风日、中风日、小风日中预测 表现相对较好的一天及相对较差的一天进行对比分析。图3-4及图3-5给出了风电场分风 期较高一天及较低一天的功率实际值与各个预测值的对比结果,用于直观地对比各模型的 预测效果。
为了进一步验证模型的有效性,分别选取大风日、中风日、小风日中预测表现相对较 好的一天及相对较差的一天进行对比分析,结果如表3-4及表3-5所示。
由图3-4和表3-4可知,本文方法的预测值与实际值拟合效果显著,无论在大风日、 中风日还是小风日都能够在风电功率波动时跟随其波动趋势。由表3-4可以看出,本文所 提方法的预测效果最佳,在不同风期下,均能得到较高的准确率和拟合效果。在大风日选 取第20天的预测结果进行对比,相对于ELM、BP及LSTM模型,ELM-NWP-C准确率分 别提高了 0.71%, 0.35%, 2.72%;合格率分别提高了 3.38%, 12.76%, 7.55%;中风日选 取第10天的预测结果进行对比,相对于ELM、BP及LSTM模型,ELM-NWP-C均方根误
- 25 -
 
 
差分别降低了 6.54%,0.78%,8.28%,合格率分别提高了 7.03%,15.11%,21.35%;小风 日时选取第 5天的预测结果进行对比,各预测模型普遍表现较好,预测准确率均大于 90%, 但 ELM-NWP-C 模型仍然具有明显优势,相对于 ELM 、BP 及 LSTM 模型准确率分别提高 了 4.29%,1.46%,1.29% ,合格率分别提高了 1.08%,1.82%,1.56%。由图 3-4 可以看出, ELM及BP模型尽管也能够跟踪功率变化的趋势,但其效果十分不稳定,且部分天数拟合 较差,总体效果不及本文所提方法;LSTM模型的预测值则较为平缓,无法有效追踪功率 数据的波动趋势,说明仅选用历史功率作为预测模型输入时不能达到一个较好的功率波动 拟合效果,而考虑NWP信息作为输入则可充分利用其中的有效信息,改善模型的预测效
- 26 -
果。 表 3-4 预测模型分风期较高一天对比分析
预测模型 R1 大风日
R2 R3 R1 中风日
R2 R3 R1 小风日
R2 R3
ELM-NWP-C 0.9493 0.9817 0.0507 0.9451 0.9114 0.0549 0.9624 0.9843 0.0376
ELM 0.9423 0.9479 0.0577 0.8797 0.8411 0.1203 0.9195 0.9735 0.0805
BP 0.9458 0.8541 0.0542 0.9373 0.7604 0.0627 0.9478 0.9661 0.0522
LSTM 0.9221 0.9062 0.0779 0.8623 0.6979 0.1377 0.9495 0.9687 0.0505
注:大风日选取第 20天;中风日选取第 10 天;小风日选取第5天
表 3-5 预测模型分风期较低一天对比分析
预测模型 R1 大风日
R2 R3 R1 中风日
R2 R3 R1 小风日
R2 R3
ELM-NWP-C 0.8468 0.7135 0.1532 0.8962 0.8880 0.1038 0.9019 0.9688 0.0981
ELM 0.8448 0.3880 0.1552 0.8755 0.6979 0.1245 0.8902 0.9347 0.1098
BP 0.7882 0.4973 0.2118 0.8505 0.5182 0.1495 0.8910 0.7891 0.1090
LSTM 0.7991 0.4635 0.2009 0.8781 0.7634 0.1219 0.9023 0.9387 0.0977
注:大风日选取第 24天;中风日选取第 14 天;小风日选取第4天
由图3-5和表3-5可知,在同一风期下,ELM-NWP-C预测模型能够紧紧跟随风电功 率的波动趋势从而得到更精确的预报值,以提供更加精确的预报信息。由表3-5可以看出, 本文所提方法的预测效果最佳,在模型普遍表现欠佳的天数下仍能得到较高的准确率和拟 合效果。在大风日时选取第24天的预测结果进行对比,相对于ELM、BP及LSTM模型, ELM-NWP-C准确率分别提高了 0.21%,5.86%, 4.77%;中风日选取第14天的预测结果进 行对比,相对于ELM、BP及LSTM模型,ELM-NWP-C均方根误差分别降低了 2.07%, 4.57%, 1.81%,而合格率更是只有本文所提方法达到了85%以上;小风日时选取第4天的 预测结果进行对比,各预测模型仍普遍表现较好,但ELM-NWP-C模型仍然具有其优势, 相对于ELM、BP及LSTM模型准确率分别提高了 2.07%,1.99%,0.86%,合格率分别提 高了 3.47%,17.97%,4.01%。由图3-4可以看出,ELM及BP模型尽管也能够跟踪功率变 化的趋势,但其效果十分不稳定,且部分天数拟合较差,总体效果不及本文所提方法; LSTM 模型的预测值仍较为平缓,无法跟随功率数据的波动趋势。从整体上可以看出,所提预测 方法是极具优势的,进一步说明本文方法可以有效地提高预测模型的精度。
为了进一步说明本文方法具有普适性,选取2020年内蒙古省20个风电场集群的实际 测量数据作为样本来进行分析,其采样间隔统一为15分钟,风电场的总装机容量为 2686MW。算例选取2020年3月1日至7月31日共153天的实测数据作为训练集,2020 年8月1日至8月31日共31天的数据作为测试集,对所提方法进行验证。仍采用极限学 习机、反向传播神经网络以及长短期记忆神经网络作为对比模型,预测的平均误差对比结 果如表 3-6 所示。
- 27 -
表3-6 9 月平均预测误差对比
预测模型 r1 r2 r3
ELM-NWP-C 0.8924 0.9158 0.0986
ELM 0.8692 0.8575 0.1208
BP 0.8417 0.8236 0.1583
LSTM 0.8358 0.8093 0.1742
从表 3-6中可以看出,本文所提出的方法在预测数值的准确程度上仍然高于其他方法, 准确率平均提高了 4.35%,合格率平均提高了 8.57%。对比表3-2及表3-6可以看出,在采 用不同的数据集作为输入的情况下,本文所提方法均表现良好,预测准确率均高于仅输入 历史功率进行预测的方法,即在风电功率趋势的跟踪上更具优势,说明考虑风电场功率爬 坡过程能够有效地提高预测精度,也验证了本文方法的普适性。
3.4 本章小结
本章提出了一种基于极限学习机理论的考虑风电场功率爬坡的超短期组合预测模型。 通过实际算例分析,得到如下结论:
考虑天气因素的预测模型可以更好地跟踪识别风电功率的爬坡趋势,因而引入NWP 信息可以在一定程度上弥补仅采用功率作为输入特征的预测模型所带来的负面影响。采用 实际生产数据进行计算的算例结果表明,与 ELM、BP、LSTM 等常见预测模型相比,考 虑风电场功率爬坡事件的超短期组合预测算法可以有效地利用NWP信息,其预测结果有 着较高的精度。
- 28 -
第 4 章 风电功率超短期预测误差来源分析及其修正
风电功率预测对风力发电系统的并网运行具有重要意义,而预测模型的预测误差则会 对电力系统的并网运行产生极大的负面影响。直接预测算法(包括神经网络模型、灰色预 测模型、回归模型和概率模型等)由于受到训练数据集的好坏和算法自身的影响,预测误 差一般在 10%~36%之间;而间接预测算法(包括简单物理模型、复杂物理模型和电子元件 模型等)的预测误差一般在6%~28%之间。本文拟对形成风电功率预测误差的机制进行进 一步研究,深入挖掘误差与实际值之间的潜在联系,建立风电功率预测误差分布模型。
为了进一步提高预测精度,减少预测误差,本章结合考虑风电场功率爬坡的超短期组 合的初步预测,拟采用相似的风电功率爬坡事件修正预测模型。利用基于元组向量时间扭 曲算法寻找到相似的风电功率爬坡段,将其与预测段的风电功率爬坡事件进行相似度匹配 从而得到相关的匹配集,进而修正预测结果。元组向量时间扭曲算法是将元组表示、时间 规整和距离量度相结合的一种非线性规整算法,通过时间扭曲匹配解决伸缩匹配问题。采 用 TVTW 算法对考虑风电功率爬坡事件的组合预测值进行修正,最终得到风电场的整体预 测结果。
4.1误差来源分析
风电功率预测误差指预测值与实际值之间的差值,其来源一般有三个方面,一是预测 模型自身误差:不管选用何种预测模型,都无法避免其本身误差;二是预测思路及方法: 它对预测误差的影响主要表现在实际风电场运行时该方法是否可靠,比如选择了某个预测 模型后,其输入如何确定也将会持续影响预测误差;三是数据质量:其优劣将直接影响评 估结果的准确度。为进一步提高预测精度,本章结合考虑风电爬坡事件的超短期功率预测, 提出了相似的爬坡事件修正预测模型。采用基于元组向量时间扭曲算法寻找相关的预测段 风电功率爬坡事件进行相似度匹配以得到匹配集,从而进一步修正预测结果。
4.2误差修正算法
4.2.1TVTW 算法
元组向量时间扭曲算法是将元组表示、时间规整和距离量度相结合的一种非线性规整 算法,通过时间扭曲匹配解决伸缩匹配问题。元组表示的模式匹配是一种基于历史数据相 似出力趋势的预测方法,而TVTW算法的目标是寻找一个规整函数0()将元组Lan的时 间轴非线性地映射到Lbm的时间轴上,其算法如式(4-1)所示。
NN
以 Sn , SbM ) = mjn 工 d(Dn gj) = min 工 d(D, ,0”) (4-1)
n=1 n=1
- 29 -
 
4.2.2 爬坡事件修正参数 当发生爬坡事件时,不可避免地会产生较大的预测误差。因此需要引入误差参数,即
时滞误差叫 ' 变化率误差ARrr和幅值误差汎来进行修正。
(1)时滞误差
计算匹配集中每个元组与预测段起始时间的偏移误差,再加权求和。
 
 
 
(2)变化率误差 分别计算每组元组匹配对的起始时间偏移量,再加权求和。
N
X (tyr(i) + k(i)My(i厂tyf (i) + kf (i)A^f(i))
ARrr =上 (4-3)
X (Lf(i) + Lr(i))
i=1
(3)幅值误差
分别计算匹配集各元组与预测段的幅值平均值的比值,即
N N kf(i)Atxr(i)
"”(,)仏)+ 4^1)
AR =上1 -—
k (i) At 八
X At f (.) X At 八(t (.) + 4 血)
xf(i) xr (i) yr (i)
i=1 i=1 2
4.3 算例分析
本章采用 2018 年吉林省某风电场的实际测量数据作为样本来进行分析,采样间隔为 15分钟,风电场的总装机容量为148.5MW。算例选取2018年1月1日至6月30日共181 天的实测数据作为初始数据集,每15min滚动更新一次历史数据库,对所提方法进行验证。 同时为了对比分析,采用准确率及合格率对2018 年下半年的预测结果进行月精度统计分 析。为了说明基于相似风电功率爬坡事件修正模型的有效性,分析不同爬坡事件下的预测 结果,选取2018 年 7月 1 日的数据作为例证,验证元组向量时间扭曲算法修正模型的有 效性。其修正参数如表 4-1 所示,对比结果如图 4-1 所示。
由图4-1可以看出本文所提修正模型可以进一步地修正基于ELM-NWP-C模型的超短 期风功率预测结果,其曲线拟合效果更贴近实际值,预测精准度也有所提升,说明修正模 型对优化有明显的促进作用。
- 30 -
 
表 4-1 修正参数计算结果
WPRE /min ARrr /(MW/h) ARA /MW
上爬坡阶段 -8.624 1.063 4.168
下爬坡阶段 -9.472 1.135 3.794
 
为了更好地体现所提算法的优势,选择BP神经网络模型,LSTM模型、ELM-NWP-C 模型及ELM-TVTW模型来进行预测,并对其预测结果进行对比分析。2018年7-12月份数 据进行功率预测的对比分析结果如表4-2所示。
表 4-2 2018 年 7-12 月各预测模型预测结果对比
月份
 
由表4-2的对比结果可以看出,本文采用的修正方法准确率及合格率在下半年的所有 月份中都比其他对比算法表现得好。下半年平均值相对于BP、LSTM及ELM-NWP-C模 型, ELM-TVTW的准确率分别提高了 7.91%,5.46%,2.56%;合格率分别提高& 19%, 6.64%, 2.68%;此外,对于合格率较低的月份,比如9月份的86.32%, 10月份的89.64%和12月 份的 88.97%,其风电功率准确率分别为 84.24%, 83.94%和 84.79%,对比同月份使用其他 模型(BP模型、LSTM神经网络、ELM-NWP-C模型)预测的结果,本文的误差均小于其 他模型的误差。基于ELM-TVTW算法的风电功率预测精度优于其他方法,进一步说明了
- 31 -
本文方法的有效性。
为了进一步保证所提方法的严谨性,同样利用每天不同的风速分布将7月划分为大风 日,中风日和小风日来对预测结果进行分类分析。仍然选择利用NWP中的100米风速数 据将预测数据集划分为大风,中风,小风的出力场景,再对各场景的精度进行分析。根据 日平均风速对天气类型进行划分,分为大风日,中风日,小风日。对风速数据区间进行划 分,仍旧将日平均风速区间在7-10 m/s的日期定义为大风日,日平均风速区间在4-7 m/s 的日期定义为中风日,日平均风速区间在1-4m/s的日期定义为小风日。本文选取的数据集 中大风日为9天,中风日为15天,小风日为7天。修正模型及对比模型在不同风期的评 价指标对比结果如表4-3所示。
表 4-3 2018 年 7 月分风期各预测模型平均对比
预测模型 r1 大风日 中风日 小风日
r2 r3 r1 r2 r3 r1 r2 r3
ELM-TVTW 0.8825 0.8896 0.1175 0.8679 0.9032 0.1321 0.9241 0.9129 0.0759
ELM-NWP-C 0.8434 0.8739 0.1566 0.8376 0.8929 0.1624 0.9152 0.9048 0.0848
BP 0.7863 0.7746 0.2137 0.7795 0.7734 0.2205 0.8327 0.8064 0.1673
LSTM 0.7397 0.8533 0.2603 0.7873 0.8573 0.2127 0.8196 0.8865 0.1804
 
由表 4-3 可以看出,本文所提修正方法的准确率最高,在不同的风期下,均能得到较 高的准确率和较好的修正拟合效果。在大风日,相对于ELM-NWP-C、BP及LSTM模型, ELM-TVTW 准确率分别提高了 3.91%, 9.62%, 14.28%;合格率分别提高了 1.57%, 11.50%, 3.63%;中风日时相对于ELM-NWP-C、BP及LSTM模型,ELM-TVTW的均方根误差分 别降低了 3.03%, 8.84%, 8.06%,合格率分别提高了 1.03%, 12.98%, 4.59%;小风日时 普遍表现较好,ELM-TVTW及ELM-NWP-C方法在小风日预测准确率均大于90%,但 ELM-TVTW模型仍然具有优势,相对于ELM-NWP-C、BP及LSTM模型准确率分别提高 了0.89%, 9.14%, 10.45%,合格率分别提高了0.81%, 10.65%, 2.64%。从表4-3中可以 看出本文所提修正方法可以进一步提高预测精度,且合格率均满足要求,可以更好地拟合 爬坡趋势。
为了进一步验证模型的有效性,分别选取大风日、中风日、小风日中预测表现相对较 好的一天进行对比分析,结果如表4-4所示。同时,为了更清晰地体现出本文所提方法相 较于其他方法的优势,图4-2给出了风电场分风期较高一天的功率实际值与各个预测值的 对比图,用于对比各模型的预测效果。
由表4-4和图4-2可知,本文方法的修正值可以更好地与实际值拟合,无论在大风日、 中风日还是小风日都能够在风电功率波动时进一步跟随其波动趋势。由表4-4可以看出, 本文所提的修正方法进一步提升了预测效果,在不同风期下,均能得到较高的准确率和拟
- 32 -
预测模型 r1 大风日 中风日 小风日
r2 r3 r1 r2 r3 r1 r2 r3
ELM-TVTW 0.8735 0.8926 0.1265 0.8573 0.8846 0.1427 0.9016 0.8903 0.0984
ELM-NWP-C 0.8249 0.8821 0.1751 0.8436 0.8632 0.1368 0.8827 0.8735 0.1173
BP 0.7635 0.7569 0.2365 0.7425 0.7458 0.2575 0.8152 0.7945 0.1848
LSTM 0.7214 0.7438 0.2786 0.7649 0.7947 0.2053 0.8043 0.8259 0.1957
注:大风日选取第 3天;中风日选取第6天;小风日选取第 23天
(a) 第3 天 (b) 第 6 天 (c) 第23天
图 4-2 修正模型分风期较高一天对比
合效果。在大风日时选取第3天的预测结果进行对比,相对于ELM-NWP-C、BP及LSTM 模型, ELM-TVTW 的准确率分别提高了 4.86%, 11.01%, 15.21%;而合格率相对于 ELM-NWP-C模型提高了 1.05%,而BP及LSTM模型合格率均未达标;中风日时选取第6 天的预测结果进行对比,相对于ELM-NWP-C、BP及LSTM模型,ELM-TVTW均方根误 差分别降低了 0.59%, 11.48%, 6.26%,合格率分别提高了 2.14%, 13.88%, 8.99%;小风 日时选取第 23 天的预测结果进行对比,但仅修正模型的预测准确率大于 90%,相对于 ELM-NWP-C、 BP 及 LSTM 模型准确率分别提高了 1.89%, 8.64%, 9.73%,合格率分别提 高了 1.68%, 9.58%, 6.44%。由图4-2可以看出,ELM-TVTW模型能够根据相似爬坡段进 一步修正ELM-NWP-C模型的预测效果,而BP模型尽管也能够跟踪功率变化的趋势,但 其效果不仅不稳定而且部分天数拟合较差,其效果不及修正方法; LSTM 模型的预测值则 较为平缓,未能有效追踪功率数据的波动趋势。
同样地,分别选取大风日、中风日、小风日中预测表现相对较差的一天进行对比分析, 结果如表4-5 所示。同时,为了清晰体现出本文所提方法相比其他一般预测模型的优势, 图 4-3 给出了风电场分风期较低一天的功率实际值与各个预测值的对比图,用于对比分析 各模型的预测效果。
由表4-5 和图 4-3 可知,在分风期较低的一天中本文方法的修正值仍然可以很好地与 实际值拟合,无论在大风日、中风日还是小风日都能够在风电功率波动时进一步跟随其波 动趋势。由表4-5 可以看出,本文所提的修正方法进一步提升了预测效果,在预测模型普
- 33 -
预测模型 R1 大风日 中风日 小风日
R2 R3 R1 R2 R3 R1 R2 R3
ELM-TVTW 0.8542 0.8736 0.1458 0.8254 0.8625 0.1746 0.8813 0.8759 0.1187
ELM-NWP-C 0.8217 0.8568 0.1783 0.8012 0.8537 0.1988 0.8586 0.8676 0.1414
BP 0.7243 0.7159 0.2757 0.7881 0.8184 0.2119 0.7452 0.7537 0.2548
LSTM 0.6826 0.7036 0.3174 0.7459 0.7431 0.2541 0.7246 0.7684 0.2754
注:大风日选取第 22天;中风日选取第 16 天;小风日选取第30天
 
 
90 • - 100 - 45
 
o . 1 ' 1 1 101 1 1 1 1 01 1 1—
2020 2040 2060 2080 2100 1460 1480 1500 1520 2300 2820 2840 2B60 2880
时点/15min 时点/15min 时点/15min
(a)第22天 (b)第16天 (c)第30天
图 4-3 修正模型分风期较低一天对比
 
遍表现不佳的情况下仍能保持一个较高的准确率和拟合效果。在大风日时选取第22天的 预测结果进行对比,相对于ELM-NWP-C、BP及LSTM模型,ELM-TVTW的准确率分别 提高了 3.25%, 12.99%, 17.16%;其合格率相对于ELM-NWP-C模型提高了 1.68%,而BP 及LSTM模型的合格率均未达标;中风日时选取第16天的预测结果进行对比,相对于 ELM-NWP-C、BP 及LSTM模型,ELM-TVTW均方根误差分别降低了 2.42%, 3.73%, 7.95%, 合格率分别提高了0.88%, 4.41%, 11.94%;小风日时选取第30天的预测结果进行对比, 相对于ELM-NWP-C、BP及LSTM模型准确率分别提高了 2.27%, 13.61%, 15.67%,其 合格率相对于ELM-NWP-C模型提高了 0.83%,而BP及LSTM模型的合格率仍未达标。 由图 4-3 可以看出,修正模型在 ELM-NWP-C 模型的基础上进一步跟踪功率变化趋势,而 ELM-NWP-C 模型在跟踪功率变化趋势上则略低于修正模型,而 BP 模型追踪变化趋势的 效果不甚稳定,效果无法达到预期;LSTM模型的预测值则仍旧不能跟随功率数据波动, 而考虑寻找相似的风电功率爬坡段与预测段风电功率爬坡段进行匹配来修正预测模型,可 以得到相似度高的匹配集,更好地改善模型的预测效果。由表4-4和表4-5可知,在同一 风期下,ELM-TVTW修正模型能够较好跟随风电功率的波动趋势从而得到更精确的预报 值,以提供更加精确的预报信息。从整体上可以看出,所提修正方法是极具优势的。
综上所述,从总体评价指标对比分析来看,本文所提的误差修正方法能够有效提高超 短期风电功率预测的精度,特别是风电功率的爬坡阶段,对预测考虑爬坡事件的风电功率 具有重要意义。
-34-
4.4 本章小结
为了进一步提高风电爬坡预测模型的精度,减少误差带来的影响,本章建立了相似的 风电功率爬坡事件修正预测模型,采用了基于元组向量时间扭曲算法寻找相似的预测段风 电功率爬坡事件进行匹配,得到高相似度的匹配集以进一步修正预测结果。
首先,对不同时间尺度的风电功率爬坡事件进行识别,提高爬坡事件提取的准确度。
然后根据功率预测误差分布特性,提出了三种误差参数用以表征爬坡事件的概念,同时采 用元组向量时间扭曲算法对预测误差进行修正,从而有效提高了预测结果的准确率,验证 了该方法的可行性。
- 35 -
结论
本文主要研究了风电功率爬坡事件以及风电场超短期功率预测,结合数值天气预报中 的气象信息,选取大型风电场实际运行的历史功率数据集,对风电场的功率爬坡进行超短 期预测研究,取得了较好的预测精度。
首先是对风电功率预测方法进行分析,提出了考虑源相关性的超短期风电功率预测方 法。利用时间窗技术和日前NWP预报数据来近似定位滚动预测准确率较低的时刻,该定 位技术能够比较准确地定位滚动预测准确率较低的时刻,为后续组合预测模型提供准确数 据。并通过定位技术将滚动预测分为定位滚动时刻和非定位滚动时刻,在不同的滚动时刻 采用不同的预测方法。实例分析表明,本文提出的持续法+BP三次滚动组合预测方法与传 统持续法相比,准确率提高了 5.38%,均方根误差降低了 6.90%。结果表明,该方法优于 传统的持续法及单一 BP神经网络模型,验证了超短期预测可以有效利用NWP信息,在不 同条件下选择不同的预测方法,具有较强的实用性。
其次,由于第二章并未考虑风电功率的爬坡事件,因而第三章介绍了爬坡事件的几种 定义,并对影响风电功率爬坡预测的相关因素进行分析,以提取出预测模型的部分输入数 据集;并对已知的风电场实际运行数据和数值天气预报数据进行处理;提出了一种考虑爬 坡事件的超短期组合预测方法。针对风电功率爬坡量具有较强的波动性及不规律等特点, 将数值天气预报中的气象数据运用到了风电功率爬坡预测的研究中,对其中的天气因素进 行爬坡事件分析,建立了一种基于极限学习机算法的风电功率爬坡预测模型,并采用目前 常用的预测模型误差评价指标进行分析说明。相比于只考虑历史功率的分析方法,第三章 所提出的方法在预测数值的准确程度上要高于一般的神经网络算法,准确率平均提高了 2.67%,合格率平均提高了 8.45%。
最后为了进一步提高风电爬坡预测模型的精度,减少误差带来的影响,对产生误差的 来源进行了分析,并采用了相似的风电功率爬坡事件修正预测模型。对不同时间尺度的风 电功率爬坡事件进行识别,提高爬坡事件提取的准确度;根据功率预测误差分布的特性, 提出了三种误差参数用以表征爬坡事件的概念,并采用修正算法对预测误差进行修正。综 合功率预测结果可以看出,本文采用的修正方法准确率及合格率在下半年的所有月份中都 比其他基准算法表现得好。下半年平均值相对于 BP、 LSTM 及 ELM-NWP-C 模型, ELM-TVTW的准确率平均提高了 5.31%;合格率平均提高了 5.83%,说明基于ELM-TVTW 修正算法的风电功率预测评价指标均优于其他方法,有效提高了预测精度,进一步说明了 该方法的实用性。
- 36 -
参考文献
[1]申宽育.中国的风能资源与风力发电J]西北水电,2014, 01(2): 76-81.
[2]陈雷.风力发电的环境价值[J].可再生能源,2005, 5(1): 47-49.
[3]李泓泽,郭森,王宝.我国风力发电的环境价值分析J].能源技术经济,2011, 23(7): 35-38.
[4]2019年一季度风电并网运行情况J].中国能源,2019,41(05):4.
⑸李俊峰,蔡丰波,乔黎明.中国风电发展报告[M].北京:中围环境科学出版社,2012, 14-76.
⑹ 魏锋.中国风电行业现状及前景展望J].今日工程机械,2020(04):24-25.
[7]国家发展和改革委员会能源研究所.中国2050高比例可再生能源发展情景暨路径研究 [R].北京:国家发展和改革委员会能源研究所,2015.
[8]康重庆,姚良忠.高比例可再生能源电力系统的关键科学问题与理论研究框架J].电 力系统自动化, 2017, 2017, 41(09): 2-11.
[9]田茹,张冬巧.风电出力波动性概述J].科技风,2012, 4.
[10]费智,符平.我国风电发展的态势分析与对策建议J]科技进步与对策,2011, 28(10):
65-68.
[11]Neeraj Bokde,Andres Feijoo,Daniel Villanueva, el al. A Review on Hybrid Empirical Mode Decomposition Models for Wind Speed and Wind Power Prediction[J]. Energies,2019,12(2).
[12]Mao Yang,Xinxin Chen,Jian Du, el al. Ultra-Short-Term Multistep Wind Power Prediction Based on Improved EMD and Reconstruction Method Using Run-Length Analysis.[J]. IEEE Access,2018,6.
[13]Yonghui Sun,Peng Wang,Suwei Zhai, el al. Ultra short - term probability prediction of wind power based on LSTM network and condition normal distribution[J]. Wind Energy,2020,23(1).
[14]Jyotirmayee Naik,Pradipta Kishore Dash,Snehamoy Dhar. A multi-objective wind speed and wind power prediction interval forecasting using variational modes decomposition based Multi-kernel robust ridge regression[J]. Renewable Energy,2019,136.
[15]Mohsen Vahidzadeh,Corey D. Markfort. Modified Power Curves for Prediction of Power Output of Wind Farms[J]. Energies,2019,12(9).
[16]Ravi Kumar Pandit,David Infield,Athanasios Kolios. Comparison of advanced non-parametric models for wind turbine power curves[J]. IET Renewable Power Generation,2019,13(9).
-37-
[17]Cunbin Li,Shuaishuai Lin,Fangqiu Xu, el al. Short-term wind power prediction based on data mining technology and improved support vector machine method: A case study in Northwest China[J]. Journal of Cleaner Production,2018,205.
[ 1 8]Wang, C Zhang, HL, Fan, WH, Fan, XC (2016). A new wind power prediction method based on chaotic theory and Bernstein Neural Network, Energy, 117, 259-271.
[19]Mao Yang,Luobin Zhang,Yang Cui, el al. The impact of wind field spatial heterogeneity and variability on short-term wind power forecast errors[J]. Journal of Renewable and Sustainable Energy,2019,11(3).
[20]Yining Wang,Da Xie,Xitian Wang, el al. Prediction of Wind Turbine-Grid Interaction Based on a Principal Component Analysis-Long Short Term Memory Model[J]. Energies,2018,11(11).
[21]Federica Davd,Stefano Alessandrini,Simone Sperati,Luca Delle Monache, el al.Post-processing techniques and principal component analysis for regional windpowerand solar irradiance forecasting[J] . Solar Energy,2016, 1 34(1 34).
[22]Greaves B, CollinsJ, ParkesJ, elal. Temporal forecast uncertainty for ramp events[J]. Wind Engineering, 2009, 33(4): 309-319.
[23]Pappala V S, Erlich I, Rohrig K, et al. A stochastic model for the optimal operation of a wind-thermal power system[J]. IEEE Transactions on Power Systems, 2009, 24(02): 940-950.
[24]Zheng H Y, Kusiak A. Prediction of Wind Farm Power Ramp Rates: A Data-Mining Approach[J]. Solar Energy Engineering, 2008: 1099-1103.
[25]Bossavy A, Girard R, Kariniotakis G. Forecasting Uncertainty Related to Ramps ofWind Power Production[J]. Journal ofClimate & Applied Meteorology, 2010:224-228.
[26]杨茂,马剑,李大勇,等.超短期风电功率爬坡事件检测和统计分析[J].电力系统保护 与控制,2018,46(06):62-68.
[27]欧阳庭辉,查晓明,秦亮,等. 基于气象背景选取邻近点的风电功率爬坡事件预测方 法[J].电网技术,2015,39(11): 3266-3272.
[28]张东英,代悦,张旭,等.风电爬坡事件研究综述及展望[J].电网技术,2018, 42(006):1783-1792.
[29]杨茂,杨春霖.考虑风向的风电功率预测不确定性研究[J],东北电力大学学报,2018.38 (5): 9-15.
[30]Tinghui Ouyang,Xiaoming Zha,Liang Qin. A Survey ofWind Power Ramp Forecasting[J]. Energy and Power Engineering,2013,5(4B).
[31]FoleyAM, LeahyPG, Marvuglia A.Current methods and advances in forecasting ofwind power generation[J].Renewable Energy, 2012, 37(1): 1-8.
- 38 -
[32]谷兴凯,范高锋,王晓蓉.风电功率预测技术综述[J].电网技术,2007, 31(S2): 335-338.
[33]叶林,赵金龙,路朋,等.考虑气象特征与波动过程关联的短期风电功率组合预测[J]. 电力系统自动化,2021,45(04):54-62.
[34]叶林,滕景竹,蓝海波,等. 变尺度时间窗口和波动特征提取的短期风电功率组合预 测[J].电力系统自动化,2017,41(17):29-36+59.
[35]唐振浩,孟庆煜,曹生现,等.基于小波深度置信网络的风电爬坡预测方法[J].太阳能 学报,2019,40(11):3213-3220.
[36]屈尹鹏,徐箭,姜尚光,等.基于频繁模式挖掘的风电爬坡事件统计特性建模及预测[J]. 电力系统自动化,2021,45(01):36-43.
[37]杨茂,黄鑫,苏欣.基于ANFIS的光伏输出功率超短期预测方法研究[J].东北电力大学 学报,2018,38(04):14-18.
[38]杨茂,张强.风电功率超短期预测误差的非参数估计分布研究[J].东北电力大学学报, 2018,38(01):15-20.
[39]杨茂,王金鑫,都键.基于极限学习机与格兰杰检验的风电功率缺失数据补齐[J].东北 电力大学学报,2019,39(04):27-34.
[40]艾小猛,文劲宇,姚伟.考虑风电爬坡事件的鲁棒机组组合[J].电工技术学报,2015, 24(2) : 1-8.
[41]崔明建,孙元章,柯德平,等.考虑电网侧频率偏差的风电功率爬坡事件预测方法[J]. 电力系统自动化.2014,38(05):8-13.
[42]李剑楠,乔颖,鲁宗相,等.大规模风电多尺度出力波动性的统计建模研究[J].电力 系统保护与控制, 2012, 40(19): 7-13.
[43]南晓强,李群湛,邱大强.基于符号时间序列法的风电功率波动分析与预测[J].中国 电力, 2013, 46(06): 75-79.
[44]欧阳庭辉,查晓明,秦亮,等.风电功率爬坡事件预测时间窗口的选取[J].电网技术, 2015, 39(2): 414-419.
[45]乔颖,鲁宗相,闵勇.提高风电功率预测精度的方法[J].电网技术,2017, 41(10): 3261-3269.
[46]熊音笛,刘开培,秦亮,等.基于时序数据动态天气划分的短期风电功率预测方法[J]. 电网技术,2019,43(09):3353-3359.
[47]高阳,张倩然,许傲然,等.聚类分析在短期风电功率预测模型中的应用[J].电器与 能效管理技术, 2015(4):12-15.
[48]Ershun Du,Ning Zhang,Chongqing Kang,Qing Xia. A High-Efficiency
Network-Constrained Clustered Unit Commitment Model for Power System Planning Studies[J]. IEEE Transactions on Power Systems,2019,34(4).
[49]Mao Yang,Xin Huang. Ultra-Short-Term Prediction of Photovoltaic Power Based on
-39-
Periodic Extraction ofPV Energy and LSH Algorithm.[J]. IEEEAccess,2018,6.
[50]Omar Noureldeen,I. Hamdan. Design of robust intelligent protection technique for large-scale grid-connected wind farm[J]. Protection and Control of Modern Power Systems,2018,3(1).
[5 1]Alireza Zendehboudi,M.A. Baseer,R. Saidur. Application of support vector machine models for forecasting solar and wind energy resources: A review[J]. Journal of Cleaner Production,2018,199.
[52]Gang ZHANG,Hongchi LIU,Jiangbin ZHANG, el al. Wind power prediction based on variational mode decomposition multi-frequency combinations[J]. Journal ofModern Power Systems and Clean Energy,2018,7(2).
[53]Zheng Qian,Yan Pei,Hamidreza Zareipour,el al. A review and discussion of decomposition-based hybrid models for wind energy forecasting applications[J]. Applied Energy,2019,235(C).
[54]徐龙博,王伟,张滔,等.基于神经网络平均影响值的超短期风电功率预测[J].电力系 统自动化,2017,41(21):40-45.
[55]GreavesB, CollinsJ, ParkesJ, etal. Temporal forecast uncertainty for ramp events[J]. Wind Engineering, 2009, 54(33): 309-319.
[56]朱乔木,李弘毅,王子琪,等.基于长短期记忆网络的风电场发电功率超短期预测[J]. 电网技术,2017,41(12):3797-3802.
[57]Federico Cassola, Massimiliano Burlando.Wind speed and wind energy forecast through Kalman filtering ofNumerical WeatherPredictionmodeloutput[J].AppliedEnergy2012, 99: 154-166.
[58]Y.Liu, Y.Wang, L.Li, et al.Numerical weather prediction wind correction methods and its impact on computational fluid dynamics based wind power forecasting[J].J.Renew Sustain.Energy, 2016, 8(3): 770-778.
[59]薛阳,王琳,王舒,等. 一种结合CNN和GRU网络的超短期风电预测模型[J].可再生 能源,2019,37(03):456-462.
[60]宋家康,彭勇刚,蔡宏达,等.考虑多位置NWP和非典型特征的短期风电功率预测研 究[J].电网技术,2018,42(10):3234-3242.
[61]Zheng Haiyang , Kusiak A. Prediction of wind farm power ramp rates: a data-mining approach[J]. Journal of Solar Energy Engineering, 2009, 131(3): 376-385.
[62]杨茂,黄宾阳,江博,等.基于卡尔曼滤波和支持向量机的风电功率实时预测研究[J].东 北电力大学学报, 2017, 37(2): 45-51.
[63]崔明建,孙元章,柯德平.基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测 [J]. 电力系统自动化, 2014, 38(12): 6-11.
- 40 -
[64]黄麒元,王致杰,杜彬,等.基于前置分解组合预测方法的风电功率爬坡预测研究[J]. 可再生能源,2016,34(12): 1847-1852.
[65]欧阳庭辉,查晓明,秦亮,等.基于相似性修正的风电功率爬坡事件预测方法[J].中 国电机工程学报, 2017, 37(2): 572-580.
[66]匡洪海,王建辉,张瀚超,等.一种新型的风电功率爬坡段识别方法[J].电网技术,2019, 43(05): 1752-1759.
[67]Nicholas Cutler,Merlinde Kay,Kieran Jacka, et al. Detecting, categorizing and forecasting large ramps in wind farm power output using meteorological observations and WPPT[J].WindEnergy,2007,10(5).
[68]陈金富,朱乔木,石东源,等.利用时空相关性的多位置多步风速预测模型[J].中国电 机工程学报,2019,39(07):2093-2106.
[69]丁明,张超,王勃,等.基于功率波动过程的风电功率短期预测及误差修正[J].电力系 统自动化,2019,43(03):2-9.
[70]黄坡,朱小帆,查晓明,等.基于波动过程聚类的风电功率预测极大误差估计方法[J]. 电力系统保护与控制, 2016(13):130-136.
[71]叶林,路朋,滕景竹,等.考虑风电功率爬坡的功率预测一校正模型[J].电力系统自动 化,2019,43(06):49-56.
[72]杨健,徐思卿,姜尚光,等.基于动态时间规整的风电功率爬坡滚动修正模型[J].电力 系统自动化,2021,(16):152-159.
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5279.html

上一篇:基于物联网的电力设备监测管理系统设计与实现

下一篇:没有了

相关标签: