風(fēng)電短期發(fā)電功率預(yù)測方法探討

梁耀光　劉德泉

摘要：風(fēng)力發(fā)電是人們利用無污染、可再生風(fēng)能的一種主要形式。由于風(fēng)電場受到風(fēng)的隨機(jī)性等特點(diǎn)的影響使其并網(wǎng)受到了限制，所以其必須有較高精度的短期風(fēng)電功率預(yù)測系統(tǒng)。以風(fēng)電場短期功率預(yù)測模型為研究對(duì)象，將歷史單位置和多位置數(shù)值天氣預(yù)報(bào)數(shù)據(jù)、多種智能優(yōu)化算法與預(yù)測模型相結(jié)合，在Matlab仿真實(shí)驗(yàn)平臺(tái)上開展研究和實(shí)驗(yàn)驗(yàn)證工作。

關(guān)鍵詞：風(fēng)電；短期發(fā)電功率；預(yù)測方法

中圖分類號(hào)：TB

文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.19311/j.cnki.16723198.2016.27.100

1背景

面對(duì)日益嚴(yán)峻的能源及環(huán)境問題，世界各國都在找尋解決的方法，風(fēng)能作為環(huán)境友好型新能源的代表，兼具蘊(yùn)藏量大、可再生、無污染等特點(diǎn)，使得風(fēng)力發(fā)電成為了解決環(huán)境問題、能源問題的重要途徑。

一方面，風(fēng)能在全球范圍內(nèi)儲(chǔ)量巨大，人們利用風(fēng)能的歷史由來已久，截至到2104年年底，全世界風(fēng)電新裝機(jī)容量達(dá)到了51.47GW，累計(jì)裝機(jī)容量達(dá)到了369.55GW，相較去年增長了15.99%，這其中中國繼續(xù)領(lǐng)跑世界風(fēng)電裝機(jī)容量，達(dá)到了114.76GW。

另一方面，傳統(tǒng)的電力系統(tǒng)穩(wěn)定是通過發(fā)電功率追蹤負(fù)荷功率來實(shí)現(xiàn)的?，F(xiàn)今，電網(wǎng)接入大量風(fēng)電后，電力系統(tǒng)的運(yùn)行調(diào)度體系并未發(fā)生根本性的變化，傳統(tǒng)電力系統(tǒng)的發(fā)電功率跟蹤負(fù)荷功率的模式還在沿用。當(dāng)風(fēng)電功率波動(dòng)超過電力系統(tǒng)的平衡能力時(shí)，可能導(dǎo)致電力系統(tǒng)頻率越限，威脅電網(wǎng)安全運(yùn)行。所以，高精度的風(fēng)電功率預(yù)測變得越來越重要。

在風(fēng)電大規(guī)模并網(wǎng)的大背景下，深入研究風(fēng)電功率預(yù)測模型智能優(yōu)化方法不僅能夠?yàn)轱L(fēng)電功率短期預(yù)測研究提供理論參考，還能為進(jìn)一步消除風(fēng)電對(duì)電網(wǎng)的不利影響打下堅(jiān)實(shí)的基礎(chǔ)。

2國內(nèi)研究現(xiàn)狀

國內(nèi)對(duì)于風(fēng)電功率預(yù)測的研究開始于二十世紀(jì)末，相對(duì)國外起步較晚，但研究和發(fā)展速度都比較快，目前已經(jīng)很多學(xué)者將目光投入到了這一領(lǐng)域中。我國對(duì)于風(fēng)電功率預(yù)測的研究可以分為兩個(gè)階段：

第一階段為從2000年到2010年的這十年中，由于缺少風(fēng)電功率預(yù)測專用的NWP數(shù)據(jù)，各單位和學(xué)者的主要研究工作集中在超短期預(yù)測上，且主要是理論探索。在建模過程中主要采用的方法有：時(shí)間序列法、神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)等方法。隨著研究的深入，越來越多的學(xué)者發(fā)現(xiàn)單一簡單的預(yù)測模型精度太低，很難滿足實(shí)際需要。為了提高超短期預(yù)測的精確度，目前的研究主要集中在對(duì)模型輸入量的優(yōu)化上以及對(duì)模型自身的優(yōu)化兩個(gè)方面，但是超短期預(yù)測工作都是基于統(tǒng)計(jì)方法和簡單的學(xué)習(xí)方法，預(yù)測時(shí)間較短，不能滿足電力系統(tǒng)運(yùn)行調(diào)度的需要。

第二階段是數(shù)值天氣預(yù)報(bào)數(shù)據(jù)加入模型后的預(yù)測研究。以電科院為代表，國內(nèi)高校、科研機(jī)構(gòu)、新能源公司通過購買NWP數(shù)據(jù)來改進(jìn)風(fēng)電功率模型，延長預(yù)報(bào)時(shí)間尺度，提高預(yù)測精度。中國電力科學(xué)研究院新能源研究所與德國太陽能研究所、丹麥里索國家實(shí)驗(yàn)室、挪威WindSim公司合作開發(fā)了我國首個(gè)風(fēng)電功率預(yù)測系統(tǒng)（Wind Power Forecasting System-WPFS）。該研究項(xiàng)目于2008年4月正式啟動(dòng)，2008年12月10日投入試運(yùn)行，2009年3月19日通過專家驗(yàn)收。截至到目前為止，該系統(tǒng)已經(jīng)在全國11個(gè)省區(qū)50個(gè)風(fēng)電場實(shí)施應(yīng)用。隨后華北理工大學(xué)和中國氣象局有分別推出了服務(wù)于電網(wǎng)調(diào)度與發(fā)電端的風(fēng)電場輸出功率預(yù)測系統(tǒng)與中國氣象局風(fēng)力發(fā)電功率預(yù)測預(yù)報(bào)系統(tǒng)。這些預(yù)測系統(tǒng)也都應(yīng)用在了實(shí)際風(fēng)電場中。其共同點(diǎn)都是運(yùn)用了NWP數(shù)據(jù)，當(dāng)氣象預(yù)報(bào)準(zhǔn)確時(shí)，精度都較高，能滿足實(shí)際需求。

3研究對(duì)象以及預(yù)測模型驗(yàn)證

以風(fēng)電場短期功率預(yù)測模型為研究對(duì)象，將歷史單位置和多位置數(shù)值天氣預(yù)報(bào)數(shù)據(jù)、多種智能優(yōu)化算法與預(yù)測模型相結(jié)合，在Matlab仿真實(shí)驗(yàn)平臺(tái)上開展以下研究和實(shí)驗(yàn)驗(yàn)證工作。

（1）對(duì)于風(fēng)電功率預(yù)測常用的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法和支持向量機(jī)預(yù)測方法進(jìn)行了概述，并分析了它們的優(yōu)缺點(diǎn)。以BP神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，建立了基于單位置數(shù)值天氣預(yù)報(bào)的BP神經(jīng)網(wǎng)絡(luò)短期風(fēng)電功率模型，并對(duì)未來一天的風(fēng)電場功率進(jìn)行了預(yù)測。在建立模型前，需要對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理和聚類預(yù)處理。采用模糊c均值聚類時(shí)，需要知道分類數(shù)，考慮對(duì)于數(shù)據(jù)的分類數(shù)沒有先驗(yàn)信息，所以采用模糊減法聚類來確定相應(yīng)的分類數(shù)。

風(fēng)電功率預(yù)測對(duì)NWP原始樣本數(shù)據(jù)具有敏感依賴性，要提高預(yù)測精度就應(yīng)選取合適的樣本作為模型的輸入數(shù)據(jù)。歷史NWP數(shù)據(jù)數(shù)據(jù)量很大，為了獲得對(duì)預(yù)測準(zhǔn)確度影響最大的數(shù)據(jù)，首先對(duì)歷史數(shù)據(jù)進(jìn)行聚類分析，得到各類的聚類中心，運(yùn)用歐氏距離法查找與預(yù)測日各點(diǎn)數(shù)據(jù)最相似的點(diǎn)作為訓(xùn)練樣本；再利用各類中的數(shù)據(jù)點(diǎn)訓(xùn)練對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)，并保存各個(gè)權(quán)值閾值。以上節(jié)內(nèi)容為基礎(chǔ)，本文設(shè)計(jì)的聚類分析方法主要應(yīng)用在3層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)風(fēng)電場功率預(yù)測。算法運(yùn)算流程如圖1所示。

（2）針對(duì)風(fēng)電場預(yù)測模型訓(xùn)練用的歷史數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和風(fēng)電場歷史實(shí)際功率缺失的問題，采用了一種基于數(shù)值天氣預(yù)報(bào)單點(diǎn)聚類的方法對(duì)其進(jìn)行處理，將處理后的數(shù)據(jù)運(yùn)用在了BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中，并用算例進(jìn)行了功率預(yù)測仿真實(shí)驗(yàn)。

（3）針對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型初始權(quán)值閾值難以確定的問題，運(yùn)用遺傳算法對(duì)其進(jìn)行優(yōu)化，建立了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，解決了其初值難以確定的問題；對(duì)于支持向量模型參數(shù)優(yōu)化問題進(jìn)行了研究，分別運(yùn)用粒子群算法、粒子群改進(jìn)算法和人工魚群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，建立了基于粒子群算法優(yōu)化的支持向量機(jī)模型、基于改進(jìn)粒子群算法優(yōu)化的支持向量機(jī)模型和基于人工魚群算法優(yōu)化的支持向量機(jī)模型，并在仿真實(shí)驗(yàn)中進(jìn)行了優(yōu)化算法實(shí)驗(yàn)驗(yàn)證和各種算法的對(duì)比分析。

（4）針對(duì)大型風(fēng)電場中多位置、多高度的歷史數(shù)值天氣預(yù)報(bào)數(shù)據(jù)，利用主成分分析對(duì)其進(jìn)行降維處理，得到的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，得到基于多位置、多高度數(shù)值天氣預(yù)報(bào)的BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了多維輸入數(shù)據(jù)的利用。

4結(jié)論

風(fēng)電功率預(yù)測研究的關(guān)鍵是預(yù)測模型的搭建與準(zhǔn)確的歷史數(shù)據(jù)及天氣預(yù)報(bào)數(shù)據(jù)的輸入。模型搭建時(shí)常采用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)作為模型輸入，采用風(fēng)電功率預(yù)測值作為模型輸出。本文針對(duì)風(fēng)電功率預(yù)測模型特點(diǎn)，研究了BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的基本建模原理與建模方法，兩種建模方法的非線性、自學(xué)習(xí)性與容錯(cuò)性都很好的契合了風(fēng)電功率預(yù)測建模特點(diǎn)，但是常規(guī)的BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)建模過程中都存在參數(shù)范圍選取、初值難以確定等問題。

參考文獻(xiàn)

[1]戴慧珠，王偉勝，遲永寧.風(fēng)電場介入電力系統(tǒng)研究的新進(jìn)展[J].電網(wǎng)技術(shù)，2007，31（20）：1623.

[2]王繼強(qiáng).中國風(fēng)能現(xiàn)狀分析及發(fā)展探索[J].甘肅科技，2014，30（13）：12.

[3]全球風(fēng)能理事會(huì)GWEC.2014年全球風(fēng)電裝機(jī)容量統(tǒng)計(jì)[J].風(fēng)能，2015，（2）.

[4]劉江平，汪洪波.電網(wǎng)運(yùn)行備用容量分析和控制策略的研究[J].華中電力，2005，18（6）：2226.

[5]Santos J，Jones L.High Penetration Of Wind Power In Power Systems： An ISO Perspective[C].IEEE Power Engineering Society Summer Meeting，2002.