風(fēng)力發(fā)電容量預(yù)測(cè)研究進(jìn)展

謝錦標(biāo)

摘 要：由于風(fēng)電場(chǎng)發(fā)電量不穩(wěn)定，必須加大供電系統(tǒng)的旋轉(zhuǎn)備用容量，但這樣間接地增加了發(fā)電系統(tǒng)的成本，為了解決這一問題，必須對(duì)風(fēng)電場(chǎng)發(fā)電容量進(jìn)行準(zhǔn)確的預(yù)測(cè)。首先簡(jiǎn)要的概括了國(guó)內(nèi)外風(fēng)力發(fā)電容量的預(yù)測(cè)情況，對(duì)目前的預(yù)測(cè)方法進(jìn)行分類并詳細(xì)介紹了五類預(yù)測(cè)方法，比較了評(píng)估預(yù)測(cè)模型的兩種參考模型，最后分析了國(guó)內(nèi)外風(fēng)電容量預(yù)測(cè)的前景。

關(guān)鍵詞：風(fēng)力發(fā)電容量預(yù)測(cè)方法預(yù)測(cè)模型參考模型

中圖分類號(hào)：TM614 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791(2012)06(b)-0135-02

風(fēng)能是一種清潔，安全，可再生的綠色能源，對(duì)人類社會(huì)的可持續(xù)性發(fā)展具有不可忽視的作用。20世紀(jì)70年代，在世界范圍內(nèi)爆發(fā)了能源危機(jī)。這足以說明：人類要生存就必須尋找、開發(fā)新能源。在我國(guó)，國(guó)家高度重視對(duì)于可再生能源的開發(fā)和利用，如風(fēng)能。

風(fēng)力發(fā)電技術(shù)地發(fā)展，增加了風(fēng)電單機(jī)容量，擴(kuò)大了并網(wǎng)型風(fēng)電場(chǎng)的規(guī)模。這一發(fā)展形勢(shì)，導(dǎo)致電網(wǎng)受到風(fēng)力發(fā)電的影響越來越明顯。風(fēng)力是一種間歇性的能源，并且風(fēng)電場(chǎng)的功率輸出隨機(jī)性很強(qiáng)，因此，額外安排一定容量的旋轉(zhuǎn)備用需要被額外安排，用來配合風(fēng)電場(chǎng)的隨機(jī)波動(dòng)，確保保證風(fēng)電并網(wǎng)以后系統(tǒng)運(yùn)行的可靠性。然而，在無形中，旋轉(zhuǎn)備用容量的增加了風(fēng)力發(fā)電運(yùn)營(yíng)成本。為了降低運(yùn)營(yíng)成本，對(duì)大型風(fēng)電場(chǎng)的輸出功率進(jìn)行預(yù)測(cè)變得尤為重要。

1國(guó)內(nèi)外風(fēng)電容量預(yù)測(cè)研究情況

國(guó)外很早就開始了對(duì)于風(fēng)電容量預(yù)測(cè)研究工作。早在1990年Landberg就采用類似歐洲風(fēng)圖集的推理方法開發(fā)了一套預(yù)測(cè)系統(tǒng)[2]，其主要思想是把數(shù)值天氣預(yù)報(bào)(NWP)提供的風(fēng)速、風(fēng)向通過一定的方法轉(zhuǎn)換到風(fēng)電機(jī)組輪轂高度的風(fēng)速、風(fēng)向，然后根據(jù)功率曲線得到風(fēng)電場(chǎng)的出力。目前歐美國(guó)家使用的環(huán)境預(yù)報(bào)系統(tǒng)主要有美國(guó)環(huán)境預(yù)報(bào)中心綜合系統(tǒng)，歐洲中尺度氣象預(yù)報(bào)中心綜合系統(tǒng)，德國(guó)氣象服務(wù)機(jī)構(gòu)開發(fā)的Lokal model模型，由丹麥氣象研究院、荷蘭皇家氣象研究院、挪威氣象研究院、西班牙氣象研究院和瑞典氣象水文研究院聯(lián)合開發(fā)的高精度有限區(qū)域模型(high resolution limited area model，HIRLAM)。Prediktor是Risoe開發(fā)的風(fēng)電容量預(yù)測(cè)系統(tǒng)，它根據(jù)地心自傳拖引定律和風(fēng)速的對(duì)數(shù)分布圖，把高空的風(fēng)速轉(zhuǎn)換為地面的風(fēng)速。風(fēng)電容量預(yù)測(cè)工具(wind power prediction tool，WPPT)由丹麥科技大學(xué)開發(fā)，最初這個(gè)系統(tǒng)將適應(yīng)回歸最小平方根法與指數(shù)遺忘算法相結(jié)合，給出了0.5h～36h的預(yù)測(cè)結(jié)果。

2風(fēng)力發(fā)電容量預(yù)測(cè)方法

按照預(yù)測(cè)模型的不同，可以分為物理方法、統(tǒng)計(jì)方法、學(xué)習(xí)方法；按照預(yù)測(cè)對(duì)象的不同，可以分為基于風(fēng)速的預(yù)測(cè)方法(間接法)和基于功率的預(yù)測(cè)方法(直接法)。其中物理方法適用于中期預(yù)測(cè)，一般是基于風(fēng)速的預(yù)測(cè)，然后利用功率曲線預(yù)測(cè)功率，而且必須要?dú)庀箢A(yù)報(bào)數(shù)據(jù)(NWP)；中期預(yù)測(cè)一般需要NWP作為輸入，短期預(yù)測(cè)加入NWP反而效果不好，因?yàn)闅庀箢A(yù)報(bào)的周期多為24h以上。

2.1 基于物理方法的風(fēng)電容量預(yù)測(cè)

考慮地形、粗糙度等信息的預(yù)測(cè)方法為物理方法。根據(jù)數(shù)值天氣預(yù)報(bào)系統(tǒng)的預(yù)測(cè)結(jié)果得到風(fēng)速、風(fēng)向、氣壓、氣溫等天氣數(shù)據(jù)，然后根據(jù)風(fēng)電場(chǎng)周圍等高線、粗糙度、障礙物、溫度分層等信息計(jì)算得到風(fēng)電機(jī)組輪轂高度的風(fēng)速、風(fēng)向等信息，最后根據(jù)風(fēng)電場(chǎng)的功率曲線計(jì)算得到風(fēng)電場(chǎng)的輸出功率。Risoe開發(fā)的風(fēng)電場(chǎng)容量預(yù)測(cè)系統(tǒng)Prediktor就是利用物理方法來進(jìn)行風(fēng)電容量預(yù)測(cè)。

對(duì)整個(gè)區(qū)域進(jìn)行風(fēng)電容量預(yù)測(cè)時(shí)，可以使用以下兩種方式：第一種方式，預(yù)測(cè)所有的風(fēng)電場(chǎng)輸出容量，后求和得出風(fēng)電功容量；第二種方式，預(yù)測(cè)幾個(gè)風(fēng)電場(chǎng)容量，后使用推算法得到整個(gè)區(qū)域的電場(chǎng)輸出容量。

基于物理方法的預(yù)測(cè)模型的輸入?yún)?shù)為 (NWP)模型。因?yàn)槊咳諝庀箢A(yù)報(bào)更新頻率較低，所以在風(fēng)電場(chǎng)發(fā)電量的中期預(yù)測(cè)中應(yīng)選用此中預(yù)測(cè)方法。然仍需說明的一點(diǎn)，物理方法模型是以風(fēng)速為預(yù)測(cè)對(duì)象，然后根據(jù)功率曲線計(jì)算功率，故此種方法是間接預(yù)測(cè)電容量。

2.2 基于統(tǒng)計(jì)方法的風(fēng)電容量預(yù)測(cè)

統(tǒng)計(jì)方法不考慮風(fēng)速變化的物理過程，而根據(jù)歷史統(tǒng)計(jì)數(shù)據(jù)找出天氣狀況與風(fēng)電場(chǎng)出力的關(guān)系，然后根據(jù)實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)風(fēng)電場(chǎng)輸出容量進(jìn)行預(yù)測(cè)。

常用的統(tǒng)計(jì)方法有回歸分析法、時(shí)間序列法[7]、灰色預(yù)測(cè)法[8]等?；貧w分析法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律尋找自變量和因變量之間的函數(shù)關(guān)系，確定模型的參數(shù)，據(jù)此作出預(yù)測(cè)，其缺點(diǎn)是自變量的準(zhǔn)確選取比較困難。時(shí)間序列法就是僅根據(jù)歷史數(shù)據(jù)，建立一個(gè)數(shù)學(xué)模型，該模型既能描述對(duì)象變化過程的統(tǒng)計(jì)規(guī)律性，又能在此基礎(chǔ)上確定預(yù)測(cè)表達(dá)式，它要求時(shí)間序列是隨機(jī)和平穩(wěn)的，而且需要大量數(shù)據(jù)，需編寫計(jì)算機(jī)程序進(jìn)行模型的辨識(shí)，時(shí)間序列模型有自回歸(AR)、滑動(dòng)平均(MA)、自回歸-滑動(dòng)平均(ARMA)、累計(jì)式自回歸-滑動(dòng)平均(ARIMA)等模型，時(shí)間序列法的缺點(diǎn)是預(yù)測(cè)周期短，所用數(shù)據(jù)單一，無法形成合理的誤差估計(jì)，對(duì)突變信息沒法識(shí)別，所以更加適合于優(yōu)化控制的短期預(yù)測(cè)?；疑A(yù)測(cè)法是一種對(duì)含有不確定因素的系統(tǒng)進(jìn)行預(yù)測(cè)的方法?；疑A(yù)測(cè)理論把觀測(cè)數(shù)據(jù)序列看作隨時(shí)間變化的灰色量或灰色過程，通過累加生成或者累減生成的方法逐步使灰色量白化，使得原本沒有規(guī)律或者規(guī)律性不強(qiáng)的數(shù)列變成一個(gè)有較強(qiáng)規(guī)律性的數(shù)列，從而建立相應(yīng)的微分方程模型并作出預(yù)報(bào)。

2.3 基于學(xué)習(xí)方法的風(fēng)電容量預(yù)測(cè)

學(xué)習(xí)方法的實(shí)質(zhì)是用人工智能的方法提取輸入和輸出間的關(guān)系，所建模型通常為非線性模型。常用的學(xué)習(xí)方法主要有神經(jīng)網(wǎng)絡(luò)法、模糊預(yù)測(cè)法、組合優(yōu)化法、小波分析法、支持向量機(jī)法等。這些模型采用某種學(xué)習(xí)算法，通過大量數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練來建立輸入輸出間的關(guān)系。

由于人工智能的發(fā)展，目前國(guó)內(nèi)對(duì)于外的風(fēng)力發(fā)電容量預(yù)測(cè)研究多集中在學(xué)習(xí)方法方面。文獻(xiàn)[7]基于時(shí)間序列法和神經(jīng)網(wǎng)絡(luò)法對(duì)風(fēng)速預(yù)測(cè)進(jìn)行了研究,提出了預(yù)測(cè)風(fēng)速的時(shí)序神經(jīng)網(wǎng)絡(luò)法。該方法用時(shí)間序列法建模,得到風(fēng)速特性的基本參數(shù),并用這些參數(shù)選擇神經(jīng)網(wǎng)絡(luò)的輸入變量，提出了滾動(dòng)式權(quán)值調(diào)整手段，有效地提高了風(fēng)速預(yù)測(cè)的精度。文獻(xiàn)[8]提出一種基于相似性樣本的多層前饋(BP)神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)方法,利用風(fēng)速季節(jié)性周期變化的特點(diǎn)提高風(fēng)速預(yù)測(cè)的準(zhǔn)確性,結(jié)合時(shí)間序列分析與灰色預(yù)測(cè)方法研究了應(yīng)用組合預(yù)測(cè)方法進(jìn)行風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè),并在風(fēng)速預(yù)測(cè)的基礎(chǔ)上討論了風(fēng)電功率預(yù)測(cè)。

3國(guó)內(nèi)外風(fēng)力發(fā)電容量預(yù)測(cè)前景

盡管我國(guó)在風(fēng)力發(fā)電領(lǐng)域起步較晚，但是發(fā)展極為迅速，在風(fēng)力發(fā)電技術(shù)方面受到了人們的廣泛重視，在風(fēng)力發(fā)電預(yù)測(cè)方面也有一些研究成果。這些研究主要包括風(fēng)力發(fā)電的價(jià)值評(píng)估，風(fēng)電場(chǎng)的可靠性模型以及容量可信度的預(yù)測(cè)，以及風(fēng)力發(fā)電機(jī)的可利用率與容量系數(shù)的分析。這些研究成果均屬于統(tǒng)計(jì)意義上的長(zhǎng)期預(yù)測(cè)和評(píng)估，對(duì)我國(guó)風(fēng)電場(chǎng)的選址規(guī)劃，以及投資和效益評(píng)估做出了重要的貢獻(xiàn)。

4結(jié)語

本文介紹了國(guó)外開發(fā)的很多風(fēng)電預(yù)測(cè)系統(tǒng)，如Prediktor、WPPT、eWind、More-Care等等，國(guó)內(nèi)目前還沒有專門的預(yù)報(bào)系統(tǒng)問世。目前風(fēng)電容量預(yù)測(cè)的常用方法，短期預(yù)測(cè)主要分為統(tǒng)計(jì)方法和學(xué)習(xí)方法，一般無需加入NWP數(shù)據(jù)；中期預(yù)測(cè)主要分為物理方法、統(tǒng)計(jì)方法和學(xué)習(xí)方法，要得到很好的預(yù)測(cè)精度，通常需要NWP數(shù)據(jù)。在對(duì)預(yù)測(cè)模型進(jìn)行分析評(píng)估的過程中，常用的參考模型persisitent模型存在不足，可以用一種適用于任意預(yù)測(cè)步長(zhǎng)的新的參考模型來代替，以便對(duì)預(yù)測(cè)模型進(jìn)行更好的評(píng)估。最后分析了風(fēng)電預(yù)測(cè)的前景，指出了提高模型的預(yù)測(cè)精度的一些方法。

參考文獻(xiàn)

[1] 2008～2009年全球及其中國(guó)風(fēng)電行業(yè)研究報(bào)告[EB/OL]．http://www.chinairn.com.

[2] Troen I,Petersen E L.European wind at las[M].Roskilde:Risoe National Laboratory,1989．

[3] Nielsen T S，Madsen H．WPPT - a tool for wind powerprediction[C]//EWEA Special Topic Conference. Kassel:[s.n.]，2000．

[4] Lange M U，F(xiàn)ocken D．Heinemann previento regional wind power prediction with risk control[C]//The World Wind Energy Conference. Berlin:[s.n.],2002．

[5] Bailey B，Brower M C，Zack J． Short-term wind forecasting[C]//European Wind Energy Conference. Nice France: [s.n.],1999．

[6] El-Fouly T H M, El-Saadany E F, Salama M M A.Improved Grey Predictor Rolling Models for Wind Power Prediction[J]．IEEE Proceedings on Gener， Transm & Distrib，2007，1(6)：928～937．

[7] Nielsen T S, Madsen H, Nielsen H A, et al.Short-term wind power forecasting using advanced statistical methods[C]//European Wind Energy Conference & Exhibition.2006．