考慮流動相關(guān)性的風(fēng)電場機組分組功率預(yù)測方法

閻　潔，劉永前，韓　爽，王一妹，張晉華,2，朱　戎

(1.新能源電力系統(tǒng)國家重點實驗室(華北電力大學(xué))，北京　102206;

2.華北水利水電大學(xué)，河南鄭州　450008;3. 河北工程大學(xué)，河北邯鄲　056038)

Power Prediction Method for Grouping Wind Turbine Generations by Considering Flow CorrelationYAN Jie1, LIU Yongqian1, HAN Shuang1, WANG Yimei1, ZHANG Jinhua1,2, ZHU Rong3

(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources

(North China Electric Power University), Beijing 102206, China;

2. North China University of Water Resources and Electric Power, Zhengzhou 450008, China;

3. Hebei University of Engineering, Handan 056038, China)

?

考慮流動相關(guān)性的風(fēng)電場機組分組功率預(yù)測方法

閻潔1，劉永前1，韓爽1，王一妹1，張晉華1,2，朱戎3

(1.新能源電力系統(tǒng)國家重點實驗室(華北電力大學(xué))，北京102206;

2.華北水利水電大學(xué)，河南鄭州450008;3. 河北工程大學(xué)，河北邯鄲056038)

Power Prediction Method for Grouping Wind Turbine Generations by Considering Flow CorrelationYAN Jie1, LIU Yongqian1, HAN Shuang1, WANG Yimei1, ZHANG Jinhua1,2, ZHU Rong3

(1.State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources

(North China Electric Power University), Beijing 102206, China;

2. North China University of Water Resources and Electric Power, Zhengzhou 450008, China;

3. Hebei University of Engineering, Handan 056038, China)

0引言

風(fēng)電的迅猛發(fā)展給電力系統(tǒng)的安全性、穩(wěn)定性、經(jīng)濟性帶來一系列亟待解決的問題。風(fēng)電場功率預(yù)測技術(shù)是緩解風(fēng)電對并網(wǎng)不良影響的有效途徑之一。由于風(fēng)能固有的隨機波動性，預(yù)測的精度和計算效率的提高成為當前研究的熱點和難點，對保證電力系統(tǒng)經(jīng)濟、穩(wěn)定運行有重要意義。

風(fēng)電場內(nèi)鄰近機組在同一時刻很可能經(jīng)歷相似的風(fēng)況，這樣的機組輪轂高度處的風(fēng)速及其輸出功率相關(guān)性也較強(簡稱為風(fēng)電場的相關(guān)性)。目前大多數(shù)的風(fēng)電場功率預(yù)測模型使用數(shù)值天氣預(yù)報(NWP)數(shù)據(jù)作為輸入，并收到較好的預(yù)測效果，但依然存在很多問題，如：模型計算量大、計算頻率低，不適合實時計算，計算區(qū)域分辨率較大等[1-2]。因此，根據(jù)風(fēng)電場相關(guān)性，將風(fēng)電場按照不同的風(fēng)模式和發(fā)電情況劃分為幾個區(qū)域；現(xiàn)有的風(fēng)電場機組分組主要有4種方式：按風(fēng)電機組所在集電線路分組[3]；按照風(fēng)電機組地理位置分組[4]；按照機械控制系統(tǒng)特征分組[5-8]；按照功率相關(guān)性分組[9]。上述方法大多運用于風(fēng)電場等值建模領(lǐng)域，鮮有將機組分組結(jié)果與風(fēng)電預(yù)測的結(jié)合，而且存在考慮角度單一或不全的問題，如沒有考慮風(fēng)電場流場特性、尾流影響、海拔、地理位置等。

針對現(xiàn)有風(fēng)電場功率預(yù)測方法在應(yīng)對大規(guī)模風(fēng)電場并網(wǎng)中的需求和缺陷，綜合考慮流動相關(guān)性、風(fēng)電場主導(dǎo)風(fēng)向、機組位置、海拔等因素，提出基于自組織特征映射(self-organizing feature mapping, SOFM)方法的風(fēng)電場機組分組方法，使得區(qū)域內(nèi)的流動情況和機組出力特性具有較高相關(guān)性，為選擇數(shù)值天氣預(yù)報建模參考點提供依據(jù)，進而提高風(fēng)電功率預(yù)測精度和計算效率。

1自組織特征映射神經(jīng)網(wǎng)絡(luò)方法

自組織特征映射神經(jīng)網(wǎng)絡(luò)(self-organizing feature mapping neural network, SOFMNN)是一種無教師示范的競爭學(xué)習(xí)聚類方法[10]。在未知的輸入向量中尋找和識別不同類別的特征信息；在學(xué)習(xí)過程中各網(wǎng)絡(luò)節(jié)點對比相同輸入數(shù)據(jù)及其內(nèi)部參數(shù)，具有最佳匹配的節(jié)點稱為獲勝神經(jīng)元，距離獲勝神經(jīng)元越近的節(jié)點學(xué)習(xí)能力越強；調(diào)整獲勝神經(jīng)元及其鄰近神經(jīng)元的權(quán)值和閾值，一方面使鄰近神經(jīng)元向著更有利于獲勝的方向修正，另一方面縮小鄰域范圍，“排斥”鄰近的神經(jīng)元，這種“協(xié)作+競爭”的學(xué)習(xí)模式使SOFM具有較強的網(wǎng)絡(luò)學(xué)習(xí)能力和泛化能力。

設(shè)M為輸入向量的樣本數(shù)；s為輸入向量中的變量數(shù);N為輸出層神經(jīng)元個數(shù)；k為輸入層神經(jīng)元個數(shù)，即輸入向量的維度；具體的學(xué)習(xí)步驟如下[13]：

① 初始化網(wǎng)絡(luò)參數(shù)：

網(wǎng)絡(luò)連接權(quán)重：隨機設(shè)置[0,1]內(nèi)的非零數(shù)；

(1)

學(xué)習(xí)速率α(t)：初始值為α(0)；

輸出層神經(jīng)元j的鄰域Naj(t)：以確定的獲勝神經(jīng)元節(jié)點j為中心，包含其他神經(jīng)元的區(qū)域范圍，可以是任何形狀，但一般是均勻?qū)ΨQ的，典型的是正方形或圓形區(qū)域，鄰域的取值等于第t次學(xué)習(xí)過程中鄰域中所包含的神經(jīng)元的個數(shù)且隨時間遞減，初始值為Naj(0)；

②歸一化輸入數(shù)據(jù)向量：

(2)

③ 計算各輸出神經(jīng)元連接權(quán)向量與輸入數(shù)據(jù)向量之間的歐式距離Edj；

(3)

④ 尋找與Rn中輸入向量距離最近的節(jié)點，即獲勝節(jié)點或獲勝神經(jīng)元j*；

(4)

⑤調(diào)整R2中獲勝神經(jīng)元與其鄰域內(nèi)全部神經(jīng)元間連接權(quán)重使其不斷趨近于Rn中輸入向量；

(5)

⑥ 輸入下一組輸入樣本，返回步驟③，反復(fù)進行直至k個學(xué)習(xí)模式全部輸入網(wǎng)絡(luò)；

⑦ 更新學(xué)習(xí)速率及領(lǐng)域。設(shè)t為當前學(xué)習(xí)次數(shù)；T為總學(xué)習(xí)次數(shù)；int()為取整數(shù)函數(shù)；

(6)

(7)

⑧ 令t=t+1，返回步驟②，反復(fù)迭代直至滿足收斂條件或t=T，即Rn中的每個輸入向量最終都非線性映射到距離它最近的R2網(wǎng)絡(luò)節(jié)點中。

2機組分組模型

利用SOFM算法建立風(fēng)電場機組分組模型，輸入向量包括：風(fēng)況相關(guān)性向量、風(fēng)電場主風(fēng)向坐標向量、風(fēng)電機組海拔高度向量。首先用各臺風(fēng)電機組輪轂高度處的測量風(fēng)速計算風(fēng)況相關(guān)性向量。然后根據(jù)風(fēng)電場邊界、各臺風(fēng)電機組原始的平面大地坐標位置、風(fēng)電場主導(dǎo)風(fēng)向，可以得到各機組的風(fēng)電場主風(fēng)向坐標位置。經(jīng)過自組織映射將高維空間中的輸入向量映射到二維空間中，即將風(fēng)電場全部風(fēng)電機組分成不同的組別。最后綜合風(fēng)況相關(guān)性和風(fēng)電機組海拔高度選取各組內(nèi)的預(yù)測計算參考點(參見圖1)。

圖1　SOFM機組分組模型流程圖

2.1風(fēng)速相關(guān)性

風(fēng)速是描述風(fēng)況最重要的參數(shù)之一，也是對風(fēng)電機組出力影響最直接的因素。風(fēng)電場各臺風(fēng)電機組輪轂高度處某年的風(fēng)特性可以用該年機組處測量風(fēng)速的均值、變異系數(shù)[2]來描繪，如圖2所示，其中變異系數(shù)表示隨機風(fēng)速偏離均值的程度。

圖2　不同風(fēng)電機組輪轂高度處風(fēng)速均值和變異系數(shù)

圖3中實線為2號機組與其他機組之間的相關(guān)性關(guān)系，相關(guān)性系數(shù)表達公式如下：

(8)

圖3中虛線為2號機組與其他機組之間的地理距離，可以看出各機組位置處的均值和變異系數(shù)相差不大；而各臺機組處風(fēng)速的相關(guān)性差別相對較大，說明了風(fēng)電場相關(guān)性和多樣性的影響。這種效應(yīng)在大規(guī)模風(fēng)電場群中更加明顯，由于數(shù)據(jù)有限只針對單一小范圍的風(fēng)電場進行分析。此外，相關(guān)性與機組之間相對距離并不呈簡單的線性關(guān)系，例如：5、9、10號機組與2號機組的相關(guān)性系數(shù)均為0.958，但是距離2號機組分別為761、2 344、1 371m；反之，33、26、21號機組與2號機組的距離相對較近分別為：5 877、5 668、5 933m，但相關(guān)性系數(shù)卻相差很大分別為0.87、0.88、0.93。這是因為，相對距離比較小的兩臺機組，原始的風(fēng)速變化趨勢很可能一致，但前一臺機組對后一臺產(chǎn)生的尾流效應(yīng)使后面機組始終比前臺機組低(這種影響甚至可達20%)，再加上海拔、湍流等局地效應(yīng)的影響使問題變得更加復(fù)雜。因此，在機組分組模型中還需考慮機組位置、尾流等因素，以更加真實地反映風(fēng)電場流動特性。

圖3　風(fēng)電機組間距離和相關(guān)系數(shù)曲線圖

2.2風(fēng)電場主風(fēng)向坐標系

由上節(jié)分析可知單獨考慮相關(guān)性進行機組分組是不能真實反映風(fēng)電場流動特性的，需要綜合考慮機組位置、尾流等因素進行機組分組。傳統(tǒng)的大地平面坐標系是表示機組位置的常用坐標，它對風(fēng)電機組在全球中的平面坐標位置做出定義，也體現(xiàn)機組之間的相對位置。風(fēng)電場所占面積相對很小，其在全球中的絕對位置對并不那么重要，因為全球大氣系統(tǒng)對每臺風(fēng)電機組的影響差別不大。但在局域系統(tǒng)內(nèi)，主導(dǎo)風(fēng)向、地形、其他機組尾流的影響卻很大。風(fēng)電場來流風(fēng)向的不同、距離風(fēng)電場邊界的遠近等因素都改變了每臺機組輪轂高度處的原始風(fēng)模式，進而影響風(fēng)電機組出力特性和風(fēng)電場輸出功率。這些局地效應(yīng)在傳統(tǒng)的大地平面坐標系中都是無法直接體現(xiàn)的，若使用傳統(tǒng)機組坐標系作為風(fēng)電場機組分組模型的輸入將忽略了很多必要且重要的因素。如果可以用直觀的手段將機組地理位置和上述因素對風(fēng)電機組輪轂位置處風(fēng)況的影響程度有機地結(jié)合起來，有助于建立準確合理的機組分組模型。

風(fēng)電場來流風(fēng)向?qū)︼L(fēng)電機組尾流效應(yīng)影響很大，在海拔高度相同的前提下，來流風(fēng)最先經(jīng)過的風(fēng)電機組受到的尾流損失最小，即在來流風(fēng)方向上距離風(fēng)電場邊界最近的機組最有可能保持原始的風(fēng)況模式。反之前方機組數(shù)量越多、機組相對位置越近，受到尾流和湍流的影響越大。而風(fēng)電場主導(dǎo)風(fēng)向是風(fēng)頻最大的風(fēng)向角(或范圍)，對風(fēng)電場流動特性影響的概率最高。因此，定義一種可以綜合體現(xiàn)上述局地特性的機組位置坐標系具有重要的實用價值，在保留機組相對位置信息的基礎(chǔ)上，體現(xiàn)機組坐標位置受風(fēng)電場主導(dǎo)風(fēng)向及尾流影響的程度；在地理坐標中量化這些影響并用于風(fēng)電場機組分組建模中。

綜合考慮主導(dǎo)風(fēng)向?qū)︼L(fēng)電場不同機組位置處流動情況的影響，利用機組平面坐標位置、尾流損失、風(fēng)電場邊界等信息構(gòu)建新的平面坐標系。從測風(fēng)塔提取實時風(fēng)向數(shù)據(jù)，設(shè)風(fēng)電場主導(dǎo)風(fēng)向為θ。風(fēng)電場各個機組受到其他機組的尾流、湍流影響很大，尤其在來流風(fēng)向上后一臺機組受到尾流影響更加明顯，在一些情況下后一臺機組輸出功率的衰減甚至可達40%[14]。首先根據(jù)風(fēng)電場的盛行風(fēng)向旋轉(zhuǎn)坐標系，將主風(fēng)向坐標軸的縱軸旋轉(zhuǎn)到與主導(dǎo)風(fēng)向一致。除此之外，位于風(fēng)電場上風(fēng)向邊緣的風(fēng)電機組輪轂高度處的風(fēng)況相對比較簡單，其風(fēng)速預(yù)測的精度也相對更高；反之，越接近風(fēng)電場中心的機組由于其他機組的影響流動情況變得異常復(fù)雜?？梢姡瑱C組沿著來流風(fēng)向距離風(fēng)電場邊界的遠近也對流場影響顯著。所以，據(jù)此調(diào)整主風(fēng)向坐標軸的位置，有機地將風(fēng)電場各點坐標位置與風(fēng)場流動信息聯(lián)系起來。

坐標轉(zhuǎn)換的步驟如下：

① 旋轉(zhuǎn)原始坐標軸的方向，與主風(fēng)向坐標軸的夾角為α：

(9)

② 調(diào)整主風(fēng)向坐標軸與風(fēng)電場邊界相切，主風(fēng)向軸M軸即為與主風(fēng)向方向相同的軸，與之垂直的為N軸；風(fēng)電場邊界與M、N軸的切點分別為B和A，所得到的切線即為動態(tài)風(fēng)向坐標系MN。設(shè)第i號風(fēng)電機組與N軸的垂線相交于C點。

③ 將風(fēng)電機組原始坐標位置轉(zhuǎn)換到風(fēng)電場主風(fēng)向坐標系中，即(mi,ni)。設(shè)其原始大地平面坐標分別為(xA,yA),(xB,yB),(xC,yC)；第i號風(fēng)電機組的原始位置用W點表示，坐標為(xi,yi)。坐標轉(zhuǎn)換公式如下：

(10)

(11)

2.3機組分組在風(fēng)電功率預(yù)測中的應(yīng)用

由于局地效應(yīng)的影響， NWP的誤差與NWP計算參考點距離推算點的距離之間呈現(xiàn)非線性關(guān)系，也就是說，距離NWP計算參考點近的風(fēng)況與NWP的相關(guān)性不一定很高；反之，距離遠的相關(guān)性也不一定很低。引起了兩方面的問題，一方面使用單一NWP參考點建模導(dǎo)致代表性降低預(yù)測誤差變大，如圖 4所示，對比NWP和各機組處風(fēng)況可知NWP與一些機組處風(fēng)況相對相近，而與另一些機組輪轂處風(fēng)模式不同，證明單點NWP代表性不足以滿足預(yù)測的代表性需求。這種問題在大規(guī)模風(fēng)電場群，尤其是復(fù)雜地形中更加突出。目前解決此問題的方法是設(shè)立多個NWP參考點進行預(yù)測，NWP模型的計算和預(yù)測模型的訓(xùn)練耗費了大量的時間，所以如何在保證預(yù)測精度的基礎(chǔ)之上，盡量減少NWP參考點的數(shù)量、選擇對精確預(yù)測最有利的參考點，對提高預(yù)測精度和計算效率至關(guān)重要。

圖4　NWP和各風(fēng)電機組輪轂高度處風(fēng)速相關(guān)性系數(shù)

基于風(fēng)電場流動相關(guān)性的機組分組方法綜合考慮風(fēng)況相關(guān)性、機組相對位置和主導(dǎo)風(fēng)向的影響進行分組，選取組中與其他機組之間平均相關(guān)性系數(shù)較高且海拔較高的機組作為NWP的計算參考點。流動相關(guān)性較高的機組使用同一組NWP數(shù)據(jù)進行預(yù)測，兼顧預(yù)測精度和計算效率。

3算例分析

以中國西北某風(fēng)電場為例驗證基于流動相關(guān)性的風(fēng)電場機組分組方法及其在風(fēng)電場功率預(yù)測中的應(yīng)用效果。算例風(fēng)電場總裝機容量為49.5MW(33臺1.5MW機組)。根據(jù)可行性研究報告可知，風(fēng)電場主導(dǎo)風(fēng)向為 SSW-S-SSE(以S為主)。以2011年1月～11月的風(fēng)電場數(shù)據(jù)為例進行機組分組、風(fēng)電預(yù)測的建模及驗證，數(shù)據(jù)包括：風(fēng)電機組輸出功率、每臺機組輪轂高度處風(fēng)速、提前24 h的NWP數(shù)據(jù)。數(shù)據(jù)分辨率為2 h。以遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電場功率預(yù)測模型(GA-BP)為例檢驗風(fēng)電場機組分組模型對計算效率和精度的改善，以2011年1月～9月的NWP數(shù)據(jù)和各臺機組輸出功率作為模型訓(xùn)練樣本，以2011年10月～11月作為測試樣本。測試模型運行環(huán)境均為主頻2.79GHz、內(nèi)存3.12GB。

SOFM自組織特征映射的維度為[4,2]；神經(jīng)元數(shù)目為8；網(wǎng)絡(luò)的拓撲函數(shù)為‘hextop’；網(wǎng)絡(luò)的距離函數(shù)為‘linkdist’；鄰近距離遞減到1的步數(shù)為75；鄰近距離初始值為3。表1為基于SOFM風(fēng)電機組分組模型的運算結(jié)果。

表1　風(fēng)電機組分組模型運算結(jié)果

以GA-BP模型為例檢驗風(fēng)電場機組分組方法在風(fēng)電場功率預(yù)測中應(yīng)用的效果。由表 2可以看出：只以測風(fēng)塔作為參考點進行數(shù)值天氣預(yù)報來預(yù)測風(fēng)電場輸出功率的技術(shù)方案(如1號技術(shù)方案)雖然耗費的預(yù)測運行時間和訓(xùn)練時間最少，但精度較低，給電力系統(tǒng)調(diào)度和計劃帶來了很大的不確定性；而對全部風(fēng)電機組位置進行數(shù)值天氣預(yù)報來預(yù)測的精度有一定的提高(如3號技術(shù)方案)，可是運算時間和訓(xùn)練時間都成倍增長，因為對全部機組進行NWP建模和調(diào)度，相似性高的位置則進行了重復(fù)計算，預(yù)測性和實時的調(diào)度能力降低；機組分組預(yù)測的方法(如2號技術(shù)方案)在模型精度和模型效率之間找到了平衡點，在提高精度的基礎(chǔ)上盡可能減少模型計算的負擔，改善了模型的實時更新計算的能力。相關(guān)性越高，風(fēng)況和流動特性越相近，越適合分為同一區(qū)域進行統(tǒng)一NWP建模和機組調(diào)度。需要注意的是，這里提到的運行時間和訓(xùn)練時間只包括預(yù)測模型本身耗費的時間，并不包括數(shù)值天氣預(yù)報模型，但若計及數(shù)值天氣預(yù)報模型或在更大規(guī)模風(fēng)電場群進行測試，風(fēng)電場機組分組方法的優(yōu)勢將更加明顯。證明該方法完全滿足實時調(diào)度決策的要求。預(yù)測精度的檢驗指標如下[15]：

(12)

式中：NRMSE為均方根誤差，%；PMi為i時刻的實際功率，kW；Ppi為i時刻的預(yù)測功率，kW；Cap為風(fēng)電場開機(或風(fēng)力發(fā)電機組)總?cè)萘?，kW；n為樣本總數(shù)。

表2　不同技術(shù)方案預(yù)測結(jié)果

4結(jié)論與展望

針對現(xiàn)有風(fēng)電場功率預(yù)測方法在應(yīng)對風(fēng)電場并網(wǎng)中的需求和缺陷，提出了一種基于風(fēng)電場流動相關(guān)性特征的風(fēng)電場機組分組方法，以中國西北某風(fēng)電場為例驗證機組分組模型，結(jié)果表明該方法有效提高了風(fēng)電場功率預(yù)測精度；降低了功率預(yù)測的計算時間，提高了實時計算的能力；且方法簡單，實時操作性強。

① 綜合考慮風(fēng)電場各機組位置處風(fēng)況的相關(guān)性、機組位置、海拔、尾流、風(fēng)電場主導(dǎo)風(fēng)向，識別風(fēng)電場流動的相關(guān)性，據(jù)此建立風(fēng)電場機組分組模型；

② 定義了一種考慮風(fēng)電場主導(dǎo)風(fēng)向?qū)︼L(fēng)場流動特性影響的風(fēng)電場主風(fēng)向坐標系，將傳統(tǒng)坐標轉(zhuǎn)換為主風(fēng)向坐標系，去除冗余信息，補充特定風(fēng)電場的流動特性；有助于在風(fēng)電場運行決策過程中耦合機組地理位置與流場特性；方法簡單，實時操作性強；

③ 根據(jù)平均相關(guān)性系數(shù)和機組海拔高度為數(shù)值天氣預(yù)報、風(fēng)電場功率預(yù)測選取對精確預(yù)測最有利的計算參考點，在精度和效率之間達到平衡；

④ 風(fēng)電場機組分組綜合考慮風(fēng)電場不同機組位置處風(fēng)況相關(guān)性、機組坐標位置、主導(dǎo)風(fēng)向、海拔、尾流等因素將流動相關(guān)性高的風(fēng)電機組劃為一組；分組預(yù)測可以大幅降低風(fēng)電場功率預(yù)測的計算量，有助于提高風(fēng)電場的容量可信度以及輸出功率的可預(yù)測性，最終保證了電力系統(tǒng)的可靠運行；

⑤ 現(xiàn)只針對單一的風(fēng)電場進行研究，流動相關(guān)性特性在大規(guī)模、復(fù)雜地形風(fēng)電場中更加明顯，因此后續(xù)還將進行大規(guī)模風(fēng)電場群的機組分組方法及其在電力系統(tǒng)中的應(yīng)用。

參考文獻

[1]Drake B, Hubacek K. What to expect from a grater geographic dispersion of wind farms?-a risk portfolio approach [J]. Energy Policy,2007,35(8):3999-4008.

[2]Yannick Degeilh Chanan Singh. A quantitative approach to wind farm diversication and reliability [J]. Electrical Power and Energy Systems,2011,33(2):303-314.

[3]SHAFIU A, ANAYA-LARA O, BATHURST G. Aggregated wind turbine models for power system dynamic studies [J]. Wind Engineering, 2006, 30(3):171-185.

[4]YURIY K, JAMES F, ROBERT Z. Modeling wind farms for power system stability studies [C]. Proceedings of 2003 IEEE Power engineering society general meeting, July 13-17, 2003,Toronto, Canada:1526-1533.

[5]SUVIRE G O, MERCADO P E. Wind farm: dynamic model and impact on a weak power system transmission and distribution [C]. Proceedings of Latin America Transmission and Distribution Conference and Exposition, August 13-15, 2008, bogota, Colombia:1-8.

[6]ZHAO S, NAIR N K C, VONG N M. Coherency-based equivalencing method for large wind farms [C]. Proceedings of 2009 Power & Energy Society General Meeting, July 26-30, 2009, Calgary, AB, Canada: 1-8.

[7]YAN Guangxin, CHAO Qin, LIU Xingang. Discussion on the equivalent value of DFIG included wind farm [J]. Renewable Energy Resources, 2008, 26(1):21-23.

[8]MI Zengqiang, SU Xunwen, YU Yang. Study on dynamic equivalence model of wind farms with wind turbine driven doubly fed induction generator [J]. Automation of Electric Power Systems, 2010, 34(17):72-77.

[9]RUI M G C, de JESUS F. A wind park reduced-order model using singular perturbations theory [J]. IEEE Trans on Energy Conversion, 1996,11(4):735-741.

[10]Kohonen T. The self-organizing map [J]. Proceedings of the IEEE, 1990, 78(9): 1464-1480.

[11]Hinton G E. Connectionist learning procedures [J]. Artificial Intelligence, 1989, 40: 185-234.

[12]Kohonen T. Self-organized formation of topologically correct feature maps [J]. Biological Cybernetics, 1982,43: 59-69.

[13]Haykin S. Neural networks: A comprehensive foundation[M]. New York: Macmillan College Publishing Company, 1994.

[14]Rebecca, Barthelmie, Sten Frandsen, et. al. Verification of an Efficiency Model for Very Large Wind Turbine Cluster [C]. Proceedings Copenhagen Offshore Wind, 26-28 October 2005.

[15]Madsen H, Pinson P, Nielsen T S, et al. Standardizing the performance evaluation of short-term wind power prediction models [J]. Wind Eng., 2005, 29(6):475-489.

閻潔(1987—)，女，博士研究生，研究方向為風(fēng)電場功率預(yù)測及其不確定性分析，E-mail: yanjie_freda@163.com；

劉永前(1965—)，男，教授，研究方向為風(fēng)電場功率預(yù)測、風(fēng)電場尾流研究等，yqliu@ncepu.edu.cn。

(責任編輯：林海文)

摘要：風(fēng)電固有的隨機波動性對電力系統(tǒng)的安全穩(wěn)定運行產(chǎn)生不利影響。風(fēng)電場功率預(yù)測是緩解該問題的重要途徑，但預(yù)測精度及計算效率制約其在電力系統(tǒng)運行中的應(yīng)用效果。針對上述問題，提出一種基于流動相關(guān)性的風(fēng)電場機組分組方法并運用于風(fēng)電場功率預(yù)測中。針對傳統(tǒng)大地平面坐標無法體現(xiàn)流動信息的缺陷定義了可以體現(xiàn)風(fēng)電場流動特性的坐標體系——風(fēng)電場主風(fēng)向坐標系，以簡單而直觀的方式將流動特性與風(fēng)電場機組組合方法、風(fēng)電預(yù)測技術(shù)相結(jié)合。以中國西北某風(fēng)電場為例，采用GA-BP預(yù)測模型進行驗證，結(jié)果證明該方法有效利用了風(fēng)電場流動相關(guān)性對風(fēng)電場機組進行分組，在精度和效率之間尋求平衡，為電力系統(tǒng)和風(fēng)電場經(jīng)濟運行提供保障。

關(guān)鍵詞：機組分組；風(fēng)電場主風(fēng)向坐標；流動相關(guān)；風(fēng)電預(yù)測

Abstract：The inherent stochastic volatility of wind power affects operation stability and security of the electric power system. Wind power forecasting is one of above solution, and the forecasting accuracy and computational efficiency affect its application in power system. Therefore, grouping method for wind turbines is presented by considering flow correlation and is applied in wind power forecasting in this paper. Because the traditional earth plane coordinates could not reflect the flow information, a new coordinate system, wind farm prevailing wind coordinate system, is defined to reflect the flow characteristic of a particular wind farm. This coordinate facilitates the combination of flow characteristic with the wind turbines grouping method and wind power forecasting technique. Taking a wind farm in northwest of China as example, the proposed method is validated using GA-BP forecasting model, and the results show that the proposed method can make good use of the characteristics of flow correlation in a wind farm to group wind turbines, and balance the forecasting accuracy and which guarantees the economic operation of power system and wind farm.

Keywords：wind turbine grouping; wind farm prevailing wind coordinates; flow correlation; wind power forecasting

作者簡介：

收稿日期：2014-05-05

基金項目：國家自然科學(xué)基金(51206051)

文章編號：1007-2322(2015)01-0025-06

文獻標志碼：A

中圖分類號：TK89