基于數(shù)值天氣預(yù)報的風(fēng)電功率預(yù)測研究

劉 浩 李 爽 楊 超 劉紅坤

1. 保定市氣象局，河北 保定 071000

2. 河北省信息工程學(xué)校，河北 保定 071000

引言

目前，預(yù)測方法主要有兩種：一是物理方法，先利用數(shù)值天氣預(yù)報系統(tǒng)(NWP)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)電發(fā)電機周圍的物理信息得到風(fēng)電機組輪轂高度的風(fēng)速、風(fēng)向等信息，最后利用風(fēng)力發(fā)電機組的功率曲線計算得到風(fēng)力發(fā)電機組的輸出功率；二是統(tǒng)計方法，即根據(jù)歷史數(shù)據(jù)(風(fēng)速或功率)在天氣狀況與輸出功率間建立映射關(guān)系，然后進行預(yù)測[1]。

本文通過分析某風(fēng)電場風(fēng)力發(fā)電功率數(shù)據(jù)，結(jié)合相對應(yīng)的數(shù)值天氣預(yù)報相關(guān)氣象要素數(shù)據(jù)，利用基于子空間的辨識方法和GRNN 廣義神經(jīng)網(wǎng)絡(luò)建模方法，得到不同負(fù)荷不同季節(jié)的風(fēng)力發(fā)電系統(tǒng)數(shù)學(xué)模型，利用未來數(shù)值天氣預(yù)報數(shù)據(jù)作為輸入對象，得到預(yù)測功率，與實測功率進行對比，檢驗?zāi)Ｐ偷臏?zhǔn)確性。

1 風(fēng)力發(fā)電機組數(shù)據(jù)及數(shù)值天氣預(yù)報數(shù)據(jù)的獲取

1.1 風(fēng)力發(fā)電機組數(shù)據(jù)

風(fēng)力發(fā)電機組輸出功率數(shù)據(jù)采用吉林省白城市某風(fēng)場數(shù)據(jù)，風(fēng)力發(fā)電機組功率數(shù)據(jù)資料為2015 年7 月-2016 年6 月時間段內(nèi)的機組輸出功率，數(shù)據(jù)序列記錄時間間隔為15 分鐘。

1.2 數(shù)值天氣預(yù)報數(shù)據(jù)

利用歐洲EC 細(xì)網(wǎng)格數(shù)據(jù)作為建模數(shù)據(jù)。搜集整理了2015 年7 月-2016 年6 月該風(fēng)場所處地理位置的EC細(xì)網(wǎng)格數(shù)值天氣預(yù)報數(shù)據(jù)。獲取的原始數(shù)據(jù)為grib2 格式。使用國家氣象局下發(fā)的dataCMACASTec 解碼程序解碼，通過修改配置文件ecmwf_C1D.ini 可得到需要的氣象資料產(chǎn)品。

2 按季節(jié)建立預(yù)測模型及結(jié)果分析

為了反映不同天氣變化情況和機組狀態(tài)，消除季節(jié)變化以及極端天氣情況對預(yù)測結(jié)果的影響[2]，我們采用分季節(jié)的數(shù)值預(yù)報數(shù)據(jù)，分別利用子空間方法和GRNN方法建模，對風(fēng)電功率進行預(yù)測，并對誤差進行對比，驗證建模方法及模型。

2.1 春季模型

春季輸入輸出數(shù)據(jù)采用2016年3 月至5 月共計410 組數(shù)據(jù)作為系統(tǒng)辨識數(shù)據(jù)，輸入數(shù)據(jù)為100 米高度風(fēng)速，925hpa 溫度和925hpa 相對濕度等。輸出數(shù)據(jù)為風(fēng)力發(fā)電機組輸出功率。2016 年5 月50 組數(shù)據(jù)作為驗證預(yù)測模型的數(shù)據(jù)。輸出結(jié)果對比如圖1 所示。

圖1 子空間方法、GRNN 方法預(yù)測功率與實際輸出功率對比

利用子空間方法、GRNN 廣義回歸神經(jīng)網(wǎng)絡(luò)算法分別得到的輸出功率與實際輸出功率進行誤差分析，得到的結(jié)果如表1 所示。

表1 春季風(fēng)電功率預(yù)測誤差

2.2 夏季模型

夏季輸入輸出數(shù)據(jù)采用2015 年7 月1 日至8 月31日、2 01 6年6 月3 日至6 月1 1日共計2 9 4組數(shù)據(jù)作為系統(tǒng)辨識數(shù)據(jù)，輸入數(shù)據(jù)為100 米高度風(fēng)速，925hpa溫度和925hpa 相對濕度等。輸出數(shù)據(jù)為風(fēng)力發(fā)電機組輸出功率。2016 年6 月50 組數(shù)據(jù)作為驗證預(yù)測模型的數(shù)據(jù)。輸出結(jié)果對比如圖2 所示。

利用子空間方法、GRNN 廣義回歸神經(jīng)網(wǎng)絡(luò)算法分別得到的輸出功率與實際輸出功率進行誤差分析，得到的結(jié)果如表2 所示。

表2 夏季風(fēng)電功率預(yù)測誤差

圖2 子空間方法、GRNN 方法預(yù)測功率與實際輸出功率對比

2.3 秋季模型

秋季輸入輸出數(shù)據(jù)采用2015年9 月1 日至10 月26 日共計262 組數(shù)據(jù)作為系統(tǒng)辨識數(shù)據(jù)，輸入數(shù)據(jù)為100 米高度風(fēng)速，925hpa 溫度和925hpa 相對濕度等。輸出數(shù)據(jù)為風(fēng)力發(fā)電機組輸出功率。2015年10 月-11月50 組數(shù)據(jù)作為驗證預(yù)測模型的數(shù)據(jù)。輸出結(jié)果對比如圖3 所示。

利用子空間方法、GRNN 廣義回歸神經(jīng)網(wǎng)絡(luò)算法分別得到的輸出功率與實際輸出功率進行誤差分析，得到的結(jié)果如表3 所示。

表3 秋季風(fēng)電功率預(yù)測誤差

圖3 子空間方法、GRNN 方法預(yù)測功率與實際輸出功率對比

2.4 冬季模型

冬季輸入輸出數(shù)據(jù)采用2015 年12 月至2016 年2 月共計265 組數(shù)據(jù)作為系統(tǒng)辨識數(shù)據(jù)，輸入數(shù)據(jù)為100 米高度風(fēng)速，925hpa 溫度和925hpa 相對濕度等。輸出數(shù)據(jù)為風(fēng)力發(fā)電機組輸出功率。2016 年2 月50組數(shù)據(jù)作為驗證預(yù)測模型的數(shù)據(jù)。輸出結(jié)果對比如圖4 所示。

利用子空間方法、GRNN 廣義回歸神經(jīng)網(wǎng)絡(luò)算法分別得到的輸出功率與實際輸出功率進行誤差分析，得到的結(jié)果如表4 所示。

表4 冬季風(fēng)電功率預(yù)測誤差

3 結(jié)論

本項目利用某風(fēng)電場的歷史數(shù)據(jù)及歐洲EC 數(shù)值天氣預(yù)報數(shù)據(jù)進行建模，研究基于數(shù)值天氣預(yù)報的風(fēng)電功率預(yù)測，試驗結(jié)果顯示，本文提出的基于數(shù)值天氣預(yù)報的建模方法能夠有效地利用 NWP 進行風(fēng)電功率預(yù)測，并得到如下結(jié)論：

1.本文選取了空間分辨率較高的歐洲EC 數(shù)值天氣預(yù)報模式，該模式有更全面的數(shù)據(jù)和更高的預(yù)測精度，這是該項目最為重要的數(shù)據(jù)基礎(chǔ)。

2.為了反映不同天氣變化情況，消除極端天氣、季節(jié)變化對預(yù)測結(jié)果的影響，本項目按季節(jié)建立了風(fēng)電功率短期預(yù)測模型。文章分別采用了兩種建模方法，即子空間方法和廣義回歸神經(jīng)網(wǎng)絡(luò)方法。通過對兩種建模方法得到的預(yù)測結(jié)果與實際輸出功率進行誤差分析，結(jié)果顯示采用子空間方法建立的數(shù)學(xué)模型，其預(yù)測結(jié)果與實際輸出的平均絕對誤差（MAE）和均方根誤差（RMSE）兩個評價指標(biāo)均優(yōu)于廣義回歸神經(jīng)網(wǎng)絡(luò)方法的預(yù)測結(jié)果。并且該建模方法具有良好的預(yù)測精度，并大大簡化了預(yù)測模型，提高了預(yù)測程序的運行效率。該項目表明基于子空間方法的系統(tǒng)辨識方法在風(fēng)電功率預(yù)測領(lǐng)域的適用性。為新方法在未來風(fēng)電功率預(yù)測的應(yīng)用研究領(lǐng)域提供了新的思路。