风电功率短期预测算法研究

风电功率短期预测算法研究

发表时间：2019-10-30T11:27:19.223Z 来源：《当代电力文化》2019年10期作者：郝洁，谷祥拓，马桂兰

[导读] 加入数值天气预测方法，构建了结合人工鱼群算法以及聚类分析法的优化BP神经网络预测模型与支持向量机预测模型。

（西北民族大学电气工程学院，甘肃兰州 730030）

摘要：风电功率的可靠预测能够有效降低风电接入电网所带来的负面影响，并且增强风电出力的稳定能力。本文章利用将风电机组运行历史数据作为参考样板，对其进行初步处理，再结合BP神经网络算法构建预测模型，针对于模型本身的不足，加入数值天气预测方法，构建了结合人工鱼群算法以及聚类分析法的优化BP神经网络预测模型与支持向量机预测模型。 I

关键词：风电功率；短期预测；BP神经网络算法；向量机

1 概述

短期风电功率预测主要在于模型的建立以及历史数据的选择[1-6]。本文着重研究了预测模型的优化以及数据的选择和结构，主要完成了以下工作：

（1）首先仔细研究了影响风电功率预测的各个重要因素，并分析了风的特点、风速及功率预测特性。

（2）借鉴BP神经网络建模方法，将风电场的NWP数据信息作为BP神经网络的输入。研究某历史数据，建立了风电场的功率模型，实现了风电场的功率预测。BP神经网络建模过程中的训练数据处理方法单一，缺乏一定的历史价值。针对风电场的天气预报数据和历史实际功率数据存在的问题，提出了一种聚类分析方法对训练数据进行分类，并将分类后的数据作为BP神经网络的输入。以某风力发电机组的历史数据和实际输出功率为对象，在Matlab中进行了仿真实验，验证了两种算法的预测结果和优化效果。

（3）为解决风电预测中使用向量机模型时经常出现的参数选择错误，引入人工鱼群算法（Artificial Fish Swarm Algorithm, AFSA）从而完善风电预测模型。

2 风电功率预测分类及影响因素

风机发电的多寡主要受当地天气及气候情况影响，所以不同地区依照自身情况所构建的预测模型是互不相同的[7]。

风速即单位时间内风的移动距离，风速会随着时间的推移随机变化，具有很强的随机特性，因此风速的选取应取多次测量数据的平均。

在同一地区，不同季节甚至于同一天内风速也在时刻变化，同时，温度、湿度、高度都会影响风速，当海拔较高时，风速较大；而凌晨的风速较小。

风电功率的可靠预测能够有效降低风电接入电网所带来的负面影响，并且增强风电出力的稳定能力。而风能具有很强的随机性，这也给预测带来很大难度。风电功率预测包括历史数据，数据选择和处理，预测模型搭建和偏差研究组成。

1）历史数据

历史数据主要有天气及风速风向情况、风机运行数据、维护数据等，主要选取最近的最新的最全面的数据。

2）数据选择和处理

历史数据无法全面客观的展现风机实际状况，甚至含有部分错误或不准确信息，所以需要对数据进行初步处理以剔除干扰因素。可以通过以下方式进行数据处理：按照日常经验对风速情况进行修正、对风机输出功率进行校正；对于丢失的数据，根据前后数据情况进行数据补充；根据历史情况对目前的数据进行修正。

3）预测模型搭建

搭建预测模型是风电功率预测的最重要的步骤。常见的模型包括：BP神经网络构建模型、SVM构建模型等。模型包括：物理性预测模型、持续性预测模型等。本文一是利用聚类分析方法，结合BP神经网络构建模型；二是利用改进SVM构建模型，利用AFSA优化第二种模型从而提高预测效果。

4）偏差研究

偏差研究能够有效估计预测结果和实际结果。通常情况下风电预测结果与实际值均存在一定差异，偏差通常利用均方根误差（RMSE）表示。

3 利用BP神经网络构建预测模型

BP神经网络算法属于多层前馈神经网络。它的信号按照正向传播，而其误差则按照反向来进行传播，通过实时改变并校准每层的权值、闭值，来促进预测值不断接近真实值。正向传输过程中，信号由输入层输入，通过隐含层，对信号进行初步处理，传输至输出层，如果输出信号不同于期望值亦或是无法符合预设条件时，开始进行反向传播，继而调整每层的权值、闭值，促进预测值不断接近真实值。[8-10]。

所谓聚类分析，即对于各种数据，按照其共同特征进行分类学习，即将具有相似特性的数据处于同一种类。

此处利用某风场2018年9月数据来对其进行风电功率预测，数据包括温度、风速、气压值以及风向。将该场元月的数据设定为BP神经网络的起始条件，将2月10日的NWP信息设定为功率预测初始输入信息，预测长度是24小时（96个点），每个数据间隔15分钟。

每个数据可用如下向量来表达，即X = [V,Dcos,Dsin,T,P]，其中V是风速，D是风向，T是温度，P是大气压。

预测过程如下：设定历史数据为预测输入数据，而预测值则是输出数据，对输入数据训练，从而得出各层权值，再按照天气预报信息来进行功率预测。

建模分析之前，首先要聚类现有数据，聚类时采用模糊减法聚类来确定相应的分类数。风电功率预测精度可以通过样本选择来增强准确性。由于历史数据庞大，从中获取关键信息十分重要，因而首先进行聚类分析，求出各聚类中心；接下来使用各类数据训练BP神经网络，获取各层权值阈值。

4 基于改进型支持向量机风电功率预测模型优化

当今，风力发电研究的重要方向为风电场功率预测模型优化研究是，众学者提出了在智能控制基础上的的风功率预测模型优化方式[11]。在上述第三节中介绍的基于BP神经网络和NWP聚类分析方法的风电功率预测模型优化方法可大概跟踪实际功率，此两种预测方法的缺点是较大的平均绝对误差以及均方根误差值，应用中有一定局限性。本节采用基于改进的SVM建立了风电场功率预测模型，引入人工鱼群智能优化算法，改进了SVM惩罚参数与核函数难以选定的缺陷，进一步改善和减小了风电功率预测跟踪效果以及预测误差。

支持向量机（Support Vector Machine, SVM）是Vapnik等提出的一种有效机器学习方法，其在回归算法上函数拟合能力和逼近能力较好，在模式识别、函数回归、时间序列预测等数据挖掘问题有着广泛地应用。

人工鱼群算法（Artificial Fish Swarm Algorithm, AFSA）是鱼群整体行为的智能优化算法，它通过效仿鱼类的行为在寻优于搜索区域内。该算法有寻优能力较强，鲁棒性较强等优点。

基于AFSA-SVM风电功率预测的目标函数返回的是平均均方根误差的倒数。具体步骤为：

（1）首先选取训练样本，对其进行归一化处理，初始化人AFSA和SVM的各项参数；

（2）以SVM的平均均方根误差倒数为适应度，对SVM模型参数进行优化；

（3）利用上步中优化的SVM模型参数对SVM模型进行重训练；

（4）根据NWP的数据和训练好的回归预测模型进行风电场功率的预测。

对我国某大型风电场2016年3月5日以前20天的NWP数据和实测功率数据进行分析、建模和预测，时间间隔为15分钟。以2016年3月5日作为预测日，预测步长是24小时（小于96个点）。NWP数据提供了风电场单位置的风速、风向、气温和气压四维信息，每个点的数据对象用5维向量表示为X = [V,Dcos,Dsin,T,P]，选定RBF函数为SVM的核函数，目标函数选取模型中的平均均方根误差之倒数，进行AFSA-SVM预测模型建模，经AFSA AFSA优化后得到的SVM的参数为：惩罚参数C=0.49, RBF核函数的参数r=30. 56。

风电功率预测系统功能要求规范

风电功率预测系统功能规范 （试行） 国家电网公司调度通信中心

目次 前言...................................................................... III 1范围. (1) 2术语和定义 (1) 3数据准备 (2) 4数据采集与处理 (3) 5风电功率预测 (5) 6统计分析 (6) 7界面要求 (7) 8安全防护要求 (8) 9系统输出接口 (8) 10性能要求 (9) 附录A 误差计算方法 (10)

前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。 本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。 本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 本规范由国家电网公司国家电力调度通信中心提出并负责解释； 本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。 本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。

风电功率预测系统功能规范 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1 风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2 数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3 风电功率预测 Wind Power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4 短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5 超短期风电功率预测 ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。

风电功率预测系统简介

风电功率预测系统简介

目录 1目的和意义 (3) 2国内外技术现状 (3) 2.1国外现状 (3) 2.2国内现状 (4) 3风电功率预测系统技术特点 (5) 3.1气象信息实时监测系统 (5) 3.2超短期风电功率预测 (5) 3.3短期风电功率预测 (6) 3.4风电功率预测系统软件平台 (8)

1目的和意义 风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件，在可以预见的将来，风能的开发利用将成为最重要的可再生能源发展方向。但由于风电等可再生能源发电具有间歇性、随机性、可调度性低的特点，大规模接入后对电网运行会产生较大的影响,以至于有些地方不得不采取限制风电场发电功率的措施来保证电网的安全稳定运行。 对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先，对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划，从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次，从发电企业(风电场)的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。 2国内外技术现状 2.1 国外现状 在风电功率预测技术研究方面，经过近20年的发展，风电功率预测已获得了广泛的应用，风电发达国家，如丹麦、德国、西班牙等均有运行中的风电功率预测系统。 德国太阳能技术研究所开发的风电管理系统（WPMS）是目前商业化运行最为成熟的系统。德国、意大利、奥地利以及埃及等多个国家的电网调度中心均安装了该系统，目前该系统对于单个风电场的日前预报精度约为85%左右。丹麦Ris?国家可再生能源实验室与丹麦技术大学联合开发了风电功率预测系统Zephyr，

风电场风速及风电功率预测方法研究综述

—————————————————— —基金项目：福建省教育厅科技项目（JA08024）；福建省自然科学基金计划资助项目（2008J0018）。 第27卷第1期2011年1月 电网与清洁能源 Power System and Clean Energy Vol.27No.1 Jan.2011文章编号：1674-3814（2011）01-0060-07 中图分类号：TM614 文献标志码：A 风电场风速及风电功率预测方法研究综述 洪翠，林维明，温步瀛 （福州大学电气工程与自动化学院，福建福州350108） Overview on Prediction Methods of Wind Speed and Wind Power HONG Cui,LIN Wei-ming,WEN Bu-ying （College of Electrical Engineering and Automation ，Fuzhou University ，Fuzhou 350108，Fujian Province,China ） ABSTRACT ：Due to the intermittency of wind energy and the non -linearity of power system,there exist many uncertain variables which should be considered in the wind power prediction.The current prediction methods include the physical method, statistical method, learning method and the comprehensive one combining all the other methods.Based on accurate numerical weather prediction （NWP ）,the physical method is seldom used in the short term prediction,as its model is complicated and deals with large quantities of calculations.The model of the statistical method is simple and requires a small amount of data.It can be applied in those situations where data acquisition is difficult.The AI method is suitable in the random or non —linear system as it does not rely on the accurate mode of the objective.The comprehensive method maximizes favorable factors and minimizes unfavorable ones as contained in above-mentioned methods.This paper presents a brief overview on prediction methods of wind speed and wind power,and raises further issues worth further research on the basis of summarizing the previous studies.KEY WORDS:wind power prediction;statistical methods; learning methods;combinatorial prediction 摘要：由于风能的随机性以及电力系统的非线性等原因，预测风电功率时需要考虑众多的不确定因素影响。 现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报（NWP-numerical weather prediction ） 的物理预测方法模型复杂、计算量大，较少用于短期预测；统计预测方法模型简单，数据需求量少， 较适合于数据获取有一定困难的情况；人工智能预测方法不依赖于对象的精确模型，适合于随机非线性系统；综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述，并在总结前人研究的基础上提出了一些可进一步研究的问题。 关键词：风电预测；统计方法；学习方法；综合预测 随着全球石化资源储量的日渐匮乏以及低碳、 环保概念的逐步深化，风能等可再生能源的开发与利用日益受到国际社会的重视。2007年初欧盟曾提出，2020年其可再生能源消费将占到全部能源消费的20%，可再生能源发电量将占到全部发电量的30%[1]。风力发电是风能的主要利用方式之一。2009年，全球风电装机总量已达157.9GW ，较上年增加了37.5GW [2]。中国风能资源仅次于美国和俄罗斯，可利用风能资源共计约10亿kW 。近些年来风电在中国获得了飞速发展，2000年至2009年十年时间，中国风电装机容量从0.34GW 增至25.8GW [3]；2020年，预计全国风电总装机容量将达到30GW [1]。除部分采用离网运行方式外[4]，大容量风电机组多数采用并入电网的运行方式。随着规模越来越 大、数量越来越多的风力发电功率注入电网， 风能具有的随机性对电力系统的影响越来越不可忽视。 1风电预测的意义 准确有效地预测出风电场的输出功率不但可 帮助电力系统调度运行人员做出最有效决策， 还

关于短期及超短期风电功率预测的分析

关于短期及超短期风电功率预测的分析 发表时间：2020-03-14T14:01:00.437Z 来源：《福光技术》2019年32期作者：张俊林徐元中[导读] 风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。 湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室湖北省武汉市 430068 摘要：风电的不确定性对电力系统与电力市场的稳定性、充裕性及经济性的影响日益彰显，及时、精确地预测风电功率（WP）动态的意义大。风电功率预测（WPP）根据风速及相关因素的历史数据和当前状态，定性或定量地推测其此后的演化过程。本文就对短期及超短期风电功率预测相关内容展开分析。 关键词：短期；超短期；风电功率；预测 引言 WP 的整体不确定性由其随机性及模糊性构成。有效的 WPP 虽然不会减少 WP 的随机性，但是可以降低其模糊性，从而使 WP 的整体不确定范围降低到WPP 的最大误差区间，减小了WP 对电力系统及电力市场的扰动。 分析影响 WPP 精度的因素第一，气象的历史数据与实时数据的缺失，风电场数据采集、传输与处理设施的缺陷，都会影响WPP 的精度。数据预处理技术包括数据同步、异常数据的识别与处理、缺失数据的替代等。第二，预测策略。例如，直接预测 WP 或通过风速预测；直接预测整个风电场的WP 或根据部分风机的预测值及空间相关性推算；采用逐一累加方式或统计升尺度方式推算区域风电场群功率。一般来说，能反映更多具体数据的预测策略可以得到更高的精度，但需要更多的数据与计算量。第三，数值天气预报（NWP）在大气实际的初值和边值条件下，数值求解天气演变过程的流体力学和热力学模型，根据空间网格中的平均值推算实际风电场地表风速的非均匀分布，并预测其动态变化。由于计及了等高线与等地形信息，以及地表粗糙度等地貌信息，通过微观气象学方法可以得到各风机轮毂高度的风速、风向等信息。然后将风速的推算值转换为风能，其精度与 NWP 的精度、网格大小、刷新周期等密切相关。第四，预测方法。物理计算法、时序外推法、人工智能（AI）法分别从空间、时间与样本分类的观点推算。它们依据的数据源、预测模型、误差特性都有所不同。若能巧妙地互补不同方法的优点，可更好地反映风速的时空演变特性。 分析 WPP 方法的研究现状基于 NWP 的物理模型计算 NWP 将天气的物理过程概括成一组物理定律，并表达成数学方程组。然后在已知的初始值及边界条件下，逐个时间段地往前联立求解描述天气演变过程的热力学和流体力学方程组，预测未来的气象数据，再结合风电场周围的地形地貌，计算风电机组轮毂高度处的风速与风向等，最后通过该机的功率 TC 得到 WPP。其技术要点包括：采用高性能计算机求解偏微分方程组的数值解；采用网格嵌套的方法减少计算量；为目标区域定制预报模型；通过观测数据的同化提高预报质量。基于 NWP 的物理模型预测方法除了能够充分考虑风电场的物理和环境因素以外，其最大的优势在于不需要积累大量的历史数据，因此特别适合新建风电场的 WPP。但由于 NWP 的更新频率较低，难以满足超短期预测的要求，仅适合短期及中长期预测。 基于统计观点的外推模型时序外推法通过归纳风速（或 WP）历史数据的时间序列之间的统计规律，建立WPP 值与最近期WP 时间序列之间的线性或非线性映射。由于历史数据序列反映了流体、热力、地形地貌等因素的影响，故基于统计观点的外推模型可以回避对物理机理掌握不够的困难。但是外推法隐含下述假设：第一，连续性，即影响事物未来轨迹的那些因素及规律，与该时刻之前一段时间基本保持不变；第二，渐进性，即事物以缓慢而渐进的方式演化，短期内不会突变。这些假设不但会使外推法在系统结构或边界条件于预测时效内发生突变时失效，即使在系统缓慢变化期间，其预测误差也会随着预测时效的增加而迅速增加，影响外推法的适用性及强壮性。 时间序列预测法经典的时间序列预测法。时间序列预测法根据目标变量本身随时间变化的趋势外推，较适用于气象信息有限的风电场进行超短期预测。由于无需考虑更多的气象信息，故具有建模简单且计算量少的优点。但输入数据单一的特点也使其难以考虑其他信息的影响，无法按不同的边界条件来修正预测模型，故除了建模时需要大量历史数据外，其强壮性更差，难以应对突变状况；且预测精度也随着预测时效的增加而迅速降低。经典的时间序列预测法，包括持续法、移动平均法和自回归移动平均（ARMA）法。持续法将最近一点的实测值作为下一时刻的预测值，简单并常被用做新算法的比较基准。移动平均法随着时间序列移动一个宽度不变的窗口，将其中各项的动态平均值作为下一时刻的预测值，仅适用于系统平稳或小幅波动时。ARMA 法利用滞后的自身数值和随机误差项来解释当前值，并以此预测未来。对于非平稳的 WP 时间序列，通过差分来消除部分不平稳分量。自回归求和移动平均（ARIMA）模型扩展了 ARMA 模型，将时间序列视为随机过程，并被广泛应用于超短期WPP 和短期WPP。 与其他数学分析法的结合。一些学者引入了其他数学分析法来弥补时间序列预测法的不足。例如，分数—自回归求和移动平均（ARIMA）模型通过降低时间序列高阶模型参数估计的难度来提高模型精度。马尔可夫预测法将时间序列看做一个随机过程，通过系统在不同状态下的初始概率以及状态之间的转移概率建立随机型的时序模型。 AI 预测法 AI 算法借助自然界规律或生物智能的启发，设计求解问题的计算机程序。包括模仿人类思维中模糊性概念的模糊算法，主要用于图像处理及模式识别；模仿生物进化和群体智能的进化算法，主要用于决策支持及优化问题；模仿大脑结构及其对信息的处理过程的 ANN 算法，可实现仿真、图像识别等任务。由于 AI 算法不需要按机理建立预测对象的数学模型，而是通过大量实测数据或仿真算例来训练 AI 模型，在其输出与输入变量之间直接建立非线性映射关系，故可用于机理不清楚的场合。 2.2.3ANN

风电功率预测文献综述

风电功率预测方法的研究 摘要 由于风能具有间歇性和波动性性等特点，随着风力发电的不断发展风电并网对电力系统的调度和安全稳定运行带来了巨大的挑战。进行风电功率预测并且不断提高预测精确度变得越来越重要。通过对国内外研究现状的了解，根据已有的风电功率预测方法，按照预测时间、预测模型、预测方法等对现有的风电功率预测技术进行分类，着重分析几种短期风电功率预测方法的优缺点及其使用场合。根据实际某一风电场的数据，选取合适的风电预测模型进行预测，对结果予以分析和总结。 关键词：风电功率预测；电力系统；风力发电；预测方法； 引言 随着社会不断发展人们对能源需求越来越大而传统化石能源日益枯竭不可再生，以及化石能源带来了环境污染等问题影响人类生活，人们迫切需要新的清洁能源代替传统化石能源。风能是清洁的可再生能源之一，大力发展风力发电成为各国的选择。根据相关统计，截止至2015年，全球风电产业新增装机63013MW，，同比增长22%[1]。其中，中国风电新增装机容量达30500MW，占市场份额48.4%。全球累计装机容量为432419MW，其中中国累计装机容量为145104,占全球市场份额的33.6%。 目前风力发电主要利用的是近地风能，近地风能具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。当接入到电网的风电功率达到一定占比时，风电功率的大幅度波动将破坏电力系统平衡和影响电能质量，给电力系统的调度和安全平稳运行带来严峻挑战。根据风速波动对风力发电的影响按照时间长度可分为三类：一种是在几分钟之内的超短时波动，该时段内的波动影响风电机组的控制；另一种是几小时到几天内的短时波动，该时段内的波动影响风电并网和电网调度；最后一种是数周至数月的中长期波动，该时段内的波动影响风电场与电网的检修和维护计划。本文主要研究不同的风电功率短期预测方法的优缺点。 通过对短期风电功率预测，能够根据风电场预测的出力曲线优化常规机组出力，降低运行成本；增强电力系统的可靠性、稳定性；提升风电电力参与电力市场竞价能力。

基于卡尔曼滤波原理对风电功率短期预测

1 基于卡尔曼滤波原理的风电功率预报 林可薇 (西安交通大学电气工程学院，陕西省，西安市，710000) Prediction of wind power based on the principle of Calman filter LIN Ke-wei (School of Electrical Engineering, Xi'an Jiaotong University, Xi'an710000, Shanxi Province, China) ABSTRACT:focuses on the principle of Calman filter and Calman filter algorithm,Understanding both based applications in the wind power forecast.Wind power forecasting system based on digital weather forecast meteorological parameters related to output close to the ground can not accurately predict the output power,Departure from the principle of Kalman filtering,Kalman filter algorithm can take advantage of wind capacity to be corrected digital output weather forecast,Improve forecast accuracy. KEY WORD:Kalman filter;Power prediction;Accuracy 摘要：本文重点介绍卡尔曼滤波原理和卡尔曼滤波算法，了解基于两者在风电预测的应用。风电预测系统根据数字天气预报输出的贴近地面的相关气象参数不能精确预测输出功率，从卡尔曼滤波的原理出发，利用用卡尔曼滤波算法可以对数字天气预报输出的风速量进行修正，提高预测精确度。 关键词：卡尔曼滤波；功率预测；精确度 1 引言 由于常规能源的日益枯竭及人们对改善生存环境的迫切需求, 清洁、可再生的风能资源受到了世界各国的广泛关注.在众多绿色能源中，风能逐步成为新能源电力的主力军。世界风能协会统计，2012年中国新增风电机组装机容量13200MW(其中海上风电装机容量127MW)，累计风电机组装机容量75564MW，均位居世界第一，美国紧随其后[1]。风电已超过核电，成为继煤电和水电之后中国的第三大主力电源。按照 GWEA《世界风电展望》报告的分析预测，风电在 2030年将占到全球电力供应的5%。结果显示风电不但能够满足全球未来30年对于清洁电力的需求，而且对供电系统的渗透还将持续增长。然而风的间歇性会带来不稳定电参量，严重时，小故障就可引发电网电压较大波动造成大面积风电机组脱网。解决这一难题对风电事业的良好发展具有非常重要的意义。本文将着眼于关键技术问题之一的风电功率预测，对卡尔曼原理及其算法进行简单介绍。 2 卡尔曼滤波原理 卡尔曼于1960年发表了关于递归解决线性离散数据滤波器的论著, 自此卡尔曼滤波器得到了广泛的研究与应用. 卡尔曼滤波器是一个最优化自回归数据处理算法，主要用于于解决大部分随机量估计问题，所应用的方法属于统计学中的估计理论，最常用的是最小二乘法，最小方差估计等等。主要能根据一系列的对随机状态的观测值进行定量的推断，通过最小均方误差使估计值尽可能准确的接近真实值。 3 卡尔曼滤波算法 卡尔曼滤波算法是一种有效的以小均方误差来估计系统状态的计算方法, 即通过将前一时刻预报误差反馈到原来的预报方程中, 及时修正预报方程系数, 以提高下一时刻的预报精度.在卡尔曼滤波算法中, 描述系统的数学模型是状态方程和量测方程, 分别为 t t t t w x F x+ = -1 （1） t t t t v x H y+ =（2） 式中: t x为未知过程在t时刻的状态向量； t y 为t 时刻的观测向量； t F和 t H分别为系统矩阵 及观测矩阵, 且必须在滤波器应用之前确定； t w 和 t v分别为系统噪声和量测噪声, 均假定为高斯白噪声且相互独立, 与其相对应的协方差矩阵分别为t w和 t v卡尔曼滤波算法提供了一种在观测向量更 新为 t y基础上的递归来估计未知状态的算法。假定 现有系统状态为 t x, 则在上一状态 1-t x及其协方差 矩阵 1-t P的基础上, 可以得到t 时刻的预测状态及其协方差矩阵的预测方程, 即

风电功率预测系统功能规范

风电功率预测系统功能规范（试行） 前言 为了规范风电调度技术支持系统的研发、建设及应用，特制订风电功率预测系统功能规范。本规范制订时参考了调度自动化系统相关国家标准、行业标准和国家电网公司企业标准。制订过程中多次召集国家电网公司科研和生产单位的专家共同讨论，广泛征求意见。本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、信息要求、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。本规范由国家电网公司国家电力调度通信中心提出并负责解释；本规范主要起草单位：中国电力科学研究院、吉林省电力有限公司。本规范主要起草人：刘纯、裴哲义、王勃、董存、石永刚、范国英、郭雷。 1范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2术语和定义 2.1风电场Wind Farm由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报Numerical Weather Prediction根据大气实际情况，

在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。 2.3风电功率预测Wind Power Forecasting以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率；预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测Short term Wind Power Forecasting未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测ultra-short term Wind Power Forecasting 0h~4h的风电输出功率预测，时间分辨率不小于15min。 3数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据风电场的历史功率数据应不少于1a，时间分辨率应不小于5min。 3.2历史测风塔数据a）测风塔位置应在风电场5km范围内；b）应至少包括10m、70m及以上高程的风速和风向以及气温、气压等信息；c）数据的时间分辨率应不小于10min。 3.3历史数值天气预报历史数值天气预报数据应与历史功率数据相

国家能源局关于印发风电功率预报与电网协调运行实施细则

国家能源局关于印发风电功率预报与电网协调运行实施细则(试行)的 通知 国能新能[2012]-12文件 各省(区、市)发展改革委、能源局、中国气象局，国家电网公司、南方电网公司、华能集团公司、大唐集团公司、华电集团公司、国电集团公司、中电投集团公司、神华集团公司、中广核集团公司、三峡集团公司、中国节能环保集团公司、水电水利规划设计总院、各相关协会: 为促进风电功率预测预报与电网调度运行的协调，根据《风电场功率预测预报管理暂行办法》的有关要求，现将〈风电功率预报与电网协调运行实施细则~(试行)印发你们，请参照执行。 附:风电功率预报与电网协调运行实施细则(试行) 风电功率预报与电网协调运行实施细则(试行) 第-章总则 第一条根据《中华人民共和国可再生能源法》和《节能调度管理办法}，为贯彻落实国家能源局《风电场功率预测预报管理暂行办法}C国能新能(2011 ) 177号)，制定本实施细则。 第二条中国气象局负责建立风能数值天气预报服务平台和业务运行保障体系，为风电功率预测提供数值天气预报公共服务产品和相关技术支持系统。 第三条风电开发企业负责风电场发电功率预报工作，按照要求上报风电场发电功率预报曲线，并执行电网调度机构下发的发电功率计划曲线。 第四条电网调度机构负责电力系统风电发电功率预测工作，建立以风电功率预测预报为辅助手段的电力调度运行机制，保障风电优先调度，落实风电全额保障性收购措施。 风电功率预测预报和并网运行的有关考核办法另行制定。 第五条各有关单位应保证安全接收、传送、应用气象和电力运行等信息，确保涉密信息的获取和使用符合国家相关保密规定。 第二章气象数据服务及功率预测

风电功率预测问题

第一页 答卷编号：论文题目： 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人） 第二页 答卷编号：

风功率预测问题设计 摘要 未来风力发电可能成为和太阳能比肩的新能源行业。随着全球经济的发展和人口的增长，人类正面临着能源利用和环境保护两方面的压力。一方面煤炭、石油和天然气等化石燃料的储量由于大量开采而日益减少：另一方面是大量使用化石燃料对自然环境产生了严重的污染和破坏。这两方面的问题已经引起世界各国政府和人民的高度重视，并在积极寻求一条可持续发展的能源道路，以风能首当其冲。风速的随机性，给，和风电场的功率输Hj带来很大的困难。本文旨在研究分电功率在一段时间的变化规律，本文组建三个模型来解决风电功率的预测问题通过对历史数据的分析，挖掘5月31号到6月6日风电功率的变化趋势，以便直观的检验模型与实际数据是否相吻合。 在问题一中考虑天气变化的随机性，分析不同时间点的数据，将Pa,Pb,Pc,Pd,P58表中5月30日第81时间点到96时间点的数据提取出来运用灰色理论作为预测2006年5月31日开始前四个小时内的16个时间点的数据预。同理以表中已给出的5月31日1-16时间点的数据预测出17-32时间的数据，然后运用此模型得出时间范围a,b内各时间点的风电功率。然后可与题目中以给的数据相比较得出误差。第二种预测方法运用指数平滑模型得出时间范围a,b内各时间点的风电功率。第三种预测方法运用移动平均模型，预测出时间范围a,b内各时间点的风电功率。通过三种预测方法的误差分析我们推荐指数平滑预测法。 在问题二中，通过比较分析问题一的预测结果，比较单台风电机组功率（P A ，P B ，P C ， P D ）的相对预测误差与多机总功率（P 4 ，P 58 ）预测的相对误差，得出风电机组的汇聚程 度越高，对于预测风电功率结果误差影响越小。 在问题三中，选用了BP神经网络的预测方法，加入了更多的自变量，使得预测结果更精确。 （关键词：风速的随机性，风速的预测，风电功率数值，灰色理论，指数平滑模型，移动平均模）

国标风电功率预测系统功能规范送审参考模板

风电功率预测系统功能规范 1 范围 1.1本规范规定了风电功率预测系统的功能，主要包括预测时间尺度、数据准备、数据采集与处理、功率预测、统计分析、界面要求、安全防护、接口要求及性能指标等。 1.2本规范用于指导电网调度机构和风电场的风电功率预测系统的研发、建设和应用管理。 本规定的适用于国家电网公司经营区域内的各级电网调度机构和风电场。 2 术语和定义 2.1风电场 Wind Farm 由一批风电机组或风电机组群组成的发电站。 2.2数值天气预报 Numerical Weather Prediction 根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预算未来一定时间的大气运动状态和天气现象的方法。 2.3风电功率预测 Wind power Forecasting 以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型，以风速、功率或数值天气预报数据作为模型的输入，结合风电场机组的设备状态及运行工况，得到风电场未来的输出功率，预测时间尺度包括短期预测和超短期预测。 2.4短期风电功率预测 Short term Wind Power Forecasting 未来3天内的风电输出功率预测，时间分辨率不小于15min。 2.5超短期风电功率预测 ultra-short term Wind Power Forecasting 0h-4hd的风电输出功率预测，时间分辨率不小于15min。 3.数据准备 风电功率预测系统建模使用的数据应包括风电场历史功率数据、历史测风塔数据、历史数值天气预报、风电机组信息、风电机组及风电场运行状态、地形地貌等数据。 3.1风电场历史功率数据 风电场的历史功率数据应不少于1a，时间分辨率应不小于5min 3.2历史测风塔数据 a）测风塔位置应在风电场5km范围内； b）应至少包括10m、70m及以上搞成的风速和风向以及气温、气压等信息； C）数据的时间分辨率不小于10min。 3.3历史数值天气预报

风电功率预测综述(成品)

风电功率预测综述 摘要： Abstract 引言： 随着环境和能源问题日益突出，开发可再生清洁能源备受人们关注，风能已成为目前最具大规模商业化开发前景的可再生能源，风力发电是有效利用风能的主要途径，也是世界各国为实现能源和电力可持续发展的最佳选择。自1990年以来，风力发电技术有了飞速的发展，在过去的10年之间，风电装机容量在全球范围内已翻了四番，从2002年的24.3GW 到今年预期的203.5GW[1]。 在电力系统中，功率平衡是通过连续不断的调整发电能力以及控制供电需求来实现的。与热力发电相比，由于大自然风的波动特性，使得风电功率具有随机性以及不可控性等特点，因此，大规模风电并网对电力系统的平稳运行提出了更高的要求，当风电功率波动范围超过电力系统的平衡能力时，将会威胁电力系统的运行安全。对风电功率的预测变得至关重要，功率预测技术有助于提前预判风电功率变化，从而使得电网可进行平稳调控，保证电力系统运行的安全性和经济性。短期（从1小时至72小时不等）的风电功率预测技术将便于电网的合理调度，保证供电质量，为风电场的竞价提供保证；中期（从3天到7天不等）风电功率预测技术一般用于维护和调试风电场或电网其他部分；长期（以年为单位）风电功率预测技术主要用于风电场设计研究，进而预测风电场建成之后的年产电量。 风电功率预测的基本方法 以研究对象来分，风力发电的预测模型可以分为两种。第一种为基于一系列风电历史数据分析的直接预测，此方法运用统计方法预测每小时的平均风速，或直接预测电力功率生产。第二种是通过将数值天气预报（NWP）模型作为输入进行的间接预测，此方法使用事先已从气象风动力模型中派生出的变量（主要指一个小时内的平均风速以及风向）对风电功率进行预测。 按照采用的预测模型划分，风电功率预测一般被分为物理方法，统计方法，复合预测方法。对于统计预测方法来讲，大量的历史时间序列数据是必不可少的，通常短期（3h至6h）的预测模型均是以统计学为基础的，较之物理模型有较高的精度，然而对于超过15个小时的预测来说，运用NWP方法更加准确。表1给出了国际上领先的风电功率预测软件模型。 基于数值天气预报（NWP）的风电功率预测 NWP是指根据大气实际情况，设定一定的初值和边界条件，通过计算机程序作数值计算，求解描述天气演变过程的流体动力学和热力学的方程组，预测未来某个时段的大气运动状态和天气现象。 NWP模型的选择标准包括：地理位置，分辨率（包括空间和时间），预测尺度，以及要求的精确度等。NWP模型通常有三个主要部分：动态的大气流所在中心，描述气象变化（例如流动和辐射）的物理方程式和信息采集的软件代码。NWP模型对原始条件（例如温度等）是很敏感的，同时原始条件的确定以及对方程组的求解也是难度极大的。 在区域预测和中尺度水平的另一类NWP模型日益受人们关注，此模型重点用于研究某一地域的天气现象。例如静态的ETA模型,HIRLAM模型和ALADIN模式以及MM5模型。由于预测某个特定风电场的大气现象难度大且花费时间长，因此利用‘升尺度’的方法对该问题进行研究。在升尺度方法中，来自特定区域多个风电

风电场风电功率短期预测技术

风电场风电功率短期预测技术 摘要:风电功率预测是确保电网平衡风电波动，减少备用容量和经济运行的重要技术保障，减少系统的备用容量，降低电力系统运行成本，满足电力市场交易需要，为风力发电竞价上网提供有利条件。 本文基于对常见预测方法的研究和对风速数据的分析，并且针对目前存在的预测方法单一、预测精确度不高等问题，拟使用先进的智能化方法、多种方法综合以达到提高预测精度的目的。 关键词：风电功率预测方法matlab建模时间序列模型 1.文献综述 1.1 国内外风电功率预测现状 国外从事风电功率研究工作起步较早，早在1990 年Landberg 就采用类似欧洲风图集的推理方法开发了一套预测系统[1]，其主要思想是把数值天气预报提供的风速、风向通过一定的方法转换到风电机组轮毂高度的风速、风向，然后根据功率曲线得到风电场的出力，并根据风电场的效率进行修正。这个系统采用了丹麦气象研究院的高精度有限区域模型(high resolution limited area model ，HIRLAM)作为数值天气预报的输入，丹麦里索国家实验室的WAsP 模型把风速、风向转换到轮毂高度的风速、风向；Ris?的PARK 模型考虑尾流的影响。1993—1999 年，这个模型分别用在丹麦东部、爱尔兰电力供应委员会和爱荷华州。 风电功率预测工具(wind power prediction tool，WPPT)由丹麦科技大学开发[2]。1994 年以来，WPPT一直在丹麦西部电力系统运行，从1999 年开始WPPT 在丹麦东部电力系统运行。最初这个系统将适应回归最小平方根法与指数遗忘算法相结合，给出了0.536 h 的预测结果。 Prediktor 是Ris?开发的风电场功率预测系统，它尽可能使用物理模型。大范围的空气流动数据是由数值天气预报系统高精度有限区域模型(high resolution limited area model，HIRLAM)提供的。根据地心自传拖引定律和风速的对数分布图，把高空的风速转换为地面的风速。对于一个特定的地点，需要更详尽的数据，因此可以用WAsP程序来分析，WAsP 可以考虑障碍物和粗糙度的影响、粗糙度的变化、山头的加速和山谷的减速等。PARK 模型可以考虑风电场尾流的影响。最后还有2 个统计模块来表示未能在物理模型中表示出来的其它因素。 Zephry 是Ris?和丹麦科技大学的信息和数学建模学院(informatics and mathematical modeling，IMM)联合开发的新一代短期风功率预测程序[3]。Zephry 集合了

风电功率预测模型

第一页 答卷编号： 论文题目：A题风电功率预测问题 指导教师： 参赛学校： 报名序号： 证书邮寄地址： （学校统一组织的请填写负责人）

第二页 答卷编号：

A 题 风电功率预测问题 摘要 风能是一种可再生、清洁的能源，风力发电技术的进一步研究和开发对解决能源危机、缓解环境压力以及提升经济发展水平具有重大的意义。据此，本文通过建立一系列数学模型来研究和探索风电功率的预测以及提高预测精度问题。 针对第一问，本文提出指数平滑法、小波神经网络以及时间序列ARMA 三种预测模型对风电功率进行预测。指数平滑法采用平滑公式为： 11(1),01,3 t t t s x S t ααα--=+-<≤≥，通过调整平滑参数α来优化预测精度；小波 神经网络采用的小波基函数为Morlet 母小波基函数，小波神经修正采用梯度修正法；ARMA 模型通过确定自回归阶数和移动平均阶数来构造预测表达式。结 进行归一化处理，所得权值向量为(0.3246,0.3344,0.341)w =，得到一组基于以上三种模型的预测数据。使用拟合与聚类分析得出单机系统对多机系统P4的相关性高于对总机系统的相关性，据此，使用基于李雅普诺夫中心极限定理的通过假 机进行预测。修正单机系统预测所带来的相对误差，提高精度。 针对问题三，本文建立基于遗传算法的ARMA 模型，对ARMA 模型的阶数进行优化。定义平均相对变动值（ARTD ），并令遗传算法的适应度函数为： 1 ()f x = 。最后得到具有更高预测精度的模型。具体指标值如下表： 至工程预测、股票分析、生产计划等问题上。

关键字：风电功率预测、时间序列、指数平滑法、小波神经网络、遗传算法 1 问题重述 1．1 问题背景 根据百度百科，“风”是“跟地面大致平行的空气流动，是由于冷热气压分布不均匀而产生的空气流动现象”。风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。现今风力发电主要利用的是近地风能。近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。 根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。在附件1国家能源局颁布的风电场功率预测预报管理暂行办法中给出了误差统计的相应指标。并得知某风电场由58台风电机组构成，每台机组的额定输出功率为850kW。附件2中给出了2006年5月10日至2006年6月6日时间段内该风电场中指定的四台风电机组（A、B、C、D）输出功率数据（分别记为PA，PB，PC，PD;另设该四台机组总输出功率为P4）及全场58台机组总输出功率数据（记为P58）。 1．2 需要解决的问题 问题一：风电功率实时预测及误差分析 请对给定数据进行风电功率实时预测并检验预测结果是否满足附件1中的关于预测精度的相关要求。具体要求： 1）采用不少于三种预测方法（至少选择一种时间序列分析类的预测方法）； 2）预测量： a．PA, PB, PC, PD；b．P4；c．P58。 3）预测时间范围分别为（预测用的历史数据范围可自行选定）： a. 5月31日0时0分至5月31日23时45分；

风功率预测系统基础知识(精华版)

风功率预测系统

一、风功率预测的目的和意义 1. 通过风电功率预测系统的预测结果，电网调度部门可以合理安排发电计 划，减少系统的旋转备用容量，提高电网运行的经济性。 2. 提前预测风电功率的波动，合理安排运行方式和应对措施，提高电网的 安全性和可靠性。 3. 对风电进行有效调度和科学管理，提高电网接纳风电的能力。 4. 指导风电场的消缺和计划检修，提高风电场运行的经济性。 5.应相关政策要求。 二、设备要求 提供的设备应满足《风电功率预测系统功能规范》中所提出的各项要求。

陆丰宝丽华新能源电力有限公司

四、设备介绍 可能涉及到的设备： 以下出自北京中科伏瑞电气技术有限公司的FR3000F系统 数据采集服务器： 运行数据采集软件，与风电场侧风电综合通信管理终端通信采集风机、测风塔、风电场功率、数值天气预报、风电场本地风电功率预测结果等数据。 数据库服务器： 用于数据的处理、统计分析和存储，为保证数据可靠存储，配置了磁盘阵列。应用工作站完成系统的建模、图形生成显示、报表制作打印等应用功能。 风电功率预测服务器： 运行风电功率预测模块，根据建立的预测模型，基于采集的数值天气预报，采用物理和统计相结合的预测方法，并结合目前风电场风机的实时运行工况对单台风机及整个风电场的出力情况进行短期预测和超短期预测。 数据接口服务器： 负责从气象局获得数值天气预报，为保证网络安全在网络边界处配置反向物理隔离设备。同时向SCADA/EMS系统传送风电功率预测的结果。 测风塔： 测风塔测量数据（实时气象数据）是用来进行超短期功率预测的。测风塔有两种类型，一是实体测风塔，一是虚拟测风塔。一个风塔造价占系统的的20~30%左右。 实体测风塔：变化频繁的自然条件和复杂的地形地貌给预测系统增加了困难，实体测风塔的安装台数应根据风场的实际地理条件等情况进行安装，以保障预测的准确性。实体测风塔应安装在风场5km范围内，通过GPRS或者光纤采集风塔的实时气象数据。