基于相似日和人工神经网络的风电功率短期预测

第34卷第12期电网技术Vol. 34 No. 12 2010年12月Power System Technology Dec. 2010 文章编号：1000-3673（2010）12-0163-05 中图分类号：TM 72 文献标志码：A 学科代码：470·40

基于相似日和人工神经网络的风电功率短期预测孟洋洋1，卢继平1，孙华利2，潘雪1，高道春1，廖勇1（1．输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆市沙坪坝区 400044；

2．云南电力调度中心，云南省昆明市 650000）

Short-Term Wind Power Forecasting Based on Similar Days and Artificial Neural Network MENG Yangyang1, LU Jiping1, SUN Huali2, PAN Xue1, GAO Daochun1, LIAO Yong1

(1. State Key Laboratory of Power Transmission Equipment & System Security and New Technology(Chongqing University), Shapingba District, Chongqing 400044, China; 2. Yunnan Electric Power Dispatch Center, Kunming 650000, Yunnan Province, China)

ABSTRACT: It is significant to forecast short-term generated power of wind farm for the security and stability of grid-connected wind farm. According to the factors impacting wind power output a method to select similar days of wind farm’s generated power is proposed and a short-term wind power forecasting model based on similar days and Chebyshev neural network is designed. The designed model is verified by the data of a certain wind farm located in Yunnan province, and the forecasting error and its probability distribution are analyzed. Analysis results show that the results forecasted by the designed forecasting model possess high accuracy, so it is available for reference in wind power forecasting.

KEY WORDS: wind power generation; wind farm; short-term forecasting; similar days; artificial neural network

摘要：风电场发电功率短期预测对并网风力发电系统的安全性和稳定性具有重要意义。根据影响风电出力的因素，提出了选择风电场发电功率相似日的方法，设计了基于相似日和Chebyshev神经网络的风电功率短期预测模型，根据云南某风电场数据对该模型进行验证，分析了预测误差及其概率分布，结果表明该预测模型具有较高的预测精度，可为风电功率预测提供参考。

关键词：风力发电；风电场；短期预测；相似日；人工神经网络

0 引言

随着风电场并网运行规模的增大，国内外对于风力发电并网各种课题的研究越来越深入[1]，但关于风电场发电功率预测的研究还达不到令人满意的程度，预测误差一般都在15%以上[2]。风电场功率预测对接入系统的安全性、稳定性和经济运行具有重要意义[3-4]。如果能对风力发电功率进行比较准确地预测，电力系统调度部门能及时调整调度计划，则可有效地减轻风电场对接入电网的影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，同时为风电场参与发电竞价奠定基础。另外，准确的风力发电功率预测便于安排机组维护和检修，从而提高风电场容量系数。

目前，根据预测的物理量不同，风电功率预测方法分可以分为2类[5]：第1类是先对风速进行预测，然后根据风电机组或风电场的功率曲线得到风电场功率输出；第2类为直接预测风电场的输出功率。风速是影响风电输出功率的关键参数，对风电场先进行风速预测，再由风电机组功率特性得到输出功率的预测值，这是进行风电输出功率预测的有效途径之一[6]。但该方法没有真正实现风电场输出功率预测，因为除此风速外，风向、温度、湿度、地表粗糙度等都对风电场输出功率有一定的影响。直接预测风电场的输出功率的方法又可以分为2种：一种是物理模型法，另外一种是统计方法。实际应用中往往将2者结合起来[7]。

在物理模型法中，需对风电场所在地进行物理建模。该方法的输入参数包括风速、风向、气温和气压等数字气象预报(numerical weather prediction, NWP)数据。气象预报每日更新频率很低，因此该方法更适合中期风电场发电量的预测。但该方法需要丰富的气象知识，需要了解物理特性，如果模型比较粗糙，预测精度就较差[8]。

统计方法的实质是在系统的输入(NWP数据、历史统计数据和实测数据等)和风电功率之间建立一个映射关系。如果该关系可用线性函数的形式表示，如空间相关法[9]、空间平滑法[10]、时间序列法[11]、卡尔曼滤波法[12]、灰色预测法[13]等。最简单的预测

164 孟洋洋等：基于相似日和人工神经网络的风电功率短期预测 Vol. 34 No. 12

方法是持续预测法，即把最近一点的风速或功率观测值作为下一点的预测值[14]。统计方法还包括非线性模型，如人工神经网络法[5,15]、小波分析法[16]、支持向量机(support vector machine, SVM)回归法[17]、模糊逻辑法[18]等。其中，人工神经网络法进行风速或风电功率预测应用得最广。

相似日已经应用于电力负荷预测中，并取得了不错的效果[19-20]，故本文提出了风电发电功率相似日的选择方法。考虑传统BP 神经网络收敛速度慢、隐层神经元个数难以确定等固有缺陷，本文利用能减少隐神经元个数和加快收敛速度的Chebyshev 神经网络对大量历史日及其相似日所含的风电出力样本进行训练。将预测日的相似日风电出力样本输入训练好的Chebyshev 神经网络，即得到风电功率预测结果。云南某风电场的预测结果表明，本文的风电场发电功率短期预测模型可以达到较高的预测精度，具有一定的实用性。

1 风电场发电功率相似日的选择

1.1 影响风电出力的因素

风力机捕获的风功率[5]可以用下式来表示：

3p /2P C A v ρ= (1)

式中：P 为风机输出功率，kW ；C p 为风轮的功率系数；ρ为空气密度，kg/m 3

；A 为风轮扫掠面积，

m 2；v 为风速，m/s 。

对Matlab 2007b/Simulink 7.1模型库中的风电机组模型进行仿真，可得到图1所示风电机组(桨距角为0°)功率特性曲线。图中：风速基准值为11m/s ；风电机组额定功率为1.5 MW 。从图1可看出：在功率曲线较陡的区域，较小的风速变化会引起较大功率变化；风速是影响风电机组出力的关键因素。

风机输出功率/p u

风速/pu

0.0

0.2 0.4 0.6

0.8 1.0

图1 风电机组功率曲线

Fig. 1 A power curve of the wind power generator

风力发电场一般是将多台风力发电机按照地形和主风向排成机群向电网供电。由于风能被风电机组风轮吸收，风轮后面的风速会降低，这就是尾流效应。受上风向风电机组尾流的影响，下风向风电机组捕获的风能减少，相应风电机组的出力也降低。风速较低时，受尾流和粗糙度的影响，在某些

风向下风电场效率较低。风速超过额定风速一定量后，后面机组的风速也超过额定风速，此时尾流效应不影响输出功率，风电场在任何风向下效率系数都为100%[5]。因此，风向也是影响风电出力的因素。

由式(1)可知，ρ是影响输出功率的重要因素之一。随着ρ的增大，风电机组的输出功率也相应变大[5]。ρ和湿度、温度、压强密切相关，因此在风电功率预测中还要考虑温度、湿度和压强。 1.2 相似日的选择方法

本文选取风速信息、风向信息、气温信息、气压信息和湿度信息作为影响风电场出力的因素。这些局部信息可由气象部门提供的信息得到。这些信息能大致决定全天的气象状况，由于这些气象信息都是影响风电出力的因素，从而可大致决定风电全天出力情况。对历史日进行搜索，构成训练样本集，这将有利于提高预测模型的外推效果。各影响因素构成如下向量：

min 1max 2aver aver min 3max 4[,,,,cos ,sin ,

,,,,,]v t v t P h t t t t θθ=Y (2)

式中：min v 、max v 分别为风速最大和最小值，1t 、2t 分别为最小和最大风速值出现的时刻；cos θ、sin θ分别为风向的余弦和正弦值；aver P 、aver h 分别为压强和湿度平均值；min t 、max t 分别为最低和最高气温，

3t 、4t 分别为最低和最高气温出现的时刻。

确定了各因素构成的向量后，本文采用“极差化”方法对各分量进行归一化，公式如下：

()[()()]/[()()]i i x j y j m j M j m j =?? (3) 式中：()i y j 为分量；()m j 和()M j 分别为第j 个分量的最小值和最大值。

设有n 个影响因素，归一化后基准日和第j 日 各影响因素构成的向量分别为x 0和j x ，则有

T

0000T [(1),(2),,()][(1),(2),,()]j j j x x x n x x x n =???=???j x x (4)

x 0与x j 在第k 个因素的关联系数为

0000m inmin|()()|m axm ax|()()|

()|()()|m axm ax|()()|

j j j k

j k

j j j j

k

x k x k x k x k k x k x k x k x k ρερ?+?=?+?(5) 式中：ρ是分辨系数，其值一般取0.5。综合各点的关联系数，定义整个0x 与j x 的相似度为

1

()n

j j k F k ε==∏ (6)

采用这种连乘方式定义相似度，可简单、自动地识别主导因素，并解决各因素权重设定问题[20]。对于风电出力预测，主导因素应为风速和风向。选

第34卷 第12期 电 网 技 术 165

择第i 日相似日的具体步骤为：

1）从最临近历史日开始，逆向逐日计算第j 日与第i 日的相似度值j F 。

2）选取最近N 日中相似度最高的m 日或者相

似度j F r ≥(r 为一定的数值，如r =0.85)的m 日作为第i 日的相似日。

2 Chebyshev 神经网络预测模型的提出

2.1 Chebyshev 正交基函数

由文献[21]可知，由如下递推公式定义的函数是x 的n (n 为自然数)次正交多项式：

011

1()1()()2()()

n n n T x T x x T x xT x T x +?=??

=??=?? (7) 同理，由如下递推公式定义的函数也是x 的n 次正交多项式：

011

1()1()2()2()()

n n n U x U x x

U x xU x U x +?=??

=??=?? (8) 由式(7)(8)定义的多项式函数统称为

Chebyshev 正交基函数，分别为第1类Chebyshev 正交基函数和第2类Chebyshev 正交基函数。 2.2 Chebyshev 神经网络的建模原理

本文采用BP 学习算法[5]来确定Chebyshev 神经网络的权值，采用神经网络衍生算法来确定

Chebyshev 神经网络最佳或较佳的拓扑结构。神经网络衍生算法的基本原理[21]是：先取1或2个隐神经元作为初始神经元，当学习一定次数后误差不再变化且误差大于预先给定的精度指标时，网络自动衍生，即增加一个隐神经元。重复以上过程，当误差小于预先给定的精度指标时，停止衍生和学习，此时目标精度的神经网络拓扑结构已自动生成。

由于Chebyshev 神经网络隐层神经元的激励函数为一组Chebyshev 正交基函数，因此当用该网络逼近复杂非线性目标时，与传统的BP 网络相比，隐神经元个数可显著减少，这有利于减少训练次数，加快算法收敛速度。

2.3 本文的预测模型

结合相似日的外推效果和Chebyshev 神经网络的优点，本文提出了基于相似日和Chebyshev 神经网络的风电出力短期预测模型。

具体预测的步骤为：

1）根据本文提出的选择风电出力相似日的方法，选择某些历史日及其相似日。一般地，相似日

个数m 要大于3，

以满足训练网络有较强的外推性。 2）

以历史日实际数据作为输出，将该历史日m 个相似日相同时间的数据作为输入，对历史日以及其相似日风电出力样本进行Chebyshev 函数神经网络训练。

3）选择预测日的m 个相似日，将相似日样本输入训练好的Chebyshev 神经网络，得出预测日的风电场发电功率。

Chebyshev 神经网络预测模型见图2。

输入层

相似日风电功率数据

图2 Chebyshev 神经网络预测模型

Fig. 2 Forecast model of Chebyshev neural network

3 算例结果与分析

3.1 神经网络的训练

本文以云南某风电场为例进行验证。整个风电场总共安装64台单机容量为750 kW 的定桨失速型风电机组，风电场总装机容量为48 MW 。选择2010年1月和2月及其相似日的风速数据作为训练样本，以训练出的Chebyshev 神经网络对该风电场

2010年3月22日进行风电场出力预测。

每个历史日的相似日个数选为5，每10 min 采样1次，即每1天有144个点。初始网络结构为

5×2×1，分别采用第1类Chebyshev 神经网络、第2类Chebyshev 神经网络、传统BP 神经网络对该训练样本进行训练，结果见表1。

由表1可以看出：与传统的BP 神经网络相比，采用Chebyshev 神经网络可以减少隐层神经元数量，提高风电出力样本的训练速度，具有一定的优势；在误差相当时，第2类Chebyshev 神经网络较第1类Chebyshev 神经网络训练次数少，故本文采

表1 神经网络建模

Tab. 1 Model of neural network

神经网络类型 最佳或较佳网络

训练次数

训练误差

第1类Chebyshev

神经网络 5×3×1 54 1.171×10?10 第2类Chebyshev

神经网络 5×3×1 19 1.187×10?10传统BP 神经网络

5×4×1 320 6.982×10?10

166 孟洋洋等：基于相似日和人工神经网络的风电功率短期预测

Vol. 34 No. 12

用第2类Chebyshev 神经网络。 3.2 风电功率预测结果及分析

由本文提出的求取风电场发电功率相似日的方法，可得出3月22日相似度最高的5 d ，这5 d 相似日及相似度的计算结果见表2。3月22日和相似日的风电场功率曲线如图3所示。从图3可以看出，3月22日与相似日的风电功率曲线形状相似，变化趋势相似，幅值大致相同。这说明，采用本文提出的选取相似日的方法可以有效提取具有相似功率曲线的训练数据。

表2 相似度计算结果

Tab. 2 Calculation reults of similarity degree

日期 9日 10日 13日 14日 15日 相似度

0.87 0.93 0.91 0.90 0.89

功率输出/M W

1 400

t /min 1 200 1 000 800 600 400 200 0

9日 10日

13日 14日

22日

15日

图3 风电场功率数据曲线

Fig. 3 Curves of wind power data

将相似日数据输入已经训练好的Chebyshev 神经网络，得到3月22日风电功率预测值。同时采用最简单的持续预测法对3月22日风电功率进行预测，把预测值和实测值相比较就得到预测的逐点误差，采用持续预测法得到的平均百分比误差为

16.35%，而采用本文方法得到的平均百分比误差为10.78%，2种方法的预测结果及误差曲线见图4。从图4可以看出：采用持续预测法时预测误差较大，预测结果不稳定；而采用本文提出的模型时预测误差主要集中在±10%之间，预测结果较稳定。

进一步统计分析持续预测法和本文所建模型的预测误差序列，得到误差分布，对误差分布进行拟合，得到图5所示上述方法的误差概率分布曲线。 持续预测法的预测误差概率分布拟合曲线 432()9.76110.2441 2.75730.02210.2159p x x x x x =+??+，近似服从(0,0.0169)N 。

本文提出的预测模型的预测误差概率分布拟合曲线432()10.032 5.715 4.3900.0838p x x x x x =???+ 0.1820，近似服从

(0,0.049)N 。

4 结论

1）Chebyshev 神经网络具有较强的非线性学习能力，与传统BP 神经网络相比，具有计算速度快、

风电场发电功率/p u

1 400

1 200 1 000 800 600 400

200

1 4001 200 1 000 800 600 400

200

误差/p u

实际功率曲线

预测功率曲线

0.00.2

0.40.60.80.0?0.4?0.8

0.40.8

t /min

t /min

(a) 采用持续预测法的预测结果及误差曲线

风电场发电功率/p u

1 4001 200 1 000 800 600 400

200

1 4001 200 1 000 800 600 400

200

误差/p u

0.20.10.0?0.1?0.2?0.3

0.00.20.40.60.81.0

实际功率曲线

预测功率曲线

t /min

t /min

(b) 采用本文方法的预测结果及误差曲线 图4 风电功率预测结果及误差曲线

Fig. 4

误差出现的概率/%

50

40 30 20 10 0 ?20实际误差概率分布曲线

误差概率拟合分布曲线

?10?30误差/%

(a) 采用持续预测法的预测误差分布及其拟合曲线

误差出现的概率/%

3020 10 0

?20

实际误差概率分布曲线误差概率拟

合分布曲线

?10 ?30

40

误差/%

(b) 采用本文方法的预测误差分布及其拟合曲线

图5 预测误差分布及其拟合曲线

Fig. 5 Forecast error distribution curve and fitting curves

易于收敛、隐层神经元数量少等优点，可用于风电场输出功率的预测。

第34卷第12期电网技术 167

2）采用本文提出的风电场发电功率相似日的选择方法对风电出力数据进行甄别和预处理，筛选出了某些特征相似、适于进行预测的样本，并将其作为神经网络的输入。由于筛选出的这些样本相似度高，所以对风电功率的预测精度有很大的帮助。

3）应用云南某风电场的出力数据对本文预测模型进行验证，其预测精度是令人满意的，该方法具有一定的实用性。

4）采用持续预测法和本文方法的预测误差概率分布近似服从正态分布，可以作为风电场发电功率误差均值和方差的置信区间估计的依据。

致 谢

本文的研究得到了重庆市科委科技计划攻关项目(CSTC2008AB3047)的资助，谨此致谢。

参考文献

[1] 迟永宁，刘燕华，王伟胜，等．风电接入对电力系统的影响[J]．电

网技术，2007，31(3)：77-81．

Chi Yongning，Liu Yanhua，Wang Weisheng，et al．Study on impact of wind power integration on power system[J]．Power System Technology，2007，31(3)：77-81(in Chinese)．

[2] 杨秀媛，肖洋，陈树勇．风电场风速和发电功率预测研究[J]．中

国电机工程学报，2005，25(11)：1-5．

Yang Xiuyuan，Xiao Yang，Chen Shuyong．Wind speed and generated power forecasting in wind farm[J]．Proceedings of the CSEE，2005，25(11)：1-5(in Chinese)．

[3] 吴国旸，肖洋，翁莎莎．风电场短期风速预测探讨[J]．吉林电力，

2005(6)：21-24．

Wu Guoyang，Xiao Yang，Weng Shasha．Discussion about short-term forecast of wind speed on wind farm[J]．Jilin Electric Power，2005(6)：21-24(in Chinese)．

[4] Fabbri A，Román T G S，Abbad J R，et al．Assessment of the cost

associated with wind generation prediction errors in a liberalized electricity market[J]．IEEE Trans on Power Systems，2006，21(2)：965-972．

[5] 范高锋，王伟胜，刘纯，等．基于人工神经网络的风电功率预测

[J]．中国电机工程学报，2008，28(34)：118-123．

Fan Gaofeng，Wang Weisheng，Liu Chun，et al．Wind power prediction based on artificial neural network[J]．Proceedings of the CSEE，2008，28(34)：118-123(in Chinese)．

[6] 吴兴华，周晖，黄梅．基于模式识别的风电场风速和发电功率预

测[J]．继电器，2008，36(1)：27-31．

Wu Xinghua，Zhou Hui，Huang Mei．Wind speed and generated power forecasting based on pattern recognition in wind farm[J]．Relay，2008，36(1)：27-31(in Chinese)．

[7] Ma Lei，Luan Shiyan．A review on the forecasting of wind

speed and generated power[J]．Renewable and Sustainable Energy Reviews，2009(13)：915-920．

[8] 王丽捷，廖晓钟，高阳，等．风电场发电功率的建模和预测研究

综述[J]．电力系统保护与控制，2009，37(13)：118-121．

Wang Lijie，Liao Xiaozhong，Gao Yang，et al．Summarization of modeling and prediction of wind power generation[J]．Power System Protection and Control，2009，37(13)：118-121(in Chinese)．[9] Alexiadis M C，Dokopoulos P S，Sahsamanoglou H S．Wind speed

and power forecasting based on spatial correlation models[J]．IEEE

Trans on Energy Conversion，1999，14(3)：836-842．

[10] 曾鸣，沈又幸，吕俊昌．基于空间平滑法的风电场短期出力预测

模[J]．现代电力，2008，25(3)：81-84．

Zeng Ming，Shen Youxing，Lü Junchang．Short-term output forecasting model of wind site based on spatial smoothing[J]．Modern

Electric Power，2008，25(3)：81-84(in Chinese)．

[11] Kamal L，Jafri Y Z．Time series models to simulate and forecast

hourly averaged wind speed in Wuetta Pakistan[J]．Solar Energy，

1997，61(1)：23-32．

[12] Bossanyi E A．Short-term wind prediction using kalman filter

[J]．Wind Engineering，1985，9(1)：1-8．

[13] 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 Generation，Transmission and Distribution，2007，

1(6)：928-937．

[14] Brown B G，Katz R W，Murphy A H．Time series models to simulate

and forecast wind speed and wind power[J]．Journal of Climate and Applied Meteorology，1984(23)：1184-1195．

[15] Barbounis T G，Theocharis J B．Locally recurrent neural networks for

wind speed prediction using spatial correlation[J]．Information

Sciences，2007，177(24)：5775-5797．

[16] Cao Lei，Li Ran．Short-term wind speed forecasting model for wind

farm based on wavelet decomposition[C]//The 3th International Conference on Deregulation and Restructuring and Power Technologies．Nanjng，China：ICSET，2008．

[17] Mohandes M A，Halawani T O，Rehman S，et al．Support vector

machines for wind speed prediction[J]．Renewable Energy，2004，

29(6)：939-947．

[18] Alexiadis M，Dokopoulos P，Sahsamanoglou H，et al．Short term

forecasting of wind speed and related electrical power[J]．Solar

Energy，1998，63(1)：61-68．

[19] 康重庆，程旭，夏清，等．一种规范化的处理相关因素的短期负

荷预测新策略[J]．电力系统自动化，1999，23(18)：32-35．

Kang Chongqing，Cheng Xu，Xia Qing，et al．A new unified approach

to short-term load forecasting considering correlated factors [J]．Automation of Electric Power Systems，1999，23(18)：32-35．[20] 黎灿兵，李晓辉，赵瑞，等．电力短期负荷预测相似日选取算法

[J]．电力系统自动化，2008，32(9)：69-71．

Li can Bing，Li Xiaohui，Zhao Rui，et al．Power load forecasting similar days selecting algorithm[J]．Automation of Electric Power Systems，2008，32(9)：69-71(in Chinese)．

[21] 邹阿金，张雨浓．基函数神经网络及应用[M]．广州：中山大学出

版社，2009：24-30．

收稿日期：2010-08-09。

作者简介：

孟洋洋(1986)，男，硕士研究生，研究方向为电

力系统及其自动化，E-mail：mengyangyang86

@https://www.sodocs.net/doc/fc13977362.html,；

卢继平(1960)，男，教授，博士生导师，主要从

事电力系统运行与控制等方面的研究工作，E-mail：

lujiping@https://www.sodocs.net/doc/fc13977362.html,；

孙华利(1983)，男，硕士，主要从事电力系统调度与运行工作。

孟洋洋

(责任编辑 杜宁)

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。

浅谈风电功率预测系统的必要性

浅谈风电功率预测系统的必要性 随着我国风电、光伏发电等新能源的发展，并网难的问题也逐渐显现。但由于电能的储存难题一直没能有效解决，新能源并网问题仍处于探索状态。由于新能源发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好新能源发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。 应对以上问题，国能日新研发了SPWF-3000风电功率预测系统。该系统具有高精度数值天气预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。风电功率预测系统短期预测精度超过80%，超短期预测精度超过90%。使风电场可以向电网公司提供准确的天发电功率，电网调度可以有效利用风电资源，提高风电发电上网小时数。并且由于对未来一段时间的发电功率有所了解，电网调度也可以合理的安排个风电场的发电情况，防止由于天气变化引起电场出力的突然增大或减小对电网造成的损失。 在欧洲发达国家，电网公司会优先购买预测准确的风电场电力，限制预测不准的风电场电量或采取处罚措施。而在我国，由于风电发展迅速，历史数据少，风电场地形复杂，气候类型多样。国外已有统计预测方法无法全面满足国内风电预测的要求。而国能日新风功率预测产品采用多元化智能自适应数据建模。建立优化的物理模型与人工智能模型相结合的功率预测双模型。短期预测精度超过80%，超短期预测精度超过90%。风电场可以根据预测结果以及调度的指令，合理的安排风电场运行，增加发电量。 因此，风电功率预测无论对风电场还是电网来说都是很有必要的。在为风电场增加发电量的同时，还减小了对电网的冲击。而功率预测最重要的就是精确度，高精度的功率预测可以起到很大的正面作用，而如果预测精度不够也会造成很多不必要的损失。国能日新风电功率预测系统以高精度的测量目标要求自己，为用户提供高精确度的预测结果。

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，

风电功率预测问题3

关于实时预测风电机组功率的研究 摘要 能源、环境是当今人类生存和发展所要解决的紧迫问题。风力发电由于清洁无污染，施工周期短，投资灵活，占地少，具有较好的经济效益和社会效益， 己受到世界各国政府的高度重视，成为当今世界增长最快的可再生能源，许多国家已把发展风力发电作为改善能源结构、减少环境污染和保护生态环境的一种措施。 电力系统调度部门必要时及时调整调度计划，这样便可有效的减轻风电对整个电网的影响。所以，风速和风力发电功率的准确预测对于负荷管理和系统运行便显得十分重要，而且还可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，并且有利于在电力市场环境下正确制定电能交换计划，以充分利用风力资源，获得更多的经济效益和社会效益。 本文针对风电功率的预测问题进行了一系列的研究建模。对于风电功率的预测建立了三种不同的模型，然后将其进行误差分析，得出误差最小的人工神经网络模型，并对模型进行进一步的探讨，得出更高精度的模型。同时，也将单台风电机的输出功率的预测数据与多台风电机的输出功率预测数据进行比较。得出了相关规律。 对于问题一，我们利用ARIMA模型、灰色模型和人工神经网络模型对风电功率进行了实时预测，并将预测数据与事先准备好的实际数据进行比较，然后分析误差，得出了人工神经网络模型为最优模型的结论。对于ARIMA模型我们主要采用SPSS软件对数据进行预处理，然后建立。而灰色模型主要利用EXCEL软件。至于人工神经网络模型主要利用的MATLAB软件进行模型的建立。最后利用最小二乘法原理，预测数据并将数据进行拟合修正。分析误差，得出结论及相应的预测数据。 对于问题二，我们将但台风电机的预测数据与多台风电机的预测数据进行比较，得出多台风电机输出功率并不是单台风电机的输出功率单纯的叠加，而需要利用加权算法进行运算得出总功率，并进行修正，才能得出精度较高的结果。 对于问题三，我们在问题一的得出人工神经网络模型的精度最高，根据此启示，我们再次利用MATLAB建立了小波神经网络模型，然后对数据进行预测，拟合修正，得出最优解。 关键词：风电功率最小二乘法数据拟合 Matlab 人工神经网络模型 §1 问题的重述

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

风电功率预测的发展成就与展望

风电功率预测的发展现状与展望 范高锋，裴哲义，辛耀中 （国家电力调度通信中心，北京100031） 摘要：风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文从电力调度运行的角度，在风电功率预测技术的发展现状、系统建设情况、预测误差、预测评价指标和预测的主体等方面展开了论述，对目前存在的基础数据不完善、预测精度不高、预测的时间尺度较短和风电场普遍没有开展预测的问题进行了分析，提出了加强电网侧和风电场侧风电功率预测系统建设、加快超短期预测功能建设、继续深化预测技术研究、加强标准体系建设和开展跨行业合作等发展建议。 关键词:风电场；功率；预测；系统 中图分类号：TM614 文献标志码：A 文章编号： Wind power prediction achievement and prospect FAN Gao-feng , PEI Zhe-yi , XIN Yao-zhong (National Power Dispatching& Communication Center，Beijing 100031) Abstract: Wind power prediction is important to the operation of power system with comparatively large mount of wind power. This paper summarized the current situation of wind power prediction technology, wind power prediction system construction, prediction error, assessment index, and main market body of prediction from the power dispatch perspective. The main problems includes basic data incomplete, prediction precision relatively low, prediction time scale short and wind farm no wind power system are analyzed. Suggestions of enforcing grid side and wind farm side wind power prediction system construction, speeding up ultra-short term wind power prediction system construction, deepening wind power prediction technology study, strengthening prediction technical standard system and cooperation of different industry are proposed. Keywords: wind farm; power; prediction; system 0引言 电力系统是一个复杂的动态系统。维持发电、输电、用电之间的功率平衡是电网的责任。在没有风电的电力系统，电网调度机构根据日负荷曲线可以制定发电计划，以满足次日的电力需求。风电场输出功率具有波动性和间歇性，风电的大规模接入导致发电计划制定难度大大增加，风电对电力系统的调度运行带来巨大挑战。 目前风电对全网的电力平衡已经带来很大的影响[1-3]。对风电场输出功率进行预测是缓解电力系统调峰、调频压力，提高风电接纳能力的有效手段之一。同时，风电功率预测还可以指导风电场的检修计划，提高风能利用率，提高风电场的经济效益。经过多年的科研攻关与技术创新，我国具有自主知识产权的风电功率预测系统已在电力调度机构获得了广泛应用，12个网省调建立了预测系统，覆盖容量超过12GW，在电网调度运行中发挥了一定作用。本文对近年来风电功率预测方面完成的工作进行了总结，对存在的问题进行了论述，并提出了下一步的发展建议。 1 风电功率预测发展现状 1.1 风电功率预测技术的发展情况 电网调度部门对风电功率预测的基本要求有2个：一是短期预测，即当天预测次日0时起72h的风电场输出功率，时间分辨率为15 min，用于系统发电计划安排；另一个是超短期预测，即实现提前量为0~4h的滚动预测，用于电力系统实时调度[4]。 风电功率预测方法主要分为统计方法、物理方法[5-6]。统计方法是指不考虑风速变化的物理过程，而根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测，常用的预测模型有时间序列、神经网络、支持向量机等。物理方法是指风电功率预测的物理方法根据数值天气预报模式的风速、风向、气压、气温等气象要素预报值以及风电场周围等高线、粗糙度、障碍物等信息，采用微观气象学理论或计算流体力学的方法，计算得到风电

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）

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。

风电功率预测问题

数学建模论文 题目：A题风电功率预测 参赛队员信息： 队员1 队员2 队员3 姓名张旭汪宝施灵卫 专业物理学物理学电气工程及其 自动化 邮箱1786428369@q https://www.sodocs.net/doc/fc13977362.html, 1026253546@q https://www.sodocs.net/doc/fc13977362.html, 404842219@qq. com

风电功率预测问题 摘要：风电接入电网时，大幅度的风电功率变化对电网的功率平衡调节会产生不利影响.对风电功率进行准确预测，电力调度部门就可以根据预测的功率安排调度计划，保证电网功率平衡和运行安全.通过建立数学模型解决风电功率预测问题.首先对P A ,P B ,P C ,P D ,P 58进行统计分析，分别求出A 、B 、C 、D 单机每天的功率和，用MATLAB 分别绘制出单机每天的总功率和随天数变化的四组曲线，四组曲线变化趋势相同，具有相同的周期T=7天.比较P A P B ,P C ,P D ,P 58随天数变化曲线，以T=7天为一个周期，建立前一个周期内功率变化函数模型，预测下一个周期内的功率.建立三种函数模型. 模型一：利用MATLAB 对一周内七天的曲线进行拟合，得到一个三次曲线 = ，以7天为周期，预测下个周期功率. 模型二:建立灰色系统模型.选一周内7天的28个数据 进行累加得到新的数据序 列 ，j=28利用灰色系统理论进行求解 ， 得到七天的功率满足的函数关系，根据函数变化趋势预测功率. 模型三：建立自回归移动平均模型ARIMA(p,d,q)，通过 作图发现时间序列是非平稳的，采取适当差分则会显示出平稳序列的性质，对序列分析求解得到参数，最后得到线性函数 根据函数变化趋势，预测下一周内的功率变化. 关键词：时间序列 灰色系统 非线性拟合 ARIMA(p,d,q) d ct b a t t +++2 3 ()t f () })28(,),2(),1({) 0() 0() 0(0x x x x =() ()()()j j j x x ∑=1 01() ()t x 0()()()() P T p t t t t X X X X X ----+???+++=????332211

风电功率预测系统设计方案

风功率预测系统设计方案 随着社会的发展，传统能源出现面临枯竭的危险，发展新能源经济是当今世界的历史潮流和必然选择。而二次能源开发中利用风力发电是最有潜力最为环保的方式之一，但这也引出了分布式发电并网难的问题。由于风能发电的间歇性、不稳定性，并网后对电网冲击巨大，因此，做好风能发电的预测和调控是风力发电并网稳定运行和有效消纳的重要条件。 国外的经验证明，对风力发电进行有效预测，可以帮助电网调度部门做好各类电源的调度计划，减少风电限电，由此大大提高了电网消纳风电的能力，进而减少了由于限电给风电业主带来的经济损失，增加了风电场投资回报率。为此，国能日新自主研发的风电功率预测系统，为国家的风电事业发展贡献自己的一份力量。 风就是水平运动的空气，空气产生运动，主要是由于地球上各纬度所接受的太阳辐射强度不同而形成的。在赤道和低纬度地区，太阳高度角大，日照时间长，太阳辐射强度强，地面和大气接受的热量多、温度较高；在高纬度地区太阳高度角小，日照时间短，地面和大气接受的热量小，温度低。这种高纬度与低纬度之间的温度差异，形成了南北之间的气压梯度，使空气作水平运动，风沿水平气压梯度方向吹，即垂直与等压线从高压向低压吹。

地球在自转时，使空气水平运动发生偏向的力，称为地转偏向力，这种力使北半球南方吹向北方的风向东偏转，北方吹向南方的风向西偏转，南半球则相反。所以地球大气运动除受气压梯度力外，还要受地转偏向力的影响，大气真实运动是这两种力综合影响的结果。 国能日新开发的风电功率预测系统SPWF-3000，具备高精度数值气象预报功能、风电信号数值净化、高性能物理模型、网络化实时通信、通用风电信息数据接口等高科技模块；可以准确预报风电场未来168小时功率变化曲线。在即使没有测风塔的情况下，采用国能日新的虚拟测风塔技术，风功率系统短期预测精度超过80%，超短期预测精度超过90%。

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：s t x t 1 (1 )S t 1,0 1,t 3，通过调整平滑参数来优化预测精度；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 针对第二问，本文在第一问所求结果的基础上，使用熵值赋权法对三种模型 进行归一化处理，所得权值向量为w (0.3246,0.3344,0.341) ，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设相对误差小于题目要求的概率模型，求得单机组和多机组的通过检验概率为： 最后得出普遍性规律为：由于多机预测较精确，可以用多机系统的预测结果对单机进行预测。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： f(x) ARTD。最后得到具有更高预测精度的模型。具体指标值如下表： 本文提出的模型对风电功率的预测具有重大的借鉴意义，并可将其模型推广应用至工程预测、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

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