免費下載！
[!--downpath--]1. 風電預(yù)測
風速、風向、溫度、氣壓等SCADA實時數(shù)據(jù)，等高線、障礙物、粗糙度等數(shù)據(jù)，以及數(shù)值天氣預(yù)報數(shù)據(jù)。 將其中的各個數(shù)據(jù)按照一定的方式轉(zhuǎn)換為風機輪胎高度處的風速和風向，然后根據(jù)功率曲線得到風電場的出力，并根據(jù)風電場的效率進行修正。
2 預(yù)測意義
風電功率預(yù)測的意義如下：①用于經(jīng)濟調(diào)度，根據(jù)風電場預(yù)測的出力曲線，優(yōu)化常規(guī)機組的出力，達到降低運行成本的目的。 ②根據(jù)風電出力的變化規(guī)律，提高系統(tǒng)的安全性、可靠性和可控性。 ③在風電參與電力市場體系中，優(yōu)化電力市場電力價值。 在電力市場上，風電場預(yù)測風電并參與電力市場競價； 電網(wǎng)公司對風電進行預(yù)測，以確保系統(tǒng)安全、經(jīng)濟運行。
①優(yōu)化電網(wǎng)調(diào)度，降低旋轉(zhuǎn)備用容量，節(jié)約燃料，保障電網(wǎng)經(jīng)濟運行。 風電場出力的短期預(yù)測將使電力調(diào)度部門能夠針對風電出力的變化提前調(diào)整調(diào)度計劃； 從而減少系統(tǒng)儲備容量，降低功耗。 系統(tǒng)運行成本。 這是減少風電對電網(wǎng)不利影響、增加系統(tǒng)風電裝機容量的有效途徑。
②滿足電力市場交易需求，為風電競價上網(wǎng)提供有利條件。 從發(fā)電公司（風電場）的角度來看，未來風電一旦參與市場競爭，與其他可控發(fā)電方式相比，風電的間歇性將大大減少。 削弱風電競爭力，供電不可靠都會受到經(jīng)濟處罰。 提前十天預(yù)測風電場出力將大大增強風力發(fā)電的市場競爭力。
③便于安排機組維護檢修，提高風電場容量系數(shù)。 風電場可以根據(jù)預(yù)報結(jié)果選擇無風或低風時間段，即風電場出力較小的時間段，對設(shè)備進行修復(fù)，從而增加發(fā)電量和風電場容量。 系數(shù)。
3、預(yù)測方法分類
風功率預(yù)測方法可分為兩類：一類是根據(jù)數(shù)值天氣預(yù)報數(shù)據(jù)對風電場的輸出功率進行數(shù)學估算； 根據(jù)數(shù)據(jù)進行預(yù)測的統(tǒng)計方法。 考慮地形、粗糙度等信息，利用數(shù)學方程進行預(yù)測的方法稱為化學法，根據(jù)歷史數(shù)據(jù)進行統(tǒng)計分析，找出其內(nèi)在規(guī)律并用于預(yù)測的方法稱為統(tǒng)計法（如神經(jīng)網(wǎng)絡(luò)方式、模糊邏輯等）。
如果同時使用化學方法和統(tǒng)計方法，則稱為綜合技術(shù)。
風功率預(yù)測方法根據(jù)預(yù)測的化學量進行分類，可分為兩類：第一類是風速預(yù)測，然后根據(jù)風的功率曲線得到風電場的功率輸出渦輪機或風電場； 第二類是直接預(yù)測風電場的輸出功率。
根據(jù)所使用的語言模型，可分為連續(xù)預(yù)測法、自回歸移動平均（auto，ARMA）模型法、卡爾曼混合法和智能法。 連續(xù)預(yù)測方法是最簡單的預(yù)測模型。 這些方法認為風速預(yù)測值等于近期風速值的滑動平均值。 一般情況下，將某一點的風速視為下一點的風速預(yù)報。 該模型的預(yù)測偏差較大。 較大，且預(yù)測結(jié)果不穩(wěn)定。 改進的方法包括ARMA模型和向量自回歸模型、卡爾曼混合算法或時間序列方法和卡爾曼混合算法。 此外，還有一些智能方法，例如人工神經(jīng)網(wǎng)絡(luò)方法。
根據(jù)預(yù)報系統(tǒng)輸入數(shù)據(jù)的分類，還可分為兩類：一類不使用數(shù)值天氣預(yù)報數(shù)據(jù)，另一類使用數(shù)值天氣預(yù)報數(shù)據(jù)。
按預(yù)測的時間尺度分類，可分為超短期預(yù)測和短期預(yù)測。 所謂超短期預(yù)報沒有統(tǒng)一的標準，一般認為不超過30分鐘的預(yù)報為超短期預(yù)報。 對于幾分鐘內(nèi)的預(yù)測，時間較短，主要用于風力發(fā)電控制、電能質(zhì)量評估和風力發(fā)電機機械部件的設(shè)計。 這些分鐘級預(yù)報通常不使用數(shù)值天氣預(yù)報數(shù)據(jù)。 短期預(yù)測通常可以視為30min~72h的預(yù)測，主要用于電力系統(tǒng)的功率平衡和調(diào)度、電力市場交易、暫態(tài)穩(wěn)定評估等。對于較長時間尺度的預(yù)測，主要用于系統(tǒng)維護目前，常年中期預(yù)測還存在很大困難。 由于風速、風向等天氣條件是由大氣運動決定的，不考慮數(shù)值天氣預(yù)報數(shù)據(jù)就很難反映大氣運動的本質(zhì)，因此無法獲得較好的預(yù)測結(jié)果。 預(yù)測數(shù)據(jù)作為一組重要的輸入數(shù)據(jù)。
4 預(yù)測方法的異同及適用范圍
1.風速預(yù)測方法 在進行中期或更長時間的功率預(yù)測時，基于風速的預(yù)測方法就是上面介紹的“物理方法”。
在短期預(yù)測中，基于風速的預(yù)測方法主要分為兩步：首先，利用風速模型預(yù)測風電機輪輪胎高度處的風速和風向，垂直于風輪掃過平面的風速為估計重量； 然后利用風力發(fā)電機的功率曲線來估算啟動電機的實際輸出功率。 這里的風速模型是采用統(tǒng)計方法或者學習方法構(gòu)建的，輸入一般是歷史風速序列和實時采集的風速。
連續(xù)預(yù)測法是該領(lǐng)域最簡單的方法，認為風速預(yù)測值等于近期風速歷史值的移動平均值。 一般情況下，簡單地將最近點的風速觀測值作為下一點的風速預(yù)測值。 模型預(yù)測偏差較大，預(yù)測結(jié)果不穩(wěn)定。
卡爾曼混合方法以風速為狀態(tài)變量構(gòu)建狀態(tài)空間模型，利用卡爾曼混合算法實現(xiàn)風速預(yù)測。 這些算法是在噪聲的統(tǒng)計特性已知的假設(shè)下推導出來的。 事實上，噪聲的統(tǒng)計特性可能是該技術(shù)應(yīng)用的難點。 該算法適用于在線風速預(yù)測。
隨機時間序列方法隨機時間序列方法利用大量的歷史數(shù)據(jù)進行建模，通過模型辨識、參數(shù)估計、模型檢驗確定能夠描述所研究時間序列的物理模型，從而引入到預(yù)測中模型來達到預(yù)測的目的。 目前，該方法只需要知道風電場的單個風速或功率時間序列即可構(gòu)建模型預(yù)測，并且可以取得較好的預(yù)測效果。 最廣泛使用的方法是累積自回歸移動平均模型。
時間序列和卡爾曼混合算法，時間序列分析和建模的最大優(yōu)點是不需要考慮信號序列形成的背景。 序列本身的時序和自相關(guān)性已經(jīng)為建模提供了足夠的信息。 在有限的樣本序列下，可以構(gòu)建相當高精度的預(yù)測模型，但其缺點是低階模型預(yù)測精度低，高階模型參數(shù)困難。 卡爾曼混頻預(yù)測方法的優(yōu)點是動態(tài)改變預(yù)測殘差，借助預(yù)測遞歸多項式可以獲得較高的精度，但也有卡爾曼狀態(tài)多項式和檢測方程構(gòu)造困難的缺點。 首先，通過時間序列分析的方法，構(gòu)建能夠反映序列信號變化規(guī)律的低階模型。 從低階模型的預(yù)測多項式出發(fā)，可以直接推導出卡爾曼混合的狀態(tài)和檢測方程，并可以借助卡爾曼預(yù)測迭代多項式來實現(xiàn)。 信號預(yù)測，正好避免了構(gòu)建高階時間序列模型、推斷卡爾曼狀態(tài)和檢測方程的難題。
人工神經(jīng)網(wǎng)絡(luò)方法 人工神經(jīng)網(wǎng)絡(luò)（ANN）致力于模仿人腦的結(jié)構(gòu)和功能。 它是由大量簡單的處理設(shè)備按一定的拓撲結(jié)構(gòu)大規(guī)模連接而成。 它是一個涉及生物學、電子學、計算機等科學的領(lǐng)域。 人工神經(jīng)網(wǎng)絡(luò)具有并行處理、分布式存儲和容錯等特點，具有自學習、自組織和自適應(yīng)能力，可以實現(xiàn)聯(lián)想記憶、非線性映射、分類識別等功能。優(yōu)化估計和知識處理。 復(fù)雜問題的解決非常高效，可用于短期風速預(yù)報。 時間序列神經(jīng)網(wǎng)絡(luò)預(yù)測方法：原始數(shù)據(jù)為風速時間序列和風機輸出功率時間序列。 采用時間序列方法和神經(jīng)網(wǎng)絡(luò)方法進行建模，主要內(nèi)容是：使用時間序列方法進行建模，獲得對預(yù)測值影響最大的幾個量； 將時間序列方法的研究成果應(yīng)用到神經(jīng)網(wǎng)絡(luò)方法中，定量確定神經(jīng)網(wǎng)絡(luò)方法的輸入變量； 為了提高預(yù)測精度并保持預(yù)測精度的穩(wěn)定性，提出滾動殘差調(diào)整方法來解決神經(jīng)網(wǎng)絡(luò)殘差隨著時間的推移而變得越來越不適用的問題。 時序神經(jīng)網(wǎng)絡(luò)方法有效提高了風速預(yù)測精度。
模糊邏輯方法利用模糊邏輯和預(yù)??報員的專業(yè)知識，從數(shù)據(jù)和語言生成模糊規(guī)則庫，然后選擇線性模型來逼??近非線性動態(tài)風速。 而且，純模糊方法對于風速預(yù)測往往效果較差。 這主要是由于模糊預(yù)測的學習能力較弱，而模糊系統(tǒng)的辨識尚未產(chǎn)生既定的理論。 預(yù)測系統(tǒng)中模糊系統(tǒng)結(jié)構(gòu)的選擇還需要進一步研究。 研究。 一般的模糊預(yù)測方法應(yīng)與其他方法結(jié)合使用，如模糊與遺傳算法相結(jié)合進行短期風速預(yù)測。
空間相關(guān)法該方法需要考慮風電場及相似地點的多組風速數(shù)據(jù)，利用多個地點風速之間的空間相關(guān)性來預(yù)測風速。 為了獲得所需的多組風速數(shù)據(jù)，需要在風電場周邊設(shè)置多個遠程測速站。 中央計算機對本地風電場和各遠程測速站測量的實時風速數(shù)據(jù)進行處理，利用風電場與風速的空間相關(guān)性來預(yù)測風電場的風速在每個速度測量站。 事實上，如果能夠采集風電場以及幾個相似地點的多組風速數(shù)據(jù)，就可以利用該方法進行風速預(yù)測。 該方法收集了大量的原始數(shù)據(jù)，但由于預(yù)測過程中考慮的因素較多，因此能夠更好地預(yù)測療效。 目前，該方法的使用仍在建立中。
2.風電場功率預(yù)測方法
基于功率的預(yù)測方法沒有考慮風速的變化過程。 借助統(tǒng)計方法或?qū)W習方法，根據(jù)歷史功率序列建立模型并利用實時數(shù)據(jù)對發(fā)電量進行短期預(yù)測，或者根據(jù)歷史數(shù)據(jù)找出天氣與輸出功率之間的關(guān)系。 關(guān)系并借助實時數(shù)據(jù)和數(shù)值天氣預(yù)報信息對發(fā)電量進行中期預(yù)測。 在短期預(yù)測中，這些方法的輸入信號只需要小型風電場中每臺風機的電流和電壓數(shù)據(jù)。 將每臺風電機組視為“數(shù)據(jù)采集設(shè)備”，使輸入到整個風電場發(fā)電預(yù)測模型的時間序列數(shù)據(jù)包含更全面、更準確的信息。 這些預(yù)測方法不僅會增加數(shù)據(jù)采集的成本，還會提高數(shù)據(jù)采集的質(zhì)量，降低預(yù)測的準確性。 而在現(xiàn)代化的小型風電場中，將會建設(shè)風力發(fā)電機組的遠程監(jiān)控系統(tǒng)。 在該系統(tǒng)中，所有風力渦輪機的所有信號都將被收集和記錄。 因此，可以直接利用風力發(fā)電機的實時輸出功率數(shù)據(jù)來預(yù)測風電場的發(fā)電量，而無需減少額外成本。
化學模型主要考慮一些化學量，如數(shù)值天氣預(yù)報獲得的天氣數(shù)據(jù)（風速、風向、氣壓等）、風電場周圍的信息（輪廓、粗糙度、障礙物等）參數(shù)（輪高度、穿透系數(shù)等）。 其目的是找到風電機組輪轂高度處的風速最優(yōu)值，然后利用模型輸出統(tǒng)計模塊（MOS）來減少已有的偏差，最后根據(jù)下式估算出風電場的輸出功率：風電場的功率曲線。 由于天氣預(yù)報每晚僅更新幾次，因此這些模型通常適用于相對正常的預(yù)報，例如提前 6 小時的預(yù)報。 在不同的風向和溫度條件下，雖然風速相同，但風電場的輸出功率并不相等，因此風電場的功率曲線是一族曲線，風電機組的故障和維護也應(yīng)該考慮。 在對整個區(qū)域的風電功率進行預(yù)測時，可以采用以下方法：一種是預(yù)測所有風電場的輸出功率，然后將其相加得到風電功率； 另一種方式是僅預(yù)測少數(shù)風電場，然后使用擴展算法獲得整個區(qū)域風電場的輸出功率。
統(tǒng)計模型可以忽略風速變化的化學過程，而是根據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣條件與風電場出力之間的關(guān)系，然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預(yù)報數(shù)據(jù)來預(yù)測風電場數(shù)據(jù)的功率。 不引入數(shù)值天氣預(yù)報（NWP）的統(tǒng)計模型可以滿足提前3-4小時的風電預(yù)測結(jié)果的精度要求，但對于更長時間的預(yù)測結(jié)果，精度不夠。 目前統(tǒng)計模型預(yù)測方法主要有卡爾曼檢測法、隨機時間序列法、模糊邏輯法、人工神經(jīng)網(wǎng)絡(luò)法（ANN）、混合專家經(jīng)驗法（ofME）、最近鄰搜索法（NNS）、螞蟻群優(yōu)化法（NNS）等。 swarm、PSO）和支持向量機（SVM）等。
5. 新的預(yù)測方法
1.基于小波變換的風速時間序列分析
小波變換的原理和規(guī)律，小波變換的算法和應(yīng)用。 深入研究表明，小波變換是非平穩(wěn)時間序列信號時頻分析的有效工具。 根據(jù)小波分析理論，通過小波變換將原始信號分解為不同的頻率通道，分解后的信號的頻率成分比原始信號更簡單。 因此，對非平穩(wěn)時間序列進行小波分解后，可以借助最小二乘支持向量機等預(yù)測方法進行預(yù)測。
2.基于最小二乘支持向量機的風速時間序列分析與預(yù)測
本章基于機器學習中支持向量機的原理和統(tǒng)計學習理論，詳細闡述了支持向量機的改進算法——最小二乘支持向量機。 最小二乘支持向量機通過求解一組線性多項式組來代替標準支持向量中的二次規(guī)劃優(yōu)化，增強了收斂速度，并且使用比標準支持向量機更小的估計復(fù)雜度。 通過具體的仿真算例可以看出，利用最小二乘支持向量機解決非平穩(wěn)風速時間序列模式識別與預(yù)測問題，具有良好的識別與預(yù)測效果。 除了收斂速度快之外，預(yù)測也更加準確。
3.基于小波分解和最小二乘支持向量機的短期風速預(yù)測
基于統(tǒng)計學習理論的最小二乘支持向量機和有“數(shù)字顯微鏡”美譽的小波變換被應(yīng)用于非平穩(wěn)風速時間序列預(yù)測的研究。 線性和波動性，小波變換用于分離非平穩(wěn)風速時間序列中的非線性低頻趨勢分量和高頻波動分量，然后通過將輸入向量映射到高維來提取信息特征空間實現(xiàn)數(shù)據(jù)的線性可分 基于上述的最小二乘支持向量機可以實現(xiàn)對非平穩(wěn)均值的風速時間序列的準確預(yù)測。
4.風電場出力年度預(yù)測中的有效風速預(yù)測研究
利用歷史年份的小時平均風速數(shù)據(jù)來預(yù)測下一年的年風速。 對歷史年份以季度為單位的小時平均風速數(shù)據(jù)進行小波分解，利用遞歸最小二乘法構(gòu)建各分量的二元線性回歸預(yù)測模型，并將各分量預(yù)測模型的等權(quán)和納入預(yù)測明年相應(yīng)季度的模型。 實測數(shù)據(jù)的模擬估計表明，提前一年風速季節(jié)預(yù)報的平均絕對百分比誤差（mean，MAPE）為12.25%，提高了預(yù)報的準確性。 綜合考慮具體風電機組的功率特性、機組效率和設(shè)備運行情況，即可得出風電場明年的出力值。
5.基于SVM的風速和風功率預(yù)測模型
本文闡述了常用的風速預(yù)測方法，并利用支持向量機回歸算法研究了風速預(yù)測中時間序列數(shù)據(jù)預(yù)測模型的構(gòu)建，并在環(huán)境中對三個核函數(shù)進行了仿真測試。 測試結(jié)果表明，支持向量機預(yù)測模型的結(jié)果相當令人印象深刻，性能明顯優(yōu)于之前的其他預(yù)測模型。 同時克服了神經(jīng)網(wǎng)絡(luò)等方法預(yù)測中的過度學習、維數(shù)災(zāi)難和局部極值問題，為風速和風功率預(yù)測提供了新的突破。
6.基于非參數(shù)回歸模型的短期風電功率預(yù)測
利用非參數(shù)回歸技術(shù)進行短期風電功率預(yù)測，構(gòu)建了短期風功率點預(yù)測模型和概率區(qū)間預(yù)測模型，并利用內(nèi)蒙古某風電場的數(shù)值天氣預(yù)報數(shù)據(jù)和風電實測數(shù)據(jù)進行了驗證表明所構(gòu)建的非參數(shù)回歸模型在短期風電功率預(yù)測中具有可行性和有效性。 分析結(jié)果表明，除了風功率點預(yù)測外，利用非參數(shù)回歸模型和經(jīng)驗分布函數(shù)得到的風功率預(yù)測區(qū)間可以描述風功率預(yù)測的不確定性，進一步輔助電網(wǎng)運行決策。 據(jù)悉實際電功率與什么有關(guān)，數(shù)值天氣預(yù)報精度是影響短期風電功率預(yù)測精度的主要因素。 數(shù)值天氣預(yù)報數(shù)據(jù)的統(tǒng)計校準對于提高風電功率預(yù)測精度的作用非常有限。 提高風電場數(shù)值天氣預(yù)報精度對于提高短期風電功率預(yù)測精度具有重要意義。
7.基于模型識別的風電場風速和發(fā)電功率預(yù)測
1）在風速預(yù)測中，時間序列預(yù)測方法對數(shù)據(jù)要求不高，只需要知道風電場的單個風速時間序列，簡單可行； 考慮高度非線性的風速數(shù)據(jù)，采用智能方法（ANFIS）； 識別中使用的當?shù)仫L速信息可以從氣象部門免費提供的信息中獲取，從而節(jié)省了預(yù)報成本，適合風電企業(yè)使用。 因此，本文提出一種基于模式識別的風速ANFIS預(yù)測模型。
2）利用模式識別技術(shù)對風速數(shù)據(jù)進行篩選和預(yù)處理，篩選出一定的風速數(shù)據(jù)
采用一些具有相似特征且適合預(yù)測的風速樣本作為自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的輸入。 由于篩選出的樣本相似度較高，對風速的預(yù)測精度有很大幫助，從而可以做出更準確的預(yù)測。 所發(fā)電力有利于電力部門制定電力交易計劃，保障電力系統(tǒng)穩(wěn)定運行。
3）以上方法利用國外關(guān)島毛伊島數(shù)據(jù)進行驗證。 預(yù)測精度和估算時間均令人滿意，該方法具有一定的經(jīng)濟實用性。
8.基于小波神經(jīng)網(wǎng)絡(luò)的風速及風力發(fā)電量預(yù)測
該方法利用小波函數(shù)對不同尺度的原始波形進行分解，利用時間序列對得到的周期分量進行預(yù)測，其余部分利用神經(jīng)網(wǎng)絡(luò)進行預(yù)測實際電功率與什么有關(guān)，最終構(gòu)造信號序列，得到完整的風速預(yù)測結(jié)果。 在神經(jīng)網(wǎng)絡(luò)學習過程中，加入差分進化算法，提高其收斂速度，解決局部極小化問題。 算例分析證明該算法能夠較準確地預(yù)測風速。
9.基于支持向量機的風速與風功率預(yù)測方法研究
風力發(fā)電具有波動性、間歇性、隨機性等特點，大容量風力發(fā)電并網(wǎng)對電力系統(tǒng)安全穩(wěn)定運行提出嚴峻挑戰(zhàn)。 風速、風功率預(yù)測以及風電場出力短期預(yù)測是解決這一問題的有效途徑。 研究了風速和風功率的預(yù)測方法，從數(shù)學和統(tǒng)計方法上分析了SVM（支持向量機）的預(yù)測方法。 支持向量機在風速和風功率的預(yù)測中具有非常大的應(yīng)用空間，并進行了預(yù)測實驗。 隨著風電裝機容量快速下降，風電功率預(yù)測的準確性亟待提升。 特別是對于這些小型海上風電場，由于裝機容量集中在較小的區(qū)域，更需要準確預(yù)測功率。 近年來，國內(nèi)外學者在這方面做了大量的研究，提出了許多改進方法，不斷提高預(yù)測精度，并且還將不斷改進。具體改進方法如下
(1)結(jié)合多種數(shù)值天氣預(yù)報模型進行氣象信息預(yù)報。 該方法可以克服惡劣天氣下的預(yù)測誤差，顯著提高預(yù)測精度。
（2）借助遙感技術(shù)和高性能計算機技術(shù)，可以提高數(shù)值天氣預(yù)報模型的幀率，提高當?shù)靥鞖忸A(yù)報的準確性； 據(jù)悉，提高天氣預(yù)報的更新頻率也將有助于完善風電預(yù)測模型的輸入數(shù)據(jù)。
(3)借助小波分析、混沌理論、模糊神經(jīng)網(wǎng)絡(luò)等各種智能方法建立和完善預(yù)測模型，選擇合適的線性或非線性形式，對各種預(yù)測方法的預(yù)測結(jié)果進行優(yōu)化組合。 進一步減少預(yù)測偏差。 需要提到的是，利用人工神經(jīng)網(wǎng)絡(luò)（ANN）進行非線性組合預(yù)測，不僅將多個單一模型所包含的信息進行最優(yōu)組合，同時還考慮了不同模型各自的優(yōu)勢，提高了預(yù)測的準確性。預(yù)測和模型的準確性。 可靠性。
(4)在進行短期電力預(yù)報時，利用實時探測到的氣象數(shù)據(jù)將從根本上提高預(yù)報效果。