風力發電短期預測策略的分析與研究

摘 要：隨著各地風力發電的蓬勃發展，風電場的規模不斷擴大，風電裝機容量在系統中所占的比例不斷增加，風電輸出的不穩定性對電網的功率沖擊效應也不斷增大，對系統穩定性的影響就更加明顯。為了減少對系統穩定性的影響，本文提出一種對風電短期預測的方案策略，通過對風電短時間的預測，合理的調節機組的出力情況，利用神經網絡技術對風電場出力提前預測得出數據，對預測的數據進行分析，基于誤差預測值修正預預測值，得到最后的預測值。

關鍵詞：風力發電；預測策略；短期預測

電力行業作為經濟發展的基礎，為各行各業的發展提供了充足的動力。但是風力發電的區域性比較大，只有在一些偏遠地區才能有足夠的風量保證發電量，而電能又難以存儲，這些地區風電產生的電能難以被消耗掉，遠距離傳輸到其他地區費用比較高，更為糟糕的是風能這種能量并不穩定，具備隨機性，而且不能確定風速大小，也不能明確風電機組的大小。

在分布式風電連接到電網之后，風電場的無功功率需求降低了負載特性的極限功率，并降低了靜態電壓的穩定性。隨著風力發電的蓬勃發展，風電場的規模不斷擴大，系統中風電裝機容量的比例越來越大，風電輸出對電網的不穩定性影響也越來越大，系統的穩定性影響更加明顯。在嚴重的情況下，系統將失去動態穩定性，導致整個系統的崩潰。風力資源和風力渦輪機運行特性的不確定性使得風力渦輪機的輸出功率波動，這可能影響電力質量，例如電壓偏差，電壓波動和閃爍，諧波。

為了減少風電對系統的影響，本文提出了一種短期風電預測方案策略，通過短期風電預測，合理調整單位產出情況。為了提高預測的準確性，本文提出了基于神經網絡技術的風電場輸出的短期預測方法：預預測-誤差預測 - 基于誤差預測值校正預測值，得到最終的預測值。風力場在給定時刻的輸出取決于該時刻的風力資源以及風力農場本身利用這些風力資源（即，將風力資源轉換成有效電能的能力）。影響風電場將風力資源轉化為有效電能的能力有許多因素，例如風電場的裝機容量，風力發電機本身的類型，風電場的運行水平和風力渦輪機的分布。通常是非線性的，研究這些因素和風電場的產出之間的關系是孤立的，沒有必要研究大型風電并網電力系統的經濟調度。然而，這些影響因素作為一個整體，與風電場的輸出之間存在一定的映射關系。因此，風電場輸出預測模型必須能夠反映這些機制之間的關系。

這里的預測模型采用目前廣泛應用的多層反傳播 ANN（back propagation artificial neural network，BP-ANN）。網絡采用NR-NY-1結構，包括輸入層，隱層和輸出層。 層中的神經元是單向連接的，并且層中的神經元是彼此獨立的。 輸入層包括在24小時區域中的風電場的歷史風速。 隱層神經元映射函數使用Sigmoid函數，輸出層使用Purelin函數，整個網絡的輸出可以取任何值。 網絡的學習過程是權重的調整過程，其通過信號的前向傳播和誤差的反向傳播來實現。重復訓練周期，直到網絡輸出的誤差降低到可接受的水平，最后得到未來24 h各時段的風電場出力預測 。

定 是未來24h各個時段風場的實際出力的值，出力的預測誤差為

誤差預測思路

風電場的短期預測和測量數據的代數差異構成了一個新的時間序列，基于同樣的機制與未來的時間序列有一定的映射關系。 因此，歷史錯誤預測未來錯誤。

基于BP-ANN的預測模型用于預測風電場輸出預測的預測誤差。 在誤差預測模型中，1.1節中的風場輸出序列的歷史被用于訓練網絡的歷史誤差。最后，獲得未來24小時風電場輸出預測的誤差預測 。

1.3 預預測和誤差預測思路驗證

以風電場輸出預報為例，將新疆一個典型風電場的風速數據和風電場輸出數據在96 h的96 h時段作為樣本。圖3和圖4分別給出了1～96h風速和風力輸出數據及趨勢。1～48 h的風速和風電場輸出數據被用作訓練網絡的歷史樣本。最后，風電場的輸出從49至96小時，有一個訓練有素的網絡。并將測量值和風速數據產生的誤差序列作為新的歷史樣本，訓練網絡進行73～96h誤差預測。預測的風電場輸出網絡模型的輸出結果如圖5和圖6中的實線所示，與對應時間的風電場輸出的測量曲線進行比較。預測結果與同一趨勢的測量值基本一致。得出圖6中風力輸出的預測誤差曲線。如圖7-8所示，預測誤差隨預測力的增加而增大。這種現象可以被認為是隨著風速的增加影響風力農場的輸出的非線性因素的結果。例如，尾流效應更顯著，因此在設計風力發電輸出預測系統時應考慮風電場輸出能力的影響。

對比圖8中的實線和虛線可知，誤差預測 有效地跟蹤了風電場出力的預預測值的誤差 的變化趨勢：

1） 絕對值較大時（大于 5%），WFF.tE*趨 近 ； 2） 絕對值較小時（小于或者等于 5%） 約等 。由于風電場輸出的隨機性和影響因素多，風電場輸出的短期預測將不可避免地存在一些誤差。本文提出了一種基于誤差預測的短期風力預測校正方法：經濟調度中風電場輸出預測的準確性主要影響系統的儲備容量。儲備容量是指為調整系統的短期負荷波動以穩定系統頻率和承擔計劃外負荷增加而設置的儲備容量。一般來說，儲備容量是最大發電負荷的2%～5%。根據風電場輸出的隨機性，本文提出了在不考慮風電場本身容量的情況下根據負荷而不是可控發電設備對風電場進行處理，并且根據小系統相同的預測容量考慮風電場運行儲量。因此，當誤差預測絕對值WFF.tE≤5%時，誤差預測值被認為是可靠的，并且在相應時間的風電場輸出預測也是可信的。當誤差預測的絕對值大于5%時，5%的部分不可信，必須修正為5%以下。由式（1）可

式中WF.tP 是修改的風電場的預測輸出值。因為誤差預測值WFF .tE*有效跟蹤風電場輸出預報值的誤差值WFF.tE 的變化趨勢，所以有以下結論。

基于上述實例的數據，進行73～96 h風電輸出預測，預測適用于包括風電場在內的區域電力系統的預調度。時間尺度為h，風電場平均輸出；精度規模標準對附加系統不增加儲備容量，也就是說，預測值的可信度大于或等于95%。程序的結果如圖10，11所示。從圖中可以看出，校正后的風電預報輸出更接近真實值。比較圖11中的曲線我們知道預測最大誤差接近20%，預測的最大誤差值接近12%，最大預測誤差接近6%，因為網絡的映射值跟蹤預測的最大誤差趨勢。這大大提高了預測系統的可信度，可以有效減少經濟調度的儲備容量，這對提高風電場在系統中的相對競爭優勢具有重要意義。

參考文獻

[1]蔣結敏.淺析我國風力發電預測策略分析報告[J].上海工業出版社.2016

[2]楊敏高.淺析火力發電短期預測策略[J].中國電力出版社.2014

[3]夏秀敏.淺析我國發電過程中短期預測的特點[J].大連工業出版社.2015

作者簡介

王鶯芳（1984-），女，湖北武漢人，2006年本科畢業于華中科技大學，職稱為中級工程師，主要研究方向是電力系統自動化，現為上海交通大學在職工程碩士，在上海紫通信息科技有限公司從事配電產品軟件研發工作。