风力发电功率预测讲述.ppt

报告人： 班 级： 学 号： 风电功率预测 风电功率预测 背景及意义 预测方法介绍 国内外发展现状 实例分析 ——灰色神经网络预测 总结 背景及意义 一、背 景： 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。 但是，由于风能的随机波动性、不可控性等，其大规模并入电网，将给电力系统的生产和运行带来极大的挑战。 因此，将风力发电功率从未知变成已知，对电力系统的运行有着重大的意义。 背景及意义 二、意 义： 服务于电力系统 ： 有利于运行调度人员合理安排应对措施、调整和优化常规电源的发电计划，改善电网调峰能力，提高电网的安全性和稳定性。 服务于风电场： 可以合理安排风电场的检修计划，减少弃风，提高风电场的盈利、减少运行成本，提高风力发电在电力市场中的竞争力。 背景及意义 三、 按时间分类： （0h~3h） 应用于风电机组自身的控制。 （0h~48或72h） 应用于电网合理调度，保 证供电质量，为风电场参与竞价上网 提供保证。 （以天、周或月为单位）主要用于检修安排 或调试等。目前，中长期预测还存在比较 大的困难。 超短期预测 短期预测 中长期预测 预测方法介绍 风电功率预测 1、按预测物理量分类： 先预测风速 直接预测输出功率 预测输出功率 风机功率曲线 2、按数学模型分类： 持续预测方法 ARMA预测方法 卡尔曼滤波方法 智能方法，如神经网络 3、按输入数据分类： 时间序列法 采用数值天气预报数据 物理方法 统计方法 综合方法 预测方法介绍 一、时间序列法 该类方法通过寻找各历史数据在时序上的相关性来对风电功率进行预测。 常见的时序模型有： 自回归模型（Auto Regressive，AR） 滑动平均模型（moving average，MA） 自回归滑动平均模型（AutoRegressive Moving Average，ARMA） 差分自回归滑动平均模型（Auto Regressive Integrated Moving Average，ARIMA）等。 时间序列法 优 点： 不必深究信号序列的产生背景，序列本身所具有的时序性和自相关性已经为建模提供了足够的信息，只需要有限的样本序列，就可以建立起相当高精度的预测模型。 缺 点： 但其存在低阶模型预测精度低、高阶模型参数估计难度大的不足。 可能遇到超前一步预测有延时或某些预测点精度不能满足要求的问题，此时可借助卡尔曼滤波法、滚动时间序列或引入经验模式分解来改进原有预测模型。 预测方法介绍 二、基于数值天气预报（NWP）的预测： 数值天气预报（Numerical Weather Prediction， NWP）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。 数值天气预报预测 优 点： 较为成熟准确的风电中长期预测方法 ，国内外风电场预测系统多基于物理方法。不需要风电场的历史数据，风电场投产就可以进行预测。 缺 点： 要求对大气的物理特性及风电场特性有准确的数学描述。模型复杂、计算量大，较少用于短期预测。常结合神经网络、支持向量机等来提高预测精度。 预测方法介绍 三、统计方法预测： 统计方法不考虑风速变化的物理过程而是根 据历史统计数据找出天气状况与风电场发电功率间 的关系 然后根据实测数据和数值天气预测数据对 风电场未来的发电功率进行预测。 目前我国采用的统计方法有使用统计方法修 正风电场尾流效应对预测结果的影响，从而改进 多层前馈神经网络模型的预测精度；根据数值 气象预报的风速和风向数据，采用粒子群优化的 前向神经网络模型进行短期风电功率预测