风电功率预测咋做？组合方法效果最好
科技
风电功率预测问题
林春洋
国网辽宁省电力有限公司营口供电公司115000
【摘要】本文主要针对风电本身固有的单位功率密度低、波动性和随机性强给接入电网运行的带来了不利影响这一问题,为了合理安排调度计划,保证电力系统稳定能运行,进一步加强电网对风电的接纳能力,利用混沌时间序列、BP神经网络、ARIMA、组合预测方法对风电输出功率进行预测,得出组合预测方法对风电功率的预测效果相对最佳。
【关键词】风电功率,误差指标,ARIMA模型
1背景知识概述
随着我国能源结构的调整,风能的开发利用也相应得到高度重视。风能的高速发展,也加速了大型风电场纳入统调电网,风电在电网的比重越来越大,以及风电的强随机性增加了电力调度的难度。风速及风电功率的准确预测可以减少电力系统运行成本,有利于调度部门及时调整计划,减轻风电对电网的不利影响。通过对风电场的发电功率进行高精度的预测,电力调度部门能根据风电功率的变化预先安排调度计划,从而保证电网的功率平衡和运行安全。
2改进措施
21相关试验数据
由58台风电机组构成的某风电场,额定输出功率为850kW。选取了2006年5月10日至2006年6月6日该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,。
22提出问题
问题一,采用至少三种不同预测方法,应用实时预测原理,针对于,
(1)5月31日0时0分至5月31日23时45分,(2,5月31日0时0分至6月6日23时45分。对四台风电机组风电功率PA(PB)PC(PD)四台总输出功率P4及全场58台机组总输出功率P58进行实时预测。
问题二,根据问题一的预测结果,建立数学模型,比较单台风电机组功率(PA)PB(PC)PD,的相对预测误差与多机总功率(P4)P58,预测的相对误差找出它们带有普遍性的规律。
23问题一的求解
模型一混沌时间序列的预测模型
设为离散型时间序列,则在m维相空间中的状态转移为
,(1)
根据(1),展开可得(2)
,(2)
这时是一个m到一维实数的映射,对于风力发电功率系统来说,为非线性函数。同时以嵌入空间中相点的m个分量,作为神经网络的输入数据,则可避免输入节点数选取的任意性以及丢失信息的问题。由此可以用matlab对PA、PB、PC、PD、P4、P58进行混沌时间序列得预测。通过计算动力学空间维数和延迟时间混沌的参数,构建风电功率短期混沌时间序列预测模型。预测的结果表明,从5月31日0时0分至5月31日23时45分,这天从第60个点到80个点,即15:00到18:00,这段时间的误差波动很大,可能受天气情况的影响。再利用这个方法对未来7天,即5月31日0时0分至6月6日23时45分,进行预测分析,发现由于受到滞后时间的影响,相应的误差也比较大。
模型二BP神经网络预测模型的建立与求解
使用MATLAB软件对BP神经网络预测进行预测可得到PA、PB、PC、PD、P4、P58预测值,从预测得出的结果看,该网络的性能比较优越,按要求相对误差小于20,,能够很好的达到预测的需求,这验证了该程序的正确性。通过对13个没达到要求的数据进行分析,其中有11个数据是在预测的第250个数据之后出现的。在归一化处理的过程中,采用了
最简单的方式,但是当原始数据太小时,归一化后的数值很可能落在区间(0)01,之间。在此区间内曲线的变化极为平坦,BP网络模型不能够做出精准的预测,这是出现有些误差相对较大的原因。
模型三模型的建立与求解
根据流程图的操作过程,对风电场输出功率数据分析并建模求解如下,
①判断序列平稳性,经判断该序列具有递增的趋势,则为非平稳序列。
②对原序列进行差分运算,先对原序列进行一阶差分运算,产生的新时间序列仍有上升的趋势,可知应该对该序列进行二阶差分运算,
二阶差分运算后序列时序具体数据如下,二阶差分后序列在均值-000186附近比较稳定地波动,且上下界皆有界,仅相差026019。做差分后序列的自相关图。由自相关时间序列图可以看出它具有短期的自相关性,可以判定二阶差分运算后的序列是平稳的。
③对二阶差分的序列进行白噪声检验
白噪声检验结果可知,P值小于显著性水平005,接受纯随机的假设,视为白噪声序列。三种预测方法的实时预测误差和全天预测结果的均方根误差分析结果如下,
混沌时间序列和BP神经网络预测方法的实时预测误差分别为14%和10%,都小于标准值20%,达到了精度要求。而RAIMA预测得实时预测误差远大于标准值,未满足精度要求,模型有待改进。且从预测的结果可以看出,BP神经网络预测的结果更接近真实值,因此推荐采用BP神经网络预测方法。
52问题二的求解
选取问题1中最好的预测结果,计算单台风电机组功率(PA)PB(PC)PD,的相对预测误差,分别记为,多机总功率(P4)
P585,预测的相对误差分别记为。通过MATLAB,由c=corrcoef(A)计算得单台风电机组功率预测值的相关系数矩阵可知,
之间不存在显著的相关性,呈正相关性,
呈现负相关性。
单个风电机组的相对误差波动性较大。风电组合汇聚使相对误差趋于平稳,稳定性增强。经测算W4和W58的波动趋势基本一致,但W58的峰比较高,在30-60的单位点,W58的波动明显快于W4。说明风电机组的汇聚数量有一个临界值,小于这个临界值时时预测结果会随之增大变的更准确,相对误差越平稳,不会产生功率太小而不能够提供正常活动需要。但超过这个临界值时会使电场电流产生漩涡现象,难以得到平稳电流。因此我国以后应加大研究,找到这个临界值,使我国风电功率预测更上一层楼。
综上所述可见,各风电机组功率的汇聚会改变其波动属性,从而影响预测的误差。当汇聚的风电机组小于临界值时,随着汇聚数量的增加,则预测误差越小,反之亦然。
3、结语
在未来的研究中,风电输出的组合预测仍然是研究的重点和热点,只是对风电输出组合顶测做了一些肤浅的理论研究,还需要进一步完善理沦和提出创新。此外,理论方法中,还有非线性加权平均的最优组合预测方法、基于相关性的最优组合预测方法、以及基于诱导有序信息集算子的最优组合预测等预测理论均可以应用于风电功率输出的研究,需要进一步的提高预测的精度和预测时间尺度,实现较长时间的高精度的风电功率输出预测,能够把风电当做常规能源一样进行调度和并网,增加电网对风电的接纳能力,提高风电的并网容量。
科技与企业233