风力发电机技术论文(2)
风力发电机技术论文篇二
风电功率预测技术与应用浅析
摘要：目前随着风力发电装机容量的不断提升，风电占所在电网的比例也在逐步增加。由于风的高度随机波动性和间歇性，使得大容量风电接入电网对电力供需平衡、电力系统安全以及电能质量等提出更高的要求，而风电功率预测技术的研究和应用，为接入大量风电的电力系统稳定运行提供了重要技术手段。风电功率预测系统使电网调度可以有效利用风电资源，提高风电并网发电小时数。我国风电场进行功率预测系统建设，预测结果用于调度部门的发电计划编排和实时调度调整，对进一步提高电网的风电接入能力、促进风电规模化发展有重大意义。
关键词：风电场;风电功率预测;调度;并网
中图分类号： TM925.11 文献标识码： A
1 引言
开发利用可再生能源为应对全球性能源危机和环境污染开辟了新的途径，对改善能源结构、保证国民经济可持续发展具有重要的战略意义。风能是目前最具大规模商业化开发利用潜力的可再生能源，风力发电是大规模利用风能的有效途径，也是我国能源和电力可持续发展战略的最现实选择。
我国风电产业规模逐步扩大，风电已成为能源发展的重要领域。当前，我国大力发展风电等可再生新能源，规划将建设一批百万千瓦、千万千瓦级风电基地，其中酒泉千万千瓦级风电基地已经开工建设。截止2011年底，全国并网风电4505万千瓦。到2015年，陆上风电装机总容量达到9500万千瓦左右，海上风电总容量达到500万千瓦。到2020年，我国将建成河北、吉林、黑龙江、甘肃、新疆、蒙东、蒙西、江苏、山东等9个千万千瓦级风电基地，届时风电装机接近1.9亿千瓦。
随着风电场大规模接入主干电网，风电场功率波动会对电网电压、频率的稳定产生一定影响，进而影响电网的安全稳定运行。电网的发电用电需时刻保持平衡，而风能作为间歇性能源，风电场的有功功率出力情况随风速的变化而变化，具有很大的不确定性。这使得风电场的有功出力预测变得尤为重要。尽管风电这一可再生能源发展迅猛，但是调查结果显示[1], 目前国内许多风电场投产后实际的年平均发电量比预测值低20 %~ 30 %，极少数风电场甚至低达40 %，导致该结果的一个重要原因是风能资源的测量和评估存在问题。
首先，调度计划制定日益困难。电网调度部门对风电场的管理侧重于风电并网点的功率和电压控制，对风电场的生产计划也强制要求，但由于手段缺乏各风电场上报的发电计划与实际情况差别较大[2]。无法满足电网调度部门安排运行方式、制定调度计划的需要。
其次，电网运行越发困难。风电场的大规模建设，给电网运行调度和控制带来了巨大挑战。加之我国大部分风电开发地区的电网结构相对薄弱，建设和规划中的风电场大都位于电网薄弱地区或者末端，如此大规模的风电接入将对电网功率平衡、频率控制、潮流分布、调峰调压、系统稳定、以及电能质量等带来越来越大的影响，如何确保大规模风电并网后整个电网的安全稳定运行，是一个巨大的挑战[3]。
再次，风电限电日益严重。大规模风电并网后，各风电场不能提供较为准确可靠的发电计划，各省(区)电网调峰能力十分有限，调度计划安排十分困难，而面对风电出力的不确定性，调度部门只有通过限制特殊时段风电场发电出力，以减小对电网造成的冲击，保证电网安全运行。这将导致清洁的风能资源严重的浪费。
要解决这些问题，风电功率预测技术的运用和风电功率预测系统的建设已经成为不可或缺的先决条件。因此，对风电场输出功率进行预测被认为是增加风电接入容量、提高电力系统运行安全性与经济性的有效手段[4]。
2 国内外风电功率预测现状
欧美等西方国家早在二十世纪七、八十年代就组织了许多针对风能资源的观测试验及评估方法研究，相继开发了诸如WASP、MesoMap、Windfarm及SiteWind等风能资源评估软件或系统[5]。其中WASP应用最为广泛，其核心物理模型是一个微尺度性风场诊断模式，而近地层风场的形成是一个非线性、多因素影响的过程，因此在复杂地形应用该软件会产生较大的误差[6]。目前，短期风电功率预测主要有两种方法[7]。一是物理方法，先利用数值天气预报系统得到风速、风向、气压、气温等天气数据，然后根据风力发电机组周围的物理信息得到风电机组轮毅高度的风速、风向等信息，最后利用风力发电机组的功率曲线计算得出风力发电机组的输出功率;二是统计方法，即根据历史数据(风速或功率)在天气状况与输出功率间建立映射关系，然后进行预测。统计方法中的建模方法主要包括时间序列法[8]、卡尔曼滤波法、神经网络法、支持向量机法、小波分析法和灰色预测法[9]。
国外，基于物理原理的风电功率预测方法是一种主流预测方法，丹麦Prediktor[10]、德国Previento[11]、西班牙LocalPred-RegioPred[12]都是基于物理原理的风电功率预测系统，且已经投入运行。Kamal L[13]等指出风电功率预测中另一种常用的统计方法的实质是在历史统计数据、实测数据和风电功率之间建立线性映射关系，其最基本方式为持续方法(即预测值取上一时刻的观测值)，其他包括回归分析法、指数平滑法、时间序列法、卡尔曼滤波法、灰色预测法等。国外采用的最简单的统计模型是 persistence 模型[14]，它假设下一时刻产生的风能等于上一时刻的观测值。稍微复杂的模型是用最近几个时刻的观测值的平均值来表示下一时刻的预测值。
随着我国风电的大量建设和快速发展，对风功率预测技术的研究也在逐步深入。文献[15]提出了基于 BP 神经网络的风电场功率预测方法，分析了不同高度输入风速对预测结果的影响，并实现了误差带的预测，基于该方法的风电功率预测系统已运行于吉林省电力调度中心，取得了良好的社会与经济效益。另外，杨秀媛[16]等利用时间序列法和神经元网络法给出了提前一个观测时间段的风速和风功率预测。丁明[17]等利用自回归滑动平均模型实现风功率预测。潘迪夫[18]等进行了基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化。陶佳[19]等提出了以混沌理论为基础、基于相空间重构的风电出力混沌时间序列预测的方法。在统计方法的基础上，风电功率预测技术还延伸出学习方法，其实质是在大量历史数据的基础上通过人工智能而非解析的方式提取系统的非线性映射关系，具体包括神经网络[20]、小波分析[21]、支持向量机等方法。
物理方法和统计方法各有优缺点。物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场特性有准确的数学描述，这些方程求解困难，计算量大。统计方法不需要求解物理方程，计算速度快，但需要大量历史数据。混合方法有机结合了物理方法与统计方法的优点，可以有效提高预测精度和预测方法的适用性。为提高预测精度，国内外研究机构都在尝试各种新的预测方法，其中多数值天气预报、多种预测方法的集合预报逐渐成为发展趋势。
近期，国内也开始了数值预测与统计预测相结合的方法等。冯双磊[22]等采用解析原理分析风电场局地效应与风电机组尾流影响，开展了风电场功率预测物理方法研究，文献[23]分析了物理方法、统计方法、学习方法的特点，重点研究了基于风速的预测方法和基于功率的预测方法，得出的结论是：随着风电装机容量的不断增大，单一模型已不能满足预测精度的要求，研究将逐渐转向多种模型的组合预测上。
3 应用案例
针对上述分析，本文以河北北部电网某风电场为例，对风电功率预测系统的实例建设展开分析。
3.1 风电功率预测系统软件
风电功率预测系统软件由预测系统数据库、数值天气预报处理模块、实时测风数据处理模块、短期预测模块、超短期预测模块、EMS系统接口模块和图形用户界面模块七部分组成。
(1)预测系统数据库：是预测系统的数据中心，各软件模块均通过系统数据库完成数据的交互。系统数据库存储来自数值天气预报处理模块的数值天气预报数据、预测程序产生的预测结果数据、EMS系统接口程序产生的实发风电功率数据等。
(2)数值天气预报处理模块：从数值天气预报服务商的服务器下载数值天气预报数据，经过处理后形成风电场各个预测时段的数值天气预报数据送入预测系统数据库。
(3)实时测风数据处理模块：接收实时气象遥测站(测风塔)数据，经过处理，实时传送至预测系统数据库服务器。
(4)短期预测模块：从系统数据库中取出数值天气预报数据，通过预测模型计算出风电场次日0～72h的预测结果，并将预测结果送回系统数据库。
(5)超短期预测模块：从系统数据库中提取风电场功率数据、测风数据，通过预测模型计算出风电场未来4小时的输出功率，并将预测结果送回系统数据库。
(6)EMS 系统接口模块：将风电场各自动化系统(主要包括升压站监控系统、风机监控系统)的实时功率数据传送到系统数据库中，同时将预测结果从系统数据库上取出，发送给EMS系统。
(7)图形用户界面模块：与用户交互，完成数据及曲线显示，系统管理及维护等功能。
3.2 风电功率预测系统硬件
风功率预测系统运行需要输入的数据包括：数值天气预报、风电场实时运行数据和风电场实时气象数据。其中数值天气预报取自Internet，风电场实时运行数据取自升压站计算机监控系统和风机监控系统，风电场实时气象数据取自测风塔。
风功率预测系统硬件通常包括风电功率预测系统服务器、气象数据处理服务器、网络通信设备，以及实时测风塔(包括温湿度、气压、风力风向传感设备、数据传输设备、供电设备)等。由于风功率预测系统涉及的数据源来自不同的安全分区，因此应严格按国家电监会《电力二次系统安全防护规定》的要求，设置完备的二次系统安全防护设备。系统联接与结构如图3-2。
图3-2 风电功率预测系统硬件方案系统总体结构图
3.3 风电功率预测系统运行效果
按照风电功率预测时间分辨率一般取15min的要求，一天取96个预测点，与风电场实际出力进行对比。图3-3和图3-4分别显示了该风电场2013年4月某一周内实发功率与短期预测功率、超短期预测功率的曲线对比。实测短期预测均方根误差(RMSE)为15.231%，超短期预测均方根误差(RMSE)达到了13.737%。以上两项精度指标均优于电网调度中心对风电场功率预测的一般要求。
该风电场通过风电功率预测系统的部署，取得了良好的应用效果。
4 风电功率预测的发展建议
(1)加快风电场侧风电功率预测系统建设。风电场开展精细化预测并上报发电计划是其履行本身义务的具体体现。风电场应尽快建立预测系统，不断完善更新基础资料，建立精细化风电功率预测，同时风电场将预测结果上报给电网调度机构。并且，风电场预测系统的建设应与风电场建设同步进行。
(2)尽快完善电网侧风电功率预测系统的建设。电网侧风电功率预测系统应既要实现预测区域的全覆盖，又要实现对风电场上报结果的统计分析和考核，以促进预测水平的不断提升。
(3)持续深化风电功率预测相关技术研究。风电功率预测精度很大程度上取决于预测模型的建立和预测方法的选择，因此相关技术问题一直都是风电功率预测发展和应用的关键。
(4)开展跨行业合作。风电功率预测是我国风电大规模发展面临的一个课题，需要气象行业和电力行业开展深度合作，发挥各自优势，共同推动预测技术水平的提高。目前，各个风电场的风功率预测系统所需的数值天气预报均从国内外的不同气象局购买，这些数值天气预报分辨率各有不同，直接造成各风电场预测结果精度参差不齐;对于同一区域内多个风电场而言，还会造成重复购买数值天气预报的浪费现象。因此建议风电功率系统由公共气象部门统一建设，风电场只需建设实时测风塔。
(5)仅依靠风电功率预测系统还不能完全消除风电并网带来的影响。随着智能电网的建设深入，未来在风电功率预测系统的基础上，电网调度中心还将逐步加强风电场功率和电压闭环控制系统建设，使调度部门可以像调度常规发电厂一样对风电场进行AGC、AVC控制，实现对大规模风电场的在线经济调度，保证电网安全稳定经济运行。
(6)随着风光联合互补新能源电站的试点与推广，风电与光伏相结合的功率预测系统将成为未来技术的发展方向。
5 结论
开展风力发电功率预测是提高电网运行经济性、安全性的有效途径。风电功率预测系统的建设较好地解决了风力发电无法计划的难题，为大规模风电接入电网后系统的稳定、经济运行提供技术支撑。不断加强风电功率预测技术研究，提高预测精度是保障风电进一步快速发展的客观基础。目前风电功率预测系统尚不完善，但其发展和利用空间很大。随着进一步的研究和探索，以风电功率预测系统为代表的新能源电厂出力预测系统将越来越成熟，从而支持着新能源电厂逐步向可控可调方向发展，最终使电网真正实现绿色电力成为可能。
参考文献：
王伟胜, 戴慧珠, 申洪, 等. 全国风电场建设及运行情况的调查评估与发展政策研究[ R] . 北京: 中国电力科学研究院, 2002.
屠强.风电功率预测技术的应用现状及运行建议.电网与清洁能源,2009,25(11):04-09.
国家电网.风电调度运行管理规范(Q / GDW 432 — 2010).北京.2010.
MIRANDA V,CERQUEIRE C,MONTEIRO C. Training a FIS with EPSO under an entropy criterion for wind power prediction[C]//Proceedings of the International Conference on Probabilistic Methods Applied to Power Systems,June 11-15,2006,Stockholm,Sweden.
Lars Landberg.Short-term Prediction of the Power Produc-tion From Wind Farms[C]//Wind Eng.Ind.Aerodyn.1999,90:207-220.
李建林等.风力发电中的电力电子交流技术[M].机械工业出版社.北京.2008.
看了“风力发电机技术论文”的人还看：
3.电气专业技术论文
