【摘要】風力發(fā)電的電力生產(chǎn)依賴于風力，這是一種波動不可控制的能源。為了將其整合到國家電力網(wǎng)絡中，有必要預測其產(chǎn)生時間甚至是未來的幾天。本文對兩種風電預測方法進行了研究和比較。第一種是基于人工神經(jīng)網(wǎng)絡。這種方法在所有我國輸電系統(tǒng)運營商中都在使用。第二種方法是結合最近鄰搜索和優(yōu)化算法來估計最優(yōu)輸入數(shù)據(jù)。

【關鍵詞】風力發(fā)電? 神經(jīng)網(wǎng)絡? 最優(yōu)輸入數(shù)據(jù)

一、背景介紹

未來引入風力發(fā)電會在許多國家的電力供應中發(fā)揮重要作用。在中國，它目前占電力供應的2，7%。到2020年，風力發(fā)電的份額將增加到5%左右，風電裝機容量將超過最小負荷。 風是一種波動且不可控制的動力源。因此，為了將大量風力發(fā)電整合到電力供應系統(tǒng)中，有必要可靠地預測未來幾個小時甚至到幾天內風力渦輪機產(chǎn)生的電力情況。對于發(fā)電廠調度和電力交易，“提前一天”的預測尤為重要。

二、風電預測

風電預測主要有兩種不同的方法。一種方法是利用風力發(fā)電場的物理模型，通過天氣數(shù)值預測模型來確定氣象數(shù)據(jù)與風力發(fā)電場的功率輸出之間的關系。另一種是數(shù)學建模方法，例如使用統(tǒng)計方法或神經(jīng)網(wǎng)絡來找出天氣預報數(shù)據(jù)與歷史數(shù)據(jù)集的功率輸出之間的關系。在這里以德國ISET（（德國太陽能研究所）開發(fā)的風力發(fā)電管理系統(tǒng)WPMS最具代表性，它是一個神經(jīng)網(wǎng)絡模型。它由所有德國傳輸系統(tǒng)運營商操作使用。對于日前預報，采用德國氣象局數(shù)字天氣預報系統(tǒng)的氣象預報數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡的輸入。利用風電場實測功率輸出的同步數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，從而根據(jù)天氣預報數(shù)據(jù)計算出風電場的功率輸出。德國約100個代表性風電場的數(shù)據(jù)可用于此。

三、改善預測模型

目前，預測模型中僅使用當?shù)財?shù)據(jù)，即有關風電場位置的天氣預測數(shù)據(jù)。由于參照擴展區(qū)域的天氣變化規(guī)律，不同位置的天氣數(shù)據(jù)與風電場的功率數(shù)據(jù)之間存在相關性。這可以解釋為從天氣數(shù)據(jù)的多個點到風電場電力數(shù)據(jù)的信息流量形成一個有序的通道。在類似的調查中，利用其他觀測點的風速數(shù)據(jù)，可以改善一個地點的風速短期預測（小時）。在本文中，我們探討了利用這些額外的資訊來改善風力預測的可能性。

在通過對風電場數(shù)據(jù)采集后，我們收集了一些已用風電場的數(shù)據(jù)，即額定功率、按額定功率縮放的平均功率、平均輪轂高度hh、轉子平均直徑rd和每個風電場wf的風力渦輪機數(shù)量nr。在評估我們的預測方法的性能時，我們使用了標準的誤差測量，并給出了按風電場額定功率縮放的結果。我們對于前10個風電場，我們使用了10米高度的2008-09-15至2013-08-11期間的電力數(shù)據(jù)庫。利用這段時間的數(shù)據(jù)，我們用神經(jīng)網(wǎng)絡模型進行了預測，并對輸入數(shù)據(jù)進行了全局優(yōu)化，即與天氣情況無關的全局最優(yōu)輸入數(shù)據(jù)。結果還表明，如果將神經(jīng)網(wǎng)絡模型輸出平均值（ann，nns）的平均值作為預測功率，則會出現(xiàn)偏差。然而，并非所有風電場都是如此，因為9號風電場和10號風電場的模型的預測誤差高于預測誤差。我們還可以看到，通過使用兩個模型的平均值進行功率預測，可以進一步降低誤差。特別是從數(shù)值可以看出，由于模型的模糊性，平均模型輸出的預測誤差小于兩個單獨模型的誤差值。

四、數(shù)據(jù)優(yōu)化

在接下來，我們對所得數(shù)據(jù)進行了局部優(yōu)化，即根據(jù)天氣情況估計的局部最優(yōu)來采集處理數(shù)據(jù)。天氣狀況的分類是根據(jù)風力發(fā)電場的數(shù)值天氣預報數(shù)據(jù)進行的，我們預測了風力發(fā)電場的功率。我們確定了全局優(yōu)化和局部優(yōu)化的誤差度量，并與神經(jīng)網(wǎng)絡模型的誤差進行了比較。通過局部優(yōu)化，所有風電場的均方根值都小于神經(jīng)網(wǎng)絡模型的值，也就是9和10風電場的均方根值。此外我們還發(fā)現(xiàn)，本地風電場的偏差值也小于全球風電場的偏差值。如果將局部的模型輸出的平均值與全局的平均值進行比較，則可以另外減少預測誤差。然后，我們對所有風電場的天氣預報數(shù)據(jù)值進行了額外的降低，這對某些偏差值也有效。

我們最后對所有30個風電場在100米風速的數(shù)據(jù)進行分析，我們使用2008-09-15至2013-08-11期間的數(shù)據(jù)，并使用神經(jīng)網(wǎng)絡模型和最近鄰搜索模型進行計算，額外使用100米高度的風速值。由于對10個風電場的計算結果，我們切換到了較低的水平。對輸入數(shù)據(jù)進行局部優(yōu)化。在這些計算中，我們使用了4個地點（即風力發(fā)電場1、4、7和8）的天氣預報數(shù)據(jù)對所有風力發(fā)電場的天氣狀況進行分類，因為它們在整個區(qū)域分布良好。如上所述，我們在這里只對輸入數(shù)據(jù)進行了局部優(yōu)化。

五、總結

綜上所述，我們比較了兩種風電預測模型方法，即神經(jīng)網(wǎng)絡法和最近鄰搜索法，并對輸入數(shù)據(jù)進行了優(yōu)化。為了進行比較，我們使用了風力發(fā)電場相關的氣象數(shù)據(jù)和電力數(shù)據(jù)。結果表明，利用最近鄰搜索結合輸入數(shù)據(jù)的優(yōu)化可以減小預測誤差。這表明，與僅使用靠近風電場的一個點相比，使用數(shù)值天氣預報模型中更多的天氣預報點可以提高風電預報。通過使用兩個模型的平均模型輸出（即神經(jīng)網(wǎng)絡和最近鄰搜索），可以額外減少預測誤差。

參考文獻：

[1]馬彥宏，汪寧渤，劉福潮，等.甘肅酒泉風電基地風電預測預報系統(tǒng)[J].電力系統(tǒng)自動化，2009，（16）.

[2]王成福，梁軍，張利，等.基于機會約束規(guī)劃的風電預測功率分級處理[J].電力系統(tǒng)自動化，2011，（17）.

[3]蔡凱，譚倫農，李春林，等.時間序列與神經(jīng)網(wǎng)絡法相結合的短期風速預測[J].電網(wǎng)技術，2008，（8）.

作者簡介：郎朗（1983-），男，漢族，重慶市萬州區(qū)人，碩士，重慶三峽職業(yè)學院講師，主要研究方向：電子信息。