风功率预测系统(精选7篇)
风功率预测系统 篇1
随着风电行业的迅速发展, 风电本身的不确定性给大规模风电并网带来了很大的困难, 从而导致了严重的弃风问题[1,2]。为解决这些难题, 我国北部的冬季供热地区大力推广以蓄热式电锅炉为代表的可移时负荷 (柔性负荷) 来促进风电的就地消纳。该文采用蓄热式电锅炉与电化学储能联合系统作为可移时负荷。开发了一套基于风功率预测的可移时负荷监控系统。该系统不仅能够保证电能和热能供求平衡, 便于调度管理;而且可以做到实时监测风电场、可移时负荷系统的数据, 以便尽快发现问题, 处理故障。
乔颖等[1]设计了风电场集成系统的监控平台, 可实现有功控制、电压控制、发电与检修计划安排等高级应用功能。龚文杰等[2]介绍了基于GPRS网络的电力负荷远程智能监控系统, 实现了分散电力大用户的数据实时采集、传输、存储、事件报警以及WEB发布等功能。该文提出的基于风功率预测的可移时负荷监控系统可以同时获取源荷两端的相关数据, 以此来协调控制可移时负荷的运行方式, 具有适应性强、开放性高等优点。
1 研发系统的功能需求
风电场和可移时负荷系统属于分布式布置, 需要进行集约化管理, 因此研发了基于风功率预测的可移时负荷的监控系统, 监控系统中, 云端为数据传输提供了一个大的平台, 起“缓冲”作用, 可以对接收的数据进行简单整理;而信息处理及协调控制中心相当于“神经中枢”, 起到了协调控制, 分析处理的作用, 显然是监控系统的核心部分。这一监控系统的总体布置如图1所示。
可移时负荷的监控系统的工作原理如下:基于GPRS技术, 可以将风电场和蓄热式电锅炉示范工程的参数和信号以数据流的形式传送至云平台;云平台实现大数据的管理, 同时能够实现数据的快速收发, 将接收到的数据发送至协调控制中心;可以应用协调控制算法, 实现多目标联合应用调控系统的功能需求, 获得优化的数据, 来协调风电场和可移时负荷的运行;再将调整的运行方案通过云端发送至风电场和蓄热式电锅炉的现场调度中心, 实现源荷匹配的总体目标。
1.1 风电场数据采集终端
风电场数据采集终端通过数据平台从风功率预测服务器获取数据, 并对所采集的数据经过分析处理, 将该数据经单向隔离装置, 通过GPRS无线通信传送到云数据平台。
1.2 可移时负荷终端
可移时负荷所在地拥有自己独立的数据库, 从数据库中可以实时获取这些数据, 并将这些数据通过GPRS传输至云端, 供信息处理及协调控制中心进行分析, 协调系统运行。
1.3 云平台
云平台是一个虚拟的存储、处理大数据的平台, 可以对数据进行分析、整理计算。通过云平台, 可以将准确可靠的风电场以及蓄热式电锅炉示范工程的各类数据传送至信息处理及协调控制中心, 便于协调控制中心准确地确定方案, 实施管理。
1.4 信息处理及协调控制中心
信息处理及协调控制中心通过硬件与软件的组合, 实现了综合监控、风机监控、风功率预测, 柔性负荷管理等功能。通过运用相应的控制策略, 满足负荷用电的边界条件, 给出负荷用电的用电指导方案, 将指导方案通过总线的方式发送给风电场以及蓄热式电锅炉示范工程。
信息处理及协调控制中心具备查询、存储所辖风电场设备以及可移时负荷运行的实时数据和历史数据的功能。
2 系统硬件部分的组成
信息处理及协调控制中系统的硬件部分主要由路由器 (数据路由器、视屏路由器等) 、前置机 (交换机、纵向加密) 、终端服务器、通讯服务器等组成。为保证系统通讯的稳定性以及数据的安全性, 采用分布式体系双局域网结构, 通讯服务器都连接在两条以太网上。采用双网络同时工作, 系统自动平均分配网络负荷, 当一条网络出现故障后, 另一条网络作为备用线路介入网络, 确保系统不受影响, 能够正常运行。在某些情况下, 当两个通信节点之间发生变化时, 根据相应变化系统会重新设置通信状态。其结构如图2所示。
采用终端服务器作为通讯设备的前置机, 保证了其通讯稳定性。该配置可支持同步、异步的方式, 适合数字通道和模拟通道的实用性。结构体系采用分布式, 最大限度地实现了资源的优化, 把各个功能模块分配到系统的各个网络节点上, 系统在基本功能得到保证的情况下, 实现了的可扩充性。
图中的A框表示数据采集方式是采用终端服务器和调制解调器相结合的方式, B框表示数据采集方式是采用路由器或交换机方式, 可采用专线、同轴电缆、双绞线、光纤等多种接入方式, A、B方式可以互相结合使用, 也可以互为备用。
3 系统软件部分的研发
为了充分满足监控系统的整体需要, 采用Qc来开发人机界面, 利用德国西门子公司 (SIEMENS) 推出的Win CC (Windows Control Center) 控制软件, 使用Microsoft SQL Server 2005作为其组态数据和归档数据的存储数据库。
采用标准C++语言来编写算法, 通过协调控制算法优化多目标函数, 求得最优解指导系统优化运行, 实现高效的源荷匹配。监控系统兼容多种不同设备运行及软件平台的支撑, 在此状态下, 需要设备的规约转换。而实时数据和历史数据服务器, 可兼作为前置机信息处理规约和规约转换。
监控系统的软件构架如图3所示。
数据服务层以及通用功能组件服务层主要用于整理数据、进行数据的归档存储, 以便调用。智能计算服务层用于分析数据, 运用协调控制算法来优化目标函数, 同时输出目标结果, 工作人员以此来制定优化后的系统运行方案。而监控显示界面则用来实时显示由云平台传输而来、经协调控制中心整理之后的数据。
4 研发的监控系统界面
该文给出的模型为风电场装机容量100 MW, 由25台额定功率为4 MW的风机组成;可移时负荷为3台额定功率30 MW的蓄热式电锅炉和与之配合的3套额定功率10 MW的电化学储能系统组成, 电锅炉在夜间22:00至次日5:00运行, 其余时间由蓄热罐为供热公司供热。
监控画面主要显示以下内容:风功率的预测数据, 风场的电流和电压, 电锅炉实时的电功率、电压、罐体内温度和压力, 出水和回水温度;储能装置主要显示实时的功率流向、大小、运行极限报警以及储能电池的温度等信息。以便为调度计划提供较为准确的依据。部分主要的监控画面如下图4所示。
图4中可以监测到预测的风电场、蓄热式电锅炉和电化学储能系统的总体数据, 图中风电场显示的为集电系统中的总体电流、电压;蓄热式电锅炉中电功率与电压显示的是1号蓄热式电锅炉的数据, 包括电锅炉的功率、蓄热罐的罐内温度和气压等实时的数据。
图5中, 风功率显示的为一天内风场预测功率;图中仅给出了1号电锅炉的运行数据, 而2号与3号电锅炉与1号电锅炉的运行状态基本一致;与电锅炉配合的电化学储能系统, 有正有负, 当为负值时供给电锅炉电能, 当为正值, 则自身储存能量, 图中仅给出了与1号电锅炉相配合的电化学储能系统的运行状况。
5 结语
该文开发了一套可移时负荷监控系统, 实现了对风电场、蓄热式电锅炉和储能系统等可移时负荷进行远程监视和集中控制及数据的管理。该监控系统的研发实现了风电场与可移时负荷的集中化管理, 通过协调控制算法可以优化风电场与可移时负荷的运行, 使得这一联合系统能够更节能环保地解决本地部分居民的供热问题和风电场的弃风问题。
参考文献
[1]乔颖, 鲁宗相, 徐飞, 等.风电场集成监控平台的研究[J].电力系统保护与控制, 2011, 27 (5) :118-122.
[2]龚文杰, 王铁松, 路全川.基于GPRS的负荷监控系统[J].农林电气化:2007 (3) :42-44.
[3]唐西胜, 邓卫, 李宁宁, 等.基于储能的可再生能源微网运行控制技术[J].电力自动化设备, 2012, 32 (3) :99-103.
[4]严干贵, 宋薇, 杨茂.风电场风功率实时预测效果综合评价方法[J].电网与清洁能源, 2012, 28 (5) :1-6.
[5]徐国丰, 黄民翔, 裴旭.华东大规模风电消纳模式研究[J].华东电力, 2011, 39 (7) :1045-1048.
[6]连文莉, 黄成辰, 吕昌霖.采用时间序列预测风电场出力[J].电网与清洁能源, 2011, 27 (12) :112-117.
[7]柳玉, 白恺, 崔正湃, 等.风电场短期功率预测水平提升举措措施研究与实例分析[J].电网与清洁能源, 2015, 31 (12) :2-3.
[8]Ahmidi A, Guillaud X, Besanger Y.A multilevel approach for optimal participating of wind farms at reactive power balancing in transmission powersystem[J].IEEE Systems Journal, 2012, 6 (2) :260-269.
风功率预测系统 篇2
由于风能等可再生能源具有不稳定的特点, 大规模的可再生能源给电网带来了一定压力, 给发电、输电、配电和用电方也都提出了一定挑战。目前国内外学者已经对风功率预测[1,2]进行了大量研究, 主要分为两大类:一类是直接对风功率进行预测;另一类是通过风速预测求功率预测值。但现阶段小时级预测误差平均水平也只有20%~40%, 有较大的提升空间。
对预测误差的分析有利于弥补风功率预测水平的不足, 改善风功率输出特性。文献[3]根据概率分布和最小二乘法的相关理论, 提出了一种基于正态分布的描述风电功率预测误差分布模型的新方法。文献[4]考虑将正态分布与拉普拉斯分布的概率密度函数相结合建立风电出力偏差的概率密度分布。文献[5]基于大量实测数据的分析, 发现可以采用带移位因子与伸缩系数的t分布描述风电功率波动特性的概率分布。文献[6]根据随机波动模型的峰度分析技术, 对风电时间序列存在明显的“肥尾”效应时的条件分布进行了分析。
储能系统ESS (Energy Storage Systems) 是平抑波动最理想的选择[7,8,9]。由于风速的高度随机性, ESS的研究大都集中于其暂态稳定性方面的分析[10,11,12,13], 鲜有对ESS的容量配置的研究[14,15,16], 或是仅通过简单的试验来确定储能容量[17,18,19]。文献[20]就如何用最小的ESS实现风电场长时间稳定输出进行了分析, 对风电机组中ESS的配置功率、配置容量的大小及其对风电机组有功功率输出的优化作用进行了研究, 提出了以风电机组及储能装置的输出功率波动标准差为指标的ESS的功率和容量优化方案。文献[21]利用储能容量成本及风电场输出功率平滑效果辅助判据, 得出风电场储能容量合理的取值范围, 使功率波动达国标而不是全部平抑。
针对现有误差分布在计算方法或拟合效果上存在的不同程度局限性, 本文采用文献[22]分区拟合的思想, 将误差分区, 在每个区间分别拟合后, 加权求和获得全区域的误差分布函数。在此基础上, 对储能容量的模型进行了分析, 考虑了预测误差的影响, 将储能容量表示为缺失容量的函数, 以在满足一定概率水平下平抑风功率预测误差带来的功率波动, 降低ESS的投资。
1 预测误差分布
为更加详尽地分析预测误差的影响, 须给出一种合适的分布模型, 用以较准确描述预测误差的分布特性。文献[3-4]分析了拉普拉斯分布、标准正态分布在预测误差拟合上的应用, 虽在整体上能够表示风电功率预测误差的趋势, 但在部分区段上出现严重不符, 若直接利用其来表示实际数据的概率密度分布情况, 在一定程度上夸大了风电功率预测的误差, 从给出的拟合效果图可以看出在部分区间上的局限性。文献[23]采用直接统计的方法对某地区风电场风能的预测误差进行归类统计, 发现风能预测曲线中预测误差的大小与风能输出功率水平有关, 而与时间没有明显的关系, 因此本文将对样本进行纵向划分。另外, β分布在[0, 1]区间具有良好的性质, 只需适当选择参数, β分布就可拟合各种区间序列分布, 曲线形状从均匀分布到近似正态分布、从对称到不对称, 尤其对于“偏峰”分布具有很强的建模能力[24]。因此, 对于未知分布的数据, 可以通过拟合β分布参数来确定相应的数据处理结果, 省去了判别分布的麻烦。本文根据预测误差的分布特性, 结合β分布的类似特性, 来拟合区间风功率预测误差分布。
本文采用文献[22]分区建模的方法展开研究, 基本思路为:将风功率分割为n个区间, 区间长度决定于试验数据的大小。运用β分布分别对每个区间实测功率进行拟合后, 减去区间平均预测功率, 最后进行求和运算, 得到预测误差的整体分布。进行预测误差分析的具体过程如下[22], 文中P为功率有名值, p为相应功率标幺值。
a.应用β分布计算单个区间i的实测功率分布函数fi (p) , 可表示为:
其中, p为区间i的实测功率值;α、β为分布参数, 与区间功率的方差σ2和均值μ有关, 可表示为式 (2) 。
故有:
b.用fi (p) 减去区间i的平均预测功率得到该区间的预测误差分布函数fi (ε) 。
c.求取全区间分布函数。对各区间误差分布进行求和运算, 将得到全区间预测误差的分布函数f (ε) :
其中, ωi为权重系数, 取决于预测值出现在该区间的概率统计值;fi (ε) 为分布于[-1, 1]区间的β分布, 且fi (ε) ≥0, 故加权求和后不会出现正负相抵消的情况。
上述过程采用了文献[22]分区建模的方法, 将风功率进行纵向分割, 反映不同功率区间的预测水平, 且β分布具有较简单的表达形式, 能够很好地拟合预测误差分布, 本文算例将对文献[22]分区建模方法进行验证。f (ε) 的获得, 在风功率预测值的基础上增加了预测误差的分布, 为进一步掌握风功率波动特性提供了方便, 也为平抑风功率波动的研究提供了所需条件。
2 储能容量
ESS是平抑波动最理想的选择。为满足风电接入后系统的安全、电力供需平衡、电能质量的要求, 借助ESS来抑制风电预测误差, 可使原有的波动性、间隙性变得“可控”。本节介绍一种用于评估储能容量的概率方法, 该方法将ESS容量表示为缺失容量UE (Unserved Energy) 的函数, UE定义为ESS补偿 (吸收或输出) 不足的量EUE, 亦可用所占风电装机总量EW, total的百分比eu表示, 表达式如式 (5) 所示:
该方法的目的在于分析ESS在一定概率水平下能够平抑风功率预测误差导致输出波动的能力。本节将详细介绍ESS容量与误差累计分布函数CDF (Cumulative Distribution Function) 及荷电状态SOC (State Of Charge) 的关系。
2.1 ESS功率的确定
ESS应具有短时间快速响应负荷变化、补偿功率偏移的能力。由于目前储能成本较高, ESS容量的配置变得尤为关键, 因其将会影响到系统的工程造价。若ESS的额定功率PESS等于风电装机功率PW, inst, 即pESS=PESS/PW, inst=1 p.u., ESS可以完全平抑风功率预测误差, 但此时需要较大的储能容量。另外, 对于现有预测方法, 出现预测误差很大的概率非常小, 因此, 一般考虑在满足一定概率水平下减小储能容量, 减少投资成本。
在已知风功率预测误差分布f (ε) 的情况下, 容量缺失量eu P可表示为未能补偿的预测误差的积分量, 表达式为:
其中, 为风功率平均值;PW, inst为风电场装机容量;ε为风功率预测误差;积分式乘的目的是为了方便表示eu P占PW, inst的百分比。该式建立了储能功率与容量缺失量之间的函数关系式。
2.2 ESS容量的确定
ESS容量关系的确定较功率的计算复杂得多, 需要分别对能量吞吐率 (ETR) 与充/放电饱和时间tsat进行计算。
2.2.1 能量吞吐率的计算
能量吞吐率定义为能量吞吐量Etp与总发电量EW, total的比值, 如式 (7) 所示:
其中, Etp是ESS充、放电容量的绝对值之和。本文考虑充、放电量相等, 保持功率平衡的理想ESS。理想状况下的能量吞吐率可表示为:
其中, 为风功率预测平均绝对误差;为风功率平均输出值。考虑到时间段相同, 因此可以用与代替Etp与EW, total。
2.2.2 充/放电饱和时间tsat的计算
将风功率预测误差值作为ESS的输入量, 会得到ESS的SOC。SOC标幺化处理方法见式 (9) :
其中, T为预测周期。SOCN=1 p.u.表示ESS充电至额定状态。
可以通过SOCN的累计概率密度函数FSOC计算tsat, 若ESS的容量减少为ex, 则:
由于FSOC分布特性, 有时通过式 (10) 的简单计算, 并不能得到满意的值, 更加有效的方法是其逆过程。因而ESS容量计算式为:
其中, ex为与给定tsat对应的ESS容量;F-1SOC为FSOC的反函数。式 (11) 建立了充/放电饱和时间tsat与ESS容量ex的关系式。因此, 可以借助SOCN的累计概率密度函数FSOC求取ex。
2.2.3 函数关系的确定
前文介绍了eu与ESS功率PESS、储能系统容量EESS的关系, 其实在EESS减小的同时, PESS也会变化。可采用二维插值法来分析EESS与PESS同时减小时, eu的变化。
ETR0表示ESS可以补偿所有功率波动时的能量吞吐率, 当受某种约束使得ESS容量减少, 缺失容量为eu时的能量吞吐率为ETR0′, 则:
其中, etr′0=ETR′0/ETR0为ETR′0的标幺值。至此, 本文完成了考虑风电预测误差的储能系统容量与缺失量关系的分析, 图1给出了储能缺失容量具体计算的流程图, 主要包括两大步骤:一是容量缺失量eu P的计算, 主要与风功率预测误差分布函数f (ε) 有关;二是容量缺失量eu E (EUE的标幺值) 的计算, 需分别计算SOCN的累计概率密度函数FSOC及能量吞吐率ETR0。结合上述2步可建立eu与PESS、EESS的关系, 可根据容量缺失量, 获得所需储能系统的容量配置。
3 评估指标
由于风功率波动的影响, 在储能容量减少的情况下, 系统可能出现容量缺额 (ES) 现象。当风功率波动值大于储能容量, 或波动变化率大于ESS充/放电速率时, 系统无法提供足够功率时均会出现功率缺额现象。本节提出一种储能容量优化 (减少) 前后系统容量缺额评估指标, 定义为:
其中, k为容量缺额评估指标;ES0、ES′分别为优化前、后系统容量缺额;H为评估周期;ES0 (t) 、ES′ (t) 分别为t时刻优化前、后系统容量缺额。容量缺额受风功率变化率充/放电速率PE及SOC等很多因素的影响, 如图2所示。
容量缺额ES的具体计算过程如下。
若初始荷电量大于等于风能波动量, 即SOC≥ΔPW, 则:
若初始荷电量小于风能波动量, 即SOC<ΔPW, 则:
4 算例分析
本文以某地风电场实测数据为研究对象, 该数据序列时间间隔为3 s。采用先预测风速, 再根据风速-风功率关系得风功率预测值。取2011年7月份数据, 按每15 min提取一个点作为原始数据建立模型, 预测下一时刻的风速。预测模型采用文献[1]提出的组合预测模型。该模型采用时间序列和BP神经网络的组合预测模型, 其中BP模型的输入量由历史数据和时间序列得到的残差值组成。设v1是BP神经网络预测值, v2是ARMA预测值, v0是加权平均的组合预测值, 预测误差分别为e1、e2和e0。组合预测模型为:v0=ω1v1+ω2v2, 其中ω1、ω2是相应的权重, 且ω1+ω2=1, 误差为e0=ω1e1+ω2e2。由组合预测模型得到预测值v0后, 求其相对的风功率预测值, 再与实测值比较, 得到误差量。该组合预测方法所得结果较单一预测方法更令人满意, 具有一定的实用价值。
应用第1节介绍的分区建模的方法, 将本文算例功率区间划分为50个区间, 图3只给出了5个区间 (0.2、0.4、0.6、0.8、1.0 p.u.为5个区间的分割点) 的fi (p) 的仿真波形, 每个区间均为一个具有不同分布参数的β分布函数。表1给出这5个区间的权重系数, ωi取为预测值出现在区间i的概率统计值。用fi (p) 减去区间i平均预测功率得到该区间的预测误差分布函数fi (ε) , 仿真波形如图4所示, 图中ε为标幺值, 后同。值得说明的是, 本文算例中, 将风功率区间等分为50份, 对每个区间进行拟合, 并计算其权重系数, 经求和后获得整个区间的误差分布。整个区间的划分份数会影响最后的拟合精度, 若未达到要求精度, 可增加区间数目。
最后, 由式 (4) 求取全区间分布函数。f (ε) 为分布在-100%~100%之间的函数, 为能更清楚地看到本文所提分区方法在整个区间上的有效性, 图5 (a) 中只给出0~100%之间风功率预测误差的概率密度分布曲线图, -100%~0之间的分布可类似得出。为对比分析, 同时绘制了由历史实测数据计算的误差分布曲线, 图5 (a) 给出本文分区拟合的效果, 图5 (b) 给出文献[4]中提到的拉普拉斯与正态分布的拟合效果, 从变化趋势与跟随效果上看, 特别是在误差分布的“肥尾”特性上, 本文采用的分区拟合方法都有较好的效果。通过算例验证了文献[22]提出的分区拟合方法的有效性, 为进一步分析储能模型提供了所需条件。
根据得到的风功率误差分布, 由式 (6) 仿真计算, 得到pESS随eu P的变化曲线图, 如图6所示。从图中可以根据容量缺失量, 得到对应所需ESS的功率。在本文仿真分析工况下, pESS随eu P的变化幅度非常大, 特别是在eu P (0, 1.5%) 的区间内, pESS甚至出现了直线下降的现象, 由1 p.u.迅速减小到0.4 p.u.。因此, 出于经济性与实用性考虑, 适量地增加eu P, 可以减弱对ESS的苛刻要求。
图7给出了由SOC的累计密度曲线求取ESS容量的过程, 图中SOC为标幺值, 实线部分为累计概率密度函数FSOC的变化曲线, (100-tsat) 与曲线交点的横坐标值便为F-1SOC (100-tsat) , 图中取tsat=20%, 可由F-1SOC求得ex=0.38, 为建立缺失量与储能容量函数关系建立基础。
至此, 算例介绍了风功率预测误差建模的完整过程, 并基于此得到了pESS随eu P的变化曲线图, 给出了由SOC的累计密度曲线求取ESS容量的过程。从仿真结果可以看出, 本文提出的分区拟合方法都有较好的效果;eu P的提出可以减弱对ESS的苛刻要求。
5 结论
本文在对风功率预测误差分析的基础上, 提出一种用于评估储能容量的概率方法, 主要结论如下。
a.采用分区拟合的思想, 将风功率误差区间分成若干小区间后, 在每个区间中应用β分布拟合, 最后加权求和获得全区域的误差分布函数。仿真结果验证了分区拟合方法的正确性。
b.介绍了一种用于评估储能容量的概率方法, 该方法将ESS容量表示为缺失容量的函数, 目的在于分析ESS在一定概率水平下能够平抑风功率预测误差导致输出波动的能力, 同时减少对ESS的要求, 并详细介绍ESS容量与误差累计分布函数、SOC的关系。
c.最后提出一种新的容量缺额指标。
摘要:针对正态分布与拉普拉斯分布用于拟合风功率预测误差较大的不足, 采用分区拟合的思想对误差进行分区, 并在每个区间中应用β分布拟合后, 加权求得全区域的误差分布函数。基于此, 建立考虑预测误差分布的风电场储能容量数学模型, 其中储能容量表示为缺失容量的函数, 并介绍储能容量、误差累计分布函数与荷电状态的关系。提出一种新的系统容量缺额评价指标, 用于比较储能容量优化效果。算例分析结果表明, 该方法可以在一定概率水平下平抑风功率预测误差带来的功率波动, 同时降低对储能系统的要求。
风功率预测系统 篇3
随着风电规模的进一步扩大, 其输出功率的波动性和间歇性对电网的影响日益加重。而风功率超短期预测正是解决风电有功功率稳定性问题的关键技术之一[1],高精度的超短期风功率预测也为风电与其他电源协调运行提供可靠前提。
风功率预测在时间尺度上可分为长期预测、中期预测、短期预测和超短期预测[1]。其中, 超短期风电功率预测是指0 到4 小时的风电输出功率预测, 且时间分辨率不小于15min, 其主要用于运行和控制[2]。根据国家电网公司调度通信中心制定的风电功率预测系统功能规范( 试行), 风电功率预测模型计算时间应小于5min, 超短期预测第4h预测值月均方根误差(RMSE)应小于15%。目前国内已经做了大量的风功率预测研究, 其中风功率超短期预测方面的研究有: 文献[1]结合小波降噪和弱化算子, 提出了一种基于时间序列预测模型的风电机组有功功率预测算法; 文献[2] 基于ARIMA时间序列模型建立了超短期风电功率预测模型, 并将该方法应用在了安全稳定预警系统中; 文献[3] 改进了现场投运的风电场超短期预测系统的多层前馈神经网络模型结构, 且预测结果的均方根误差约为14%~15%; 文献[4] 采用人工神经网络对风电场超短期功率进行了预测; 文献[5] 提出了基于相空间重构的风速和风功率超短期预测; 文献[6] 利用神经网络和时间序列对NWP风速和功率进行了预测; 文献[7] 提出了一种基于在线序贯极限学习机(OS-ELM) 的超短期风电功率预测方法; 文献[8] 提出了基于多模型的预测MS-RBF神经网络的组合模型; 文献[9] 建立了遗传算法优化支持向量机的模型。
针对目前的研究现状, 并结合风场的实际情况, 本文采用了结合神经网络和模糊推理的自适应神经模糊系统(ANFIS), 将其应用于风功率超短期预测。与其他神经模糊系统相比,ANFIS具有便捷高效的特点, 已在众多工程与科研领域得到了广泛应用, 均获得了较好预测、控制效果[10,11,12]。
2 自适应神经模糊推理系统
2.1 自适应神经模糊推理系统结构
自适应神经模糊推理系统(ANFIS) 是基于数据的建模方法, 该系统的模糊隶属函数和模糊规则是通过对大量历史数据的学习得到的, 而不是基于人为的经验或直觉给定的。与BP神经网络相比, 具有更强的自学习能力、鲁棒性和自适应性。它兼顾神经网络的非线性、自适应性和模糊推理系统处理复杂系统的优势,适用于多变量非线性系统的预测。经典ANFIS的结构如图1 所示。
以图1 双输入单输出的ANFIS为例,x1和x2为输入,y为输出, 规则库由以下4 条规则组成:
图2 的网络结构分为5 层: 模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
第1 层: 模糊化层, 该层的神经元执行模糊化操作。变量x1、x2的取值分别用A1、A2、B1、B2 来表示,其是以神经元的模糊隶属函数表示的, 选用的隶属函数不同, 则输出的隶属度不同。设模糊隶属函数用f表示,则输出的隶属度 μA、μβ为:
第2 层: 规则推理层, 规则神经元从各自的模糊化神经元接收输入, 并计算它表示的规则激发强度 ωn。
第3 层: 归一化层, 该层的每个神经元接收来自上一层的所有神经元输入, 并计算给定规则的归一化激活强度。
第4 层: 逆模糊化层, 该层计算给定规则fn的带权重的后项值。
第5 层: 输出层, 该层对所有逆模糊化的神经元输出进行求和, 得出ANFIS的最终输出y。
公式(1) 到公式(6) 中,i,j=1,2;n=1,2,3,4。
当然, 图1 所示的自适应网络结构不是唯一的, 可以合并第3 层、第4 层, 得到一个只有4 层的等价神经网络, 在MATLAB2010b中ANFIS的自适应网络结构就是4 层。
2.2 ANFIS在MATLAB中的实现
本文ANFIS的学习算法是结合反向传播算法和最小二乘算法的混合算法。在ANFIS训练算法中, 每个周期由前向传递和后向传递组成。在前向传递中, 神经元的输出要一层一层的计算, 规则后项参数由最小二乘法表示。在Sugeno型模糊推理中, 输出y为线性函数。
在MATLABR2010b软件中, 提供的ANFIS计算步骤如下: 导入训练数据、测试数据和检验数据;确定各个输入变量的隶属度函数的个数和类型; 选择生成FIS结构的方式, 产生初始模糊推理系统;确定训练FIS的相关参数( 优化方法、误差容限、训练步长); 训练ANFIS; 用测试数据测试得到的FIS结构; 用检验数据检验得到的FIS结构, 若精度满足要求,FIS结构为所求模型。其中预测建模流程如图2 所示。
3 基于ANFIS的风功率超短期预测仿真实例
3.1 数据预处理
本文所用的数据来自山西某风场的实际运行数据,采样周期为15min, 共取连续3 个月的数据, 其中包括风场风机的实际有功出力以及测风塔在层高70m时测得的对应风速、风向和层高20m时测得的气温。由于篇幅限制, 图3 给出了其中1 天96 组数据的折线图。
由于调度限电的情况在风场时有发生, 而限电情况下不能真实反映风场的实际可出力情况, 所以需对取得的历史数据进行预处理。对数据进行筛选, 将调度限电情况下的数据组以及坏点数据组剔除后, 对其余数据进行整理后形成样本数据, 将其保存为text文档或.dat文件, 以便MATLAB调用。
3.2 建立ANFIS预测模型
在MATLAB2010b中进行仿真建模, 按照2.2 节中所述的步骤, 首先将筛选后的330 组训练数据( 取自2015 年1 月历史数据)、70 组测试数据( 取自2015 年2月历史数据) 和70 组检验数据( 取自2015 年3 月历史数据) 导入MATLAB的工作空间; 其次对各种参数进行设置。具体步骤本节中不再重复叙述, 实例参数设置如表1 所示。
实例中有3 个输入变量,1 个输出变量, 共112 条模糊规则,ANFIS结构图如图4 所示。
对训练数据进过100 次训练, 得到的预测结果如图5 所示, 预测误差曲线如图6 所示。平均预测误差为3.0479%。
在MATLAB2010b中编写m文件, 针对同样的数据样本, 用BP神经网络进行建模、预测, 其中隐含层设置为13 个神经元时, 训练结果如图7、图8 所示, 其中BP神经网络主要程序代码如下:
由图5 至图8 的预测曲线, 可以明显地看出, 基于ANFIS模型的预测精度要高于BP神经网络。对预测结果数据进行整理分析, 表2 给出了在同样的样本数据下,两种方法具体的预测误差值。
需要说明的是, 本文进行的基于BP神经网络的风功率超短期预测实验, 是为了与所提的ANFIS预测方法作比较, 所以两种方法采用了相同的数据样本。本文得出的基于BP神经网络方法的预测精度仅代表在该数据样本下得到的相对较高的预测精度。若样本数据增加,基于BP神经网络预测方法的预测精度将会改变。
4 结束语
ANFIS集神经网络和模糊理论的优点与一身, 并且使得二者互补, 在基于数据建模方面的优势显而易见。本文将ANFIS应用于风功率超短期预测, 由仿真实例的预测结果可以看出, 相同的样本数据下, 基于ANFIS的风功率超短期预测的精度要明显高于BP神经网络, 其RMSE为4.549%, 完全满足规范中小于15%的要求。但是,ANFIS也存在着不足: 随着输入变量的模糊隶属函数个数的增加, 学习速率会降低, 建模时间会加长。后续研究中应针对其不足改进基于ANFIS模型的预测方法。
参考文献
[1]黄帅.风电场超短期功率预测方法的研究[D].成都:电子科技大学,2012.
[2]常康,丁茂生等.超短期风电功率预测及其在安全稳定预警系统中的应用[J].电力系统保护与控制,2013,40(12):19-24.
[3]陈颖,周海等.风电场输出功率超短期预测结果分析与改进[J].电力系统自动化,2011,35(15):30-33.
[4]易跃春,马月等.风电场超短期风功率预测问题研究[J].水力发电,2013,39(7):96-99.
[5]张晋华,程鹏等.基于相空间重构的风速和风功率超短期预测[J].人民黄河,2012,34(7):117-120.
[6]陈新娜.基于时间序列的超短期功率预测研究[D].长沙:长沙理工大学,2013.
[7]王焱.超短期风电功率预测及风电并网暂态切机控制研究[D].浙江:浙江大学,2014.
[8]周洪煜,赵乾等.风电机组输出功率超短期预测的组合模型研究[J].太阳能学报,2014,35(3):457-461.
[9]刘爱国,薛云涛等.基于GA优化SVM的风电功率的超短期预测[J].电力系统保护与控制,2015,43(2):90-95.
[10]康正亮,胥凯晖,杨传起.ANFIS在航材需求量预测中的应用[J].四川兵工学报,2015,36(1):84-87.
[11]郑凌蔚,刘士荣等.一种综合ANFIS和PCA的光伏发电功率预测新方法[J].太阳能学报,2012,33(6):994-1001.
风功率预测系统 篇4
关键词:风电,功率预测,电池容量,修正
1 引言
风电机组的输出功率取决于风速,由于风速的间歇性和随机性,使得风电机组的输出功率呈现较大的波动性,这样的功率接入电网影响电网的电能质量[1]。储能系统能够动态吸收能量并适时释放,可以有效弥补风电的波动性,改善风电输出,提高系统对风电的接纳能力[2,3]。电池储能系统响应时间极短、单位体积小、系统设计的灵活性大,是目前比较经济和容易实现的储能技术,因而在风力发电领域获得广泛的应用[4]。其中,容量配置是一个关键问题。若储能容量过小,影响输出波动平抑效果,如果过大,储能电池可能长期处在充电不足的状态,影响电池的寿命[5]。同时,储能系统的造价比较昂贵,通常只能利用有限容量的储能系统来优化风电场的功率输出[6]。如何在改善并网风电场的电能质量、增强系统稳定性的前提下,有效减小电池储能系统容量,成为了关键问题[7]。
目前,国内外已有相关文献对电池容量需求进行了研究[8,9,10]。文献[11] 指出电池储能系统利用预测功率可以在快速风速扰动下平滑风电场输出,并且以功率预测值作为输出期望,结合遗传算法得到电池储能系统的最佳容量。文献[12] 中风机输出功率通过滤波器得到目标功率值,以此控制电池运行,计算出电池容量。根据提出的控制策略,以某风力发电厂连续3个月的运行数据为基础,使得该风场的输出波动控制在装机容量的10%以内。并且得出当预测周期为4h,风电场规模和储能系统保持在1/0.25较为适宜的结论。
尽管文献[11]表明,对风电功率进行预测可以减小电池储能系统的容量需求,但该方法的有效性依赖于预测的精确度。当预测功率与实际输出偏差较大时,如果还是完全按照预测功率进行电池储能系统的充放电控制,会导致电池储能系统较大的容量需求。本文针对预测误差情况进行分析,提出一种对超短期预测功率进行修正的方法,并利用实际风力发电机48h输出数据和PSCAD进行仿真,验证该方法的可行性和有效性。
2 电池储能系统平滑风电功率波动控制
2.1 传统的电池平滑输出控制
安装储能系统是平抑风电功率波动的有效途径。根据风电功率的平滑度要求设定平滑功率上下限,控制蓄电池的充放电运行,以平滑风电输出。定义平滑度为:
undefined
式中,Pb为某时段风电输出功率的参考值;Pmax和Pmin分别为该时段内的功率平滑上下限。设定Pb=0.5(Pmax+Pmin),则
undefined
电池充放电控制步骤如下:
(1) 当实际输出功率P>Pmax时,电池充电;当P
(2) 当电池充满时,停止充电;当电池达到最大放电深度时,停止放电。
2.2 基于风功率预测的电池平滑输出控制
将某时段分为n个周期,每个周期的功率参考值为该周期的功率预测值。此时的电池充放电控制如下:
(1) 根据设定的β值及第i个周期的预测功率Pib通过式(2)计算得到该周期功率平滑上下限Pimax、Pimin;判定i周期的实际输出功率P:当P>Pimax时,电池充电;当P
(2) 同样,当电池充满时,停止充电;当电池达到最大放电深度时,停止放电。
3 电池容量需求及误差分析
3.1 一般电池容量需求计算
电池的荷电状态SOC用来反映电池储能系统的剩余容量,其数值上定义为电池的可用剩余容量和额定容量的比值:
undefined
其中,Qt为电池的可用剩余容量;Qb为额定容量。
设SOCmax,SOCmin为某时段电池荷电状态的最大值和最小值。则该时段电池容量需求Q为:
undefined
其中,V为电池电压。
3.2 基于预测功率的电池容量需求计算
基于预测功率计算电池容量需求时,本文设定预测周期为1h,SOCimax、SOCimin(i=1……n)为n个周期中各个周期荷电状态的最大、最小值。此时上述时段电池的容量需求Q′为:
undefined
图1为对应于传统电池平滑控制和基于预测功率的电池平滑控制的仿真图。从图中可以看出,加入功率预测后,SOC整体变化减小,根据仿真数据得到Max(SOCimax-SOCimin)=0.0085,利用式(5)计算得到所需电池容量,其与2MW风机的容量比值为18.2%。
3.3 大容量需求产生原因分析
尽管利用功率预测系统可以减小电池储能系统的需求容量,但其有效性依赖于预测精度。
图2 为风力发电机的某段时间的实际输出和预测输出。
从图2中可以看出,在某些周期,预测值明显偏离实际输出。究其原因主要是因为预测值取决于历史数据,当输出功率变化平缓时,得到的预测值误差小,一旦输出功率发生突变,此时的预测值就存在很大的误差。t1~t2,t8~t9这些周期较大的预测误差正是显著风速变化引起了输出功率突变,从而导致电池较大的需求容量。下文给出了一种预测功率修正方法,使得电池容量能够进一步减小。
4 基于预测功率修正的电池容量需求分析
4.1 预测功率修正原理
为了避免电池的荷电状态在整个运行过程中起伏较大,同时尽量避免较大预测误差而造成电池储能系统过大的容量需求,本文研究了预测功率动态修正技术。
图3中,t2~t3时段对预测功率进行了修正。可以看出修正后阴影部分面积变小,相应减小了电池充电需求容量。对应于该图的SOC变化如图4所示。
4.2 预测功率修正方法
以4个周期为一个单元,将48h分为12个单元。如图5所示,以第m单元为例,SOCm为该单元结束时刻较起始时刻的SOC变化值。
在第m+1个单元补偿SOCm,该单元中每个周期的功率修正量为:
undefined
设第i周期的原预测功率为Pi,则修正后第i个周期的预测功率
undefined
其中,
undefined
。
4.3 特殊情况容量需求修正技术
利用上述修正方案进行仿真,发现修正前,SOC变化较大的周期中,在修正后其中某些周期SOC变化仍然较大。经过分析,可能由以下两种情况造成:
(1) 功率修正不合理。如图6中第i+1个周期(ti-1~ti)的功率修正情况。期望修正后的预测值应大于原预测功率,电池可以少充电,而实际修正后的预测功率小于原预测值,电池较修正前充了更多的电,导致该周期的SOC变化更大。
(2) 该周期的实际功率变化较大,而功率修正量较小,如图6中第i个周期(ti~ti+1)的功率修正情况。由于该周期的功率波动较大,导致该周期的SOC变化较大。
设未修正预测功率时,电池的需求容量为Q,给定一个小于1 的系数α。检测第i周期当前的SOC变化值ΔSOCi,当ΔSOCi>Qα倍,说明此时的荷电状态变化大于设定的裕度值,此时将修正后的预测功率按前一个采样点的实际输出功率进行修正。针对某一单元的功率修正,给出流程图如图6所示。
根据第4.2和4.3节提出的功率修正方案,对预测功率进行修正。通过仿真得到功率修正后的SOC变化曲线,并与功率修正前的SOC变化曲线进行比较。如图7所示。
如图7所示,预测功率修正前,48h内SOC为0.0217。对预测功率进行修正后,48h内SOC的最大值为0.8078,最小值为0.7943,整个过程SOC的变化ΔSOC=0.0121,较未修正时的0.0217明显减小。同时,修正后Max(SOCimax-SOCimin)=0.0071,所需电池容量和风机容量的比值为15.2%,小于未修正时的容量需求。
5 结论
电池储能系统可以平滑风电场输出,降低风电波动,同时预测系统又可以减小对电池储能系统的容量需求。但当预测误差比较大时,电池需求容量仍然较大。本文通过分析大容量需求产生的原因,提出一种对预测功率进行修正,以进一步减小电池容量需求的方法。根据仿真结果可知:预测功率修正之前,所需电池容量和风机容量的比值为18.2%,修正后,电池容量需求容量和风机容量的比值为15.2%,从而使得配置容量能够进一步减小。
参考文献
[1]Bialasiewicz J T,Muljadi E.The wind farm aggregationimpact on power quality[A].Proceedings of the 32ndAnnual Conference of IEEE Industry Electronic Society[C].Paris,France,2006.4195-4200.
[2]李强,袁越,谈定中(Li Qiang,Yuan Yue,Tan Ding-zhong).储能技术在风电并网中的应用研究进展(Progress on application of energy storage technology inwind power integration)[J].河海大学学报(Journalof Hohai University),2010,38(1):115-122.
[3]管俊,高赐威(Guan Jun,Gao Ciwei).储能技术在抑制风电场功率波动方面的研究综述(An overviewon the application of energy storage technologies to dampwind power output fluctuation)[J].电网与清洁能源(Power System and Clean Energy),2011,27(4):48-53.
[4]严干贵,谢国强,李军徽,等(Yan Gangui,Xie Guo-qiang,Li Junhui,et al.).储能系统在电力系统中的应用综述(Review of energy storage system in electricpower system)[J].东北电力大学学报(Journal ofNortheast Dianli University),2011,31(3):7-12.
[5]Hida Y,Miyaguchi Y,Yokoyama R,et al.A study ofoptimal capacity of BESS to mitigate unstable of solarpower generation[A].Modern Electric Power Systems[C],Tokyo,Japan,2010.1-5.
[6]宇航,张真卿,苑田芬,等(Yu Hang,ZhangZhengqing,Yuan Tianfen,et al.).风电功率波动平抑效能与储能容量之间关系的分析研究(The rela-tionships between the efficiency of stabilizing wind powerfluctuations and capacity of storage system)[A].中国电机工程学会年会(Annual Conference of CSEE)[C].天津(Tianjin),2009.1-4.
[7]Teleke S,Baran M E,Bhattacharya S,et al.Optimalcontrol of battery energy storage for wind farm dispatc-hing[J].IEEE Transactions on Energy Conversion,2010,25(3):787-794.
[8]Tanbe T,Sato T,Tanikawa R,et al.Generation sched-uling for wind power generation by storage battery systemand meteorological forecast[A].Power and Energy So-ciety General Meeting-Conversion and Delivery of Elec-trical Energy in the 21st Century[C].Tokyo,Japan,2008.1-7.
[9]Shinji W,Ryohei O,Hideto N,et al.An investigationon optimal battery capacity in wind power generation sys-tem[A].Proceedings of JSES/JWEA Joint Conference[C].Tokyo,Japan,2004.341-344.
[10]Hida Y,Ito Y,Yokoyama R,et al.A study of optimalcapacity of PV and battery energy storage system distrib-uted in demand side[A].Universities Power Engineer-ing Conference[C].Tokyo,Japan,2010.1-5.
[11]Uehara A,Senjyu T,Kikunaga Y,et al.Study on opti-mum operation planning of wind farm/battery system u-sing forecasted power data[A].International Confer-ence on Power Electronics and Drive System[C].Nish-ihara,2009.907-912.
风功率预测系统 篇5
随着常规能源日益枯竭和环境问题日益突出,清洁的可再生能源尤其是风能的开发与利用备受世界各国重视。2006年以来我国风电发展的步伐大大加快[1],2010年以约45 GW的总装机容量一跃成为世界风电装机容量第一的国家[2]。风能具有独特的波动性、间歇性和反调峰特性[3]。风速作为风能资源计算评估的关键指标,其准确的预测结果有利于解决风电输出功率控制、含新能源的电网安全经济调度以及开放电力市场环境下风电竞价交易等问题[4,5,6,7]。
风速及风功率的准确预测依赖于科学的预测理论方法和合理的预测模型,为此,国内外专家学者进行了广泛的理论探索并提出了各种预测方法。传统上,按不同的建模机理,风速及风功率预测模型主要可分为物理模型、统计模型、空间相关性模型、人工智能模型等[8,9,10,11]。
1 预测模型
1.1 物理模型
数值天气预报(NWP)作为典型的物理模型,依据大气实际情况,如不同高度上的风向、风速、气压、湿度等气象要素值,在一定的初值和边界条件下,通过大型计算机做数值计算,求解描写天气演变过程的流体力学和热力学方程组,最后逐步计算出大气未来的气象要素分布状况,从而制作出天气预报[12]。由于其每日更新频率较低,故该方法比较适合中期(大于6 h)风速预测,预测模型见图1。在短期(6 h以内)风速预测中,它也可作为统计模型的辅助输入量来使用[13]。
1.2 统计模型
统计模型也称为随机时间序列模型,基于历史数据、模式识别、参数估计和模型校验来建立数学模型从而解决问题,其一般形式为:
最简单的统计模型是持续(persistence)模型,将最近一个点的测量值作为下一点的预测值,比较适合3~6 h的短期预测。
在文献[14]中,Jenkins指出随机时间序列模型具体包括以下几种:自动回归模型(AR)、移动平均模型(MA)、自动回归移动平均模型(ARMA)、累积式自动回归移动平均模型(ARIMA)。
其中AR的数学模型可表述为:用{Xt,t=0,±1,±2…}表示随机时序的观测值,Xt与其前1个或前几个时刻的观测值Xt-1,Xt-2,…,Xt-p有关,Xt一般使用线性回归模型的随机差分方程计算,表达式如下:
以t为原点,步长为l的预测,预测值记为,则Xt+l的预测值为:
由线性最小方差估计性质可得到l步的预测值递推公式为:
由此可见Xt为非确定性的平稳时间序列。
MA的数学模型:q阶的MA模型简称MA (q),它表示时间序列Xt在时刻t的观测值仅与白噪声at-1,at-2,…,at-q有关,而与at-j(j=q+1,q+2,…)无关,这是基本假设。可用下述模型表示:
由基本假设可知其预测误差方差为:
预测MA模型平稳性较明显。
文献[15]指出,典型的ARMA模型可以表示为:
式中:φi是自动回归变量;θj是移动平均变量;εt是正常白噪声;Xt是t时段的风速值。其中,当m=0时,该式则为AR模型的表达式;若将差分变换应用其中,则为ARIMA模型。ARMA模型比较适用于平稳的风速序列,但多数情况下风速序列具有非平稳性,此时,采用ARIMA模型更为合适[16]。
卡尔曼滤波模型作为另一种经典的统计方法[17,18]。在风速预测中把风速作为状态变量建立状态空间模型,用卡尔曼滤波算法实现风速预测。该算法在假定噪声的统计特性已知的情况下得出,而事实上估计噪声的统计特性是该方法应用的难点。此算法比较适合在线风速预测[19,20]。
1.3 空间相关性模型
空间相关性模型需要考虑风电场及与之相邻的数个地点的风速时间序列,应用不同地点风速之间的空间相关性进行预测。为了获得全面的风速数据,需要在本地风电场周围设置几个专门的远程测速站。本地风电场和远程测速站测得的实时风速数据经中心计算机处理,结合风电场同各个测速站风速之间的空间相关性进行预测[20],预测流程图见图2。
由于预测过程中考虑的测速站点较多,故该方法预测结果较好,但实时风速的原始数据收集工作量也随之增大。
文献[21]比较了相关性相交曲线法和空间相关性预测器在空间相关性模型中的应用效果,并指出空间相关性预测器预测效果很好,尤其当预测尺度为1 h~4 h时。文献[22]对风电场群和单个风电场预测误差进行了比较分析,指出了由于空间平滑效应的存在,风电场群空间相关性模型比单个风电场的预测误差更小。同时指出误差具体降低的程度主要由风电场群的区域大小和其中风电场个数多少决定。
1.4 人工智能模型
人工智能被认为是21世纪三大尖端技术之一,自20世纪70年代以来得到了迅速的发展[23,24]。目前,在风速预测领域得到应用的人工智能技术主要包括人工神经网络(ANN)、模糊逻辑、支持向量机等。
ANN依据历史数据,通过训练过程学习、抽取和逼近隐含的输入输出之间的非线性关系[25]。它一般由数层网络构成,包括输入层、输出层以及一层或多层隐含层,每层均有一定数量的神经元,本层的神经元之间相互独立,相邻层的神经元可以相互连接,不同的连接权值不同,通过训练过程可以获取各个连接的权值和神经元的门槛值[8]。典型的三层误差反向传播网络(BP网络)见图3[26],其学习算法流程见图4[27]。
为提高神经网络的学习效率,需要对输入数据进行归一化处理,其中风速的归一化最为关键,通常采用多年统计极限风速对其进行归一化为:
式中:vg为归一化后的风速值;vt为数值天气预报系统预测的风速值;vmax为气象观测的历史最大风速。
由于风速具有高度的非线性,而对于抽取和逼近非线性函数,神经网络是比较合适的方法,但BP神经网络也具有易陷入局部最小和收敛速度较慢的缺点[28]。
模糊逻辑模型也被用来进行风速预测,它利用区间[0,1]的值和长、中、短模糊变量来解释数值间的关系,应用模糊逻辑和预报人员的专业知识将数据和语言形成模糊规则库,然后选用1个线性模型逼近非线性动态变化的风速。单纯的模糊逻辑方法对于风速预测效果往往不佳,因为模糊学习能力较弱,模糊系统的辨识还未形成完善的理论,通常将模糊逻辑与其他方法结合进行组合预测[9]。
基于统计学习理论的支持向量机(SVM)作为1种新的机器学习方法,基于结构风险最小化,克服了传统方法如神经网络的过学习和陷入局部最小的问题,具有很强的泛化能力;采用核函数方法向高维空间映射并不增加计算的复杂性,同时有效地克服了维数灾问题[28]。文献[29]验证了基于SVM的风速预测效果比时间序列法性能更好。
文献[30]提出了基于最小二乘支持向量机(LS-SVM)的风电场短期预测方法,以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,预测值与实测值基本一致。由于其得到的是全局最优点,相比BP神经网络方法具有更高的预测精度和更强的鲁棒性。
1.5 组合预测模型
由于各种预测方法在理论上均存在某些固有的局限性,为了优化预测流程和提高预测精度,组合预测逐渐成为目前比较流行的研究思路。
文献[31]建立了基于ANN和空间相关性的模型,目标观测站的风速预测依据参考观测站平均风速进行预测,算例结果表明,预测值与实际值之间平均绝对误差介于4.49%~14.13%之间。其优势在于不需要任何详细地形和气象数据便能实现较好的预测效果。
文献[32]建立了基于ANN和时间序列分析的模型,首先将每10 min的数据进行多尺度预测,然后将1 h内的平均值用来表征每小时的预测值。相比传统的时间序列分析方法,其预测精度更高。
文献[33]建立了基于模糊理论和空间相关性的模型,其训练方式采用基于遗传算法的学习计划,训练内容源于邻近风电场(30 km以内)风机群的风速和风向数据。算例结果表明,在0.5 h~2 h之间的预测尺度内,其预测效果比持续法的预测精度更优。
2 预测模型评价
预测精度是评价预测模型优劣的关键指标。目前单一风速预测模型的预测精度不高,预测误差在25%~40%左右[34]。预测误差的影响因素主要包括预测模型、自然环境、风速特性以及预测时空尺度。因此难以笼统地判定哪种预测模型更好,应用在特定的条件下每种预测模型各有所长。
已有研究成果表明:NWP模型适合大区域、中长期风速预测,有时也作为ARMA和ANN等模型的时间序列输入量,以便其获得更高的预测精度;持续模型适合于风速波动较小的环境,预测时间尺度为3~6 h的短期风速预测;ARMA模型作为典型的统计模型,短期预测时精度较高,中期预测预测误差比持续模型小12%-20%;空间相关性模型由于采集的原始数据丰富,其预测精度一般优于统计模型,但其测量成本也相对较高;人工智能模型可以根据风电场的位置对预测模型进行滚动修改,预测精度较高,在短期风速预测中的预测精度优于统计模型。
通过对风速预测模型的研究与分析可以确定风速预测领域的研究趋势:
(1)人工智能模型由于预测精度相对较高,通过学习和训练算法的进一步优化成为较可行的研究思路。
(2)进一步将各种预测模型应用于实际风电场,在实际应用过程中对预测模型加以改善。
(3)组合预测成为降低预测误差的主流研究趋势,但组合预测的结果也仅是1个预测值,若能给出预测值的置信区间,则预测结果将更具实用价值[35],考虑置信区间的风速概率预测方法[36,37]将成为主流的研究思路。
3 结论
风功率预测系统 篇6
风力发电作为一种清洁的可再生能源, 在世界各国得到了发展, 但由于风速的不确定性导致风功率的不稳定, 对电网调度、运行和控制带来严重的影响[1]。短期风速风功率预测可以给电网调度和控制提供依据, 有效减小风功率对电网的影响, 增强系统的安全性、可靠性和可控性[2]。同时, 根据风电场风速风功率预测曲线值优化常规风力发电机组的出力, 降低运行成本和旋转备用[3]。我国当前正在加快风力发电装机容量的建设, 准确高效地实现风电场风速风功率的预测对电网的安全稳定运行具有重要的意义。
风速风功率预测主要分为统计法和物理法两类[4,5]。物理法依据风速、风向, 气温等气象要素进行预测分析的方法;统计法则通过对历史数据的统计分析实现对风速风功率的预测, 常见的预测模型有时间序列、支持向量机等[6]。
支持向量机 (Support Vector Machine , 简称SVM) 作为新的机器学习算法[7,8], 对小样本、非线性、高维数的样本数据有较好的适应性。SVM是建立在统计学习理论基础上, 基于结构风险最小化原则, 对样本有很好的泛化性能, 避免了对样本数据的高度依赖性。支持向量回归机 (Support Vector Regression, 简称SVR) 是把支持向量机应用于回归处理, 通过建立回归模型来实现, 但是回归模型的性能受向量机参数的影响非常大, 为了提高模型的性能, 需要对向量机参数进行优化选择。常见的参数优化方法有:交叉验证、遗传算法、网格搜索法、粒子群算法等。本文提出一种基于自适应PSO-SVR模型, 并对实际风速值进行预测分析, 通过预测精度的分析比较, 得出该方法具有较好的预测性能。
2 支持向量机回归
在Vapnik把不敏感损失函数ε引入SVM中[9], 使得SVM可以用来解决非线性回归问题。用SVM来实现非线性回归, 其基本思想就是把输入空间的数据通过一个非线性映射函数φ (x) 映射到一个高维特征空间中去, 然后在该高维特征空间中进行回归处理。
给定样本集{ (xi, yi) (i=1, 2, …m) , xi∈Rn是输入矢量, yi∈R为对应的输出数据, m为样本容量。回归SVM用函数 (1) 来估计未知函数:
f (x, w) =wφ (x) +b=
式中, w∈Rn, 为权重向量, b∈R, 表示偏置,
undefined:undefined
其中:
undefined
在 (2) 式中, 第一项undefined为模型复杂性项, 第二项是经验风险, 它们是由ε不敏感损失函数 (3) 所确定的经验误差项, c为一常数, 用于调整模型复杂性项与经验风险之间的平衡。这个损失函数能够用稀疏数据点来表现由式 (1) 给出的决策函数。为了能直接在高维特征空间计算SVR函数的内积, 需要通过引入点积核函数K (Xi, Xj) 并利用Wolfe对偶原理来实现此目的, 就把上述问题转换为如下的对偶问题形式:
undefined
最后, 得到SVR回归函数式 (1) 转换形式为:
undefined
在式 (5) 中, ai、ai (*) 为拉格朗日乘子, 存在等式:ai×ai*=0, ai≥0, ai (*) ≥0。K (Xi, Xj) 称为核函数, 其值等于向量Xi和Xj在特征空间φ (Xi) 和φ (Xj) 中的内积, 即K (Xi, Xj) =<φ (Xi) , φ (Xj) >。满足Mercer条件的任一函数都可用作核函数, 其中较常用的核函数有多项式核和高斯核。本文选用高斯核函数:
K (Xi, Xj) =exp (- (1/σ2) ‖Xi-Xj‖2) (6)
式中, σ为待确定的核参数。
基于K二次规划中的库恩-塔克条件, 系数 (ai-ai*) 中只有少数为非零值, 这些训练样本就称为支持向量。
3 自适应粒子群算法
粒子群优化算法 (Particle Swarm Optimization, 简称PSO) 是一种基于仿生群智能的随机集群优化算法[10,11]。PSO算法基于速度-位置模型, 在允许范围内初始为一群随机粒子, 每个粒子都是解空间的一点, 都有一个速度决定其飞行方向和距离, 每个粒子都有一个被目标函数决定的适应值。每个粒子通过跟踪自身的个体极值与群体全局极值来更新自己的飞行轨迹, 在解空间搜索, 找到最优解。假设在一个n维搜索空间中, 有m个粒子组成一个群体, 第i个粒子在维空间的位置表示为, 第n个粒子的飞行速度, 即粒子改变位置的速率记为Xi= (Xi1, Xi2, …, Xin) (i=1, 2, …, m) 第i个粒子经历过的最优位置 (有最好适应度) 记为pbest= (p1, p2, …, pn) 群体所有粒子经历过的最优位置记为Gbest= (G1, G2, …, Gn) 。在每一次迭代中, 粒子根据以式 (7) 和式 (8) 更新自己的速度和位置, 直到满足迭代终止条件。迭代终止条件根据具体问题, 一般取为最大迭代次数或粒子种群迄今为止搜索到的最优位置满足适应阈值。
Vij (t+1) =wVij (t) +C1*R1* (Pj (t) -Xij (t) ) +C2*R2* (Gj (t) -Xij (t) ) (7)
Xil (t+1) =Xij (t) +Vij (t+1) (8)
式中:j=1, 2…, n, t为迭代次数;Xij (t) 为粒子第t代当前位置;Vij (t) 为粒子第t代循环的速度;w为惯性权重;C1、C2为学习因子, 用于调节向全局最优粒子和个体最优粒子方向飞行的最大步长, 通常取C1=C2=2, R1、R2为[0, 1]区间变化的随机数。
在标准PSO算法中, 惯性权重w是决定历史速度对当前速度的影响程度、平衡PSO算法的全局搜索和局部搜索能力。较大的w使粒子有较好的全局搜索能力;较小的w使粒子有较好的局部搜索能力;w为0将使粒子失去记忆能力。因此, 根据迭代次数动态调整惯性权重值, w惯性权重的计算公式为:
undefined
式中, wmax, wmin分别是w的最大值、最小值;kmax, k则为最大迭代次数及当前迭代次数。
为了使粒子群具有多样性, 本文把变异操作引入到粒子群中。对各种群分量配置分布于[0, 1]的随机数ri, 如果ri小于给定变异率pm, 则对该种群分量进行自适应粒子变异操作。使种群具有自动适应粒子在搜索过程中的不同分布情况而调整搜索方向的功能, 称之为自适应粒子群优化算法 (Adaptive Particle Swarm Optimization, 简称APSO) 。
采用APSO可以实现SVR中惩罚参数c和核函数参数σ的优化[12], 能有效地避免过学习和欠学习状态的发生, 得到较准确的风度预测结果。优化性能的评价指标以均方根误差 (MSE) 来衡量, 具体计算公式为:
undefined
式中, n为样本个数, Yi和Yi′分别表示实际风速值和预测风速值。MSE反映了模型预测误差的分布范围, 均方根误差值越大则预测精度越低, 越小则预测精度越高。通过使用自适应粒子群优化算法, 当MSE最小时, 此时的参数即为预测模型的最佳参数。
4 APSO-SVR的风功率预测步骤
利用APSO算法优化SVR回归估计方法的步骤如下:
步骤1:APSO初始化。设定初始种群规模、惯性权值、最大迭代次数、变异率、粒子的初始位置和速度等参数。
步骤2:评价种群中各粒子的适应度。用各粒子对应SVR预测值与期望值的差值作为该粒子的适应度值, 其计算式为:undefined、yi分别为SVR训练输出值和期望输出值, 适应度数值越大, 则表明粒子所处位置越优。
步骤3:把各粒子最优位置对应的适应度值与群体最优位置对应的适应度值比较, 将粒子的最优位置赋给群体的最优位置, 对群体最优位置进行更新。
步骤4:根据式 (9) 调整惯性权值, 并利用式 (7) 、 (8) 更新粒子的速度和位置, 产生新种群X (t+1) 。
步骤5:对随机数ri与给定变异率pm进行对比判定, 确定是否需要对种群进行变异。
步骤6:评价种群X (t+1) 。把当前种群的适应值、位置与迄今得到的最优位置及其适应值比较并更新。
步骤7:根据优化性能指标确定是否满足结束条件, 若满足则结束寻优, 求出最优解;否则t=t+1, 转至步骤2, 继续重新搜索。结束条件为寻优达到预先设定的最大迭代次数。
步骤8:将最优得到的参数赋给SVR, 并用样本数据对SVR进行训练、测试。
步骤9:通过样本数据对参数确定的SVR进行训练, 得到风速预测模型, 对风速进行预测分析。
5 APSO-SVR的风速风功率预测
选择样本数据, 把每日的数据分为24个时刻, 为了避免求解出现饱和现象, 需把历史数据进行归一化处理, 使输入样本数据位于[0, 1]区间, 这里采用如下的归一化算式:
undefined
在对预测输出结果进行反归一化处理, 得到实际的风速预测值, 其公式为:
Xt= (Xmax-Xmin) Xt′+Xmin (12)
以上两式中的Xmax、Xmin分别为历史数据中最大、最小风速值, t为对应的时间序列。
利用APSO方法对SVR参数进行优化处理, 得到对应于样本数据最优的模型参数, 把最佳的参数赋给SVR并对样本数据进行训练得出预测模型。
把模型用于实际的风电场风速预测, 测试样本为内蒙古某风场某年八月份的48个时刻的实测风速值。粒子群规模取为20, 终止代数为200, c1=1.5, c2=1.7, 惩罚参数c取值范围为[0.1, 100], 和核函数参σ取值范围为[0.01, 100], 变异率pm=0.5。根据实际的样本进行SVR参数优化, 得到的SVR惩罚参数c=96.62, 核函数参δ=581.81, 根据参数值构建风速回归预测模型, 并对实际风速值进行预测。
由图1可知, APSO-SVR模型对风速值的预测结果与实际风速值非常接近, 只有少数时刻误差偏大, 其预测相对平均误差为12.97%, 预测结果准确性很高, 较好地拟合了风速的变化趋势。
图2为三种风速预测模型的预测结果对比, 由图可知, APSO-SVR与PSO-SVR模型精度明显优于SVR, APSO-SVR的预测性能又优于PSO-SVR, 通过对实际风速的预测结果比较, 验证了APSO-SVR预测方法的准确性与优越性。
三种预测方法的误差值如表1所示, APSO-SVR方法在最大误差及平均相对误差都比另外两种方法小, APSO-SVR的预测相对误差为12.97%, 相对于PSO-SVR和SVR的17.76%、22.3%, 预测精度有了较大的提高, 体现出了较好的预测性能。
6 结论
利用自适应PS0算法对SVR回归模型参数进行优化, 使得模型对风速的预测得到了较好的精确性。但预测精度值仍有提升的空间, 有待进一步开展风速风功率预测方法的研究, 不断提高预测的准确性, 保障风电并网的安全稳定运行。
参考文献
[1]杨宏, 刘建新, 苑津莎.风电系统中常规机组负调峰能力研究[J].中国电机工程学报, 2010, 30 (16) :26~31.
[2]戚双斌, 王维庆, 张新燕.基于SVM的风速风功率预测模型[J].可再生能源, 2010, 28 (4) :25~28.
[3]杨秀媛, 肖洋, 陈树勇.风电场风速和发电功率预测研究[J].中国电机工程学报, 2005, 25 (11) :1~5.
[4]范高锋, 王伟胜, 刘纯等.基于人工神经网络的风电功率预测[J].中国电机工程学报, 2008, 28 (36) :118~123.
[5]冯双磊, 王伟胜, 刘纯.风电场功率预测物理方法研究[J].中国电机工程学报, 2010, 30 (2) :1~6.
[6]范高锋, 裴哲义, 辛耀中.风电功率预测的发展现状与展望[J].中国电力, 2011, 44 (6) :38~41.
[7]Vapnik V N.The Nature of StatisticalLearning Theory[M].New York:Springer, 1995.
[8]Vapnik V N, Golowich S E, Smola A J.Support Vector Machine for Function Approximation, Regression Estimation and Signal Procession[J].Adv Neural Information Procession System, 1996, 218~287.
[9]Vapnik V, Levin E, Le Cun Y.Measur-ing the VC-dimension of a learning machine[J].Neural Computation, 1994, (6) , 851~1876.
[10]KENNEDY J, EBERHART R C.Particleswam optimization[A].Proceedins of IEEE Inter-national Conference on Neutral Networks[C].Perth, Australia:[s.n.], 1995.1942—1948.
[11]EBERHART R C, KENNEDY J.A newoptimizer using panicle swarm theory[A].Proceed-ings of Sixth International Symposium Micro Machineand Human Science[C].Nagoya, Japan:[s.n.], 1995.39—43.
风功率预测系统 篇7
现在国内很多风力发电企业均使用了风力控制系统来对风电场功率进行控制,以满足电网对风功率的要求,同时也方便了风电场的工作,在电网要求控制负荷时不需要进行手动操作那样频繁的启停风机,取而代之的是在风功率控制系统上输入指定数值,从而达到这样方便快捷的效果,但这样的方便快捷是靠大大加重风机变桨系统工作量,是变桨原件频繁工作变桨换来的。
1 风电场功率控制系统作用
①在风速允许的情况下,风电场控制功率在0到额定容量之间根据设定调节。
②自动调节有功功率:系统能自动控制风电场的有功功率输出,使总有功功率保持在限定目标值附近,控制误差平均在±10%以内。
③风电场有功功率自动调节遵循“允许更多风机运行”的控制主策略,采用混合方式进行功率控制,及风机限功率和停机并存的方式,所有风机采用轮停的方式停机,可避免风机长时间的停机,对停机超过限定的时间的机组自动重启。
④系统可与电网调度中心进行连接,接收远程调度的控制指令,根据指令手动或自动开启功率自动控制功能,进行风电场有功功率智能调节。
⑤可设置由于特殊原因不能进行调节操作的机组不停电,也可以根据现场需要优先调控选定的风机。
⑥可以计算风电场的当前的理论有功功率,统计限电条件下的损失功率,并将该值上传给调度中心。
⑦风速预警:系统可以设定某风速值作为预警风速,当风电场任意一台机组的瞬时风速超过该值时,系统会以语言或屏幕提示信息的形式进行报警,提醒风电场值班人员引起注意,风电场进入大风状态。
⑧功率超限预警:当打开系统的功率超限预警功能后,对风电场设定某个限定负荷值,风电场实时的有功负荷一旦超过限定值,系统即以语言或屏幕提示信息的形式进行报警,提醒风电场值班人员引起注意。
⑨风电场功率控制的结构图:
2 有功功率调节
根据电网的调度指令,在保证风机的使用寿命,减少风机故障的前提下,采用变浆及启停机的方式对风电场的有功出力进行在线动态调整。
目前主要有两种调节功率的方法,都是采用空气动力方法进行调节的,分别是失速调节法、变桨距调节办法;
2.1 失速控制
失速控制主要是利用气流流经翼型时,随着迎角的增加,翼型上的气流边界层逐渐从翼型表面分离,最终完全脱离翼型表面的原理进行的。
失速型风电机组的叶片是以一个固定角度安装在轮毂上,这个角度称为安装角。叶片的迎角延叶片轴向从根部向叶尖逐渐减少。随着风速的增加,气流边界层首先从靠近也跟部分开始分离,边界层分离的位置逐渐向叶尖扩展,原来已经分离的部分的分离程度加深。由于叶片表面气流边界层分离,叶片的升力系数逐渐减小,由于风速不断增大,而叶轮输出的功率与风速的3次方成正比,尽管叶片的升力系数在减小,但是风电机组的输出功率却依然在增加,直至全部叶片进入完全失速区,风电机组的功率才降下来。
当超过额定风速时,叶片迎角进入失速区,气动阻力变得很大,轴向推力随着风速增加而增加。因此,失速型风轮产生的轴向推力,随着风速逐渐增加时推力会增加,而且当功率恒定或稍微下降时也会这样。失速型机组的各个部件与变桨距控制机组相比所承受的单位载荷要大。叶片失速后,阵风对机组功率波动影响不大,因为失速后升力随风速的变化不大。所以在这个范围内产生的功率波动变化也不大。
失速控制型风轮优缺点如下:
优点是:叶片和轮毂之间无运动部件,轮毂结构简单,费用低;没有功率调节系统的维护费;在失速后功率的波动相对小。
缺点是:气动刹车系统可靠性设计和制造要求高;叶片、机舱和塔筒上的动态载荷高;由于常需要刹车过程,在叶片和传动系统中产生很高的机械载荷;启动性差;机组承受的风载荷大;在低空气密度地区难于达到额定功率。
2.2 变桨距控制
变桨距控制是应用翼型的升力系数与气流迎角的关系,通过改变叶片的桨距角而改变气流迎角,使翼型升力变化来进行调节的。
在低风速时,叶片的迎角越大,以获得较大的升力和转动力矩,随着风速增加到一定时,开始调节桨距角,以增加桨距角使迎角变小,在保持获得最大功率输出的同时防止气流边界层脱离叶片表面。当风速达到额定风速时,通过调节桨距角保持叶轮稳定的转速和扭矩,以稳定风电机组的功率输出,变桨距机组的控制系统通过叶片和轮毂之间变桨系统转动叶片来调节桨距角。
变桨距机组的叶片在机组停止时桨距角为90°。此时,气流对叶片不产生转矩,整个桨叶实际上是一块气流阻尼板。当风速达到启动风速时,桨叶向0°方向转动,直到气流对桨叶产生一定的迎角,风轮获得足够的启动力矩开始转动。在风速低于额定风速时,机组控制系统根据风速的大小调整发电机的转差率,使叶轮尽量运行在最佳叶尖速比条件下。当风速达到或超过额定风速时,控制系统调节桨距角,保持机组输出功率稳定。
变桨距控制风轮优缺点如下:
优点是:启动性好;刹车机构简单,叶轮顺桨后风轮转速可以逐渐下降;额定点以后的输出功率平滑;风轮叶根承受的静、动载荷小。
缺点是:由于有叶片变桨机构、轮毂比较复杂,可靠性设计要求高,维护费用高;功率调节系统复杂;
3 实际应用过程中的影响
事实上只有通过变桨原件频繁工作才能换来稳定的风能输出,对变桨系统原件产生了较大的压力,加快了变桨原件老坏、损坏。单台风机功率最低只能控制在5000k W,如果电网控制功率仍需对风机进行手动停止,另外在输入功率控制的数值后,叶片桨叶开始频繁的变桨,致使风机报出变桨电机过流、变桨电机电流不对称、变桨电机温度高、变桨驱动器故障等,同时还使得变桨系统接触器频繁吸合,加快了老化速度,由于过快的老化还致使接触器卡涩导致更严重的变桨电机与变桨电池损坏。但是会不会是由于不是风机原装的功率控制系统才对风机产生这样的影响呢?其实不然,还是在内蒙的某风电场,风机原装自带可进行功率控制的系统,但是在进行功率控制的使用过程中,风机变桨系统仍然是频繁的进行变桨,另外由于电网在要求较低负荷输出时,部分风机会反复的启停,通过观察各部件的运行情况发现这样频繁的启停仍然使部件发生温升,但不至于风机故障停机。
4 总结
风电场通过集中控制策略协调控制所有风机的有功功率,可以有效地为电网提供稳定高效的风场电能,改善风电并网的电压稳定性。但是不能充分考虑风力发电机组自身的运行情况,这样会使得一些发电企业发电成本增高,如何在设备良性稳定的运行情况下利用风功率系统还需进一步的研究。
摘要:风电是一种具有间歇性、波动性的电源,大规模风电场的建设给电网调度和运行都带来了挑战。国家电网公司制定的Q/GDW 392-2009《风电场接入电网技术规定》中指出,风电场应具备有功功率调节能力,能根据电网调度部门指令控制其有功功率输出。因此,为了实现对有功功率的控制,风电场需配置有功功率控制系统,接收并自动执行调度部门远方发送的有功功率控制信号,确保风电场最大有功功率值及有功功率变化值不超过电网调度部门的给定值。在电网紧急情况下,风电场应根据电网调度部门的指令控制其输出的有功功率,并保证风电场有功功率控制系统的快速性和可靠性。必要时,可通过安全自动装置快速自动切除或降低风电场有功功率,但是在很好地完成调节风机功率输出的同时,功率控制系统的使用也大大缩短了风机变桨系统部件的使用寿命,在一定程度上增加了风电企业的发电成本,文章对风功率控制系统的使用中有利与弊进行了分析。
关键词:风电,功率控制,风机与电网的影响
参考文献