大型風電場發電功率建模與預測（簡體書）

《大型風電場發電功率建模與預測》全面系統地介紹了風力發電的特點、數值天氣預報模型及預報模式，以及風力發電功率預測的重要性、誤差評價指標、理論基礎、方法、誤差分析及應用，從超短期預測、短期預測、中期預測、預測誤差分布不同角度應用不同的預測模型進行了仿真實例分析，同時給出了一套集成化風力發電功率預測系統。

《大型風電場發電功率建模與預測》可供研究院所和高等院校從事新能源研究領域的人員閱讀，也可供高等院校電氣工程專業的研究生參考。

目 錄
前言
第1章　風力發電及風力發電功率預測 1
1.1　風力發電概述 1
1.2　風力發電特性 3
1.2.1　風力發電的特點 3
1.2.2　風機的風速-功率曲線 4
1.2.3　影響風電場輸出功率的地理因素 6
1.3　NWP介紹 7
1.3.1　NWP模型 7
1.3.2　中尺度氣象預報模式 9
1.3.3　常用的NWP模式 10
1.4　風力發電功率預測方法 11
1.4.1　按預測時間尺度劃分 11
1.4.2　按預測的物理量劃分 12 目 錄
前言
第1章　風力發電及風力發電功率預測 1
1.1　風力發電概述 1
1.2　風力發電特性 3
1.2.1　風力發電的特點 3
1.2.2　風機的風速-功率曲線 4
1.2.3　影響風電場輸出功率的地理因素 6
1.3　NWP介紹 7
1.3.1　NWP模型 7
1.3.2　中尺度氣象預報模式 9
1.3.3　常用的NWP模式 10
1.4　風力發電功率預測方法 11
1.4.1　按預測時間尺度劃分 11
1.4.2　按預測的物理量劃分 12
1.4.3　按預測范圍劃分 12
1.4.4　按預測模型劃分 12
1.5　風力發電功率預測的發展 15
1.5.1　國外對風力發電功率預測的研究 15
1.5.2　國內對風力發電功率預測的研究 17
1.6　風力發電功率預測誤差及評價指標 19
1.6.1　預測誤差來源 19
1.6.2　預測誤差分析意義 20
1.6.3　常用誤差評價指標 20
1.7　本章小結 20
參考文獻 21
第2章　風力發電功率預測理論基礎 26
2.1　時間序列法 26
2.1.1　時間序列簡介 26
2.1.2　時間序列分析相關概念 27
2.1.3　時間序列模型定階 28
2.1.4　時間序列模型參數估計 29
2.1.5　ARMA模型的建立 30
2.2　神經網絡 31
2.1.1　神經網絡簡介 31
2.2.2　人工神經元模型 31
2.2.3　神經網絡拓撲結構 34
2.2.4　神經網絡的學習 35
2.2.5　神經網絡建模過程 36
2.2.6　BP網絡模型 36
2.2.7　RBF網絡模型 38
2.3　支持向量機 39
2.3.1　機器學習的基本問題 39
2.3.2　統計學習理論 41
2.3.3　結構風險最小化原則 42
2.3.4　支持向量機理論 43
2.4　信號分解 59
2.4.1　小波變換及其理論 59
2.4.2　經驗模式分解及其理論 62
2.5　混沌理論與相空間重構 63
2.5.1　混沌時間序列 63
2.5.2　混沌基本概念 63
2.5.3　混沌系統的判定 64
2.5.4　相空間重構與Takens嵌入定理 66
2.5.5　時間延遲和嵌入維數的選取 67
2.6　本章小結 70
參考文獻 70
第3章　風力發電功率的超短期預測 73
3.1　本章仿真數據描述 73
3.2　風力發電功率預測的時間序列法 74
3.2.1　基于ARMA的風力發電功率預測模型及仿真實例 74
3.2.2　基于多種定階方法的ARMA組合優化預測模型及仿真實例 78
3.2.3　風力發電功率預測的噪聲場合下的ARMA模型 79
3.3　風力發電功率預測的相空間重構法 83
3.3.1　風力發電功率時間序列的混沌屬性 83
3.3.2　基于相空間重構的神經網絡模型結構 87
3.3.3　基于相空間重構的神經網絡模型的建立 89
3.3.4　仿真實例分析 90
3.3.5　基于相空間重構的支持向量機模型結構 92
3.3.6　仿真實例分析 94
3.4　風力發電功率預測的信號分解法 95
3.4.1　小波-神經網絡模型及仿真實例 96
3.4.2　經驗模式-神經網絡模型及仿真實例 102
3.4.3　各種模型的對比分析 106
3.5　多模型組合預測 107
3.5.1　問題提出 107
3.5.2　多個模型組合方式 108
3.5.3　基于多嵌入維數的神經網絡集成模型結構 110
3.5.4　仿真實例及分析 110
3.6　本章小結 114
參考文獻 115
第4章　風力發電功率的短期預測 117
4.1　本章仿真數據描述 117
4.2　基于單位置NWP的神經網絡風力發電功率預測 117
4.2.1　NWP信息與風力發電功率的關系 117
4.2.2　預測模型結構 119
4.2.3　仿真實例 120
4.3　基于聚類分析的風力發電功率預測 120
4.3.1　風力發電功率的日相似性分析 121
4.3.2　聚類分析的基本原理 124
4.3.3　預測模型結構 128
4.3.4　仿真實例 128
4.4　基于多位置NWP粗糙集約簡的風力發電功率預測 133
4.4.1　粗糙集理論 133
4.4.2　基于多位置NWP粗糙集約簡的預測模型 136
4.4.3　仿真實例 137
4.5　基于多位置NWP主成分分析的風力發電功率預測 143
4.5.1　主成分分析的原理 143
4.5.2　預測模型結構 148
4.5.3　仿真實例 148
4.6　本章小結 154
參考文獻 154
第5章　風力發電功率的中期預測 156
5.1　本章仿真數據描述 156
5.2　基于氣象信息約簡的粗糙集神經網絡中期預測 157
5.2.1　基于粗糙集約簡的中期風速預測模型 157
5.2.2　基于粗糙集方法的風力發電功率預測影響因素約簡 157
5.2.3　粗糙集神經網絡預測模型建模 159
5.2.4　風速預測仿真結果分析 161
5.2.5　月平均風速和風力發電量的關系 162
5.3　基于灰色理論的月發電量預測 164
5.4　多模型組合預測 166
5.5　本章小結 167
參考文獻 167
第6章　集成化風力發電功率預測系統 168
6.1　系統設計需求 168
6.1.1　電網需求 168
6.1.2　風電場需求 169
6.1.3　技術開發需求 170
6.2　集成化風力發電功率預測系統設計方案 170
6.2.1　系統軟件組成 170
6.2.2　系統硬件設計 171
6.2.3　系統軟件設計 176
6.2.4　系統軟件開發環境介紹 176
6.3　集成化風力發電功率預測系統功能 177
6.3.1　數據采集功能 177
6.3.2　數據處理功能 177
6.3.3　數據統計功能 177
6.3.4　預測功能 179
6.3.5　界面顯示功能 179
6.3.6　輸出功能 180
6.4　集成化風力發電功率預測系統交互界面 180
6.4.1　系統登錄界面 180
6.4.2　預測系統界面 181
6.4.3　實時數據監測界面 183
6.4.4　氣象數據查詢 184
6.4.5　功率數據查詢 185
6.4.6　系統運行監控 188
6.5　本章小結 189
參考文獻 189
第7章　風力發電功率預測的應用 190
7.1　風力發電功率預測誤差分析 190
7.1.1　風力發電功率預測誤差的存在形式 190
7.1.2　風力發電功率預測誤差產生的原因 191
7.1.3　風力發電預測誤差分布 193
7.2　風力發電預測對系統備用容量的影響 194
7.2.1　電力系統可靠性指標 194
7.2.2　系統備用容量的計算 195
7.3　考慮預測誤差分布的系統儲能容量配置實例 198
7.3.1　風力發電功率預測誤差分布分析 198
7.3.2　系統儲能配置 200
7.4　本章小結 202
參考文獻 202

第1章　風力發電及風力發電功率預測
本章討論風力發電特點、數值天氣預報模型及預報模式、風力發電功率預測的重要性、風力發電功率預測的方法、風力發電功率預測的發展及風力發電功率預測的誤差評價指標。
風能是一種對環境無污染的可再生能源，作為未來能源的主要形式，對今后人類的生活方式、生存和發展都具有重要意義。2013年，我國風力發電量約為1400億千瓦時，占全國總發電量的2.67%。風力發電功率預測是大型風電場并網運行的先決條件。否則，有效的風能資源不能得到充分的利用，風電場的有效裝機容量會受到巨大的制約。風力發電功率預測的準確性直接關系到電網的供需平衡，直接影響著并網系統的運營成本。
數值天氣預報，就是根據大氣實際情況，在一定的初值和邊值條件下，通過大型計算機作數值計算，求解描寫天氣演變過程的流體力學和熱力學的方程組，預測未來一定時段的大氣運動狀態和天氣現象的方法。目前，各國使用的數值天氣預報主要包括歐洲中尺度氣象預報中心綜合系統（ECMWF）、美國環境預報中心綜合系統（NcEP）開發的T17oL42預報系統、日本譜展開模式T213L30、英國統一模式UM、德國氣象服務機構（DWD）開發的Lokalmodell模型、中國氣象局開發的T213L31等。
1.1　風力發電概述
風能是一種對環境無污染的可再生能源，作為未來能源的主要形式，對今后人類的生活方式、生存和發展都具有重要意義。20世紀70年代，世界各主要國家相繼出現了各種類型的能源緊張態勢，使人們清醒地認識到，要生存就要尋找和開發新能源，于是各國政府開始紛紛制定能源政策，開發利用新能源。目前國內外正致力于能源結構的調整、溫室氣體排放的減少、環境污染的緩解和能源安全的加強，可再生能源特別是風能的開發利用得到了高度重視。
根據全球風能理事會（GWEC）發布的2013全球風電發展統計數據，全球風電累計裝機容量達到318137MW，在2009～2013年，全球風電市場規模擴大了幾乎200000MW。根據中國風能協會（World Wind Energy Association）的統計，2013年，我國新增裝機16100MW，占全球新增份額的24%，累計裝機容量達到91410MW，占全球累計裝機容量的21.4%，繼續保持世界第一。2013年，我國風力發電量約為1.4億兆瓦時，占全國總發電量的2.67%[1]。
風力發電的置信度與傳統能源有很大不同，因為風力發電在很大程度上依賴于氣象條件，風向和風速的變化會導致風力發電量上下波動。而在電力系統中，供電和需求之間必須時刻保持平衡。隨著風力發電技術的不斷發展，風電單機容量和并網型風電場的規模都在不斷增加，在電力需求中所占比例也越來越大。這個趨勢致使風力發電對電網的影響越來越明顯。為了滿足供電需求，保證電網穩定運行和供電系統的可靠性，必須對供電系統進行有效的計劃和調度[2]。而風力發電本身所特有的間歇性和不確定性，增加了對電網計劃和調度的難度。為了解決風電場發電量不穩定的問題，必須加大供電系統的旋轉備用容量，旋轉備用容量的增加間接地增加了風力發電的整體運營成本。如果能對風速和風力發電功率進行比較準確的預測，則有利于電力系統調度部門及時調整調度計劃，合理制定風電場控制策略，使風電成為可調度的電源；可以減輕風電不穩定性對電網的影響，大幅降低電網旋轉備用容量，從而有效降低風力發電系統成本[3]；可以為風電場參與發電競價奠定基礎。
風力發電功率預測是大型風電場并網運行的先決條件。否則，有效的風能資源不能得到充分的利用，風電場的有效裝機容量會受到巨大的制約。風力發電功率預測的準確性直接關系到電網的供需平衡，直接影響著并網系統的運營成本[4]。因此，國外對風力發電功率預測進行了大量的研究，丹麥、德國、西班牙、美國等國家在風力發電系統中已經把風力發電功率預測作為電網調度的一個重要參考依據。在這些國家，風力發電功率預測已經成為大型并網風電場系統管理和控制的基本組成部分[5]。隨著風電的大規模投運，國家能源局也在2011年發布《風電廠功率預測預報管理暫行辦法》，強制風電場安裝風力發電功率預測系統。該《辦法》提出，在2012年1月1日，我國所有已并網運行的風電場必須建立起風電預報體系和風電計劃申報工作機制，未按要求報送風力發電功率預報結果的風電場不得并網運行。
歐洲國家風力發電市場化比較完善，因此對風力發電功率預測在政策制定方面也起到了推動作用。德國已經對風電場上網電價作出規定：風電場對所發出的風力發電功率進行預測，預測準確率達到一定要求實行優惠電價，預測誤差超出規定范圍，盡管也全部上網，但是電價要低于優惠電價[6,7]。因此風力發電功率預測可以對風電競價上網提供有利條件。
從預測的時間尺度來說，風力發電功率預測可分為超短期、短期、中長期預測。對風力發電機和風電場的發電功率進行超短期（<><>
對風電場的發電量進行更長時間（3～7d）的預測，可以提前對風機和傳輸線路作好維護計劃。例如，選擇風速較小、發電量較低時，對風機進行維修，可以提高風電系統的容量因子[12]。根據歐洲風電發達國家的經驗，如果風機檢修全部在小風期或者無風期完成，風電場每年的發電量將提高2%，以5萬千瓦的風電場為例，其每年直接經濟效益將超過120萬元。同時選擇風速較小時檢修也可以降低風險，避免風速過大對風機葉片造成損壞。
歐洲國家的風電場分布比較廣，每個并網風電場的容量不是很大，而我國大型并網風電場均建在偏遠地區，容量比較集中；歐洲受大氣洋流影響，我國受內陸氣候影響，氣候特征不一樣；同時地形地貌也不一樣，歐洲海上風電場較多。從國外引進的風力發電功率預測軟件不適用于我國的實際情況[13]，且價格昂貴。我國近年來在風力發電領域有了很大發展，但是風力發電預測技術還處于起步階段。隨著風電規模化發展以及并網風電場的增多，迫切需要研究和建設適應我國風電狀況的風力發電功率預測系統[14]。
1.2　風力發電特性
1.2.1　風力發電的特點
風電場是通過風力發電機組（簡稱風電機組）來實現風力發電的，風電機組最主要部件是風輪，它由槳葉和輪轂組成[15]。槳葉擁有良好的空氣動力外形，在通過氣流時就能使風輪旋轉，從而將風能轉換成機械能，再通過齒輪箱增速來驅動發電機，將機械能轉換為電能。根據Betz理論，水平軸風機的風能利用系數的理論最大值為59.3%[15]，但其實際值在20%～40%變化。而對于垂直軸風機來說，S型風力發電機在理想狀態下的風能利用系數為15%左右，而達里厄型風力發電機在理想狀態下的風能利用系數也不到40%，其他類型的垂直軸風力發電機的風能利用系數也較低。當風速介于切入風速和切出風速之間時，風機出力與風速的立方呈正比關系，即風速增加1倍，風機輸出功率將增加8倍，由此可見風機的輸出功率與風速有很大的關系。
風力發電受到其一次能源——風能的限制，存在如下一些特點。
（1）風能很不穩定。由于風力發電機出力與風速、風向等氣象數據有著密切的聯系，風速的隨機性和波動性也會造成風力發電機出力的不穩定性，因此風能是不可控的，具有隨機性、間歇性和不穩定性的特點。
（2）風能儲存困難。風能是過程性能源，其儲存比較困難，為了保證單機獨立運行的風力發電機組能不間斷供電，必須配備相應的蓄電池。大型風力發電機必須和其他發電方式聯合運行或和大電網并網運行。
（3）風電場的地理分布比較偏遠。我國的風電場多數集中在風能資源比較豐富的三北地區，即西北、華北和東北地區。而工業區距離風電場較遠，集中在華東、華南地區。
（4）風電的優點是環境效益好，不排放任何污染氣體和廢氣物。但由于風速隨機變化的特性導致風電場出力的不穩定性，風電大量并網會給電網穩定運行和電能質量帶來一定的不利影響。
1.2.2　風機的風速-功率曲線
風電機組輸出功率受風速的影響最大，雖然理論上，廠家會給每臺風機提供一個風速-功率曲線，但受多種因素的影響，整個風電場發出的功率和風速之間的關系比理論曲線復雜得多。而且風機實際運行的風速-功率曲線與理論曲線間也會存在一定的誤差。
1. 輸出功率與風速的關系
風電場的輸出功率隨風的波動而波動。風機捕獲的風功率可以用式（1.1）來表示：
（1.1）
式中， 為風機輸出功率； 為風機的風能利用系數； 為風輪掃過的面積； 為風輪半徑； 為空氣密度； 為風速。
在標準空氣密度（ =1.225kg/m3）下，某風電機組的功率曲線如圖1.1所示。
從圖1.1中可以看出，風機的啟動風速為3m/s，停機風速為25m/s，3～25m/s為有效風力區。在功率曲線較陡的區域，風速變化2.5m/s，功率變化200kW左右，較小的風速變化會引起較大的功率變化，風速是影響風電機組輸出功率最重要的因素。如果不考慮風電場尾流和粗糙度等因素的影響，風電場的輸出功率與風速的關系同單臺風電機組與風速的關系相似，都呈三次方的關系。

圖1.1　風電機組的功率曲線
2. 輸出功率與空氣密度的關系
式（1.1）中空氣密度 ，代表風能蘊涵能量的大小， 的大小直接關系到捕獲的風能的多少，特別是在海拔高的地區，影響更突出。不同空氣密度下風電機組的功率曲線如圖1.2所示。隨著空氣密度的增大，風電機組的輸出功率也相應變大。

圖1.2　不同空氣密度下風電機組的功率曲線
如果不考慮風電場內各風電機組之間的相互影響，風電場輸出功率與空氣密度的關系就與風電機組和空氣密度的關系基本一致。如果一個風電場有100臺850kW的風電機組，總裝機容量為85MW，在不同空氣密度下的最大功率偏差為7.4MW，占總裝機容量的8.7%。實際運行中，風電機組出力并不嚴格服從圖1.2所示的功率曲線，實際上，在不同空氣密度下輸出功率偏差可能更大。因此在風力發電功率預測中必須要充分考慮空氣密度的影響。
空氣密度是氣壓、溫度和濕度的函數，其計算公式為[16]
（1.2）
式中， 為氣壓（hPa）；t為溫度（℃）； 為水氣壓（hPa）。
從式（1.2）可以看出，溫度、氣壓、空氣濕度都會引起空氣密度的變化，而空氣密度的變化引起風攜帶能量的變化，進而引起風電機組輸出功率的變化。因此在風力發電功率預測中要考慮空氣的溫度、濕度和氣壓。
1.2.3　影響風電場輸出功率的地理因素
在風資源豐富的地區，將數十至數千臺單機容量較大的風電機組集中起來，按照地形和主風向排成陣列，就形成了風電場。風電場通常占地面積很廣，有的風機位于丘陵，有的風機位于山脈。受地表粗糙度、地形變化以及尾流效應的影響，每臺風機輪轂高度的風速不盡相同，最終會影響到整個風電場的輸出功率。
1. 粗糙度變化的影響
風速對數廓線是指近地面層中平均風速隨高度呈對數變化的曲線，平均風速可以表示為地面以上高度z的函數，如式（1.3）所示[17]：
（1.3）
式中， 為地表應力，因與湍流摩擦有關而稱為摩擦速度，與地表狀態和風速大小有關； 為馮卡門常數，常取為0.4； 是地表的粗糙度，對應平均風速等于0的高度， 隨下墊面性質不同而不同。根據經