一种风力发电预测算法的优化
来源:用户上传
作者:
【摘要】风力发电的电力生产依赖于风力，这是一种波动不可控制的能源。为了将其整合到国家电力网络中，有必要预测其产生时间甚至是未来的几天。本文对两种风电预测方法进行了研究和比较。第一种是基于人工神经网络。这种方法在所有我国输电系统运营商中都在使用。第二种方法是结合最近邻搜索和优化算法来估计最优输入数据。
【关键词】风力发电 神经网络 最优输入数据
一、背景介绍
未来引入风力发电会在许多国家的电力供应中发挥重要作用。在中国，它目前占电力供应的2，7%。到2020年，風力发电的份额将增加到5%左右，风电装机容量将超过最小负荷。 风是一种波动且不可控制的动力源。因此，为了将大量风力发电整合到电力供应系统中，有必要可靠地预测未来几个小时甚至到几天内风力涡轮机产生的电力情况。对于发电厂调度和电力交易，“提前一天”的预测尤为重要。
二、风电预测
风电预测主要有两种不同的方法。一种方法是利用风力发电场的物理模型，通过天气数值预测模型来确定气象数据与风力发电场的功率输出之间的关系。另一种是数学建模方法，例如使用统计方法或神经网络来找出天气预报数据与历史数据集的功率输出之间的关系。在这里以德国ISET（（德国太阳能研究所）开发的风力发电管理系统WPMS最具代表性，它是一个神经网络模型。它由所有德国传输系统运营商操作使用。对于日前预报，采用德国气象局数字天气预报系统的气象预报数据作为人工神经网络的输入。利用风电场实测功率输出的同步数据对神经网络进行训练，从而根据天气预报数据计算出风电场的功率输出。德国约100个代表性风电场的数据可用于此。
三、改善预测模型
目前，预测模型中仅使用当地数据，即有关风电场位置的天气预测数据。由于参照扩展区域的天气变化规律，不同位置的天气数据与风电场的功率数据之间存在相关性。这可以解释为从天气数据的多个点到风电场电力数据的信息流量形成一个有序的通道。在类似的调查中，利用其他观测点的风速数据，可以改善一个地点的风速短期预测（小时）。在本文中，我们探讨了利用这些额外的资讯来改善风力预测的可能性。
在通过对风电场数据采集后，我们收集了一些已用风电场的数据，即额定功率、按额定功率缩放的平均功率、平均轮毂高度hh、转子平均直径rd和每个风电场wf的风力涡轮机数量nr。在评估我们的预测方法的性能时，我们使用了标准的误差测量，并给出了按风电场额定功率缩放的结果。我们对于前10个风电场，我们使用了10米高度的2008-09-15至2013-08-11期间的电力数据库。利用这段时间的数据，我们用神经网络模型进行了预测，并对输入数据进行了全局优化，即与天气情况无关的全局最优输入数据。结果还表明，如果将神经网络模型输出平均值（ann，nns）的平均值作为预测功率，则会出现偏差。然而，并非所有风电场都是如此，因为9号风电场和10号风电场的模型的预测误差高于预测误差。我们还可以看到，通过使用两个模型的平均值进行功率预测，可以进一步降低误差。特别是从数值可以看出，由于模型的模糊性，平均模型输出的预测误差小于两个单独模型的误差值。
四、数据优化
在接下来，我们对所得数据进行了局部优化，即根据天气情况估计的局部最优来采集处理数据。天气状况的分类是根据风力发电场的数值天气预报数据进行的，我们预测了风力发电场的功率。我们确定了全局优化和局部优化的误差度量，并与神经网络模型的误差进行了比较。通过局部优化，所有风电场的均方根值都小于神经网络模型的值，也就是9和10风电场的均方根值。此外我们还发现，本地风电场的偏差值也小于全球风电场的偏差值。如果将局部的模型输出的平均值与全局的平均值进行比较，则可以另外减少预测误差。然后，我们对所有风电场的天气预报数据值进行了额外的降低，这对某些偏差值也有效。
我们最后对所有30个风电场在100米风速的数据进行分析，我们使用2008-09-15至2013-08-11期间的数据，并使用神经网络模型和最近邻搜索模型进行计算，额外使用100米高度的风速值。由于对10个风电场的计算结果，我们切换到了较低的水平。对输入数据进行局部优化。在这些计算中，我们使用了4个地点（即风力发电场1、4、7和8）的天气预报数据对所有风力发电场的天气状况进行分类，因为它们在整个区域分布良好。如上所述，我们在这里只对输入数据进行了局部优化。
五、总结
综上所述，我们比较了两种风电预测模型方法，即神经网络法和最近邻搜索法，并对输入数据进行了优化。为了进行比较，我们使用了风力发电场相关的气象数据和电力数据。结果表明，利用最近邻搜索结合输入数据的优化可以减小预测误差。这表明，与仅使用靠近风电场的一个点相比，使用数值天气预报模型中更多的天气预报点可以提高风电预报。通过使用两个模型的平均模型输出（即神经网络和最近邻搜索），可以额外减少预测误差。
参考文献：
[1]马彦宏，汪宁渤，刘福潮，等.甘肃酒泉风电基地风电预测预报系统[J].电力系统自动化，2009，（16）.
[2]王成福，梁军，张利，等.基于机会约束规划的风电预测功率分级处理[J].电力系统自动化，2011，（17）.
[3]蔡凯，谭伦农，李春林，等.时间序列与神经网络法相结合的短期风速预测[J].电网技术，2008，（8）.
作者简介：郎朗（1983-），男，汉族，重庆市万州区人，硕士，重庆三峡职业学院讲师，主要研究方向：电子信息。
转载注明来源:https://www.xzbu.com/2/view-14968952.htm
