基于相似日和人工神经网络的风电功率短期预测

  本文关键词：基于相似日和人工神经网络的风电功率短期预测，由笔耕文化传播整理发布。

风电功功率预测,风电,风电系统研究

第34卷 第12期 2010年12月 电 网 技 术 Power System Technology Vol. 34 No. 12

Dec. 2010

文章编号：1000-3673（2010）12-0163-05 中图分类号：TM 72 文献标志码：A 学科代码：470·40

基于相似日和人工神经网络的风电功率短期预测

孟洋洋1，卢继平1，孙华利2，潘雪1，高道春1，廖勇1

（1．输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆市 沙坪坝区 400044；

2．云南电力调度中心，云南省 昆明市 650000）

Short-Term Wind Power Forecasting Based on Similar Days and Artificial Neural Network

MENG Yangyang1, LU Jiping1, SUN Huali2, PAN Xue1, GAO Daochun1, LIAO Yong1

(1. State Key Laboratory of Power Transmission Equipment & System Security and New Technology(Chongqing University), Shapingba District, Chongqing 400044, China; 2. Yunnan Electric Power Dispatch Center, Kunming 650000, Yunnan Province, China) ABSTRACT: It is significant to forecast short-term generated power of wind farm for the security and stability of grid-connected wind farm. According to the factors impacting wind power output a method to select similar days of wind farm’s generated power is proposed and a short-term wind power forecasting model based on similar days and Chebyshev neural network is designed. The designed model is verified by the data of a certain wind farm located in Yunnan province, and the forecasting error and its probability distribution are analyzed. Analysis results show that the results forecasted by the designed forecasting model possess high accuracy, so it is available for reference in wind power forecasting.

KEY WORDS: wind power generation; wind farm; short-term forecasting; similar days; artificial neural network

摘要：风电场发电功率短期预测对并网风力发电系统的安全性和稳定性具有重要意义。根据影响风电出力的因素，提出了选择风电场发电功率相似日的方法，设计了基于相似日和Chebyshev神经网络的风电功率短期预测模型，根据云南某风电场数据对该模型进行验证，分析了预测误差及其概率分布，结果表明该预测模型具有较高的预测精度，可为风电功率预测提供参考。

关键词：风力发电；风电场；短期预测；相似日；人工神经网络

划，则可有效地减轻风电场对接入电网的影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限，同时为风电场参与发电竞价奠定基础。另外，准确的风力发电功率预测便于安排机组维护和检修，从而提高风电场容量系数。

目前，根据预测的物理量不同，风电功率预测方法分可以分为2类[5]：第1类是先对风速进行预测，，然后根据风电机组或风电场的功率曲线得到风电场功率输出；第2类为直接预测风电场的输出功率。风速是影响风电输出功率的关键参数，对风电场先进行风速预测，再由风电机组功率特性得到输出功率的预测值，这是进行风电输出功率预测的有效途但该方法没有真正实现风电场输出功率预径之一[6]。

测，因为除此风速外，风向、温度、湿度、地表粗糙度等都对风电场输出功率有一定的影响。直接预测风电场的输出功率的方法又可以分为2种：一种是物理模型法，另外一种是统计方法。实际应用中往往将2者结合起来[7]。

在物理模型法中，需对风电场所在地进行物理建模。该方法的输入参数包括风速、风向、气温和气压等数字气象预报(numerical weather prediction, NWP)数据。气象预报每日更新频率很低，因此该方法更适合中期风电场发电量的预测。但该方法需要丰富的气象知识，需要了解物理特性，如果模型比较粗糙，预测精度就较差[8]。

统计方法的实质是在系统的输入(NWP数据、历史统计数据和实测数据等)和风电功率之间建立一个映射关系。如果该关系可用线性函数的形式表示，如空间相关法[9]、空间平滑法[10]、时间序列法[11]、卡尔曼滤波法[12]、灰色预测法[13]等。最简单的预测

0 引言

随着风电场并网运行规模的增大，国内外对于风力发电并网各种课题的研究越来越深入[1]，但关于风电场发电功率预测的研究还达不到令人满意的程度，预测误差一般都在15%以上[2]。风电场功率预测对接入系统的安全性、稳定性和经济运行具有重要意义[3-4]。如果能对风力发电功率进行比较准确地预测，电力系统调度部门能及时调整调度计

  本文关键词：基于相似日和人工神经网络的风电功率短期预测，由笔耕文化传播整理发布。