報告人：班級：學(xué)號：風(fēng)電功率預(yù)測

風(fēng)電功率預(yù)測背景及意義預(yù)測方法介紹國內(nèi)外發(fā)展現(xiàn)狀實例分析

——灰色神經(jīng)網(wǎng)絡(luò)預(yù)測總結(jié)

背景及意義

一、背景：

隨著全球石化資源儲量的日漸匱乏以及低碳、環(huán)保概念的逐步深化，風(fēng)能等可再生能源的開發(fā)與利用日益受到國際社會的重視。但是，由于風(fēng)能的隨機波動性、不可控性等，其大規(guī)模并入電網(wǎng)，將給電力系統(tǒng)的生產(chǎn)和運行帶來極大的挑戰(zhàn)。因此，將風(fēng)力發(fā)電功率從未知變成已知，對電力系統(tǒng)的運行有著重大的意義。背景及意義

二、意義：

服務(wù)于電力系統(tǒng)：有利于運行調(diào)度人員合理安排應(yīng)對措施、調(diào)整和優(yōu)化常規(guī)電源的發(fā)電計劃，改善電網(wǎng)調(diào)峰能力，提高電網(wǎng)的安全性和穩(wěn)定性。服務(wù)于風(fēng)電場：可以合理安排風(fēng)電場的檢修計劃，減少棄風(fēng)，提高風(fēng)電場的盈利、減少運行成本，提高風(fēng)力發(fā)電在電力市場中的競爭力。背景及意義

三、

按時間分類：

（0h~3h）應(yīng)用于風(fēng)電機組自身的控制。

（0h~48或72h）應(yīng)用于電網(wǎng)合理調(diào)度，保證供電質(zhì)量，為風(fēng)電場參與競價上網(wǎng)提供保證。

（以天、周或月為單位）主要用于檢修安排或調(diào)試等。目前，中長期預(yù)測還存在比較大的困難。超短期預(yù)測短期預(yù)測中長期預(yù)測預(yù)測方法介紹

風(fēng)電功率預(yù)測1、按預(yù)測物理量分類：先預(yù)測風(fēng)速直接預(yù)測輸出功率預(yù)測輸出功率風(fēng)機功率曲線2、按數(shù)學(xué)模型分類：持續(xù)預(yù)測方法ARMA預(yù)測方法卡爾曼濾波方法智能方法，如神經(jīng)網(wǎng)絡(luò)3、按輸入數(shù)據(jù)分類：時間序列法采用數(shù)值天氣預(yù)報數(shù)據(jù)物理方法統(tǒng)計方法綜合方法預(yù)測方法介紹

一、時間序列法

該類方法通過尋找各歷史數(shù)據(jù)在時序上的相關(guān)性來對風(fēng)電功率進(jìn)行預(yù)測。常見的時序模型有：自回歸模型（AutoRegressive，AR）滑動平均模型（movingaverage，MA）自回歸滑動平均模型（AutoRegressiveMovingAverage，ARMA）差分自回歸滑動平均模型（AutoRegressiveIntegratedMovingAverage，ARIMA）等。時間序列法優(yōu)點：不必深究信號序列的產(chǎn)生背景，序列本身所具有的時序性和自相關(guān)性已經(jīng)為建模提供了足夠的信息，只需要有限的樣本序列，就可以建立起相當(dāng)高精度的預(yù)測模型。缺點：但其存在低階模型預(yù)測精度低、高階模型參數(shù)估計難度大的不足?？赡苡龅匠耙徊筋A(yù)測有延時或某些預(yù)測點精度不能滿足要求的問題，此時可借助卡爾曼濾波法、滾動時間序列或引入經(jīng)驗?zāi)Ｊ椒纸鈦砀倪M(jìn)原有預(yù)測模型。預(yù)測方法介紹二、基于數(shù)值天氣預(yù)報（NWP）的預(yù)測：

數(shù)值天氣預(yù)報（NumericalWeatherPrediction，NWP）根據(jù)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(shù)值計算，求解描寫天氣演變過程的流體力學(xué)和熱力學(xué)方程組，預(yù)測未來一定時段的大氣運動狀態(tài)和天氣現(xiàn)象的方法。數(shù)值天氣預(yù)報預(yù)測優(yōu)點：較為成熟準(zhǔn)確的風(fēng)電中長期預(yù)測方法，國內(nèi)外風(fēng)電場預(yù)測系統(tǒng)多基于物理方法。不需要風(fēng)電場的歷史數(shù)據(jù)，風(fēng)電場投產(chǎn)就可以進(jìn)行預(yù)測。缺點：要求對大氣的物理特性及風(fēng)電場特性有準(zhǔn)確的數(shù)學(xué)描述。模型復(fù)雜、計算量大，較少用于短期預(yù)測。常結(jié)合神經(jīng)網(wǎng)絡(luò)、支持向量機等來提高預(yù)測精度。預(yù)測方法介紹三、統(tǒng)計方法預(yù)測：

統(tǒng)計方法不考慮風(fēng)速變化的物理過程而是根據(jù)歷史統(tǒng)計數(shù)據(jù)找出天氣狀況與風(fēng)電場發(fā)電功率間的關(guān)系然后根據(jù)實測數(shù)據(jù)和數(shù)值天氣預(yù)測數(shù)據(jù)對風(fēng)電場未來的發(fā)電功率進(jìn)行預(yù)測。目前我國采用的統(tǒng)計方法有使用統(tǒng)計方法修正風(fēng)電場尾流效應(yīng)對預(yù)測結(jié)果的影響，從而改進(jìn)多層前饋神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度；根據(jù)數(shù)值氣象預(yù)報的風(fēng)速和風(fēng)向數(shù)據(jù)，采用粒子群優(yōu)化的前向神經(jīng)網(wǎng)絡(luò)模型進(jìn)行短期風(fēng)電功率預(yù)測統(tǒng)計方法預(yù)測優(yōu)點：該類方法需要一定量的歷史數(shù)據(jù)對初始數(shù)據(jù)的質(zhì)量要求比較高，經(jīng)過經(jīng)驗?zāi)Ｊ椒纸?，局域波分解后可得到平穩(wěn)數(shù)據(jù)列，此類情況預(yù)測比較準(zhǔn)確。缺點：需要大量歷史數(shù)據(jù)，對于陣風(fēng)、突變風(fēng)等非平穩(wěn)情況的預(yù)測精度較差，且隨時間增加而越來越差。目前主要還通過卡爾曼濾波法和時間序列相結(jié)合滾動時間序列法以及混沌理論等不斷改進(jìn)和提高模型的精確性和適用性。預(yù)測方法介紹三、智能方法預(yù)測：

能夠更加準(zhǔn)確地擬合非線性關(guān)系，提高預(yù)測精度這是改善風(fēng)電預(yù)測的研究熱點之一。目前已經(jīng)用于風(fēng)電功率預(yù)測的學(xué)習(xí)方法有RBF神經(jīng)網(wǎng)絡(luò)、遞歸多感知神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、遺傳算法、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化算法、支持向量機、小波分析法等。其中尤以神經(jīng)網(wǎng)絡(luò)及其改進(jìn)方法取得了較好的預(yù)測效果。預(yù)測方法介紹三、組合預(yù)測：

由于預(yù)測方法各有優(yōu)勢，多種預(yù)測方法組合使用成為發(fā)展趨勢。1、預(yù)測模型融合組合a、卡爾曼濾波法對數(shù)據(jù)進(jìn)行預(yù)處理，再采用NWP法進(jìn)行風(fēng)電預(yù)測.b、將神經(jīng)網(wǎng)絡(luò)的局部尋優(yōu)與遺傳宏觀搜索相融合。c、粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)法、小波改進(jìn)的神經(jīng)網(wǎng)絡(luò)法等。2、預(yù)測模型加權(quán)組合a、BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、支持向量機進(jìn)行風(fēng)電功率加權(quán)組合預(yù)測等。國內(nèi)外發(fā)展現(xiàn)狀國家開發(fā)商模型名稱特點投運時間德國ISETWPMS在線監(jiān)測、日前風(fēng)電功率預(yù)測和超短期預(yù)測（15分鐘-8小時）三部分，根據(jù)數(shù)值天氣預(yù)報，使用神經(jīng)網(wǎng)絡(luò)計算輸出功率2001德國OldenBurg大學(xué)Previento使用物理模型，在較大的區(qū)域內(nèi)給出2天的預(yù)測結(jié)果2002丹麥Ris?實驗室Prediktor使用物理模型，考慮了尾流等的影響1994丹麥科技大學(xué)WPPT利用自適應(yīng)最小平方根法和指數(shù)遺忘算法相結(jié)合給出0.5-36h的預(yù)測1994丹麥科技大學(xué)聯(lián)合Ris?實驗室Zephry集合了上邊兩個模型，可以提供0-4h和36-48h的預(yù)測,加入了HIRLAM等氣象模型，長期預(yù)測精度提高2003西班牙西班牙可再生能源中心（CENER）與西班牙能源、環(huán)境和技術(shù)研究中心（CIEMAT）聯(lián)合開發(fā)LocalPred-RegioPredLocalPred模型用于復(fù)雜地形風(fēng)電場的預(yù)測，采用CFD算法，使用MM5中尺度氣象模式作為數(shù)值天氣預(yù)報生產(chǎn)模式。MM5可以預(yù)測未來72小時所有相關(guān)氣象要素，空間分辨率為1km2。RegioPred在LocalPred模型單個風(fēng)電場預(yù)測的基礎(chǔ)上，預(yù)測區(qū)域的功率輸出。2001西班牙卡洛斯三世大學(xué)siperólico統(tǒng)計模型2002美國AWSTruewindeWind包括一組高精度的三維大氣物理數(shù)學(xué)模型、適應(yīng)性統(tǒng)計模型、風(fēng)電場輸出模型和預(yù)測分發(fā)系統(tǒng)1998國內(nèi)外發(fā)展現(xiàn)狀國內(nèi)：2008年11月，我國首套具有自主知識產(chǎn)權(quán)的風(fēng)電功率預(yù)測系統(tǒng)WPFS由中國電力科學(xué)研究院研發(fā)完成，各風(fēng)電場的全年預(yù)測均方根誤差為16-19%，全省每月的平均誤差在11-13%之間。2010年華北電力大學(xué)與龍源風(fēng)力發(fā)電有限責(zé)任公司合作開發(fā)了風(fēng)電場發(fā)電功率預(yù)測系統(tǒng)，該系統(tǒng)整體技術(shù)達(dá)到國際先進(jìn)水平，其中超短期預(yù)測算法與技術(shù)處于國際領(lǐng)先水平。2011年由中國節(jié)能環(huán)保集團(tuán)公司(簡稱中國節(jié)能)和中國氣象局共同研發(fā)的風(fēng)電功率預(yù)測預(yù)報系統(tǒng)正式落戶中節(jié)能張北滿井風(fēng)電場，2012年10月，甘肅成為中國第一個覆蓋全省的風(fēng)電功率超短期預(yù)測的省份，甘肅省電力公司研發(fā)的實時監(jiān)測與超短期風(fēng)電功率預(yù)測系統(tǒng)通過實時采集測風(fēng)塔監(jiān)測的風(fēng)能數(shù)據(jù)、風(fēng)電基地所有風(fēng)機運行數(shù)據(jù)，采用多套數(shù)值天氣預(yù)報數(shù)據(jù)源，實現(xiàn)對風(fēng)電預(yù)測。2013年5月2日，國電科環(huán)所屬北京華電天仁電力控制技術(shù)有限公司基于云平臺的遠(yuǎn)程集中式風(fēng)電功率預(yù)測系統(tǒng)正式投入運行。實例分析——灰色神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)來源：甘肅橋灣某風(fēng)場數(shù)據(jù)一：2013年8月1日18:00-21:15間隔15min前10個點作樣本數(shù)據(jù)，預(yù)測未來4個點。數(shù)據(jù)二：2013年8月6日