風電功率預測技術及數據傳輸分析

摘要：文章對風電功率預測的兩種預測模型的預測方法進行了詳細分析，然后對數據采集傳輸的信息通道組織辦法進行探討，最后提出提高風功轉化曲線的準確性方法。

關鍵詞：風電；功率預測；數據采集傳輸

中圖分類號：TM614 文獻標識碼：A文章編號：1006-8937（2014）15-0079-02

風力發電作為電源，具有間歇性和難以調度的特性，風電場的功率輸出具有很強的隨機性，風電功率預測系統的目標是為風電的運行調度提供技術支撐，保障電力系統及風電場的安全、穩定、經濟運行。風電功率預測根據時間尺度分類主要是兩種預測模型：短期預測和超短期預測。

1短期預測

1.1系統功能

短期風電功率預測系統能夠實現對接入系統的所有風電場次日0-24 h的輸出功率情況進行預測，預測點時間分辨率為15 min。短期風電功率預測系統能夠實現每天兩次預測，預測結果將為電網次日調度計劃的制定提供參考。

1.2技術路線

在現有氣象數值預報模式的基礎上，再輸入風電場測風塔觀測資料，對風電場微觀區域進行時空加密計算，得出滿足風電場出力預測需求的風力預測結果，再根據風電場歷史功率數據以及歷史測風塔數據，經統計分析獲得風電場的出力預測模型。結合風力預測結果與出力預測模型便可獲得風電場全場輸出功率預測結果。

短期功率預測系統設計如下：

①系統流程。以資料同化系統ADAS為基礎，通過INTERNET實時獲取GFS背景場，結合本地大量實時觀測資料，重建中尺度區域模式所需的初始場。在獲得精細化客觀分析場的基礎上，調試中尺度區域模式WRF，構建風力預估數值預報系統。業務化運行后，可將模式預報所得傳送至后處理服務器，通過INTERNET向客戶提供數據下載，并通過頁面形式顯示各氣象要素場。②資料同化。本系統ADAS擬同化多種觀測數據，主要包括探空觀測和地面氣象站觀測等。觀測數據的解碼和初步質量控制主要由Decoder模塊完成。③中尺度數值預報模式。本系統擬采用WRF為基本框架，模式以ADAS提供的精細化客觀分析場為初始場，分別在00 UTC、12 UTC（對應北京時間08時、20時）啟動預報，預報時效為72 h。

結合數值天氣預報獲得的風力短期預測數據，以及統計分析風電場歷史出力數據獲得的風電場輸出功率特性模型，實現對風電場短期功率預測。

2超短期預測

2.1系統功能

超短期風電功率預測系統能夠實現對接入系統的所有風電場未來0~4 h的輸出功率情況進行預測，預測點時間分辨率為15 min。超短期風電功率預測系統能夠實現每15 min滾動循環預測，以保證預測結果的準確性和實時性。其對于風電場的AGC和AVC控制具有重要的實用意義，同時對于電網調度計劃的實時調整具有很高的參考價值。

2.2技術路線

數理統計法對風電場所在地測風塔的歷史觀測數據和周邊氣象臺站的歷史觀測數據進行分析和整理，采用數理統計方法，比如逐步回歸法、時間序列法、BP神經網絡法等，進行風力預測建模試驗，最后選取預報效果較好的一種風力預測模型。

2.3BP神經網絡

超短期預測中數理統計方法中，常用的就是BP神經網絡法，該方法是指基于誤差反向傳播算法的多層前向神經網絡，具有如下特點：

①能夠以任意精度逼近任何非線性映射，給復雜系統的建模帶來一種新建的非線性的表達工具。②它可以學習和自適應未知信息，如果系統發生了變化可以通過修改網絡的聯接值而改變控制效果。③分布式信息存儲與處理結構，具有一定的容錯性，因此構造出來的系統具有較好的魯棒性。

BP神經網絡中的各種關系是通過歷史數據學習得來的，神經網絡共分三層：輸入層、隱含層和輸出層。因為風機發電的功率與季節也有一定的關系，因此輸入的歷史數據如果可能的話最好輸入一年的歷史數據，該歷史數據可以分為兩種：通過風速推測未來風速，再由風功轉換模型轉換到未來功率和通過功率直接推測未來功率。

①風->功：更好的反應當地實際氣象情況，同時對于整個流程的把握更清晰，對風功轉換模型的修正提供可靠的數據支撐；②功->功：能降低由于風功模型不準確造成的誤差，但是由于我國的國情，可能風電場經常存在限電的情況，此時會出現比較大的誤差。

3數據采集及傳輸

3.1概述

風電功率預測應進行數據整合，通過通信通道將整合的數據傳輸至中心站。氣象信息實時監測技術的應用提供了風電場區域氣象實時數據。實時監測系統由遙測站、中心站數據采集裝置和通信通道組成。

3.2通信通道組織

組成實時監控系統的遙測站安裝于風電場指定測風塔的相應高層，中心站數據采集裝置安裝于風電場中控樓內，風電場與中心站之間的常用通道組織如下：

①光通道的組織：風電場與中心站配置光傳輸設備及數據接入設備，通過光纖通道專線方式將數據網上傳至中心站，通道采用兩個不同的路由方式。

②無線DTU的組織：無線DTU是采用2G/3G網絡進行數據傳輸，兩套DTU事先配置好通訊規則，形成一個可靠穩定的傳輸通道。

③微波傳輸通道的組織：此方式與DTU類型，也屬于無線傳輸，只是傳輸媒介采用高頻波。

4風功轉化模型

由于風機廠家提供的風功轉換曲線是在實驗室中測試完成，而實際運行時，風機之間存在尾流效應的影響，和出廠曲線會不一致，為了預測的準確性，在建立風功轉換模型時，最好采用風機實際運行的歷史數據。對于新建的風電場，由于沒有歷史數據，在建模時只能采用出廠風功曲線，隨著風電場投入運行，再在隨后的工作中根據運行的歷史數據來修正風功模型。

如果獲取到了一年的歷史數據，將這些歷史數據輸入matlab，通過圖像方式展示這些所有風功關系，這些關系都是離散的點，如圖1所示，根據這些離散點可以大致找出風功關系，可以采用以下兩種方法建立風功關系：

①根據風速求取該風速上所有功率的平均值，通過這些平均值擬合出一條關系曲線。②按照風速區間建立風功對應關系，建立分段函數，在每個風速區間上風功都是線性關系，實際使用時通過查表的方式查找風速對應的功率。

直接擬合曲線，可能誤差較大，因為風功對應關系可能比較復雜，用一個方程可能不能準確描述風功關系。建立分段函數，如果分段的區間盡可能小，反而準確性更高，同時也便于統計風功之間在不同風速上的關系。

參考文獻：

[1] 于安興.風電場短期風電功率預測研究[D].上海:華東理工大學，2012.

[2] 葉愛賢.灰色BP神經網絡風電功率預測應用研究[D].蘭州:蘭州交通大學，2013.