風力發電功率預測的技術進展與展望

劉浩

摘要：風力發電是目前世界上增長最快的可再生能源發電方式。風力發電是使用風力發電機，將風能轉化為電能。隨著人們對電力需求的不斷提高，相關風力發電場規模也進一步擴大。我國是能源需求大國，隨著各大型風電場建立風電裝機容量也逐年上升。較傳統能源發電方式風力發電會因為風的不穩定性對電力系統穩定運行產生威脅，大規模風電并網也給電網帶來沖擊。為減少大規模風電并網對電力系統運行帶來的危害，風電場功率預測技術的研究及風電預測系統的開發就顯得尤為重要。

關鍵詞：風力發電;功率預測;技術

引言

隨著能源危機日趨嚴峻，保障能源供應已是重要問題。風能是一清潔能源，有低成本、可再生優點。但風電本身的不確定性會影響其并網后電網的安全穩定。特別是當風電穿透率較高時，更要電網有大量調峰備用容量。我國風電場多集中式和大容量的風電場，風電不穩定性對于電網影響明顯，因此目前存在許多棄風行為。若能準確預測風電功率，便可解決問題。

1風力發電的基本特征

風力發電機組種類繁多，根據不同的劃分標準可以分為以下幾種類型：按照機組容量來劃分：機組容量為0.1千瓦～1千瓦的為小型機組，1千瓦～1000千瓦為中型機組，1兆瓦～10兆瓦為大型機組，10兆瓦以上的為特大或巨型機組。

根據風力發電機的運行特征和控制方式分為：恒速恒頻風力發電系統和變速恒頻風力發電系統。恒速恒頻風力發電系統中，當風速發生變化時，風力機的轉速不變，導致輸出功率下降，浪費了風力資源，發電效率大大降低。而變速恒頻風力發電系統的轉速可變化，根據風速可適時調節風力機轉速，實現對風能最大限度的捕獲，系統的發電效率也大為提高。目前，國內外已建或新建的大型風電場中的風電機組多采用這種運行方式。

根據地域劃分，風力發電分為兩種：內陸風電和海上風電。相對于陸地，海上風力發電系統有更多優勢，發展空間幾乎沒有限制，可節約大量的土地資源;風切度小，可有效降低機組塔架高度，海上風電建設成本更低;海上的風能資源遠比陸上豐富，風速更高，發電量也相應顯著提升;同時，海平面摩擦力小，作用在機組上的荷載小，機組使用壽命可長達50年;噪聲、鳥類、景觀以及電磁干擾等問題對海上風電影響也相對較小;對生態環境基本無影響，綠色環保。

2風力發電功率預測的方法

2.1物理方法

風電功率預測的物理方法主要指基于數字天氣預報（NWP）的預測方法。目前這種方法已較成熟，適用于較長時間風電功率預測。該方法將天氣數據代入NWP的預測數學模型，計算分析出風電場位置的現場狀況。天氣條件越穩定，基于NWP的預測方法結果就越準確。由于模型復雜性，該方法要用超級計算機來運行，應用有局限性，短期預測有效性不如持續型預測，因此基于NWP的預測方法通常不應用于超短期風電功率預測。

2.2統計方法

統計方法是據歷史統計數據找出天氣狀況與發電功率間的關系后，據實測數據和數值天氣預測數據對場未來發電功率進行預測。統計預測方法的代表是時間序列法，其是將各個時間點的風電場氣象數據輸入SCADA系統中進行計算分析。自回歸滑動平均（ARMR）是時間序列法中常用模型。ARMR模型可描述線性動態過程，但僅限于零均值的平穩隨機序列。而風速和風電功率的時間序列都有非平穩隨機序列的特點，故建立風電功率預測的ARMR模型時要對數據進行非平穩化處理。

2.3學習方法

學習方法主指人工智能算法。用經典的數學統計方法可較快、簡易地預測風電功率。但電力系統及風速都處于復雜的非線性動態過程，因此采用經典的數學統計方法必影響精度。人工智能算法可更準確地擬合非線性關系，提高預測精確度，從而彌補傳統方法單純依靠數學求解帶來的不足。BP（Back-propagation）神經網絡是最常用的神經網絡。這種神經網絡中每個神經元有三個——輸入、判斷和輸出。每一層神經元內部無關聯，相鄰層的神經元點間互相連接。每條神經線可賦予不同的權重，權重分配的合理性將直接影響模型輸出結果的準確性。

3風力發電機發電能力評估

風力發電機的等效風能利用小時數是衡量項目發電性能的重要指標，它就是風力發電機年發電量與容量的比值。對于單臺機組，它是單臺風機年發電量與機組容量的比值。所以可以從分析單臺風機的等效風能利用小時數入手。統計單臺機組的發電量，將單臺機組發電量加上限電、故障、檢修等損失電量折算為等效利用小時數，對風電場同型號機組的等效利用小時數進行排序，并將實際風速與等效利用小時數進行對照分析，可以篩選出相同風速條件下等效利用小時數低于平均值的機組。

風機功率曲線是風力發電機組發電能力的最直接體現。所以用功率曲線可以有效地分析風機的健康水平和發電能力。由于受到機組尾流、空氣密度、湍流強度等環境因素的影響，風力發電機組在運行過程中的實際運行功率曲線與設計功率曲線可能并不完全匹配，通過綜合判斷單臺風機實際功率曲線與標準功率曲線之間的差異，能有直觀地反映出風機發電能力的優劣。我們可以取單臺風力發電機一年10分鐘風速和有功功率，結合機組實際功率曲線，推算單臺機組的年理論發電量;利用10分鐘平均風速和合同保證的功率曲線，推算單臺機組的實測風速年保證發電量，并繪制分布圖。分析風電機組實際運行功率曲線計算發電量與合同保證功率曲線計算發電量之間的比值為功率曲線符合度。對機組功率曲線符合度進行排序分析，可以篩選出功率曲線符合度異常機組。

4風力發電功率預測的展望

自然界的風，來無影去無蹤。在太陽光的照射下，各個地方的空氣因受熱不均勻而發生流動，便產生了風，風能實際上就是空氣的動能，是一種取之不盡的能源。風能是一種清潔無公害的可再生能源，很早就被人們利用，主要是通過風車來抽水、磨面等。風力發電是除水力發電技術外，新能源發電技術中最成熟、最具大規模開發和最有商業化發展前景的發電方式。通過本文可以有以下想法，一是單機風電功率人工智能預測模型，闡述模糊邏輯等人工智能方法如何應用于單機風電功率預測及特點;二是基于二次模式分解和級聯式深度學習的超短期風電功率預測，提出一基于EEMDWPD二次模式分解和級聯式CNN GRU深度學習的風電功率預測模型;三是基于降噪時序深度學習網絡的風電功率短期預測方法，提出使用SSALSTM預測模型，可分析并處理低維度風能歷史數據。

結束語

風電功率預測技術是指對未來一段時間風電場能輸出的功率大小進行預測以安排調度計劃，得到精準預測結果后可制定合理的調度、檢修計劃，從而提高風能利用率。風能是一清潔能源，準確的預測結果有利于解決風電輸出功率控制、經濟調度及風電競價交易等問題，從而提高上網電價。對發電企業，風電功率的精準預測有助于企業檢修、減少棄風，提高經濟效益。

參考文獻

[1]剛毅凝，金成明，等.深度神經網絡在風電功率預測中的應用研究[J].信息技術，2020，1.

[2]曹有為，閆雙紅，等.基于降噪時序深度學習網絡的風電功率短期預測方法[J].電力系統及其自動化學報，2020，1.

[3]劉世江，劉作廣，傅杰敏.風力發電機組綜合改造技術驗證[J].應用能源技術，2020（12）：48-52.

[4]熊弦，彭郎軍.風力發電機組功率曲線狀態評估方法[J].電子元器件與信息技術，2020，4（04）：152-153+157.

[5]吳重仲.海上風力發電管理模式研究分析[J].科技視界，2019，000（011）：231-232.