免費下載！
[!--downpath--]1. 風電預測
風速、風向、溫度、氣壓等SCADA實時數據，等高線、障礙物、粗糙度等數據，以及數值天氣預報數據。 將其中的各個數據按照一定的方式轉換為風機輪胎高度處的風速和風向，然后根據功率曲線得到風電場的出力，并根據風電場的效率進行修正。
2 預測意義
風電功率預測的意義如下：①用于經濟調度，根據風電場預測的出力曲線，優化常規機組的出力，達到降低運行成本的目的。 ②根據風電出力的變化規律，提高系統的安全性、可靠性和可控性。 ③在風電參與電力市場體系中，優化電力市場電力價值。 在電力市場上，風電場預測風電并參與電力市場競價； 電網公司對風電進行預測，以確保系統安全、經濟運行。
①優化電網調度，降低旋轉備用容量，節約燃料，保障電網經濟運行。 風電場出力的短期預測將使電力調度部門能夠針對風電出力的變化提前調整調度計劃； 從而減少系統儲備容量，降低功耗。 系統運行成本。 這是減少風電對電網不利影響、增加系統風電裝機容量的有效途徑。
②滿足電力市場交易需求，為風電競價上網提供有利條件。 從發電公司（風電場）的角度來看，未來風電一旦參與市場競爭，與其他可控發電方式相比，風電的間歇性將大大減少。 削弱風電競爭力，供電不可靠都會受到經濟處罰。 提前十天預測風電場出力將大大增強風力發電的市場競爭力。
③便于安排機組維護檢修，提高風電場容量系數。 風電場可以根據預報結果選擇無風或低風時間段，即風電場出力較小的時間段，對設備進行修復，從而增加發電量和風電場容量。 系數。
3、預測方法分類
風功率預測方法可分為兩類：一類是根據數值天氣預報數據對風電場的輸出功率進行數學估算； 根據數據進行預測的統計方法。 考慮地形、粗糙度等信息，利用數學方程進行預測的方法稱為化學法，根據歷史數據進行統計分析，找出其內在規律并用于預測的方法稱為統計法（如神經網絡方式、模糊邏輯等）。
如果同時使用化學方法和統計方法，則稱為綜合技術。
風功率預測方法根據預測的化學量進行分類，可分為兩類：第一類是風速預測，然后根據風的功率曲線得到風電場的功率輸出渦輪機或風電場； 第二類是直接預測風電場的輸出功率。
根據所使用的語言模型，可分為連續預測法、自回歸移動平均（auto，ARMA）模型法、卡爾曼混合法和智能法。 連續預測方法是最簡單的預測模型。 這些方法認為風速預測值等于近期風速值的滑動平均值。 一般情況下，將某一點的風速視為下一點的風速預報。 該模型的預測偏差較大。 較大，且預測結果不穩定。 改進的方法包括ARMA模型和向量自回歸模型、卡爾曼混合算法或時間序列方法和卡爾曼混合算法。 此外，還有一些智能方法，例如人工神經網絡方法。
根據預報系統輸入數據的分類，還可分為兩類：一類不使用數值天氣預報數據，另一類使用數值天氣預報數據。
按預測的時間尺度分類，可分為超短期預測和短期預測。 所謂超短期預報沒有統一的標準，一般認為不超過30分鐘的預報為超短期預報。 對于幾分鐘內的預測，時間較短，主要用于風力發電控制、電能質量評估和風力發電機機械部件的設計。 這些分鐘級預報通常不使用數值天氣預報數據。 短期預測通常可以視為30min~72h的預測，主要用于電力系統的功率平衡和調度、電力市場交易、暫態穩定評估等。對于較長時間尺度的預測，主要用于系統維護目前，常年中期預測還存在很大困難。 由于風速、風向等天氣條件是由大氣運動決定的，不考慮數值天氣預報數據就很難反映大氣運動的本質，因此無法獲得較好的預測結果。 預測數據作為一組重要的輸入數據。
4 預測方法的異同及適用范圍
1.風速預測方法 在進行中期或更長時間的功率預測時，基于風速的預測方法就是上面介紹的“物理方法”。
在短期預測中，基于風速的預測方法主要分為兩步：首先，利用風速模型預測風電機輪輪胎高度處的風速和風向，垂直于風輪掃過平面的風速為估計重量； 然后利用風力發電機的功率曲線來估算啟動電機的實際輸出功率。 這里的風速模型是采用統計方法或者學習方法構建的，輸入一般是歷史風速序列和實時采集的風速。
連續預測法是該領域最簡單的方法，認為風速預測值等于近期風速歷史值的移動平均值。 一般情況下，簡單地將最近點的風速觀測值作為下一點的風速預測值。 模型預測偏差較大，預測結果不穩定。
卡爾曼混合方法以風速為狀態變量構建狀態空間模型，利用卡爾曼混合算法實現風速預測。 這些算法是在噪聲的統計特性已知的假設下推導出來的。 事實上，噪聲的統計特性可能是該技術應用的難點。 該算法適用于在線風速預測。
隨機時間序列方法隨機時間序列方法利用大量的歷史數據進行建模，通過模型辨識、參數估計、模型檢驗確定能夠描述所研究時間序列的物理模型，從而引入到預測中模型來達到預測的目的。 目前，該方法只需要知道風電場的單個風速或功率時間序列即可構建模型預測，并且可以取得較好的預測效果。 最廣泛使用的方法是累積自回歸移動平均模型。
時間序列和卡爾曼混合算法，時間序列分析和建模的最大優點是不需要考慮信號序列形成的背景。 序列本身的時序和自相關性已經為建模提供了足夠的信息。 在有限的樣本序列下，可以構建相當高精度的預測模型，但其缺點是低階模型預測精度低，高階模型參數困難。 卡爾曼混頻預測方法的優點是動態改變預測殘差，借助預測遞歸多項式可以獲得較高的精度，但也有卡爾曼狀態多項式和檢測方程構造困難的缺點。 首先，通過時間序列分析的方法，構建能夠反映序列信號變化規律的低階模型。 從低階模型的預測多項式出發，可以直接推導出卡爾曼混合的狀態和檢測方程，并可以借助卡爾曼預測迭代多項式來實現。 信號預測，正好避免了構建高階時間序列模型、推斷卡爾曼狀態和檢測方程的難題。
人工神經網絡方法 人工神經網絡（ANN）致力于模仿人腦的結構和功能。 它是由大量簡單的處理設備按一定的拓撲結構大規模連接而成。 它是一個涉及生物學、電子學、計算機等科學的領域。 人工神經網絡具有并行處理、分布式存儲和容錯等特點，具有自學習、自組織和自適應能力，可以實現聯想記憶、非線性映射、分類識別等功能。優化估計和知識處理。 復雜問題的解決非常高效，可用于短期風速預報。 時間序列神經網絡預測方法：原始數據為風速時間序列和風機輸出功率時間序列。 采用時間序列方法和神經網絡方法進行建模，主要內容是：使用時間序列方法進行建模，獲得對預測值影響最大的幾個量； 將時間序列方法的研究成果應用到神經網絡方法中，定量確定神經網絡方法的輸入變量； 為了提高預測精度并保持預測精度的穩定性，提出滾動殘差調整方法來解決神經網絡殘差隨著時間的推移而變得越來越不適用的問題。 時序神經網絡方法有效提高了風速預測精度。
模糊邏輯方法利用模糊邏輯和預??報員的專業知識，從數據和語言生成模糊規則庫，然后選擇線性模型來逼??近非線性動態風速。 而且，純模糊方法對于風速預測往往效果較差。 這主要是由于模糊預測的學習能力較弱，而模糊系統的辨識尚未產生既定的理論。 預測系統中模糊系統結構的選擇還需要進一步研究。 研究。 一般的模糊預測方法應與其他方法結合使用，如模糊與遺傳算法相結合進行短期風速預測。
空間相關法該方法需要考慮風電場及相似地點的多組風速數據，利用多個地點風速之間的空間相關性來預測風速。 為了獲得所需的多組風速數據，需要在風電場周邊設置多個遠程測速站。 中央計算機對本地風電場和各遠程測速站測量的實時風速數據進行處理，利用風電場與風速的空間相關性來預測風電場的風速在每個速度測量站。 事實上，如果能夠采集風電場以及幾個相似地點的多組風速數據，就可以利用該方法進行風速預測。 該方法收集了大量的原始數據，但由于預測過程中考慮的因素較多，因此能夠更好地預測療效。 目前，該方法的使用仍在建立中。
2.風電場功率預測方法
基于功率的預測方法沒有考慮風速的變化過程。 借助統計方法或學習方法，根據歷史功率序列建立模型并利用實時數據對發電量進行短期預測，或者根據歷史數據找出天氣與輸出功率之間的關系。 關系并借助實時數據和數值天氣預報信息對發電量進行中期預測。 在短期預測中，這些方法的輸入信號只需要小型風電場中每臺風機的電流和電壓數據。 將每臺風電機組視為“數據采集設備”，使輸入到整個風電場發電預測模型的時間序列數據包含更全面、更準確的信息。 這些預測方法不僅會增加數據采集的成本，還會提高數據采集的質量，降低預測的準確性。 而在現代化的小型風電場中，將會建設風力發電機組的遠程監控系統。 在該系統中，所有風力渦輪機的所有信號都將被收集和記錄。 因此，可以直接利用風力發電機的實時輸出功率數據來預測風電場的發電量，而無需減少額外成本。
化學模型主要考慮一些化學量，如數值天氣預報獲得的天氣數據（風速、風向、氣壓等）、風電場周圍的信息（輪廓、粗糙度、障礙物等）參數（輪高度、穿透系數等）。 其目的是找到風電機組輪轂高度處的風速最優值，然后利用模型輸出統計模塊（MOS）來減少已有的偏差，最后根據下式估算出風電場的輸出功率：風電場的功率曲線。 由于天氣預報每晚僅更新幾次，因此這些模型通常適用于相對正常的預報，例如提前 6 小時的預報。 在不同的風向和溫度條件下，雖然風速相同，但風電場的輸出功率并不相等，因此風電場的功率曲線是一族曲線，風電機組的故障和維護也應該考慮。 在對整個區域的風電功率進行預測時，可以采用以下方法：一種是預測所有風電場的輸出功率，然后將其相加得到風電功率； 另一種方式是僅預測少數風電場，然后使用擴展算法獲得整個區域風電場的輸出功率。
統計模型可以忽略風速變化的化學過程，而是根據歷史統計數據找出天氣條件與風電場出力之間的關系，然后根據實測數據和數值天氣預報數據來預測風電場數據的功率。 不引入數值天氣預報（NWP）的統計模型可以滿足提前3-4小時的風電預測結果的精度要求，但對于更長時間的預測結果，精度不夠。 目前統計模型預測方法主要有卡爾曼檢測法、隨機時間序列法、模糊邏輯法、人工神經網絡法（ANN）、混合專家經驗法（ofME）、最近鄰搜索法（NNS）、螞蟻群優化法（NNS）等。 swarm、PSO）和支持向量機（SVM）等。
5. 新的預測方法
1.基于小波變換的風速時間序列分析
小波變換的原理和規律，小波變換的算法和應用。 深入研究表明，小波變換是非平穩時間序列信號時頻分析的有效工具。 根據小波分析理論，通過小波變換將原始信號分解為不同的頻率通道，分解后的信號的頻率成分比原始信號更簡單。 因此，對非平穩時間序列進行小波分解后，可以借助最小二乘支持向量機等預測方法進行預測。
2.基于最小二乘支持向量機的風速時間序列分析與預測
本章基于機器學習中支持向量機的原理和統計學習理論，詳細闡述了支持向量機的改進算法——最小二乘支持向量機。 最小二乘支持向量機通過求解一組線性多項式組來代替標準支持向量中的二次規劃優化，增強了收斂速度，并且使用比標準支持向量機更小的估計復雜度。 通過具體的仿真算例可以看出，利用最小二乘支持向量機解決非平穩風速時間序列模式識別與預測問題，具有良好的識別與預測效果。 除了收斂速度快之外，預測也更加準確。
3.基于小波分解和最小二乘支持向量機的短期風速預測
基于統計學習理論的最小二乘支持向量機和有“數字顯微鏡”美譽的小波變換被應用于非平穩風速時間序列預測的研究。 線性和波動性，小波變換用于分離非平穩風速時間序列中的非線性低頻趨勢分量和高頻波動分量，然后通過將輸入向量映射到高維來提取信息特征空間實現數據的線性可分 基于上述的最小二乘支持向量機可以實現對非平穩均值的風速時間序列的準確預測。
4.風電場出力年度預測中的有效風速預測研究
利用歷史年份的小時平均風速數據來預測下一年的年風速。 對歷史年份以季度為單位的小時平均風速數據進行小波分解，利用遞歸最小二乘法構建各分量的二元線性回歸預測模型，并將各分量預測模型的等權和納入預測明年相應季度的模型。 實測數據的模擬估計表明，提前一年風速季節預報的平均絕對百分比誤差（mean，MAPE）為12.25%，提高了預報的準確性。 綜合考慮具體風電機組的功率特性、機組效率和設備運行情況，即可得出風電場明年的出力值。
5.基于SVM的風速和風功率預測模型
本文闡述了常用的風速預測方法，并利用支持向量機回歸算法研究了風速預測中時間序列數據預測模型的構建，并在環境中對三個核函數進行了仿真測試。 測試結果表明，支持向量機預測模型的結果相當令人印象深刻，性能明顯優于之前的其他預測模型。 同時克服了神經網絡等方法預測中的過度學習、維數災難和局部極值問題，為風速和風功率預測提供了新的突破。
6.基于非參數回歸模型的短期風電功率預測
利用非參數回歸技術進行短期風電功率預測，構建了短期風功率點預測模型和概率區間預測模型，并利用內蒙古某風電場的數值天氣預報數據和風電實測數據進行了驗證表明所構建的非參數回歸模型在短期風電功率預測中具有可行性和有效性。 分析結果表明，除了風功率點預測外，利用非參數回歸模型和經驗分布函數得到的風功率預測區間可以描述風功率預測的不確定性，進一步輔助電網運行決策。 據悉實際電功率與什么有關，數值天氣預報精度是影響短期風電功率預測精度的主要因素。 數值天氣預報數據的統計校準對于提高風電功率預測精度的作用非常有限。 提高風電場數值天氣預報精度對于提高短期風電功率預測精度具有重要意義。
7.基于模型識別的風電場風速和發電功率預測
1）在風速預測中，時間序列預測方法對數據要求不高，只需要知道風電場的單個風速時間序列，簡單可行； 考慮高度非線性的風速數據，采用智能方法（ANFIS）； 識別中使用的當地風速信息可以從氣象部門免費提供的信息中獲取，從而節省了預報成本，適合風電企業使用。 因此，本文提出一種基于模式識別的風速ANFIS預測模型。
2）利用模式識別技術對風速數據進行篩選和預處理，篩選出一定的風速數據
采用一些具有相似特征且適合預測的風速樣本作為自適應模糊神經網絡的輸入。 由于篩選出的樣本相似度較高，對風速的預測精度有很大幫助，從而可以做出更準確的預測。 所發電力有利于電力部門制定電力交易計劃，保障電力系統穩定運行。
3）以上方法利用國外關島毛伊島數據進行驗證。 預測精度和估算時間均令人滿意，該方法具有一定的經濟實用性。
8.基于小波神經網絡的風速及風力發電量預測
該方法利用小波函數對不同尺度的原始波形進行分解，利用時間序列對得到的周期分量進行預測，其余部分利用神經網絡進行預測實際電功率與什么有關，最終構造信號序列，得到完整的風速預測結果。 在神經網絡學習過程中，加入差分進化算法，提高其收斂速度，解決局部極小化問題。 算例分析證明該算法能夠較準確地預測風速。
9.基于支持向量機的風速與風功率預測方法研究
風力發電具有波動性、間歇性、隨機性等特點，大容量風力發電并網對電力系統安全穩定運行提出嚴峻挑戰。 風速、風功率預測以及風電場出力短期預測是解決這一問題的有效途徑。 研究了風速和風功率的預測方法，從數學和統計方法上分析了SVM（支持向量機）的預測方法。 支持向量機在風速和風功率的預測中具有非常大的應用空間，并進行了預測實驗。 隨著風電裝機容量快速下降，風電功率預測的準確性亟待提升。 特別是對于這些小型海上風電場，由于裝機容量集中在較小的區域，更需要準確預測功率。 近年來，國內外學者在這方面做了大量的研究，提出了許多改進方法，不斷提高預測精度，并且還將不斷改進。具體改進方法如下
(1)結合多種數值天氣預報模型進行氣象信息預報。 該方法可以克服惡劣天氣下的預測誤差，顯著提高預測精度。
（2）借助遙感技術和高性能計算機技術，可以提高數值天氣預報模型的幀率，提高當地天氣預報的準確性； 據悉，提高天氣預報的更新頻率也將有助于完善風電預測模型的輸入數據。
(3)借助小波分析、混沌理論、模糊神經網絡等各種智能方法建立和完善預測模型，選擇合適的線性或非線性形式，對各種預測方法的預測結果進行優化組合。 進一步減少預測偏差。 需要提到的是，利用人工神經網絡（ANN）進行非線性組合預測，不僅將多個單一模型所包含的信息進行最優組合，同時還考慮了不同模型各自的優勢，提高了預測的準確性。預測和模型的準確性。 可靠性。
(4)在進行短期電力預報時，利用實時探測到的氣象數據將從根本上提高預報效果。