【正文】 1 風電功率預測 問題 風電功率預測 問題 風電功率預測 問題 摘 要 隨著大規(guī)模的風電接入電網 ,風 電功率 的不確定性和波動性將會對電力系統(tǒng)調度和安全穩(wěn)定運行帶來很大影響。為了合理地利用風電，提高電力系統(tǒng)經濟性， 需要對風電功率進行預測。 對于問題一：為 實時 預測 5 月 31 日 之后 PA、 PB、 PC、 PD、 P P58 的 風電 功率，我們 利用 各機組之前已知的風電功率序列，分別采用 多元二項式回歸 模型 、反向傳播的BP神經網絡 模型 、時間序列中的自回歸移動平均模型（ ARMA）對風電功率進行預測 ，并對各預測模型的誤差進行了分析 。預測結果與 真實值相比 表明：多元二項式回歸預測的準確率最低， ARMA 模型預測的準確率最高 。 以 PA 機組為例， 用 5月 31 至 6 月 6日的平均準確率來衡量， 二項式回歸 模型的準確率 為 %， 神經網絡模型的準確率為 %，ARMA 模型的準確率為 %。 所以，為對風電功率進行準確的預測， ARMA 模型是最好的預測方法。 對于問題二： 我們 利 用了問題一中 ARMA 模型的風電功率預測結果 ， 計算得出 PA、PB、 PC、 PD 單 機組 以及 P4 和 P58 多機組 5月 31 至 6月 6日 功率 的平均 相對預測誤差 ，其 分別為 ： %、 %、 %、 %， P4 為 %， P58 為 %。 對比結果 表明： 風電機組匯聚使得其 風電功率 相對預測誤差與單臺風電機組 風電功率相對預測相比減小，風電機組的匯聚有利于風電功率的預測。 對于問題三： 為進一步提高風電 功率實時 預測的 精確 性， 考慮到機組的發(fā)電功率不僅與風速有關，還與空氣密度有關 。由此，把各機組 5 月 31 之前的風電功率序列分成兩個時間序列，分別 為鄰近時間段的發(fā)電功率 和 鄰近幾天 中 同一時刻的發(fā)電功率。 分別利用 ARMA 模型進行 風電功率預測，再 把各自的預測結果作為 BP 神經網絡的輸入 ，得到最后的風電功率 。 仍以 PA 機組為例， 5 月 31至 6 月 6 日的 7 日的平均準確率 為： %。結果表明，利用該方法可以 進一步提高風電功率預測的精確性，與第一問中 采用 神經網絡模型相比提高了 %，與第一問中采用 ARMA 模型相比提高了 %。 由于 風電功率實時預測 受所給歷史發(fā)電功率 、 風速、風向、氣溫、氣壓及機組自身特性等 數(shù)據(jù)信息的準確性及眾多隨機因素的影響，阻礙了風電功率實時預測精度，且預測精度不可能到達 100%。 關鍵詞 ： 風電功率預測 ； 匯聚 ； 多元二項式回歸 ； BP 神經網絡模型 ； ARMA 2 1. 問題重述 根據(jù)百度百科，“風”是 “ 跟地面大致平行的空氣流動，是由于冷熱氣壓分布不均勻而產生的空氣流動現(xiàn)象 ”。 風能是一種可再生、清潔的能源，風力發(fā)電是最具大規(guī)模開發(fā)技術經濟條件的非水電再生能源?，F(xiàn)今風力發(fā)電主要利用的是近地風能。 近地風具有波動性、間歇性、低能量密度等特點，因而風電功率也是波動的。 大規(guī)模風電場接入電網運行時，大幅度地風電功率波動會對電網的功率平衡和頻率調節(jié)帶來不利影響。 如果可以對風電場的發(fā)電功率進行預測，電力調度部門就能夠根據(jù)風電功率變化預先安排調度計劃，保證電網的功率平衡和運行安全。 因此，如何對風電場的發(fā)電功率進行 盡可能準確地預測，是急需解決的問題。 根據(jù)電力調度部門安排運行方式的不同需求，風電功率預測分為日前預測和實時預測。日前預測是預測明日 24 小時 96 個時點（每 15 分鐘一個時點）的風電功率數(shù)值。實時預測是滾動地預測每個時點未來 4小時內的 16 個時點（每 15分鐘一個時點）的風電功率數(shù)值。在附件 1 國家能源局頒布的風電場功率預測預報管理暫行辦法中給出了誤差統(tǒng)計的相應指標。 某風電場由 58 臺風電機組構成，每臺機組的額定輸出功率為 850kW。附件 2中給出了 2020 年 5月 10 日至 2020 年 6 月 6 日時間段內該風電場中指定的四臺風 電機組（ A、B、 C、 D）輸出功率數(shù)據(jù)（分別記為 PA， PB， PC， PD。另設該四臺機組總輸出功率為 P4）及全場 58臺機組總輸出功率數(shù)據(jù)（記為 P58）。 問題 1：風電功率實時預測及誤差分析。 請對給定數(shù)據(jù)進行風電功率實時預測并檢驗預測結果是否滿足附件 1中的關于預測精度的相關要求。具體要求： 1） 采用不少于三種預測方法（至少選擇一種時間序列分析類的預測方法）； 2） 預測量： a． PA, PB, PC, PD； b． P4； c． P58。 3） 預測時間范圍分別為（預測用的歷史數(shù)據(jù)范圍可自行選定） ： a. 5 月 31日 0 時 0 分至 5 月 31日 23 時 45分； b. 5 月 31 日 0 時 0分至 6 月 6日 23 時 45 分。 4）試根據(jù)附件 1 中關于實時預測的考核要求分析你所采用方法的準確性； 5）你推薦哪種方法？ 問題 2：試分析風電機組的匯聚對于預測結果誤差的影響。 在我國主要采用集中開發(fā)的方式開發(fā)風電，各風電機組功率匯聚通過風電場或風電場群（多個風電場匯聚而成）接入電網。眾多風電機組的匯聚會改變風電功率波動的屬 3 性，從而可能影響預測的誤差。 在問題 1的預測結果中，試比較單臺風電機組功率（ PA， PB， PC， PD）的相對預測誤差與多機總功率（ P4， P58）預測的相對誤差，其中有什么帶有普遍性的規(guī)律嗎？從中你能對風電機組匯聚給風電功率預測誤差帶來的影響做出什么樣的預期？ 問題 3：進一步提高風電功率實時預測精度的探索。 提高風電功率實時預測的準確程度對改善風電聯(lián)網運行性能有重要意義。 請你在問題 1 的基礎上，構建有更高預測精度的實時預測方法 （方法類型不限），并用預測結果說明其有效性。 2. 模型的假設與符號說明 模型的假設 假設 1： 題目所給數(shù)據(jù)是合理、正確的 假設 2：假設所有的風電機組都在正常的運行，忽略其故 障及修理時間。 假設 3：假設所有的風電機組運行的外部條件相同。 假設 4：假設風電場的開機容量為 850。 假設 5：假設所做的預測具有普遍適用性。 符號說明 符號 符號說明 PA、 PB、 PC、 PD 分別為四臺風電機組的輸出功率 P4 分別 為 PA、 PB、 PC、 PD四臺風電機組輸出功率之和 P58 全場 58 臺機組總輸出功率 rP 、 pP 分別為機組真實功率和預測功率 R 相對預測誤差 01, , , m? ? ? 回歸系數(shù) i? 自回歸參數(shù) j? 滑動平均參數(shù) Cap 風電場的開機容量 3. 問題分析 現(xiàn)今風力發(fā)電主要利用的是近地風能， 近地 風具有波動性、間歇性、低能量密度等特點，因而風電功率也是波動的。當 大規(guī)模 的 風電場接入電網運行時，大幅度地風電功率波動會對電網的功率平衡和頻率調節(jié)帶來不利影響。如果 我們 可以對風電場的發(fā)電 功率進行 實時 預測，電力調度部門就能夠根據(jù) 預測的風電發(fā)電功率預先安排調度計劃，保證電網的功率平衡和運行安全。為 此，對風電場的發(fā)電功率進行盡可能準確地預測，是急需解決的問題。 本文主要根據(jù)已有的各機組歷史發(fā)電功率數(shù)據(jù)，對各機組發(fā)電功率進行實時 預測。 針對問題一： 為實時預測 5 月 31 日 之后 PA、 PB、 PC、 PD、 P P58 的風電功率， 4 我們根據(jù) 各機組 5 月 31 日 之前的風電功率 數(shù)據(jù) 序列 的信息 ， 根據(jù)現(xiàn)有的預測方法和各預測方法的使用條件，最后選擇了多元二項式回歸模型， 反向傳播的 BP 神經網絡模型和 時間序列中的自回歸移動平均模型 （ ARMA）對風電功率進 行預測。 對于多元二項式回歸模型，利用預測時間段 的前 N各時間段的風電功率作為自變量，預測時間段的風電功率作為因變量，根據(jù)已知數(shù)據(jù)采用最小二乘法得到回歸系數(shù)，回歸方程求得后即可進行風電功率預測；對于反向傳播的 BP 神經網絡模型，首先建立一個神經網絡結構，同樣把預測時間段的前 N 各時間段的風電功率作為輸入量，預測時間段的風電功率作為輸出量，根據(jù)已知數(shù)據(jù)訓練神經網絡，該過程不斷調整網絡結構，直到到達滿意為止，而后利用該訓練好的網絡進行預測 ；對于自回歸移動平均模型（ ARMA），主要問題是模型的定 階和參數(shù)的確定，這個主要通過 MATLAB 實現(xiàn)，選擇對應 FPE 和 AIC最小時的各參數(shù)值，然后根據(jù)已確定的模型，滾動地預測未來 16 個時點的風電功率數(shù)值。 針對問題二：題目要求分析風電機組的匯聚對于預測結果誤差的影響，我們可以根據(jù)問題一的 自回歸移動平均模型（ ARMA） 預測結果 ， 得知單臺風電機組功率的相對預測誤差 和 多機總功率預測的相對誤差 ，從結果中找出它們之間的關系，得到帶有普遍性的規(guī)律。 針對問題三：為了進一步提高風電功率實時預測精度的探索，提高風電功率實時預測的準確程度。 我們首先分析了影響風電功率的各影響因素， 主要有風速和風向，空氣密度等因素，再結合給出的數(shù)據(jù)信息，從數(shù)據(jù)中我們可以得到風