【正文】 1 風電功率預(yù)測 問題 風電功率預(yù)測 問題 風電功率預(yù)測 問題 摘 要 隨著大規(guī)模的風電接入電網(wǎng) ,風 電功率 的不確定性和波動性將會對電力系統(tǒng)調(diào)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(jīng)濟性， 需要對風電功率進行預(yù)測。 對于問題一：為 實時 預(yù)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(jīng)網(wǎng)絡(luò) 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(yù)測 ，并對各預(yù)測模型的誤差進行了分析 。預(yù)測結(jié)果與 真實值相比 表明：多元二項式回歸預(yù)測的準確率最低， ARMA 模型預(yù)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(jīng)網(wǎng)絡(luò)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(yù)測， ARMA 模型是最好的預(yù)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(yù)測結(jié)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(yù)測誤差 ，其 分別為 ： %、 %、 %、 %， P4 為 %， P58 為 %。 對比結(jié)果 表明： 風電機組匯聚使得其 風電功率 相對預(yù)測誤差與單臺風電機組 風電功率相對預(yù)測相比減小，風電機組的匯聚有利于風電功率的預(yù)測。 對于問題三： 為進一步提高風電 功率實時 預(yù)測的 精確 性， 考慮到機組的發(fā)電功率不僅與風速有關(guān)，還與空氣密度有關(guān) 。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(yù)測，再 把各自的預(yù)測結(jié)果作為 BP 神經(jīng)網(wǎng)絡(luò)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(jié)果表明，利用該方法可以 進一步提高風電功率預(yù)測的精確性，與第一問中 采用 神經(jīng)網(wǎng)絡(luò)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(yù)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(yù)測精度，且預(yù)測精度不可能到達 100%。 關(guān)鍵詞 ： 風電功率預(yù)測 ； 匯聚 ； 多元二項式回歸 ； BP 神經(jīng)網(wǎng)絡(luò)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(chǎn)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(shù)經(jīng)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(wǎng)運行時，大幅度地風電功率波動會對電網(wǎng)的功率平衡和頻率調(diào)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(yù)測，電力調(diào)度部門就能夠根據(jù)風電功率變化預(yù)先安排調(diào)度計劃，保證電網(wǎng)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(yù)測，是急需解決的問題。 根據(jù)電力調(diào)度部門安排運行方式的不同需求，風電功率預(yù)測分為日前預(yù)測和實時預(yù)測。日前預(yù)測是預(yù)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(yù)測是滾動地預(yù)測每個時點未來 4小時內(nèi)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(yù)測預(yù)報管理暫行辦法中給出了誤差統(tǒng)計的相應(yīng)指標。 某風電場由 58 臺風電機組構(gòu)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(nèi)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(shè)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(yù)測及誤差分析。 請對給定數(shù)據(jù)進行風電功率實時預(yù)測并檢驗預(yù)測結(jié)果是否滿足附件 1中的關(guān)于預(yù)測精度的相關(guān)要求。具體要求： 1） 采用不少于三種預(yù)測方法（至少選擇一種時間序列分析類的預(yù)測方法）； 2） 預(yù)測量： a． PA, PB, PC, PD； b． P4； c． P58。 3） 預(yù)測時間范圍分別為（預(yù)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(guān)于實時預(yù)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(yù)測結(jié)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(wǎng)。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(yù)測的誤差。 在問題 1的預(yù)測結(jié)果中，試比較單臺風電機組功率（ PA， PB， PC， PD）的相對預(yù)測誤差與多機總功率（ P4， P58）預(yù)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(yù)測誤差帶來的影響做出什么樣的預(yù)期？ 問題 3：進一步提高風電功率實時預(yù)測精度的探索。 提高風電功率實時預(yù)測的準確程度對改善風電聯(lián)網(wǎng)運行性能有重要意義。 請你在問題 1 的基礎(chǔ)上，構(gòu)建有更高預(yù)測精度的實時預(yù)測方法 （方法類型不限），并用預(yù)測結(jié)果說明其有效性。 2. 模型的假設(shè)與符號說明 模型的假設(shè) 假設(shè) 1： 題目所給數(shù)據(jù)是合理、正確的 假設(shè) 2：假設(shè)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(shè) 3：假設(shè)所有的風電機組運行的外部條件相同。 假設(shè) 4：假設(shè)風電場的開機容量為 850。 假設(shè) 5：假設(shè)所做的預(yù)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(yù)測功率 R 相對預(yù)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(wǎng)運行時，大幅度地風電功率波動會對電網(wǎng)的功率平衡和頻率調(diào)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(yù)測，電力調(diào)度部門就能夠根據(jù) 預(yù)測的風電發(fā)電功率預(yù)先安排調(diào)度計劃，保證電網(wǎng)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(yù)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(yù)測。 針對問題一： 為實時預(yù)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(yù)測方法和各預(yù)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(jīng)網(wǎng)絡(luò)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(yù)測。 對于多元二項式回歸模型，利用預(yù)測時間段 的前 N各時間段的風電功率作為自變量，預(yù)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(yù)測；對于反向傳播的 BP 神經(jīng)網(wǎng)絡(luò)模型，首先建立一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同樣把預(yù)測時間段的前 N 各時間段的風電功率作為輸入量，預(yù)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(jīng)網(wǎng)絡(luò)，該過程不斷調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，直到到達滿意為止，而后利用該訓練好的網(wǎng)絡(luò)進行預(yù)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(yīng) 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(yù)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(yù)測結(jié)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(yù)測結(jié)果 ， 得知單臺風電機組功率的相對預(yù)測誤差 和 多機總功率預(yù)測的相對誤差 ，從結(jié)果中找出它們之間的關(guān)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(yù)測精度的探索，提高風電功率實時預(yù)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(jié)合給出的數(shù)據(jù)信息，從數(shù)據(jù)中我們可以得到風