摘要：风能是清洁的可再生能源，在现在能源发展中，越来越受到各个国家的重视。我国作为资源大国，可开发利用的风能储量也是也是特别丰富。目前，政府越来越重视风能的利用，风力发电作为风能利用的最主要形式，目前已进入规模化发展阶段。但是由于风力发电具有间歇性和随机性，随着风力发电大量接入电网，将对电网的安全稳定运行时一个极大的考验。所以风功率预测系统对解决该问题具有重要意义。
在此背景下，本文将设计一套的风功率预测系统，通过混合性预测算法进行短期和超短期的预测，同时对风力发电场状态进行实时监测。
关键词：风功率预测系统；气象模型；数据库；气象预报；神经网络
1背景
国外风电功率预测技术起步较早，20 世纪80年代就开始了风电功率预测相关技术研究， 如丹麦在1990 年就开发了一套预测系统。后来，开发了Prediktor 系统， 丹麦技术大学开发了WPPT（Wind Power Prediction Tool）系统，现在Prediktor 和WPPT 已经整合为Zephry 系统；德国奥尔登堡大学开发了Previento 系统；德国太阳能研究所开发了风电功率管理系统（WPMS）；美国AWS Truewind 公司开发了eWind 风功率预测系统；西班牙、爱尔兰、法国等国家都开发了风电功率预测系统。
在2008年，中国电力科学院和吉林省电力公司合作开展了风功率神经网络、支持向量机等统计方法的预测模型，以及基于线性化和计算流体力学的物理模型等混合预测模型的研究。
近些年来，风功率预测系统的开发重点依然是对更好地预测模型的开发，通过对更好地预测模型的开发，可以让风功率预测系统在更复杂多变的环境下和海上风力发电场的到应用。通过近些年的技术攻关与研究，中国在风力发电预测的研究成果取得了飞速的进展。由我国自主研发并且具有自主知识产权的风力发电场功率预测系统，预测精度已经达到国外同类产品的相同水平。我国首次实现超短期预测功能，预测精度基本可以满足国家电网公司相关规定要求，接近或达到国外同类产品的水平，但随着国家电网公司对风力发电场的要求更加严格，考核更加细致，市场对风功率预测的精度会越来越高，我们的系统也因提高我们的越精度，以适应国家电网的要求和满足市场的需求。
在本课题研究的风功率预测系统中，首先对电站的现有状态进行监测，确定电站现在的运行状态。接下来以高精度的数值天气为基础，进行风功率预测，其中电站的现有状态数据需要发电站从各个采集端进行采集，然后存入风功率预测系统的数据库。本系统从数据库中取出现有数据，通过物理和人工神经网络对风力发电场进行建模，然后通过建模结果进行风功率预测，然后为用户提供人性化的交互界面，使用户很友善的使用系统，了解风力发电场现有状态和未来的预测状态。
2风电场功率预测系统系统模块设计
（1）数值天气预报模块
数值天气预报模块以中央气象预报为基础，结合风力发电场的周围环境，针对每个发电场周围的环境和地域特点，设置不同的权重和参数，通过服务器的计算，然后对计算结果进行优化，得到具有很高精度的中小尺度的预测结果，作为风功率预测的基础。
（2）系统预测建模模块
（3）数据采集与处理模块
（4） 监测模块
（5） 数据库功能模块
（6）人机界面功能模块
3系统流程设计
设计风功率预测系统中，按照ISO9001：2000制定了完善的工程设计流程，从需求分析到工程设计计划，再到测试、试运行建立了完善的设计体系（如图1所示）。
图1系统流程图
以电脑程序的方式存储于计算机的存储器，通过大规模并行计算求解出未来温度、湿度、气压、风向等变化，作为天气预报或理论研究的依据。
接着从风机实时监控系统通过RTU modbus、TCP modbus、CDT、IEC101、IEC102、IEC104、OPC等通用规约，采集风功率预测系统需要的数据(如风机有功、无功、风速、状态等)；从测风塔通过通用规约协议采集测风塔数据(如测风塔的风速、风向、温度、湿度、压力、标准差等)。
然后通过采集到的气象数据，风机数据，测风塔数据，经过计算机的计算处理，对物理模型进行优化：设计实践和风电场后评估，定制每个风电场精确的发电物理关系；模型采用粒子群算法结合人工免疫多Agent协商模式，结合人工神经网络而不单独利用神经网络。系统进行人工智能数据挖掘与融合，高性能计算机迭代运算超过亿万次，以此确定精准的预测数学模型，确保系统预报精确。如果风电场处于限制出力状态，系统自适应地捕捉风电场运行管理员的操作模式，可以计算得出现实运行情况和未来风资源情况的预报功率。
预测数据由人机界面进行展示，监测；通过调度要求的格式，规约，把预测数据传送至调度。
4系统数据流程设计
气象服务器通过接收数值气象预报和测风塔数据并进行加工处理后，经反向隔离器将其传送至风功率预测服务器，通讯与接口服务器通过防火墙与升压站和电场风机OPC服务器相连，进行实发功率的采集、存储、统计、分析工作，风力发电功率预测服务器根据接收的数值气象数据、实时测风塔数据、风机数据进行并行计算处理，可以得到48小时短期功率预测和未来4小时超短期功率预测曲线。
5结论与展望
本课题的论文中，首先对风资源进行了介绍，接下来详细介绍了风力发电的优点及风力发电的发展所面临的限制，针对风力发电发展所面临的问题，开始了风功率预测系统的研究，从预测的算法到预测系统的原理及预测系统的结构进行了深入的研究，建立了适用于本系统的物理模型和人工神经网络模型，进行了和运行试验，基本达到了任务书所提出的要求。
本文对风功率预测系统的原理、方法及预测系统结构进行了深入的研究，基于物理模型和人工神经网络建立了风功率预测系统，并在某风电场实现应用。通过对该风电场的风电功率输出进行预测，结果表明，预测系统可以稳定可靠运行，预测结果的均方根误差小于15%。
今后的工作主要将对功率预测模型进行不断修正，持续完善预测系统，进一步提高功率预测精度，使该系统可以完美服务于风力发电场和电网调度部门，保证风力发电在电力系统中稳定运行，提高风电场在区域电力调度中的市场竞争力。
论文作者:曹进平,任晴晴,宁浩
论文发表刊物:《电力设备》2017年第32期
论文发表时间:2018/4/11
标签：功率论文; 系统论文; 风力发电论文; 数据论文; 模型论文; 神经网络论文; 精度论文; 《电力设备》2017年第32期论文;