摘要：现如今，随着我国社会经济的飞速发展，国内所需的能源量也日趋增多，在此前提下风机发电技术也得到了长足进展。对电网调度进行有效优化，不仅可以提高在电力市场中风电场的竞争地位也可以使电网更经济地运行，从而实现对风电场发电功率的正确预测。本文旨在对风电场发电功率预测及风机运行优化进行深入研究，以期对风电场能够进行远程优化控制从而使风机达到最优运行状态。
关键词：风电场；发电功率；预测；风机运行；优化
引言
风电场输出功率由于受到风向以及风速随机变化的影响较大，因此具有随机性、波动性以及间歇性等显著特征。当大量风电场集中并网时，不仅会影响电网的稳定性与安全性，还对电网接纳风电的效率产生一定阻碍。通过风电功率预测系统的应用，可以根据数据预测的波动情况，让调度运行人员采取科学合理的应对措施，从而确保了电网运行的可靠性与安全性。此外，将功率预测与负荷预测相互结合起来，还有诸多好处，比如：能够使电网的调峰能力得到有效改善、能够对常规电厂的发电计划进行优化、能够使风电的并网容量得到增加等。因此，对于风电场来说，企业可以根据风电功率的预测合理安排检修计划，使企业的盈利能力得到明显提升。
1风速及风电功率预测的物理方法
风速及风电功率预测的物理方法通常包括一系列的微观气象学模型，这些模型是将气象预报系统所产生的风速、风向、温湿度等数据转换成所需地点（如风机轮毂处）的风速及风向，其本质就是利用粗糙度、地形变化模型来模拟局地效应，将数值天气预报的风速数据转化为风机轮毂处风速数据，从而预测发电功率。数值天气预报是根据大气物理特性，在一定的初值和边界条件下，通过大型计算机的数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气。物理方法的核心是数值天气预报，一般是根据数值天气预报系统的预测结果得到风向、风速、气温、气压等天气数据，然后根据风电场周围粗糙度、等高线、温度分层、障碍物等信息计算得到风电机组轮毂高度的风速、风向等信息，最后根据风电场功率模型计算得到风电场的输出功率。风电场功率模型是综合考虑单机功率曲线和风电场风机空间布局建模，描述风速与风电功率输出关系。利用粗糙度变化模型和地层变化模型，将数值天气预报数据转化为风机轮毂处风速数据，同时利用尾流模型对风电场风机之间的影响进行描述。研究风电场功率预测，利用有限体积法，提出利用风电场空间相关矩阵表征风电机组的相对位置和分布关系，利用风电场实际功率曲线将风速、风向转换为风电场的功率输出。有别于统计模型，物理模型描述了风电场的风的运动规律，无需大量历史数据就可以取得较好的预测效果，但其预测精度很大程度上依赖数值天气预报的精度，针对特定风电场所建立的物理预测模型存在局限性，应用到其他地点还需要重新进行物理建模。
2国内外对风电场风速与发电功率的预测研究现状
具体来说，国内外对风速与风力发电功率的预测方法，主要有：持续预测法。这种预测法比较传统，最大的优点为操作简单，然而所预测的结果也不够准确，不能达到预测的相关要求；卡尔曼滤波法。采用这种方法能够得到比较好的预测效果，它主要是利用了卡尔曼滤波算法实现了对风速与风力发电功率的预测，但是在估计噪声的统计特性时却比较困难；随机时间序列法。这种方法在目前很多研究中都进行了引用而且也取得了比较多的研究成果，可以分为自回归滑动平均模型、滑动平均模型等；人工神经网络法。这种方法涉及了计算机与生物学等多个领域，具体将大量比较简单的处理元件通过拓扑结构进行连接，以期能够模仿人脑的结构与功能达到预测的目的。此外，还有模糊逻辑法、空间相关性法等，模糊逻辑法需要与其他方法进行相互结合才能提高预测的精度，而空间相关性法的预测效果至今不很理想。
3风电场发电功率预测系统的组成
功率预测系统由以下设备组成:功率预测主机、NWP处理服务器、防火墙、反向物理隔离装置、预测系统客户端(PC工作站)、网络设备及附属设备。其中，NWP数据服务器从互联网下载气象部门发布的数值天气预报数据，并解析出风场本地的NWP信息。风功率预测主机包含三个应用服务程序:数据预处理服务、预测算法引擎服务以及数据库服务。数据预处理服务器采集来自风电场的数据，包含了气象数据和风机的运行数据，并将数据转换成规定格式存入数据库。预测算法引擎服务完成ALN的预测建模并进行风速预测和发电功率预测。数据库服务器保存所有实时采集数据、预测结果以及性能评估和统计信息。数据库服务器还将风资源信息和功率预测结果通过高速光纤专网上报至远方电网电力调度中心或集控中心(能源公司)。PC工作站运行用户图形界面，以曲线、柱状图、电子表格等方式显示预测结果，并可对系统进行配置和管理操作。
4预测误差评价
预测误差是客观存在的，其产生的根源主要有天气条件快速变化、风电机组故障、天气预报数据误差较大、测量数据质量差、预测模型不精确等。对误差进行综合评价是风速及风电功率预测理论研究的一项重要内容。评价指标能够从各方面反映预测算法的运行情况，提供不同预测方法、模型和系统之间进行对比评价的标准，便于有针对性地进行修正以深入挖掘有价值的信息，进一步提高预测精度和算法效率。常见的衡量误差的参数见表1。
表1误差指标列表
注：y′i为i时刻的预测值，yi为i时刻的实测值，ei=y′i-yi，p为风电场的装机容量，n为样本数量。
在上述常见的误差指标中，MAE和RMSE被大量的研究者应用，然而这些基于逐点求和再平均思想的误差测量方式，仅能够针对某一段数据给出笼统的指标结果，丢失大量有价值的信息。提出了一套新的误差评价体系，保留了MAE和RMSE，增加误差频率分布指标、误差对特定因子的分布指标作为纵向误差指标，增加了预测序列与实测序列的相关系数为横向误差指标，这些指标可以比较全面的反映出预测误差的纵向和横向信息，更有利于分析误差的原因，从而提出降低误差的措施。
5风机发电风功率预测系统的不足之处与相关改进措施
风机发电风功率与测试系统的不足之处，主要有物理因素的影响、输入的数据过于单一以及不够完善的测风塔采集系统等，这些都会使得最终的预测结果产生一定误差。相关改进措施如下：为了使预测的精准度得到有效提高，需对风力预测模型进行优化组合，从而正确预报NWP的信息，以此缩小在极端天气与恶劣天气下的误差；加速NWP的更新频率，对现代的物联网技术与计算机控制技术，在对数学模型与数据输入的同时进行良好改善，从而达到提高输出精准度的目的；为了更好地对预测结果进行优化组合分析，对于混沌理论、小波分析以及模糊神经网络等智能方法进行充分利用，以此使预测的可靠性与精准度得到有效提高；对NWP的数据尽快更新，使得在对风功率短信预测时提高预测方法与技能。
结语
我国风电企业市场竞争力，可以通过对风速与风力发电的准确预测得到极大提高。目前，我国已经设计出并实现了以经典统计学与神经网络的风电场功率预测模型，这些预测模型不仅操作简单、执行速度快而且结果可靠稳定、预测精准度高。然而，随着技术的发展风速与风力发电的精准度还有待得到进一步提高，因此下一步工作重点要转移到对中长期的风功率预测的研究中。
参考文献:
[1]秦政，包德梅，赖晓路等.风电场风功率预测系统研究[J].计算机技术与发展，2016（07）：255-256.
[2]李文鹤.风机发电功率预测系统的研究与应用[J].动力与电气工程，2016（22）：128-129.
[3]张琦.风电场发电功率预测及风机运行优化的研究[D].2017（03）.
论文作者:焦日东
论文发表刊物:《电力设备》2018年第24期
论文发表时间:2019/1/8
标签：功率论文; 风速论文; 误差论文; 风电场论文; 数据论文; 风机论文; 模型论文; 《电力设备》2018年第24期论文;