風(fēng)電在時(shí)空尺度上的描述

李贏，潘艷紅，杜興科

（1.浙江舟山電力局電力調(diào)度控制中心，浙江舟山 316000；2.廣西大學(xué)電氣工程學(xué)院，廣西南寧 530004；3.江西科技師范大學(xué)，江西南昌 330013）

風(fēng)能是一種不穩(wěn)定的能源，受氣象條件的影響，風(fēng)速發(fā)生隨機(jī)性的變化，其具有不可控、不可調(diào)的特征，即風(fēng)力發(fā)電的間歇性。而大型的風(fēng)電機(jī)組不具有強(qiáng)大的電存儲(chǔ)的功能，很多情況下只能進(jìn)行短期的存儲(chǔ)，而風(fēng)電場又是在人煙比較稀少的地區(qū)，當(dāng)?shù)刈陨淼南{能力有限，經(jīng)升壓以后進(jìn)行的遠(yuǎn)距離輸送將會(huì)有大量的電能損耗，并且風(fēng)電機(jī)組的電能輸出也是隨機(jī)變動(dòng)的。

由于風(fēng)的波動(dòng)性和間歇性，風(fēng)電具有顯著的不可控性，大容量風(fēng)電場的接入會(huì)對(duì)電網(wǎng)運(yùn)行產(chǎn)生較大的沖擊甚至危險(xiǎn)。為保障電網(wǎng)安全，對(duì)風(fēng)電場發(fā)電功率進(jìn)行預(yù)測(cè)十分必要[1-2]。然而，由于風(fēng)速的間歇性以及風(fēng)力發(fā)電機(jī)的非線性，使得風(fēng)電場的出力很難精確預(yù)測(cè)[2-4]。對(duì)風(fēng)電預(yù)測(cè)的方法有基于數(shù)值天氣預(yù)報(bào)的預(yù)測(cè)模型（統(tǒng)計(jì)模型、物理模型），時(shí)間序列模型，見圖1?；谖锢矸椒ǖ娘L(fēng)電功率預(yù)測(cè)方法有：WAsP模型；考慮了地形、粗糙度等地理信息，并且考慮了風(fēng)電場的布局信息，不同時(shí)間尺度下，單個(gè)風(fēng)電場或區(qū)域風(fēng)電進(jìn)行的功率聯(lián)合預(yù)測(cè)[5-8]。

圖1 風(fēng)電預(yù)測(cè)模型方法分類Fig.1 Classification of wind power prediction models

本文從風(fēng)電場的時(shí)間尺度和空間尺度對(duì)風(fēng)電進(jìn)行描述。風(fēng)電場模型重構(gòu)，當(dāng)風(fēng)電場發(fā)生故障，比如脫網(wǎng)事故，電網(wǎng)電壓不穩(wěn)定時(shí)，風(fēng)機(jī)保護(hù)系統(tǒng)會(huì)使風(fēng)機(jī)脫離并網(wǎng)狀態(tài)。但電網(wǎng)電壓的瞬間波動(dòng)其實(shí)很常見，這就是國網(wǎng)要求并網(wǎng)風(fēng)機(jī)必須具有低電壓穿越功能的原因。脫網(wǎng)可能是電纜頭故障、風(fēng)機(jī)低電壓穿越能力和動(dòng)態(tài)無功補(bǔ)償?shù)确矫娉霈F(xiàn)問題[9]。其中低電壓穿越能力缺失是比較關(guān)鍵的一個(gè)愿原因，以致電網(wǎng)的安全穩(wěn)定性受到影響。

1 風(fēng)電在時(shí)間尺度上的描述

1.1 風(fēng)電功率預(yù)測(cè)總體方法

圖1是風(fēng)電預(yù)測(cè)模型方法分類:

1）物理方法（見圖2）?？紤]地形、粗糙度等信息的預(yù)測(cè)方法。

圖2 基于物理方法的風(fēng)電功率預(yù)測(cè)示意圖Fig.2 Wind power prediction diagram based on physical methods

2）統(tǒng)計(jì)方法。從歷史數(shù)據(jù)分析，用一定的數(shù)學(xué)模型來預(yù)測(cè)未來，如神經(jīng)網(wǎng)絡(luò)方法、模糊邏輯方法以及SVM，即支持向量機(jī)方法[10-11]。

1.2 BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電進(jìn)行預(yù)測(cè)的比較

本文介紹了2種神經(jīng)網(wǎng)絡(luò)方法對(duì)風(fēng)電進(jìn)行預(yù)測(cè)，分別為BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)。

基于RBF預(yù)測(cè)的均方誤差MSE=0.0595534，基于BPNN預(yù)測(cè)的風(fēng)電預(yù)測(cè)的均方誤差MSE=0.1338，可知，RBF預(yù)測(cè)精度高于BPNN。

1.2.1 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)

BP網(wǎng)絡(luò)的學(xué)習(xí)由模式順傳播、誤差逆?zhèn)鞑?、記憶?xùn)練、學(xué)習(xí)收斂4個(gè)過程組成。BP神經(jīng)網(wǎng)絡(luò)的重要優(yōu)勢(shì)在于學(xué)習(xí)性和自動(dòng)調(diào)整性，目前主要用于：特征的提取、過程的控制和狀態(tài)的預(yù)測(cè)、非線性問題。本文利用神經(jīng)網(wǎng)絡(luò)具有的較強(qiáng)的非線性映射特性，來預(yù)測(cè)風(fēng)電場的功率。網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tan sig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)log sig[12]。

1.2.2 基于RBF的風(fēng)電功率預(yù)測(cè)

與多層前向網(wǎng)絡(luò)類似，RBF網(wǎng)絡(luò)的結(jié)構(gòu)是一種3層前向網(wǎng)絡(luò)。第一層為輸入層，由信號(hào)源結(jié)點(diǎn)組成；第二層為隱含層，隱單元數(shù)視所描述問題確定，隱單元的變換函數(shù)是RBF，它是對(duì)中心點(diǎn)徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)；第三層為輸出層，它對(duì)輸人模式的作用作出響應(yīng)。從輸人空間到隱含層空間的變換是非線性的，而從隱含層空間到輸出層空間變換是線性的。

RBF網(wǎng)絡(luò)的基本思想是：用RBF作為隱單元的“基”構(gòu)成隱含層空間，這樣就可將輸入矢量直接（即不需要通過權(quán)連接）映射到隱空間。當(dāng)RBF的中心點(diǎn)確定以后，這種映射關(guān)系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)和，此處的權(quán)即為網(wǎng)絡(luò)可調(diào)參數(shù)。從總體上看，網(wǎng)絡(luò)從輸人至輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)卻又是線性的。這樣網(wǎng)絡(luò)的權(quán)就可由線性方程組直接解出，因此大大加快學(xué)習(xí)速度并避免局部極小問題。

歸納起來就是：用RBF作為隱單元的“基”構(gòu)成隱含層空間，將輸入矢量直接（即不需要通過權(quán)連接）映射到隱空間。當(dāng)RBF的中心點(diǎn)確定后，映射關(guān)系也就確定。隱含層空間到輸出空間的映射是線性的。

見圖3，RBF網(wǎng)絡(luò)主要包含隱含層和輸出層，其中隱含層的傳遞函數(shù)為radbas，輸出層的傳遞函數(shù)為純線性函數(shù)pureline。如圖4所示，RBF網(wǎng)絡(luò)的隱含層有S1個(gè)神經(jīng)元，輸出層有S2個(gè)神經(jīng)元。

圖3 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖1Fig.3 RBF network structure diagram 1

圖4 RBF網(wǎng)絡(luò)結(jié)構(gòu)圖2Fig.4 RBF network structure diagram 2

1.2.3 2種方法的比較

本文章提出了BPNN和RBF預(yù)測(cè)方法，BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)比較如下:

1）結(jié)構(gòu)。BPNN實(shí)行權(quán)連接，RBF神經(jīng)網(wǎng)絡(luò)輸入層到隱層單元間是直接相連接的，隱含層到輸出層實(shí)行權(quán)連接。BPNN是3層或3層以上的靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)，其隱含層和隱含層節(jié)點(diǎn)數(shù)不容易確定，沒有普遍適用的規(guī)律可循，一旦網(wǎng)絡(luò)的結(jié)構(gòu)確定，在訓(xùn)練階段網(wǎng)絡(luò)結(jié)構(gòu)不再改變；RBF神經(jīng)網(wǎng)絡(luò)可以根據(jù)具體的問題，在訓(xùn)練階段自適應(yīng)地調(diào)整，適用性好于BPNN。

2）訓(xùn)練算法。BPNN需要確定的參數(shù)是連接權(quán)值，主要的訓(xùn)練算法為BP算法和改進(jìn)的BP算法。它的不足之處是易于陷入局部極小值，收斂速度慢，隱含層和隱含層節(jié)點(diǎn)數(shù)很難確定。

3）網(wǎng)絡(luò)資源上。RBF網(wǎng)絡(luò)原理、結(jié)構(gòu)和學(xué)習(xí)算法的特殊性，決定了其隱含層單元的分配可以根據(jù)訓(xùn)練樣本的容量、類別和分布來決定。在隱含層單元分配的基礎(chǔ)上，輸入與輸出之間的映射關(guān)系，通過調(diào)整隱含層單元和輸出單元之間的權(quán)值來實(shí)現(xiàn)，這樣不同的任務(wù)之間的影響就比較小，網(wǎng)絡(luò)的資源就可以得到充分的利用。

1.2.4 預(yù)測(cè)結(jié)果

基于RBF預(yù)測(cè)的均方誤差MSE=0.0595534，根據(jù)風(fēng)電預(yù)測(cè)結(jié)果中可知，基于BPNN預(yù)測(cè)的風(fēng)電預(yù)測(cè)的均方誤差MSE=0.1338，可知，RBF預(yù)測(cè)精度高于BPNN。

共260個(gè)數(shù)據(jù)，前180組數(shù)據(jù)用來做訓(xùn)練，后面的80組數(shù)據(jù)用來做預(yù)測(cè)，用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練500次。所用的RBF神經(jīng)網(wǎng)絡(luò)有3個(gè)層，第一個(gè)輸入層有5個(gè)節(jié)點(diǎn)，隱含層有10個(gè)節(jié)點(diǎn)，輸出層有5個(gè)節(jié)點(diǎn)，使用前90%的數(shù)據(jù)做訓(xùn)練數(shù)據(jù)，后10%的數(shù)據(jù)做測(cè)試，見圖5~8。

圖5 用RBF方法的結(jié)果擬合程度Fig.5 Results fitting degree of RBF method

當(dāng)誤差指標(biāo)是0.01的時(shí)候，采用不同的方法逼近同一個(gè)函數(shù)，其性能對(duì)比表如表1所示。

2 空間尺度上對(duì)風(fēng)電場進(jìn)行分析

本文提出三維協(xié)調(diào)的風(fēng)電場管理系統(tǒng)，該系統(tǒng)包括：風(fēng)電場模型重構(gòu)模塊，風(fēng)電場安全評(píng)估與預(yù)警模塊，暫態(tài)穩(wěn)定分析模塊，動(dòng)態(tài)穩(wěn)定分析模塊，操作控制平臺(tái)模塊5大模塊，見圖9。

圖6 用BPNN方法的功率數(shù)據(jù)預(yù)測(cè)圖Fig.6 Wind power prediction map using BPNN

圖7 RBF中最佳驗(yàn)證表現(xiàn)是第5點(diǎn)為328.1047Fig.7 The best verification performance in RBF is 328.1047 at 5

圖8 RBF中最佳驗(yàn)證表現(xiàn)是第18點(diǎn)為312.458Fig.8 The best verification performance in RBF is 312.458 at 8

表1 2種不同方法的性能的比較Tab.1 Performance comparison of different two methods

圖9 風(fēng)電三維協(xié)調(diào)系統(tǒng)在空間尺度上的描述Fig.9 Description of wind power three-dimensional coordination system in spatial scales

2.1 風(fēng)電場模型重構(gòu)模塊

屬于故障處理模塊，充分發(fā)揮繼保定值配合等方面的在線安全分析作用。暫態(tài)穩(wěn)定分析模塊，動(dòng)態(tài)穩(wěn)定分析模塊把信號(hào)傳輸給總控制平臺(tái)，風(fēng)電場發(fā)生故障時(shí)，經(jīng)過系統(tǒng)的作用，總控制平臺(tái)會(huì)給風(fēng)電場重構(gòu)模塊發(fā)出重構(gòu)信號(hào)，風(fēng)電場重構(gòu)模塊運(yùn)行，把重構(gòu)后的運(yùn)行信號(hào)傳送給暫態(tài)穩(wěn)定分析模塊、動(dòng)態(tài)穩(wěn)定分析模塊、風(fēng)電場安全評(píng)估與預(yù)警模塊，整個(gè)信號(hào)的傳送與控制過程類似于多控制層的反饋網(wǎng)絡(luò)。

利用數(shù)據(jù)采集與監(jiān)控系統(tǒng)從風(fēng)電場實(shí)時(shí)采集設(shè)備的運(yùn)行狀態(tài)，對(duì)下發(fā)的上級(jí)電網(wǎng)的等值模型與本轄區(qū)的電網(wǎng)合并形成全局電網(wǎng)模型并得到匹配的全網(wǎng)潮流分布。

以上討論的是單個(gè)風(fēng)電場的情況，其實(shí)現(xiàn)實(shí)中還應(yīng)當(dāng)考慮多個(gè)風(fēng)電場模型重構(gòu)模塊與外部電網(wǎng)的跟蹤等值和全局電網(wǎng)模型的自動(dòng)重建。即本文說的空間尺度上的三維協(xié)調(diào)。

2.2 風(fēng)電場安全評(píng)估與預(yù)警模塊

未來的風(fēng)電場的容量將會(huì)越來越大，由此產(chǎn)生對(duì)系統(tǒng)的影響也會(huì)是越來越大，諧波污染、電壓波動(dòng)、閃變等對(duì)電網(wǎng)造成影響和損失。有必要對(duì)風(fēng)電場進(jìn)行電能質(zhì)量分析，其中主要包括電壓波動(dòng)與閃變[15]。電力系統(tǒng)出現(xiàn)電壓波動(dòng)，可能是由各類大功率波動(dòng)性負(fù)荷投運(yùn)引起，也可能是電網(wǎng)的短時(shí)間承載過負(fù)荷引起，并且饋電終端電壓調(diào)節(jié)能力很弱。這些原因難以保證電壓的穩(wěn)定。風(fēng)電是非周期性質(zhì)，它是間歇的，無法高精度進(jìn)行預(yù)測(cè)。

電壓波動(dòng)會(huì)產(chǎn)生很多惡果，電壓的高頻繁變動(dòng)會(huì)使風(fēng)電機(jī)組轉(zhuǎn)動(dòng)不均勻，不僅會(huì)影響風(fēng)機(jī)自身的旋轉(zhuǎn)，而且會(huì)影響整個(gè)電力系統(tǒng)的運(yùn)作。

閃變水平估計(jì)與干擾限制值，對(duì)于風(fēng)電的閃變，只能進(jìn)行短期的預(yù)測(cè)，需要計(jì)算風(fēng)電短期間的閃變水平值。

收到重構(gòu)信號(hào)后的安全評(píng)估與預(yù)警模塊會(huì)把經(jīng)過安全評(píng)估的信號(hào)傳遞給暫態(tài)穩(wěn)定分析模塊和動(dòng)態(tài)穩(wěn)定分析模塊。

基于該風(fēng)電場全局的實(shí)時(shí)運(yùn)行模型，對(duì)電網(wǎng)運(yùn)行的安全和經(jīng)濟(jì)水平進(jìn)行實(shí)時(shí)的評(píng)估，識(shí)別出電網(wǎng)運(yùn)行的安全狀態(tài)。如果電網(wǎng)處于緊急狀態(tài)，則自動(dòng)對(duì)電網(wǎng)進(jìn)行校正控制，若電網(wǎng)處于正常不安全狀態(tài)，則自動(dòng)給出對(duì)電網(wǎng)的預(yù)防控制方案。

2.3 暫態(tài)穩(wěn)定分析模塊

暫態(tài)穩(wěn)定分析模塊可以等效為一個(gè)聯(lián)合控制系統(tǒng)[13]：暫態(tài)SVC與槳距角聯(lián)合控制[14]，提高風(fēng)電運(yùn)行的暫態(tài)穩(wěn)定性，這是間接地對(duì)無功電壓的控制。它是利用風(fēng)電場安全評(píng)估與預(yù)警模塊中的評(píng)估結(jié)果，對(duì)風(fēng)電場的電壓和無功進(jìn)行調(diào)節(jié)控制，降低網(wǎng)損，提高電壓穩(wěn)定域度。

2.4 動(dòng)態(tài)穩(wěn)定分析模塊

動(dòng)態(tài)穩(wěn)定分析模塊也可以等效為一個(gè)聯(lián)合控制系統(tǒng)：頻率偏差信號(hào)引入槳距角的控制系統(tǒng)[15]，提高風(fēng)電運(yùn)行的動(dòng)態(tài)穩(wěn)定性，這是間接地對(duì)有功頻率的優(yōu)化控制。

2.5 操作控制平臺(tái)

總控制平臺(tái)主要是各種信息的交匯處，后臺(tái)計(jì)算子系統(tǒng)和系統(tǒng)前臺(tái)服務(wù)與顯示，所見即所得，接受暫態(tài)穩(wěn)定分析模塊和動(dòng)態(tài)穩(wěn)定分析模塊的信號(hào)，類似于SCADA系統(tǒng)或者EMS能量管理系統(tǒng)[16]。處理后的信號(hào)通過數(shù)據(jù)采集與監(jiān)控系統(tǒng)下發(fā)給風(fēng)電場的執(zhí)行。

[1] 彭懷午，劉方銳，楊曉峰.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)研究[J].華東電力，2009，37（11）:1-4.PENG Huai-wu，LIU Fang-rui，YANG Xiao-feng.Wind power prediction based on neural network in short term[J].East China Electricity，2009，37（11）:1-4（in Chinese）.

[2]劉永前，韓爽，胡永生.風(fēng)電場出力短期預(yù)報(bào)研究綜述[J].現(xiàn)代電力，2007，24（5）:6-11.LIU Yong-qian，HAN Shuang，HU Yong-sheng.The research conclusion on short term forecasting of wind power[J].Modern Electricity， 2007，24（5）:6-11 （in Chinese）.

[3] CIORNEI I，KYRIAKIDES E.Heuristic solution for the nonconvex dispatch of generation in power systems with high wind power share[C].Power and Energy Society General Meeting，2009:1-7.

[4]WANG L F，SINGH C.Trade off between risk and cost in economic dispatch incl uding wind power penetration using particle swarm optimization[C].International Conference on Power System Technology，2006.

[5] 楊秀媛，肖洋，陳樹勇.風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.YANG Xiu-yuan，XIAO Yang，CHEN Shu-yong.Prediction research on wind speed and wind power on wind farm[J].Proceedings of the CSEE，2005，25（11）：1-5（in Chinese）.

[6] 杜穎，盧繼平，李青，等.基于最小二乘支持向量機(jī)的風(fēng)電場短期風(fēng)速預(yù)測(cè)[J].電網(wǎng)技術(shù)，2008，32（15）：62-66.DU Ying，LU Ji-ping，LI Qing，et al.Short term wind speed predicition based on ls-svm in wind farm[J].Grid Technology，2008，32（15）：62-66（in Chinese）.

[7]ERASMO CADENAS，WILFRIDO RIVERA.Short term wind speed forecasting in La Venta，Oaxaca，Mexico，using artificial neural networks[J].Renewable Energy，2009，34（1）：274-277.

[8] 潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場風(fēng)速預(yù)測(cè)優(yōu)化模型[J].電網(wǎng)技術(shù)，2008，32（7）：82-86.PAN Di-fu，LIU Hui，LI Yan-fei.Wind speed forecasting optimization model based on time series analysis and Kalman filtering in wind farm[J].Grid Technology，2008，32（7）:82-86（in Chinese）.

[9] 寇興魁.酒泉風(fēng)電脫網(wǎng)事故原因及應(yīng)對(duì)措施[J].上海電力學(xué)院學(xué)報(bào)，2011，27（4）：323-326.KOU Xing-kui.The reasons and measures to accidents of wind power off grid in Jiuquan[J].Transaction of College of Shanghai Electricity，2011，27（4）:323-326（in Chinese）.

[10]吳國，肖洋，翁莎莎.風(fēng)電場短期風(fēng)速預(yù)測(cè)探討[J].吉林電力，2005（12）：21-24.WU Guo，XIAO Yang，WENG Sha-sha.Discussion on short term wind speed prediction in wind farm[J].Jilin Electricity，2005（12）:21-24（in Chinese）.

[11]BERNHARD L，KURT R，BERNHARD E，et al.Wind power prediction in Germany—recent advances and future chal2 lenges[C].European Wind Energy Conference，Athens，2006.

[12]韓爽，楊勇平，劉永前，等．風(fēng)電場功率短期預(yù)測(cè)方法研究[M].北京:華北電力大學(xué)，2008.

[13]薛峰，?？担魧幉?大規(guī)模間歇式能源發(fā)電并網(wǎng)集群協(xié)調(diào)控制框架[J].電力系統(tǒng)自動(dòng)化，2011，35（22）：45-53.XUE Feng，CHANG Kang，WANG Ning-bo.Large-scale intermittent energy generation and network cluster coordinated control framework[J].Automation of Electric Power System，2011，35（22）:45-53（in Chinese）.

[14]遲永寧，關(guān)宏亮，王偉勝，等.SVC與槳距角控制改善異步機(jī)風(fēng)電場暫態(tài)電壓穩(wěn)定性[J]．電力系統(tǒng)自動(dòng)化，2007，31（3），95-100.CHI Yong-ning，GUAN Hong-liang，WANG Wei-sheng，et al.SVC and the pitch angle control to improve the asynchronous machine wind electric field transient voltage stability[J].Automation of Electric Power System，2007，31（3），95-100（in Chinese）.

[15]雷亞洲.與風(fēng)電并網(wǎng)相關(guān)的研究課題[J].電力系統(tǒng)自動(dòng)化，2003，27（8）:84-89.LEI Ya-zhou.Research topics relate to wind power grid[J].Automation of Electric Power System，2003，27（8）:84-89（in Chinese）.

[16]魏磊，張琳，姜寧，等.包含風(fēng)電的電力系統(tǒng)調(diào)峰能力計(jì)算方法探討[J].電網(wǎng)與清潔能源，2010，36（8）:59-63.WEI Lei，ZHANG Lin，JIANG Ning，et al.Discussion on computing methods for peak load regulation ability of power system connected with large-scale wind farms[J].Power System and Clean Energy，2010，36（8）:59-63（in Chinese）.