【摘要】風(fēng)力發(fā)電的電力生產(chǎn)依賴于風(fēng)力,這是一種波動不可控制的能源。為了將其整合到國家電力網(wǎng)絡(luò)中,有必要預(yù)測其產(chǎn)生時間甚至是未來的幾天。本文對兩種風(fēng)電預(yù)測方法進(jìn)行了研究和比較。第一種是基于人工神經(jīng)網(wǎng)絡(luò)。這種方法在所有我國輸電系統(tǒng)運營商中都在使用。第二種方法是結(jié)合最近鄰搜索和優(yōu)化算法來估計最優(yōu)輸入數(shù)據(jù)。
【關(guān)鍵詞】風(fēng)力發(fā)電? 神經(jīng)網(wǎng)絡(luò)? 最優(yōu)輸入數(shù)據(jù)
一、背景介紹
未來引入風(fēng)力發(fā)電會在許多國家的電力供應(yīng)中發(fā)揮重要作用。在中國,它目前占電力供應(yīng)的2,7%。到2020年,風(fēng)力發(fā)電的份額將增加到5%左右,風(fēng)電裝機(jī)容量將超過最小負(fù)荷。 風(fēng)是一種波動且不可控制的動力源。因此,為了將大量風(fēng)力發(fā)電整合到電力供應(yīng)系統(tǒng)中,有必要可靠地預(yù)測未來幾個小時甚至到幾天內(nèi)風(fēng)力渦輪機(jī)產(chǎn)生的電力情況。對于發(fā)電廠調(diào)度和電力交易,“提前一天”的預(yù)測尤為重要。
二、風(fēng)電預(yù)測
風(fēng)電預(yù)測主要有兩種不同的方法。一種方法是利用風(fēng)力發(fā)電場的物理模型,通過天氣數(shù)值預(yù)測模型來確定氣象數(shù)據(jù)與風(fēng)力發(fā)電場的功率輸出之間的關(guān)系。另一種是數(shù)學(xué)建模方法,例如使用統(tǒng)計方法或神經(jīng)網(wǎng)絡(luò)來找出天氣預(yù)報數(shù)據(jù)與歷史數(shù)據(jù)集的功率輸出之間的關(guān)系。在這里以德國ISET((德國太陽能研究所)開發(fā)的風(fēng)力發(fā)電管理系統(tǒng)WPMS最具代表性,它是一個神經(jīng)網(wǎng)絡(luò)模型。它由所有德國傳輸系統(tǒng)運營商操作使用。對于日前預(yù)報,采用德國氣象局?jǐn)?shù)字天氣預(yù)報系統(tǒng)的氣象預(yù)報數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)的輸入。利用風(fēng)電場實測功率輸出的同步數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,從而根據(jù)天氣預(yù)報數(shù)據(jù)計算出風(fēng)電場的功率輸出。德國約100個代表性風(fēng)電場的數(shù)據(jù)可用于此。
三、改善預(yù)測模型
目前,預(yù)測模型中僅使用當(dāng)?shù)財?shù)據(jù),即有關(guān)風(fēng)電場位置的天氣預(yù)測數(shù)據(jù)。由于參照擴(kuò)展區(qū)域的天氣變化規(guī)律,不同位置的天氣數(shù)據(jù)與風(fēng)電場的功率數(shù)據(jù)之間存在相關(guān)性。這可以解釋為從天氣數(shù)據(jù)的多個點到風(fēng)電場電力數(shù)據(jù)的信息流量形成一個有序的通道。在類似的調(diào)查中,利用其他觀測點的風(fēng)速數(shù)據(jù),可以改善一個地點的風(fēng)速短期預(yù)測(小時)。在本文中,我們探討了利用這些額外的資訊來改善風(fēng)力預(yù)測的可能性。
在通過對風(fēng)電場數(shù)據(jù)采集后,我們收集了一些已用風(fēng)電場的數(shù)據(jù),即額定功率、按額定功率縮放的平均功率、平均輪轂高度hh、轉(zhuǎn)子平均直徑rd和每個風(fēng)電場wf的風(fēng)力渦輪機(jī)數(shù)量nr。在評估我們的預(yù)測方法的性能時,我們使用了標(biāo)準(zhǔn)的誤差測量,并給出了按風(fēng)電場額定功率縮放的結(jié)果。我們對于前10個風(fēng)電場,我們使用了10米高度的2008-09-15至2013-08-11期間的電力數(shù)據(jù)庫。利用這段時間的數(shù)據(jù),我們用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了預(yù)測,并對輸入數(shù)據(jù)進(jìn)行了全局優(yōu)化,即與天氣情況無關(guān)的全局最優(yōu)輸入數(shù)據(jù)。結(jié)果還表明,如果將神經(jīng)網(wǎng)絡(luò)模型輸出平均值(ann,nns)的平均值作為預(yù)測功率,則會出現(xiàn)偏差。然而,并非所有風(fēng)電場都是如此,因為9號風(fēng)電場和10號風(fēng)電場的模型的預(yù)測誤差高于預(yù)測誤差。我們還可以看到,通過使用兩個模型的平均值進(jìn)行功率預(yù)測,可以進(jìn)一步降低誤差。特別是從數(shù)值可以看出,由于模型的模糊性,平均模型輸出的預(yù)測誤差小于兩個單獨模型的誤差值。
四、數(shù)據(jù)優(yōu)化
在接下來,我們對所得數(shù)據(jù)進(jìn)行了局部優(yōu)化,即根據(jù)天氣情況估計的局部最優(yōu)來采集處理數(shù)據(jù)。天氣狀況的分類是根據(jù)風(fēng)力發(fā)電場的數(shù)值天氣預(yù)報數(shù)據(jù)進(jìn)行的,我們預(yù)測了風(fēng)力發(fā)電場的功率。我們確定了全局優(yōu)化和局部優(yōu)化的誤差度量,并與神經(jīng)網(wǎng)絡(luò)模型的誤差進(jìn)行了比較。通過局部優(yōu)化,所有風(fēng)電場的均方根值都小于神經(jīng)網(wǎng)絡(luò)模型的值,也就是9和10風(fēng)電場的均方根值。此外我們還發(fā)現(xiàn),本地風(fēng)電場的偏差值也小于全球風(fēng)電場的偏差值。如果將局部的模型輸出的平均值與全局的平均值進(jìn)行比較,則可以另外減少預(yù)測誤差。然后,我們對所有風(fēng)電場的天氣預(yù)報數(shù)據(jù)值進(jìn)行了額外的降低,這對某些偏差值也有效。
我們最后對所有30個風(fēng)電場在100米風(fēng)速的數(shù)據(jù)進(jìn)行分析,我們使用2008-09-15至2013-08-11期間的數(shù)據(jù),并使用神經(jīng)網(wǎng)絡(luò)模型和最近鄰搜索模型進(jìn)行計算,額外使用100米高度的風(fēng)速值。由于對10個風(fēng)電場的計算結(jié)果,我們切換到了較低的水平。對輸入數(shù)據(jù)進(jìn)行局部優(yōu)化。在這些計算中,我們使用了4個地點(即風(fēng)力發(fā)電場1、4、7和8)的天氣預(yù)報數(shù)據(jù)對所有風(fēng)力發(fā)電場的天氣狀況進(jìn)行分類,因為它們在整個區(qū)域分布良好。如上所述,我們在這里只對輸入數(shù)據(jù)進(jìn)行了局部優(yōu)化。
五、總結(jié)
綜上所述,我們比較了兩種風(fēng)電預(yù)測模型方法,即神經(jīng)網(wǎng)絡(luò)法和最近鄰搜索法,并對輸入數(shù)據(jù)進(jìn)行了優(yōu)化。為了進(jìn)行比較,我們使用了風(fēng)力發(fā)電場相關(guān)的氣象數(shù)據(jù)和電力數(shù)據(jù)。結(jié)果表明,利用最近鄰搜索結(jié)合輸入數(shù)據(jù)的優(yōu)化可以減小預(yù)測誤差。這表明,與僅使用靠近風(fēng)電場的一個點相比,使用數(shù)值天氣預(yù)報模型中更多的天氣預(yù)報點可以提高風(fēng)電預(yù)報。通過使用兩個模型的平均模型輸出(即神經(jīng)網(wǎng)絡(luò)和最近鄰搜索),可以額外減少預(yù)測誤差。
參考文獻(xiàn):
[1]馬彥宏,汪寧渤,劉福潮,等.甘肅酒泉風(fēng)電基地風(fēng)電預(yù)測預(yù)報系統(tǒng)[J].電力系統(tǒng)自動化,2009,(16).
[2]王成福,梁軍,張利,等.基于機(jī)會約束規(guī)劃的風(fēng)電預(yù)測功率分級處理[J].電力系統(tǒng)自動化,2011,(17).
[3]蔡凱,譚倫農(nóng),李春林,等.時間序列與神經(jīng)網(wǎng)絡(luò)法相結(jié)合的短期風(fēng)速預(yù)測[J].電網(wǎng)技術(shù),2008,(8).
作者簡介:郎朗(1983-),男,漢族,重慶市萬州區(qū)人,碩士,重慶三峽職業(yè)學(xué)院講師,主要研究方向:電子信息。