甘肃酒泉风电基地风电预测预报阶段性研究
酒泉地区风电场总装机容量将达到12710MW ,其中,安西地区6400MW ,玉门地区2310MW ,马鬃山地区4000MW [1]。
风电的大量接入给甘肃电网的有功功率调节质量和调峰能力带来越来越大的影响,如何根据风力发电输出功率情况对电网内的常规机组的运行进行合理调配是甘肃电网急需解决的问题。对风电场输出功率进行预测且把风电功率纳入电网的调度计划是保证电网稳定经济运行的重要措施之一。风电功率预测将成为电力系统不可或缺的组成部分,对于调度安排系统的发电计划、保证电力系统的安全稳定运行、降低备用容量和运行成本以及对电力市场进行有效的管理等都具有重要意义[2]。甘肃省电力公司积极应对大规模风电并网带来的挑战,与中国电力科学研究院合作研究建立适合酒泉风电基地的风电预测预报系统[3]。
本文根据风电预测预报系统阶段性建设研究的收稿日期:2010-06-22
15min 间隔的负荷曲线及电源的开机状态,甘肃电
网调度中心根据以上数据确定各水电厂、火电厂以及省(区)间联络线的第2天96点曲线。根据风电预测预报系统的工作原理及甘肃电网的具体情况,甘肃电网风电功率预测系统的时间参数要求应为:每天14:00预测次日00:00—24:00风电输出功率;时间分辨率为15min 。
1.2空间要求
区域风电功率总和对确定常规电源的出力曲线
及联络线交换功率具有很大的作用,因此,需要预测整个区域的风电功率;在电网调度时,将一个风电场看作一个整体进行调度,不需要对每台风电机组的功率进行预测,只需要预测整个风电场的功率。甘肃电网风电功率预测系统的空间参数要求为:在预测每个风电场的风电功率基础上预测甘肃全省的风电功率。
风电功率预测系统的模型开发需要大量的历史数据,甘肃省满足条件的风电场有洁源三十里井子、
基金项目:甘肃省科技计划资助项目(1002GKDA009;1009GTGA024)
:王建东(1983—),男,山东莱州人,硕士,工程师,从事可再生能源并网技术和政策的研究。E -mail :[email protected]
第10期王建东等:甘肃酒泉风电基地风电预测预报阶段性研究
新能源
洁源玉门、洁源向阳和中电投安西。因此,系统运行初期仅对这4个风电场的功率进行预测。
2风电功率预测模型
不同的风电功率预测模型采用了不同的预测方
法。考虑到风电场周围环境地形及粗糙度等信息,采用物理方程进行预测的方法为物理方法;根据历史数据进行统计分析,找出其内在规律并用于预测的方法为统计方法。如果物理方法和统计方法都采用则称之为综合方法[4-6]。
风电功率预测的物理方法,根据数值天气预报系统的预测结果得到风速、风向、气压及气温等天气数据,然后根据风电场周围等高线、粗糙度、障碍物及温度分层等信息,采用微观气象学理论或计算流体力学的方法,计算得到风电机组轮毂高度的风速、风向、气温及气压等信息,之后根据风电场的功率曲线计算得到风电场的输出功率。
风电场输出功率预测统计方法不考虑风速变化的物理过程,而是根据历史统计数据找出天气状况与风电场出力的关系,然后根据实测数据和数值天气预报数据对风电场输出功率进行预测,常用的预测方法有时间序列法、BP (误差反向传播)神经网络方法、径向基函数神经网络和支持向量机等。
物理方法和统计方法各有优缺点。物理方法不需要大量的测量数据,但要求对大气的物理特性及风电场特性有准确的数学描述,这些方程求解困难,计算量大,计算时间较长;统计方法不需要求解物理方程,计算速度快,但需要大量历史数据,采用智能方法从数据中学习,得到气象参数与风电场输出功率的关系。酒泉地区风电场具有完备的SCADA (数据监控与采集)数据,可满足风电功率预测的需要。
本项目采用的具体技术方案为:利用数值天气预报、风电场历史测风数据、风电场输出功率历史数据、风电场所处区域的地形地貌和风机运行状态等数据,通过统计方法或物理与统计相结合的方法建立各风电场的预测模型,然后以数值天气预报数据作为模型的输入,预测各风电场和全省次日风电出力。
根据分析研究,对洁源向阳和中电投安西风电场的预测,采用统计方法建立风电功率预测模型;对洁源三十里井子和洁源玉门的预测,采用物理模型和统计模型相结合的混合方法建立风电功率预测模型。
3预测系统软件开发
风电功率预测系统的模块划分及软件结构如图
1所示。各软件模块具有如下功能[7]。
(1)预测系统数据库:预测系统的数据中心,各
图1风电功率预测系统软件结构
Fig. 1Software structure for wind power forecasting
软件模块均通过系统数据库完成数据的交互。系统数据库存储来自数值天气预报处理模块的数值天气预报数据、预测程序产生的预测结果数据和EMS (能量管理系统)接口程序产生的实发风电功率数据等。
(2)数值天气预报处理模块:从数值天气预报服务商的服务器下载数值天气预报数据,经过处理后形成各预测风电场预测时段的数值天气预报数据送入预测系统数据库。
(3)预测模块:从系统数据库中取出数值天气预报数据,预测模型计算出风电场的预测结果,并将预测结果送回系统数据库。
(4)EMS 系统接口模块:将各风电场的实时功率数据传送到系统数据库中,同时将预测结果从系统数据库上取出,发送给EMS 系统。
(5)图形用户界面模块:与用户交互,完成数据及曲线显示、系统管理及维护等功能。
目前该风电预测预报软件虽然接收EMS 系统发出的实测风电功率信息,但是由于研究开展不久,尚未将该实测信息作为预测预报模型的输入信息。换言之,目前的风电预测预报仅仅是基于数值天气预报的开环预报,尚未形成实测信息对预测信息的反馈。
4
初步研究结果分析
4.1
准确度分析
描述风电预测预报准确度的指标主要有4个。(1)相关性系数:风电预测功率与实际测功率的
相关性系数,其取值范围为[-1,1],越接近于1表明预测功率与实际功率的相关性越大,其计算公式如下:
Σn
Σ
(P M i
-M )(P p i -p )Σ
r =
i =1姨Σ
(1)
(P M i -M
)
2
i =1
Σ(P
p i
-p )
2
i =1
式中:P M i 为i 时刻的实际功率;P p i 为i 时刻的预测功率;M
为所有样本实际功率的平均值;p 为所有样
本预测功率的平均值;n 为所有样本个数。
中国电力第43卷
(2)平均绝对误差:风电预测误差绝对值的平均值,其计算公式为:
Σ
n
P M i -P p i 电场的误差,其误差小于20%点所占比例为
70.8%,从中可知风电的地理分散效应能够显著降
低风电功率总体误差。《风电功率预测系统技术规
第10期王建东等:甘肃酒泉风电基地风电预测预报阶段性研究
新能源
由图3可知,相关性系数与误差小于20%点所占比例基本没有没任何关系,二者几乎是相互独立的;由图4可知,平均绝对误差与误差小于20%点所占比例关联性较强,相关性系数为0.945;由图5可知,均方根误差与误差小于20%点所占比例关联性也较强,相关性系数为0.925。因此可以推断,平均绝对误差、均方根误差与误差小于20%点所占比例三者之间的关联性较强,而它们与相关性系数几乎没有任何关系。
因此,对于本系统来说,提高预测准确性最主要的方法是降低平均误差(平均绝对误差和均方根误差)而不是提高相关性系数。其具体原因需要进一步研究。
后面的研究工作会逐步使用实测数据(风电功率和测风塔测风数据)训练预测模型并校验预测结果,实现闭环预测预报。
WANG Ning -bo. Challenges and countermeasures of Jiuquan 10million kilowatts wind power base in Gansu [J ]. Power System and Clean Energy, 2009, 25(7):43-47.
[2]DRAGOON K, KIRBY B, MILLIGAN M. Do wind forecasts make
good generation schedules? [C ]//NRELTechnical Conference:NREL/CP-500-43507.Houston,Texas ,USA ,2008:2-3.
[3]马彦宏,汪宁渤,刘福潮, 等. 甘肃酒泉风电基地风电预测预报系
统[J ]. 电力系统自动化, 2009, 33(16):88-90.
MA Yan -hong, WANG Ning -bo, LIU Fu -chao, et al . A wind power forecast system for Jiuquan wind power base in Gansu province [J ]. Automation of Electric Power Systems, 2009, 33(16):88-90.
[4]GIEBEL G. The State -of -the -art in short -term prediction of wind power :
a literature overview (deliverable reportD1.1)[R ]. Copenhagen, Danmark:Europe ANEMOS , 2006.
[5]LANDBERG L, GIEBEL G. Short -term prediction:an overview [J ].
Wind Energy, 2003, 6(3):273-280.
[6]GIEBEL G, LANDBERG L, KARINIOTAKIS G, et al . State -of -the -art
5结语
为解决甘肃酒泉千万千瓦级风电基地的调度运
on methods and software tools for short -term prediction of wind energy production [C ]//Proc. of the 2003European Wind Energy Association Conference. Madrid, Spain, 2003:1-8. [7]范高峰,王伟胜,刘
纯. 基于人工神经网络的风电功率短期预
测系统[J ]. 电网技术,2008,32(22):72-76.
行问题,风电预测预报系统的建设成为当前的重点。酒泉风电基地预测预报系统尚处于阶段性建设研究,对于该系统来说,提高预测准确性的关键是降低平均误差(平均绝对误差和均方根误差)而不是提高相关性系数。后续的研究工作会逐步使用实测数据训练预测模型并校验预测结果,实现精确预测预报。以上工作将为研究的进一步深入乃至风电预测预报系统的实用化工作打下坚实的基础。
FAN G ao -feng, WANG Wei -sheng, LIU Chun. Artificial neural network based wind power short term prediction system [J ]. Power System Technology, 2008, 32(22):72-76.
[8]风电功率预测系统技术规范(征求意见稿)[S ]. 北京:国家电网
公司,2009.
Technical specification for wind power forecasting system (exposure draft )[S ]. Beijing:SGCC, 2009.
[9]NIELSEN T S, JOHNSON A K, MADSEN H, et al . A new reference for
参考文献:
[1]汪宁渤. 甘肃酒泉千万千瓦风电基地面临的挑战及应对措施
[J ]. 电网与清洁能源,2009, 25(7):43-47.
wind power forecasting [J ]. Wind Energy, 1998, 1(1):29-34.
(责任编辑李新捷)
Interim study on a wind power forecasting system for Gansu Jiuquan wind power base
WANG Jian -dong ,WANG Ning -bo ,HE Shi -en, LIU Guang -tu ,MA Yan -hong ,ZHAO Long
(Wind Power Center of Gansu Electric Power Corporation, Lanzhou 730050, China )
Abstract:In order to solve the issues of integrating wind power of 10GW from Jiuquan district into Gansu power system, the establishment of a wind power forecasting system becomes the essential works. The research progress of the wind power forecasting system which was still in the interim stage, and its operation were introduced. The discussion on preliminary forecasting results indicated that the prediction accuracy was pretty good because of the wind farms ’distinct decentralization on geography, despite the fact that the error rate of a single wind farm prediction was high. Nevertheless, the forecast results were still in need of improvement to meet the requirement of “proportion of values with error rates below 20%must be more than 80%”. Moreover, the correlation coefficients, involving the averaged absolute error, MSR error and proportion of values with errors rate below 20%,are with strong correlativity, but the correlation coefficients of the predicted and measured power are almost nothing. The direction in which the research should be oriented was also proposed. Key words:wind power; wind power forecasting; forecasting error; numerical weather prediction (NWP )