A WIND-POWER FORECAST SYSTEM BASED ON THE METEOROLOGICAL NUMERICAL MODEL

基于高分辨率中尺度气象模式,利用卡尔曼滤波订正技术和经验统计规律订正技术,通过动态加入实时观测资料对数值模式预报风速进行滚动订正,建立基于气象数值模式的风电功率预测系统,开展风电场未来72h风速及风电功率预测.利用该系统在上海崇明风电场进行为期两个月的预报试验,结果表明:数值模式预报风速与观测值之间的误差随着预报时效增长逐渐加大,并在不同时段模式的系统误差分布规律也有所差别,模式预报风速与误差之间有一定的统计关系.经过滚动订正预报模型订正后,预报发电量误差比模式本身预报发电量误差明显减小,风速及发电功率预报质量明显提高.     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。     

基于WRF模式和风速误差修正的中期风电功率预测方法

随着新能源保供电的重要性日渐凸显,调度人员对中期风电功率预测的需求程度也进一步加深。针对由预测前瞻时间增长导致的风速预测误差不断增大问题,提出一种基于中尺度数值天气预报模式（WRF）和风速误差修正的中期风电功率预测方法。首先,利用WRF模式获取高时空分辨率的数值天气预报数据;然后,采用混合高斯分布算法量化表征预测误差的时序规律,构建基于隐马尔科夫模型（HMM）的风速预测误差修正方法;最后,基于误差修正后的风速预测建立极端梯度增强（XGBoost）模型进行功率预测。算例分析表明,所提误差修正算法显著提升了风速预测精度,同时可有效降低中期风电功率预测误差。     

基于卡尔曼滤波修正的多步风电功率预测

针对传统时间序列预测多步风速时不能预测突变风速使风电功率预测误差较大的问题,采用基于数值天气预报(numerical weather prediction,NWP)风速及历史风速修正的卡尔曼滤波法对NWP风速进行多步修正,并通过修正后的NWP风速进行多步功率预测,第16步风速平均绝对误差降低了0.47 m/s,将该修正NWP风速与支持向量回归相结合,构建风电功率预测模型。构建模型与ARIMA模型及NWP直接预测模型相比,误差分别降低了6.8%和8.4%。应用该模型对山东某地区风电场现场数据进行仿真测试,第16步预测准确率达到82.6%。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

联合气象驱动生成和风速修正辅助的风电功率日前预测

随着风电渗透率的不断提高,准确预测风电功率对于构建高比例新能源的新型电力系统具有重要意义。针对该问题,文章提出一种联合气象驱动生成和风速修正辅助的风电功率日前预测方法,通过分析不同类型风电出力的气象特征,以气象特征作为驱动条件设计生成对抗网络,通过修正的数值天气预报(numericalweather prediction,NWP)信息指导风电功率的生成,根据以修正风速计算的参考功率和历史风电出力的连续性从多组生成风电功率中确定最终预测功率。使用实际风电场数据对所提出的方法进行了测试,并与几种典型的预测方法进行对比验证,结果表明该方法具有更高的准确度。     

风电功率预测预报系统应用效果的检验与评价

客观检验与评价风电功率预测预报系统对有效改进预测方法意义重大。基于该系统2011年7月～2012年4月在湖北省九宫山风电场和新疆乌兰达布森风电场的运行资料,根据相关技术规程对系统中多种短期和超短期预报方法效果进行了检验与评价。结果表明,该系统在南北方均具有使用价值,应结合不同区域风电场的气候背景进行测风数据的补缺、订正,校正数值天气预报数据和优化预测模型,以提高系统预测精度和效果。     

酒泉地区风电场风电功率预报研究

利用NOAA天气预报模式Weather Research andForecasting Model(WRF)结合统计订正方法对酒泉地区短期风电功率预报进行了预报实验。与实际出力比较24 h短期风电功率预报精度较高。并在此基础上利用风电场附近测风塔观测数据通过时间序列发进行了0~4 h超短期预报实验,预报结果显示0~2 h预报结果有利于运行调度。