山地风电场风速和发电功率预测研究

山地风电场风速和发电功率预测研究

郑建锋

华电（浙江）新能源有限公司，浙江杭州  310000

摘要：随着电力系统相应技术的开发以及配套产业的持续进步，当前山地风电开发已经成为各国在进行能源投资与发展过程中的全新热点。但是由于海洋规划区域这一条件的限制，导致山地风电场无论是在规划或者是选址过程中相对较为集中，对电网接纳能力也带来了极大的挑战，针对山地风电场的不可控性和无功特性的复杂特点进行发电预测，也使其成为风电研究中的重点内容之一。

关键词：山地；风电场风速；发电功率

引言：风能一直以来都是绿色能源之一，近几年随着风力发电的成本不断下降，风力发电也已经成为当下社会中极为重要的发电方式之一，但是由于受到了温度，温度，气压，地形，地理位置等诸多不同因素的影响，这也导致风力发电过程中稳定性相对较差。特别是在山地风力发电过程中，由于其受到的影响因素较多，一旦无法保证其稳定性，就会导致电能质量以及电力系统在运行时的运行效果无法得到提升，甚至给电网带来过大的冲击，本文的主要目的就是分析山地风电场如何的风功率预测以及风速预测。

一、山地风电场风速预测方式

1.人工神经网络法

当前山地风电厂在进行风速预测的过程中，常见的方法包括以下几种：第一，人工神经网络法，人工神经网络是由大量一些简单的处理元件，通过拓扑结构进行有效的连接选择，这种方式能够快速地对多种不同的问题进行处理。在处理复杂问题时，处理质量相对较好，利用人工神经网络能够有效地对风速进行预测，结合天气预报模型，通过利用神经网络可以分析不同地区及天气预报模型，所给予的温度，压力，风速以及风电机在进行信息采集，更好的预测山地风电厂的风速，但是选择人工神经网络进行预测时能发现由于山地风电场中每一台风力发电机周围的风速在进行数据输入和选取时，存在网络结构不易确定这一问题，加之神经网络在进行连接以及计算时所选择的方式存在一定区别，这也导致人工神经网络在进行使用和预测过程中，其质量无法做到稳定的保持，导致其存在一定的误差。为了减少人工神经网络在风速预测中所存在的问题，需要将实际功率的数据作为输入数据之一能够提高预测的精准度，同时也能够让神经网络预测的质量和效果得以提升，满足当前山地风电场对风速预测的实际要求。

2.时间序列法

时间序列法也是当前常用来进行山地风电场风速预测中的方式之一，选择时间序列法可以通过随机时间序列法，混沌时间序列法以及滚动时间序列法三种不同的时间序列方式进行风速的预测，其中选择随机时间序列法其是利用大量的历史数据构建一个独特的数学模型，通过该数学模型也能够更好的推测出在进行预测时的预测方式以及预测的内容，以此来达到在预测过程中与本次预报的实际目的。选择随机时间序列法进行预报时，优点在于序列本身具有极强的持续性以及自相关性，其可以为后续的建模发展提供良好的信息，只需要有限的序列样本就可以构建随机时间序列的模型。但是选择随机时间序列法在进行模型构建时也能发现其存在一定的局限性，低阶模型在进行预测时预测的精准度相对较低，而高阶模型在进行预测时，其参数难度则相对较大，选择混沌时间序列法时利用非线性动力学相关理论在短期内对时间进行有效的预测。将风速时间序列与原本的空间结构进行重构，同样可以提高风速在进行预测时的整体预测效果。利用滚动时间序列法时，则需要了解到选择滚动时间序列法时，需要利用其对传统的时间序列法进行有效的改进明确建模思路，在进行模型使用过程中可以利用超前多步预测进行计算，得到迭代时刻的预测之后，利用该预测值对整个模型参数进行重估，进而得出属于该模型的最佳的预测方式，在进行t+1时刻的预测计算时，通过t+1时刻的预测计算进行大量的分析，能发现选择滚动式时间序列法，相比于随机时间序列法和混沌时间序列法而言，其精准度更高，同时能够解决延时问题，并且具有建模简单、能够获得预测显示方程等等一系列的优点，这也使得时间序列法的使用效果得以提升。当前时间序列法在不断的衍生，可以利用emd短期风速多步预测法以及ls-svm的短期风速预测法进行山地风电场的风速预测，其均可以提高在进行风速预测时的整体效果。

3.混合算法

在进行山地风电与风速测试时，当下还可以利用混合运算的方式进行风速的测量，将时间序列和卡尔曼滤波混合算法进行融合，能够利用时间序列建立一个反映出当前信号变化规律的低阶模型，通过该模型快速地推导出卡尔曼滤波预测的递进方式，进而实现对信号的有效预测，能够弥补顺序在进行使用过程中所存在的一系列不足，同时也可以提高实训模型在使用时本身的精准程度，而将时间序列法与人工神经网络混合法进行运算，利用时间序列进行建模，同样也可以对山地风电场的风速进行有效的预测，并且得到分数相关的基本参数，将这些参数作为神经网络输入中的重要变量，运用该方法进行风速预测时，应明确其平均误差在22%左右，即优于传统的时间序列法混合，混合算法的质量在这一阶段也能够得到明显的提升。

二、山地风电场发电功率预测方式

1.物理方法

在进行山地风电场功率预测过程中，其功率预测主要分为两种方法，第一种为物理方法，第二种为统计方法。物理方法是结合山地风电厂周边的物理信息，利用物理模型对风电场功率进行有效预测，而统计方法则是将大量的数据进行收集统计，找出其规律所在，流程如图1。通过建立数学模型对山地风电场功率进行有效预测，在实际应用过程中也可以将物理方法与统计方法进行结合，开展组合预测法，以此提高山地风电场风功率预测的整体效果。在选择物理方法时，通过气象预报系统得到相关的气象数据，然后将其与山地风电场周围的物理状态相结合，利用相应程序进行计算，能够计算得出风电机组的相关气象信息，最后利用功率曲线进行输出功率的选择。在选择物理方法时应明确物理方法的实质就是不断地缩小数值气象预报的预测范围，并且对其进行更加精准地预测，在实际预测过程中需要大量的历史数据，在进行山地风电场的建设时，由于建设质量也相对较差、面对地形相对较复杂的风电厂，其预测效果会在这一阶段不断地下降。为此，选择物理方法，如果对山地风电场的气象知识或是物理特性了解得不够透彻、不够熟悉，则无法达到最佳的预测效果以及预测精度。

图1 物理方法流程图

2.统计方法

在利用统计方法时，需要明确统计方法，应忽略物理条件本身对于山地风电场风功率预测所带来的影响，需要建立数据库，确保数据的真实性，准确性，流程如图2.同时找出风速，风向等因素与输出功率之间的对应关系，进行模型的构建，运用实时的数据进行功率的预测，其中常见的统计方法可以简单地将其分为线性方法和非线性方法，在整个统计方法的预测过程中，最为常用的两种方法就是时间序列法以及神经网络法。在利用时间序列法进行统计方法的进行数据统计时，能发现该方法在预测方面已经相对较为成熟，由于时间序列法具有大量的数据，能够很好地对所有数据进行处理，也是风电功率在预测过程中的常见方式之一。神经网络法由于其具有计算速度快、能够自主学习等优点，成为风电功率预测过程中常见的方式。

图2 统计方法流程图

结语

综上所述，近几年我国针对山地风电场的风功率预测以及风速预测已经具有相对较为完善的预测系统，同时对山地风电场的风速和风电功率在进行不断的探究。但是由于其规律性相对较弱，并且容易受到自然环境本身所带来的影响，当前运算精度并没有达到一个纯粹的理想状态，在进行预测方法的选择上需要不断地分析才能够确保山地风电场在进行预测和使用时，使用质量得以提升。

参考文献

[1]马建波,王朝晖.面向碳中和的区域供冷系统和海上风电的协同规划分析[J/OL].中国电机工程学报:1-13[2023-09-16].

[2]田书欣,韩雪,符杨等.计及海上风电不确定性的输电网两阶段鲁棒扩展规划[J/OL].上海交通大学学报:1-14[2023-09-16].