分散式风电功率预测系统构建

周颖+付杰+吴军

摘要：对风场的风速和发电功率进行比较准确地预测，可有效减轻风电对整个电网的影响。基于统计方法构建分散式风电功率预测系统，利用数据采集、短期功率预测、信息上报等功能，为电力系统可靠、优质、经济运行提供预测方法。

关键词：功率预测；运行方式；调度计划；分散式

中图分类号：TM61 文献标识码：A 文章编号：1674-1161（2017）07-0045-03

国家能源局下发《风电厂功率预测预报管理暂行办法》，要求我国所有已并网运行的风电厂必须建立风电预测预报体系和发电计划申报工作机制，未按要求报送风电预测预报结果的风电厂不得运行并网。风电功率预测的目的是提高风电场发电效率，配合电网公司调度需求，满足电网并网技术标准发展要求。

分散式发电机组只有满足一些技术约束条件，并对其接入系统的容量、设施进行合理规划和设计，才能发挥应有作用。针对分散式电源并网对电力系统的不良影响，研究分散式风电功率预测系统，具有重要的理论意义和应用价值。

1 基于统计方法的分散式风电预测

进行风电输出功率预测时，可以直接预测功率，也可以先预测风速值，然后根据风速与风电场输出功率统计模型得到输出功率预测值。基于历史数据的风电输出功率/风速预测方法，根据历史数据进行预测，在若干个历史数据（包括功率、风速、风向等参数）和风电输出功率/风速之间建立一种映射关系。

1.1 单一预测方法

根据风电场实际状况，采用基于混沌时间序列的风功率预测方法。采集风电场输出功率时间序列P=﹛p1，p2，……，pN﹜，该序列的时间间隔为t，按时间间隔对时间序列P进行重构：

预测流程如图1所示。

现场测风塔的多数传感器已经损坏，但有光纤通讯。因此，拟用风机自身现有历史数据与实时功率数据进行订正，应用混沌时间序列的风功率预测技术解决此问题。

风是由地表热力性质差异，受气压梯度力、地转偏向力、大气稳定性、地形地貌、粘滞力等影响的开源的大气流动现象。通常认为，来流风为牛顿型流体，牛顿粘性定律成立，利用纳维-斯托克斯方程进行空气流动描述。

进行功率特性评估时，应收集足够数量的高质量数据，才能精确地确定风力发电机组的功率输出特性。数据包括风速、风向、温度、湿度等外界条件参数及功率输出等风电机组运行状态参数，要求风电机组正常运行的小时数远远大于180 h，采集频率为10 min。

1.2 组合预测方法

为提高预测精度，提出组合预测思想，即将几种预测模型的预测结果选取适当权重进行加权平均，得到最终预测结果。研究表明，2种或2种以上的单项预测可以组合出优于单个单项的预测效果，即能提高预测精度。国内外研究者对此进行了大量研究，提出时间序列和神经网络相结合、时间序列和卡尔曼滤波相结合、空间相关法和神经网络相结合等风速组合预测方法。此外，相关研究表明，对风速或功率原始序列进行预处理也是提高预测精度的有效方法。

基于历史数据的风电场输出功率预测已取得一定成果，一般非线性方法优于线性方法，而组合预测方法一般优于单个预测方法。然而，基于历史数据的预测方法受精度限制，预测时间一般不会太长（6 h以内）。

2 分散式风电预测系统构成

2.1 总体功能

2.1.1 数据采集功能指标 分散式风电功率预测系统运行需要的数据包括数值天气预报数据（数值天气预报数据来自国内权威气象部门）、实时测风塔数据（来自实际测风塔的数据）、风电场实时输出功率数据、风电机组运行状态数据等。系统能够完成全部数据的自动采集，也可通过手动方式录入，其中数值天气预报数据为自动定时获取。

2.1.2 短期功率预测功能指标 可实现风电场未来0～72 h功率变化曲线预测，时间分辨率为15 min。短期预测月均方根误差率小于20%。

2.1.3 超短期功率预测功能指标 可实现风电场未来0～4 h功率变化曲线的预测，时间分辨率为15 min，每15 min滚动执行1次。超短期预测第4 h预测值月均方根误差率小于15%。

2.1.4 信息上報功能指标 可按照网/省调技术要求，实现标准格式的短期功率预测、超短期功率预测、测风塔实时监测、风机检修容量、风电场装机容量、投运容量、最大功率等信息上报。

其中，短期功率预测结果以次日96点功率曲线形式每日上报（按照调度要求），超短期功率预测每15 min上报1次，测风塔实时监测数据每5 min上报1次，风电场风机检修容量、装机容量、投运容量、最大功率等信息作为短期功率预测上报数据统一以文件格式上报。

2.2 系统架构

分散式风电功率预测系统总体构架见图2。

根据调度部门的要求，从预测数据库中获得未来0～24 h，0～48 h，0～72 h的短期风功率预测数据，同时提取0～168 h的中长期风功率预测曲线；每15 min上报一次未来4 h超短期预测曲线，时间分辨率不小于15 min。

2.3 预测整体流程

系统预测的整体流程见图3。

2.4 硬件接线

分散式预测系统硬件接线图如图4所示。

其中，安全I区的风电场监控系统把实时功率等运行数据通过防火墙送至安全II区的功率预测系统。数据采集服务器采集测风塔数据和数值天气预报数据后，通过反向隔离装置送至安全II区的风功率预测系统。风电功率预测系统通过纵向加密装置和路由器把数据送至调度II区。Web服务器、数据服务器和应用服务器按逻辑功能划分，放置在一台硬件服务器上。

3 结语

分散式风电位于用电负荷中心附近，就近接入配电网后，风电的间歇性、波动性给配电网的安全、稳定运行带来严峻挑战。若能对风场的风速和发电功率做出比较准确的预测，可有效减轻风电对整个电网的影响。风电功率预测有助于电网调度部门制定合理的运行方案，从而保证电力系统可靠、优质、经济运行。

参考文献

[1] 林春洋.风电功率预测问题[J].科技与企业，2015（1）：233.

[2] 王勃，冯双磊，刘纯.考虑预报风速与功率曲线因素的风电功率预测不确定性估计[J].电网技术，2014（2）：463-468.

[3] 周松林.风电功率预测及微电网概率潮流分析[D].合肥：合肥工业大学，2013.

[4] 刘波.短期风电功率预测方法研究[D].南京：南京信息工程大学，2015.

Abstract： Precise prediction of wind speed and generated power of wind field can effectively reduce the effect of wind power on the whole power grid. This paper constructed the distributed wind power forecast system based on statistical method， and by means of the functions such as data collection， power prediction in short period and information reporting it provided the prediction method for reliable， high quality and economic operation of power system.

Key words： power prediction； operating mode； operation plan； distributedendprint