趙川，陳根軍，葉華，祝明樂，吳梟

1.云南電力調(diào)度控制中心，云南 昆明 650011

2.南京南瑞繼保電氣有限公司，江蘇 南京 211102

3.東南大學(xué) 電氣工程學(xué)院，江蘇 南京 210096

?

考慮地形影響的短期風(fēng)電功率預(yù)測

趙川1，陳根軍2，葉華1，祝明樂3，吳梟3

1.云南電力調(diào)度控制中心，云南 昆明 650011

2.南京南瑞繼保電氣有限公司，江蘇 南京 211102

3.東南大學(xué) 電氣工程學(xué)院，江蘇 南京 210096

摘要：風(fēng)資源具有很強的隨機性和間歇性，隨著大量的風(fēng)電功率并網(wǎng)，勢必會應(yīng)影響電力系統(tǒng)的安全、穩(wěn)定運行，降低電能質(zhì)量。首先用BP神經(jīng)網(wǎng)絡(luò)預(yù)測出測風(fēng)塔處的風(fēng)速，再進一步考慮地形因素的影響，用CFD軟件對風(fēng)電場風(fēng)流進行數(shù)值模擬，計算出各風(fēng)機輪轂高度處的風(fēng)加速因數(shù)和水平偏差等數(shù)據(jù)，然后用MATLAB軟件編程求出各風(fēng)機輪轂高度處的風(fēng)速，再根據(jù)風(fēng)力發(fā)電機的功率曲線算出預(yù)測功率。提出了考慮地形影響的短期風(fēng)電功率預(yù)測方法，預(yù)測效果較為理想，適合實際工程應(yīng)用。

關(guān)鍵詞：風(fēng)電功率；預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；CFD軟件；MATLAB

Short-term wind power prediction methods

我國風(fēng)電行業(yè)正處于快速發(fā)展時期，截至2013年底，我國風(fēng)電總裝機容量達到91 412.89 MW，同比增長21.4%。風(fēng)力發(fā)電機總?cè)萘坎粩嘣龃?，風(fēng)電在整個電網(wǎng)中所占的比例也在不斷提高。風(fēng)電接入電網(wǎng)時，必須要盡量限制風(fēng)電穿透功率。風(fēng)電穿透功率指的是風(fēng)電功率與電力系統(tǒng)總功率的比值。有研究指出，當(dāng)該功率值小于8%時，電力系統(tǒng)正常情況下都不會出現(xiàn)大問題。隨著該功率值的不斷增大，風(fēng)電在給人們創(chuàng)造方便的同時，也帶來了諸多不便。特別是當(dāng)該功率值超過某一限值時，可能會大幅度降低電能質(zhì)量，影響電力系統(tǒng)的安全穩(wěn)定運行，并可能危及系統(tǒng)的常規(guī)發(fā)電方式，主要表現(xiàn)為頻率和電壓會產(chǎn)生大幅度的波動[1-2]。此外，風(fēng)資源間歇性很強，地理和氣象因素對其影響很大，而且風(fēng)電場的無功功率和有功功率隨風(fēng)速的變化而變化，風(fēng)電功率的波動會對配電網(wǎng)的電壓穩(wěn)定、功角穩(wěn)定、頻率穩(wěn)定、網(wǎng)損及潮流分布、諧波、電壓波動與閃變、備用成本、發(fā)電計劃、系統(tǒng)可靠性等方面產(chǎn)生不利影響。我國風(fēng)資源的分布特點使得風(fēng)電場的建設(shè)較為集中，風(fēng)能的間歇性和隨機性使風(fēng)電并網(wǎng)時對系統(tǒng)的影響更為突出。因此，進行風(fēng)電功率預(yù)測的研究對于我國風(fēng)電行業(yè)的發(fā)展是很重要的[3-4]。

進行短期風(fēng)電功率預(yù)測，可以使電力調(diào)度部門提前了解風(fēng)電功率變化趨勢，從而適時調(diào)整調(diào)度計劃，減少系統(tǒng)備用容量，降低運行成本[5]。從風(fēng)電開發(fā)商的角度考慮，風(fēng)電場建成發(fā)電并參與市場競爭時，與其他可控的發(fā)電方式相比，風(fēng)電的間歇性和隨機性將大大降低其市場競爭力，甚至因供電的不可靠性受到經(jīng)濟懲罰。進行風(fēng)電功率短期預(yù)測，是解決上述問題行之有效的辦法，可以大幅度提高風(fēng)電的市場競爭力。進行短期風(fēng)電功率預(yù)測，還便于安排機組維護和檢修，提高風(fēng)電場容量系數(shù)。風(fēng)電場可以根據(jù)短期預(yù)測結(jié)果，選擇風(fēng)速較小時段，對設(shè)備進行檢測和維修，從而提高風(fēng)電場的發(fā)電量和容量系數(shù)[6-7]。

1預(yù)測原理

1.1預(yù)測方法

首先用神經(jīng)網(wǎng)絡(luò)模型對測風(fēng)塔處的風(fēng)速和風(fēng)向進行預(yù)測，再用CFD軟件對風(fēng)電場風(fēng)流進行數(shù)值模擬，求出各風(fēng)機輪轂高度處的風(fēng)加速因數(shù)和水平偏差等數(shù)據(jù)，從而求出各風(fēng)機輪轂高度處的風(fēng)速，再根據(jù)風(fēng)機功率曲線得到各風(fēng)機的預(yù)測功率，最后將每臺風(fēng)機的預(yù)測功率相加，得出風(fēng)電場的預(yù)測功率[8-10]。預(yù)測流程如圖1所示。

圖1　風(fēng)功率預(yù)測流程

1.2 神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播網(wǎng)絡(luò)，除輸入輸出節(jié)點外，還包含一層或多層隱含節(jié)點，同一層節(jié)點之間無連接關(guān)系。信號經(jīng)輸入層節(jié)點輸入，流經(jīng)各隱含層節(jié)點，傳輸至輸出層節(jié)點，每層節(jié)點的輸出僅影響下一節(jié)點的輸出[11]。理論研究指出，具有S型函數(shù)的3層BP神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任意連續(xù)函數(shù)[12]。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也稱為訓(xùn)練，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，對于不屬于訓(xùn)練樣本的輸入也能輸出近乎準(zhǔn)確的結(jié)果。BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性擬合能力，并且訓(xùn)練過程簡單，易于用計算機計算，因此神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法多采用BP學(xué)習(xí)算法[13-14]。

用學(xué)習(xí)算法對各層權(quán)重進行優(yōu)化的目的就是找到使誤差最小的權(quán)重W。訓(xùn)練過程可以概括為選定樣本數(shù)據(jù)，重復(fù)進行前向計算、反向回饋，修正權(quán)重的過程。各層的權(quán)重學(xué)習(xí)過程是反向的，由輸出層誤差來得出中間誤差，再得出輸入權(quán)重，多次重復(fù)進行，直至輸出合適的結(jié)果，即為誤差反向傳播[15-16]。BP算法步驟如下：

1)對閾值和權(quán)值進行初始化：給神經(jīng)元的閾值和所有權(quán)值賦一個較小的初始值；

2)給定輸入矩陣xk和輸出目標(biāo)yk；

4)修改權(quán)重(反向過程)：從輸入信號開始，誤差信號反向傳播，通過修改各層權(quán)重，使誤差最?。?/p>

如果i是隱含層節(jié)點，則：

1.3 CFD軟件數(shù)值模擬

計算流體動力學(xué)(computational fluid dynamics, CFD)是通過計算機數(shù)值計算和圖像顯示，對包含有流體流動和熱傳導(dǎo)等相關(guān)物理現(xiàn)象的系統(tǒng)所做的分析。CFD的基本思路可以歸結(jié)為：把原來在時間域及空間域上連續(xù)的物理量的場，如速度場和壓力場，用一系列有限個離散點上的變量值的集合來代替，通過一定的原則和方式建立起關(guān)于這些離散點上場變量之間關(guān)系的代數(shù)方程組，然后求解代數(shù)方程組獲得場變量的近似值[17-18]。

目前已經(jīng)開發(fā)出來并得到廣泛應(yīng)用的CFD軟件很多，文中選擇專門用于風(fēng)資源評估的Meteodyn WT軟件。Meteodyn WT軟件是一款適用于復(fù)雜地形的風(fēng)資源評估軟件，根據(jù)輸入的地形文件和粗糙度文件，該軟件可以自動生成網(wǎng)格和邊界條件，利用MIGAL求解器，對整個風(fēng)電場風(fēng)流進行模擬，并且可以以二維和三維的形式對模擬結(jié)果進行顯示，可視化程度極高。

2實例研究

2.1BP神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)速和風(fēng)向

以某實際風(fēng)電場80 m高處的實測風(fēng)速和風(fēng)向為樣本數(shù)據(jù)，樣本包含一年內(nèi)每隔10 min 1個采樣點，數(shù)據(jù)量十分龐大。選擇10 h內(nèi)共60組數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并預(yù)測未來1小時內(nèi)每隔10 min的風(fēng)速和風(fēng)向[19]0。經(jīng)過反復(fù)實驗比較，最終選擇雙隱含層結(jié)構(gòu)，各層節(jié)點數(shù)分別為6、15、10、1，傳遞函數(shù)分別為tansig、tansig和purelin，訓(xùn)練誤差設(shè)為0.002，最大訓(xùn)練次數(shù)設(shè)為2 000，得到風(fēng)速和風(fēng)向的預(yù)測結(jié)果與實際值對比圖分別如圖2、3。

圖2　風(fēng)速預(yù)測值與實際值的對比

圖3　 風(fēng)向預(yù)測值與實際值的對比

通常用均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)來衡量預(yù)測效果，表示如式(1)、(2)：

(1)

(2)

式中：ERMSE為均方根誤差；EMAPE為平均絕對百分比誤差；XF為預(yù)測值；XR為實際值；N為預(yù)測點的數(shù)量。風(fēng)速和風(fēng)向預(yù)測結(jié)果的均方根誤差分別為1.22 m/s和6.24°，平均絕對百分比誤差分別12.9%和1.64%。從以上誤差可以看出，該模型預(yù)測誤差較小，精度較高，可以很好地預(yù)測出風(fēng)速和風(fēng)向的值及其變化趨勢。

2.2CFD軟件數(shù)值模擬

用Global Mapper軟件制作地形文件，用Global Mapper和Google Earth軟件制作粗糙度文件，WT軟件載入地形文件、粗糙度文件和風(fēng)機位置文件后，就可以進行數(shù)值模擬。模擬得到每臺風(fēng)機在各個方向扇區(qū)的風(fēng)加速因數(shù)如表1所示。

表1　 風(fēng)力發(fā)電機輪轂高度處各方向扇區(qū)的風(fēng)加速因數(shù)表　　　　　　　　　　kW

2.3功率預(yù)測

對風(fēng)電場的功率預(yù)測如式(3)所示。

(3)

式中：P表示風(fēng)電場的預(yù)測功率；φi代表第i臺風(fēng)機的發(fā)電功率與其輪轂高度處風(fēng)速之間的關(guān)系，可以由各風(fēng)機的功率曲線得到；v0表示測風(fēng)塔風(fēng)速；λij表示第i臺風(fēng)機第j個方向扇區(qū)的風(fēng)加速因數(shù)；n表示風(fēng)電場風(fēng)機數(shù)量[20-22]。得到各風(fēng)機未來1小時6個預(yù)測點的預(yù)測功率如表2所示，對各風(fēng)機的功率求和，得到風(fēng)電場的預(yù)測功率如表3所示。

表2　 各風(fēng)機預(yù)測功率表　　　　kW

表3　 風(fēng)電場預(yù)測功率表

4結(jié)束語

風(fēng)電場地形和粗糙度不會有明顯變化，而CFD軟件在進行數(shù)值模擬時并不需要考慮氣象數(shù)據(jù)，所以可以在風(fēng)功率預(yù)測前計算出各風(fēng)機輪轂高度處的風(fēng)加速因數(shù)和水平偏差等數(shù)據(jù)，預(yù)測時直接根據(jù)測風(fēng)塔預(yù)測風(fēng)速和風(fēng)向由程序計算出預(yù)測功率，預(yù)測速度快。

該預(yù)測方法屬于統(tǒng)計方法和物理方法相結(jié)合的綜合方法。也可以用NWP數(shù)據(jù)代替測風(fēng)塔的預(yù)測風(fēng)速，此時該預(yù)測方法就是純物理方法，只需要考慮風(fēng)電場的地形和粗糙度等因素，不需要歷史數(shù)據(jù)的支持，求解風(fēng)電場地形變化和粗糙度變化對風(fēng)流的影響，可用來預(yù)測新建風(fēng)電場的發(fā)電功率。

參考文獻:

[1]傅旭, 李海偉, 李冰寒. 大規(guī)模風(fēng)電場并網(wǎng)對電網(wǎng)的影響及對策綜述[J]. 陜西電力,2010, 38(1): 53-57.

[2]遲永寧, 劉燕華, 王偉勝, 等. 風(fēng)電接入對電力系統(tǒng)的影響[J]. 電網(wǎng)技術(shù), 2007, 31(3): 77-81.

[3]楊秀嬡, 肖洋, 陳樹勇. 風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J]. 中國電機工程學(xué)報,2005, 25(11): 1-5.

[4]潘迪夫, 劉輝, 李燕飛. 基于時間序列分析和卡爾曼濾波算法的風(fēng)電場風(fēng)速預(yù)測優(yōu)化模型[J]. 電網(wǎng)技術(shù),2008, 32(7): 82-86.

[5]LANDBERG L, WATSON S J. Short-term prediction of local wind conditions[J]. Boundary Layer Meteorology, 1994, 70(1/2): 171-195.

[6]韓爽. 風(fēng)電場功率短期預(yù)測方法研究[D]. 北京: 華北電力大學(xué), 2008: 15-18.

[7]ALEXIADIS M C, DOKOPOULOS P S, SAHSAMANOGLOU H S, et al. Short-term forecasting of wind speed and related electrical power [J].Solar Energy, 1998, 63(1): 61-68.

[8]杜穎, 盧繼平, 李青, 等. 基于最小二乘支持向量機的風(fēng)電場短期風(fēng)速預(yù)測[J]. 電網(wǎng)技術(shù), 2008, 32(15): 62-66.

[9]張希良. 風(fēng)能開發(fā)利用[M]. 北京: 化學(xué)工業(yè)出版社, 2005: 33-37.

[10]王承煦, 張源. 風(fēng)力發(fā)電[M]. 北京: 中國電力出版社, 2003: 55-63.

[11]謝清和. 基于模糊神經(jīng)網(wǎng)絡(luò)(FNN)的故障智能診斷的研究[D]. 上海: 上海大學(xué), 2004: 45-54.

[12]董銳. 基于神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近方法研究[D]. 長春: 東北師范大學(xué), 2011: 38-44.

[13]李文良, 衛(wèi)志農(nóng), 孫國強, 等. 基于改進空間相關(guān)法和徑向基神經(jīng)網(wǎng)絡(luò)的風(fēng)電場短期風(fēng)速分時預(yù)測模型[J]. 電力自動化設(shè)備, 2009, 29(6): 89-92.

[14]彭懷午, 劉方銳, 楊曉峰. 基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測研究[J]. 華東電力,2009, 37(11): 45-49.

[15]GUO Zhenhai, WU Jie, LU Haiyan, et al. A case study on a hybrid wind speed forecasting method using BP neural network[J]. Knowledge-Based Systems, 2011, 24(7): 1048-1056.

[16]范高鋒, 王偉勝, 劉純, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J]. 中國電機工程學(xué)報, 2008, 28(34): 118-123.

[17]王福軍. CFD軟件原理與應(yīng)用[M]. 北京:清華大學(xué)出版社, 2004: 23-28.

[18]朱林. 硅基微尺度燃燒器燃燒特性與結(jié)構(gòu)失效的研究[D]. 合肥: 中國科學(xué)技術(shù)大學(xué), 2008.

[19]孫春順, 王耀南, 李欣然. 小時風(fēng)速的向量自回歸模型及應(yīng)用[J]. 中國電機工程學(xué)報, 2008, 28(14): 112-117.

[20]ALECIADIS MC, DOKOPOULOS P S, SAHSAMANOGLOU HS. Wind speed and power forecasting based on spatial correlation models[J]. IEEE Transactions on Energy Conversion, 1999, 14(3): 836-842.

[21]DAMOUSlSI G, ALEXlADlS M C, THEOCHARlS J B, et al. A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation[J]. IEEE Transactions on Energy Conversion, 2004, 19(2): 352-361.

[22]BOSSANYI E A. Short-term wind prediction using Kalmanfilters[J]. Wind Engineering, 1985, 9(1): 1-8. doi: 10.11991/yykj.201504011

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1191.U.20151206.1021.022.html

considering the influence of terrain

ZHAO Chuan1, CHEN Genjun2, YE Hua1, ZHU Mingle3, WU Xiao3

1.Yunnan Electric Power Dispatching and Controlling Center, Kunming 650011,China

2.Nanjing Nari-Relays Electric Co. Ltd., Nanjing 211102, China

3. College of Electrical Engineering, Southeast University, Nanjing 210096, China

Abstract：Wind is a resource with strong randomness and intermittence. With a lot of wind power joining the grid, it is bound to endanger the security and stability of the power system. Besides, it may worsen power quality. First, this paper predicted the wind speed by the method of BP neural network according to historical data, and used CFD software to simulate the numerical operation of the farm Merry when further taking the impact of terrain into consideration, deriving the wind acceleration factor and the level bias and other data at each fan hub height. Second, the wind speed of each fan hub height was calculated by MATLAB software programming. Finally, the predicted power was estimated according to the power curve of the wind turbine, and thereby the short-term wind power prediction methods considering the influence of terrain was proposed.This model proposed in this paper has relatively higher forecasting accuracy, which is suitable for engineering application.

Keywords：wind power; prediction; BP neural network; CFD software; MATLAB

通信作者：趙川，E-mail：zhaochuan128@163.com.

作者簡介：趙川(1981-)，男，高級工程師，碩士.

基金項目：國家科技支撐計劃重大項目(2013BAA01B00)；國家自然科學(xué)基金資助項目(51377021).

收稿日期：2015-03-31.網(wǎng)絡(luò)出版日期：2015-12-06.

中圖分類號：TK8

文獻標(biāo)志碼：A

文章編號：1009-671X(2015)06-006-04